construcon and validaon of a predicve model for the ... · 3 enfermedad crónica menor única ......
TRANSCRIPT
Construc*onandvalida*onofapredic*vemodelfortheiden*fica*onofcomplex
chronicpa*entsSilviaBadalCarsi,RuthUsó,DavidVivas,AlexanderZlotnik
UniversidadPolitécnicadeValencia,UniversidadPolitécnicadeMadrid
ÍNDICE
I. INTRODUCCIÓNII. ANTECEDENTESIII. OBJETIVOSIV. METODOLOGÍAV. RESULTADOSVI. DISCUSIÓNVII. CONCLUSIONES
I.INTRODUCCIÓN
I.INTRODUCCIÓN• Colaboraciónentre el grupode invesCgacióneneconomía y gesCónde saludde INECO de laUPV y la
direccióndelHospitalClínicoUniversitariodeValencia.• Los direcCvos del Hospital Clínico detectaron la necesidad demejorar el sistema de idenCficación de
PacientesCrónicosComplejos(PCC).• DiseñarunalgoritmodeidenCficacióndePCCenlaCVquemejorelosresultadosdelsistemaexistente.• Los PCC son de gran importancia debido a que consumen la gran canCdad de recursos siendo un
porcentaje muy pequeño de la población. Gracias a una buena idenCficación se podrá estudiar sucomportamiento y aplicarles tantounages*óncomounoscuidadosmásadecuados conel objeCvodemejorarelsistemasanitarioylacalidaddevidadelospacientes.
2.ANTECEDENTES
EFECTOEINFLUENCIADELACRONICIDADENELSNS
EVOLUCIÓNDELGASTOSANITARIOENESPAÑAYCV
MODELOSDEAJUSTEDERIESGOENSALUD:CLINICALRISKGROUPS(CRG).
II.ANTECEDENTES
2.3Modelosdeajustederiesgo• Herramienta para estraCficar a la población
segúnunosindicadoresdeterminados.• SuobjeCvoesaplicarestrategiassanitariasmás
efecCvassegúnlamorbilidaddelapoblación.
LosClinicalRiskGroups(CRG)• Establece un estado de salud mutuamente
excluyente a cada paciente basándose en lahis tor ia c l ín i ca y las caracter í s*casdemográficas
• ACRG3 con 9 Estados de salud y 6 niveles degravedad.
EstadodesaludparaelniveldeagregaciónACRG3
1 Estadosano
2 EnfermedadagudasignificaCva
3 Enfermedadcrónicamenorúnica
4 EnfermedadcrónicamenorenmúlCplessistemasorgánicos
5 Enfermedaddominanteocrónicamoderadaúnica
6 EnfermedadsignificaCvacrónicaenmúlCplessistemasorgánicos
7 Enfermedaddominantecrónicaentresomássistemasorgánicos
8 Neoplasiasdominantes,metastásicasycomplicadas
9 Necesidadessanitariaselevadas.
III.OBJETIVOSHIPÓTESISOBJETIVOGENERALOBJETIVOSESPECÍFICOS
III.OBJETIVOS
3.1HipótesisLos pacientes crónicos complejos (PCC) se pueden idenCficar usando información digital a parCr de lassiguientesvariables:edad,sexo,gastofarmacéuCcoambulatorio,índicederiesgoclínico(CRG)yuClizaciónderecursossanitarios.
3.2Obje8vogeneralDiseñodeunalgoritmodeidenCficacióndepacientescrónicoscomplejosusandolainformacióndeCRGsyuClizaciónderecursos.
3.2Obje8vosespecíficos REVISIÓN
BIBLIOGRÁFICA CONCEPTO PCC MODELIZACIÓN MATEMATICO ÉSTADÍSTICA
DISEÑAR EL ALGORITMO
IV.METODOLOGÍADISEÑOVARIABLESDELESTUDIOFUENTESDEINFORMACIÓNPROGRAMASINFORMÁTICOSANÁLISISESTADÍSTICO
IV.METODOLOGIA
4.1Diseño
4.2Variablesdelestudio
4.3Fuentesdeinformación
4.4Programasinformá8cos
4.5Análisisestadís8co
4.6Plandetrabajo
IV.METODOLOGIA
4.1Diseño
4.2Variablesdelestudio
4.3Fuentesdeinformación
4.4Programasinformá8cos
4.5Análisisestadís8co
4.6Plandetrabajo
IV.METODOLOGIA
4.1Diseño
4.2Variablesdelestudio
4.3Fuentesdeinformación
4.4Programasinformá8cos
4.5Análisisestadís8co
4.6Plandetrabajo
Estudio de ámbito poblacional, observacional, descripCvo,analíCco,retrospecCvoydecortetransversal.• Ámbitodelestudio:CVincluyendolos24departamentosde
salud.• Periodo de estudio: de enero del 2015 hasta diciembre del
2015.• Sujetos de estudio: 4.709.115 ciudadanos registrados en el
sistemadeinformaciónpoblacionaldelaCV,entreenerodel2015ydiciembredel2015.
• Criteriosde inclusiónyexclusiónde los sujetosdeestudio:SeincluyenenelestudiolosciudadanosdadosdealtaenelSIPconmédicoasignado(empadronadosmásdeunmes)delaCV.
IV.METODOLOGIA
4.1Diseño
4.2Variablesdelestudio
4.3Fuentesdeinformación
4.4Programasinformá8cos
4.5Análisisestadís8co
IV.METODOLOGIA
4.1DiseñoEstudio de ámbito poblacional, observacional,descripCvo, analíCco, retrospecCvo y de cortetransversal.• Ámbito del estudio: CV incluyendo los 24
departamentosdesalud.• Periodo de estudio: de enero del 2015 hasta
diciembredel2015.• Sujetos de estudio: 4.709.115 ciudadanos
registrados en el sistema de informaciónpoblacional de la CV, entre enero del 2015 ydiciembredel2015.
• Criteriosde inclusiónyexclusiónde lossujetosde estudio: Se incluyen en el estudio losciudadanosdadosdealtaenel SIP conmédicoasignado(empadronadosmásdeunmes)de laCV.
• Datossocio-demográficos:clavede
anonimizacióndepacientes,edadysexo.• Datosdeu8lizacióndelsistemasanitarioo
cargaasistencial:númerodecontactosenatenciónprimaria,númerodecontactosenurgenciasynúmerodeingresoshospitalarios.
• DatossobreelCRG• Datosdeproblemasrelacionadosconlos
medicamentos(PRM)• Datosdegastofarmacéu8co:importepor
pacientedefarmaciaambulatoria.
4.2Variablesdelestudio
IV.METODOLOGÍA
4.3Fuentesdeinformación
El programa StataSE versión 14 para el análisisdescripCvo y estadísCco de los dato y el programaMicroso] Excel 2016 para expresar los gráficos,construir las tablas y presentar la informaciónnumérica.
4.6Análisisestadís8co1. Análisisdescrip*vodelasvariables2. Desarrollodeunmodelopredic*vomediante
regresiónlogísCcabinaria.3. Realizacióndeunnomogramade
discriminación.
4.4Programasinformá8cos
Sistemas de información sanitarios de la CVdisponiblesen laOficinadeFarmacoeconomíade laDirecciónGeneraldeFarmaciayProductosSanitarios(DGFyPS)delaConselleriadeSanitatUniversaliSalutPública.
DISEÑODELALGORITMOSíntesisdelalgoritmodeiden8ficación
CREACIÓNDELASVARIABLES
REGRESIÓNLOGÍSTICA
NOMOGRAMA
V-DEPENDIENTEPCC
V-INDEPENDIENTES
ODDSRATIO
SCORETOTAL
V.RESULTADOSDEFINICIÓNDEUNPCCANÁLISISDELAPOBLACIONALDISEÑODELALGORITMO
5.1DEFINICIÓNDEUNPCC• UnPCCesaquellapersonacuyaGESTIÓNCLÍNICAESESPECIALMENTEDIFÍCIL.
• SonpersonasconCOMORBILIDAD,POLIMEDICACIÓNYEDADESAVANZADAS.
• Una ENFERMEDAD CRÓNICAmuy grave y en curso o varias enfermedades crónicas. Además de otras
SITUACIONESCOMPLEJAS,porejemplo,enfermedadesminoritariasodisfuncionesintelectuales.
• La disminución de autonomía del paciente y la polimedicación que puede derivar en EFECTOS
SECUNDARIOSEINTERACCIONESENTREFÁRMACOS.
• USORECURRENTEDELOSSERVICIOSSANITARIOSconunaFRECUENCIAALTADE INGRESOSDELARGA
DURACIÓN.
• Su atención requiere de VARIOS PROFESIONALES y a su vez un GRAN NÚMERO DE PRUEBAS
DIAGNÓSTICAS.
5.2ANÁLISISPOBLACIONAL
Paraesteestudio sehauClizadounabasededatosde la CV con un total de 4.709.115 pacientes. LospacientesdelestudiohansidoclasificadosenfuncióndelamorbilidadmedianteelsoiwareCRG.El nivel de agregación uClizado en el ACRG3 delmodeloPopredicCvodelCRGdondeseestructuraalapoblaciónporestadodesaludyniveldegravedad.
Distribucióndelapoblaciónporestadodesaludygravedad.
Distribucióndetodalapoblaciónporestadodesalud.
45% Estado Sano
Estado sano Enfermedad aguda significativa Enfermedad crónica menor única Enfermedad crónica menor en múltiples sistemas orgánicos Enfermedad dominante o crónica moderada única Enfermedad significativa crónica en múltiples sistemas orgánicos Enfermedad dominante crónica en tres o más sistemas orgánicos Neoplasias dominantes, metastásicas y complicadas Necesidades sanitarias elevadas
15%
5.2ANÁLISISPOBLACIONALDistribucióndelusoderecursosporestadodesaludygravedad.
• Sehaestudiadoladistribucióndeloscontactosen atención primaria, ingresos hospitalarios yurgencias.
• Lospacientesconunmayorusodelosrecursossanitarios se localizan en los grupos de mayormorbilidadycomplejidaddelosACRG,llegandoa superar veinCcuatro veces la media de lapoblación en el caso de los ingresoshospitalarios.
• Un mayor uso de recursos implica un mayorgastosanitario
MEDIADEINGRESOSHOSPITALARIOSPORESTADODESALUDYGRAVEDADENLACVEN2015
5.2ANÁLISISPOBLACIONAL
• PRM incluyen las alergias, las interacciones,posología, contraindicaciones, CIE-ATC,acontecimientosadversosyduplicidades.
• Conforme empeora el estado de salud del
paciente el número de medicamentos queconsumeaumentagenerandounmayornúmerodePRMs.
DistribuciónlosPRMporestadodesaludygravedad.
MEDIADEURGENCIASPORESTADODESALUDYGRAVEDADENLACVEN2015
Distribucióndelgastofarmacéu8coporestadodesaludygravedad.
5.2ANÁLISISPOBLACIONAL
5.3DISEÑODELALGORITMO
5.3.1Seleccióndelasvariables• Noseincluiránlasvariablessociodemográficas,edadysexo.• Exclusióndelospacientes“nocrónicos”delestudio.
Distribucióndetodalapoblaciónporestadodesalud. Distribucióndelapoblacióncrónicaporestadodesalud.
4.709.115pacientes 1.502.509pacientes
53%
40%
1 2 3 4 5
45% 17%
1 2 3 4 5 6 7 8 9
5.3DISEÑODELALGORITMO
VariabledependientePCC
Primaria Hospital Urgencias PRM Coste farmacia
Media 7 0 0 1 279
Percentil 95 24 1 2 9 1.492
Máximo 344 47 74 121 160.777
Variableindependiente
Usoderecursos,losPRM,elcosteylaclasificaciónCRG.
5.3.1Seleccióndelasvariables
SehanclasificadocomoPCCalospacientesque superan el percenCl 95 (P95) de losrecursos,PRMycoste,teniendoencuentaatodalapoblación.
5.3DISEÑODELALGORITMO5.3.1Seleccióndelasvariables
AGRUPACIÓNDELAVARIABLECATEGÓRICAACRG3
5.3.1Seleccióndelasvariables
5.3DISEÑODELALGORITMO
VariablesfinalesVariabledependiente:“V_PCC”.
Variablesindependientes:Con*nuas:• Nºdecontactosenatenciónprimaria• Nºdecontactosenurgencias• Nºdeingresoshospitalarios• PRM• costefarmacéuCco.Categóricas
5.3DISEÑODELALGORITMO5.3.2Modeloderegresiónlogís8ca(generacióndelmodelo)
// Creamos la muestra train (75% de los datos) set seed 1 g train = (runiform() < 0.75) // Realizamos la regresión logística odds ratio. logistic V_PCC i.G1_Cronica i.G2_Cronicas i.G3_Neoplasias i.G4_Necesidades NUM_CONT_AMB NUM_ING_HOSP NUM_URG PRM_TOTAL IMPORTE_NUM if train
5.3DISEÑODELALGORITMO5.3.2Modeloderegresiónlogís8ca(pruebaspostes8mación)
// TRAIN // Área bajo la curva ROC; Test de bondad de ajuste; Tabla de clasificación lroc if train, nograph estat gof if train estat classification if train // TEST // Las mismas pruebas pero para el 25% restante, el test lroc if !train, nograph estat gof if !train estat classification if !train //Generación del nomograma nomolog if train
5.3DISEÑODELALGORITMO5.3.2Modeloderegresiónlogís8ca
298,3386336,51
0Loglikelihood=-2159.8366 0,5946
G1_Cronica1 0,013 0,013 -4,250 0 0,002 0,0952 0 0 -1,180 0,236 0 1,3163 1,000 (empty)
G2_Cronicas1 0,303 0,077 -4,670 0 0,183 0,5002 1,114 0,231 0,520 0,603 0,742 1,6713 1,668 0,350 2,440 0,015 1,106 2,516
G3_Neoplasias1 0,191 0,139 -2,280 0,023 0,046 0,7922 1,514 0,376 1,670 0,095 0,930 2,4643 2,352 0,806 2,500 0,013 1,202 4,602
Nºcontactosatenciónprimaria 1,028 0,002 13,950 0 1,024 1,031Nºcontactoshospitalarios 1,690 0,035 25,500 0 1,623 1,760Nºdeurgencias 1,488 0,021 27,660 0 1,447 1,531PRMtotales 1,090 0,004 24,680 0 1,083 1,098Costefarmacéutico 1,000 0 6,730 0 1,000 1,000constante 0 0 -35,820 0 0 0
PseudoR2
*note:G1_Cronica!=0predictsfailureperfectlyG1_Cronicadroppedand2163obsnotused
Std.Err.OddsRatioV_PCC z P>z [95%Conf.Interval]
Regresiónlogística Numberofobs
Prob>chi2LRchi2(13)
Debido a las dimensiones de lapoblación, se realizarán laspruebas con una muestra del20%deltotal.Asuvez, laregresiónseaplicaráaunconjuntodenominadotrain,una muestra aleatoria del 75%de los datos, y después alconjuntotest,el25%restante.
5.3DISEÑODELALGORITMO5.3.2Modeloderegresiónlogís8ca
Post-es*mación• Discriminación:ÁreabajolacurvaROC.• Calibración:Testdebondaddeajustede
HosmerLemeshow.• Sensibilidadyespecificidad
5.3DISEÑODELALGORITMO
Un nomograma es una representación gráfica de los odds ra*o, coeficientes de la regresión. A la hora derepresentarlos,siguelosiguientespasos:
1. Estableceunapuntuaciónparatodaslasvariablesdelmodelo2. ObCeneunapuntuacióntotalsumandotodaslaspuntuacionesdelasvariables.3. ObCenelaprobabilidaddeeventoaparCrdelapuntuacióntotal.
Ennuestrocaso,dadoquelacalibraciónnoesadecuada,seuClizaelnomogramaparadiscriminarentrePCCono.Paraello,marcamoscomolímiteentresiynolapuntuacióntotalde0.5.
5.3.3Nomogramadediscriminación
5.3DISEÑODELALGORITMO5.3.3Nomogramadediscriminación
LA PUNTUACIÓN TOTALCORRESPONDIENTE A LAPROBABILIDAD0.5%ES9,3
VI.DISCUSION LimitacionesdelestudioAplicacionesfuturas
VI.DISCUSIONLimitacionesdelestudio• Las fuentes de información se corresponden con la situación real de Conselleria de Sanitat, puedenpresentar errores en la codificación de los diagnósCcos, procedimientos médicos y prescripcionesfarmacéuCcas.
• Nosedisponíandevariablesreferentesasituaciónsocialydedependencia
Aplicaciónfutura• Alertaasistencialdecronicidadenlahistoriaclínicaelectrónica(HCE,ABUCASIS).Dividelacronicidadenniveles:
– Nivel1:Estadosdesalud1y2.– Nivel2:Estadosdesalud3,4y5.– Nivel3:Estadosdesalud6gravedad1,2,3y4.– Nivel4:Estadodesalud6gravedad5y6,Estados7,8y9àPacienteCrónicosComplejos
• Laaplicaciónfuturadelalgoritmopropuestoenestetrabajoesformarpartedelaalertaasistencialdecronicidadreformandoelsistemaactualparapoderobtenermejoresresultados.
VI.DISCUSION
VII.CONCLUSIONES
VII.CONCLUSIONES
1. ElsistemadeidenCficacióndecronicidadaplicadoporlaConselleríadeSanitatnosaCsfacelosrequerimientosdelosusuariosyesnecesariounanuevaherramientamáspotente.
2. Los Pacientes Crónicos Complejos (PCC) representan un porcentaje muy bajo de lapoblación y consumen un alto porcentaje de los recursos sanitarios. Son personas deedadesavanzadasquesufrenunaenfermedadcrónicamuygraveovariasenfermedadescrónicas. Presentan además comorbilidades, pluripatología, polimedicación y edadesavanzadas.
3. Se ha corroborado que un aumento de la carga de morbilidad y gravedad de lasenfermedadessuponeunincrementoproporcionaldelconsumoderecursos
VII.CONCLUSIONES4. Amedida de aumenta lamorbilidad y el estado del paciente se agrava, el número de
medicamentos aumenta simultáneamente provocando en un aumento en los PRM y elgastofarmacéu*co
5. LainclusióndenuevasvariablesalmodelodeidenCficaciónhaaumentadolaprecisióndelsistemadeidenCficación.
6. El algoritmo desarrollado mediante unmodelo de regresión logís*ca es validado paraidenCficarPCC.
7. El nomograma es una herramienta de discriminación adecuada para determinar si unpacienteesonoesPCC.
8. Elalgoritmoresultantesuponeunamejorasobreelsistemaenuso.