docWybrane kwestie metodologiczne związane z budową modelu
download 
Reklamacja Transkrypt
Wybrane kwestie metodologiczne związane z budową modelu
Nr 80 Studia i Materiały Prace Naukowe Instytutu Organizacji i Zarządzania Politechniki Wrocławskiej Nr 22 Nr 80 2006 Marek Lubicz* ** ss. 205-224 WYBRANE KWESTIE METODOLOGICZNE ZWIĄZANE Z BUDOWĄ MODELU KONCEPTUALNEGO REGIONALNEGO SYSTEMU FINANSOWANIA OPIEKI ZDROWOTNEJ Praca jest kontynuacją rozważań ([Lubicz 2004], [Lubicz 2005]) na temat modelowania regionalnego systemu finansowania opieki zdrowotnej. Poddano analizie wybrane kwestie metodologiczne, występujące w pierwszych dwóch etapach standardowej metodyki modelowania symulacyjnego, konieczne do rozważenia w związku z budową modelu konceptualnego powyższego systemu: określenie celu budowy modelu w kontekście ustalonego problemu decyzyjnego, uwarunkowania doboru, pozyskiwania i interpretacji danych źródłowych, dobór wymiarowości i stopnia złożoności modelu konceptualnego. 1. UWAGI WSTĘPNE Praca jest kontynuacją wcześniejszych rozważań autora na temat modelowania regionalnego systemu finansowania opieki zdrowotnej. W poprzednich pracach, związanych z pierwszym etapem klasycznej metodyki modelowania symulacyjnego (sformułowanie rozpatrywanego problemu decyzyjnego i zaplanowanie badań) opisano kontekst zastosowania metod ilościowych w finansach służby zdrowia [Lubicz 2004] oraz podstawowe problemy decyzyjne, wchodzące w zakres alokacji finansowej w regionalnym systemie ochrony zdrowia [Lubicz 2005]. W obecnej pracy poddano analizie wybrane kwestie metodologiczne, występujące w pierwszych dwóch etapach standardowej metodyki modelowania symulacyjnego (dodatkowo w etapie drugim: doboru danych źródłowych i budowy modelu konceptualnego). Przesłanką rozważań była, postulowana m.in. przez Law’a [Law 2005], konieczność pogłębionego zrozu__________ * Politechnika Wrocławska, Instytut Organizacji i Zarządzania oraz Dolnośląski Oddział Wojewódzki NFZ; [email protected] ** Poglądy zawarte w artykule są osobistymi poglądami autora; nie muszą być one zgodne z oficjalnym stanowiskiem NFZ. 206 Marek Lubicz mienia specyfiki problemów decyzyjnych, występujących w analizowanym systemie, istotna nie tylko na etapie budowy modelu, ale – być może przede wszystkim – na etapie analizy zasadności i późniejszego zastosowania modelu. Analiza literatury przedmiotu wydaje się wskazywać na brak jednoznacznej, ogólnie przyjętej definicji modelu konceptualnego. Podkreśla się [Law 2005, Sargent 2001] konieczność szczegółowej, udokumentowanej analizy modelowanego systemu, opisania ilościowego (matematycznego), logicznego lub werbalnego cech tego systemu, istotnych ze względu na rozpatrywane problemy decyzyjne, przeprowadzenia walidacji konceptualnego opisu systemu przed przystąpieniem do opracowania modelu komputerowego. Można przyjąć, że pod pojęciem budowy modelu konceptualnego będziemy rozumieli zdefiniowanie i powiązanie obiektów i procesów, występujących w analizowanym systemie, na podstawie danych, które mogą być danymi źródłowymi zebranymi w ustalonym obiekcie rzeczywistym, z którym związany jest analizowany system lub – w przypadku modelowania hipotetycznego systemu, niezwiązanego z ustalonym obiektem rzeczywistym – danymi opisującymi przewidywania badacza odnośnie do takiego hipotetycznego systemu (w szczególności mogą to być dane uzyskane w systemie analogicznym do modelowanego). W opisie systemu, nazwanym modelem konceptualnym, powinny w szczególności znaleźć się [Law 2005]: • omówienie celów modelowania, • definicje miar jakości rozwiązania, • charakterystyka dostępnych danych źródłowych (po wstępnej walidacji – także formalne charakterystyki tych danych, na przykład przyjęte modele danych wejściowych i wyjściowych systemu w postaci charakterystyk zjawisk losowych), • lista upraszczających założeń i omówienie przyczyn ich wprowadzenia, • werbalno-graficzna charakterystyka struktury systemu i zachodzących w nim procesów, • uwarunkowania techniczne, finansowe i organizacyjne dotyczące oprogramowania, analizy zasadności i wykorzystania modelu do rozwiązania postawionych problemów decyzyjnych. Potrzeby walidacji modelu, będącej procesem (nie jednorazową czynnością) stwierdzenia czy model symulacyjny jest wystarczająco dokładną, z punktu widzenia ustalonych pierwotnie celów modelowania, reprezentacją wycinka rzeczywistości (systemu), powinny być uwzględnione w rozważaniach jeszcze przed budową samego modelu. Spełnienie tego postulatu warunkuje powodzenie walidacji modelu konceptualnego, co może mieć decydujące znaczenie dla późniejszego zastosowania modelu w rozwiązywaniu problemów decyzyjnych, stanowiących inspirację do budowy modelu. Walidacja modelu konceptualnego polega [Sargent 2001] na ustaleniu czy podstawy teoretyczne i przyjęte założenia są poprawne oraz czy zastosowane reprezentacje matematyczne, logiczne i przyczynowo-skutkowe, struktura modelu i sposoby ujęcia w modelu obiektów i procesów występujących w modelowanym systemie (będącym wycinkiem obiektu rzeczywistego) są akceptowalne z punktu widzenia celu Wybrane kwestie metodologiczne związane z budową modelu konceptualnego ... 207 modelowania (rozpatrywanych problemów decyzyjnych). Podkreśla się wagę walidacji modelu konceptualnego przy udziale decydentów, ekspertów w dziedzinie do której należą rozpatrywane problemy decyzyjne. W pierwszych dwóch etapach klasycznej metodyki modelowania symulacyjnego konieczne jest również rozważenie podstawowych kwestii technicznych, związanych z zamierzoną realizacją komputerową modelu, gdyż mogą one determinować w istotnym zakresie zarówno strukturę logiczną modelu, jak i zapotrzebowanie na dane źródłowe. Można wykazać, że niektóre z kwestii „technicznych” są w istocie kwestiami merytorycznymi, dotyczącymi analizowanych problemów decyzyjnych i – jako takie – powinny być rozważone, nie tylko z punktu widzenia założeń matematycznych bądź programistycznych, już na etapie sformułowania problemu i budowy modelu konceptualnego. Przykładowo rozwiązując problem decyzyjny, dotyczący systemu mającego strukturę formalną systemu masowej obsługi takich obiektów, których obsługa może wymagać różnych ilości zasobów (liczb jednostek obsługi), można sformułować pytanie jak należy uwzględnić w modelu sytuację zwolnienia jednostki obsługi, jeśli z oczekujących pierwszy (najdłużej oczekujący) obiekt wymaga dwóch jednostek obsługi, a kolejne – jednej jednostki obsługi. Nie jest to jedynie kwestia przyjęcia arbitralnego, formalnego założenia przez symuloga, jako że rezultat przyjęcia określonego założenia w powyższej kwestii oznacza ingerencję badacza w analizowane i modelowane zjawisko: w wielu przypadkach decyzja w powyższym względzie oznacza zdefiniowanie priorytetów obsługi (kolejności, liczby lub rodzaju jednostek obsługi) przez osobę nie będącą decydentem w analizowanym systemie i definiującą priorytety jedynie ze względu na ułatwienie procesu modelowania. [Schriber i Brunner 2005] podają, że w istniejących pakietach symulacyjnych niektóre (Extend, GPSS/H) domyślnie zakładają wybór pierwszego obiektu z kolejki, który można obsłużyć dostępną liczbą jednostek obsługi; inne (Arena, ProModel) domyślnie oczekują na zwolnienie kolejnej jednostki obsługi (Extend umożliwia także zdefiniowanie obsługi z priorytetami dla wybranych zasobów). Rozsądny (z punktu widzenia celów modelowania) wybór jednego z powyższych technicznych rozwiązań nie jest możliwy bez uprzedniego wniknięcia w istotę modelowanych zjawisk, zdefiniowania atrybutów obiektów występujących w analizowanym systemie, pozwalających na zróżnicowanie metod wyboru obiektów z kolejki zależnie od wartości tych atrybutów lub innych cech procesu (na przykład atrybutów jednostek obsługi). 2. CELE MODELOWANIA – PROBLEMY DECYZYJNE W [Lubicz 2004] wyrażono pogląd, iż „istotna część publikowanych przykładów zastosowań metod ilościowych w służbie zdrowia dotyczy zastosowań „laboratoryjnych” (problemów, które w pewnym momencie wystąpiły w ustalonym środowisku 208 Marek Lubicz medycznym i które analizowano „po ekstrakcji z danego miejsca i czasu”, bez związku z systemem, do którego przynależały) lub „akademickich” (formalnie prawidłowych przykładów zastosowania ustalonych modeli ilościowych na poprawnie zebranych danych rzeczywistych, bez związku z konkretnymi sytuacjami decyzyjnymi). Powyższa cecha jest – zdaniem autora – jedną z przyczyn niewielkiego praktycznego wykorzystania większości wyników badań naukowych w praktyce podejmowania decyzji w codziennej rzeczywistości systemów opieki zdrowotnej, bowiem decydenci nie mogą podejmować jedynie częściowych decyzji dla „łatwiejszych rodzajów świadczeń zdrowotnych” lub „łatwiejszych oddziałów szpitalnych” (odnoszących się np. do tych procesów, dla których udało się opracować i zweryfikować dobre modele ilościowe), odkładając pozostałe decyzje na bliżej nieokreśloną (przez analityka) przyszłość.“ Analogiczne poglądy o technicznym lub teoretycznym ukierunkowaniu wielu prac z zakresu modelowania symulacyjnego, przy jednoczesnym niedocenianiu w praktyce modelowania istoty pierwszych etapów klasycznej procedury modelowania symulacyjnego (por. dalej), można znaleźć w pracach [Eldabi i Paul 2001], [Paul i in. 2003] i ostatniej [Paul i in. 2005] pod wymownym tytułem „Is problem solving or simulation model solving, mission critical”. Tabela 1, zamieszczona w ostatniej z wymienionych prac, zawiera wyniki analizy publikacji za rok 2004 w czterech najważniejszych czasopismach symulogicznych: Simulation (SIM), ACM Transactions on Modelling and Computer Simulation (ACM), Simulation and Gaming (S&G), Simulation Modelling Practice and Theory (SMPT). Tab. 1. Analiza publikacji z zakresu modelowania symulacyjnego – czasopisma 2004 Cecha Nie zdefiniowano konkretnego praktycznego problemu decyzyjnego (brak decydenta) Zdefiniowano problem konkretnego decydenta Zaproponowano rozwiązanie w/w problemu decyzyjnego Implementacja rozwiązania problemu Łącznie SIM ACM S&G SMPT Łącznie 45 (88%) 15 (100%) 13 (93%) 25 (89%) 98 (91%) 6 (12%) 0 1 (7%) 3 (11%) 10 (9%) 5 (83%) 0 1 (100%) 2 (67%) 8 (80%) 0 51 0 15 0 14 0 28 0 108 Uwaga: udziały procentowe w wierszu 4 dotyczą kategorii z poprzedniego wiersza Źródło: [Paul i in. 2005] Celem analizy było wskazanie wśród publikacji zamieszczonych w powyższych czasopismach tych, które nie są publikacjami „laboratoryjnymi” ani „akademickimi”, ale które dotyczą modelowania symulacyjnego w problemach decyzyjnych występujących w realnie istniejących obiektach rzeczywistych (i w których wskazany jest Wybrane kwestie metodologiczne związane z budową modelu konceptualnego ... 209 konkretny decydent). W takich pracach dalszej analizie podlegało: istnienie opisu rozwiązania problemu decyzyjnego i zastosowanie tego rozwiązania w obiekcie rzeczywistym. Analiza wykazała, że ponad 90% rozpatrywanych prac dotyczyło jedynie kwestii teoretycznych, metodologicznych i narzędziowych, a ponadto, że wśród nielicznych (9% ogółu) prac, w których zdefiniowano i opisano rozwiązanie konkretnego problemu decyzyjnego konkretnego decydenta, w żadnej nie opisano faktycznego zastosowania znalezionego rozwiązania (co, zdaniem autorów cytowanej pracy, może wskazywać na wątpliwą pod względem zgodności z rzeczywistymi problemami decyzyjnymi jakość otrzymanych rozwiązań). Pozostałe publikacje autorzy w niezbyt sformalizowany sposób podzielili na cztery kategorie: • prace „przematematyzowane” („I can out math you”), w których zaawansowane metody matematyczne wykorzystywane są w sytuacjach, w których wystarczający byłby opis problemu lub prosty model matematyczny, • prace typu „zamki z piasku”, w których definiuje się i rozwiązuje abstrakcyjne problemy bez wskazania konkretnych decydentów i bez możliwości odniesienia do rzeczywistości, • prace typu „nowy model pułapki na myszy”, omawiające nowe podejścia, formalizacje lub algorytmy, będące udoskonaleniami istniejących i w związku z tym niewiele wnoszące, jako że dotychczasowe można by z powodzeniem zastosować do rozwiązania ustalonych problemów (pod warunkiem, że takowe istnieją w rzeczywistości), • prace „statystycznie przesycone”, w których prezentuje się wykorzystanie ścisłych metod statystycznych w określonych obszarach i otrzymuje a priori oczywiste rozwiązania. Tab.2. Analiza publikacji z zakresu modelowania symulacyjnego – SSSG 2002-2005 Cecha 2002 2003 2004 2005 Łącznie Dydaktyczne gry kierownicze 4 5 5 8 Nie zdefiniowano konkretnego praktycznego problemu decyzyjnego (brak decydenta) Zdefiniowano problem konkretnego decydenta Zaproponowano rozwiązanie w/w problemu decyzyjnego Implementacja rozwiązania problemu Łącznie 7 13 12 8 0 0 0 0 1 1 2 1 22 (34%) 40 (62%) 3 (4,6%) 2 (67%) 0 11 0 18 1 18 0 18 1 (50%) 65 Uwaga: udziały procentowe w wierszach 5-6 dotyczą kategorii z poprzedniego wiersza Źródło: opracowanie własne na podstawie materiałów z www.ioz.pwr.wroc.pl/konferencje/sssg/ Oczywiście autorzy cytowanej pracy nie negują konieczności prowadzenia prac teoretycznych nad różnymi aspektami modelowania symulacyjnego lub techniką sy- 210 Marek Lubicz mulacji; wskazują jedynie na istotny rozdźwięk między akademicką teorią symulacji, która – zgodnie z klasycznym schematem Lawa i Keltona [Law i Kelton 2000] – skoncentrowana jest na problemie decyzyjnym, a praktyką symulacji i zainteresowaniami symulogów, które – jak wykazała również wstępna analiza publikacji, zamieszczanych w ostatnich czterech latach w zbiorach artykułów, będących rezultatami Szkoły Symulacji Systemów Gospodarczych (por. tabela 2) – pozostają odległe od pierwszych etapów schematu modelowania symulacyjnego (por. lewa strona tabeli). Tab. 3. Komentarze praktyczne na temat akademickiego schematu modelowania symulacyjnego Etap [Law i Kelton 2000] 1 Sformułowanie rozpatrywanego problemu decyzyjnego i zaplanowanie badań. 2 Zebranie danych i opracowanie modelu konceptualnego. 3 Walidacja modelu konceptualnego. 4 Budowa i weryfikacja modelu komputerowego. Wykonanie eksperymentów testowych. Walidacja modelu komputerowego. Zaprojektowanie właściwych eksperymentów symulacyjnych. Realizacja eksperymentów symulacyjnych. Analiza wyników symulacji. Dokumentacja, prezentacja decydentom i zastosowanie praktyczne wyników badania. 5 6 7 8 9 10 [Paul i in. 2003] Problemy decyzyjne dotyczą konkretnych decydentów. Decydenci nie są w stanie rozwiązać problemu, gdyż są one złożone i nie w pełni zrozumiałe. Gdyby decydenci byli w stanie zrozumieć istotę problemu byliby również w stanie podjąć decyzję, a problem decyzyjny by nie istniał. Zatem sformułowanie problemu i jego zrozumienie przez specjalistę symuloga jest błędne. Jakich danych? Dane zazwyczaj nie w pełni odpowiadają wymaganiom i nie są wystarczająco dokładne. Model (konceptualny) jest błędny. Modelu konceptualnego nie można walidować (rzadko kiedy można nawet podjąć taką próbę). Programy nie mogą być zweryfikowane (nie chodzi tu o techniczne błędy programisty). Eksperymenty testowe dają błędne wyniki. Model komputerowy nie może być zwalidowany. Eksperymenty są niewłaściwie zaplanowane. Eksperymenty dają błędne wyniki. Analiza wyników jest błędna. Wyniki są błędne. Źródło: [Paul i in. 2005] We wcześniejszej pracy [Paul i in. 2003] autorzy zamieszczają również (tab. 3.) rozważania, wynikające z przekonania o wyborze metody modelowania symulacyjnego głównie w przypadkach, w których problem decyzyjny jest niedookreślony lub nieustrukturalizowany, a odnoszące praktyczne spostrzeżenia specjalistów symulacji stosowanej do teoretycznej systematyki etapów standardowej procedury modelowania symulacyjnego, opisanej np. w [Law i Kelton 2000]. Podstawową konkluzją tych Wybrane kwestie metodologiczne związane z budową modelu konceptualnego ... 211 rozważań jest przekonanie, iż problemy decyzyjne istnieją (i mogą stanowić podstawę modelowania, na przykład symulacyjnego) tak długo, jak długo realni decydenci są zainteresowani ich formułowaniem i analizą. W momencie, w którym decydent dochodzi do wniosku, że zrozumiał istotę problemu decyzyjnego i uwarunkowania jego rozwiązania, po prostu rozwiązuje problem (to znaczy podejmuje decyzję), „ignorując symulację (i symuloga)”) i przestaje być zainteresowany kontynuowaniem badania symulacyjnego. Spostrzeżenie to wyjaśnia w pewnym zakresie opisane wcześniej metodologiczne lub techniczne ukierunkowanie większości prac z zakresu modelowania symulacyjnego („Models are fun, enticing peacock devices that are money earners”; „a model is the analyst’s baby, and the nurturing and protecting of it makes the model more important than the problem. After all, the problem is the customer’s baby” [Paul i in. 2005]), określane przez autorów jako przewaga skłonności do rozwiązywania modeli, a nie rozwiązywania problemów decyzyjnych. Podsumowując rozważania dotyczące zdefiniowania celu modelowania należy zauważyć za [Eldabi i Paul 2001], że w literaturze przedmiotu nie poświęca się należytej uwagi etapowi formułowania i strukturalizacji problemu decyzyjnego, pomimo tego że jest on najważniejszy dla zrozumienia problemu i prawidłowego opracowania jego abstrakcyjnego opisu w postaci modelu. Etap ten jest wskazywany jako pierwszy etap procedury modelowania symulacyjnego (np. [Law i Kelton 2000]), jednakże niekiedy (por. [Eldabi i Paul 2001]) uważa się, że wykracza on poza standardowe ramy symulacji, będąc w niektórych przypadkach bardziej sztuką niż formalną nauką o strukturalizacji problemu. 3. DANE I TRUDNOŚCI Z NIMI W większości publikacji z zakresu metodologii modelowania symulacyjnego (np. [Law i Kelton 2000], [Eldabi i Paul 2001], [Law 2005]) po sformułowaniu problemu decyzyjnego, do rozwiązania którego celowe jest zastosowanie symulacji komputerowej, następuje etap pozyskania danych źródłowych i budowy modelu konceptualnego. Autorzy podkreślają wagę prawidłowego doboru danych do modelu, właściwych metod czynnego („zbieranie” danych) lub biernego (skorzystanie ze zbiorów danych historycznych) podejścia do pozyskania danych oraz walidacji danych. Kryteria jakim powinny odpowiadać posiadane dane są w zasadzie wspólne dla różnych metod modelowania [Cieślak 2004], [Zeliaś i in. 2003]. Dane powinny być jednoznaczne, jednorodne, kompletne, porównywalne (w aspekcie definicyjnym, czasowym, terytorialnym, metod pomiaru), rzetelne, powinny odpowiadać przyjętym celom modelowania. Dane charakteryzujące realnie istniejący obiekt jedynie w pewnym zakresie spełniają powyższe postulaty, niemniej jednak z reguły jest niemożliwa lub niecelowa rezygnacja z wykorzystania takich „ułomnych” danych. Przykładowo, przy braku komplet- 212 Marek Lubicz ności danych historycznych (brak, błędne lub niepełne dane dla niektórych okresów lub obiektów modelowania) stosuje się różnorodne metody uzupełniania brakujących danych, niekiedy wynikające z wiedzy o systemie przedmiotowym (np. zbiory danych osobowych, w których wpisano błędne lub nie wpisano wcale numerów NIP czy PESEL można częściowo „naprawić” na podstawie innych posiadanych informacji o osobach reprezentowanych w tych zbiorach), szacuje się brakujące dane na podstawie dostępnych obserwacji lub stosuje metody akceptujące dane niekompletne (np. regułowe systemy ekspertowe). Wiedza o problemie i procesach zachodzących w modelowanym systemie jest zdaniem Law’a [Law 2005] niezbędna w procesie zbierania i interpretowania danych; błędem jest traktowanie obserwacji tylko jako abstrakcyjnych wielkości liczbowych. Uniemożliwia to na przykład prawidłową interpretację występowania elementów odstających (wyjątkowych, outliers) w danych, które mogą być rezultatami normalnych wahań losowych w próbce, wypaczenia standardowych warunków zbierania / gromadzenia danych, błędem w rejestracji danych lub jakościową zmianą w rozpatrywanym procesie. Problematyka błędów i innych trudności związanych z pozyskiwaniem, gromadzeniem i korzystaniem z danych w modelach symulacyjnych jest przedmiotem wielu publikacji (oprócz cytowanych wyżej np. [Carson 2002], [Hand i in. 2005], [Uziałko 2006]). W tabeli 4 zestawiono wybrane, metodycznie uwarunkowane problemy z danymi i sposoby ich przezwyciężania. Większość ze stwierdzeń zawartych w tabeli wydaje się być abstrakcyjna, ale zignorowanie wskazanych kwestii może prowadzić do istotnego zniekształcenia opracowywanego modelu. Jeśli, przykładowo, dane modelowe są pozyskiwane ze szpitalnych systemów informacyjnych (szczególnie w warunkach wprowadzenia mechanizmów anonimizacji, wymaganych przez odpowiednie przepisy o ochronie danych osobowych i braku możliwości precyzyjnej identyfikacji osoby w celu wyeliminowania błędów w danych) prawidłowość np. zdefiniowania i zindeksowania obiektów (indeks osoby, indeks pacjenta, indeks hospitalizacji, indeks pobytu na oddziale, indeks produktu rozliczeniowego) prowadzi do dyskusyjnych wniosków (por. uwagi dotyczące interpretacji dynamiki nakładów na świadczenia zdrowotne na Dolnym Śląsku w latach 1999-2005 w [Lubicz 2005]). Należy jeszcze wspomnieć o szczególnie istotnych, technicznie i środowiskowo uwarunkowanych problemach, wynikających z coraz częstszego faktu pochodzenia danych o współcześnie modelowanych systemach, w których występują interesujące nas problemy decyzyjne, z dużych i bardzo dużych baz danych (miliony rekordów), w których problem zbierania danych sprowadza się do właściwego „odpytywania” i eksplorowania istniejących baz danych. [Hand i in. 2005] zwracają uwagę na takie specyficzne problemy, wynikające z uwarunkowania skali współczesnych baz danych, jak – wydawałoby się paradoksalnie sformułowane – kwestie konieczności unikania (podkreślenie autora) „nadmiernego dopasowania do danego zbioru danych” lub całkowicie odmiennego sposobu próbkowania dostępnego zbioru danych źródłowych, Wybrane kwestie metodologiczne związane z budową modelu konceptualnego ... 213 spowodowanego niemożnością łatwego otrzymania losowej próbki z rozproszonych zbiorów danych. Tab. 4. Typowe problemy z danymi i sposoby ich przezwyciężania PROBLEM PRZYCZYNA POSTĘPOWANIE Dane nie odpowiadają celom modelowania. Nieprzemyślane podejście do zbierania danych („na ilość”), brak lub błędne podejście do wyznaczenia próby, stopień agregacji, dane nieprawdziwe, „dopasowane” do oczekiwań lub „dobrze wyglądające.” Dane źródłowe były niewłaściwie zarejestrowane (błędy formatu, wymiaru, rachunkowe, literówki). Dane źródłowe były nierzetelnie wprowadzone lub przetworzone w systemie bazodanowym. Opracować prawidłową technikę pozyskiwania danych, np. spełniającą zasady metody reprezentacyjnej; zapewnić wiarygodność źródeł danych; na podstawie wiedzy o problemie wyeliminować dane „podrasowane.’ Opracować usystematyzowane podejście, zapewniające precyzję pomiaru i rejestracji danych. Opracować usystematyzowane podejście, zapewniające prawidłowe gromadzenie danych (słowniki, kontrola pól, weryfikacja systemowa). Zmienić system rejestracji danych. Dane błędne. Dane błędnie gromadzone. Dane nieaktualne czasowo (opóźnione). Dane nieaktualne logicznie. Dane nie są właściwie mierzone lub indeksowane. Zbyt duża ilość potrzebnych danych. Zbyt duża ilość rozpatrywanych aspektów zjawiska (parametrów modelu). Wymaganych danych brak („nie prowadzi się”). Wymaganych danych brak (nigdy nie istniały). Metoda rejestracji danych nie jest wystarczająco efektywna. Dane niejednorodne, pochodzące z jakościowo różnych okresów lub historyczne, nieuwzględniające np. zmieniających się technologii medycznych, warunków społecznoekonomicznych i politycznych. Uwzględnić w modelu dane jednorodne w poszczególnych zdefiniowanych okresach i istotne czynniki jakościowe, wpływające na kształtowanie modelowanych zjawisk (np. uwzględnić podwyżki ustawowe w analizie nakładów na świadczenia zdrowotne). Dane źródłowe są gromadzone weOpracować system przeliczania, dług zasad lub harmonogramów, standaryzacji lub porządkowania które nie są zgodne z celami analizy. błędnie indeksowanych danych. Wielka ilość danych źródłowych Opracować efektywną metodę pobierakonieczna do wyznaczenia paramenia i agregacji danych z wielkich systetrów modelu. mów zarządzania bazami danych. Model jest tak szczegółowy (opisany Opracować prostsze lub bardziej tak dużą liczbą współczynników), że zagregowane modele. jest to bardzo trudne do opracowania. Nikt dotychczas nie zbierał wymaga- Niezależnie od tego czy jest to w tej nych obecnie danych. chwili konieczne zbieraj dane „na wszelki wypadek” (może być zbyt kosztowne). Potrzebne obecnie dane (np. koszty Postaraj się zarejestrować, oszacować jednostkowe według nośników lub wyliczyć dane jeśli będą przydatne kosztów) nigdy nie istniały. w przyszłości. Źródło: opracowanie własne m.in. na podstawie [Law 2005], [Carson 2002], [Cieślak 2004] 214 Marek Lubicz Pierwsza kwestia dotyczy reprezentatywności prób, pobranych z bardzo dużych ale najczęściej – w realnych problemach decyzyjnych i w ograniczonym horyzoncie czasowym – skończonych populacji, przy czym atrybut skończoności dotyczy zarówno zbioru dostępnych danych historycznych (np. baza danych o pacjentach leczonych w szpitalu w ostatnich 5 latach, będąca realną populacją z której pobiera się próbę), jak i teoretycznej populacji wszystkich potencjalnych obiektów „teraz i w określonej przyszłości” (pacjentów szpitala, mieszkańców województwa dolnośląskiego, w ograniczonym horyzoncie czasowym +/- n lat od momentu badania). „W większości wypadków celem jest opisanie ogólnego procesu powstawania danych” w dostępnej bazie danych „i innych zbiorów danych, które mogłyby powstać w wyniku tego samego procesu”; dążymy do znalezienia modeli „które dobrze uogólnią się na potencjalne dane w przyszłości”. Druga kwestia związana jest zarówno z „przekleństwem wymiarowości” (wykładniczym tempem wzrostu liczby komórek jednostkowych w przestrzeni wraz ze wzrostem liczby zmiennych, co zwiększa teoretyczną liczbę koniecznych obserwacji do nierealnych komputerowo wielkości), jak i technicznymi trudnościami dostępu do bardzo dużych zbiorów danych, przechowywanych zwykle nie w klasycznych statystycznych dwuwymiarowych tabelach (plik płaski; nie jest to regułą; w niektórych podejściach do eksploracji danych z wykorzystaniem np. systemu Sybase IQ [Teklitz 2003], wyjątkowo dużą efektywność i sprawność działania uzyskuje się nie dzięki relacyjnym strukturom bazodanowym, ale specjalnym algorytmom), ale w rozproszonych lokalnych relacyjnych bazach danych. Ponadto cele, dla których tworzone i utrzymywane są duże bazy danych są z reguły niezwiązane z późniejszym wykorzystywaniem ich do modelowania czy eksploracji danych. W związku z tym dane, którymi mogą dysponować badacze są często „próbkami dogodnymi lub możliwymi, nie zaś losowymi” (na przykład dostępne zestawy rekordów „mogły być zgromadzone, ponieważ najłatwiej było je zmierzyć lub dotyczyły pewnego przedziału czasu”). 4. CZY ZAGŁĘBIAĆ SIĘ W TRUDNE USZCZEGÓŁOWIENIA? [Carson 2002] rozróżnia błędy danych (data errors), omówione w poprzednim podrozdziale i błędy wykorzystania danych w modelu (data modelling errors). Ponieważ w tej pracy ograniczamy się do uwarunkowań budowy modelu konceptualnego i nie zajmujemy się techniką modelowania, z drugiej kategorii rozpatrzymy jedynie wybrane kwestie, związane z wykorzystywaniem zebranych (i zwalidowanych) danych źródłowych, tak liczbowych, jak jakościowych, w tym – strukturalnych, w modelu konceptualnym, mając oczywiście na uwadze późniejszą implementację komputerową tego modelu oraz – przede wszystkim – wcześniejsze wymagania na etapie pozyskiwania danych. Wybrane kwestie metodologiczne związane z budową modelu konceptualnego ... 215 Dowolny model jest pewną reprezentacją rzeczywistości; odpowiedniość tej reprezentacji do zastosowania w rozwiązywaniu ustalonego problemu decyzyjnego w konkretnym obiekcie rzeczywistym i jego formalnie wyodrębnionej części – rozpatrywanym systemie, zależy w szczególności od uwzględnienia w modelu istotnych dla problemu decyzyjnego cech systemu: struktury, obiektów, procesów i atrybutów trzech wyróżnionych składników systemu, w kontekście zmienności w czasie (dynamika), charakteru tej zmienności (przewidywalność, losowość), poziomu szczegółowości opisu (wymiarowość, agregacja, współzależności). W odniesieniu do modelowania systemów opieki zdrowotnej powyższe zagadnienia rozważano m.in. w pracach: [Lubicz i in. 1995a i b] (probabilistyczne charakterystyki zmienności charakterystyk systemu), [Hajek i in. 1992] (rozmyte i inne zaawansowane charakterystyki nieprecyzyjności i niepewności danych i problemów decyzyjnych). Z praktycznego punktu widzenia (konkretnego problemu decyzyjnego) powstaje zatem pytanie na ile celowe / konieczne jest uwzględnienie w modelu konceptualnym (i na etapie pozyskiwania danych) różnorodnych złożonych charakterystyk: współzależności i wielowymiarowości zjawisk, niestacjonarności, zmienności w czasie parametrów rozkładów, nieprecyzyjności i niepewności danych, losowości i nieregularności, o których nie wykazano że są zjawiskami losowymi w sensie probabilistycznym. Ważny jest także wybór odpowiedniego poziomu złożoności strukturalnej: podejścia do aproksymacji rzeczywistości systemu finansowania opieki zdrowotnej z jednej strony z dokładnością do pojedynczego pacjenta z jego atrybutami, z drugiej – z pojedynczymi działaniami medycznymi (np. procedurami medycznymi, opisanymi kodami według Międzynarodowej Klasyfikacji Procedur Medycznych ICD9-CM), albo – ograniczenie się do rozpatrywania wielkości zagregowanych i dobór wystarczającego poziomu agregacji. Dla ilustracji rozważań rozpatrzmy podany w [Henderson 2005] przykład analizy celowości uwzględnienia w modelu prostego systemu MPD (Medycznej Pomocy Doraźnej) aspektów niestacjonarności i współzależności, dotyczących modelowania czasów transportu w problemie decyzyjnym określenia miejsc i czasów rozmieszczenia karetek na pewnym obszarze w celu spełnienia określonych kryteriów wyjściowych (np. odsetek zgłoszeń obsłużonych w czasie nie dłuższym niż zadany standard r minut). Na prostym modelu masowej obsługi (i przy dodatkowych upraszczających założeniach, np. pominięciu efektu kolejkowego) autor wykazał, że prawdopodobieństwo obsłużenia zgłoszenia przy założeniu deterministycznych czasów przejazdu (stała prędkość) wynosi r2/R2, a przy założeniu czasów losowych (i niezależnych od odległości do miejsca zgłoszenia) wynosi r/R, przy dodatkowym założeniu, że zgłoszenia są rozłożone jednostajnie na okręgu o promieniu R, a czas przejazdu przy maksymalnej prędkości wynosi r minut. Oznacza to przykładowo, że jeśli częstość dla czasów deterministycznych wynosi 80%, odpowiednia częstość dla czasów losowych wynosi ok. 89%, tak więc uwzględnienie losowości ma znaczny wpływ na reakcje systemu. Autor przeanalizował także łączny wpływ uwzględnienia niedeterministycznych czasów przejazdu i dopuszczenia kolejek, związanych z większym obciążeniem 216 Marek Lubicz systemu MPD, wykazując że uwzględnienie kolejek zmniejsza wpływ jednoczesnego uwzględnienia losowości czasów przejazdu, natomiast w każdym przypadku istotny jest poziom obciążenia systemu; rozpatrywano również czasy przejazdu zależne od rodzaju zgłoszenia, fazy obsługi zgłoszenia i liczby karetek w systemie. Jak widać w niektórych sytuacjach zwiększenie stopnia złożoności opisu systemu (i komplikacji modelu) niekoniecznie automatycznie zwiększa dokładność reprezentacji rzeczywistości. Tab. 5. Struktura przykładowego zbioru danych źródłowych Nazwa atrybutu nr_kontraktu kod_okresu id_oddziału_wg_2a kod_produktu kod_produktu_kontr data_przyjęcia data_wypisu obl_liczba_produktów cena_w_pkt cena_w_zł wartość id_dokumentu id_świadczenia id_wykonanego_produktu id_pacjenta oddziały choroby procedury produkty id_osoby gmina Przykładowa wartość atrybutu SZP/XXXXXXX/01/2004/01/P 2004M01 1009909 5.06.00.0001077 03.4401.023.02 Jan 6 2004 12:00:00:000AM Jan 10 2004 12:00:00:000AM 1.000 60.0000 600.00 600.00 2000000008015 2000001209895 2000001262097 2000001209910 4401; G40.9; 89.00;99.1;95.09; 5.06.00.0001077; 1200003358567 0214011 Źródło: opracowanie własne na podstawie danych DOW NFZ (www.nfz-wroclaw.pl) Jako drugi przykład rozpatrzmy, występujące w rozważanym w niniejszej pracy problemie podejmowania decyzji w regionalnym systemie finansowania opieki zdrowotnej, problemy z doborem odpowiedniej wymiarowości i złożoności modelu konceptualnego, związane z wyborem odpowiedniego stopnia szczegółowości danych o systemie. Tabela 5 zawiera uproszczony opis struktury typowego zbioru dostępnych danych źródłowych o zdarzeniach medycznych, występujących w analizowanym systemie (łączna roczna liczba zdarzeń jednostkowych wynosi ok. 10 mln, a roczna Wybrane kwestie metodologiczne związane z budową modelu konceptualnego ... 217 liczba zdarzeń ograniczona do lecznictwa szpitalnego – ok. 1.200.000). Jak widać, dane źródłowe odnoszą się następujących obiektów: • jednostek leczących (numer kontraktu, id oddziału, id hospitalizacji), • pacjentów (id osoby, gmina miejsca zamieszkania i nie ujęty w tabeli PESEL), • chorób (kody według Międzynarodowej Klasyfikacji Chorób i Problemów Zdrowotnych ICD10), • działań medycznych (kody procedur medycznych według Międzynarodowej Klasyfikacji Procedur Medycznych ICD9-CM, kod produktu kontraktowego i jednostkowego według przyjętego przez Narodowy Fundusz Zdrowia katalogu jednostek rozliczeniowych, daty zaistnienia), • rozliczenia świadczenia przez publicznego płatnika (NFZ). Tab. 6. Wyniki analizy atrybutu produkt jednostkowy w przykładowym zbiorze danych szpitalnych (liczby wystąpień) Źródło: opracowanie własne na podstawie danych DOW NFZ (www.nfz-wroclaw.pl) Uproszczone podejście do gromadzenia i wykorzystania w modelowaniu wyżej opisanych danych źródłowych mogłoby polegać na wyborze podstawowego parametru, istotnego ze względu na rozpatrywany problem decyzyjny: atrybutu kod produktu jednostkowego, stanowiącego podstawową informację o zaistniałym zdarzeniu medycznym, jednoznacznie powiązaną z poniesionym wydatkiem (stała wartość punktowa, w wielu rodzajach świadczeń – stała cena jednostkowa) i dodatkowo powiązaną z terytorialnymi, demograficznymi (wiek i płeć z numeru PESEL) i usługowymi (miesiąc realizacji, kod jednostki wykonującej świadczenie). Przykładowe zestawienie wyników analizy wybranego atrybutu dla danych szpitalnych z okresu styczeń-maj 2006 zawarto w tabeli 6 (łączna liczba różnych wartości 218 Marek Lubicz zmiennej w analizowanej próbce wynosiła 1515). Większa część tabeli zawiera dane akceptowalne z punktu widzenia ich wykorzystania do modelowania rozkładów wejściowych (zapewne po wyeliminowaniu efektu rozruchu systemu w pierwszych miesiącach roku). Niemniej jednak tabela zawiera ponad 60% komórek, dla których liczba miesięcznych wystąpień produktu jest mniejsza od 10 (brak wystąpienia w ponad 22% przypadków), ponadto w tabeli występują także takie dane (produkty jednostkowe), dla których wątpliwe jest bezpośrednie zastosowanie danych w modelowaniu rozkładu częstości występowania (np. 5.07.02.0000317, 5.07.02.0000255) i konieczna jest wiedza problemowa o przyczynach występowania danego produktu tylko w niektórych miesiącach. Próba spojrzenia na inny atrybut zdarzenia medycznego – zasadnicze rozpoznanie kliniczne (por. tabela 7, w której dla zwiększenia czytelności zestawienia oryginalne rozpoznania pogrupowano w typowe klasy) wykazuje podobne prawidłowości, a wykonana agregacja nie poprawia czytelności danych wynikowych: w dalszym ciągu występują niewytłumaczalne różnice w częstościach. Tab. 7. Wyniki analizy atrybutu rozpoznanie zasadnicze w przykładowym zbiorze danych szpitalnych (liczby wystąpień) Źródło: opracowanie własne na podstawie danych DOW NFZ (www.nfz-wroclaw.pl) Po analizie problemowej uznano, że konieczne jest uwzględnienie w rozważaniach łącznych charakterystyk pobytu szpitalnego: rozpoznania i wykonanej procedury (produktu jednostkowego), co spowodowało (por. tabela 8) znaczne zwiększenie wymiarowości problemu, jedynie dla analizowanych dwóch atrybutów: dla chorób klasy N60-N64 (jeden wiersz w tabeli 10) do 190, a dla choroby I20 (fragment jednego wiersza w tabeli 10) do ponad 7200 (liczby odnoszą się do różnych kombinacji jednego lub kilku współistniejących rozpoznań klinicznych oraz jednego lub kilku wykonanych produktów jednostkowych. Należy jednak podkreślić, że prawdopodobień- Wybrane kwestie metodologiczne związane z budową modelu konceptualnego ... 219 stwa wystąpienia innych sytuacji (nie zaobserwowanych w okresie styczeń – maj 2006 kombinacji: od 1 do n rozpoznań klinicznych łącznie z wykonanym produktem jednostkowym) w większości przypadków nie są zerowe; oznacza to hipotetyczną konieczność uwzględnienia w modelu znacznie większej wymiarowości przestrzeni charakterystyk pobytów szpitalnych (po uprzedniej szczegółowej analizie przypadków medycznie niemożliwych). Tab. 8. Fragment tabeli z wynikami łącznej analizy dwóch atrybutów w przykładowym zbiorze danych źródłowych (liczby wystąpień) Źródło: opracowanie własne na podstawie danych DOW NFZ (www.nfz-wroclaw.pl) Tab. 9. Fragment przykładowego zbioru danych źródłowych dla wybranego pacjenta Źródło: opracowanie własne na podstawie danych DOW NFZ (www.nfz-wroclaw.pl) Analiza problemu doboru danych wykazała dalsze trudności po wstępnej walidacji danych, odnoszących się do tych samych osób („Janów Kowalskich”, a nie pacjentów 220 Marek Lubicz zapisanych pod różnymi numerami historii choroby). Okazało się (por. tabela 9, zawierająca wszystkie dostępne dane dla jednej osoby z lat 2004-2005 oraz omówione w tabeli 4 typowe problemy z danymi), że standardowy sposób rejestracji danych w systemie komputerowym ma istotne mankamenty i nie zapewnia poprawności danych: występują liczne przypadki różnego kodowania identycznego zdarzenia medycznego w odmienny sposób (różne kody zasadniczego rozpoznania klinicznego dla tej samej osoby; różne kody produktu pomimo wykonania tych samych procedur medycznych według klasyfikacji ICD9-CM; niekompletne wpisy o wszystkich istotnych medycznie rozpoznaniach jednej osoby i wszystkich wykonanych procedurach). 5. UWAGI KOŃCOWE Wstępne wyniki przeprowadzonych analiz przedmiotowych i rozważań metodologicznych wskazują, jak się wydaje, na przyczyny poświęcenia, w modelowaniu regionalnego systemu finansowania opieki zdrowotnej, niewspółmiernie dużej uwagi – w odniesieniu do innych prac – zagadnieniom najczęściej marginalnie traktowanym w większości symulogicznej literatury przedmiotu (punkt 2): zgłębieniu istoty problemów decyzyjnych (występujących aktualnie bądź możliwych do wystąpienia w przewidywalnej przyszłości, na przykład po zmianie zasad finansowania opieki zdrowotnej), w których rozwiązywaniu celowe byłoby wykorzystanie modelu symulacyjnego. Budowa „jakiegoś” („a model”) matematycznego i komputerowego modelu powyższego systemu, operującego na mniej lub bardziej zagregowanych danych finansowych, epidemiologicznych i innych danych statystycznych, charakteryzujących procesy powstawania (epidemiologia) i obsługi (diagnostyka i terapia) „przypadków chorobowych” oraz organizacji i finansowania tej obsługi, przy obecnym stanie komputerowego wspomagania budowy i zastosowania komputerowych modeli symulacyjnych (np. pakiety wymienione w punkcie 1), nie jest większym problemem. Problemem jest natomiast, według autora, zbudowanie „the model”, a więc takiego modelu, który – oprócz zaspokojenia uzasadnionych ambicji badacza wykazania możliwości zastosowania ustalonych formalizmów i technik w nowej dziedzinie – pozwoli na ułatwienie (zwiększenie efektywności, zwiększenie sprawności) rozwiązania (w sytuacji idealnej: rutynowego rozwiązywania) problemów decyzyjnych, uznanych za istotne przez ekspertów danej dziedziny (nie: ekspertów modelowania danej dziedziny). W rozpatrywanym przypadku takimi problemami mogą być np. sformułowane w [Lubicz 2004, Lubicz 2005] tzw. Podstawowe Problemy Decyzyjne (PPD), dotyczące wycinka zagadnienia finansowania opieki zdrowotnej. Nie dotyczą one makroekonomicznego modelu finansowania opieki zdrowotnej i strony przychodowej sektora ochrony zdrowia, a jedynie wybranych kwestii racjonalizacji działań urzędniczych w istniejącym, zdecydowanie dalekim od optymalnego, modelu wydatkowania środków pu- Wybrane kwestie metodologiczne związane z budową modelu konceptualnego ... 221 blicznych, przeznaczanych przez ustawodawcę na finansowanie świadczeń zdrowotnych. Szczegółowe sformułowanie poszczególnych PPD jest konsekwencją zaproponowanego przez autora podejścia do regionalnej alokacji środków publicznych opieki zdrowotnej. Podejście to zakłada określenie budżetów poszczególnych publicznych i niepublicznych podmiotów opieki zdrowotnej (świadczeniodawców), oczywiście z uwzględnieniem zasobów i możliwości wykonawczych tych podmiotów oraz historycznej struktury wykonania różnych rodzajów usług medycznych, ale zakłada również uwzględnienie w wyliczeniach charakterystyk faktycznego korzystania z usług medycznych przez mieszkańców poszczególnych obszarów terytorialnych (świadczeniobiorców). W związku z tym jako kryteria alokacji przyjęto po pierwsze zbliżenie średnich nakładów na 10.000 mieszkańców województwa dolnośląskiego do średnich nakładów krajowych w poszczególnych rodzajach i specjalnościach, a po drugie wyrównanie średnich nakładów w poszczególnych powiatach lub regionach (oczywiście z uwzględnieniem różnorodności charakterystyk epidemiologicznych i demograficznych różnych obszarów terytorialnych). Walidacja powyższej metodyki podejmowania decyzji alokacyjnych (zastosowanej w latach 2004-2006 dla większości rodzajów świadczeń zdrowotnych, finansowanych przez Dolnośląski Oddział Wojewódzki NFZ) ograniczała się do przeprowadzenia statycznych eksperymentów komputerowych typu what-if na etapie planowania finansowego. Warunki procesu podejmowania decyzji powodowały dokonywanie, zwykle bez udziału metod ilościowych, znacznych modyfikacji opracowanych modelowych propozycji alokacji finansowej na poszczególne typy usług medycznych i poszczególne jednostki opieki zdrowotnej (rezultaty negocjacji przy zawieraniu umów). Ponadto występowały bieżące ograniczone zmiany budżetów poszczególnych podmiotów w wyniku monitorowania kształtowania się procesów realizacji i finansowania świadczeń zdrowotnych. Tabela 10 ilustruje przykładowe wyniki zastosowania metodyki dla ambulatoryjnej opieki specjalistycznej (poradnie – umowy AOS) w latach 2005-2006. Tabela zawiera procentowe odległości średnich nakładów na 10.000 mieszkańców w poszczególnych typach poradni specjalistycznych od odpowiednich średnich krajowych. Kolumna 5 tej tabeli (Plan 2006 D3) zawiera wartości odpowiadające teoretycznemu planowi nakładów na rok 2006, pierwotnie obliczone zgodnie z zaproponowaną metodyką, a następnie – jak widać z danych zawartych w kolumnach 6 i 7 – poddane istotnym modyfikacjom w procesie zawierania umów z jednostkami opieki zdrowotnej. Oprócz wspomnianych wyżej czynników poza-ilościowych, koniecznych do uwzględnienia w procesie budowy modelu, tabela 10 ilustruje także inne istotne uwarunkowania, nie ujęte w pierwotnych sformułowaniach problemów decyzyjnych w [Lubicz 2005]. Przede wszystkim, wbrew rozsądnym oczekiwaniom badawczym, problemy decyzyjne występujące w – często niestabilnej – rzeczywistości gospodarczej ewoluują, uwzględniając m.in. nowe uregulowania prawne (np. [Ustawa 2006]) i strukturalne (np. restrukturyzacja zakładów opieki zdrowotnej, powodująca częściową 222 Marek Lubicz nieaktualność historycznych zbiorów danych statystycznych). I tak do wymienionej w [Lubicz 2005] systematyki problemów decyzyjnych konieczne było dodanie dwóch nowych problemów, ukazujących być może przyszłe kierunki ewolucji systemu: PPD7 (podwyżki „ustawowe” [Ustawa 2006]): rozdział dodatkowych środków na IV kwartał 2006 i 2007 pod warunkiem posiadania kontraktu – odpowiednio – w dniu 01.10.2006 i 01.01.2007, wyłącznie na podstawie wartości kontraktu w I półroczu 2006, bez związku z wykonywaniem świadczeń, zwiększeniem bądź zmniejszeniem liczby personelu medycznego albo liczby poradni / oddziałów (restrukturyzacje). PPD8 (kontraktowanie budżetowe na rok 2007): modyfikacja PPD6 uwzględniająca rozdysponowanie w ramach PPD7 dodatkowych środków publicznych (w większości rodzajów świadczeń zwiększenie o ok. 15%) bez określania kierunku finansowania (np. podziału kosztów dodatkowych wynagrodzeń personelu medycznego na specjalności), przy czym zaktualizowana definicja PPD6 jest następująca: PPD6 (kontraktowanie bezwarunkowe): rozdział X zł na świadczenia gatunku A, realizowane przez każdego świadczeniodawcę, ze szczegółową specyfikacją liczby i wartości zakontraktowanych poszczególnych produktów kontraktowych, z ewentualnym uwzględnieniem zalecanych wskaźników struktury produktowej w/w świadczeń dla ubezpieczonych z obszaru terytorialnego Y. Tab.10. Porównanie nakładów na świadczenia z zakresu ambulatoryjnej opieki specjalistycznej w latach 2005-2006 na Dolnym Śląsku (odległość od średnich nakładów krajowych /10.000 mieszkańców) Źródło: opracowanie własne na podstawie danych DOW NFZ (www.nfz-wroclaw.pl) Oczywiście możliwe jest kontynuowanie budowy modelu bez uwzględnienia zmienionej specyfikacji problemów decyzyjnych (i bez aktualizacji innych założeń, które różnią się od omówionych w pracach [Lubicz 2004], [Lubicz 2005]). Trudno jednak wtedy oczekiwać pozytywnego wyniku walidacji częściowo nieaktualnego Wybrane kwestie metodologiczne związane z budową modelu konceptualnego ... 223 modelu konceptualnego (i pozytywnej oceny przez potencjalnych użytkowników, tj. decydentów) tym bardziej, że - jak wykazuje porównanie przybliżonych prognoz zmiany nakładów po uwzględnieniu wymienionych wyżej zwiększeń ustawowych (kolumna 8 tabeli 10) ze wskaźnikami nieuwzględniającymi zwiększeń (kolumna 7 tabeli 10) - wprowadzenie podwyżek ustawowych spowodowało utrwalenie nieprawidłowej struktury nakładów (zwiększenie nakładów w poradniach, w których nakłady na Dolnym Śląsku były większe od średniej krajowej). Ponadto tabela 10 (kolumny 57) zawiera dane obrazujące zmiany wartości nakładów planowanych (wartości kontraktów) w ciągu roku 2006, ilustrujące konsekwencję w uwzględnianiu planu teoretycznego przy kolejnych zmianach wartości kontraktów. Wskazuje to zatem na istotne jakościowe uwarunkowania, utrudniające racjonalizację wielkości i struktury nakładów. Uwarunkowania te powinny być uwzględnione w procesie modelowania, gdyż w przeciwnym przypadku możliwość prawidłowej interpretacji wyników zastosowania modelu symulacyjnego, a tym bardziej – wykorzystanie ich w procesach decyzyjnych, będą wątpliwe. LITERATURA CARSON, J.S.II. 2002. Model verification and validation; [w:] Proceedings of the 2002 Winter Simulation Conference; ss. 52-58. CIEŚLAK M. (red). 2004. Prognozowanie gospodarcze. Metody i zastosowania. WN PWN, Warszawa. ELDABI, T., PAUL, R.J. 2001. A Proposed Approach for Modelling Healthcare Systems for Understanding; [w:] Proceedings of the 2001 Winter Simulation Conference; www.informssim.org/wsc01papers/192.pdf. HAJEK, P., HAVARANEK T., JIROUSEK R. 1992. Uncertain Information Processing in Expert Systems. CRC Press. Boca Raton. HAND, D., MANNILA, H., SMYTH, P. 2005. Eksploracja danych. WNT. Warszawa. HENDERSON, S.H. 2005. Should we model dependence and nonstationarity, and if so how? [w:] Proceedings of the 2005 Winter Simulation Conference; ss. 120-129. LAW, A.M. 2005. How to build valid and credible simulation models; [w:] Proceedings of the 2003 Winter Simulation Conference; ss. 24-32. LAW, A.M., KELTON, W.D. 2000. Simulation modelling and analysis. McGraw-Hill, Boston. LUBICZ, M., KURZYŃSKI, M., CARMICHAEL, C., SYPUŁA, J. 1995a. Probabilistic models of decision problems in case-mix management systems; [w:] Materiały konferencji: System. Modelling. Control 8. Polskie Towarzystwo Informatyki Medycznej, Łódź. Ss. 18-25. LUBICZ, M., MIELCZAREK, B., JANUS, J., MAZUREK, P., RADOSIŃSKI, E., SOWA P. 1995b. Systemy ekspertowe i modele symulacyjne w komputerowym wspomaganiu decyzji w systemach ochrony zdrowia (raport końcowy projektu KBN nr 8-8620-91-02). Instytut Organizacji i Zarządzania Politechniki Wrocławskiej Raport serii SPR nr 3. LUBICZ, M. 2004. Modelowanie systemu finansowania opieki zdrowotnej: Cele, dane, obiekty, prognozy, symulacje [część 1: cele - kontekst zastosowania metod ilościowych w finansach 224 Marek Lubicz służby zdrowia]; [w:] Symulacja Systemów Gospodarczych, część II. Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław; ss. 183-202. LUBICZ, M. 2005. Alokacja finansowa w regionalnym systemie ochrony zdrowia [modelowanie systemu finansowania opieki zdrowotnej. Część 2]; [w:] Symulacja Systemów SpołecznoGospodarczych. Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław; ss. 75-94. PAUL, R.J., ELDABI, T., KULJIS, J. 2003. Simulation Education is No Substitute for Intelligent Thinking; [w:] Proceedings of the 2003 Winter Simulation Conference; ss. 1989-1993. PAUL, R.J., ELDABI, T., KULJIS, J., TAYLOR, S.J.E. 2005. Is Problem Solving, or Simulation Model Solving, Mission Critical; [w:] Proceedings of the 2005 Winter Simulation Conference; ss. 547-554. SARGENT, R.G. 2001. Some Approaches and Paradigms for Verifying and Validating Simulation Models; [w:] Proceedings of the 2001 Winter Simulation Conference; ss. 106-114. SCHREIBER, T.J., BRUNNER, D.T. 2005. Inside Discrete-Event Simulation Software: How it Works and Why It Matters; [w:] Proceedings of the 2005 Winter Simulation Conference; ss. 167-177. TEKLITZ, F. 2003. Sybase Business Intelligence and Warehouse Solutions for Sybase IQ. White paper. www.sybase.com./bi. USTAWA, 2006. z dnia 22 lipca 2006 r. o przekazaniu środków finansowych świadczeniodawcom na wzrost wynagrodzeń (Dz. U. Nr 149 z 2006, poz. 1076) UZIAŁKO, J. 2006. Istotne kwestie etapu pozyskiwania i analizy danych wejściowych w procesie budowania modelu symulacyjnego [w tym zbiorze]. ZELIAŚ, A. PAWEŁEK, B. WANAT, S. 2003. Prognozowanie ekonomiczne. Teoria. Przykłady. Zadania. WN PWN, Warszawa.
