Reconstructing End-User Demand under Batch-Level Ambiguity: Flow-Constrained Record Linkage and Audit Allocation in Orthopedic Consignment Networks

In der hochriskanten Welt der modernen Chirurgie ist der Moment, in dem ein Chirurg ein Medizinprodukt verwendet, erst der Anfang einer komplexen administrativen Reise. Wenn ein Krankenhaus ein orthopädisches Implantat verwendet, wie etwa eine Schraube, um einen gebrochenen Knochen zu fixieren, wird ein klinischer Datensatz erstellt, um das Ereignis zu dokumentieren. Der Finanzdatensatz jedoch, der bestätigt, wer für diese Schraube bezahlt hat und woher sie kam, trifft oft später ein, manchmal in einem anderen Format und häufig zusammen mit anderen Geräten gruppiert. Diese Lücke zwischen dem physischen Akt der Operation und dem Papierpfad des Handels schafft einen blinden Fleck. Krankenhäuser und Distributoren müssen genau wissen, welches Gerät verwendet wurde, um den Bestand und die Abrechnung zu verwalten, aber wenn die Unterlagen verspätet eintreffen oder zusammengefasst werden, wird es schwierig, eine spezifische Schraube einer spezifischen Operation zuzuordnen. Diese Ungewissheit ist nicht nur eine Unannehmlichkeit bei der Papierarbeit; sie kann zu Einnahmeverlusten, falschen Lagerbestellungen und einem Mangel an Klarheit darüber führen, wie sich medizinische Vorräte tatsächlich durch das System bewegen.

Ein Forscher namens Hongjie Jiang setzte sich zum Ziel, dieses Rätsel im spezifischen Kontext von orthopädischen Konsignationsnetzwerken zu lösen. In diesen Netzwerken werden medizinische Geräte in Krankenhäusern platziert, bevor sie verkauft werden, was bedeutet, dass das Krankenhaus den Bestand hält, aber nur für das bezahlt, was es tatsächlich verwendet. Die Herausforderung besteht darin, dass die Aufzeichnungen darüber, was verwendet wurde, oft in Chargen eintreffen, was es schwierig macht, festzustellen, welche spezifische Charge von Schrauben aus einem Distributor mit einer bestimmten Operation übereinstimmt. Jiang konzentrierte sich auf eine einzige Familie von Spinalschrauben, die in einem großen Netzwerk von Distributoren und Krankenhäusern verwendet wird. Durch die Untersuchung eines Monats an chirurgischen Aufzeichnungen und den Vergleich mit neun Monaten an Abrechnungsdaten versuchte die Studie, die wahre Nachfrage nach diesen Geräten zu rekonstruieren, selbst wenn der Papierpfad unvollständig oder verzögert war. Das Ziel war es, nicht nur herauszufinden, welche Schrauben verwendet wurden, sondern auch zu verstehen, warum einige Datensätze nicht übereinstimmten und wie man begrenzte Zeit und Ressourcen einsetzt, um diese Unstimmigkeiten zu beheben.

Die Studie begann damit, den Abgleichprozess als ein Flussproblem und nicht als einfachen Listenvergleich zu behandeln. Stellen Sie sich vor, Sie versuchen, einen Satz einzigartiger Schlüssel mit einem Satz Schlössern abzugleichen, wobei einige Schlüssel in mehrere Schlösser passen könnten und einige Schlösser von Schlüsseln geöffnet worden sein könnten, die verspätet eintrafen. Der Forscher baute ein Modell, das die physischen Grenzen des Systems respektierte: Ein Distributor kann nicht mehr Schrauben liefern, als er in seiner Charge hat, und eine einzelne Operation kann nicht mehr Schrauben verwenden, als aufgezeichnet wurden. Durch die Anwendung dieser strengen Regeln konnte das Modell bestimmen, welche Übereinstimmungen möglich waren und welche unmöglich waren. Als das Modell lief, stellte es fest, dass von 540 vergleichbaren chirurgischen Datensätzen nur 229 eine klare, eindeutige Übereinstimmung mit einem Abrechnungsdatensatz hatten. Weitere 84 hatten eine Übereinstimmung, aber es handelte sich dabei um eine von mehreren Möglichkeiten. Die verbleibenden 311 Datensätze hatten überhaupt keine klare Übereinstimmung. Dies hinterließ eine große Gruppe „ungeklärter“ Nachfrage, die verstanden werden musste.

Um die 311 nicht übereinstimmenden Datensätze zu verstehen, untersuchte die Studie den Zeitpunkt und die Art der fehlenden Verbindungen. Es stellte sich heraus, dass die Gründe für die Unstimmigkeit nicht zufällig waren. Etwa ein Drittel der nicht übereinstimmenden Datensätze wartete einfach darauf, dass die Unterlagen eintrafen; die Operation fand statt, aber die finanzielle Abrechnung war bis zur Frist noch nicht bearbeitet worden. Ein weiteres Viertel der nicht übereinstimmenden Datensätze war blockiert, weil mehrere Operationen um dieselbe Charge von Schrauben konkurrierten oder weil die Aufzeichnungen des Distributors zu vage waren, um eine einzige Quelle zu bestimmen. Die größte Gruppe, die fast die Hälfte der nicht übereinstimmenden Datensätze ausmachte, schien einem völlig anderen Pfad anzugehören. Dies waren wahrscheinlich Schrauben, die über Großhandelskanäle oder andere Bestandssysteme bewegt wurden, die in den spezifischen Konsignationsaufzeichnungen, die in der Studie untersucht wurden, nicht auftauchten. Das Modell wies Wahrscheinlichkeiten für jedes dieser Szenarien zu und erstellte so effektiv eine Karte darüber, wo die Ungewissheit lag.

Der bedeutendste Teil der Forschung bestand nicht nur darin, die Unstimmigkeiten zu identifizieren, sondern auch darin, herauszufinden, wie man sie effizient behebt. Krankenhäuser und Distributoren verfügen über begrenztes Personal und begrenzte Zeit, um diese Datensätze zu überprüfen. Sie können nicht jeden einzelnen nicht übereinstimmenden Eintrag prüfen. Der Forscher fragte: Wenn man nur einen kleinen Bruchteil der Datensätze überprüfen kann, welche sollte man wählen, um die meiste Klarheit zu gewinnen? Ein verbreiteter Instinkt ist es, zuerst die größten Bestellungen zu prüfen, unter der Annahme, dass große Zahlen am wichtigsten sind. Die Studie fand jedoch heraus, dass dieser Ansatz ineffizient war. Viele große Bestellungen waren bereits klar und stabil, sodass eine Überprüfung wenig neue Informationen lieferte. Stattdessen schlug die Studie eine Strategie basert auf dem „Informationswert“ (Value of Information) vor. Diese Methode priorisiert Datensätze, die sowohl in der Menge groß als auch hochgradig unsicher sind. Sie sucht nach den spezifischen Fällen, in denen eine Überprüfung eine große Mehrdeutigkeit aufklären könnte, wie etwa eine Operation, die von drei verschiedenen Distributoren hätte beliefert werden können.

Als der Forscher diese neue Strategie gegen die alte Methode – das Prüfen der größten Bestellungen – testete, war der Unterschied eklatant. Mit einem Budget, um nur 20 % der Datensätze zu überprüfen, löste die neue Strategie mehr als die Hälfte der gesamten Unsicherheit im System auf. Im Gegensatz dazu löste die traditionelle Methode der Prüfung der größten Bestellungen nur etwa ein Drittel der Unsicherheit auf. Der neue Ansatz war in der Lage, die gleiche Menge an Klarheit mit 40 % weniger Überprüfungen zu erreichen, als die alte Methode benötigt hätte, um ein ähnliches Ergebnis zu erzielen. Das bedeutet, dass Organisationen, indem sie sich auf die spezifischen Datensätze konzentrieren, in denen die Verwirrung am größten ist, statt nur auf die Datensätze mit den größten Zahlen, Zeit und Geld sparen können, während sie ein viel klareres Bild ihrer Lieferkette erhalten.

Die Studie testete auch, ob diese Ergebnisse Bestand hätten, wenn die Daten etwas anders aussehen würden. Zum Beispiel, was wäre, wenn einige Datensätze Duplikate derselben Operation wären? Oder was wäre, wenn der aktivste Distributor aus der Analyse entfernt würde? In jedem Szenario blieb die neue Strategie überlegen. Selbst wenn die Daten vereinfacht wurden oder sich das Netzwerk änderte, übertraf die Methode, die auf Datensätze mit hoher Unsicherheit und hohem Volumen abzielt, konsequent den Standardansatz. Die Forschung zeigte auch, dass die Unsicherheit nicht gleichmäßig verteilt war; sie konzentrierte sich stark auf bestimmte Distributoren und bestimmte Zeiten des Monats, insbesondere gegen Ende des Abrechnungszyklus, wenn Datensätze am ehesten verzögert auftreten.

Letztendlich bietet diese Arbeit einen praktischen Leitfaden für die Verwaltung der unsichtbaren Lücken in medizinischen Lieferketten. Sie zeigt, dass Ungewissheit nicht ein einzelnes Problem ist, das durch das Überprüfen von mehr Daten gelöst werden kann, sondern eine Ressource, die durch das Überprüfen der richtigen Daten verwaltet werden muss. Durch die Kombination des Zeitpunkts von Ereignissen mit den physischen Grenzen des Inventars bietet die Studie einen Weg, einen chaotischen Haufen unübereinstimmender Datensätze in einen klaren, umsetzbaren Plan zu verwandeln. Für die Manager, die diese Netzwerke leiten, ist die Botschaft klar: Schauen Sie nicht nur auf die größten Zahlen. Suchen Sie nach den Stellen, an denen die Geschichte unklar ist, und konzentrieren Sie Ihre Aufmerksamkeit genau dort. Dieser Ansatz ermöglicht es ihnen, ihre Konten schneller abzugleichen, ihren Bestand genauer zu verwalten und sicherzustellen, dass die verwendeten Geräte zur Heilung von Patienten ordnungsgemäß erfasst werden, selbst wenn der Papierpfad unvollkommen ist.