Variabilità geografica di indicatori di processo nella
annuncio pubblicitario
Variabilità geografica di indicatori di processo nella cura di diabete, insufficienza cardiaca e cardiopatia ischemica: confronto tra stime ottenute da dati amministrativi correnti e stime ottenute dai dati clinici della medicina generale nel progetto VALORE XXXV Congresso AIE Torino, 7-9 novembre 2011 Coautori Gini R1 , Francesconi P1 , Pasqua A2 , 3 , Cricelli I2 , Brugaletta S4 , Donato D5 , Donatini A6 , Marini A7 , Zocchetti C8 , Cricelli C3 , Bellentani M9 , per il progetto VALORE 1 Osservatorio di Epidemiologia, Agenzia regionale di sanità della Toscana, Firenze 2 Health Search, Firenze 3 Società Italiana di Medicina Generale 4 ASP 7 Ragusa 5 ULSS 16 Padova 6 Regione Emilia Romagna 7 Zona Territoriale Senigallia 8 Regione Lombardia 9 Agenas Indice Introduzione Metodi Risultati Discussione Conclusioni Indice Introduzione Metodi Risultati Discussione Conclusioni Uso di dati amministrativi per misurare la qualità dell’assistenza primaria L’uso dei database amministrativi per identificare casi di patologia cronica e misure della qualità dell’assistenza primaria si sta diffondendo in tutto il mondo (Canada, USA, Paesi Scandinavi. . . ) Uso di dati amministrativi per misurare la qualità dell’assistenza primaria L’uso dei database amministrativi per identificare casi di patologia cronica e misure della qualità dell’assistenza primaria si sta diffondendo in tutto il mondo (Canada, USA, Paesi Scandinavi. . . ) L’Italia ha due differenze importanti Uso di dati amministrativi per misurare la qualità dell’assistenza primaria L’uso dei database amministrativi per identificare casi di patologia cronica e misure della qualità dell’assistenza primaria si sta diffondendo in tutto il mondo (Canada, USA, Paesi Scandinavi. . . ) L’Italia ha due differenze importanti Non esiste un flusso di dati amministrativi alimentato dall’attività dei medici di medicina generale (MMG) Uso di dati amministrativi per misurare la qualità dell’assistenza primaria L’uso dei database amministrativi per identificare casi di patologia cronica e misure della qualità dell’assistenza primaria si sta diffondendo in tutto il mondo (Canada, USA, Paesi Scandinavi. . . ) L’Italia ha due differenze importanti Non esiste un flusso di dati amministrativi alimentato dall’attività dei medici di medicina generale (MMG) I dati hanno la stessa struttura sul territorio nazionale, ma sono raccolti a livello locale (ASL) al più con meccanismi di controllo a livello regionale Uso di dati amministrativi per misurare la qualità dell’assistenza primaria L’uso dei database amministrativi per identificare casi di patologia cronica e misure della qualità dell’assistenza primaria si sta diffondendo in tutto il mondo (Canada, USA, Paesi Scandinavi. . . ) L’Italia ha due differenze importanti Non esiste un flusso di dati amministrativi alimentato dall’attività dei medici di medicina generale (MMG) I dati hanno la stessa struttura sul territorio nazionale, ma che i contatti sonoQuesto raccolti significa a livello locale (ASL) al di piùcura con meccanismi di che generano la definizione di caso sono controllo a livello regionale più rari nella situazione italiana, quindi potenzialmente che gli algoritmi sono meno sensibili Uso di dati amministrativi per misurare la qualità dell’assistenza primaria L’uso dei database amministrativi per identificare casi di patologia cronica e misure della qualità dell’assistenza impatto diindifferenze nella (Canada, USA, primaria Possibile si sta diffondendo tutto il mondo completezza Paesi Scandinavi. . . ) dei dati, diversi costumi di due compilazione schede, ineguale L’Italia ha differenze delle importanti qualità del linkage? Non esiste un flusso di dati amministrativi alimentato dall’attività dei medici di medicina generale (MMG) I dati hanno la stessa struttura sul territorio nazionale, ma sono raccolti a livello locale (ASL) al più con meccanismi di controllo a livello regionale Un’opportunità: il progetto VALORE L’Agenzia nazionale per i Servizi Sanitari Regionali (Agenas) ha svolto nel 2010 il progetto VALORE in cui sono stati utilizzati massicciamente dati amministrativi raccolti in alcuni distretti appartenenti a 6 regioni italiane: Lombardia, Veneto, Emilia Romagna, Toscana, Marche, Sicilia Un’opportunità: il progetto VALORE ers oth the L’Agenzia nazionale per i Servizi Sanitari Regionalite(Agenas) i be c ay arch. ha svolto nel 2010 il progetto VALORE in cui dsono to mstati e e y ar the res utilizzati massicciamente dati amministrativi y. rep raccolti t ogic in alcuni p u Ma , b iol be Lombardia, 1 e , distretti appartenenti a 6 regioni italiane: Veneto, 1 dy tim idem 20 stu Sicilia ke gy ep a o Emilia Romagna, Toscana, Marche, n l t d o n io d ti a m ou an ide alid cost nd s v Ep a n . e s w y s ilit r o rea lyse sab you s inc t ana n t c die ou po du res on n stu king t c a t tio gre ran no es id alida en c d m e o c ou . V tw ta If y o did e be da c t h a w eren gre diff th i .W nM à rn He Un’opportunità: il progetto VALORE L’Agenzia nazionale per i Servizi Sanitari Regionali (Agenas) ha svolto nel 2010 il progetto VALORE in cui sono stati utilizzati massicciamente dati amministrativi raccolti in alcuni distretti appartenenti a 6 regioni italiane: Lombardia, Veneto, Emilia Romagna, Toscana, Marche, Sicilia La SIMG, Società Italiana di Medicina Generale, partner del progetto, raccoglie permanentemente nel database Health Search (HS) dati clinici prodotti da un campione di MMG rappresentativo a livello regionale Un’opportunità: il progetto VALORE L’Agenzia nazionale per i Servizi Sanitari Regionali (Agenas) ha svolto nel 2010 il progetto VALORE in cui sono stati utilizzati massicciamente dati amministrativi raccolti in alcuni distretti appartenenti a 6 regioni italiane: Lombardia, Veneto, Emilia Romagna, Toscana, Marche, Sicilia La SIMG, Società Italiana di Medicina Generale, partner del progetto, raccoglie permanentemente nel database Health Search (HS) dati clinici prodotti da un campione di MMG rappresentativo a livello regionale È stato quindi possibile validare, almeno a livello aggregato, le misure ottenute dai dati amministrativi con le misure ottenute dai dati clinici della medicina generale per i territori regionali corrispondenti Indice Introduzione Metodi Risultati Discussione Conclusioni Campioni non casuali MMG Campioni non casuali MMG campione HS Campioni non casuali MMG campione HS campione VALORE Partecipazione al progetto VALORE1 A Veneto (2 distretti) B Emilia-Romagna (10 distretti) C Toscana (3 distretti) D Marche (1 distretto) E Sicilia (3 distretti) 1 La Lombardia, che è entrata nello studio VALORE in una fase successiva, non ha partecipato allo studio di validazione VALORE: data model EXE PERSON ID EXEMPTION CODE EXEMPTION DIAGNOSIS EXE START DATE PERSONS PERSON ID GENDER CONCEPT ID DATE OF BIRTH STARTDATE ENDDATE GP CODE DRUGS PERSON ID DRUG EXPOSURE START DATE ATC OUTPAT PERSON ID PROC CODE PROC START DATE HOSP PERSON ID START DATE MAIN DIAGNOSIS SECONDARY DIAGNOSIS 1-5 PROCEDURE CODE 1-6 PROCEDURE DATE 1-6 HS: data model PERSONS PERSON ID GENDER CONCEPT ID DATE OF BIRTH STARTDATE ENDDATE GP CODE REGION DIAGN PERSON ID ID DIAGN DATE CODE DIAGN FREE TEXT DIAGN DRUGS PERSON ID ID DIAGN DRUG EXPOSURE START DATE ATC DURATION EXAMS PERSON ID ID DIAGN DESCRIPTION DATE Definizione di caso (dal 1/1/2003 al 31/12/2008) Patologia Flussi HOSP Diabete DRUG Insufficienza cardiaca Cardiopatia ischemica EXE HOSP EXE HOSP DRUG EXE VALORE2 Condizione Una qualsiasi diagnosi di dimissione 250* A10*: almeno due erogazione in date distinte in un anno Diagnosi 250* Una qualsiasi diagnosi di dimissione 428*, 3981, 40201, 40211, 40291, 40401, 40403, 40411, 40413, 40491, 40493 Diagnosi 428* Una qualsiasi diagnosi di dimissione 410*, 411*, 412*, 413*, 414* C01DA: almeno due erogazioni in date distinte in un anno Diagnosi 414* Tabelle DIAGN HS Condizione 250* nel campo codice DIAGN 428*, 40201, 40211, 40291, 40401, 40403, 40411, 40413, 40491, 40493 nel campo codice DIAGN 410*, 411*, 412*, 413*, 414* nel campo codice Al 1/1/2009: vivi, presenti e assistiti da un MMG con almeno 300 pazienti di cui almeno 4 prevalenti per la patologia 2 Metodi MaCro Indicatori nel corso del 2009 Patologia Diabete Cardiopatia ischemica Insufficienza cardiaca Indicatore creatinina emoglobina glicata antitrombotica colesterolo totale ACE inibitori beta-bloccanti ecocardiogramma 3 Metodi MaCro VALORE3 almeno un esame della creatinina (90.16.3 o 90.16.4) almeno un esame dell’emoglobina glicata (90.28.1) almeno due erogazioni di antiaggreganti (ATC: B01A) a distanza di almeno 180gg almeno un esame di colesterolo totale (90.14.3) almeno due erogazioni di ACE inibitori (ATC: C09) a distanza di almeno 180gg almeno due erogazioni di betabloccanti (ATC: C07) a distanza di almeno 180gg almeno un esame di ecocardiogramma (88.72.3) HS almeno una registrazione di creatininemia (90.16.3 o 90.16.4) almeno una registrazione dell’emoglobina glicata (90.28.1) almeno due prescrizioni di antiaggreganti (ATC: B01A) a distanza di almeno 180gg almeno una registrazione di colesterolo totale (90.14.3) almeno due prescrizioni di ACE inibitori (ATC: C09) a distanza di almeno 180gg almeno due prescrizioni di betabloccanti (ATC: C07) a distanza di almeno 180gg almeno una registrazione di ecocardiogramma (88.72.3) Raccolta dati VALORE estrazioni semplici criptate estrazioni semplici criptate ARS data management con software MaCro estrazioni semplici criptate estrazioni semplici criptate estrazioni semplici criptate Variabile di risposta Per ogni indicatore di ogni patologia, per ogni MMG numero di [diabetici/cardiopatici/scompensati] con indicatore = 1 numero di [diabetici/cardiopatici/scompensati] Analisi statistica (stratificata per patologia) Descrittiva Analisi statistica (stratificata per patologia) Descrittiva Rappresentazione tramite box-plot delle distribuzioni VALORE e HS di ciascun indicatore in ciascuna delle 5 regioni Analisi statistica (stratificata per patologia) Descrittiva Rappresentazione tramite box-plot delle distribuzioni VALORE e HS di ciascun indicatore in ciascuna delle 5 regioni Test di Wilcoxon-Mann-Whitney su ogni coppia di distribuzioni Analisi statistica (stratificata per patologia) Descrittiva Rappresentazione tramite box-plot delle distribuzioni VALORE e HS di ciascun indicatore in ciascuna delle 5 regioni Test di Wilcoxon-Mann-Whitney su ogni coppia di distribuzioni Regressione lineare per la misura della differenza tra le medie di HS e VALORE Indice Introduzione Metodi Risultati Discussione Conclusioni Popolazione in studio MMG A B C D E 51 41 29 18 60 Health Search Assistiti Perc. pop. regionale 70.301 1.7 60.590 1.6 36.908 1.1 24.912 1.8 84.483 2.0 MMG 140 625 511 57 231 VALORE Assistiti Perc. pop. regionale 167.805 4.0 840.546 22.5 498.084 15.5 63.125 4.7 264.902 6.3 Distribuzione per età delle coorti di pazienti B C D E 30 20 Diabete 0 10 Percentuale 40 50 A 16−44 45−64 65−74 75−84 85+ 16−44 45−64 65−74 75−84 85+ 16−44 45−64 65−74 75−84 HS 85+ 16−44 45−64 65−74 75−84 85+ 16−44 45−64 65−74 75−84 85+ VALORE B C D E Percentuale 0 10 20 Cardiopatia ischemica 30 40 50 A 16−44 45−64 65−74 75−84 85+ 16−44 45−64 65−74 75−84 85+ 16−44 45−64 65−74 75−84 HS B C D 16−44 45−64 65−74 75−84 E 10 20 30 Insufficienza cardiaca 0 Percentuale 40 50 A 85+ VALORE 16−44 45−64 65−74 75−84 85+ 16−44 45−64 65−74 75−84 85+ 16−44 45−64 65−74 75−84 HS 85+ VALORE 16−44 45−64 65−74 75−84 85+ 16−44 45−64 65−74 75−84 85+ 85+ 16−44 45−64 65−74 75−84 85+ Indicatori diabete C E creatinina A B D E C emoglobina glicata B A D 0 20 40 HS 60 80 VALORE 100 Indicatori diabete C ** ** E creatinina A B D ** E C emoglobina glicata B * * A D 0 20 40 HS 60 80 100 VALORE test di Wilcoxon-Mann-Whitney * 0.001 ≤ p < 0.05 ** p < 0.001 Indicatori diabete C E -3.03 creatinina A B D E C -2.64 emoglobina glicata B A D 0 20 40 HS 60 80 100 VALORE regressione lineare Indicatori cardiopatia ischemica E B antitrombotica A C D C A colesterolo totale B D E 0 20 40 HS 60 80 VALORE 100 Indicatori cardiopatia ischemica E B antitrombotica A * C D C A colesterolo totale B ** * ** D E 0 20 40 HS 60 80 100 VALORE test di Wilcoxon-Mann-Whitney * 0.001 ≤ p < 0.05 ** p < 0.001 Indicatori cardiopatia ischemica E B +1.52 antitrombotica A C D C A -3.59 colesterolo totale B D E 0 20 40 HS 60 80 100 VALORE regressione lineare Indicatori insufficienza cardiaca D B ACE inibitori A C E E A beta−bloccanti C B D B C ecocardiogramma D E A 0 20 40 HS 60 80 VALORE 100 Indicatori insufficienza cardiaca D B ACE inibitori A C E * ** E A beta−bloccanti C B D ** B C ecocardiogramma D E A 0 × 20 40 HS ** * 60 80 100 VALORE test di Wilcoxon-Mann-Whitney * 0.001 ≤ p < 0.05 ** p < 0.001 Indicatori insufficienza cardiaca D B ACE inibitori A C E +3.61 E A beta−bloccanti C B D B C ecocardiogramma D E A 0 × 20 40 HS +3.74 60 80 100 VALORE regressione lineare Indice Introduzione Metodi Risultati Discussione Conclusioni Punti di forza I metodi di estrazione e data management dei dati amministrativi sono stati completamente omogenei e gestiti in modo automatico Punti di forza I metodi di estrazione e data management dei dati amministrativi sono stati completamente omogenei e gestiti in modo automatico Uno studio di validazione delle prevalenze delle patologie, con disegno simile a quello presentato, è in corso di pubblicazione e dà risultati confortanti Punti di forza I metodi di estrazione e data management dei dati amministrativi sono stati completamente omogenei e gestiti in modo automatico Uno studio di validazione delle prevalenze delle patologie, con disegno simile a quello presentato, è in corso di pubblicazione e dà risultati confortanti Complessivamente le differenze tra i due metodi di misurazione sono molto basse e riflettono approssimativamente le stesse differenze regionali, specie negli indicatori di trattamento farmacologico Punti di forza I metodi di estrazione e data management dei dati amministrativi sono stati completamente omogenei e gestiti in modo automatico Uno studio di validazione delle prevalenze delle patologie, con disegno simile a quello presentato, è in corso di pubblicazione e dà risultati confortanti Complessivamente le differenze tra i due metodi di misurazione sono molto basse e riflettono approssimativamente le stesse differenze regionali, specie negli indicatori di trattamento farmacologico Le similitudini osservate sembrano escludere differenze tra regioni nei costumi di compilazione delle schede, nella completezza dei dati e nella qualità del record linkage che compromettano la possibilità di intepretare le misure ottenute dall’integrazione di dati amministrativi tra regioni diverse Limiti Nella regione E (Sicilia) i dati amministrativi sottostimano sistematicamente, sebbene lievemente, gli indicatori misurati tramite le prestazioni ambulatoriali e sembra indicare un problema di incompletezza di questo flusso Limiti Nella regione E (Sicilia) i dati amministrativi sottostimano sistematicamente, sebbene lievemente, gli indicatori misurati tramite le prestazioni ambulatoriali e sembra indicare un problema di incompletezza di questo flusso L’indicatore dell’ecocardiogramma sembra non rilevato correttamente dal database Health Search Limiti Nella regione E (Sicilia) i dati amministrativi sottostimano sistematicamente, sebbene lievemente, gli indicatori misurati tramite le prestazioni ambulatoriali e sembra indicare un problema di incompletezza di questo flusso L’indicatore dell’ecocardiogramma sembra non rilevato correttamente dal database Health Search La validazione tramite dati aggregati e su campioni non coincidenti e non casuali non consente di entrare maggiormente nel dettaglio delle differenze Lo studio di validazione di MATRICE MINSAL CNR SIMG Morpheus TheMatrix MMG ASL chiave pubblica ABC CBA BAC CAB chiave pubblica ha la CI per l’algoritmo 1 e per l’algoritmo 2 ha la CI per l’algoritmo 1 ma non per l’algoritmo 2 non ha la CI per nessun algoritmo non ha la CI per nessun algoritmo ABC CBA BAC CAB A va in X B va in Y C va in W ID XYW WYX YXW WXY CNR CI1 1 1 0 0 ID XYW WYX YXW WXY A va in X B va in Y C va in W CI2 1 0 0 0 CI1 1 1 0 0 ha la CI non ha la CI ha la CI non ha la CI ID XYW WYX YXW WXY CI2 1 0 0 0 CI 1 0 1 0 P1 P2 P3 P4 CI 1 0 1 0 ha la CI per l’algoritmo 1 e per l’algoritmo 2, e ha la diagnosi ha la CI per l’algoritmo 1 ma non per l’algoritmo 2, e non ha la diagnosi non ha la CI per nessun algoritmo, ma ha la diagnosi non ha la CI per nessun algoritmo, e non ha la diagnosi Indice Introduzione Metodi Risultati Discussione Conclusioni Supporto all’uso dei dati amministrativi integrati Il confronto tra le distribuzioni degli indicatori come letti da Health Search e come letti dai dati amministrativi indica una sostanziale coerenza attraverso le diverse realtà regionali Supporto all’uso dei dati amministrativi integrati Il confronto tra le distribuzioni degli indicatori come letti da Health Search e come letti dai dati amministrativi indica una sostanziale coerenza attraverso le diverse realtà regionali Questo studio supporta la tesi che l’impatto delle differenze locali nella formazione dei dati amministrativi non sia tale da precludere la possibilità di usarli per leggere differenze geografiche, anche in modo sofisticato Grazie per l’attenzione!
