医療機関では、多数の事務処理が行われますが、パフォーマンスが最適でない場合が多く見られます。Minitabは、医療機関がデータ駆動型の問題解決手法を用いて処理プロセスを改善するのに役立ちます。Minitabの予測モデリングとモンテカルロ・シミュレーションが、請求処理提出にどのように役立つかを示す例をお知らせします。
迅速な請求支払い時間
医療費請求を処理し終えて診療の支払いを受け取るのにかかる時間は、重要な指標です。医療費請求の処理効率を改善すると、収益とキャッシュフローを大幅に改善できます。請求の中央値が5,200ドルで、平均が1か月あたり1,200件の請求処理であると想定します。キャッシュフローへの負担はさることながら、請求が解決されないと組織に多額の費用が発生するため、利息コストは毎日急増します。
対象となる出力測定値は、医療費請求の開始から支払いまでの経過時間（日数）です。関係する他の要因には、1日1人あたり処理する請求の作業負荷、1日の過誤率（情報の欠落、誤った値など）、処理コストが含まれます。データのフィールドには、請求に民間保険が含まれているか、また外来患者と見なされたかが記載されています。
ウェビナー：データ分析の力で医療サービスと患者の転帰を改善する
要約
請求に時間がかかると、利息の増加やキャッシュフローの信頼性低下など、多くの点で組織にコストがかかってきます。戦略的事業計画には、健全な財務を維持するために50日以内に請求を処理し終えるという目標が含まれていました。この目標を達成するために、能力調査を用いて、処理された請求の母集団が目標をどの程度満たしているかを判断しました。その結果、この処理では、ほとんどの請求（100万件中88万3,000件）が50日以上で処理されていることが想定されます。
請求処理の安定性維持
請求処理の安定性を長期にわたって維持できることを、どのように確認すればいいでしょうか？ 請求処理時間が急増する場合は特別な原因があり、簡単に対処できるかもしれません。請求時間の変動が時系列で安定している場合に全体的な改善を行うには、より詳細なアプローチの検討が考えられます。品質管理図は、プロセスの安定性を評価する優れた方法です。
個別観測値および移動範囲の管理図は、請求処理が平均約53日で安定していることを示しています。請求は、異常と見なされることなく、46～60日でランダムに変化します。
回帰モデルの作成
多くの場合、処理プロセスには請求の処理時間の変化に寄与する可能性のある多くの変数が含まれています。最適なモデルの一部は、以下のとおりです。
- 予測分析は、てこ比の最も高い変数で焦点をあてるべき箇所を探すのに貴重なソリューションです。
- 自動機械学習は使いやすく、便利なモデルを適合させるのに強力です。
- TreeNetモデルは、請求時間の変動の81.8%を説明し、焦点を3つの連続変数（処理された請求、請求のコスト、日次エラー）に絞り込みます。
入力変数が減ると、回帰モデルが作成されました。回帰モデルは、モデル入力の線形結合であるため、簡単に説明できます。3つの入力の回帰モデルで、請求時間の変化の78%以上が説明されます。これは、より複雑なTreeNetモデルとほぼ同じです。モデルから予測を行うと、以下のように、請求時間の変動の約75%が説明されます。
ウェビナー: モンテカルロ・シミュレーションで未知を探る
モンテカルロ・シミュレーションを使用したデータの絞り込み
WorkspaceまたはEngageユーザーは、Minitabで回帰モデルを作成したら、モンテカルロ・シミュレーションに簡単にインポートできます。3つの入力変数の形状とパラメータに関する履歴は、請求処理時間を50日以下にする目標とともに入力されます。パラメータが未知であっても、データを使用して入力の挙動を簡単に自動作成できます。
改善の最適化
最適化により請求時間が大幅に改善され、目標を超えているのは請求の1%未満になりました。改善への道は、作業負荷を1日1人あたり30件の請求に減らし、エラーを0.1パーセント以下に減らすようにし、請求1件あたりのコストを約345ドルに増やすようリソースを追加することです。コストの増加とエラーの減少は、より多くの処理者を採用することで実現すると考えられます。処理時間がより効率的になって収益の制限が解放されたことで得られるメリットと比べると、コストの増加はほんのわずかにすぎません。
パラメータの最適化は、入力の平均値を、最適化アルゴリズムで識別されたレベルにシフトすることで実現されます。平均設定の入力の変動に対する請求時間の感度を分析することで、追加の改善が可能です。 
請求時間は、作業負荷の変動に対して最も敏感であるように見えます。改善プロジェクトの利害関係者は、1週間の労働時間で必要な作業のバランスを取るために追加の人員を配置することで、変動を20%削減できると判断しました。
この変更を反映したシミュレーションの新しい実行により、能力が上がった証拠が得られ、目標を超える請求の割合はごくわずか（0.04%）になりました。最終能力値（Cpk = 1.1）は、分布の110%が50日の最大処理時間の目標に収まり、確実に達成されることを示しています。
t検定で結果を確認する
シミュレーションで、想定される結果の母集団に関する証拠が得られます。ですが、確認データが一番です。出力に影響を与えるかもしれない未知の作用や、統計モデルに含めるのは困難な作用がある場合があります。請求時間改善プロジェクトの利害関係者は、確認標本として100のランダムな観測値の収集を含め、それを使用して50日の目標内に落ち着く能力を割り出しました。2標本t検定により、平均請求時間の短縮が非常に重要であることが示されました（p値が約0.000）。
50日の目標内で請求処理をする能力が大幅に改善され、目標を超える可能性があるのは、100万件中300件未満です。
結論
このブログのとおり、モデリングとシミュレーションの調査を行うと、変更する前に、プロセスの調査と改善効果の推定ができるようになります。この手順により、プロセスの利害関係者は、提案された変更の安定性について合理的な保証を得ることができます。 大規模な医療機関では、改善のビジネス価値は数百万ドルになる可能性があります。このブログで使用されているMinitabソリューションは、統計専門家でなくても簡単に導入でき、監査人向けのまたは組織全体でベストプラクティスを共有するための、優れた文書を提供します。