條文本
摘要
客觀的利用意大利國家衛生係統(NHS)行政數據庫的多源信息,開發並驗證一種新的共病評分(多源共病評分(MCS)),預測死亡率、住院率和醫療費用。
方法從意大利倫巴第地區(訓練集)的NHS受益者中隨機抽取50萬名50歲或以上的個體樣本,開發了一個包含34個變量的指數(從基線前2年內的住院診斷和門診藥物處方中測量),獨立預測1年死亡率。相應的權重由威布爾生存模型的回歸係數分配。MCS的表現通過使用內部驗證集(即另一個來自倫巴第的50萬NHS受益者樣本)和三個外部驗證集(每個驗證集由來自埃米利亞-羅馬涅、拉齊奧和西西裏島的50萬NHS受益者組成)進行評估。用鑒別力和淨重分類改進比較MCS的表現與其他共病評分。MCS預測二級健康結果(即入院和費用)的能力也被調查。
結果隨著MCS值的增加,主要和次要結果逐漸增加。MCS將1年淨死亡率重分類從27%(相對於慢性疾病評分)提高到69%(相對於Elixhauser指數)。MCS識別性能在我們測試的意大利四個地區相似,在倫巴第,接收者工作特征曲線(95% CI)下的麵積為0.78(0.77 ~ 0.79),埃米利亞-羅馬涅為0.78(0.77 ~ 0.79),拉齊奧為0.77(0.76 ~ 0.78),西西裏島為0.78(0.77 ~ 0.79)。
結論MCS在預測健康結果方麵似乎優於傳統評分,至少在意大利的一般人群中是這樣。這可能為風險調整、政策規劃和在日常醫療實踐中確定需要集中治療方法的患者提供一種改進的工具。
- 管理數據庫
- 伴隨疾病
- 預後評分係統
- 記錄鏈接
這是一篇根據創作共用署名非商業性(CC BY-NC 4.0)許可發布的開放獲取文章,該許可允許其他人以非商業性的方式發布、混編、改編、構建本作品,並以不同的條款許可其衍生作品,前提是原始作品被正確引用且使用是非商業性的。看到的:http://creativecommons.org/licenses/by-nc/4.0/
統計數據來自Altmetric.com
本研究的優勢和局限性
多源共病評分(MCS)結合了意大利所有地區現有行政衛生來源的數據,成為一種工具,能夠衡量共病,預測1年死亡率,甚至其他不良結果。
這項研究是基於一個非常大的未選擇的人口,這是可能的,因為在意大利,公共資助的醫療係統幾乎包括所有公民。
MCS在內部和外部都得到了驗證,並在200萬人身上進行了測試,這是一個非常大的樣本,代表了整個意大利人口。
門診服務、教育、功能狀態、護理人員可用性和社會不穩定指標的數據未納入預測模型。
簡介
共病被定義為與患者主要診斷無關的疾病的總負擔。1理想情況下,對於任何特定的個體,共病的評估應該基於他/她的臨床和人口統計資料的完整信息。然而,這是如此耗時和昂貴,以至於對於大多數人來說,人們的注意力已經轉向了利用計算機化信息係統提供的數據的措施。2Charlson共病評分3.慢性疾病評分(CDS),4也就是說,兩個流行的指數分別基於診斷編碼係統和處方藥物,是廣泛使用的基於可用計算機化數據的共病評分。5
大多數基於診斷的共病評分都是通過對住院患者醫療記錄的基於醫院的調查得出的,直到後來它們才被用於基於人口的管理數據。3-13相反,很少有人從行政數據中開發出工具,14然而,沒有提供評分共病指數的加權係統。5由於病人很可能接受藥物治療,而且由於處方藥物的數量已被證明隨著慢性疾病的數量而增加,15基於藥物的評分為測量共病提供了另一種工具。16然而,目前還沒有令人信服的證據表明一種方法(例如,基於藥物的方法優於基於診斷的共病評分)在預測健康結果方麵的優越性。5 17日至19日
我們以人口為基礎的研究是在意大利衛生部的主持下進行的。我們的目的是利用意大利國家衛生係統(NHS)數據庫的多個來源信息,開發和驗證一種新的預測死亡率、住院和醫療成本的共病評分。
方法
作為國民保健製度的一部分,所有意大利公民都有平等的機會獲得保健服務。意大利21個地區都建立了醫療保健利用數據庫的電腦化信息係統,以收集各種信息,至少包括:(1)接受國民保健服務(NHS)援助的居民的人口和行政數據;(2)根據國際疾病分類第9版(ICD-9)臨床修改分類係統(http://icd9.chrisendres.com/);(3)根據解剖治療化學(ATC)分類係統編碼的NHS報銷的藥物處方(https://www.whocc.no/atc_ddd_index/).通過分配給每個國民保健製度受益人的身份(ID)代碼,在每個區域內進行數據庫之間的記錄連接。為了保護受益人的隱私,識別了身份碼,並刪除了轉換表。
米蘭比卡大學倫理委員會對該方案進行了評估,並決定(1)該研究免於知情同意,(2)對個人記錄的身份識別提供了充分的保證。
使用May描述的方法,利用醫療保健利用數據進行經驗開發風險預測模型等,20.羅伊斯頓等21和萊利等.22
候選人預測
從Charlson、Elixhauser和慢性疾病評分(分別表示為CCI、EI和CDS)下的清單開始,我們製定了46種疾病和狀況的清單,分類為傳染病和寄生蟲病(2)、腫瘤(4)、內分泌、營養和代謝疾病、免疫疾病(6)、血液和造血器官疾病(2)、精神疾病(7)、神經疾病(5)、循環疾病(9)、呼吸疾病(2)、消化疾病(3)、泌尿生殖係統(3)、肌肉骨骼係統和結締組織疾病(1)和其他疾病(2)。在納入的46種疾病中,18種僅來自住院患者診斷代碼,6種僅來自門診患者處方藥物,其餘22種來自診斷和治療代碼,這取決於具體的診斷代碼和意大利NHS免費提供的藥物治療的可用性。我們中的兩個人(FR和GM)獨立選擇了ICD-9和ATC代碼,捕獲了經曆了46種入選條件中的每一種的個體。分歧在會議上得到了解決。
候選預測器的整個列表,以及相應的代碼,都在網上報告補充表S1.
補充文件1
分開發
為了選擇能夠獨立預測1年死亡率的條件(即感興趣的主要結果),我們進行了以下工作。首先,從2008年的50萬個人中隨機選擇一個培訓(衍生)集:(1)年齡在50歲以上,(2)NHS受益人,(3)在倫巴第至少居住2年。數據是從倫巴第地區的數據庫中檢索的,倫巴第地區的人口約占其總人口的16%,其中有近400萬50歲以上的人。其次,根據Weibull分布擬合參數生存模型,研究協變量與死亡時間的關係。模型中包括的協變量是性別、年齡(2008年1月1日)和上述46種報告的疾病或狀況,這些疾病或狀況分別是通過2006年和2007年的病人住院和門診處方獲得的。這些數據作為二分變量輸入到模型中,根據在基線(2006-2007)之前的2年內特定情況是否沒有或至少記錄過一次,其值為0或1。第三,采用最小絕對收縮和選擇算子(LASSO)方法選擇能夠預測1年死亡率的疾病/條件。23LASSO通過縮小係數權重選擇與測量結果相關的變量,對與結果不相關的變量降到零。最後,從模型估計的係數被用於在每個選擇的協變量分配一個分數。具體來說,係數是通過乘以10並四舍五入到最接近的整數來轉換成分數的,24這些分數按順序加起來就得到了總分。為了簡化係統,即為了考慮總分的過度異質性,對總分0 - 4、5-9、10-14、15-19和≥20的類別分別賦遞增值0、1、2、3和4,對後者進行分類。這樣得到的指數稱為多源共病評分(MCS)。
模型驗證
MCS的內部和外部效度是通過將屬於訓練集的個體的得分應用到幾個驗證集來調查的。後者是通過應用相同的訓練集包含/排除標準來選擇的。
應用了以下兩階段驗證程序。首先,通過將當前多源共病CCI、EI和CDS應用於倫巴第50萬NHS受益者的內部驗證集,探討MCS表現與其他預後評分的關係。為此目的采用了兩種方法。首先,通過構建受試者工作特征(ROC)曲線並計算ROC曲線下麵積(AUC)來評估鑒別能力;2 .計算淨重分類改進(NRI),評估MCS對CCI、EI和CDS風險分類的改進。25NRI通過評估經曆過和沒有經曆過結果的受試者的預測概率來衡量MCS重新分類的受試者的淨比例。
其次,從意大利北部(埃米利亞-羅馬涅)、中部(拉齊奧)或南部(西西裏島)地區選擇3個外部驗證集,每個外部驗證集由50萬NHS受益者組成,並與內部驗證集聯合考慮。這些地區的人口總數約為2140萬,即超過意大利人口的三分之一(35.3%)。由於數據可用性的異質性,必須考慮不同地區的不同時期,即倫巴第2008年,埃米利亞-羅馬涅和拉齊奧2010年,西西裏島2013年。通過比較AUC估計值和按MCS分層的Kaplan-Meier 1年生存概率來檢驗MCS性能的區域間一致性。
敏感性分析和次要結果
由於評分分類的任意性(見上述報告中對評分發展的描述),在二次分析中,我們通過比較內部驗證樣本的存活概率(Kaplan-Meier曲線)來驗證MCS在預測1年死亡率方麵的穩健性,該樣本根據MCS分類進行分層,而不是主要分析中使用的MCS分類。
進一步分析MCS是否可以預測其他次要結果,包括:(1)5年全因死亡率;(2)因各種原因住院1年和5年的情況;(3)從意大利國家醫療服務體係的角度衡量的2年住院費用。次要結果參考1000人年,並在內部驗證集中按MCS類別計算。
結果
MCS與其他共病評分比較
MCS、CCI、EI和CDS的AUC值(95% CI)分別為0.78(0.77 ~ 0.79)、0.69(0.68 ~ 0.70)、0.65(0.64 ~ 0.66)和0.69(0.68 ~ 0.70)。圖2).
使用NRI的性能分析顯示,MCS顯著改善了所有其他評分的淨1年死亡率重分類,改善幅度為38.8% (95% CI 36.9至40.7;P<0.0001)與CCI相比,為68.8% (95% CI 66.8 ~ 70.7;P<0.0001),與EI相比為27.2% (95% CI 25.3 ~ 29.1;P<0.001)。就CDS(基於藥物的評分)而言,MCS將經曆過上述結果的個體(死者)的正確重新分類的敏感性提高了17%,而就CCI和EI(即基於診斷的評分)而言,它將未經曆上述結果的個體(幸存者)的正確重新分類的敏感性分別提高了37%和67%。
MCS模型在意大利各地區的表現
MCS的AUC值(95% CI)在倫巴第、埃米利亞-羅馬涅、拉齊奧和西西裏島分別為0.78(0.77 ~ 0.79)、0.78(0.77 ~ 0.79)、0.77(0.76 ~ 0.78)和0.78(0.77 ~ 0.79)。圖3).此外,在所有四個區域,隨著MCS的增加,1年生存率逐漸減少(圖4).
討論
我們的研究表明,基於醫院診斷和來自當前管理數據的藥物處方的簡單評分能夠根據意大利國民健康保險製度受益人的1年死亡風險進行分層。進一步表明,該評分顯著提高了常用預後評分如CCI、EI和CDS的鑒別力和淨重分類能力。結果表明:(1)在意大利北部、中部和南部的普通人群中,得分表現具有可比性;(2)從NHS的角度計算,同樣適用於預測長期死亡率、短期和長期住院人數以及2年住院費用。
盡管MCS是由已經用於CCI、EI和CDS的46種疾病和條件的完整列表衍生而來的,但我們的評分比之前驗證的共病評分使用了更多的信息。總體而言,我們的MCS比CDS識別出了更多具有較高臨床結果風險的個體,這是另一種將藥物信息整合到評分中的共病評分。MCS與其他基於診斷的共病評分相比,也能夠排除更多不良結果風險較低的個體。
目前的研究有幾個優點。首先,盡管之前的研究已經確定了死亡率和其他健康結果的預測因素,5據我們所知,MCS是第一個結合住院診斷和門診藥物處方,根據與相關臨床結果相關的共病對NHS受益者進行分層的方法。其次,我們的研究是基於一個非常大的未選擇的人口,這是可能的,因為在意大利,公共資助的醫療係統幾乎包括所有公民。第三,MCS在200萬NHS受益者中進行了驗證和測試,這個樣本非常大,代表了整個意大利人口。第四,由於藥劑師需要詳細報告藥品處方以獲得報銷,而不正確的處方報告會產生法律後果,因此處方數據庫提供了高度準確的數據。26最後,我們避免了基於專家意見的共病選擇27 28還有流行數據。22 29 30此外,為了克服常規逐步選擇在必須分析多個預測因子時的局限性,31日32采用LASSO模型。通過將估計非常不穩定的變量縮小到零,LASSO模型可以有效地排除一些產生稀疏估計的不相關變量。33
還必須考慮到一些潛在的限製。首先,預測因子僅限於在意大利所有地區例行收集的那些。這意味著,一些可能與臨床結果和醫療保健成本相關的數據,如門診服務(包括由NHS認可的專業醫生和實驗室進行的就診和診斷測試、支付豁免、直接交付給住院患者的藥物和急診室就診)沒有被考慮在內,因為這些數據並非無處不在。此外,管理數據庫不包含教育水平、功能患者狀態、護理人員可用性和社會不穩定標記等信息,而這些已被證明對我們研究的結果具有預測價值。34這強調了未來對其他預測因素的研究的興趣,並意味著有可能出現比我們的分數更準確地預測結果的分數。
第二,我們的評分係統沒有計入私營醫療機構提供的醫療服務。例如,缺乏證據表明抑鬱症可以預測共病相關的結果,這可能是由於我們無法捕捉到沒有接受公共精神衛生服務治療的患者。beplay体育相关新闻然而,考慮到意大利國民保健服務完全涵蓋基本保健需求,對死亡率有重大影響的疾病不太可能逃過其數據庫。
第三,誤診(由於報告診斷和共病的準確性不高35)和升級編碼(以追求更高的報銷36)可能會產生對MCS性能的保守估計。然而,這些診斷錯誤同樣會影響所有基於診斷的共病評分,因此無法質疑我們的主要結果,即MCS比Charlson和Elixhauser評分有更好的表現。
第四,由於醫療係統的性質和質量顯著影響結果,37我們的評分係統在意大利以外的國家可能會有不同的表現,這意味著它在歐洲其他地方的適用性還有待檢驗。然而,在這種情況下,有必要強調的是,在意大利各地區,MCS的表現表現出令人印象深刻的穩定性,這些地區的醫療保健服務質量和可獲得性存在重大差異。38這表明,它對死亡率和其他與醫療相關的結果的預測價值可能在不同的環境下持續存在。
最後,我們必須意識到,MCS可能不適用於每一個相關結果,並量化可能增加患者死亡風險的所有條件的作用。例如,我們的評分不能考慮:(1)不影響1年死亡率的情況;(2)患有特定疾病但沒有留下常規醫療“足跡”的NHS受益人能夠發現該疾病(如未經治療的高血壓);(3)急性發作(如致命性心肌梗死)後至少2年未存活的患者。
結論
總之,我們開發並驗證了一個簡單的多源預後評分,該評分來自於通常用於衛生係統管理的數據,有助於預測每個NHS受益人的短期和長期死亡風險、住院和高衛生費用。MCS可作為臨床和流行病學研究中風險調整的有用工具,用於評估和衛生係統績效和衛生政策規劃,以及在日常醫療實踐中確定需要重點處理方法的患者的工具。
參考文獻
腳注
貢獻者GC和FC構思了這個手稿的想法。GC設計了這項研究並起草了手稿。FR、MDM、AL、LMBB、MF和SPA進行數據分析。RDP, SS, DF和LM提取數據並授權使用它們。GM在臨床前瞻性下協助解釋結果。所有作者都協助了結果的解釋和稿件修改。所有作者閱讀並批準了最終稿件。
資金這項工作得到了意大利教育、大學和研究部(“Fondo d’ateneo per la Ricerca”部分,2015年)的支持,資助號為2015- ate -0524。
免責聲明意大利教育、大學和研究部沒有參與研究的設計、數據的收集、分析和解釋,也沒有決定批準出版已完成的手稿。
相互競爭的利益GC獲得了歐洲共同體(EC)、意大利藥品管理局(AIFA)和意大利教育、大學和研究部(MIUR)的研究支持。GC參與了由製藥公司(如諾華、GSK、羅氏、AMGEN、BMS)資助的各種項目。GC還獲得了羅氏谘詢委員會成員的酬金。
倫理批準米蘭比柯卡大學倫理委員會批準了這項研究。
來源和同行評審不是委托;外部同行評審。
數據共享聲明沒有其他數據可用。