A magyar kórházi ágyszám-, betegforgalmi- és halálozási adatok elemzése, néhány egészségpolitikai megjegyzéssel

Ferenci Tamás (https://www.medstat.hu/)

• Technikai részletek
• Betegforgalmi adatok
• Ágyszámra vonatkozó adatok
• A szünetelő ágyak ügye
• Az egynapos ellátások kérdése
• Ágykihasználás és átlagos ápolási idő
• Egy záró gondolat a hazai ellátórendszer kórház-centrikusságáról
• Botcsinálta politológiai lezárás, avagy az amerikai cukoripar és a magyar kisvárosi szülészet kapcsolata
• Kitérő jellegű felvezető a halálozási adatokhoz: gondolatok az egészségügyi teljesítmény méréséről
• Halálozási adatok
• Diagnosztikai infrastruktúra és -igénybevétel
• Záró gondolatok

„A gyávaság forrása, hogy az emberek nem tudják elképzelni a rossznál még rosszabbat.”

(Örkény István)

---

További esszéim: https://www.medstat.hu/#esszek

---

A magyar egészségügyi rendszerrel, ezen belül is a fekvőbeteg-ellátással foglalkozó írások, döntések, viták visszatérő kérdése az ágyszám-csökkentések, kórházbezárások ügye. Engem – mezei állampolgárként és a magyar egészségügyben dolgozó emberként is – mindig érdekelt ez a kérdés, többé-kevésbé én is követtem ezeket a vitákat, olvastam ezeket az írásokat, és volt véleményem is, de egy ponton felmerült bennem, hogy lehet-e erről a kérdésről adatok alapján is nyilatkozni? Megpróbálhat-e az ember tényekre alapozva, ha nem is perdöntő választ adni (mert ez nagyon sokszor értékválasztás kérdése is), de legalábbis támpontot szerezni? Igaz-e, hogy Magyarországon túl sok kórház van, és be kellene zárni közülük? Vajon tényleg túl kis esetszámmal működnek osztályok? Valóban szükség lenne az ágyszám csökkentésére? Tényleg túl kevés az orvos Magyarországon? (Mint látni fogjuk, sokkal inkább az a kérdés, hogy túl kevés-e az ápoló.) Érdekelni kezdett, hogy mit mutatnak az adatok e kérdések kapcsán.

Az adatokon alapuló megközelítéssel sajnos elég hamar elakadtam: Magyarországon a kórházak működéséről – sajnos egyáltalán nem példátlan módon – kevés nyilvános információ érhető el, különösen más, nyugati országokkal összevetve. Létezik ugyan egy évente közzétett, úgynevezett ágyszám- és betegforgalmi kimutatás, ami bár kevés információt tartalmaz, de szerencsére ehhez a kérdéshez pont nagyon jól jönne – csak ezt sajnos szinte feldolgozhatatlan formában közlik (300 oldalas szövegfájl, össze-vissza széttördelt táblázatokkal). Egy másik hobbi-projektem keretében azonban szerencsére sikerült ezeket az adatokat összegyűjtenem és gépi úton feldolgozható formátumúra alakítanom; az eredményeket nyilvánosan közzé is tettem.

Miután az adatok feldolgozhatóvá váltak, elvégeztem – mintegy példaként is, demonstrálva az így elérhetővé váló lehetőségeket – néhány egyszerű elemzést, melyek a fenti kérdések körül csoportosulnak: tényleg sok kórház van? Tényleg sok osztály van? Tényleg vannak túl kis osztályok? Az így elemezhetővé tett adatbázisnak köszönhetően már meg tudom próbálni az e kérdések kapcsán releváns tények bemutatását, majd – ahol szükséges, felvetve pár szempontot a szakirodalomból és nemzetközi összehasonlítást téve – megpróbálom megadni a saját válaszaimat e kérdésekre. E vizsgálatokat tartalmazza a jelen dolgozat. Pár kommentárt általában is teszek a magyar fekvőbeteg-ellátás szervezése (nagyképű szóval élve: egészségpolitika) kapcsán.

Röviden érintem a szünetelő ágyak, az egynapos ellátások, az ágykihasználás és az átlagos ápolási idő kérdését is.

Az adatbázis egyik jellemzője, hogy halálozási adatokat is tartalmaz. E mellett nem lehet szó nélkül elmenni, mert bár fontos információbázis, de igen komoly félreértések forrása is lehet. A magyar egészségügy egyik nagy problémája véleményem szerint a transzparens teljesítménymérés szinte teljes hiánya; ebben tűnhet segítségnek ez az adat. Írásomban megmutatom, hogy valójában miért nem ilyen egyszerű a helyzet, de azt is, hogy mire lehet mégis felhasználni ezeket a számokat; ki fog jönni pár nagyon is érdekes eredmény.

Mindezzel a munkával szeretnék hozzájárulni a racionális, adatokon alapuló diskurzushoz a magyar egészségpolitikában. Hitem szerint ez a hozzáállás javítja a közbeszéd minőségét és hozzájárulhat a döntéshozatal jobbításához.

Munkámat transzparensen, mindent részletében reprodukálhatóan közlöm a következőkben.

Technikai részletek

Vizsgálataim elsődleges adatforrása az évente publikált Kórházi ágyszám- és betegforgalmi kimutatás, mely a magyar kórházakról szóló legátfogóbb nyilvánosan elérhető adatközlés. Ezen adatok – valamint az összegyűjtésük – részletei a már említett projektem oldalán teljes részletességgel megtalálhatóak. Fontos rögzíteni, hogy a mostani elemzés az aktív ellátásokra korlátozódik (az adatgyűjtés is erre vonatkozott). A másik lényeges, adatforrásból adódó korlát, hogy azon szakmákról, amikhez nem tartozik ágyszám, értelemszerűen ilyen kimutatás sem készül, így róluk innen nem nyerünk információt. Ilyen terület az újszülött-ellátás, amihez Magyarországon hagyományosan nem rendelnek ágyszámot, illetve, ami talán még fontosabb, a diagnosztika: röntgen vagy labor nélkül aligha működhet kórház, de ezekről nem lesz információnk ebből a kimutatásból, hiszen nincsenek ágyaik.

Néhány esetben az Eurostat által gyűjtött adatokat használtam (a magyar adatszolgáltató ezekhez tipikusan vagy a KSH vagy az OKFŐ), helyenként azért, hogy az eredményeket európai kontextusba helyezzem, helyenként pedig ott, ahol nem volt az ágyszám- és betegforgalmi kimutatásban adat.

A mostani elemzés R statisztikai környezet alatt történt; az ehhez szükséges kódokat a transzparencia és a nyílt tudomány jegyében az eredményt közlő pontokban is megadom, egyesével minden eredményhez (alapból elrejtve; az „R kód megjelenítése” felirat melletti háromszögre kattintva nyithatóak le). Az adatok feldolgozásához a data.table, a vizualizációhoz a ggplot2 csomagot használtam.

Betegforgalmi adatok

A kórházak működésének egyik legközvetlenebb mutatója a betegforgalom, azaz a felvett majd elbocsátott betegek száma. (A kettő mindenképpen egyezik egy adott szakmai osztály esetében, ugyanis a magyar terminológia „elbocsátottnak” nevezi a más osztályra áthelyezett és a meghalt betegeket is.) Ez még persze nem olyan értelemben teljesítmény, ahogy a köznyelv hívja („mennyire jó hatásfokú a gyógyítás”), de mégis ez az első szintje a teljesítmény-vizsgálatnak. Egy további, második lépés lehet az ilyen jellegű szempontok bevonása, erre később fogok rátérni.

Kezdjük először egy helyzetképpel: nézzük meg a magyar kórházak szakmái által 2024-ben ellátott betegek számának eloszlását:

R kód megjelenítése

ggplot(res[Ev == 2024], aes(x = ElbocsatottBetegSzam)) +
  geom_histogram(boundary = 0, binwidth = 1000) +
  labs(x = "Elbocsátott betegek száma [fő]",
       y = "Gyakoriság [db]", caption = captionlab)

Ez önmagában még nem túl informatív, hiszen a különböző szakmák, különböző kórházak nagyon eltérően viselkednek. Érdemes ezért az eloszlást szakmánként ábrázolni:

R kód megjelenítése

ggplot(res[Ev == 2024],
       aes(x = ElbocsatottBetegSzam, y = SzakmaMegnev)) +
  geom_jitter(width = 0, height = 0.1) +
  scale_y_discrete(limits=rev) +
  labs(x = "Elbocsátott betegszám [fő]", y = "",
       caption = captionlab)

Nézzük meg a 2024-ben legkisebb és legnagyobb forgalmú osztályokat szakmánként számszerűen is (ez persze elég kiragadott, hiszen egy-egy osztály nem mond sokat a rendszer egészéről, de azért nagyon illusztratív lesz):

R kód megjelenítése

kableExtra::add_header_above(
  kableExtra::kable(
    dcast(res[Ev == 2024][NemSpecKh & NemSpecSzakma & MukodoAtlagAgy > 0][
      , cbind(tipus = factor(c("Min", "Max"), levels = c("Min", "Max")),
              .SD[c(which.min(ElbocsatottBetegSzam), which.max(ElbocsatottBetegSzam))]), .(SzakmaMegnev)],
      SzakmaMegnev ~ tipus, value.var = c("ElbocsatottBetegSzam", "KorhazNev"))[, c(1, 2, 4, 3, 5)],
    col.names = c("Szakma", rep(c("Évi betegszám", "Kórház"), 2))),
  c(" " = 1, "Legkisebb" = 2, "Legnagyobb" = 2))

	Legkisebb		Legnagyobb
Szakma	Évi betegszám	Kórház	Évi betegszám	Kórház
Aneszt. és intenzív betegellátás	105	Pápai Gróf Esterházy Kórház és Rendelőintézeti Szakrendelő	4683	Semmelweis Egyetem Klinikai Központ
Arc-, állcsont- és szájsebészet	249	Vas Vármegyei Markusovszky Egyetemi Oktatókórház	2545	Szegedi Tudományegyetem Szent-Györgyi Albert Klinikai Központ
Belgyógyászat	0	Nyírő Gyula Országos Pszichiátriai és Addiktológiai Intézet	21570	Debreceni Egyetem Klinikai Központ
Bőr- és nemibeteg	0	Győr-Moson-Sopron Vármegyei Petz Aladár Egyetemi Oktató Kórház	891	Debreceni Egyetem Klinikai Központ
Csecsemő- és gyermekgyógyászat	86	Mosonmagyaróvári Karolina Kórház-Rendelőintézet	17958	Semmelweis Egyetem Klinikai Központ
Fül-orr-gégegyógyászat	13	Soproni Erzsébet Oktató Kórház és Rehabilitációs Intézet	3341	Szabolcs-Szatmár-Bereg Vármegyei Oktatókh.
Gyermek- és ifjúságpszichiátria	282	Jász-Nagykun-Szolnok Vármegyei Hetényi Géza Kórház - Rendelőintézet	748	Szegedi Tudományegyetem Szent-Györgyi Albert Klinikai Központ
Infektológia	231	Győr-Moson-Sopron Vármegyei Petz Aladár Egyetemi Oktató Kórház	2836	Debreceni Egyetem Klinikai Központ
Kardiológia	318	Karcagi Kátai Gábor Kórház	12404	Semmelweis Egyetem Klinikai Központ
Neurológia	449	Karcagi Kátai Gábor Kórház	5173	Semmelweis Egyetem Klinikai Központ
Onkológia, onkoradiológia	453	Budapesti Uzsoki Utcai Kórház	11160	Semmelweis Egyetem Klinikai Központ
Ortopédia-traumatológia	127	Országos Mozgásszervi Intézet	12796	Budapesti Dr. Manninger Jenő Baleseti Központ
Plasztikai- és égéssebészet	99	Budapesti Uzsoki Utcai Kórház	1066	Debreceni Egyetem Klinikai Központ
Pszichiátria	235	Heves Vármegyei Markhot Ferenc Kórház, Eger	5779	Nyírő Gyula Országos Pszichiátriai és Addiktológiai Intézet
Reumatológia	137	Győr-Moson-Sopron Vármegyei Petz Aladár Egyetemi Oktató Kórház	3816	Országos Mozgásszervi Intézet
Sebészet	35	Országos Mozgásszervi Intézet	14866	Semmelweis Egyetem Klinikai Központ
Szemészet	875	Nógrád Vármegyei Szent Lázár Kórház, Salgótarján	13757	Semmelweis Egyetem Klinikai Központ
Szülészet-nőgyógyászat	4	Gottsegen György Országos Kardiovaszkuláris Intézet	13175	Semmelweis Egyetem Klinikai Központ
Sürgősségi betegellátás	70	Karcagi Kátai Gábor Kórház	26624	Semmelweis Egyetem Klinikai Központ
Tüdőgyógyászat	275	Soproni Erzsébet Oktató Kórház és Rehabilitációs Intézet	9003	Országos Korányi Pulmonológiai Intézet
Urológia	196	Orosházi Dr. László Elek Kórház és Rendelőintézet	4316	Debreceni Egyetem Klinikai Központ

Mindezekből jól látszik a magyar egészségügyi ellátórendszer néhány strukturális problémája. Vegyük például a szülészet-nőgyógyászat szakmát! Itt egészen extrém esetek vannak: az ábra bal szélén lévő pont a Keszthelyi Kórház, ami egész évben összesen 568 beteget látott el ebben a szakmában. Ez természetesen nem mind szülés! A konkrét beavatkozások kórházankénti számáról Magyarországon semmilyen információnk nem lehet, az egyedüli kivétel azonban épp a szülések száma: egy másik kimutatásból ez az egy megnézhető, és így tudhatjuk, hogy ebben a kórházban 264 szülés volt 2024-ben. Azaz kevesebb, mint napi 1… Konkrétan szülések számában, mint ebből a táblázatból kiderül, ez a kórház még így is csak a negyedik helyezett, a rekorder a Mezőtúri Kórház, 146 szüléssel. (Nem akarom kipécézni őket: 11 osztály van, ahol az 500-at sem érte el az éves szülések száma, 30, ahol az 1000-et sem.) Ilyen osztályokat minek fenntartani?! És itt most nem az anyagi szempontokról beszélek: az itt dolgozó orvosok, szakdolgozók nem fognak tudni manuális gyakorlatot szerezni, ezer más dolgot kénytelenek csinálni, így nem tudnak elmélyedni ebben a konkrét területben, nem fognak rendelkezésre állni a legkorszerűbb műszerek (vagy ha igen, akkor meg elment egy halom pénz arra, hogy aztán szinte teljesen kihasználatlanul álljanak). Nem lenne jobb – a szülőnőknek is, sőt, elsősorban nekik! – ha olyan orvosok, szülésznők és ápolók látnák el őket, akiknek bőséges manuális gyakorlatuk van, akik ezzel a szűk területtel foglalkoznak, így sokkal inkább tudják követni a szakirodalmat, és mindezt ott, ahol rendelkezésre állnak a legkorszerűbb eszközök? Az egyetlen ellenérv a szemaskó-i stílusú „de legalább közel van” megfontolás, csakhogy ebben a konkrét esetben ez is abszurd érv, lévén, hogy a szülészet pont hogy egy jól tervezhető terület. (Ennél még az infarktus-ellátás is ezerszer jobban centralizált – nagyon helyesen! – pedig aligha lehet mondani, hogy ott kevésbé fontos, hogy gyorsan ellátást kapjon a beteg, vagy, hogy ott jobban előre lehet tervezni az esemény bekövetkezését…)

Azt, hogy a fent leírtak nem pusztán elméleti spekulációt jelentenek, hanem a gyakorlatban is így vannak, ma már bőséges mennyiségű empirikus bizonyíték is alátámasztja. A kérdést nagyon sokan, nagyon sokszor megvizsgálták tényadatok alapján, egységes eredményekkel; kiragadott példaként itt egy részlet egy ma már klasszikus kutatás eredményeiből:

Halálozás függése az évente ellátott esetszámtól

Az ábrán az látszik, hogy négy különböző műtéttípus esetén (ez a négy csoportja az oszlopoknak) hogyan alakul a – 30 napon belüli vagy kórházi – halálozás a szerint, hogy az adott kórház mennyi műtét végez a kérdéses típusból, minél világosabb az oszlop, annál többet. Az eredmény nem igényel sok kommentárt: a növekvő gyakorlattal csökken, esetenként egészen drámai mértékben a halálozás. (Természetesen felvethető, hogy a különböző kórházak más összetételű, például más súlyosságú vagy életkorú betegeket láttak el – ez a probléma egyébként később nálunk is jelentkezni fog egy kérdés kapcsán – de az eredmények erre már korrigálva vannak.)

Szó szerint több ezer hasonló vizsgálat készült az idők folyamán, különböző országokban, különböző időintervallumokban, a legkülönfélébb beavatkozásokra, lényében a fentivel egyező eredményekkel. Tulajdonképpen minden beavatkozásra, műtétre megvizsgálható ez a kérdés, olyannyira, hogy nemzetközileg több helyen már az is megtörtént, hogy a betegbiztonság érdekében minimális szükséges esetszámot határoztak meg kórházra, vagy akár orvosra is, beavatkozás-típusonként. Így néz ki például a német szabályozás, mondjuk a 16. oldalra lépve azt látjuk, hogy totál térdprotézis-műtétből 50 eset/kórház/év a betegbiztonsági minimum. Természetesen ennek a megvalósulása is transzparansen lekérdezhető: a beavatkozás nevére kattintva láthatjuk a kórházakat, hogy adott, szabályozás alá eső beavatkozásból – például a »Knie« a térdprotézis – mennyit végeztek; szín jelöli a megfelelést. Folytatva a példát, az Altmark Klinikum Gardelegen 107 térdprotézis-műtét végzett így zölden világít, de a Diakonie Krankenhaus Standort Kirn csak 30-t, ezért a kék szín. Költői kérdés: vajon mikor fogunk ide eljutni Magyarországon…? Jelenleg a szülés az egyetlen esemény, aminek legalább az esetszámát le lehet kérdezni kórházanként, ezen kívül semmilyen beavatkozás számáról nem érhető el semmilyen információ transzparensen.

De mi a helyzet a szülésekkel, ha már egyszer ezt hoztam fent problémás hazai példaként? Szerencsére erre vonatkozóan is vannak eredmények. Heller és mtsai azt találták német adatokat vizsgálva, hogy azokon a szülészeteken, ahol évi 500-nál kevesebb szülést vezetnek, 3,5-szer (!) akkora az újszülött-halandóság mint ahol több mint 1500 szülés van. (Emlékeztetek rá, hogy van olyan magyar kórház, ahol szülészet-nőgyógyászati ellátásból összesen alig van 500, nemhogy szülésből.) Több vizsgálat megerősítette, hogy az anyai komplikációknál is hasonló a helyzet. Ilyen szempontból kifejezetten érdekes Kozhimannil és mtsai amerikai kutatása, amelyben külön is nézték az intézményeket típus szerint. A mi kérdéskörünkhoz legközelebb álló „városi, de nem oktató” kategóriában (alsó harmad: kevesebb mint 650 szülés, középső harmad: 650-1400 szülés, felső harmad: több mint 1400 szülés évente) azt találták, most csak a statisztikailag szignifikáns eredményeket idézem, hogy a közepes intézményekben 19%-kal, a kis intézményekben 39%-kal nagyobb a postpartum vérzés esélye, mint a nagy intézményekben, a vérátömlesztés-igény a közepesekben 18%-kal nagyobb esélyű, a kicsikben 24%-kal, továbbá a közepes intézményekben a súlyos gátsérülés esélye is 8%-kal nagyobb mint a nagy intézményekben (és mindössze egy ellentétes adat van, a magzatburok-gyulladás ritkább a közepesekben). A sort lehetne folytatni, vannak ellentétes eredmények, ha jóval kisebb számban is, de a meta-analízisek a fenti konklúziót erősítik meg, a nagy kockázatú szülések esetén egyértelműen (Obladen), de a kis kockázatúak esetében is efelé mutatnak az eredmények (Walther és mtsai).

Nem tudok ilyen jellegű magyar kutatásról mint az előbbiek – miközben ez alapvető fontosságú lenne a hazai szülészeti ellátás minőségének a javításához. Ebben az az igazán szomorú, hogy minden adat és módszertani tudás rendelkezésre állna ehhez Magyarországon is, egyedül szándék kérdése lenne, hogy ezt empirikus alapon, itthon is megvizsgáljuk és az eredményeket transzparensen közöljük. Tegyük hozzá, hogy egyedülállóan büszkék lehetnénk arra, hogy – Tauffer Vilmosnak köszönhetően – a világviszonylatban is párját ritkító adatgyűjtést folytatunk, 1931 óta. Ehhez képest ott tartunk, hogy hétköznapi halandó számára feldolgozható formában lényegében semmilyen információ nem érhető el ebből: a Tauffer-statisztika honlapján 2022-ben még kint volt a 2009-es (!) összefoglaló, mint a legfrissebb (!) elérhető jelentés (egyébként érdemes megnézni hogy néz ki, még egyszer: ez 2022-ben), azonban mára már ez is lekerült a honlapon linkelt anyagok közül, így 2024-re, Tauffer Vilmos hazájában, 90 évvel az adatgyűjtés beindítása után sikerült oda eljutnunk, hogy egyáltalán semmilyen lekérdezhető, nyilvános információszolgáltatás nem érhető el ebből az adatgyűjtésből.

Nagyobb újszülött-halandóság, gyakoribb postpartum vérzés, gyakoribb súlyos gátsérülés – csak annyit kérdeznék: megérte, hogy közel van a kórház?

Arról nem beszélve, hogy bár 30 kórházban nincs évi 1000 szülés, mindössze három megye van, ahol a megyében sincs legalább 1000 szülést levezető kórház (ebből is az egyik csak éppenhogy: Zalában 977 szülést vezetett a Szent Rafael Kórház). Magyarul: szinte minden esetben ugyanazon megyén belül is volna olyan kórház, ahol kellő gyakorlattal rendelkeznek. Orosházán úgy vezetnek évi alig több mint 500 szülést, hogy onnan 39 kilométerre található a Békés Megyei Központi Kórház évi 1500 szüléssel. 2022-ben még az volt a helyzet, hogy Pécs, az ország egyik legnagyobb, egyetemi klinika szintű szülészetétől 36 és 45 kilométerre is vezetnek szülést, közülük a nagyobbikban van évi 617 szülés. (Nekünk Mohács kell! – bocsánat.) A legextrémebb példa talán Jász-Nagykun-Szolnok megye, ahol négy helyen is vezetnek szülést, de úgy, hogy ebből háromban 600, vagy az alatti az évi esetszám.

A valódi magyarázat tehát azt hiszem teljesen más: annak politikai következményei jelentik a problémát, hogy egy osztályt – pláne kórházat – bezár a kormány. Sajnos az elmúlt 20 év bőven szolgáltatott példát arra, hogy kis számú kivételtől eltekintve fundamentálisan senki nem jobb a deákné vásznánál, úgyhogy hadd fogalmazzak úgy: a mindenkori ellenzék azonnal rávetné magát, jó eséllyel a legolcsóbb és leghitványabb demagógiát használva, hogy „a kormány kórházat zár be!!!” (pláne egy szülészetet, atyaisten!). Senkit nem érdekel, hogy ez egyébként egy jó döntés – mint ahogy szakmai téren nincs is semmiféle vita, hogy az ilyen osztályok fenntartása értelmetlen, illetve az még hagyján, de hátrányos a betegeknek –, csak az számít, hogy a lakosság körében ez elfogadhatatlan, innentől pedig tökéletes alapanyag az egyébként jó intézkedéssel szembeni uszításhoz. Azaz: csak az számít, hogy rövidtávon lehet a politikai pecsenyét sütögetni ezen.

Persze nem csak a mindenkori ellenzékről van szó, a saját párttal is meg kell küzdeni, hiszen jönni fog a helyi polgármester, jönni fog a körzet országgyűlési képviselője, hogy ne csináljuk már, ha bezárjuk a kórházat, akkor hogy fogják őt legközelebb megválasztani?! (Ami persze a pártunknak is érdeke!) Sőt, ha már teljeskörűek vagyunk, akkor van még egy nagyon fontos szereplő: a kórházigazgató, az osztályvezető, akik – jó esetben presztízs-, rang-, rosszabb esetben anyagi érdekből kifolyólag – szintén nagyon is érdekeltek személyesen az osztály, a kórház fennmaradásban, ráadásul szavukkal nagy hatást tudnak elérni, pláne kisebb településeken.

Félreértés ne essék, ez egy nagyon érzékeny, sok helyen összekötött rendszer, aminek nem lehet egy kiragadott eset alapján hentesbárddal nekiesni; a konkrét példánál maradva: a kis szülészetek bezárása a mentőszolgálat megerősítésével együtt képzelhető el.

És még egyetlen gondolat ehhez. Hadd hozzak fel egy 2022-es, tehát kicsit régebbi, de a kérdést tökéletesen szemléltető példát ehhez. Abban az évben a legkisebb forgalmú szülészet a Mezőtúri Kórházé volt. Ha az ember felmegy a Nemzeti Népegészségügyi Központ (NNK) honlapjára, akkor megtalálja azt a részt, ami az úgynevezett kijelölő határozatokat tartalmazza: az NNK akkor ad ki ilyet, ha egy kórház valamilyen okból akadályozott egy tevékenységének elvégzésében (és ekkor kijelöl helyette másikat). És ha megnézzük ezt jobban, akkor mit látunk? Azt, hogy a Mezőtúri Kórház előbb 2022. június 10., 11., 12. és 14. napokra mondta le a szülészeti ügyeletet (a kórház indoklása: „aneszteziológus szakorvos hiánya”), aztán lemondta 21., 23., 28., 29. és 31. napokra is, (indoklás: „aneszteziológus szakorvos hiánya”), majd végül július 1-3., 5., 8-10., 12-17., 19-21., 26. és 28. napokra is lemondta (indoklás: „aneszteziológus szakorvos hiánya”). De szerencsére van szülészet Mezőtúron, ez a lényeg!

Külön bája (?) a történetnek, hogy mindeközben a szolnoki Hetényi Géza Kórháznak, amit az NNK kijelölt a mezőtúri helyett, összesen öt különböző akadályoztatás miatti kijelölő határozata van ezen a területen, ugyanis a Hetényi május 21-22., június 3-5., 8., 11., 13., 17-18., 22-23., 27., 29-30., július 1-4., 9-10., 15-16., 19., 23., 31. napjaira lemondta a szülőszobai ügyeletet és a hozzá kapcsolódó újszülött ellátást (az indoklás minden esetben: „személyi feltételek átmeneti hiánya”, magyarán minden bizonnyal szülész-nőgyógyászuk nincsen), valamint július 1-től meghatározatlan ideig lemondta a csecsemő intenzív ellátást is (indoklás: „szakdolgozó hiány”).

Így előáll az az egészen hihetetlen helyzet, hogy van két kórház, egymástól 50 km-re, amelyek egyike sem tud teljes szülészetet adni, mert az egyikben van szülész-nőgyógyász, de nincs aneszteziológus, a másikban van aneszteziológus, de nincs szülész-nőgyógyász, de a politikának még ez is jobb, minthogy legyen egyetlen kórház, ami viszont cserében esetleg mondjuk működik is. Mert, ugye, ahhoz valamit be kellene zárni.

Ne legyenek illúziónk arról, hogy ebbe a helyzetbe nem halhatnak-e bele emberek. (Csak reflektálva arra a gyakran felmerülő szempontra, hogy a kórházbezárások, általában, átalakítások egy ideig káosszal járnak, és abba „emberek halhatnak bele”.) Az NNK honlapján több száz kijelölő határozat található.

(Hogy akkor most összeomlott a magyar egészségügy? Népszerű toposz az egészségügy összeomlása, általában az aktuális ellenzék prognosztizálja ezt jövőre. Én emlékszem arra is, hogy 2006-ban fog jövőre összeomlani az egészségügy, most is jövőre fog összeomlani az egészségügy. Nem, az egészségügy – nagyon extrém esetektől eltekintve – nem tud összeomlani. Valahogy fog működni, bármi történik, „maximum” emberek rosszabb, vagy sokkal rosszabb ellátást kapnak, mint lehetne.)

Zárásként vizsgáljuk meg a kérdést időben is: hogyan alakult az egyes szakmák, osztályok által ellátott betegek száma? Az ábrán a halvány szürke vonalak az egyes osztályok forgalmai, a piros vonal az átlaguk (vigyázat, a függőleges tengelyek skálázásai eltérnek):

R kód megjelenítése

ggplot(res[NemSpecKh & NemSpecSzakma & MukodoAtlagAgy > 0],
       aes(x = Ev, y = ElbocsatottBetegSzam, group = KorhazRovid)) +
  facet_wrap(~SzakmaMegnev, scales = "free") +
  geom_line(alpha = 0.2) +
  geom_line(data = res[NemSpecKh & NemSpecSzakma & MukodoAtlagAgy > 0][
    , .(ElbocsatottBetegSzam = mean(ElbocsatottBetegSzam)), .(Ev, SzakmaMegnev)],
    aes(x = Ev, y = ElbocsatottBetegSzam), inherit.aes = FALSE, color = "red") +
  labs(x = "Év", y = "Elbocsátott betegszám [fő]",
       caption = captionlab) +
  scale_x_continuous(limits = range(res$Ev))

A feltüntett piros görbe releváns akkor, ha egy átlagos osztályról akarunk nyilatkozni, érdekes lehet azonban az átlag helyett az összeg is (az átlag görbe ennek megítéléséhez nem túl informatív, mert időközben könnyen megváltozhatott az osztályok darabszáma is az országban). Ez az összeg magyarán a fekvőbeteg-ellátás által – adott szakmában – ellátott betegek össz-száma, egyfajta mennyiségi, nem minőségi mutatója a magyar egészségügy teljesítményének:

R kód megjelenítése

ggplot(res[NemSpecKh & NemSpecSzakma & MukodoAtlagAgy > 0][
  , .(ElbocsatottBetegSzam = sum(ElbocsatottBetegSzam)/1000),
  .(Ev, SzakmaMegnev)],
  aes(x = Ev, y = ElbocsatottBetegSzam)) +
  facet_wrap(~SzakmaMegnev, scales = "free") + geom_line() +
  geom_point() +
  labs(x = "Év", y = "Elbocsátott betegszám [ezer fő]",
       caption = captionlab) +
  scale_x_continuous(limits = range(res$Ev))

Az ábra több szempontból érdekes, hiszen egyszerre tükrözi a megbetegedési viszonyok alakulását és az egészségpolitikai prioritásokat, döntéseket. Ez utóbbiról még sok szó lesz; most csak az előbbi kapcsán hívnám fel a figyelmet egy elég látványos dologra: a koronavírus-járvány hatására. Egyrészt látszik, ahogy egy-két szakma forgalma drámaian megugrott (infektológia, természetesen, intenzív ellátás), de ami talán kevésbé közismert, hogy milyen hihetetlen mértékben esett le más szakmák esetszáma: szemészet, kardiológia, neurológia, reumatológia, szinte minden szakmában látszik a hatás, de van ahol egészen drámai mértékű (a szemészet esetszáma harmadával esett, a reumatológia megfeleződött). Ebben természetesen egyszerre van benne az egészségügy szűkebb kapacitása, és a betegek viselkedése. Ez egy teljesen külön írás témája lehetne, de biztos vagyok benne, hogy a későbbiekben nagy – és félő, hogy nem épp pozitív – jelentősége lesz.

Ágyszámra vonatkozó adatok

Bármely egészségügyi rendszer fekvőbeteg-ellátó ágának egyik legalapvetőbb és a közvélemény előtt elsődleges fontosságúként megjelenő, egyetlen számba sűrített jellemzője a kórházi ágyak száma.

Azért is emeltem ki külön a közvélemény szerepét, mert remélem már a korábbi fejtegetések is rámutattak arra, hogy valójában ez egy nagyon káros szemlélet. Ehhez szeretnék itt néhány szempontot felvetni.

Egyik az a – klasszikus szocialista – szemlélet, hogy a százezer lakosra jutó kórházi ágyak száma olyan, mint a százezer lakosra jutó cementgyártás vagy a százezer lakosra jutó gabonatermelés: minél nagyobb, annál jobban teljesít az ország. Valójában az egészségügy teljesítménye szempontjából a kórházi ágyak számának nem feltétlenül van több jelentősége, mint a kórházi ablakok számának, de erről majd picit később. Mindez ráadásul a lakosság szemléletébe is nagyon mélyen beivódott, talán ez az egyik oka annak, amiért a „kórházbezárás” már mint szó is hihetetlenül erős negatív érzelmeket vált ki a legtöbb emberből (és ezt – sajnos – a politikusok is jól tudják, de erről szintén kicsit később).

A másik ok a magyar egészségügy történeti szerveződése: a klasszikus szovjet szervezési modell, a szemaskói szisztéma egyik jellemzője a teljesen vegyes minőségű, földrajzilag fragmentált ellátás, magyarra fordítva: „olyan amilyen, de közel van”. És itt is hatalmas probléma, hogy az évtizedek alatt ez egyszerűen beleivódott az emberek gondolkodásába, hovatovább ők maguk várják ezt el. (Mielőtt nagyon elássuk szegény Szemaskót, a fair-ség kedvéért azért tegyük hozzá, hogy ő 1918-ban lett egészségügyi miniszter – vagy, hogy teljesen pontos legyek: egészségügyi népbiztos – amikor a kórházak műszerezettsége jó esetben egy röntgengépből és egy kezdetleges laborból állt, így a centralizálási igény jóval alacsonyabb volt, amikor rengeteg mindent nem is lehetett kórházon kívül gyógyítani, és amikor még sokkal-sokkal hosszabb idő volt egy kórházi ápolási epizód, így nagyobb jelentősége volt annak, hogy ez a beteg lakóhelye közelében történjen.)

Valójában a kórházcentrikusság és a nagy ágyszám nem egyszerűen „indokolatlan” vagy „felesleges”, hanem aktívan káros: a kórház a lehető legrosszabb megoldás, mindenkinek. A legrosszabb az államnak is, mert a fölényesen legdrágább ellátási forma (ez természetesen nem egyszerűen „csak pénzt” jelent, hiszen az itt elköltött pénzt az egészségügy más területéről kell elvonni), de ami még fontosabb, nem jó a betegnek sem, mert fertőzésveszélyes, mert hosszabb ideig tart a lábadozás, mert megterhelő egy vadidegen környezetben gyógyulni. Tehát amit lehet, azt nem kórházban kellene megoldani, ráadásul ezt a technikai fejlődés egyre jobban lehetővé is teszi: egy sor beavatkozás van, ami miatt 50 évvel ezelőtt még indokolt is volt valakit kórházba fektetni, de ma már nem az. Szürkehályog-műtét 50 évvel ezelőtt bennfekvést igényelt, ez nem egészségpolitikai vagy szervezési kérdés volt, hanem orvosi, de ma már nem igényli, egyszerűen az orvosi fejlődésnek köszönhetően. Innentől kezdve viszont az egészségpolitikai és szervezési kérdés is, hogy ezeket az orvosi vívmányokat ki tudjuk e használni, és csökkenteni tudjuk-e a kórházi ápolási igényt, például az egynapos ellátásokat, nappali kórházakat fejlesztve. Erre a kérdésre nemsokára külön is kitérek, de előbb nézzük meg a helyzetet ágyszám terén! Sajnos ugyanis, mint az a korábbiakból is sejthető, a fentiekkel ellentétes hatások is vannak: bár mondhatjuk, hogy ezek a kapacitások feleslegessé, sőt, egyenesen károssá válnak, leépíteni viszont nem könnyű őket, épp a korábban vázolt politikai okok és egyéni érdekek miatt (és sok esetben a finanszírozás is ezt preferálja). Hogy még rosszabb legyen a helyzet, a dolog ráadásul visszafelé is hat: a túlzottan kórházcentrikus struktúra aktívan nehezíti az említett korszerű technikák terjedését, hiszen lesznek szereplők, akik ellenérdekeltek a kórházak kiváltásában, hiába lenne ez mind a betegnek, mind az államnak jobb.

Mielőtt rátérünk a magyar adatok részletes elemzésére, egy pillanat erejéig egyetlen összesítő számot nézzünk meg európai egybevetésben: mennyi a százezer lakosra jutó aktív kórházi ágyak száma. A legfrissebb adat 2023-as:

R kód megjelenítése

res2 <- as.data.table(eurostat::get_eurostat(
  "hlth_rs_bds1", use.data.table = TRUE))
res2 <- res2[unit == "P_HTHAB" & facility == "HBEDT_CUR" &
               TIME_PERIOD == "2023-01-01" & nchar(geo) == 2 &
               hlthcare == "TOTAL"]
res2$countryname <- countrycode::countrycode(res2$geo, "eurostat",
                                             "cldr.name.hu")
ggplot(res2[order(values)],
       aes(y = factor(countryname, levels = countryname),
           x = values, fill = geo == "HU")) +
  geom_col() + guides(fill = "none") +
  labs(x = "Aktív kórházi ágyak száma [ágy/100 ezer fő]", y = "",
       caption = paste0(
         "Ferenci Tamás, https://www.medstat.hu/\n",
         "Adatok forrása: Eurostat, hlth_rd_bds1"))

A dolog sok kommentárt nem igényel (érdemes azt is megnézni, hogy mennyire szépen megjelenik a szocialista örökség máshol is, illetve, hogy mennyire fals az a kép, hogy a magas ágyszám automatikusan azt jelenti, hogy jobb a helyzet – amit elvileg jelent az a hozzáállás, ami szerint az ágyszám-csökkentés automatikusan rossz). Még most is a lista első felében vagyunk.

Egyébként pont a járvány elején merült fel gondolatként, hogy bár a magyar egészségügyi rendszer kórházcentrikussága általában rossz hír, de most, egy ilyen helyzetben kivételesen pont jól jön. (Ezt járványtól független is szokták mondani: hogy kell valamennyi tartalék a rendszerben; erre később még hosszan vissza fogok térni.) Ahogy telt az idő, kiderült, hogy valójában még ez sem igazán valósul meg: az elsődleges szűk keresztmetszet ugyanis ilyen helyzetben sem az ágy, vagy épp az orvostechnikai berendezés, legyen az lélegeztetőgép vagy bármi más volt Magyarországon, hanem egész egyszerűen a szakember. Az orvos, de még inkább: az ápoló. (Sőt, még ez a kör is bővíthető: a szakember-hiány megjelenik a gazdasági-műszaki szolgálat terén is.)

Vegyük példának Dániát: miközben ott kórházi ágyból 65%-kal kevesebb van lakosságarányosan mint nálunk, addig orvosból mégis ott van több, ha csak a kórházban dolgozó orvosokat nézzük, akkor pláne. Az igazi dráma azonban nem is itt van, hanem a szakdolgozóknál: ápolóból lakosságarányosan több mint kétszer (!) annyi van Dániában, mint Magyarországon!

Visszatérve a magyar adatokhoz, ássunk most kicsit mélyebbre! Elsőként nézzük meg az ágyszámok eloszlását 2024-ben (itt és a továbbiakban csak azokkal az intézményekkel foglalkozunk, ahol van egyáltalán működő ágy), az átlagos működő ágyszámot alapul véve:

R kód megjelenítése

ggplot(res[Ev == 2024][MukodoAtlagAgy > 0],
       aes(x = MukodoAtlagAgy)) +
  geom_histogram(boundary = 0, binwidth = 10) +
  labs(x = "Működő átlagos ágyszám", y = "Gyakoriság [db]",
       caption = captionlab)

Adná magát a gondolat, hogy foglalkozzunk a legkisebb vagy épp legnagyobb osztályokkal, de ez nagyon félrevezető lenne, mert az egyes szakmák lényegesen eltérő jellegűek lehetnek. Ez önmagában is érdekes, úgyhogy készítsünk róla egy ábrát:

R kód megjelenítése

ggplot(res[Ev == 2024][MukodoAtlagAgy > 0], aes(x = MukodoAtlagAgy, y = SzakmaMegnev)) + 
  geom_jitter(width = 0, height = 0.1) + scale_y_discrete(limits=rev) +
  labs(x = "Működő átlagos ágyszám", y = "", caption = captionlab)

Itt már látszanak a különbségek! Az önmagában vett érdekességen túl itt is nézzük meg szakmánként is a legkisebb és legnagyobb (ágyszámú) osztályokat:

R kód megjelenítése

kableExtra::add_header_above(
  kableExtra::kable(
    dcast(res[Ev == 2024][NemSpecKh & NemSpecSzakma & MukodoAtlagAgy > 0][
      , cbind(tipus = factor(c("Min", "Max"), levels = c("Min", "Max")),
              .SD[c(which.min(MukodoAtlagAgy), which.max(MukodoAtlagAgy))]), .(SzakmaMegnev)],
      SzakmaMegnev ~ tipus, value.var = c("MukodoAtlagAgy", "KorhazNev"))[, c(1, 2, 4, 3, 5)],
    col.names = c("Szakma", rep(c("Ágyszám", "Kórház"), 2))),
  c(" " = 1, "Legkisebb" = 2, "Legnagyobb" = 2))

	Legkisebb		Legnagyobb
Szakma	Ágyszám	Kórház	Ágyszám	Kórház
Aneszt. és intenzív betegellátás	5.0	Országos Mozgásszervi Intézet	107.7	Semmelweis Egyetem Klinikai Központ
Arc-, állcsont- és szájsebészet	7.0	Somogy Vármegyei Kaposi Mór Oktató Kórház	26.0	Semmelweis Egyetem Klinikai Központ
Belgyógyászat	8.0	Budapesti Szent Ferenc Kórház	446.0	Debreceni Egyetem Klinikai Központ
Bőr- és nemibeteg	10.0	Semmelweis Egyetem Klinikai Központ	30.0	Borsod-Abaúj-Zemplén Vármegyei Központi Kórház és Egyetemi Oktatókórház
Csecsemő- és gyermekgyógyászat	4.0	Dél-budai Centrumkórház Szent Imre Egyetemi Oktatókórház	343.2	Heim Pál Országos Gyermekgyógyászati Intézet
Fül-orr-gégegyógyászat	4.6	Soproni Erzsébet Oktató Kórház és Rehabilitációs Intézet	51.0	Szabolcs-Szatmár-Bereg Vármegyei Oktatókh.
Gyermek- és ifjúságpszichiátria	9.0	Szabolcs-Szatmár-Bereg Vármegyei Oktatókh.	30.0	Szegedi Tudományegyetem Szent-Györgyi Albert Klinikai Központ
Infektológia	8.0	Győr-Moson-Sopron Vármegyei Petz Aladár Egyetemi Oktató Kórház	181.0	Kiskunhalasi Semmelweis Kórház
Kardiológia	12.0	Siófoki Kórház-Rendelőintézet	176.0	Debreceni Egyetem Klinikai Központ
Neurológia	20.0	Budapesti Péterfy Sándor utcai Kórház-Rendelőintézet	143.3	Semmelweis Egyetem Klinikai Központ
Onkológia, onkoradiológia	15.0	Budapesti Bajcsy-Zsilinszky Kórház és Rendelőintézet	193.0	Debreceni Egyetem Klinikai Központ
Ortopédia-traumatológia	3.3	Országos Mozgásszervi Intézet	251.0	Budapesti Dr. Manninger Jenő Baleseti Központ
Plasztikai- és égéssebészet	4.3	Dél-pesti Centrumkórház - Országos Hematológiai és Infektológiai Intézet	30.0	Észak-Pesti Centrumkórház - Honvédkórház
Pszichiátria	19.9	Dél-budai Centrumkórház Szent Imre Egyetemi Oktatókórház	182.0	Nyírő Gyula Országos Pszichiátriai és Addiktológiai Intézet
Reumatológia	13.7	Veszprém Vármegyei Csolnoky Ferenc Kórház	170.0	Országos Mozgásszervi Intézet
Sebészet	3.3	Országos Mozgásszervi Intézet	341.0	Semmelweis Egyetem Klinikai Központ
Szemészet	10.0	Pécsi Tudományegyetem Klinikai Központ	60.0	Semmelweis Egyetem Klinikai Központ
Szülészet-nőgyógyászat	2.0	Gottsegen György Országos Kardiovaszkuláris Intézet	200.0	Semmelweis Egyetem Klinikai Központ
Sürgősségi betegellátás	4.0	Budapesti Bajcsy-Zsilinszky Kórház és Rendelőintézet	76.0	Debreceni Egyetem Klinikai Központ
Tüdőgyógyászat	15.0	Soproni Erzsébet Oktató Kórház és Rehabilitációs Intézet	304.0	Országos Korányi Pulmonológiai Intézet
Urológia	8.3	Veszprém Vármegyei Csolnoky Ferenc Kórház	80.0	Debreceni Egyetem Klinikai Központ

Ez is elég tanulságos kimutatás, de érdekes lehet még egy másik típusú összesítés is: amikor egy kórház egészének az aktív ágyszámát vizsgáljuk meg. Ez így néz ki 2022-ben:

R kód megjelenítése

ggplot(res[Ev == 2024][MukodoAtlagAgy > 0][
  ,.(MukodoAtlagAgy = sum(MukodoAtlagAgy)), .(KorhazRovid)][
    order(MukodoAtlagAgy)],
  aes(x = MukodoAtlagAgy,
      y = factor(KorhazRovid, levels = KorhazRovid))) +
  geom_jitter(width = 0, height = 0.1) +
  scale_y_discrete(limits=rev) +
  labs(x = "Működő átlagos aktív ágyszám", y = "Kórház azonosító",
       caption = captionlab)

Itt már részletesebb elemzés nélkül is látszanak meglepő eredmények; íme a legkisebb kórházak listája (ezt most csak a központi egészségügyi intézményekre szűkítve, illetve ne felejtsük, csak az aktív ágyakról van szó):

R kód megjelenítése

knitr::kable(
  res[Ev == 2024][
    SzakmaKod != "" & MukodoAtlagAgy > 0 &
      Fenntarto == "Központi eü. intézmény"][
        , .(`Működő átlagos aktív ágyszám` = sum(MukodoAtlagAgy)),
        .(`Kórház` = KorhazNev)][
          order(`Működő átlagos aktív ágyszám`)][1:15])

Kórház	Működő átlagos aktív ágyszám
Komáromi Selye János Kórház	23.0
Balatonfüredi Állami Szívkórház	34.0
Szaplonczay Manó Marcali Kórház	39.0
Hévízi Szent András Reumakórház és Gyógyfürdő	39.0
Országos Sportegészségügyi Intézet	40.0
Mezőtúri Kórház és Rendelőintézet	54.0
Kazincbarcikai Kórház	55.0
Mosonmagyaróvári Karolina Kórház-Rendelőintézet	61.0
Szolnoki MÁV Kórház és Rendelőintézet	88.0
Keszthelyi Kórház	93.2
Farkasgyepűi Tüdőgyógyintézet	95.0
Mátrai Gyógyintézet	105.0
Dombóvári Szent Lukács Kórház	115.0
Nagyatádi Kórház	117.0
Pápai Gróf Esterházy Kórház és Rendelőintézeti Szakrendelő	129.0

Ezeket látva is felmerülhet kérdés az ilyen intézmények fenntartásának racionalitását illetően. Elmondható minden, amit korábban elmondtam, ott éppen a nagyon pici szülészetek példáján, de van még egy további szempont, amit viszont itt érdemes megemlíteni: az, hogy egy kórházban, egy osztályon egy sor dolog van, ami fix tényező, azaz nem skálázódik a betegek számával. Bizonyos műszerekből és berendezésekből mindenképp kell legalább egy darab, akár kétnaponta van egy szülés akár naponta van 50. Kell mosoda, takarítónő, karbantartó, akárhány szülés is van. Nagyon fontos azonban hangsúlyoznom, hogy ez ráadásul nem egyszerűen csak pénz (méretgazdaságosság) kérdése: hiába is jönne ki a szülések száma alapján, hogy elég 0,1 aneszteziológus, mindenképp kelleni fog 1. Nagyon nem szerencsés az eleve limitáltan elérhető orvosokat, pláne limitáltan elérhető ápolókat nagyon sok kórház között, elaprózottan szétszórni. Mindezek miatt az ágyszám-csökkentésnél könnyen lehet, hogy érdemesebb komplett osztályokat, vagy akár komplett kórházat bezárni: ha van 10 darab 1000 ágyas kórházunk, és meg kell szünteti 1000 ágyat, akkor egy bezárása helyett mindegyikből bezárva 100 ágyat, akár még az is lehet, hogy annál is rosszabb helyzetbe kerülünk, mint ahonnan indultunk. Persze így megmarad 10 kórházigazgató pozíciója és mind a 10 polgármester elmondhatja a következő választási kampányban, hogy megvédte a helyi kórházat…

Itt lényegében megint visszatérünk a szemaskó-i „rossz minőségű, de legalább közel van” megfontoláshoz. Mivel Magyarországon ebbe generációk nőttek bele, nagyon nehéz bármit kezdeni vele, hiszen maga a lakosság is azt követeli, hogy közel legyen a kórház, „ne kelljen sokat buszozni”, és igen, én is pontosan értem és tudom, hogy rengeteg faluból borzasztó nehéz bejutni a városba, pláne a megyeszékhelyre, mert olyan a buszmenetrend, olyan minőségűek az utak, de az akkor is elég abszurd, hogy erre tekintettel nem azt próbáljuk megkönnyíteni, hogy a beteget vigyük a kórházhoz, hanem a kórházat visszük a beteghez… Komolyan bárki azt gondolja, hogy az működőképes, hogy akkor nem az utat javítjuk, nem a buszt fejlesztjük, nem a betegszállítást erősítjük – hanem inkább építünk minden második sarokra egy (pici és rossz minőségű, de mégis csak) kórházat?! Teljesen komoly, hogy ez a megoldás a rossz buszmenetrendre és a gyenge betegszállításra?

Félek tőle, hogy a politikusok többsége e tekintetben sajnos nem buta, hanem tudatosan demagóg, magyarán: ők is pontosan tudják, hogy a lakosság rosszabb minőségű ellátást fog kapni, és hogy a közeli kórházat követelők valójában maguk is rosszabbul járnak ezzel, de egyúttal azt is tudják, hogy ezt nem fogják tudni (egyébként nem csak a saját hibájukból, lásd még transzparens teljesítménymérés hiánya…), azt viszont, hogy a kórház közel vagy messze van, azt fogják tudni. És ez a fontosabb számukra.

(Mindazonáltal attól is óvnék, hogy átessünk a ló túloldalára: nehogy valaki azt gondolja, hogy pusztán egy fentihez hasonló lista alapján eldönthető a kérdés. Lehetnek nagyon speciális területű intézmény, amik a jellegükből adódóan kicsik. Számíthat a távolság, az elérhetőség: hiába is kicsi egy kórház, lehet, hogy nagy a jelentősége, ha a környékén sincs másik. Ez a dolog persze fordítva is működik: ha egy kórház kicsi és ráadásul még mellette van egy nagy, az pláne megkérdőjelezi a racionalitását; ezt a vetületet a szülészeti osztályok kapcsán érintettem is.)

Egészen idáig csak a 2024-es évet elemeztük. Ha visszamegyünk időben, akkor is érdekes lehet a kórházankénti, szakmai osztályonkénti lebontás vizsgálata, de elsőként nézzünk inkább egy összképet. Így alakult az évek alatt az aktív kórházi ágyak száma (itt is a működő átlagos ágyszámot értve ez alatt):

R kód megjelenítése

ggplot(res[,.(MukodoAtlagAgy = sum(MukodoAtlagAgy)) , .(Ev)],
       aes(x = Ev, y = MukodoAtlagAgy)) + geom_point() +
  geom_line() + lims(y = c(0, NA)) +
  labs(x = "Év", y = "Ágyszám", caption = captionlab)

Az elmúlt 15-20 évben újságot olvasó állampolgár számára nem kell sokat magyaráznom, hogy mit látunk a grafikonon. A 2006/2007-ben végrehajtott, nagyon sok elemből álló egészségügyi reform egyik, és talán legtöbbet emlegetett része volt 16 ezer aktív kórházi ágy megszüntetése. (A teljes ágyszám nem csökkent ennyivel, ugyanis az aktív ágyak csökkentése mellett a krónikus, rehabilitációs ágyak száma nőtt egyidejűleg. Ezek alacsony száma szintén régóta húzódó hiányosság volt, aminek a hátterében állt az is, hogy az évtizedek alatt a krónikus ellátás mindig hátrányban volt, mert az aktív ellátás jobban szem előtt van, a közvélemény számára fontosabb – és innentől a demagógok számára is fontosabb –, az aktív intézmények vezetői jobban összekötöttek a politikai szférában, pont az előbbiek miatt is nagyobb befolyásúak, stb.)

Ez az ágyszám-csökkentés sajnálatosan nagyon jó példa annak illusztrálására, amit korábban mondtam a politika szerepéről.

„Népirtás”, „az egészségügy aktív eutanáziája”, „halálos döfést kap az egészségügy”, ez volt a belépőszint az intézkedést akkor vitatók részéről, a miniszter jelzői a tömeggyilkosnál kezdődtek, és Mengelénél folytatódtak, jött a „rákos beteg nem kap gyógyszert” (a neki küldött levélben név szerint szerepeltetve a minisztert), az „egészségügyi reform első áldozata” (a mindszenti beteg, nem tudom emlékszik-e erre még valaki, én sajnos jól), aztán külön az első budapesti áldozata stb. stb. stb., egyszerűen egy olyan őrületet sikerült konstruálni, ahol már rég nem számított semmilyen szakmai szempont, racionális megfontolás vagy érv. Az érzelmek tomboltak – ahogy azt megkonstruálták. (A dologhoz persze az is kellett, hogy a reformprogramot egy arra tökéletesen alkalmatlan időpontban, és egy arra tökéletesen alkalmatlan politikai háttér mellett próbálták megcsinálni, de ez már egy másik, nem idetartozó kérdés.) És mindezt hergelték olyan politikusok, akiknek viszont nagyon is pontosan tudták, hogy ez – ha részleteiben volt is vitatható elem – de fundamentálisan tökéletesen indokolt, szükséges és jó döntés volt az ágyszám-csökkentés. Hogy mivel bizonyítom, hogy ezt ők is tudták? A fenti ábrával. Ugyanis azok a politikai erők, amelyek 2007-ben ezt a kampányt végigvitték népirtástól Mengeléig, azok 2010-ben kormányra kerültek (úgy, hogy még a kampány utolsó napjaiban is olyan szórólapot osztogattak, mely azt mutatatta, hogy a kormány hány ágyat szüntetett meg), majd azután, hogy kormányra kerültek, vajon hány ágyat nyitottak újra azok közül, amelyek megszüntetése ugyebár népirtás volt? Igen, pontosan annyit. Az egyetlen, amit tettek, hogy két évvel később, 2012-ben még további 2000 ágyat megszüntettek (nagyon helyesen!). A probléma inkább morális: egy nem volt az akkor kormányra kerültek közül (legjobb tudomásom szerint), aki annyit mondott volna, legalább utólag, hogy „az ágyszám-csökkentés nem halálos döfés meg aktív eutanázia volt, hanem egy helyes döntés, tényleg ezt kellett tenni”.

Molnár Lajos 2015-ben halt meg, még ekkor sem volt senki közülük, aki legalább ebben a pillanatban úgy érezte volna, hogy elnézést kell kérnie, ha semmi másért nem is, de legalább azért, hogy az ágyszám-csökkentés népirtás lett volna. (Ekkorra a 2010-ben hatalomra került kormány még további 3000 ágyat zárt be a 2010-es állapothoz képest is.)

A szünetelő ágyak ügye

Az előbbiekben, amikor ágyszámokról volt szó, minden esetben a működő ágyak számát használtam. Ez értelemszerű volt, hiszen ez adja meg azon ágyakat, amik betegelhelyezésre alkalmasak és amiken ténylegesen egészségügyi ellátás folyik. Van azonban még egy kategória: kórházi ágy lehet – például egy felújítás miatt – szünetelő is (itt megkülönböztetik a tartósan és a nem tartósan szünetelő ágyakat, az előbbi az, ami 6 hónapon túl szünetel). Az ágyszám- és betegforgalmi kimutatás december 31-re vonatkozóan megadja az összes kategóriát (összes ágy, tartósan szünetelő, nem tartósan szünetelő, működő), éves átlagban pedig, amit én mindenhol használtam, az összeset és a működőt adja meg. (A dolog nincs teljesen pontosan definiálva, de én úgy értelmezem, hogy az éves átlag minden nap az aznap épp ténylegesen működőket átlagolja, így ebben a mutatóban nincs jelentősége annak, hogy valami tartósan, vagy nem tartósan szünetel-e.)

Noha tehát az elemzéshez a működő ágyak száma releváns, az, hogy mennyi szünetelő ágy van, önmagában is egy érdekes mutató lehet. Mennyi szünetelő ágy van? Sok, kevés? Változik a számuk időben? Elképzelhető, hogy a szünetelő ágyak száma önmagában is fontos dolgokat mutat meg az egészségügyi ellátórendszerről, úgyhogy nézzük meg ezt közelebbről!

Először is, 2013-ig a dolognak nem volt nagy jelentősége, mert alig volt szünetelő ágy:

R kód megjelenítése

ggplot(melt(res[,.(`Összes ágy` = sum(OsszesAtlagAgy), `Működő ágy` = sum(MukodoAtlagAgy)) , .(Ev)], id.vars = "Ev"),
       aes(x = Ev, y = value, group = variable, color = variable)) + geom_point() +
  geom_line() + lims(y = c(0, NA)) +
  labs(x = "Év", y = "Ágyszám", color = "Típus", caption = captionlab)

Amint látható, 2014 után elkezdett nyílni az olló, egyre több lett a szünetelő ágy. Ezt közvetlenül is ábrázolhatjuk, ha a szünetelő ágyak arányát számoljuk ki:

R kód megjelenítése

ggplot(res[, .(SzunetArany = 1 - sum(MukodoAtlagAgy) / sum(OsszesAtlagAgy)) , .(Ev)],
       aes(x = Ev, y = SzunetArany)) + geom_point() +
  geom_line() +
  scale_y_continuous(labels = scales::percent, limits = c(0, NA)) +
  labs(x = "Év", y = "Szünetelő ágyak aránya [%]", caption = captionlab)

Egyértelmű tehát, hogy a jelenség, hogy ágyak érdemleges mértékben szünetelnek, 2014-ben indult be, és azóta gyorsan és folytonosan emelkedik az arány.

Vajon melyik szakmát érinti a dolog? Van ebben valamilyen eltérés szakma szerint? Nézzük meg:

R kód megjelenítése

ggplot(res[OsszesAtlagAgy >= MukodoAtlagAgy, .(SzunetArany = 1 - sum(MukodoAtlagAgy) / sum(OsszesAtlagAgy)),
           .(Ev, SzakmaMegnev)][!is.nan(SzunetArany)],
       aes(x = Ev, y = SzunetArany)) + facet_wrap(~SzakmaMegnev) +
  geom_line() +
  scale_y_continuous(labels = scales::percent, limits = c(0, NA)) +
  labs(x = "Év", y = "Ágyszám", caption = captionlab)

Látható, hogy kevés kivétel van: szinte minden szakmára igaz a fenti jelenség, eltérés inkább csak a mértékben van. Pszichiátriában, bőr- és nemigyógyászatban már most az ágyak több mint 15%-a szünetel, aneszteziológiában és intenzív terápiában, belgyógyászatban, csecsemő- és gyermekgyógyászatban, infektológiában, neurológiában, onkológiában, sebészetben, tüdőgyógyászatban, urológiában 10%; szinte mindenhol gyorsan nő az arány.

A dolog érdekes lehet kórház-szinten is. Vannak kórházak, ahol kiugróan magas a szünetelő ágyak aránya? (Azt nem kérdezem, hogy kiugróan alacsony, hiszen sok helyen van 0%, vagy ahhoz közeli érték.) De nézzük meg azon kórházak listáját, ahol 2024-ben 15% felett volt a szünetelő ágyak aránya:

R kód megjelenítése

knitr::kable(
  res[Ev == 2024][
    OsszesAtlagAgy >= MukodoAtlagAgy,
    .(SzunetArany = 1 - sum(MukodoAtlagAgy) / sum(OsszesAtlagAgy),
      MukodoAtlagAgy = sum(MukodoAtlagAgy),
      OsszesAtlagAgy = sum(OsszesAtlagAgy)),
    .(Ev, KorhazNev)][!is.nan(SzunetArany)][SzunetArany > 0.15][
      order(SzunetArany, decreasing = TRUE)][
        , .(`Kórház neve` = KorhazNev,
            `Működő ágyak száma` = MukodoAtlagAgy,
            `Összes ágy száma` = OsszesAtlagAgy,
            `Szünetelő ágyak aránya [%]` =
              round(SzunetArany * 100, 1))])

Kórház neve	Működő ágyak száma	Összes ágy száma	Szünetelő ágyak aránya [%]
Tapolcai Deák Jenő Kórház	0.0	15.0	100.0
Mosonmagyaróvári Karolina Kórház-Rendelőintézet	61.0	161.0	62.1
Szaplonczay Manó Marcali Kórház	39.0	68.0	42.6
Nyírő Gyula Országos Pszichiátriai és Addiktológiai Intézet	260.9	373.8	30.2
Budapesti Péterfy Sándor utcai Kórház-Rendelőintézet	400.2	568.0	29.5
Karcagi Kátai Gábor Kórház	177.5	247.0	28.1
Budapesti Jahn Ferenc Dél-pesti Kórház és Rendelőintézet	480.0	630.0	23.8
Kistarcsai Flór Ferenc Kórház	538.0	687.0	21.7
Siófoki Kórház-Rendelőintézet	241.1	304.0	20.7
Dél-pesti Centrumkórház - Országos Hematológiai és Infektológiai Intézet	484.0	603.1	19.7
Veszprém Vármegyei Csolnoky Ferenc Kórház	589.9	729.0	19.1
Észak-budai Szent János Centrumkórház	614.4	748.0	17.9
Borsod-Abaúj-Zemplén Vármegyei Központi Kórház és Egyetemi Oktatókórház	1879.5	2286.0	17.8
Hódmezővásárhelyi-Makói Egészségügyi Ellátó Központ	195.0	235.0	17.0

Ezen a listán két dolog lehet meglepő, az egyik, hogy egész extrém értékek is előfordulnak (a mosonmagyaróvári kórház ágyainak 60%-át jelentette szünetelőként!), a másik, hogy – ha nem is ilyen extrém számokkal – de kifejezetten nagy kórházak is szerepelnek a lista elején: a Péterfy majdnem 30%, a Jahn Ferenc több mint 20, a László is majdnem 20.

Érdekes és felvethető kérdés, hogy kell-e örülni ennek a jelenségnek. Elvégre, ha egyszer a fentiekben azt tárgyaltam, hogy a betegek érdekét szolgálná az ágyszám csökkentése, akkor annak örülni kell, ha – kicsit indirekt módon is, ágyak szüneteltetésével – de végső soron csak csökken az ágyszám, nem? Az én személyes válaszom az, hogy nem. Két, egymással erősen összefüggő okból. A nyilvánvaló problémám ezzel a dolog „elmosós”, szőnyeg alá söprős jellege: ahelyett, hogy kimondanák, hogy mi a helyzet (azaz, hogy csökkenteni kell az ágyak számát), elmismásolják a dolgot, mondván, hogy nem csökkentünk, dehogy, ugyanmár – csak közben az ágyak lassan 10%-a szünetel. Engem bosszant az őszinteség hiánya, de ez talán még a kisebbik probléma. A nagyobb, hogy ennek van egy folyománya: ha ugyanis őszintén beszélni sem lehet erről, akkor pláne nem lehet racionálisan megtervezni. Így végeredményben nem az történik, amit én kívánatosnak neveztem, tehát a betegek, orvosok, a magyar egészsésügy érdekeit szolgáló változtatás, nem ott szűnik meg az ellátás, ahol ezt megelőzte a betegforgalom felmérése, a kórházi munka minőségének felmérése, a többi ellátó kórház elérhetőségének és kapacitásának felmérése, urambocsá’ a kérdés társadalmi egyeztetése, a változás összekapcsolása az egyéb intézkedésekkel, mint a betegszállítás vagy ápolás fejlesztése, az egynapos ellátások erősítése és a protokollok felülvizsgálata – hanem ott, ahol legjobban ég a ház. Ahol a kórház már nem tudja finanszírozni a tevékenységet, ahol elfogy az orvos, ahol elfogy a nővér.

Ilyen típusú ágyszámcsökkenésen nem nagyon van mit örülni, hiszen ez aligha várható, hogy megvalósítja azt a célt, hogy a betegek, orvosok, a magyar egészsésügy javát szolgálja. Ehhez végiggondolás, racionális tervezés kell – aminek előfeltétele az őszinte és nyílt beszéd.

Az egynapos ellátások kérdése

A fentiekben említettem az egynapos ellátások ügyét, mint ami jól mutatja az orvostudomány fejlődését, illetve azt, hogy ezt mennyire tudja a hazai intézményrendszer követni. Vizsgáljuk meg kicsit részletesebben ezt a kérdéskört.

Elsőként nézzük meg hogyan alakult az európai országokban néhány nevezetes műtét-típus esetén az egynapos ellátásban végzettek aránya (szürke vonalak az európai országokat jelentik, piros Magyarország):

R kód megjelenítése

res2 <- unique(rbind(
  data.table(eurostat::get_eurostat("hlth_co_proc2")),
  data.table(eurostat::get_eurostat("hlth_co_proc3"))))
res2 <- res2[unit == "NR"]
ggplot(res2[, .((1-values[icha_hc=="IN"]/values[icha_hc=="TOT_PAT"])*100),
            .(icd9cm, geo, TIME_PERIOD)],
       aes(x = TIME_PERIOD, y = V1, group = forcats::fct_reorder(geo, geo=="HU", .fun = first),
           color = geo=="HU")) + scale_color_manual(values = c("FALSE" = "gray", "TRUE" = "red")) +
  guides(color = "none") + facet_wrap(~icd9cm) + geom_line() +
  labs(x = "Év", y = "Egynapos ellátásban megoldott esetek aránya [%]",
       caption = paste0(
         "Ferenci Tamás, https://www.medstat.hu/\n",
         "Adatok forrása: Eurostat, hlth_co_proc2 és hlth_co_proc3"))

Az ábra rendkívül izgalmas. Látszik, hogy bizonyos esetekben érdemben tudtunk javítani az arányon és tartjuk a lépést a nemzetközi fejlődéssel (CM131-138: szürkehályog-műtét), van, hogy mutatkozik egy pici javulás, de más országoktól nagyon lényegesen elmaradó mértékben (CM530-531: lágyéksérv-műtét), viszont a legmeglepőbb, hogy egy sor esetben igaz, hogy miközben máshol egyre megszokottabb – sőt, adott esetben akár domináns! – az egynapos ellátás keretében történő megoldás, addig nálunk ez gyakorlatilag nem létezik (CM282-284: mandulaeltávolítás, CM5123: laparoszkópos epehólyag-műtét).

Természetesen nem lehet teljes egészében az egészségügyi ellátórendszeren elverni a port az egynapos ellátások terén mutatkozó lemaradásunk miatt: ebben nem csak az elérhető eszközök, technikák, személyzet stb. játszik szerepet, hanem erősen benne van a betegek állapota is – ez egyáltalán nem ugyanolyan itt, mint Ausztriában, márpedig ez befolyásolhatja az egynapos ellátásra való alkalmasságot (mind a beavatkozást, mind az utógondozás lehetőségeit illetően).

Mindezt megnézhetjük a hazai adatbázisunk alapján is, hiszen szerencsére meg van adva az egynapos esetek száma, így könnyen meg tudjuk az arányukat is határozni. Így néz ez ki szakmaosztályonként (szürke vonalak az egyes kórházak adatai, piros az országos átlag):

R kód megjelenítése

ggplot(res[NemSpecKh & NemSpecSzakma & MukodoAtlagAgy > 0],
       aes(x = Ev, y = EgynaposEsetSzam/ElbocsatottBetegSzam*100, group = KorhazRovid)) +
  facet_wrap(~SzakmaMegnev, scales = "free") + geom_line(alpha = 0.2) +
  geom_line(data = res[NemSpecKh & NemSpecSzakma & MukodoAtlagAgy > 0][
    ,.(EgynaposArany = sum(EgynaposEsetSzam)/sum(ElbocsatottBetegSzam)*100) , .(Ev, SzakmaMegnev)],
    aes(x = Ev, y = EgynaposArany), inherit.aes = FALSE, color = "red") +
  labs(x = "Év", y = "Egynapos ellátásban megoldott esetek aránya [%]",
       caption = captionlab) +
  scale_x_continuous(limits = range(res$Ev))

Látszik, hogy a fejlődés nagyon eltérő az egyes szakmák között (ez persze nem pusztán egészségpolitikai kérdés, az orvosi lehetőségek is nagyon mások, az intenzív terápia nem igen fog tudni „egynapos ellátást” nyújtani). Kiemelhető, ahogy a szemészet szinte egy-két évtized alatt teljesen átalakult ilyen szempontból.

Ágykihasználás és átlagos ápolási idő

Az eddig megtárgyalt két szempont, a betegforgalom és az ágyszám szorosan összefügg: több ágyon vélhetően nagyobb a betegforgalom is. De ha jobban meggondoljuk, más is számít azért, például az átlagos ápolási idő: ha az rövidebb, akkor ugyanazon az egy ágyon is több beteg meg tud fordulni adott idő alatt.

De legyünk kicsit szisztematikusabbak, ez a dolog ugyanis könnyen „meg-matematizálható”! (Ígérem, hogy a négy alapműveleten túl másra nem lesz szükség!) Ha az átlagos ápolási időtartam jele $AtlApTartam$, akkor egy év alatt $\frac{365}{AtlApTartam}$ beteg tud legfeljebb megfordulni egy ágyon, így $AgySzam$ számú ágyon legfeljebb $\frac{365}{AtlApTartam} \cdot AgySzam$ beteg fordulhat meg. Ha ehhez képest ténylegesen $EllatottBeteg$ számú beteget láttak el, akkor az ágykihasználás:

$$AgyKihasznalas = \frac{EllatottBeteg}{\frac{365}{AtlApTartam} \cdot AgySzam}.$$

Ezt a képletet kissé átrendezve:

$$EllatottBeteg = \frac{365 \cdot AgyKihasznalas}{AtlApTartam}\cdot AgySzam.$$

Azaz azt kaptuk, hogy az ellátott betegek száma valóban az ágyszámtól függ, amit két tényező befolyásol: az ágykihasználás és az ápolás átlagos hossza. Az is szépen kiolvasható a képletből, ami tulajdonképpen intuitíve is érzékelhető, de most már levezetve, számszerűen is látjuk: akkor tudjuk növelni adott ágyszám mellett az ellátott betegek számát, ha vagy az ágykihasználást javítjuk, vagy az átlagos ápolási időtartamot csökkentjük (vagy mindkettő).

Ennek a következménye, hogy így néz ki a tényleges összefüggés a 2024-es magyar adatokon:

R kód megjelenítése

ggplot(res[Ev == 2024][NemSpecKh & NemSpecSzakma & MukodoAtlagAgy>0],
       aes(x = MukodoAtlagAgy, y = ElbocsatottBetegSzam)) +
  geom_point() + facet_wrap(~SzakmaMegnev) +
  geom_smooth(method = "lm", formula = y ~ x - 1) +
  labs(x = "Működő ágyak átlagos száma",
       y = "Ellátott betegek száma",
       caption = captionlab)

Az ábrán kékkel behúztam a pontokra legjobban illeszkedő, origón átmenő egyenest. Ebből két dolog látszik: egyrészt, hogy a meredekség a már emlegetett $\frac{365 \cdot AgyKihasznalas}{AtlApTartam}$ faktor: amelyik szakmában meredekebb az egyenes, tehát adott ágyszámon több beteget látnak el, ott vagy az ágykihasználás jobb, vagy az ápolási időtartam rövidebb átlagosan (vagy mindkettő). Van azonban még egy fontos dolog: a behúzott egyenes meredeksége az összes magyar kórház átlagát adja meg, de érdemes a pontokat is nézni, mert azok szóródása megmutatja, hogy ebben a két tényezőben – ágykihasználás és átlagos ápolási idő – mekkora eltérések vannak az országban. Látható, hogy például sebészetben nincs nagy szóródás, addig mondjuk kardiológiában jóval nagyobbak az eltérések (a Szent Margit 49 ággyal 2171 beteget látott el, a SOTE alig több, 65-tel 12404-et). Ez persze abból adódik jó eséllyel, hogy kardiológián belül is nagyon mást csináltak (a különbséget az ápolási idő táplálja elsősorban, nem az ágykihasználás: előbbiben ez átlagosan 8,1 nap, utóbbiban 1,9). Az ilyen és ehhez hasonló helyzetek megértéséhez fontos lenne a betegút-elemzés is, hiszen jó eséllyel a későbbi pályája is eltér az itt kezelt betegeknek, de ezt sajnos ebből az adatbázisból nem tudjuk vizsgálni.

Nézzük meg most e két tényezőt külön-külön! Kezdjük az ágykihasználással. Így néz ki a 2024-es helyzet:

R kód megjelenítése

ggplot(res[Ev == 2024][MukodoAtlagAgy > 0], aes(x = Agykihasznalas, y = SzakmaMegnev)) +
  geom_jitter(width = 0, height = 0.1) + scale_y_discrete(limits=rev) +
  labs(x = "Ágykihasználás [%]", y = "", caption = captionlab)

Egyrészt látszanak 100% feletti ágykihasználások; ezek ügye adatvalidációs kérdést jelent. Az okát nem tudván ezt most figyelmen kívül hagyom, így az látszik jól, hogy milyen különbségek vannak az egyes szakterületek között.

Ez utóbbi aspektus talán még érdekesebbé tehető, ha az időbeli trendeket is bevonjuk a vizsgálat tárgykörébe (minden halvány vonal egy kórház adata, a vastag piros pedig az országos átlag adott szakmában):

R kód megjelenítése

ggplot(res[NemSpecKh & NemSpecSzakma & MukodoAtlagAgy > 0],
       aes(x = Ev, y = Agykihasznalas, group = KorhazRovid)) +
  facet_wrap(~SzakmaMegnev, scales = "free") + geom_line(alpha = 0.2) +
  geom_line(data = res[NemSpecKh & NemSpecSzakma & MukodoAtlagAgy > 0][
    ,.(Agykihasznalas = weighted.mean(Agykihasznalas, ElbocsatottBetegSzam)), .(Ev, SzakmaMegnev)],
    aes(x = Ev, y = Agykihasznalas), inherit.aes = FALSE, color = "red") +
  labs(x = "Év", y = "Ágykihasználás [%]", caption = captionlab) +
  scale_x_continuous(limits = range(res$Ev))

Ezt az ábrát is érdemes tanulmányozni. Tökéletesen látszik rajta a koronavírus-járvány hatása (abban is, ahogy bizonyos osztályok, például reumatológia kihasználása hogyan esett le, és abban is, hogy másoké, mint az infektológia hogy ugrott meg). Jól látható, hogy a 2006/2007-es reform, ha csak nagyon kicsit is, de helyenként tudta érzékelhetően javítani az ágykihasználást. Ami a legfontosabb azonban az összkép: egyrészt, hogy hol mekkora az ágykihasználás (mennyivel marad el a 100%-tól), valamint, hogy ebben mekkora szóródás van az egyes kórházak között.

Ezen a ponton már ne kerülgessük tovább azt a kérdést, hogy ha a kihasználtság az valamilyen hatékonysági mérőszám, akkor a 100%-e a cél? Első látásra igen, hiszen egy kisebb kihasználás azt jelenti, hogy az ágy üresen (feleslegesen) áll, miközben egy sor költséget így is generál.

Ez valóban igaz, és csakugyan törekedni kell a hatékonyság, és így az ágykihasználtság növelésére, de van több szempont, ami miatt a helyzet ennyire azért nem egyszerű, és nem lehet cél a 100%. Az első probléma, hogy bizonyos területeken, jellegükből adódóan fel kell készülni nagyon hirtelen, semmilyen módon előre nem jelezhető betegszám-megugrásra, amit el kell tudni látni. (Tömeges baleset, egy járvány kitörése, időjárási katasztrófa stb.) Tehát már csak ezért sem lehet 100%-ot megcélozni; természetesen ez nagyon szakterület-függő, intenzív ellátásban sokkal inkább lehet ilyenre szükség, reumatológián aligha. Ezt figyelembe kell venni, amikor megítéljük az egyes szakmák ágykihasználását. (Valamelyest igazából minden szakmánál kell ilyenre gondolni, például mert tartalékot kell beépíteni arra az esetre is, ha egy kórházzal történik valami vagy egy kiterjedt katasztrófa üt be, úgyhogy az egészségügy egészében is kell legyen tartalék.) A következő problémakör a szezonalitás: bizonyos betegségekből markánsan több van télen, mint nyáron, van amiből pont fordítva, más esetben eltérhet hétvége és hétköznapi, nemzeti ünnep stb. stb. A kórháznak erre is fel kell készülnie, hiszen ne feledjük, hogy az ágykihasználás az egy – egész éves – átlag, miközben a betegeket nem csak egy éves átlagban kell tudnunk elhelyezni, hanem minden nap. Természetesen a szakirodalom, a historikus adatok tudnak segíteni ennek megtervezésében. Végezetül pedig tekintettel kell lenni a hosszú távú trendekre is: bizonyos területek esetszáma, ha csak lassan, évek alatt is, de csökken, másoké nő. Lehet persze azt mondani, hogy ezt menet közben állítjuk, és alapvetően tényleg ez a teendő, de azért azt is látni kell, hogy a kórházi ágyszám nem rettenetesen rugalmas, tehát érdemes lehet némi tartalékot beépíteni az előre látható jövőbeli változásokra is.

Érdekes lehet egyébként az ágykihasználást és a szünetelő ágyak arányát egyszerre is vizsgálni. Felvethető például, hogy ahol magas az ágykihasználás, de mégis sok ágy szünetel, az valamilyen furcsaságra utalhat. (Hiszen ha magas az ágykihasználás, az arra utal, hogy szükség lehet kapacitásra, ha magas a szünetelő ágyak aránya, az arra, hogy volna is ilyen aktiválható tartalék, így adja magát a kérdés, hogy akkor miért szünetelnek ezek az ágyak.) Nézzük meg a 2024-es adatokat:

R kód megjelenítése

ggplot(res[Ev == 2024, .(KorhazNev, SzakmaMegnev, Agykihasznalas, SzunetArany = 1 - MukodoAtlagAgy / OsszesAtlagAgy)][
  !is.na(Agykihasznalas) & !is.nan(SzunetArany)], aes(x = Agykihasznalas, y = SzunetArany, color = SzakmaMegnev)) +
  geom_point() +
  scale_y_continuous(labels = scales::percent) +
  labs(x = "Ágykihasználás [%]", y = "Szünetelő ágyak aránya [%]", color = "Szakma")

Kiszedve az előbb említett kritérium szerint potenciálisan furcsa eseteket, nézzük meg hol fordult elő, hogy 80% feletti volt az ágykihasználás, úgy, közben az ágyak több mint 30%-a szünetelt:

R kód megjelenítése

knitr::kable(res[
  Ev == 2024,
  .(KorhazNev, SzakmaMegnev,
    Agykihasznalas = round(Agykihasznalas, 1),
    SzunetArany = round((1 - MukodoAtlagAgy / OsszesAtlagAgy)*100, 1))][
      !is.na(Agykihasznalas) & !is.nan(SzunetArany)][
        Agykihasznalas > 80 & SzunetArany > 30][
          order(Agykihasznalas * SzunetArany, decreasing = TRUE)][
            , .(`Kórház` = KorhazNev, `Szakma` = SzakmaMegnev,
                `Ágykihasználás [%]` = Agykihasznalas,
                `Szünetelő ágyak aránya [%]` = SzunetArany)])

Kórház	Szakma	Ágykihasználás [%]	Szünetelő ágyak aránya [%]
Pécsi Tudományegyetem Klinikai Központ	Szemészet	208.1	54.5
Budapesti Jahn Ferenc Dél-pesti Kórház és Rendelőintézet	Belgyógyászat	137.8	59.7
Észak-budai Szent János Centrumkórház	Kardiológia	126.0	50.0
Borsod-Abaúj-Zemplén Vármegyei Központi Kórház és Egyetemi Oktatókórház	Szemészet	88.5	66.7
Semmelweis Egyetem Klinikai Központ	Bőr- és nemibeteg	83.5	69.7
Pécsi Tudományegyetem Klinikai Központ	Bőr- és nemibeteg	108.7	50.0
Mosonmagyaróvári Karolina Kórház-Rendelőintézet	Belgyógyászat	89.6	58.8
Veszprém Vármegyei Csolnoky Ferenc Kórház	Pszichiátria	84.3	60.0
Budapesti Péterfy Sándor utcai Kórház-Rendelőintézet	Belgyógyászat	94.0	49.6
Dél-budai Centrumkórház Szent Imre Egyetemi Oktatókórház	Pszichiátria	107.2	41.5
Budapesti Uzsoki Utcai Kórház	Ortopédia-traumatológia	96.0	42.7
Budapesti Péterfy Sándor utcai Kórház-Rendelőintézet	Neurológia	81.2	50.0
Észak-Pesti Centrumkórház - Honvédkórház	Pszichiátria	90.0	37.5
Veszprém Vármegyei Csolnoky Ferenc Kórház	Kardiológia	85.8	37.4
Pécsi Tudományegyetem Klinikai Központ	Tüdőgyógyászat	87.4	30.8

Térjünk most át az ápolási időre! Azt már láttuk, hogy az ápolási idő csökkentése a technikai hatékonyságot növeli (tehát, azonos ágyszám mellett több beteg ellátását teszi lehetővé rögzített idő alatt). Arról is volt szó, hogy ez nem pusztán gazdasági kérdés, a betegnek is jobb, természetesen, ha kevesebbet van kórházban. Ezt a technikai fejlődés is elősegíti, de Magyarországon sajnos az egyéb érdekek ezt néha ellensúlyozzák. Vajon mi mindezek összhatása?

Elsőként nézzük meg itt is a 2024-es adatokat:

R kód megjelenítése

ggplot(res[Ev == 2024][MukodoAtlagAgy > 0],
       aes(x = ApolasAtlTartam, y = SzakmaMegnev)) +
  geom_jitter(width = 0, height = 0.1) +
  scale_y_discrete(limits=rev) +
  labs(x = "Átlagos ápolási időtartam [nap]", y = "",
       caption = captionlab)

Jól látszanak a területenkénti eltérések, de ennyi adat alapján mindössze két dolgot tehetünk: szakmai adatokhoz (irodalmi közlése, nemzetközi összehasonlító adatok stb.) hasonlítjuk a számokat, illetve a nagyon kilógó értékeket keressük meg, pusztán matematikai alapon. Ez utóbbira egy későbbi adatsor kapcsán hozok példát, most nézzünk meg egy másik lehetőséget: tekintsük át az időbeli trendeket is! Először nézzük az országos összesített adatot:

R kód megjelenítése

ggplot(res[NemSpecKh & NemSpecSzakma & MukodoAtlagAgy > 0,
           .(ApolasAtlTartam = weighted.mean(ApolasAtlTartam, ElbocsatottBetegSzam, na.rm = TRUE)), .(Ev)],
       aes(x = Ev, y = ApolasAtlTartam)) +
  geom_line() +
  labs(x = "Év", y = "Átlagos ápolási időtartam [nap]",
       caption = captionlab)

Amint látszik, volt fejlődés az utóbbi években (a koronavírus-járvány hatásától eltekintve). Itt azonban feltétlenül érdemes megnézni az Eurostat adatait is (ezek, ha nem is tökéletesen, de nagyjából egybevágnak a fentiekkel), és nem csak az európai összehasonlítás miatt, hanem azért is, mert az ő adatbázisuk sokkal régebbre visszamegy.

Ez a jelenlegi helyzetkép arról, hogy mennyi a befektetett betegek átlagos kórházban töltött időtartama az aktív ellátásban az egyes európai országokban (2023-as adatok, mert a 2024 még nagyon hiányos):

R kód megjelenítése

res2 <- as.data.table(eurostat::get_eurostat(
  "hlth_co_inpagg", use.data.table = TRUE))
res2 <- res2[hlthcare == "TOTAL" & indic_he == "ALOS"]
res2$countryname <- countrycode::countrycode(
  res2$geo, "eurostat", "cldr.name.hu")
ggplot(res2[TIME_PERIOD == "2023-01-01"][order(values)],
       aes(y = factor(countryname, levels = countryname),
           x = values, fill = geo == "HU")) +
  geom_col() + guides(fill = "none") +
  labs(x = "Átlagos kórházi tartózkodás [nap]", y = "",
       caption = paste0(
         "Ferenci Tamás, https://www.medstat.hu/\n",
         "Adatok forrása: Eurostat, hlth_co_inpagg"))

Ebben tehát kimondottan jól állunk európai összevetésben! Szintén nagyon látványos ebben az esetben az időbeli alakulás is; piros görbe jelöli Magyarországot:

R kód megjelenítése

ggplot(res2, aes(x = TIME_PERIOD, y = values,
                 group = forcats::fct_reorder(geo, geo=="HU",
                                              .fun = first),
                 color = geo=="HU")) +
  geom_line() +
  scale_color_manual(values = c("FALSE" = "gray",
                                "TRUE" = "red")) +
  guides(color = "none") +
  labs(x = "Év", y = "Átlagos kórházi tartózkodás [nap]",
       caption = paste0(
         "Ferenci Tamás, https://www.medstat.hu/\n",
         "Adatok forrása: Eurostat, hlth_co_inpagg"))

Mint látható, az átlagos ápolási idő leszorításában évtizedes távlatban valóban sikerült eredményeket elérni, de ezen az ábrán már jobban látszik, hogy e haladás nagy részét 1980 és 2010 között értük el. Azóta nem nagyon sikerült változtatni; szolgáljon vigaszul, hogy a fenti ábra szerint ez másoknak sem ment sokkal jobban Európában… (Vegyük figyelembe, hogy azért a dolognak van egy orvosi minimuma.)

Nézzük most a helyzetet kórházanként és szakmánként. Az alábbi ábrán minden halvány vonal egy kórház adata, a vastag piros pedig az országos átlag az adott szakmában:

R kód megjelenítése

ggplot(res[NemSpecKh & NemSpecSzakma & MukodoAtlagAgy > 0],
       aes(x = Ev, y = ApolasAtlTartam, group = KorhazRovid)) +
  facet_wrap(~SzakmaMegnev, scales = "free") +
  geom_line(alpha = 0.2) +
  geom_line(
    data = res[NemSpecKh & NemSpecSzakma & MukodoAtlagAgy > 0][
      , .(ApolasAtlTartam = weighted.mean(ApolasAtlTartam, ElbocsatottBetegSzam, na.rm = TRUE)), .(Ev, SzakmaMegnev)],
    aes(x = Ev, y = ApolasAtlTartam), inherit.aes = FALSE, color = "red") +
  labs(x = "Év", y = "Átlagos ápolási időtartam [nap]",
       caption = captionlab) +
  scale_x_continuous(limits = range(res$Ev))

Ez szintén nagyon tanulságos ábra. Látszik, hogy vannak területek ahol nem nagyon változott – ilyen szempontból – a helyzet az évek alatt, van ahol sikerült érdemi csökkenést elérni (talán a szemészet erre a leglátványosabb példa – emlékezzünk vissza az egynapos ellátások ábrájára!). Az is jól látható, hogy a 2006/2007-es reform el tudta érni több területen is az ápolási időtartam érzékelhető csökkenését: a fül-orr-gégészet, tüdőgyógyászat, szemészet, szülészet-nőgyógyászat a legegyértelműbb példák erre. Az összkép azonban nem túl jó, mert pont a nagyobb forgalmú területeken nem volt érdemi fejlődés, azaz ezeknél továbbra is sokáig tartjuk ott az embereket, ahol a legkevésbé kellene.

Egyetlen megjegyzés még idetartozik: a fenti kérdésnek nem pusztán orvosi és általános szervezési aspektusai vannak; Magyarországon ezt befolyásolja konkrétan a finanszírozási protokoll is. A fekvőbeteg-ellátás hazai finanszírozása egy rendkívül komplex rendszer, amelyben előállhatnak olyan helyzetek, ahol a finanszírozás javításához, első ránézésre elég paradox módon, tovább kell a beteget kórházban tartani. (Csak hogy egyetlen, és még relatíve egyszerű példát hozzak: minden ún. homogén betegségcsoporthoz – HBCs – amibe a betegeket be kell sorolni a kórházi ellátás során, és ami alapján a kórház finanszírozásának meghatározó részét kapja, tartozik egy alsó határnap: ha a beteg nem tartózkodik annyi ideig a kórházban, akkor ún. rövid esetnek fog minősülni, ami a kórház számára előnytelen, mert ilyenkor nem kapja meg az adott HBCs-ért járó teljes finanszírozást. Ez pláne kellemetlen azokban az esetekben, ahol közben a költségek nagy része rögtön az ellátás elején felmerül, ezért az ilyet a kórházak igyekeznek kerülni, és a beteget legalább az alsó határnapig mindenképp benntartani. Természetesen a HBCs szabálykönyvet rendszeresen felülvizsgálják, és az alsó határnapokat is szükség esetén igazítják a változó orvosi realitásokhoz, de ekkora mennyiségű kód esetén – pláne, ha a rendszeres karbantartás elmarad… – lesznek megkérdőjelezhető szabályok. Eseménymentes várandósság utáni, komplikáció nélküli, műtétet nem igénylő hüvelyi szülés alsó határnapja például 3 nap jelenleg, tehát teljesen mindegy milyen egészséges az anya, teljesen mindegy milyen egészséges az újszülött, teljesen mindegy mik a körülményei a családnak, szülőnőt nem lehet 3 napnál korábban elbocsátani úgy, hogy ne érje anyagi veszteség a kórházat.)

Egy záró gondolat a hazai ellátórendszer kórház-centrikusságáról

Itt csak egyetlen gondolat erejéig tudok kitérni rá, de természetesen a kórházakat, a fekvőbeteg-ellátást nem lehet izoláltan nézni, az egész rendszer számít, és most nem csak az egynapos ellátásokra és nappali kórházakra gondolok. Közhelyet tudok csak mondani: míg az elmélet az, hogy a hármas tagozódásban (alapellátás – járóbeteg-szakellátás – fekvőbeteg-szakellátás, pongyolán, de hétköznapi kifejezésekkel élve: háziorvos – szakrendelő – kórház) minden lejjebb lévő szint szűrő szerepet valósít meg, és a beteg csak akkor kerül feljebb, ha alsóbb szinten nem oldható meg a problémája, a valóságban ez nem valósul meg jól. Ennek csak az lehet az eredménye, hogy olyanok is fekszenek kórházban, akiknek nem kellene. Jól ismert, hogy a „kapuőri” háziorvosok valójában annyira túlterheltek, hogy esélyük sincs ezt érdemben megoldani, gúzsba van kötve a kezük abban is, hogy milyen terápiákat indikálhatnak, ráadásul itt nem csak az orvosokról van szó, sokszor maguk a betegek is azt érzik kívánatosnak, hogy továbbmenjenek az ellátórendszerben és a háziorvos szerepe szerintük csak annyi, hogy adjon beutalót. Nem véletlenül mondják állandóan, hogy milyen fontos lenne az alapellátás erősítése. (Azt kell közelvinni a beteghez, nem a kórházat! Ehhez képest a háziorvosok száma folyamatosan csökken, jelenleg 899 tartósan betöltetlen háziorvosi praxis van az országban, és valószínűleg az sem tesz jót, hogy a háziorvosok átlagéletkora 60 év.) A helyzet ráadásul egyre romlik, csak egyetlen számadat ennek érzékeltetésére: 1990-ben még a háziorvosi ellátásban megjelentek 7,7%-át utalták tovább, 2000-ben 12,8%-át, 2010-ben 20,2%-át, 2019-ben pedig már 21,5%-át! (Az összes megjelent beteghez viszonyítva, beleértve azokat is, akik beugranak a táppénzes papírjukért, vagy a rutin krónikus gyógyszerük felírásáért! Képzelhetjük, hogy ez az arány mekkora a tényleges ellátást igénylő betegekhez viszonyítva…)

Valójában a perspektíva még ennél is tovább bővítendő: fontos szerepet játszik a problémában az otthoni betegápolás borzasztó helyzete, általában a rehabilitációs ellátások, ápolási osztályok, mentesítő szolgáltatások stb. helyzete, mert az ebben le nem fedett igények mind-mind kórházi ellátásokban fognak lecsapódni. Az, ha a kórházak szociális gondozási feladatot látnak el (értsd: a hozzátartozó dolgozik, távol él, a beteg idős vagy magatehetetlen, de közben kifejezett orvosi ellátást nem igényel stb.), mindenkinek a létező legrosszabb megoldás, betegnek, kórháznak, államnak egyaránt. Ráadásul teljesen irracionális is: egy kórházi ellátás árának töredékéből tudna egy házi szaknővér vagy gondozó dolgozni. Nem arról van szó, hogy azt gondolnám, hogy ezekről az emberekről nem kell az államnak gondoskodnia, dehogynem kell – csak nem kórházban! Mert az nem erre van, és ezért a legrosszabb megoldás ha erre használjuk. Csak ehhez először rögzíteni kellene, hogy a kórházi ágy arra szolgál, hogy azon egészségügyi ellátást nyújtsunk, nem arra, hogy szociális ellátást, ami viszont arra van, arról meg el kellene ismerni, hogy jelen pillanatban teljesen elégtelen és funkcióját nem tudja betölteni, ezért drasztikusan meg kell erősíteni, infrastruktúrában, és az ott dolgozók megbecsültségében is. Ezzel lehetne a kórházakat tehermentesíteni az oda nem illő és ott káros ellátásoktól, javítva mindenki helyzetén.

És végül még egy szempont ahhoz, hogy miért nehéz változtatni: ki kell mondani, hogy a dolognak van még egy rétege, az orvosszakmai megalapozottság. Vannak dolgok, amiket nem áthelyezni kellene az ellátórendszerben betegbiztonsági vagy anyagi okokból, hanem egész egyszerűen kiiktatni, mert nem működnek. Mindenki pontosan tudja, hogy egy sor eljárást végzünk, aminek semmi értelme – de egyszerűen erősebb a megszokás. Nem akarok konkrét példát hozni, hogy ne úgy tűnjön, hogy én akarok ebben ítéletet mondani, de az biztos, hogy transzparens működésű szakmai grémiumoknak volna mit felülvizsgálniuk a protokollok terén. Tudom, hogy ez a legnehezebb területek egyike, mert egyszerre ütközik bele az orvosok egy részének és a betegek egy részének az ellenállásába, de hiszek abban, hogy folyamatos nyílt és őszinte kommunikáció mellett fel lehetne állítani egy olyan rendszert, ami erősíti a használt eljárások, terápiák legjobb elérhető bizonyítékokra alapozottságát.

Botcsinálta politológiai lezárás, avagy az amerikai cukoripar és a magyar kisvárosi szülészet kapcsolata

Egy kis kitérőt hadd tegyek annak kapcsán, hogy valójában a politikusok miért nem választják azokat a megoldásokat, amikről szerintem ők is tudják, hogy jobbak lennének a lakosságnak. Eddig annyit mondtam róla, hogy mert a politikusok mind ilyen utolsó demagógok, és ennyi, de ez a megfogalmazás – aláírom – maga is elég demagóg (akkor ez most a meta-demagógia?), úgyhogy talán érdemes kicsit mélyebbre ásni. Előrebocsátom, hogy nem vagyok sem politológus, sem szociológus, sem semmi a társadalomtudományban, úgyhogy ez most egy abszolút tudományosan megalapozatlan benyomás lesz. Egy kicsit távolabbról kezdeném, de azt hiszem gyorsan világos lesz, hogy mire akarok a történettel kilyukadni.

Közgázos koromban én is vizsgáztam nemzetközi gazdaságtanból. Előre is elnézést kérek a tanszéktől és a tanáraimtól, de itt most bevallom nyilvánosan, hogy az egész tárgyból egyetlen betűt, de tényleg szó szerint semmit nem tudnék felidézni (mentő körülmény talán, hogy 15 éve volt), egy történet kivételével. Érdekes módon arra az egy történetre viszont 15 év távlatából is tökéletesen tisztán emlékszem, egyedül a pontos számok miatt néztem most bele a tankönyvbe. (Azt fenn kell tartanom, hogy nem tudom azóta hogyan változott a helyzet, úgyhogy a lent leírtak nem biztos, hogy aktuálisak, de a mondanivalóm illusztrálása szempontjából ez mindegy is.)

A sztori az amerikai cukoriparhoz kapcsolódik. Tudni kell, hogy az Egyesült Államok különféle vámokkal és kvótákkal korlátozza a külföldi cukor behozatalát az országba, ennek következtében az amerikai belpiacon a cukor ára lényegesen magasabb a világpiaci árnál (és itt most drámai különbségről beszélünk: Amerikában nagyjából kétszer drágább a cukor!). Ezen az import-korlátozáson az amerikai fogyasztók minden egyes évben körülbelül 3-4 milliárd dollárt veszítenek. Az amerikai cukoripari vállalatok meg természetesen nyernek, bár egyébként jóval kevesebbet, ugyanis az intézkedés olyan mértékben piactorzító, hogy a külföldi szereplők, akik jogosultak importálni, el tudják érni, hogy Amerikába drágábban hozzák be a cukrot a világpiaci árnál, hiszen tudják, hogy még így is meg fogja érni.

A kérdés nagyon adja magát: akkor meg miért tartják fenn ezeket a korlátozásokat?! Ha egyszer rengetegen veszítenek rajta, és csak borzasztó kevesen nyernek (és azok is kevesebbet)…! A rövid válasz: pont ezért. A helyzet ugyanis az, hogy a 3 milliárd dollár veszteség a nagyjából százmillió amerikai háztartás között oszlik meg, így egy háztartásra mindössze 30 dollár veszteség jut (ráadásul ennek egy része is indirekte, azáltal, hogy a cukor ára beépül más termékek árába). Reálisan nézve tehát az amerikai háztartások túlnyomó többsége még csak arról sem tud, hogy ezek a kvóták és vámok egyáltalán léteznek, de ha tudnának is róla, 30 dollár veszteség miatt amúgy sem lenne sok értelme ágálni. Ezzel szemben viszont a nyereség összehasonlíthatatlanul kevesebb szereplő között oszlik meg (Amerikában a 17 nagy cukoripari vállalat adja az iparág felét), úgyhogy ott viszont az egy szereplőre jutó nyereség hatalmas, így aztán nekik nagyon is megéri ágálni, hogy ez a rendszer fennmaradjon: az Amerikai Cukoripari Szövetség millió dollárokat költ minden évben lobbizásra a kongresszusban, hogy fenntartsák az import-korlátozásokat.

Egyszóval, ha minden amerikai tisztában lenne a helyzettel, akkor ez a korlátozás valószínűleg egy napot nem élne túl – csakhogy nem ez a helyzet. És egy dolgot hadd hangsúlyozzak: nem azért, mert az emberek „buták”, „tudatlanok” vagy „érdektelenek”, sőt, bizonyos szempontból teljesen racionális a viselkedésük, hiszen 30 dollárért tényleg nem éri meg még csak a tájékozódásba sem ölni túl nagy energiát, nem hogy a tiltakozásba. Azaz: nagyon eltérő a felek érdekeltsége a szituációban.

És talán ezen a ponton már látszik, hogy miért jutott ez a történet az eszembe. A kis szülészet megszüntetése sokaknak jó (szülőnők és a megszülető újszülöttek abszolút túlnyomó többsége, sok ezer ember) és keveseknek rossz (osztályvezető, települési polgármester, az osztály dolgozói, néhány tucat ember), és még ezek egy része, épp a társadalmilag tényleg káros veszteségek, valamelyest kompenzálhatóak is, például a munkába járás, esetleg költözés nagyvonalú támogatásával (megint csak, ennek van értelme, nem a kórház szomszédba építésének). Viszont az egy főre jutó veszteség pici az előbbi csoportban (egyetlen konkrét szülésnél azért nincs drámai különbség), addig az utóbbiaknál az egy főre jutó nyereség hatalmas (van saját osztály, kórház a városban, közeli munkahely). Ebből fakadóan az előbbi csoport még abban is kevéssé érdekelt – újra mondom, bizonyos értelemben teljesen racionálisan! – hogy egyáltalán tájékozódjon a helyzetéről, nem hogy ágáljon a változtatásért, a másik csoport viszont nagyon is érdekelt, hogy megakadályozza azt, hiszen nekik nagyon közvetlenül és nagy mértékben a bőrükre megy a dolog. Összességében egy teljesen analóg helyzet fog létrejönni, csak a kongresszusi lobbira történő pénzköltés szerepét a szóbeli agitáció fogja átvenni (bár nincs kétségem afelől, hogy bizonyos esetekben akár még a pénz is szerepet játszhat). Arról nem beszélve, hogy az utóbbi csoportnak sokkal inkább van hangja: egy orvos eleve is jellemzően megbecsült, befolyásos tagja a társadalomnak, pláne egy kisebb településen, végképp az, ha ráadásul osztályvezető vagy kórházigazható. Ők nagy emberek, sokakat elérnek, nyilatkoznak a helyi újságnak, rengeteg beteggel beszélnek, akik hallgatnak rájuk, ismerik a helyi képviselőket, akik jóban szeretnének lenni velük stb. stb.; addig a várandós kismama a környékbeli 500 fős faluból nagyjából nulla hatással tudja megjeleníteni a szempontját a diskurzusban.

Van azonban még egy szempont szerintem: a status quo-hatás (ezt a kifejezést most találtam ki, fogalmam sincs hogy hívják igazából). Azt értem alatta, hogy a szülőnők vesztesége bizonyos értelemben egy láthatatlan veszteség: igen, minden szülésnél van valamennyi veszteség, de ez egyrészt nagyon kicsi, másrészt, és talán ez a még fontosabb, egy olyan helyzethez mért veszteség, amely helyzetet nem láttuk, nem tudunk hozzá viszonyítani. Ezt neveztem láthatatlan veszteségnek. Ezzel szemben a változtatás veszteseinek nagyon is látható és egyértelműen megjelenő veszteségük lenne az osztály bezárásával; ez megint nehezíti az érdekeltségek reális megjelenését.

Felvethető a kérdés, hogy mit lehet mindezzel kezdeni.

A kérdés egyszerre nagyon bonyolult és nagyon egyszerű szerintem. Nagyon bonyolult, két okból is. Az egyik, hogy ez egy spirál: ha valaki egyszer már uszított ágyszám-csökkentéssel szemben, akkor utána nagyon nehéz lesz előállnia ezzel. Ha ma ráuszítja a sajtót, hogy a gaz ellenoldal kórházat zárna be, és elmondja őket mindennek, akkor holnap hogy fog ő kórházat bezárni…? A másik probléma, hogy a dolog csábító – mert működik. Az emberek tényleg jól hergelhetőek ezzel, tényleg jól lehet vele támadni azt, aki ilyen változtatásra adná a fejét, és ha ezt valaki egyszer látja, és beigazolódik a gyakorlatban, hogy működik (mint ahogy Magyarországon ez nagyon is beigazolódott 2006/2007-ben), akkor utána már nehéz eltekinteni e csábítástól olyan apróságok miatt, mint mondjuk az ország vagy betegek érdeke. Korábban említettem egy fél mondattal, hogy véleményem szerint senki nem jobb a deákné vásznánál. Talán itt érdemes ezt kicsit jobban megmagyaráznom. Nem gondolom, hogy minden politikai erő pontosan ugyanakkora felelősséget visel ebben, de azt igenis gondolom, hogy az egy létező jelenség, hogy aki kormányon még tudja mit kell tenni, az ellenzékben hirtelen felismeri, hogy ebben milyen jó kis uszítási potenciál van. És a dolog oda-vissza működik. Talán nem egy hatalmas súlyú ügy, de egy nagyon karakterisztikus példa: a biztosítási jogviszony ellenőrzése az egészségügyi ellátás során (közkeletű nevén: a „potyautasok” kiszűrése). Azt gondolom, hogy ez vitán felül egy pozitív, előremutató és szükséges lépés. Két alkalommal futottak neki, először 2006/2007-ben, aztán 2019-ben. Hihetetlen tanulságos megnézni, hogy ugyanazon politikusok vagy sajtótermékek hogyan reagáltak erre a – még egyszer mondom: teljesen azonos! – intézkedésre 2006/2007-ben (HVG: „Az idén áprilisban indult ellenőrzés során 600 ezer ember egészségügyi ellátásra jogosító jogviszonya rendeződött […] a jogviszony-ellenőrzés célja, hogy kiderüljön: ki milyen jogon veszi igénybe az egészségügyi ellátást […] jövőre minden egészségügyi ellátóhely és szolgáltató köteles lesz ellenőrizni a jogosultságot”, Magyar Nemzet: „Ezért van az, hogy a kormány egyre többet beszél a potyautasokról, legalább félmillió járulék nem fizetőről ejtve szót, akikben jómódú adócsalót sejtet, de sokkal inkább a társadalom nyomorultjaira akadhatunk itt. […] A potyautas-probléma valójában adóbehajtási probléma. […] Az orvostársadalmat arra szocializálták legalább 100-120 éve, hogy beteg és beteg között nem tehet különbséget; ezt tiltja az orvosi etika […] a rá váró >>társadalmi reform<< annak elsajátítása, hogy a fizetőképes és nem fizetőképes, illetve a fizetőképesség foka szerint tudjon ismét különbséget tenni a betegek között.”) és 2019-ben (HVG: „Az orvosoknak pont a potyautastörvénynek is nevezett új szabályozás betartásával járó adminisztráció nem hiányzott most. Van, aki már üzent: ő mindenkit el fog látni. […] >>Nem leszek végrehajtó, nekem nem ez a munkám. Én azért végeztem orvosi egyetemet, hogy gyógyíthassak<< – mondta a hvg.hu-nak egy kelet-magyarországi kistelepülésen dolgozó orvos […] Hozzáteszi, elképzelhetetlennek tartja, hogy ha valaki bemegy hozzá ellátásért, akkor ő kérje el a pénzt, vagy tagadja meg a gyógyítást”, Magyar Nemzet: „Jövőre az adminisztrációs terhek jelentős csökkentésén túl az egészségügy potyautasait automatikusan kiszűri a törvény rendelkezései alapján felálló új rendszer […] a társadalombiztosítási törvénytervezet egyik célja automatikusan kiszűrni a potyautasokat, akik jogosulatlanul veszik igénybe az egészségügyi szolgáltatásokat, és ezzel a költségvetés mellett a tisztességes adófizetőket is megkárosítják […] a cél az, hogy aki jelenleg is csak az egészségügyi szolgáltatási járulék ellenében lenne jogosult az egészségügyi ellátásra, ne kerülhesse ki a fizetési kötelezettségét”).

Másik oldalról nézve viszont szerintem nagyon egyszerű is a helyzet: én két megoldást látok. Vagy lesz egy olyan – kellő felhatalmazással és politikailag stabil hátországgal bíró – (egészségügyi) vezető, aki azt mondja, hogy államférfiként fogok viselkedni (aminek nálam az a definíciója, hogy megcsinálom ezt, mert tudom, hogy jót teszek vele, pedig azt is tudom, hogy ezzel X százalék népszerűséget veszíteni fogok), vagy a politikai pártok képesek lesznek legalább ezért az egy dologért félretenni a rövidtávú, politikai érdekeit, és legalább egy pillanatra az ország érdekeit helyezni előtérbe, és közösen kiállni egy sajtótájékoztatóra, és azt mondani, hogy most bezárunk ennyi kórházat meg ágyat, mert ez szolgálja a magyar emberek, a magyar egészségügy érdekeit. Nem tudom megérem-e azt, hogy ilyen előforduljon.

Kitérő jellegű felvezető a halálozási adatokhoz: gondolatok az egészségügyi teljesítmény méréséről

A magyar egészségügy egyik nagyon komoly, alapvető problémája véleményem szerint a transzparens teljesítménymérés szinte teljes hiánya. Ez egy teljesen külön írása tárgya lehetne, úgyhogy itt most semmi másra nem szorítkozok, mint néhány címszó felvetésére.

A kérdés azért merül fel, mert a következő pontban a halálozási adatokat fogom elemezni. Nagyon adja magát a gondolat, hogy ezzel az osztályok teljesítményét mérjük (és most már tényleg a szokásos értelemben!), hiszen ahol többen halnak meg mint más, ráadásul hasonló profilú osztálynál, ott valami rosszabbul megy. Ez egy nagyon sok helyen felbukkanó gondolkodási hiba, amelyet olyan fontosnak érzek, hogy szeretném még az adatok bármiféle bemutatása előtt, külön is megtárgyalni. Nem arról van szó, hogy ezek az adatok feltétlenül „használhatatlanok”, de az alkalmazásuk – és értelmezésük – során nagyon pontosan tisztában kell lennünk a limitációkkal.

Mielőtt belevágunk, kezdjük néhány szűkítéssel. Először is, az egészségügyi teljesítmény több szinten is értelmezhető: egyik véglet egy konkrét orvos teljesítményének a mérése, a másik az ország egészségügyi rendszere egészének teljesítménymérése. A kettő között is értelmezhető fokozat, ennek tipikus példája az, amit most fogunk végezni: egy kórházi osztály teljesítményének a mérése. Valójában azonban egy jól működő egészségügyi rendszerben a teljesítményt minden szinten mérni kell: mérni kell az egészségügy egészének is a teljesítményét (például hogy más országokhoz hasonlíthassuk, és így szerezhessünk javításra vonatkozó ötleteket), és igen, mérni kell egyes orvosok teljesítményét is. Nem egyéni felelősség megállapítása céljából, hanem, hogy feltárjuk a jó és rossz teljesítmények rendszerszintű okait, és tudjunk intézkedéseket hozni a javításra. De valójában még itt sincs vége, mert még mélyebbre kell ásni: egy operatív osztálynál például fontos lehet műtét-típusonként külön-külön is mérni a teljesítményt.

Sok helyen kifejtettem, itt csak megismétlem: a teljesítmény mérése alapvető szükséglete (lenne) annak, hogy bármiféle racionális beavatkozással, megfelelő pozitív ösztönzőkkel tudjunk élni a teljesítmény javítása érdekében. Addig, amíg nincs objektív és transzparens teljesítménymérés, még csak arról sem lehet fogalmunk sem, hogy egyáltalán hol végeznek jó munkát, és hol vannak problémák, nem hogy arról, hogy mi a rossz teljesítmény, vagy mi a kiválóság oka. E nélkül viszont aligha fogjuk tudni, hogy hol és hogyan avatkozzunk be, hogy jobbá tegyük a helyzetet.

Félig kitérő megjegyzés: nem véletlenül használom – és hangsúlyozom – minden lehetséges ponton a transzparens szót. Olyan teljesítménymérés, amit csak beavatott szemek látnak, noha a semminél biztos jobb, de csak a töredékét fogja tudni kihasználni a teljesítménymérésben lévő potenciálnak. Ennek okait a járványügyi adatok közléséről szóló írásomban részletesen kifejtettem, itt most csak vázlatosan ismétlem meg. Egyrészt a teljesítménymérés fontos eszköz a lakosság bizalmának elnyerésében és fenntartásában, ez értelemszerűen csak transzparens adatközlés esetén valósítható meg. Hasonlóan fontos a minőségbiztosítás szempontja: amennyiben nem transzparens a teljesítménymérés, akkor sokkal kisebb a nyomás a javítás irányába, ha azonban az érintettek tudják, hogy erről a közvélemény is értesül, akkor ez jellemzően már önmagában is nagyon jól kikényszeríti a sokkal jobb minőségű munkát. Nem értek egyet azzal az ellenérvvel, hogy „Minek az átlagembernek ez a sok adat? Úgysem tud vele mit kezdeni!”. Azon túl, hogy minden állampolgár fizeti a közfinanszírozott egészségügyet, ezért azt gondolom, hogy joga van megismerni annak minden adatát, ami más jogát nem sérti, de valóban tény, hogy a legtöbb ember nem közvetlenül fogyasztja (fogyasztaná) ezeket az információkat. Hanem hogyan? Szakértőkön, elemzéseken, kutatók analízisén keresztül. Ezek megszületésének azonban feltétele, hogy legyenek adatok, amik elemezhetőek! Az adatok visszatartása tehát igenis gond „az átlagembernek” is, még akkor is, ha ő maga nem elemezné az adatokat, mert azt is lehetetlenné teszi, hogy független szakértők elemzését hallja. Ha viszont ilyen nem létezik, az nem egyszerűen gond, hanem egyenesen életveszélyes, azért az, mert így nincs külső kontroll, és emiatt sokkal kisebb az esélye, hogy a hibák kiderüljenek. Nagyon fontos, hogy nem csak a szándékos csalásokról beszélek, ez a legjóhiszeműbb, véletlen tévedésre is ugyanúgy vonatkozik. Soha, semmilyen szakértő nem tud tévedhetetlen lenni, ezért baj, ha csak egy szűk kör végez elemzéseket: minél több, független szemlélő van, annál valószínűbb, hogy kiderüljenek a hibák, annál valószínűbb, hogy felszínre kerüljenek új, jobb elemzési lehetőségek. Hogy így viszont lehet olyan az elemzők között, aki téved? Hazudik? Érdekellentétből kifolyólag hibás értelmezést tesz közzé? Hogyne! Csak így ez is látszódni fog, hiszen a többi elemző e fölött is kontrollt jelent, míg a jelenlegi rendszerben pontosan ugyanúgy megvan ennek a lehetősége, csak így még ki sem derül! Végezetül nem értek egyet azzal az ellenérvvel sem, hogy a teljesítménymérés adatainak a közlése veszélyes lehet, például mert pánik törhet ki az adatok láttán. Közhelyszámba megy, de azt gondolom, hogy az ismeretlentől félünk legjobban: kevés dolog gerjeszt jobban pánikot, mint a kézen-közön terjedő rémhírek, sajtóbeli, ki tudja mennyire reprezentatív híradások (ez a helyzet jelenleg) és kevés dolog hat megnyugtatóbban, mint a valós adatok megismerése – ha megvan a bizalom az adatok hitelességében; és ezzel vissza is kanyarodtunk az első ponthoz. Arra természetesen, épp emiatt, vigyázni kell, hogy az adatokat csak kellő alaposságú előzetes ellenőrzés, adattisztítás után közöljük. Azt pedig, hogy az adatokat majd „félreértik”, pont egy őszinte, partnerként kezelő kommunikációval, közérthető magyarázatokkal lehet a leginkább megelőzni. Igen, eleinte félre fogják érteni, társadalmi vita fog indulni, ebbe be kell szállni, ami munkaigényes lesz, de a valódi eredmények elérése már csak ilyen. Aztán a dolog tisztázódni fog, megértik a teljesebb képet (amit mellesleg az egészségügyi rendszer is segíthet, megfelelő – értelmezést tartalmazó, segítő, kontextust is bemutató – adatközléssel!), és egyszer csak azt fogjuk látni, hogy elkezdik helyén kezelni az adatokat. Igen, az átmeneti periódus sok feladattal fog járni, de ez egy klasszikus példa a hosszú és rövid távú szempontok ütközésére. Ha állandóan attól rettegünk, hogy rövid távon rosszabb lesz, akkor soha nem fogunk előrébb lépni, és az ez által okozott kár végeredményben nagyobb lesz, mint amennyi a veszteség rövid távon.

Másodszor, az egészségügyi teljesítmény egy sokdimenziós fogalom, kezdve azzal, hogy egyáltalán mit mérjünk. Ez tényleg egy teljesen más írás témája lehet, úgyhogy itt csak egy mondattal utalok arra, hogy a talán legnépszerűbb gondolkodási keret a donabedian-i modell: ebben struktúra-, folyamat- és kimeneti indikátorokat különböztetünk meg. (Mondjuk az alsó végtagi érbetegek ellátásában struktúra indikátor az érsebészek száma, folyamat indikátor az elvégzett végtagmentő beavatkozások száma, kimeneti indikátor az amputációs ráta.) E keretek végiggondolása nem könnyű kérdés, de mutatja, hogy valójában minden teljesítménymérés első lépése: meg kell érteni a minőség fogalmát az egészségügyi ellátásban.

Harmadszor, még ha meg is szorítjuk magunkat a kimeneti indikátorokra, és a továbbiakban csak ezzel foglalkozunk, az egészségügyi teljesítmény akkor is, még e téren belül is sokdimenziós fogalom. Ezt azért is hangsúlyozom, mert bár itt, ahogy azt előre is bocsátottam, halálozásokról lesz, a valós értékelésnek számos egyéb szempontra ki kell terjednie. Nem csak arról van szó, hogy aligha használhatjuk a halálozási arányt mérőszámként mondjuk egy szemészeti vagy gyermeknőgyógyászati osztálynál (jó esetben), hanem, hogy ahol érdemi a halálozás, ott sem csak ez számít. Fontos lehet ugyanúgy a beteg későbbi életminősége, a fertőződési vagy reoperációs ráták, rövid- és hosszútávú szövődmények előfordulásai, és így tovább. Mindezek természetesen csak utánkövetéssel, adott esetben különböző adatok, táblák összekapcsolásával határozhatóak meg; szerencsére a mai informatikai lehetőségek mellett ez nem jelent megoldhatatlan problémát. Összességében véve tehát nem arról van szó, hogy ez jó vagy sem, hanem, hogy nem várható, hogy egyetlen mutató, legyen az bármilyen jó is, teljeskörűen le tudja írni a teljesítményt. És akkor még nem beszéltünk arról, hogy a komponensek is érdekesek lehetnek, például külön az ápolási teljesítmény mérése. Mindezekre vannak jól bevált megoldások, még külön nemzetközi szervezet is létezik (ICHOM), mely az ilyen kimeneti indikátorokat vizsgálja, strukturálja és elkészíti az erre vonatkozó részletes, megvalósítást is támogató ajánlásait, melyeket – ingyen – elérhetővé is tesz (itt vannak például az ajánlásaik a pitvarfibrillációtól a tüdőrákig).

Megjegyzem, hogy valójában még a „halálozás” sem feltétlenül olyan egyértelműen definiált fogalom, mint azt az ember elsőre gondolhatná. Az számít, hogy a kórházban halt meg (de van, aki egy-két napot van bent, van aki több hetet!), vagy fixen mondjuk harminc napon belül? Az adott osztályon halt meg, vagy ha áthelyezték más osztályra és ott, azt is az eredeti osztály halálozási rátájához számoljuk? Csak az okspecifikus halálozást nézzük, vagy a bármely okból bekövetkező halálozást? Ezek technikai kérdések, csak rá akartam világítani, hogy ezeknek a tényezőknek is nagy jelentőségük van a végeredmény szempontjából.

Térjünk azonban most rá a legfontosabb problémára.

Legyen a vizsgált indikátorunk a halálozás, félretéve minden korábban felsorolt fenntartást. Az egyik kórházban a betegek 4%-a hal meg egy adott műtétet követő 30 napon belül, a másikban 6%-a. Ha teljesen a mi döntésünk lenne, akkor hova menjünk megoperáltatni magunkat?

A válasz az, hogy természetesen ez utóbbiba!

A helyzet ugyanis az, hogy nagyon sokszor az történik, hogy a legjobban felkészült, legmagasabb szintű intézmények gyűjtik be a legkomplikáltabb eseteket (épp azért, mert ők a legmagasabb szintűek), amiknél – bármilyen jól is operálnak – nem lehet túl szívderítő eredményt elérni. Az összesített statisztikájukat viszont ez le fogja rontani; akár még az is előfordulhat, hogy minden súlyosságban jobb az egyik kórház, de összességében mégis rosszabb! Hogy ez matematikailag lehetetlen lenne (ahogy talán sokan gondolják e ponton)…? Közel sem! Vessünk egy pillantást erre a táblázatra; az egyszerűség kedvéért a betegség-súlyosság most legyen kétfokozatú:

	X kórház	Y kórház
Enyhe állapotú betegek	2% (100/5000)	3% (85/2800)
Súlyos állapotú betegek	10% (500/5000)	17% (34/200)
Összességében	6% (600/10000)	4% (119/3000)

A zárójelben lévő szám mutatja, hogy az adott kategóriában hány beteg volt, és közülük hány halt meg, így adódik ki a zárójel előtti halálozási arány. Amint látjuk, X kórház jobb az enyhe állapotú betegek műtétjeinél, és jobb a súlyos állapotúaknál… összességében viszont mégis rosszabb! A táblázatból azonban már látszik, hogy itt csakugyan semmi ellentmondás vagy paradoxon nincs: egyszerűen az történik, hogy a súlyosabb állapotúak műtétjeinél rosszabb a halálozási arány, és X-nél ez teszi ki a betegek felét, míg Y csak mutatóban operál ilyet. Így hiába is jobb X mindkét betegcsoportban, az össz-eredménye rosszabb lesz a rengeteg súlyos állapotú betege miatt.

Hát ezért nem lehet egyszerűen a halálozási adatokat összevetni: számít a „bemenő-oldal”, a betegösszetétel is! (Természetesen az eredeti mondatom kicsit túl provokatív volt: éppenséggel lehet, hogy a 4%-os halálozási arányú kórházba érdemes menni, csak – mint ez a példa is rámutat – ez nem következik abból, hogy a 4 kisebb mint a 6.) Azaz, ha teljesítményt akarunk korrekten mérni, ezt valahogy figyelembe kell venni. Ebben az írásban most nem térek erre ki, mindenesetre léteznek erre megfelelő módszerek, de az biztos, hogy ehhez adattal kell rendelkeznünk a betegek rizikójáról (például életkoráról, neméről, társbetegségeiről, betegségstádiumról stb.). A fontos most az, hogy erre vannak jól bevált statisztikai módszerek.

Ez egy konkrét példa a confoundingnak nevezett általános jelenségre: amikor úgy hasonlítunk össze csoportokat, hogy azok nem csak az összehasonlítás szempontjában térnek el, és innentől kezdve, ha találunk is különbséget a kimenetben, nem tudhatjuk, hogy az mennyiben a vizsgált szempont hatása, és mennyiben az egyéb eltéréseké. Azt gondolom, hogy a teljesítményértékelésre (is!) igaz, hogy nem csak annak fontos ezt a kérdéskört ismernie, aki a számokat gyártja, hanem mindenkinek hasznos, aki ilyen eredményeket olvas. Egy korábbi írásomban megtalálható egy nagyon hasonló kérdéskör részletes elemzése.

A jól bevált nyugati példákat a teljesítménymérésre vonatkozóan nagyjából a végtelenségig lehetne sorolni, itt most talán csak Angliát hoznám fel. Érdemes megnézni, hogy milyen jelentést tesznek közzé minden egyes hónapban, hogy milyen elképesztő mennyiségű adatot közölnek általában is, részletes elemzésekkel, de hogy közeledjünk a teljesítménymérés kérdéséhez, három dolgot érdemes külön is megnézni. Az egyik a statisztikai munkaterületek elnevezését viseli, végigmondani is hosszú lenne, hogy milyen minőségi indikátorokat lehet – természetesen nyilvánosan, bárki számára – letölteni. Hazai szemmel nézve egészen elképesztő (elszomorító), hogy simán megnézhetem, hogy júniusban 79 436 legmagasabb sürgősségi fokozatba sorolt mentőszolgálati hívásuk volt, az átlagos idő a kiérkezésig 9 perc 6 másodperc volt, de az ilyenek 90%-ához odaértek 16 perc 3 másodpercen belül, megtekinthető, hogy az egyes hívásoknak mi lett a sorsa (helyszíni ellátás elég volt, szállítás sürgősségi betegellátó osztályra, szállítás más osztályra stb.), hogy átlagosan mennyi erőforrást – például mentőautót – kellett a helyszínre küldeni, hányszor volt szükség újraélesztésre stb., a nyers számokhoz elérhetőek magyarázattal ellátott vizualizációk, idősoros grafikonok, letölthető az – egy évre előre megadott – adatközlési naptár, természetesen részletes adatspecifikációkkal, egészen addig, hogy mit jelent az, hogy átlag (összes idő osztva az események számával), vagy, hogy mikor indul az óra a kiérkezési idő méréséhez (a hívás kódolásakor vagy az első erőforrás hozzárendelésekor, amelyik hamarabb megtörténik, de legkésőbb a hívás kapcsolását követő 30 másodperccel). És még csak a mentőszolgálat teljesítménymérése volt…! Vajon mi mikor fogunk ide eljutni?

Másodsorban, érdemes megnézni a betegségauditokat, egészen elképesztő mélységű adatok találhatóak a betegségekről (regiszter jelleggel – erről is lehetne Magyarországon beszélni…), de az ellátás teljesítmény-jellemzőiről is. Érdemes megnézni mondjuk a vastagbél-rák audit oldalát, részletes tájékoztatók orvosoknak, betegeknek; így néz ki például egy éves jelentés: betegút-elemzés, betegösszetétel-elemzés, különböző műtéti és gyógyszeres kezelések alkalmazásának gyakoriságai kórházanként lebontva, halálozási adatok kórházanként, kórházi ápolási idők megoszlása területenként, további minőségi mutatók (előre nem tervezett kórházi újra-felvételek aránya kórházanként), alkalmazott sebészeti technikák megoszlása és így tovább, és így tovább. És ez még csak egy rák-típus volt…! Elérhető hasonló oldal egy sor más rák-típushoz is. Minden pontnál ajánlások, és külön rovat a minőségfejlesztéshez.

Az angoloknál annak is kialakított módszertana van, hogy az egyes orvosok egyéni teljesítményét hogyan értékelik, ezt is érdemes megnézni, szintén minden részletében pontosan szabályozott. Ott ez egy alapkő, feltétele, hogy meghosszabbítsák az orvos engedélyét.

Általában is igaz, hogy a fenti munka elvégzéséhez minden szükséges tudás és módszertan rendelkezésre áll. A végtelenül bőséges angol nyelvű szakirodalmon túl hazai műhelyek is foglalkoztak a kérdéssel, az Egészségügyi Gazdasági Szemle nevű szaklap két részben (1. rész, 2. rész) tette közé 2012-ben a legfontosabb hazai eredményeket, a Magyar Orvosi Kamara 2020 végén egy teljes javaslatot tett le az asztalra. Az már más kérdés, hogy látható eredmény mindezek ellenére nincsen.

Egy mondatban összefoglalva: meg kell érteni a minőségi fogalmát az egészségügyi ellátás keretében, azonosítani kell a területeit, lefordítani mindezt konkrét mutatókra, megkezdeni azok szisztematikus mérését, a megfelelő statisztikai eszközökkel korrigálni a betegjellemzőkre (amiket tehát szintén mérni kell), és ez alapján objektív teljesítményjellemzőket kell számolni, majd azokat transzparensen közölni. Meggyőződésem, hogy e nélkül nehezen képzelhető el az egészségügy igazán hatékony, lehetőségeinket kihasználó fejlesztése, viszont másik oldalról mindez nem lenne nehéz: az adatok összegyűjtése – pláne a mai informatikai lehetőségek mellett – sokkal inkább szándék, semmint pénz kérdése, módszertani oldalról pedig minden adott, a megoldások léteznek, csak alkalmazni kell őket.

Magyarországon nagyon kevés példa van a fenti folyamatra, jószerével az egyetlen amit fel tudok idézni, mint ami megpróbált átfogó lenni és az eredményeit is transzparensen közzétette a nyilvánosságnak, az az egykori Egészségbiztosítási Felügyelet indikátorrendszere, mely nagyon jó első lépés volt: bárki számára elérhetően tartalmazta az intézmények indikátorait, szakterületenként lebontva (például kardiológiához 55 indikátor volt, szülészethez 80 stb.), szűrhetően régió, település és intézmény alapján, teljesen testreszabhatóan (még saját indikátorrendszert, vagy egyéni rangsort is lehetett gyártani). De mértek struktúra jellegű indikátorokat is, vizsgálták az egészségügyi dolgozók helyzetét, figyeltek betegbiztonsági mutatókat, a kórházi minőségfejlesztés működését; összesen 791 indikátort definiáltak, mértek és közöltek transzparensen.

Az EBF-et 2007-ben hozták létre, 2010 nyarán megszüntették – miután előtte az akkori ellenzék, erre az egy példára konkrétan is emlékszem, „kismamák ultrahang nélkül” szalagcímeket futtatott, melyben az EBF adatai alapján mutatták be, hogy hány terhesgondozóban nincs ultrahang. Majd ezek után hatalomra kerültek, és azonnal megszüntették az EBF-et. Anélkül, hogy bárki átvette volna az indikátorrendszeri funkcióit. (Még arra is volt gondjuk, hogy a honlapját is felszámolják, hogy még nyoma se maradjon meg annak, hogy egyszer valaha ilyen indikátorrendszer létezett Magyarországon. Valószínűleg már nem vagyunk sokan, akik egyáltalán emlékeznek arra, hogy a teljesítménymérés hiánya, a transzparencia hiánya nem valamiféle leküzdhetetlen átok a világ ezen táján, és hogy ebben az országban megvan a tudás, a tehetség, a szorgalom és a lelkesedés, hogy egy ilyen rendszer létrejöjjön, és szolgálja a magyar egészségügy fejlődését. Csak kell hozzá a politika támogatása.)

Számomra egyébként pont ez a szomorú ebben a történetben, hogy mutatja, hogy amiket korábban leírtam, azok nem papíron nagyon jól hangzó, de gyakorlatban, Magyarországon kivihetetlen fantáziák, nem elméleti okoskodás, ami úgyis megvalósíthatatlan: itt az élő példa, hogy megcsinálták, egy maroknyi csapat, egy gazdasági és politikai válság közepén, minimális pénzből. (Az egész EBF-nek az utolsó teljes évében 500 millió forint körüli volt a költségvetése, miközben a teljesítménymérésen túl kezelték többek között a teljes várólista-nyilvánosságot, ellátták a gyógyszerpiac és az egészségpénztárak felügyeletét és évi mintegy 2000 betegjogi ellenőrzést folytattak le. Ez utóbbi miatt lejáratták és gáncsolták is érte eleget azok a hatalmasságok az egészségügyben, akik nem voltak hozzászokva ahhoz, hogy fiatal, az egészségügyi hierarchiába nem beletört ellenőrök érkeznek az intézményükbe. Emlékszem még milyen lejárató cikkeket írattak az EBF-ről, hogy milyen felháborító, hogy előzetes bejelentés nélkül törnek be a kórházba, meg hogy intézményeket bírságolnak meg… ma meg egyes orvosokat (nem a kórházakat!) büntetnek meg azért, mert nem volt rajtuk névtábla, érdekes módon erről ugyanazok a lapok nem írnak cikkeket, amik 2009-ben fel voltak háborodva az EBF tevékenységén.)

És mindezt 15 évvel ezelőtt. 15 év telt az EBF megszüntetése óta, és azóta nemhogy a 15 évvel ezelőtti lehetőségeket nem sikerült újra elérni, de még csak a leghalványabb nyoma sincs ilyen – pláne nyilvános, teljesen transzparens – indikátorrendszernek. A NEAK jelenlegi „indikátorrendszere” 3 (azaz három) mutatóból áll: az említett születésszám kiegészítve a császármetszések számával, az egynapos sebészeti ellátások aránya és a várólisták hossza; mindez közölve egy-egy PDF formátumban kimentett Excel-táblában.

2019 végén született egy kormányhatározat, mely ezt előírta volna, majd 2021 legvégén megjelent egy újabb jogszabály, ezúttal már kormányrendelet, nem kormányhatározat. Ennek jóságát és működőképességét megítélni lehetetlen, hiszen a szöveg egy teljes általánosságokban fogalmazó keretszabály. Akármi is sül ki belőle, az egész biztosan elkeserítő, hogy a transzparencia még elvileg sem követelmény: a jogszabály külön említi, hogy az „átláthatóság érdekében” – csak épp az indikátorokat és azok számítását teszi kötelezően nyilvánosan közlendővé, nem magukat az eredményeket! (Lehet, hogy jót tett volna, ha a szakmai szervezetek nem egy (!) napot kapnak a tervezet véleményezésére… Miután 15 évig nem történt semmi.)

Halálozási adatok

A fenti limitációk remélem nagyon egyértelművé tették, hogy az ágyszám- és betegforgalmi kimutatásban szereplő adat (kórház és szakmaosztályonkénti halálozás) nem teszi lehetővé érdemi teljesítményvizsgálat elvégzését. Mindazonáltal a többitől lényegesen eltérő adatok, valamint az időbeli trendek még így is érdekesek lehetnek.

Elsőként nézzük meg, hogy hogyan alakult 2024-ben a kórházi halálozás, szakmaosztályonként lebontva:

R kód megjelenítése

ggplot(res[Ev==2024][MukodoAtlagAgy>0], aes(x = Halalozas, y = SzakmaMegnev)) +
  geom_jitter(width = 0, height = 0.1) + scale_y_discrete(limits=rev) +
  labs(x = "Halálozási arány [%]", y = "", caption = captionlab)

Első ránézésre elég logikus az ábra, ha a különböző szakmákra gondolunk, de azért vannak meglepő dolgok is. Például mik azok a pontok jobb szélen a sürgősségi betegellátásnál? Csakugyan, a karcagi Kátai Gábor Kórház sürgősségi osztálya elvileg 70 beteg látott el (egész évben összesen!), ami önmagában is hihetetlen, de ami még inkább az, hogy a statisztika szerint közülük 69 meghalt! Nem tudom mi e jelenség oka, de szinte biztosnak tűnik, hogy valamiféle adminisztratív hiba áll a hátterében. (A második legnagyobb halálozási adat is „csak” 58%-os, utána pedig már 50%-ok jönnek, amik intenzív osztályról kerültek ki, ami máris sokkal hihetőbb.)

Ennél finomabb elemzést igényel, de azért vannak még meglepő dolgok az ábrán. Ugyanazt a lépést kell megtennünk a korrekt elemzés érdekében itt is, mint korábban: a saját szakmacsoporthoz kell viszonyítani! Példának okáért, 2021-ben a fül-orr-gégészet legnagyobb halálozása összességében nem volt kiugró, de a saját szakmájához képest nagyon is. Konkrét számokkal: a Kiskunhalasi Semmelweis Kórház fül-orr-gégészetén 2021-ben 17,1% volt a halálozás, miközben a második legrosszabb érték 3,8%…!

Már itt hangsúlyozom, illetve megismétlem, hogy ilyen adatokból nem lehet kórházi teljesítményre következtetni. Ahogy korábban is leírtam, elvileg még az is lehetne, hogy a 17%-os halálozási kórház nyújtja a legjobb teljesítményt (ha extrém komplikált eseteket látna el). Mindazonáltal a dolog rendkívül gyanús, meglepő lenne, ha ennyire extrém különbség lennének a betegösszetételben (pláne úgy, hogy a kiskunhalasi kórház gyűjtené be a nagyon nehéz eseteket, szemben az egyetemi klinikákkal?!) Úgy is elmondható a helyzet, hogy a 43 magyar fül-orr-gégészeti osztályból 42-nek a halálozási aránya benne van a 0-4% tartományban – a 43.-nak meg 17%? Ez mindenképpen magyarázatot igényel; én sajnos nem tudtam rájönni, hogy mi lehet a háttérben.

A fenti okfejtés is mutatja, hogy a halálozási adatok mire használhatóak: (betegösszetételi adatok híján) teljesítménymérés helyett inkább amolyan „anomália-detekcióról” beszélhetünk.

Még egy módon érdemes ábrázolni az adatokat: nézzük meg csak a fül-orr-gégészetek halálozásait 2021-ből (az áttekinthetőség és a kellő statisztikai megbízhatóság miatt csak azokat az osztályokat tüntetem fel, ahol legalább 30 beteget elláttak):

R kód megjelenítése

ggplot(res[Ev==2021][SzakmaMegnev=="Fül-orr-gégegyógyászat"&ElbocsatottBetegSzam>30&MukodoAtlagAgy>0][
  , .(Halalozas, KorhazNev,
      t(Vectorize(function(x, n) binom.test(x, n)$conf.int*100)(MeghaltBetegSzam, ElbocsatottBetegSzam)))],
  aes(x = Halalozas, xmin = V1, xmax = V2, y = KorhazNev)) + geom_point() +
  geom_errorbar(linewidth = 0.5) +
  labs(x = "Halálozási arány [%]", y = "", caption = captionlab)

A vízszintes sávok az úgynevezett 95%-os konfidenciaintervallumok. Leegyszerűsítve: azt jelzik, hogy a véletlen ingadozás miatt mekkora bizonytalanság van a közölt számban. Mi az, hogy véletlen ingadozás? Mondjuk, hogy egy adott osztály halálozása pontosan 50%. (Ez semmit nem mond az osztály teljesítményéről, hiszen ha a beteg olyan állapotban vannak, hogy máshol 60% lenne, akkor ez jó, ha egyébként 40% lenne, akkor rossz, de most nem ez lesz számunkra az érdekes.) Ez akkor azt jelenti, hogy kívülről nézve a dolog olyan, mintha minden beteg gyógyulása egy szabályos pénzérme feldobásának az eredménye lenne. (Ez elég szörnyen hangzik, mert rossz csengése van annak, hogy „véletlenszerű”, hogy meggyógyulok-e, de újra mondom, ez akár jó hír is lehet – ha egyébként 60% lenne a halálozási arány.) Kérdés: vajon hány beteg fog meghalni, ha 100-at láttak el egy év alatt? Az ember hajlamos rávágni, hogy 50 (hiszen 50% a halálozási arány), de legyünk óvatosabbak: ha feldobunk egy szabályos pénzérmét 100-szor, biztos, hogy pont 50 fejet kapunk? Természetesen nem, simán lehet 49 vagy 51, akár még 45 vagy 55 is – noha a pénzérme tökéletesen szabályos volt. Hát ez a véletlen ingadozás. Nekünk a dolog igazán fordítva lesz érdekes: ha 100 betegből 45 halt meg, akkor még nem biztos, hogy $45/100 = 45$% a valódi halálozási arány, hiszen épp az előbbi példa mutatja, hogy éppenséggel akár 50% is lehet. Ezért mondhatjuk, hogy a kapott számban bizonytalanság van: igen, 100-ból 45 halála esetén 45% a legjobb tippünk, de ez nem biztos, a valóság lehet kicsit nagyobb vagy épp kisebb is. A konfidenciaintervallum ezt adja meg: mik azok a valódi értékek, amelyek mellett még „kényelmesen” (megfelelően definiált értelemben) kaphattuk azt, pusztán a véletlen ingadozás miatt, amit ténylegesen kaptunk is. Mondhatjuk, hogy ezek azok a valódi halálozási arányok, amik kompatibilisek a kapott számmal.

Ez jelen esetben azért is fontos, mert felmerülhetne, hogy esetleg abban a kórházban csak azért jött ki az extrém eredmény, mert nagyon kevés beteg volt, ami miatt a véletlen ingadozás nagy – a konfidenciaintervallum széles – és így pusztán a véletlen szeszélye folytán halt meg sok beteg. Elvégre ha 100% a halálozási arány, de úgy, hogy 1 beteget láttak el és az pont meghalt, az még nem nagyon aggasztó, annyira mindenesetre biztosan nem, mintha 1000 ellátott beteg mellett lenne ennyi a halálozási arány. A konfidenciaintervallum ezt szűri ki, de láthatjuk, hogy igazán ezzel sem vagyunk beljebb: a kiskunhalasi kórház így is extrém kilógó.

Hasonló a helyzet a bőrgyógyászatnál 2021-ben:

R kód megjelenítése

ggplot(res[Ev==2021][SzakmaMegnev=="Bőr- és nemibeteg"&ElbocsatottBetegSzam>30&MukodoAtlagAgy>0][
  , .(Halalozas, KorhazNev,
      t(Vectorize(function(x, n) binom.test(x, n)$conf.int*100)(MeghaltBetegSzam, ElbocsatottBetegSzam)))],
  aes(x = Halalozas, xmin = V1, xmax = V2, y = KorhazNev)) + geom_point() + geom_errorbar(linewidth = 0.5) +
  labs(x = "Halálozási arány [%]", y = "", caption = captionlab)

Vagy épp a pszichiátriánál:

R kód megjelenítése

ggplot(res[Ev==2021][SzakmaMegnev=="Pszichiátria"&ElbocsatottBetegSzam>30&MukodoAtlagAgy>0][
  , .(Halalozas, KorhazNev,
      t(Vectorize(function(x, n) binom.test(x, n)$conf.int*100)(MeghaltBetegSzam, ElbocsatottBetegSzam)))],
  aes(x = Halalozas, xmin = V1, xmax = V2, y = KorhazNev)) + geom_point() + geom_errorbar(linewidth = 0.5) +
  labs(x = "Halálozási arány [%]", y = "", caption = captionlab)

A sok szakma miatt kevésbé áttekinthető, de azért megnézhetjük az összeset egyben is (vigyázzunk, hogy a vízszintes tengely skálázása mind különböző!), illetve térjünk át a legfrissebb, 2024-es adatokra, itt is lesznek hasonló furcsaságok:

R kód megjelenítése

ggplot(res[Ev==2024][ElbocsatottBetegSzam>30&MukodoAtlagAgy>0][
  , .(Halalozas, KorhazRovid, SzakmaMegnev,
      t(Vectorize(function(x, n) binom.test(x, n)$conf.int*100)(MeghaltBetegSzam,
                                                                ElbocsatottBetegSzam)))],
  aes(x = Halalozas, xmin = V1, xmax = V2, y = KorhazRovid)) +
  facet_wrap(~SzakmaMegnev, scales = "free") + geom_point() + geom_errorbar(linewidth = 0.5) +
  labs(x = "Halálozási arány [%]", y = "", caption = captionlab)

Következő lépésben nézzük meg ugyanezeket az adatokat időbeli metszetben is, itt minden vonal egy kórházat jelöl:

R kód megjelenítése

ggplot(res[NemSpecSzakma == TRUE], aes(x = Ev, y = Halalozas, group = KorhazRovid)) +
  geom_line(alpha = 0.2) + facet_wrap(~SzakmaMegnev, scales = "free") + guides(color = "none") +
  labs(x = "Év", y = "Halálozási arány [%]", caption = captionlab) +
  scale_x_continuous(limits = range(res$Ev))

A rejtélyeket nem igazán oldja fel a dolog, sőt, az bizonyos tekintetben inkább csak fokozódik: látszik, hogy a pszichiátrián a kilógó érték nem egy egyszeri történés volt, hanem egy több éven át tartó tendencia. Erre végképp nincsen magyarázatom (hacsak nem a betegösszetétel tényleg ennyire extrém).

Az ábráról azonban sokkal fontosabb dolgok is leolvashatóak. Egyrészt vannak elég látványos hosszú távú trendek, például a belgyógyászatokon folyamatosan nő a halálozás. Adat híján nehéz pontosan mondani, de erős tippem, hogy valójában semmi különös nem történik, csak az ellátott betegek egyre idősebbek, és törékenyebb állapotúak. Természetesen ennek megítéléséhez (ami elsőrendű érdeke lenne az ország egészségügyének…) kellenének a pontosabb adatok. Jól látható a járvány hatása is, az intenzív ellátásban és az infektológián megugró halálozás.

Diagnosztikai infrastruktúra és -igénybevétel

A felvezetőben említettem, hogy a diagnosztikai infrastruktúráról az ágyszám- és betegforgalmi kimutatások nem adnak információt (lévén, hogy ezekhez nem tartozik ágy), noha ezek kritikus elemei a kórházi ellátásnak – aligha képzelhető el kórház röntgen vagy labor nélkül. Szerencsére azonban ezen infrastruktúra egy részéről, jelesül a képalkotókról – tételesen: a CT-, MRI- és PET-berendezésekről – van információnk. Egész pontosan kétféle információ érhető el, és mindkettő érdekes lehet: a berendezések darabszáma, és az elvégzett vizsgálatok száma.

Mielőtt a részletekre kitérünk, beszéljünk picit az adatforrásokról. A NEAK minden évben kiad egy ún. Statisztikai Évkönyvet, aminek van CT/MRI-ről szóló pontja. Az országos adatok tartalmazzák a vizsgálatok számát, az elektronikus mellékletben elérhető megyesoros adatok pedig a készülékek számát is. (Azt nem értem, hogy ez utóbbi miért nincsen szerepeltetve az országos adatok között; ott csak a finanszírozott szolgáltatók számáról van adat, ami nekünk nem sokat segít, hiszen nem tudni, hogy egy szolgáltatóhoz hány gép tartozik.) Az országos adathoz tartozó módszertani leírás rögzíti, hogy az ott szereplő adat, tehát a vizsgálatok száma, csak az 1-es térítési kategória („magyar biztosítás alapján végzett térítésmentes ellátás”) adatait tartalmazzák. Mivel a „fekvő beteg részére végzett ellátás” egy másik térítési kategória (6-os kód), így értelmezésem szerint ez a szám a vizsgálatok egy lényeges hányadát nem tartalmazza, hiszen a fekvőbetegeken végzett vizsgálatok nincsenek benne. A megyesoros adatokhoz nem tartozik módszertani leírás, így ott nincs pontos definíciónk. A dolog ott válik érdekessé, ha mindehhez hozzátesszük, hogy ilyen adatok – mindkét típus – az Eurostat-nál is elérhető. Az ottani leírás szerint az adatszolgáltatójuk a NEAK, de az adatok mégsem egyeznek egymással. Hogy pontos legyek: a vizsgálatok száma nagyobb; azt gondolom, hogy ez megerősíti a feltételezésemet arról, hogy a NEAK-nál nincsenek benne a fekvőbetegek részére végzett vizsgálatok. Az Eurostat módszertani leírása ugyanis úgy fogalmaz, hogy a közölt adat azon vizsgálatok száma, amit a NEAK finanszíroz; értelmezésem szerint ebben a fekvő betegek részére végzett vizsgálatok is benne vannak, a szám ezért nagyobb. (De még így is csak a közfinanszírozott ellátásokat tartalmazza – nézőpont kérdése, hogy ez mennyire limitáció, lehet éppenséggel a mellett is érvelni, hogy az állam által működtetett egészségügyi infrastruktúra megítéléshez pont hogy ez számít.) A készülékek számára közölt adat az Eurostat-nál pontosan ugyanaz, mint a NEAK Statisztikai Évkönyvében. Ez azért nagyon fontos, mert mint említettem, a NEAK-nál ehhez nem volt módszertani leírás – de az Eurostat-nál van! Így kiderül, hogy ez a szám mit jelent: azon túl, hogy itt is csak a közfinanszírozott ellátást nyújtó gépek vannak feltüntetve, van egy nagyon komoly limitáció: nem jelennek meg a statisztikákban azok a gépek, melyek kizárólag fekvőbeteg-ellátásban vesznek részt. (Ennek finanszírozástechnikai oka vannak: az ilyen gépekre nincs külön finanszírozási szerződés, mert a költségük bele van építve a megfelelő HBCs-be. Ezzel együtt is, számomra érthetetlen, hogy az ország miért nem vezet erről egy teljeskörű leltárt, finanszírozási szerződéstől függetlenül; azért ilyen gépből nincs követhetetlenül sok, és nem változik naponta kétszer a számuk…) Ez azt jelenti, hogy itt a magyar adat kevesebb lehet, mint a valós, még úgy is, hogy csak a közfinanszírozott ellátást tekintjük. E problémára sajnos nem találtam megoldást.

Mindezek miatt én az Eurostat adatait használtam, hiszen ez van közelebb a realitáshoz, ráadásul az európai összevetést is lehetővé teszi. A NEAK Statisztikai Évkönyvének az lenne az előnye, hogy ha nem is a kórház, de a megye-szintű lebontást lehetővé tesz, az Eurostat-nál ilyen adat ugyanis nincsen, csak országos összesítés. Az előző okok miatt, illetve mert a NEAK Statisztikai Évkönyvet csak 2020-ig sikerült fellelnem, mégis az Eurostat adatokat használtam (a területi eloszlás esetleges jelentőségére később még visszatérek). PET-re vonatkozó adat csak az Eurostat-nál van, de ott a fenti problémák a módszertani leírás szerint nem jelentkeznek (azzal, hogy ott is csak a közfinanszírozott ellátásról van adat).

Az adatközlésben nincs megkülönböztetve, hogy a berendezés kórházban, vagy járóbeteg-szakellátóhelyen van. Az ilyen műszerek inkább kórházban lelhetőek fel, ezzel együtt is, helyesebb ha úgy fogalmazunk, hogy most a magyar egészségügyi ellátórendószer egészéről (és nem a kórházi rendszerről) nyilatkozunk.

Nézzük most először a készülékek számát! Kezdjük az aktuális helyzetképpel (a 2023-as adatot használom, mert a 2024-es még nagyon hiányos):

R kód megjelenítése

res2 <- as.data.table(eurostat::get_eurostat(
  "hlth_rs_medim", use.data.table = TRUE))
res2 <- res2[unit == "P_HTHAB" & icha_hp == "HP1_3"]
res2$countryname <- countrycode::countrycode(
  res2$geo, "eurostat", "cldr.name.hu")
res2[facility == "CT_SCAN"]$facility <- "CT"
res2[facility == "PET_SCAN"]$facility <- "PET"
ggplot(res2[TIME_PERIOD == "2023-01-01" &
              facility %in% c("CT", "MRI", "PET")],
       aes(y = tidytext::reorder_within(countryname, values,
                                        facility),
           x = values, fill = geo == "HU")) +
  geom_col() + facet_wrap(~facility, scales = "free") +
  tidytext::scale_y_reordered() +
  guides(fill = "none") +
  labs(x = "Készülékek száma [készülék/100 ezer fő]", y = "",
       caption = paste0(
         "Ferenci Tamás, https://www.medstat.hu/\n",
         "Adatok forrása: Eurostat, hlth_rs_medim"))

Az időbeli alakulás, szokásosan piros vonal jelzi Magyarországot, szürke vonalak pedig a többi európai országot:

R kód megjelenítése

ggplot(res2[facility %in% c("CT", "MRI", "PET")],
       aes(y = values, x = TIME_PERIOD,
           group = forcats::fct_reorder(geo, geo == "HU",
                                        .fun = first),
           color = geo == "HU")) +
  geom_line() + facet_wrap(~facility, scales = "free_y") +
  guides(color = "none") +
  scale_color_manual(values = c("FALSE" = "gray",
                                "TRUE" = "red")) +
  labs(x = "Év", y = "Készülékek száma [/100 ezer fő]",
       caption = paste0(
         "Ferenci Tamás, https://www.medstat.hu/\n",
         "Adatok forrása: Eurostat, hlth_rs_medim"))

Az összkép teljesen egyértelmű: a berendezések darabszámában az európai lista legvégén vagyunk, egyértelműen és nagy lemaradással, és bár a helyzet az évtizedek alatt javult és folyamatosan javul, nem eléggé ahhoz, hogy elmozdítson minket az utolsó helyről. Egyedül PET terén állunk nagyon kicsit jobban.

Szinte levegőt se veszek és rögtön mondom, hogy ez az a mérőszám, amire végképp igaz, hogy nem lehet úgy értelmezni, mint a szocialista stílusú „100 ezer lakosra jutó cementgyártás” példáját, tehát, hogy minél több, annál jobb. A sürgősségi ellátástól eltekintve voltaképp a gépek száma mindegy is, hiszen a betegnek az ellátórendszer kapacitása a kérdés, márpedig azt nem a gépek, hanem a vizsgálatok száma jelenti. Amivel a beteg szembesül, hogy mennyi kapacitása van számára a rendszernek, az azon múlik, hogy hány vizsgálatot tudunk elvégezni, nem azon, hogy hány gépünk van. Ami nagyon nem ugyanaz, hiszen az egy év alatt egy gépre jutó vizsgálatok száma egyáltalán nem biztos, hogy ugyanaz az egyes országokban.

Ha valaki kevesebb gépből is több vizsgálatot tud kihozni, az nemhogy nem baj, hanem kimondottan jó hír: ezek a gépek rettenetesen drágák, nagy tőkelekötést jelentenek, így ha az ember egyszer már megvette őket, akkor az a racionális, ha minél többet dolgoznak. Annál nincs drágább, mintha megvettük a gépet nagyon sok pénzért, aztán áll és nem dolgozik, vagyis új gépet addig nem szabad venni, amíg a meglevőknek van szabad kapacitása. Elméletileg az lenne az ideális, ha – a karbantartásoktól eltekintve – minden percben folyamatosan dolgoznának, és csak akkor vennék a meglevők mellé egy újabbat, ha az összes eddigi már 100%-os kihasználtsággal működik.

A gépek száma mindössze két szempontból érdekes, az egyik a reduncia, ha valamelyik elromlik vagy karbantartáson van, a másik, fontosabb szempont a területi közelség, hiszen ha több van, akkor közelebb tud lenni a beteghez. Több száz millió forintos eszközökről beszélünk, értelemszerű, hogy itt a betegnek kell a géphez mennie, nem a gépnek a beteghez (azzal, hogy sok helyre telepítünk), ami szükségképp nem tökéletes kihasználtsághoz vezetne. Az – és csak az! – jelent kivételt ez alól, ha orvosi sürgősség miatt nincs idő, vagy ha logisztikai, betegbiztonsági, vagy betegkomfort okok miatt nem lehet vagy nem célszerű a beteget mozgatni. Képzeletbeli példaként: ha az ország összes CT-igényét ki tudnánk elégíteni egyetlen CT-berendezéssel, akkor sem volna célszerű egyet venni, kihasználtság ide vagy oda, hiszen nem lehet minden embert aki elesett és beverte a fejét egy Zala megyei faluban, felhozni Budapestre CT-re (majd visszavinni).

Szóval akkor elvégzett vizsgálatok száma; nézzük itt is először az aktuális helyzetképet:

R kód megjelenítése

res2 <- as.data.table(eurostat::get_eurostat(
  "hlth_co_exam", use.data.table = TRUE))
res2 <- res2[unit == "P_HTHAB" & icha_hp == "HP1_3"]
res2$countryname <- countrycode::countrycode(
  res2$geo, "eurostat", "cldr.name.hu")
res2[facility == "CT_SCAN"]$facility <- "CT"
res2[facility == "PET_SCAN"]$facility <- "PET"
ggplot(res2[TIME_PERIOD == "2023-01-01" &
              facility %in% c("CT", "MRI", "PET")],
       aes(y = tidytext::reorder_within(countryname, values,
                                        facility),
           x = values/1000, fill = geo == "HU")) +
  geom_col() + facet_wrap(~facility, scales = "free") +
  tidytext::scale_y_reordered() +
  guides(fill = "none") +
  labs(x = "Vizsgálatok száma [ezer vizsgálat/100 ezer fő]",
       y = "",
       caption = paste0(
         "Ferenci Tamás, https://www.medstat.hu/\n",
         "Adatok forrása: Eurostat, hlth_co_exam"))

Az időbeli alakulás:

R kód megjelenítése

ggplot(res2[facility %in% c("CT", "MRI", "PET")],
       aes(y = values, x = TIME_PERIOD,
           group = forcats::fct_reorder(geo, geo == "HU",
                                        .fun = first),
           color = geo == "HU")) +
  geom_line() + facet_wrap(~facility, scales = "free_y") +
  guides(color = "none") +
  scale_color_manual(values = c("FALSE" = "gray",
                                "TRUE" = "red")) +
  labs(x = "Év",
       y = "Vizsgálatok száma [ezer vizsgálat/100 ezer fő]",
       caption = paste0(
         "Ferenci Tamás, https://www.medstat.hu/\n",
         "Adatok forrása: Eurostat, hlth_co_exam"))

Látható, hogy nagyon más a helyzet: MRI-ben továbbra is a lista alján vagyunk, ha nem is az utolsó helyen, de PET-ben már a lista közepén, CT-ben pedig egyenesen a lista tetején! (Azaz hatékonyabbak vagyunk: sokkal jobb egy CT-berendezésre jutó vizsgálat-számot produkálunk.)

Akkor ez már tényleg a tökéletes mutató? Sajnos ez sem teljesen, egy szempontot ugyanis még ez is figyelmen kívül hagy: az igényt. Nem lehet azt mondani, hogy ha egy országban 10 vizsgálatot végeznek, egy másikban meg 100-at, akkor az utóbbiban jobb a helyzet – mi van, ha az előbbiben 10-re van igény is, de az utóbbiban 1000-re? Nagyon is elképzelhetőek különbségek országok között az igényben, gondoljunk csak arra, hogy egy sor rákbetegség igényel képalkotó vizsgálatot, márpedig a rák előfordulása nagyon eltérhet országok között. Ezt kicsit továbbgondolva hamar eljutunk oda, hogy mi lenne az ideális mérőszám: egyszerűen azt kellene tudni, hogy a vizsgálatokon történő sorra kerülés ideje mennyi (természetesen ahhoz viszonyítva, mint amit az adott eset orvosi sürgőssége indokol!). Ha mindenkit meg tudunk egy órán belül CT-zni, akit orvosilag indokolt egy órán belül, mindenkit egy napon belül, akit orvosilag indokolt egy napon belül, mindenkit egy héten belül, akit orvosilag indokolt egy héten belül stb. akkor elég CT-készülék van, ha nem, akkor nincs – függetlenül attól, hogy mennyi a vizsgálatok száma (és pláne függetlenül attól, hogy mennyi a gépek száma). Sajnos erre vonatkozó nyilvános adatról nem tudok.

Záró gondolatok

Remélem, hogy a fenti sorok két – csak első ránézésre ellentétes – dologra rá tudtak mutatni: egyrészt, hogy az ágyszám- és betegforgalmi kimutatások adatai értékesek és érdekesek, másrészt, hogy közben egy nagyon fontos feladat, a teljesítménymérés megoldásához még nem tudjuk ezeket használni. Ehhez további adatokra volna szükség; de remélem meg tudtam mutatni azt is, hogy ez alapvető fontosságú lenne a magyar egészségügy fejlesztéséhez. Nem kis feladat – de megoldható. A szűk keresztmetszet ehhez, úgy hiszem, nem a módszertan, hanem a politikai szféra támogatása.

---

(Az írás a 2025. október 26-án érvényes állapotot tükrözi.)

A szerző klinikai biostatisztikus, orvosbiológiai mérnök. A fent leírtak teljes egészében a magánvéleményét képviselik.