construcon and validaon of a predicve model for the ... · 3 enfermedad crónica menor única ......

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





4.6Plandetrabajo

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





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.


IV.METODOLOGÍA


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.


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


•  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.


5.3DISEÑODELALGORITMO

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


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


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


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.

[email protected]

construcon and validaon of a predicve model for the ... · 3 enfermedad crónica menor única ......

Documents