Materiali e metodi. Fonti informative. Misure

Transcript

1 Materiali e metodi Fonti informative Gli indicatori considerati sono calcolati utilizzando le fonti informative amministrative regionali, esplicitate nelle specifiche schede tecniche. Le banche dati di ARS sono costituite dai principali flussi informativi correnti del Sistema Sanitario Toscano e dai principali dati ISTAT sulla popolazione residente nei comuni toscani. I dati sono storicizzati e interconnessi in un database che costituisce il cuore del Sistema Informativo di ARS Lo stato in vita dei pazienti residenti in Toscana è verificato tramite un algoritmo (MARSI) che si basa sul record linkage tra vari flussi presenti in ARS che comprendono informazioni sulla data di morte, in particolare Anagrafi sanitarie, Registri di mortalità, Schede di dimissione ospedaliera e Schede di morte informatizzate. Misure E previsto un aggiornamento dell algoritmo MARSI che verifica lo stato in vita per il 31 dicembre Tale aggiornamento potrà comportare delle modifiche agli indicatori di mortalità presenti su PrOsE che verranno segnalate sul sito (errata corrige). Gli indicatori considerati sono classificabili in 4 categorie: - I rischi: rischi di morte o di riammissioni per procedure o patologie entro 30/180 giorni dall intervento, dall ammissione o dalla dimissione. Questi indicatori forniscono informazioni sulla probabilità aggiustata di decesso o riammissione. - I volumi: forniscono indicazioni sui volumi di attività per procedure o patologie specifiche - L ospedalizzazione: tassi standardizzati di ospedalizzazione per procedure o patologie. Questi indicatori forniscono informazioni sulla quota di ricoveri per condizioni sensibili alla cure ambulatoriali. - L utilizzo: percentuali di utilizzo di procedure specifiche (ad esempio parti cesarei) o inappropriate (ad esempio interventi in regime di day surgery) o di eventi avversi prevenibili. Gli indicatori sono disponibili per tre livelli: - l ospedale, - il dipartimento, - l azienda USL o il distretto di residenza. La scelta del livello di attribuzione da considerare per ogni indicatore è stata determinata sulla base sia dell esito e della procedura o patologia esaminata, sia della necessità di individuare i livelli interessati nella modalità di erogazione della prestazione o del servizio nell ottica del miglioramento della qualità. Gli indicatori calcolati a livello di unità operativa o reparto saranno disponibili non appena i criteri di definizione saranno condivisi con i professionisti. 1

2 Metodi di aggiustamento L esito di una cura può essere visto come una funzione di attributi relativi al paziente, alla patologia di cui è affetto e al trattamento cui viene sottoposto (vedi figura). Figura 1: Modello di aggiustamento Le differenze nel profilo dei pazienti e nella gravità delle patologie specifiche agiscono come confondenti della relazione tra esito ed efficacia della cura. Per confrontare gli esiti di ogni struttura con la media regionale o osservarne l andamento nel tempo bisogna utilizzare metodi che tengano conto di tali differenze, ovvero modelli di aggiustamento o risk adjustment. I metodi di risk adjustment consistono in tecniche statistiche di regressione multipla, che stimano i valori attesi dell esito al netto dei confondenti e di una misura della variabilità casuale di stime medesime (variabilità che può essere elevata in campioni esigui). Al fine di applicare tali metodi è innanzitutto stato necessario misurare la gravità dei pazienti. Inoltre esistono diverso modelli utili per il risk adjustment, in particolare abbiamo utilizzato metodi di standardizzazione indiretta e diretta. Le misure di gravità È stata misurata la presenza di comorbilità, ovvero patologie concomitanti non correlate con la patologia principale in studio, ma che aumentano il rischio di esiti sfavorevoli o riacutizzazioni. Le informazioni sono state ricavate principalmente dalle schede di dimissione ospedaliera e in particolare da diagnosi e procedure relative all episodio in studio o a ricoveri effettuati nei due anni precedenti. Gli algoritmi di estrazione sono stati costruiti secondo i criteri ispirati dal PNE. Si segnala tuttavia che la misura della presenza della comorbilità non è sempre affidabile, a causa della qualità non sempre ottimale del dato amministrativo. Critiche all utilizzo di dati amministrativi in questo contesto nascono a causa della loro dubbia affidabilità clinica. Sebbene la classificazione ICD-9-CM comprenda un elevato numero di categorie, non è sempre in grado di definire parametri clinici determinanti per valutare il percorso diagnostico-terapeutico del paziente. Non sempre le diagnosi sono codificate nel modo più appropriato, soprattutto in conseguenza del sistema di pagamento prospettico degli ospedali basato sui DRG, senza considerare che la qualità della codifica può variare notevolmente tra gli ospedali. Inoltre, questi database prevedono la registrazione di un numero limitato di codici per le diagnosi e le procedure. Si evidenzia la tendenza a dare maggior risalto a patologie acute nei pazienti deceduti, tralasciando eventuali malattie croniche. Un altra critica mossa riguarda l impossibilità di individuare chiaramente quali patologie siano precedenti e quali conseguenti al ricovero in studio non essendo prevista la rilevazione di quando siano insorte le patologie codificate. 2

3 Standardizzazione indiretta L aggiustamento viene apportato attraverso il confronto dell esito atteso in ogni struttura con quello effettivamente osservato. L esito atteso è quello che ci si aspetterebbe in una struttura se il rischio per profilo di gravità fosse pari a quello della popolazione standard di riferimento (nel nostro caso la media regionale). Il numero di eventi attesi in un gruppo è quindi pari alla somma delle probabilità attese stimate da un modello di regressione relative ai pazienti che afferiscono a ogni struttura. E quindi possibile calcolare il rapporto tra numero di eventi osservati e attesi per ogni struttura, che moltiplicato per il livello medio regionale restituisce una misura di rischio aggiustato. Tale metodo è stato utilizzato nel caso di esiti dicotomici, come mortalità o riammissioni, facendo ricorso a un modello di regressione logistica dove le variabili dipendenti sono state selezionate sulla base di rilevanza, frequenza nella popolazione in studio e con un metodo di selezione stepwise. La bontà del modello è stata valutata sulla base della capacità di discriminazione (C-index o area sotto la curva ROC), ovvero la capacità di distinguere tra i pazienti che sperimentano l esito e gli altri. Tale metodo consente il confronto tra esiti in un gruppo e quello osservato nella popolazione di riferimento. Nel caso di più gruppi, ad esempio strutture, è corretto confrontare il rischio aggiustato in una struttura con quella di riferimento, mentre il confronto tra loro di differenti strutture risente ancora di differenze nel profilo di gravità dei pazienti trattati. Standardizzazione diretta L aggiustamento avviene calcolando per ogni gruppo l esito che la popolazione standard di riferimento avrebbe se sperimentasse un livello di rischio, per profilo di gravità, pari a quello del gruppo in esame. Tale metodo è stato utilizzato per il calcolo di tassi di ospedalizzazione standardizzati per età e sesso a livello di azienda USL o zona distretto. 3

4 Controllo statistico di processo Un modo tradizionale e intuitivo di monitorare la variabilità in un sistema in modo da evidenziarne le anomalie consiste nell operare un confronto tra i valori osservati e uno assunto come standard, ad esempio la media di un periodo di riferimento. L obiettivo è comprendere se le variazioni che si osservano tra le unità di un sistema o nel tempo siano solo dovute a effetti casuali o meno. Per questo vengono definite due tipi di variazioni: - Common Cause Variation, dove tutti i processi sono sottoposti a variazioni naturali nel tempo (il processo è sotto controllo o stabile ) - Special Cause Variation, dove eventi inattesi possono provocare variazioni innaturali (il processo è fuori controllo o instabile ). Le carte di controllo sono semplici strumenti che consentono di distinguere tra i due tipi di variazioni. Consistono in rappresentazioni grafiche di serie di osservazioni di indicatori traccianti nel tempo o nello spazio assieme a misure di variabilità, e in particolare si compongono di tre entità: - i valori osservati, che possono essere relativi a diverse organizzazioni nello stesso momento (sistemi statici) oppure a una sola organizzazione nel tempo (processi dinamici); - una linea di andamento centrale (CL), che rappresenta lo standard; - i limiti di controllo superiore e inferiore (UCL e LCL) entro i quali, se il processo è sotto controllo, ricadono tutti o quasi i valori osservati. Figura 2: Carta di controllo Esempi di utilizzo di questi metodi sono finalizzati a valutare se l andamento di un indicatore nel tempo migliora o peggiora a seguito di un intervento. Infatti ci si attende che un intervento per migliorare la qualità di una prestazione modifichi gli esiti in modo tale da creare variabilità speciale e portare il processo fuori controllo. Altri esempi di utilizzo sono per monitorare l andamento di un processo negli anni. Le carte di controllo sono stati utilizzate nel PrOsE per il monitoraggio di sistemi statici (funnel plot) e per processi dinamici (p-chart). 4

5 Le carte di controllo per sistemi statici: Funnel Plot Nel funnel plot l indicatore viene rappresentato in funzione di una misura della sua variabilità, tipicamente il denominatore dell indicatore stesso. Assieme ai punti indicanti le strutture nel grafico vengono rappresentati dei limiti di confidenza dalla forma a imbuto, ovvero più stretti man mano che aumenta la misura di variabilità. I limiti di confidenza sono calcolati assumendo una distribuzione di probabilità per l indicatore e stimando i relativi parametri, tipicamente lo standard di riferimento e una misura di variabilità. Inoltre è possibile tener conto del confronto multiplo di più organizzazioni allo stesso momento. A questo punto, i punti che giacciono all interno dell'imbuto presentano un valore dell'indicatore compatibile con il valore medio (la variabilità attorno alla media è naturale o sotto controllo). Quelli che giacciono sopra o sotto all'imbuto presentano variazioni nel valore dell'indicatore non naturali e sono quindi fuori controllo. L equità degli esiti Monitorare l equità di funzionamento di un sistema assistenziale, in particolare con riferimento agli esiti delle cure, è fondamentale per garantire il principio di universalità che un sistema sanitario come quello toscano professa e che è tra i punti cardine nell orientamento della riorganizzazione dei servizi in atto. Valutare gli andamenti nel tempo di eventuali iniquità osservate negli esiti, e di come queste agiscano in differenti fasi della vita delle persone è possibile attraverso tecniche specifiche che ne garantiscano un attento monitoraggio. Per alcuni degli indicatori inclusi nel PrOsE sono stati misurato gli esiti per livello di istruzione negli anni e in differenti classi di età. Tali misure sono state ottenute tramite modelli di regressione multivariati, in cui sono stati considerati, oltre a sesso ed età, comorbilità individuate nei modelli di risk adjustment. Il livello di istruzione è stato ottenuto come riclassificazione del titolo di studio riportato nelle schede di dimissione ospedaliera. In particolare per ogni individuo sono state considerate le informazioni sul titolo di studio riportate in varie schede e, in particolare, è stata selezionata quella ottimale sulla base dell età e della frequenza di occorrenza. Tutto ciò ha permesso di migliorare la qualità del dato amministrativo e limitare errori di codifica. Infine il titolo di studio è stato riclassificato in due soli livelli di istruzione, basso e medio-alto, al fine di avere una sufficiente numerosità per consentire l analisi. I grafici mostrano gli effetti marginali del livello di istruzione sugli esiti per anno e per classe di età (espressa in quintili di distribuzione, specifici per singola patologia). Le misure sono state calcolate a livello di singola azienda azienda al fine di avere numerosità sufficiente a produrre stime affidabili. 5

6 Bibliografia di riferimento - Alemi F, Oliver DW. Tutorial on risk-adjusted P-charts. Qual Manag Health Care Fall;10(1): Agabiti N, Davoli M, Fusco D, Stafoggia M, Perucci CA; Dipartmento di Epidemiologia Servizio Sanitario Regionale, Lazio. [Comparative evaluation of health services outcomes]. Epidemiol Prev Mar- Apr;35(2 Suppl 1): AA.VV. Risk adjustment for measuring healthcare outcomes. Edited by Iezzoni LI, Health Administration Press, Chigago, Illinois, Elixhauser A, Steiner C, Harris DR, et al. Comodbidity misures for use with administrative data. Med Care 1998;36: Arcà M, Fusco D, et al. Introduzione ai metodi di risk adjustment nella valutazione comparativa degli esiti. Epidemiologia e Prevenzione 2006; Suppl Caiazzo A, Cardano M, Cois E, Costa G, Marinacci C, Spadea T, Vannoni F, Venturini L. Epidemiol Prev May-Jun;28(3 Suppl):i-ix, Hosmer DW, Lemeshow S. Confidence interval estimates of an index of quality performance based on logistic regression models. Statistics in Medicine 1995, 14: Hosmer DW, Lemeshow S. Applied logistic regression. New York, Wiley, Øvretveit J. Valutazione degli interventi in sanità. Torino, Centro Scientifico Editore, Spiegelhalter DJ. Funnel plot for comparing institutional performance. Statist. Med. 2005; 24: Stukenborg GJ, PhD, Wagner DP et al. Comparison of the performance of two comorbidity measures, with and without information from prior hospitalizations. Med Care 2001; 39: Thor, Johan, et al. "Application of statistical process control in healthcare improvement: systematic review." Quality and Safety in Health Care 16.5 (2007): Woodall, William H. "The use of control charts in health-care and public-health surveillance." Journal of Quality Technology 38.2 (2006):