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!
