ประสิทธิภาพของระบบการให้รหัสอัตโนมัติต่อการลดการปฏิเสธการจ่ายชดเชย จากกองทุนสุขภาพ: กรณีศึกษาผู้ป่วยนอก โรงพยาบาลสงขลานครินทร์

Main Article Content

สรณีย์ ศุภรพิพัฒน์
วิชิต หวันประรัตน์

บทคัดย่อ

บทนำ: การบริหารรายได้มีผลโดยตรงต่อความมั่นคงทางการเงินของโรงพยาบาล โดยเฉพาะรายได้จากกองทุนสุขภาพ ปัญหาในการปฏิเสธการจ่ายชดเชยเป็นสาเหตุหนึ่งที่สำคัญ โดยเฉพาะจากข้อผิดพลาดของรหัสโรคและรหัสหัตถการ การศึกษานี้มีวัตถุประสงค์เพื่อประเมินประสิทธิภาพของระบบการให้รหัสโรคและรหัสหัตถการอัตโนมัติสำหรับผู้ป่วยนอกต่อการลดการปฏิเสธการจ่ายชดเชยจากกองทุนสุขภาพในโรงพยาบาลสงขลานครินทร์


วิธีการศึกษา: การวิจัยนี้เป็นการศึกษาย้อนหลัง (Retrospective study) ใช้ข้อมูล Outpatient visit summary จากโรงพยาบาลสงขลานครินทร์ ปี 2566 ที่ไม่ผ่านเงื่อนไขการเบิกจ่ายจากกองทุนสุขภาพโดยการประเมินจากระบบของโรงพยาบาล (HIS) จำนวน 49,497 แฟ้ม พัฒนาระบบให้รหัสโรคและหัตถการอัตโนมัติด้วยเทคนิค Rule-based ตามกระบวนการ SDLC โดยสร้างฐานข้อมูลรหัส คลังกฎ และกฎการจับคู่ ประเมินประสิทธิภาพของระบบจากการลดอัตราการปฏิเสธเบิกจ่าย การเพิ่มประสิทธิภาพการทำงาน การลดต้นทุนการดำเนินการ ประเมินคุณภาพของระบบด้วย Confusion matrix, Accuracy, Sensitivity, False positive rate (FPR) และ Area under the curve (AUC)


ผลการศึกษา: ระบบสามารถลดอัตราการปฏิเสธการเบิกจ่าย 26.5% อย่างมีนัยสำคัญทางสถิติ (p-value = 0.003) ระบบสามารถประมวลผลรหัสอัตโนมัติได้ 50.2% ของงานทั้งหมด มีเสถียรภาพเพิ่มขึ้นในช่วงครึ่งปีหลัง (ค่าเบี่ยงเบนมาตรฐานลดลงจาก 11.7% เป็น 3.9%) ลดต้นทุนการดำเนินงานได้ 168,733 บาทต่อปี ระบบมี Accuracy 84.4% ค่า Sensitivity 65.5% ค่า FPR 2.0% และค่า AUC 81.7%


สรุปผล: ระบบให้รหัสโรคและหัตถการอัตโนมัติช่วยเพิ่มประสิทธิภาพ ลดภาระงาน ลดข้อผิดพลาด และประหยัดต้นทุน ควรพัฒนาระบบต่อเนื่องและขยายการใช้งานไปยังโรงพยาบาลอื่น

Article Details

รูปแบบการอ้างอิง
ศุภรพิพัฒน์ ส., & หวันประรัตน์ ว. (2025). ประสิทธิภาพของระบบการให้รหัสอัตโนมัติต่อการลดการปฏิเสธการจ่ายชดเชย จากกองทุนสุขภาพ: กรณีศึกษาผู้ป่วยนอก โรงพยาบาลสงขลานครินทร์. วารสารวิจัยและนวัตกรรมทางสาธารณสุข, 3(3), 28–39. https://doi.org/10.55164/jphri.v3i3.280858
ประเภทบทความ
บทความวิจัย

เอกสารอ้างอิง

Surawongsin K, Chadaporn C, Sornsilp D, Sirichai R. The Development of Cost Analysis And Business Planing Model To Increse The Efficiency Of Hospital’s Financial Management In The Heal. Department of health Service Support Journal. 2021;17(1):5–14.

Albagmi S, Shawaheen M, Asiri EM, Alqadeer TA. Assessment of clinical miscoding errors and potential financial their implications on healthcare management – A case of local hospital in Najran, Saudi Arabia. Saudi Pharmaceutical Journal. 2024;32(1):101894.

Utami YT, Sahari MAB, Maryati W, Wahyuni DT. Accuracy of Outpatient Diagnosis Code Based on ICD – 10. PICNHS. 2022;3(1):89–100.

Schlegel V, Kashyap AR, Nguyen TT, Yang TH, Dwivedi VP, Yin WH, et al. Automated Clinical Coding for Outpatient Departments [Internet]. New York: arXiv; 2023 [cited 2025 July 4]. Available from: http://arxiv.org/abs/2312.13533

Jinhatha P, Piemchok B, Kusuma P, Noppadol P, Wiseschinda V, Chaiyos K. Development of BDMS Utilization Review Technology (BURT): An Artificial Intelligence Tool Using Thai Natural Language Processing to Assess Appropriateness of Hospitalization. The Bangkok Medical Journal. 2020;16(2):182–182.

Yan C, Fu X, Liu X, Zhang Y, Gao Y, Wu J, et al. A survey of automated International Classification of Diseases coding: development, challenges, and applications. Intelligent Medicine. 2022;2(3):161–73.

Chomutare T, Svenning TO, Hernández MÁ T, Ngo PD, Budrionis A, Markljung K, et al. Artificial Intelligence to Improve Clinical Coding Practice in Scandinavia: Crossover Randomized Controlled Trial. Journal of medical Internet research. 2025;27:e71904.

Sasikala D, Sarrvesh N, Sabarinath J, Theetchenya S, Kalavathi S. Automated ICD Medical Code Generation for Radiology Reports using BioClinicalBERT with Multi-Head Attention Network. Journal of Electronics, Electromedical Engineering, and Medical Informatics. 2025;7(3):800–16.

El Arab RA, Al Moosa OA. Systematic review of cost effectiveness and budget impact of artificial intelligence in healthcare. npj Digit Med. 2025;8(1):548.

Kakatum Rao S, Gupta P, Mohammed A, Zakhmi K, Ranjan Mohanty M, Prasad Jalaja P. The Impact of Artificial Intelligence on Financial Systems in Healthcare: A Systematic Review of Economic Evaluation Studies. Cureus. 2025;17(6):e86279.

Vithlani J, Hawksworth C, Elvidge J, Ayiku L, Dawoud D. Economic evaluations of artificial intelligence-based healthcare interventions: a systematic literature review of best practices in their conduct and reporting. Front Pharmacol. 2023;14:1220950.

Aaron WS, Cai W, Ahuja Y, Ananthakrishnan A, Xia Z, Yu S, et al. Automated ICD Coding via Unsupervised Knowledge Integration (UNITE). Int J Med Inform. 2020;139:104135.