Beregning og hovedfunn for 30 dagers overlevelse og reinnleggelse av eldre. Helsedirektoratet

Transkript

1 Beregning og hovedfunn for 30 dagers overlevelse og reinnleggelse av eldre Helsedirektoratet Jon Helgeland, seksjonsleder Anja Schou Lindman, seniorforsker/dr.philos

2 Innledning opprinnelse og bruk av KI Metode for beregning Resultater Tolkning av indikatorer

3 Kunnskapssenterets kvalitetsindikatorer Opprinnelse og bruk Opprinnelse 30 dagers overlevelse og reinnleggelse Basert på internasjonalt anerkjente indikatorer og metoder Etablert i andre nasjonale/internasjonale kvalitetsindikatorsystemer (USA, UK, Sverige, OECD) Kliniske ekspertgrupper Identifiserer sykehus med høyere og lavere resultater enn gjennomsnittet -> FORUTSETTER Nasjonalt nivå Personentydige data over tid Forskning og utvikling, robuste analyser (risikojustering, overføring mellom sykehus etc) Kvalitetssikrede metoder og analyser Sykehusnivå Bistår enkeltsykehus/helseforetak med utvidede analyser Østfold Sykehuset i Telemark Vestre Viken

4 Beregningsmetode 1. Databearbeiding Fra store datasett med alle pasientopphold til spesifikke analysedatasett med pasientforløp 2. Statistisk analyse

5 Datakilder Pasientadministrative systemet (PAS) Ekstraksjon av PAS-data , ved hjelp av programvaren FS («Forskning i Sykehus») Data for tidsperioden er hentet fra Norsk pasientregister (NPR) Identifisering av behandlingsted vha post/avd.koder Folkeregisteret og SSB Fra 2015 Hjerte/karregisteret Analyseenhet er pasientforløp

6 Diagnose- og aldersutvalg datasett Sykdomsspesifikke ( data) Hjerteinfarkt: I21.x som hoveddiagnose eller bidiagnose; alder 18 år; ikke forekommet de forutgående 7 år; kun øyeblikkelig hjelp Hjerneslag: I61, I63 eller I64 som hoveddiagnose; alder 18 år; ikke forekommet de siste 28 dager; kun øyeblikkelig hjelp Hoftebrudd: S som hoveddiagnose eller bidiagnose; alder 65 år; ikke forekommet de siste 60 dager; kun øyeblikkelig hjelp Totaloverlevelse (2013 data) 42* diagnosegrupper (CCS); alle aldersgrupper; ikke forekommet de siste 30 dager; både elektivt og øyeblikkelig hjelp Reinnleggelse (2013 data) 11 diagnosegrupper/primærinnleggelse- astma/kols, urinveisinfeksjon, brudd, dehydrering, forstoppelse, gastroenteritt, gikt, hjertesvikt, mangelanemier, lungebetennelse, hjerneslag, alder 67 år, kun akutte reinnleggelser

7 Pasientmaterialet tall Totaloverlevelse 2013 Hjerteinfarkt Hjerneslag Hoftebrudd Reinnleggelse 2013 Antall pasienter Antall pasientforløp Døde og reinnlagte innen 30 dager, ujustert ( 5,1%) 4182 (12%) 3936 (13,6%) 2237 ( 8,7%) (15,3%) Behandling på to eller flere sykehus ( 8,2%) (47,3%) 3145 (10,9%) 2156 ( 8,4%) 2765 ( 4%) Kjønn, kvinner (47,6%) (38,3%) (48,1%) (71,2%) (58,2%) Alder, gj.snitt 65,4 71,8 74,8 83,5 79,7

8 Statistisk analyse Risikojustert sannsynlighet for overlevelse eller reinnleggelse Fire trinn 1. Logistisk regresjonsmodell 2. Statistisk testing False discovery rate 5% Nytt 2013 Tar hensyn at det gjøres mange sammenlikninger 3. «Krymping» av tallene Bayesiansk hierarkisk modell Redusere mulighetene for tilfeldige ekstreme verdier Trinn 2 Identifisering av signifikante resultater lavere/høyere Trinn 4 Risikojustert sannsynlighet

9 Resultat (outcome): Død/reinnlagt innen 30 dager (hhv inndato og utdato) teller fra første innleggelse uavhengig av dødsårsak og sted for død tilordnes til alle sykehus i forløpet vektet etter liggetid Justert for pasientsammensetning: alder og kjønn * Reinnleggelse antall sykehusforløp de siste 2 år Charlsons komorbiditetsindeks basert på tidligere innleggelser fra de siste 3 år diagnosekategori (totaloverlevelse) elektiv/akutt (totaloverlevelse) type slag (hjerneslag) Små volumer - stor usikkerhet for diagnosespesifikke indikatorer gjennomsnitt over de tre siste år

10 UTVALGTE RESULTATER Hovedresultater Overlevelse i 30 dagers perioden Overlevelse i en 5 års periode

11 Overlevelse de første 30 dagene, ujustert Første sykehus i kjeden

12 Overlevelse de første 30 dagene, ujustert Første sykehus i kjeden

13 30 dagers overlevelse etter hoftebrudd, Stavanger siste 5 år

14 30 dagers overlevelse etter hoftebrudd, Lofoten siste 5 år

15 Tolkning av kvalitetsindikatorer En kvalitetsindikator er en indikator Ikke et direkte, men et indirekte mål på kvalitet Dårlige» resultater behøver ikke være ensbetydende med dårlig kvalitet Brannvarsler -> videre undersøkelser Rutinesvikt aka kvalitet? «Falsk alarm» andre forklaringer?

16 Hva måler indikatoren? Sannsynlighet for gunstig helseutfall for pasienten aka kvalitet Ikke-observerbare forskjeller i pasientmassen? Eventuelle seleksjonseffekter pga funksjonsfordeling Variasjon i diagnose- og kodepraksis?

17 Fra Francisrapporten om Mid-Staffordshire: The methodology and significance of these statistics are subject to academic controversy.... However, there is strong evidence to suggest that these figures mandated a serious investigation of the standards of care being delivered rather than reliance on the contention that they had been caused by coding.

18 «Although risk-adjusted hospital-wide mortality measures should not be used to compare hospitals, they could be useful as a signal to detect hospitals with statistically significant high risk-adjusted mortality rates. We recommend the use of risk-adjusted mortality measures to detect and alert hospitals with exceptionally high mortality rates, especially if elevated rates persist over time MacKenzie et al., 2014, Journal for Healthcare Quality

19 Bruk av/krav til tall for kvalitet på ulike nivå 1. Lokal kvalitetsforbedring 2. Virksomhets -styring Nasjonaltnivå 3. Åpenhet (accountability) 4. Brukervalg Kan baseres på rådata Feil og unøyaktigheter ikke kritisk Raskere tilgang til detaljerte data (drilldown) NPR, kvalitetsregistrene/skde, Kunnskapssenteret, Dr. Foster Data må bearbeides og analyser kvalitetssikres Feil meget kritisk (identifiserer høyrisikosykehus!) Tallene må oppfattes som legitime Kunnskapssenteret, kvalitetsregistrene

20 Kunnskapssenterets indikator Bruk og publikasjoner Opprinnelse Basert på internasjonalt anerkjente indikatorer og metoder Etablert i andre nasjonale/internasjonale kvalitetsindikatorsystemer (USA, UK, Sverige, OECD) Nasjonalt nivå Identifiserer sykehus med høyere og lavere resultater enn gjennomsnittet -> FORUTSETTER Personentydige data over tid Forskning og utvikling, robuste analyser (risikojustering, overføring mellom sykehus etc) Kvalitetssikrede metoder og analyser Sykehusnivå Bistår enkeltsykehus/helseforetak med utvidede analyser Østfold Sykehuset i Telemark Vestre Viken Sykehusviserapporter intern bruk i sykehus Automatisk genererte rapporter

21 NAKS team Anja Schou Lindman, prosjektleder/seniorforsker Doris Tove Kristoffersen, statistiker, Kunnskapssenteret Sahar Hassani, PhD/forsker, Kunnskapssenteret Oliver Tomic, PhD/forsker, Kunnskapssenteret Jon Helgeland, Seksjonsleder kvalitetsmåling, Kunnskapssenteret

22 Kunnskapssenteret vs Dr. Foster Dr Foster Hospital Std Mortality rate Dr.Foster Summary Hospital Mortality Index Kunnskapssenteret Beregner dødelighet Beregner dødelighet Beregner overlevelse 30-dager i-sykehus dødelighet ( ) Døde i- og utenfor sykehus innen 30 dager fra utskrivningsdato (+) 30-dagers dødelighet i og utenfor sykehus dødelighet fra innleggelsesdato (+) Diagnosegrupper som står for ca 85% av dødeligheten ved sykehuset Alle pasienter (CCS og NHCD) Diagnosegrupper som står for 80% av dødeligheten ved sykehuset 56 CCS* kategorier 44 CCS kategorier Dagopphold ekskluderes Dagopphold ekskluders Dagopphold inkluderes Relativ dødelighet - Risk standardisert dødelighets ratio Relativ dødelighet - Risk standardisert dødelighets ratio Absolutt overlevelse - Risikojustert overlevelses sannsynlighet (%) Standardisert ratio - forventet over observert dødelighet per sykehus Standardisert ratio - forventet over observert dødelighet per sykehus (?) Dødelighet/overlevelse beregnes basert på sykehusets risikoprofil (pasientsammensetning) Forventet dødelighet - sum av risiko fra covariatene for det enkelte sykehus for de 56 diagnosegruppene Logistisk regresjon benyttes til å predikere forventet «i-sykehus» dødelighet Justeringsvariable/covariater (fra 2009) Alder Kjønn Ikke øhjelp siste 12 mnd Elixhauser*? m/diagnosedata kun aktuell innl. ( )? Ikke tidligere innleggelser ( ) Deprivation (?) Palliativ behandling (?) Utskrivningsår (?) CCS kategorier Forventet dødelighet sum av risiko fra covariatene for det enkelte sykehus for alle pasienter Logistisk regresjon benyttes til å predikere forventet «i-sykehus» dødelighet? Justeringsvariable/covariater Alder Kjønn Øhjelp/elektiv Elixhauser* m/diagnosedata kun aktuell innl. ( )? Tidligere innleggelser? Ellers som HSMR? Logistisk regresjon (GLM) og Bayesiansk hierarkisk metode benyttes til å predikere «i- og utenfor-sykehus» overlevelse Justeringsvariable/covariater Alder Kjønn Øhjelp/elektiv Charlson* fra innl. 3 år tilbake i tid (+) Tidligere innleggelser 2 års tilbake i tid (+) Sykelighet v/ccs kategorier

23 Potensielle feilkilder Koding for palliativ behandling? Pasienter som får strålebehandling er de sykere? Algoritme for å identifisere sepsis hhv. Metastatisk kreft har de ført til feil? Er metoden spesielt følsom for kreftdataene? Er metoden følsom for koding av komorbiditeter?

24 Skårer sykehus med strålebehandling dårlig?

25 Charlsons komorbiditetsindeks (CCI) Comorbid condition CCI weight Congestive heart failure 2 Dementia 2 Chronic pulmonary disease 1 Rheumatologic disease 1 Mild liver disease 2 Diabetes with chronic complications 1 Hemiplegia or paraplegia 2 Renal disease 1 Any malignancy, including leukemia and lymphoma 2 Moderate or severe liver disease 4 Metastatic solid tumor 6 AIDS/HIV 4

26

27 Når vil en konvertere datagrunnlaget til nasjonalt kvalitetsregister for hjerneslag?

28 Does the inclusion of stroke severity in a 30-day mortality model change standardized mortality rates at Veterans Affairs hospitals? Keyhani S1, Cheng E, Arling G, Li X, Myers L, Ofner S, Williams LS, Phipps M, Ordin D, Bravata DM. CONCLUSIONS: The impact of the NIHSS on RSMRs was limited. The small number of stroke admissions and the narrow range of 30-day stroke mortality rates at the facility level in the Veterans Health Administration cast doubt on the value of using 30-day RSMRs as a means of identifying outlier hospitals based on their stroke care quality.

29 Comparison of 30-day mortality models for profiling hospital performance in acute ischemic stroke with vs without adjustment for stroke severity. Fonarow GC1, Pan W, Saver JL, Smith EE, Reeves MJ, Broderick JP, Kleindorfer DO, Sacco RL, Olson DM, Hernandez AF, Peterson ED, Schwamm LH. CONCLUSION: Adding stroke severity as measured by the NIHSS to a hospital 30-day risk model based on claims data for Medicare beneficiaries with acute ischemic stroke was associated with considerably improved model discrimination and change in mortality performance rankings for a substantial portion of hospitals.