條文本
PDF
文摘
客觀的評估特定的醫療服務提供者網絡結構是否更健壯的係統性衝擊等提出的當前COVID-19大流行。
設計使用多變量回歸分析,我們衡量供應商網絡結構的作用,來自醫療保險病人共享數據,對縣級COVID-19結果(在死亡率和利率)。我們的調整分析包括縣級社會經濟和人口控製,國家固定效應,並使用滯後網絡措施以解決反向因果關係的擔憂。
設置我們縣COVID-19人口結果3 2020年9月。
參與者病人的醫療服務提供者共享網絡統計測量縣級(n = 2541 - 2573縣,取決於所使用的網絡測量)。
主要和次要結果的措施COVID-19死亡率的人口水平,COVID-19死亡率水平和COVID-19積極案件的速度。
結果我們發現供應商網絡結構在初級護理醫師(pcp)相對中央,或有更大的中間狀態或特征向量集中化,縣級COVID-19死亡率較低有關。調整的分析,我們的結果表明,增加的相對中心pcp (p值< 0.05),或網絡集中化(p值< 0.05或p值< 0.01),1 SD與COVID-19死亡減少1.0 - -1.8每100人000人(或2.7%的死亡率減少-5.0%)。我們還發現了一些有價值的證據提供者之間的一個關聯網絡結構和COVID-19率。
結論供應商網絡結構與更大的相對中心pcp與其他供應商相比顯得更加健壯的係統性衝擊COVID-19,做網絡結構和更大的中間性集中化特征向量。這些發現表明,我們組織衛生係統如何影響我們應對係統性衝擊的能力如COVID-19大流行。
- COVID-19
- 衛生政策
- 衛生經濟學
- 在醫療質量
- 衛生服務組織
數據可用性聲明
合理的請求數據。
這是一個開放的分布式條依照創作共用署名非商業性(4.0 CC通過數控)許可證,允許別人分發,混音,適應,建立這個工作非商業化,和許可他們的衍生產品在不同的協議,提供了最初的工作是正確地引用,給出合適的信用,任何更改表示,非商業使用。看到的:http://creativecommons.org/licenses/by-nc/4.0/。
來自Altmetric.com的統計
本研究的優點和局限性
使用美元彙率最近COVID-19死亡率和案例數據提供者一起病人縣級美國共享網絡數據。
觀察性研究的設計。
使用多變量回歸模型來分析供應商網絡結構之間的聯係和COVID-19死亡率和案例。
估計調整縣級社會經濟和人口控製,以及國家固定效應。
使用暫時落後於網絡反向因果關係的措施來解決問題。
介紹
供應商網絡的概念,來自病人共享數據,可以提供深入了解我們的衛生係統組織,和成本等,這些結構進一步影響結果,利用和保健越來越良好的文檔記錄。1 - 8除了提供我們一個藍圖病人護理是如何組織的,供應商網絡編碼信息專業病人分享醫療服務提供者之間的關係,因此,潛在的provider-to-provider擴散新治療創新和最佳實踐的信息。9 - 11
而組織、協作和信息傳輸,把潛伏在這些供應商網絡保健事項規定在正常情況下,它的重要性可能會進一步升高時係統性衝擊,從COVID-19等保健提供者可能更多地依賴他們的供應商網絡搜索信息時是如此的近,當尋求診斷和治療複雜的病人情況。因此,我們的研究提出了評估供應商網絡結構和魯棒性之間的關係提出的係統性衝擊如當前COVID-19大流行。我們假定,縣初級保健提供者服務提供者網絡結構中的核心作用更健壯的係統性衝擊,因此降低死亡率和情況下利率從COVID-19經驗。因此,我們假設COVID-19提供者病人分享網絡結構的重要結果。
概念模型
圖1提供了一個有向無環圖(DAG)圖,概述了我們的概念模型表示的供應商網絡結構如何影響縣級COVID-19結果。該模型突出了很多因素,可能會影響我們的結果和網絡措施,並借此提出一個混淆的問題。現在討論這些因素。首先,它已經證明,患有慢性疾病,如糖尿病,COVID-19死亡率的風險增加。12日13在人口層麵,潛在的健康危險因素的比例可能影響供應商合作病人care-confounding COVID-19網絡結構影響的分析結果,除非我們能夠控製州和縣級底層人口健康的差異。同樣,其他研究已經表明,病人的社會經濟狀況和人口可能與COVID-19擴散和死亡。14日15這介紹了兩個其他渠道,我們需要考慮為了避免混淆和控製這些特性和效應的影響由於供應商網絡結構。鑒於我們有縣級控製這些特性在我們的數據,我們表示這些特性的影響網絡結構測量和COVID-19結果用黑色虛線圖1,黑色虛線表示由於功能可觀測的影響在我們的數據。
有向無環圖的圖。類別的可觀測變量,以及未被注意的特點,可能有一個對網絡結構和COVID-19因果影響的結果。紅色虛線捕捉潛在影響由於未被注意的特征,而黑色虛線捕捉潛在影響將可觀測的功能在我們的數據。藍色實線抓住了尋求潛在影響網絡結構對COVID-19結果。
此外,可能會有很多縣和州一級的混雜因素未被注意的在我們的數據,但仍可能影響我們的網絡結構變量和COVID-19結果。首先,可能存在未被注意的跨州立法和衛生係統差異導致係統兩種供應商網絡結構和跨州的區別COVID-19結果。隨著我們進一步解釋一下在方法部分,我們包括狀態指示器變量為了捕捉這樣的州一級潛在的影響,因此,我們能夠控製這些潛在因素在我們的分析。
最後,即使包含的固定效果,可能會有當地市場中未被注意的(縣級)衝擊我們的數據,但仍然可能會影響網絡結構和COVID-19結果。從這樣的衝擊,為了避免混淆和反向因果關係的可能性COVID-19結果導致觀察到的網絡結構,我們使用一個滯後網絡結構措施,早於COVID-19暴發。這些來源不被察覺潛在的混雜因素中直觀地描述圖1使用紅色的虛線。更多細節關於如何分析調整提供了潛在的混雜因素在統計分析分段的方法部分。
方法
研究樣本
我們使用縣級和死亡率數據報道紐約時報2020年9月3日的曆史數據文件。基於這些數據定義病例和死亡證實(基於實驗室檢測)和概率(基於堅持4月5日國務院和領土流行病學家發表了建議識別通過特定的症狀標準和接觸)。16這些數據結合縣級提供者網絡數據,建立了基於醫療保險索賠數據從2016年由CareSet係統(內也提供額外的細節在線補充圖S1)。17這些數據定義一個病人分享鏈接的基礎上至少兩個供應商有11個常見的病人。這樣一個截止有助於確保漏報可能虛假的網絡鏈接,與之前的工作在這一領域已驗證的使用等聯係代理專業病人分享供應商之間的關係。18 19使用國家醫療保險病人共享數據提供者標識符,我們聯係供應商醫療保險醫生比較數據集為了提取每個提供者的專業、縣標識符,我們用來建設我們的county-specific提供者網絡措施的目的。
除了我們COVID-19和醫療提供者網絡數據,我們也采購一些縣級共2020所縣衛生排名數據,其數據來源免受大量數據源建立的(在下麵描述)。這些變量是為了占采購最近被確認為重要因素在解釋COVID-19地區異構性問題的結果。12 - 15 20 21本研究是基於公開的鑒定數據,它沒有構成人體研究45 CFR 46.102所定義的。本研究遵循加強流行病學的觀察性研究報告(閃光燈)報告指南。
病人和公眾參與
涉及任何病人。
研究變量
COVID-19死亡率和利率
我們計算兩個死亡率和一個利率每100人000人”使用—我們的分析的目的。我們第一次COVID-19死亡率是基於縣級總人口估計(我們縣的人口數字來自2018年人口普查數據),定義為:
。第二個COVID-19死亡率是相反的總積極COVID-19病例和被定義為:
。最後,率定義的基礎上總縣人口:
。22
網絡的措施
我們利用兩種類型的網絡測量相對中心和中央集權。第一個是由計算的平均度中心初級護理醫師(pcp)和所有non-PCP提供者,然後通過這兩個值的比值。在之前的工作後,提供者度是基於醫院轉診地區,8日23和county-specific措施獲得通過縣的特定比例平均卡式肺囊蟲肺炎和non-PCP度值。因此,結果相對卡式肺囊蟲肺炎non-PCP中心率會更高程度的區域中心non-PCPs PCP是相對較高的,這表明PCP相對更集中在這些地方。
其次,我們使用兩個網絡統計數據的基礎上,總體而言,當地縣級網絡structures-this使用中間性集中化和特征向量集中化。這些中央集權措施將零網絡,網絡中的所有供應商占據相同的位置(基於中間狀態或特征向量中心),這將增加的全球不平等在指定網絡中心的措施。因此,重要的是要注意,中間性中心(在個體供應商級別)告訴我們重要的提供者是如何連接其他供應商的能力;推斷從提供者的特征向量中心時的相對重要性(或中心)提供者的直接病人共享連接(即,從他們的同事)。24日25日
數學定義的額外細節,建設中提供的這些措施在線補充表S1。
統計分析
獲得的估計供應商網絡結構對COVID-19結果的影響,我們用多元回歸方法。與任何觀察性研究設計,獲得公正的網絡效應是複雜的潛在混雜無邊無際的決定因素(見概念模型的更多細節)。改善這樣的問題,我們的研究需要三個步驟。首先,我們包括一組豐富的縣,反是被確認為重要解釋人口的地區差異水平COVID-19結果(我們還概述了在我們的概念模型,圖1)。第二,我們包括國家級固定效應在我們所有的分析為了占從潛在的未被注意的狀態,避免混淆水平差異,可能影響供應商協作如何護理,以及由此產生的COVID-19結果。最後,從縣級衝擊可能影響我們的網絡措施和COVID-19結果,鑒於反向因果關係的潛力與COVID-19結果導致的供應商網絡結構,我們使用滯後網絡措施(從2016年)為了避免這些問題。
總之,為每個死亡率和例率結果(
),我們適合以下回歸模型:
(2)
在那裏,
表示感興趣的網絡測量;協變量的X表示一個向量組成的家庭收入中值,失業率,糖尿病患病率,65歲及以上的百分比,百分比非西班牙裔黑人和女性百分比;最後,
抓住國家固定效應。因此,網絡效應(τ)標識使用在狀態變化條件控製。這種方法中列出所有潛在的多重渠道的控製圖1(概念模型)直接(通過包含控製)或間接(通過包含國家固定效應和滯後的使用網絡測量)。
結果
縣和between-county變化特征
表1提供摘要統計信息在我們的結果,網絡和控製變量。從這一點,我們注意意味著COVID-19死亡率為34.8 (SD = 46.1)每100人口000人,和相應情況下的2121.6每100 000人(SD = 2414.1)。對於網絡的措施,我們注意,pcp平均網絡更高學位1.7倍比non-PCP提供者(SD = 4.3),這表明其相對較高的中心。至於中央集權的措施,這兩個顯示集中化與顯著的不平等分布提供者中心(p值< 0.001一個雙邊t檢驗的零假設是一個中央集權= 0)中還提供了附加的描述性統計在線S2-S9補充圖S2和表。
我們between-county變異地圖。(A)展示了COVID-19每100人死亡000人,用紅色表明高,和綠色指示低,死亡率。(B)顯示了初級保健醫生(PCP) non-PCP學位中心比率。(C)的中間性集中化和(D)特征向量集中化。所有網絡的措施,紅色代表值較低,而綠色表明更高的價值。
圖2提供縣級地圖塊county-to-county變化在我們的結果和網絡的措施。從圖2一個,這展示了COVID-19人口死亡率水平每100人000人。看著non-PCP學位中心率的卡式肺囊蟲肺炎圖2 b。我們注意到一些可見的重疊COVID-19死亡率趨勢了圖2一個。區域相對較低的卡式肺囊蟲肺炎non-PCP中心似乎更高水平的COVID-19人口死亡率。類似的趨勢觀察中央集權的措施圖2 c。和圖2 d,這表明更多的異構性問題的中心提供商似乎是降低死亡率的結果。額外的地圖,進一步展示這些地理相關性模式中可以看到在線S3-S5補充數據。
供應商網絡結構和係統性衝擊的魯棒性
表2顯示了家庭收入中值,調整回歸結果控製失業率,糖尿病患病率,以及縣級人口,除了具體由各州完成固定效果。未經調整的支撐細節定性非常類似於調整結果是可用的在線補充附錄和表。觀察小組,我們的測量結果是COVID-19死亡率計算縣人口水平。相對平均的卡式肺囊蟲肺炎non-PCP學位中心比,我們發現一個消極點估計的−0.254 (95% CI 0.487−−0.022;p值< 0.05)。應該注意的是,所有p值報告基於一個零假設的邊際效應估計等於零效應。1 SD增加在這個網絡測量,我們觀察減少1.1每100人死亡000(或死亡率減少3.1%)從COVID-19。類似的效果觀察的兩個網絡集中化的措施。
的中間性集中化,我們發現一個消極點估計的−19.19 (95% CI 36.310−−2.070;p值< 0.05)。此測量對應1 SD增加減少1.0每100人死亡000(或死亡率降低2.8%)從COVID-19。特征向量的集中化,我們發現一個消極點估計的−11.17 (95% CI 19.050−−3.293;p值< 0.01)。這個網絡測量1 SD增加表示每100 000 1.8死亡減少(或下降5%)COVID-19死亡。總之,由於影響1 SD增加,根據網絡測量認為,1.0和1.8之間範圍減少死亡人數每100 000 COVID-19死亡率(或COVID-19死亡率下降2.7%至5.0%)。
麵板B報告當測量結果的估計結果相反,COVID-19死亡率計算基於縣級計數。再一次,我們發現顯著的負麵效應在所有三個網絡措施(p值< 0.05,p < 0.05, p值< 0.05)。整體效果的大小(由於1 SD增加網絡測量),我們發現這些介於55.1和89.4之間減少死亡人數每100 000 COVID-19 COVID-19積極情況下人口死亡(或案例死亡率下降2.6%至4.2%)。
最後,小組C禮物估計縣人口水平COVID-19計數每100人000人。這裏我們注意的結果定性類似於我們的未經調整的結果(見在線補充附錄和表);然而,有意義的喪失的異常特征向量集中化網絡測量(p值< 0.1),保留弱意義。特征向量的中央集權的措施,效果由於1 SD增加在這個網絡測量意味著每100人28.9例000例減少確認COVID-19病例(或案例率減少1.9%)。
討論
本研究顯示之間存在顯著的關係區域供應商網絡的結構(即我們如何組織和提供護理)和魯棒性的應對係統性衝擊如COVID-19大流行。因此,我們的研究結果導致越來越多的文獻的主題COVID-19以及區域醫療結果的變化。- 34COVID-19死亡率基於縣的人口估計,我們調整後的回歸結果表明,影響由於1 SD增加,根據網絡測量認為,範圍在1.0和1.8之間避免每100人死亡000人。外推到整個美國人口3.31億,2020年35這就相當於一個潛在的3310年到5809年挽救了生命。因此,供應商網絡結構是很重要的,以確保更好的人口健康結果相關係統廣泛的COIVD-19衝擊。
此外,我們發現高水平的中間性集中化(即高水平的全球不平等的中間性中心)與COVID-19死亡率較低。這表明,並不是所有的供應商應該占據相同的角色在我們的衛生係統網絡;我們可能想要有特定的提供者服務的角色更廣泛的“網絡連接”(提供者連接其他有悖於提供者組)。自然的網絡連接器將初級護理醫師,幫助這些網絡中占據核心地位。我們還發現,供應商網絡初級護理醫師持有更大的相對中心與其他供應商相比與低COVID-19每100 000人死亡。因此,這一發現進一步強調了潛在的重要性,初級保健醫生為中心的保健網絡/模型可能發揮在確保不僅大護理協調和患者的結果,20 36 37還在確保供應商網絡結構強勁等係統性衝擊COVID-19提出的大流行。
雖然我們的研究結果出現強勁的使用不同的網絡措施,和兩種不同COVID-19死亡率在這項研究中,分析並非沒有限製。首先,由於數據可用性的限製,我們的供應商網絡的措施是基於醫療保險病人共享數據,而不是病人人群共享數據。因此,我們的分析使假設病人醫療保險人口共享模式可以作為代理供應商之間在人口患者共享模式。這是一個假設需要在將來的研究中驗證。然而,因為我們控製為65歲以上的人口比例在每個縣,我們改善擔憂關於混雜在縣醫療保險患者的患病率的變化。
第二個數據的限製是,我們的網絡測量是基於數據從2016年。這延遲可能誘發一些噪音在我們分析;然而,它減少了擔憂潛在的內生性關係我們的網絡測量和回歸殘差。因此,使用一個滯後網絡措施幫助我們改善我們的網絡和結果之間的反向因果關係的潛在問題的措施。38
第三個限製是基於網絡的結果可能是敏感閾值的選擇用於定義一個共享病人(或鏈接)供應商之間的關係。有關這一點,我們選擇的閾值11共享病人與之前文獻在這方麵18 19;然而,這種假設還需要注意。此外,我們的卡式肺囊蟲肺炎non-PCP學位中心比利用學位中心措施從醫院轉診地區網絡建設。這個選擇是基於與之前工作在這一領域;然而,這個決定不開我們的結果是使用縣級網絡(而不是)收益率定性相似的結果(見在線補充附錄)。
最後,案例率和死亡率計算基於積極COVID-19病例可能低估了真實的病例數從積極的計算是基於確診病例。此外,這些確診病例的死亡率計算可能存在選擇偏倚。也就是說,如果我們相信個人COVID-19症狀更為嚴重的病人更有可能得到測試,然後基於死亡率的人口將誇大實際人口死亡率水平。因此,我們主要集中分析和討論的結果我們COVID-19死亡率計算基於整個縣級人口。
總之,供應商網絡結構被發現與縣級COVID-19死亡率,和弱度COVID-19患病率。這些發現表明,我們如何組織衛生係統不僅可以影響結果等成本,利用率和護理,但可能是重要的,他們如何應對係統性衝擊如COVID-19大流行。
數據可用性聲明
合理的請求數據。
倫理語句
病人同意出版
倫理批準
不適用。
引用
補充材料
-
補充數據
僅這個web文件已經由英國醫學雜誌出版集團從一個電子文件提供的作者(年代)和沒有對內容進行編輯。
腳注
貢獻者SL和李設計的研究。SL獲取和分析數據。SL起草了手稿。李明博回顧和修訂後的手稿。所有作者批判知識內容的修訂和批準最終的手稿。SL和李是擔保人的工作。
資金努力為本研究部分支持的國家糖尿病、消化腎病研究所(K24DK093699、R01DK118038 R01DK120861, PI: Egede)研究所和國家人群健康狀況及風險(R01MD013826π:Egede / Walker)。
地圖免責聲明邊界的描繪在地圖上並不意味著任何意見的表達的BMJ(或任何成員的組)關於任何國家的法律地位,領土,管轄區域或部門。這張地圖提供了沒有任何類型的保證,明示或暗示。
相互競爭的利益沒有宣布。
病人和公眾參與病人和/或公眾沒有參與設計,或行為,或報告或傳播本研究計劃。
出處和同行評議不是委托;外部同行評議。
補充材料此內容已由作者(年代)。尚未審查由BMJ出版集團有限公司(BMJ)和可能沒有被同行評議。任何意見或建議討論僅代表作者(年代)和不了BMJ的支持。和責任起源於BMJ概不負責任何依賴的內容。內容包括任何翻譯材料,BMJ並不保證翻譯的準確性和可靠性(包括但不限於當地法規、臨床指南,術語,藥物名稱和藥物劑量),和不負責任何錯誤或遺漏引起的翻譯和改編或否則。