Sezione D - Risultati preliminari


D.1 – Mappatura morbilità e distribuzione variabili di interesse

D.1.1 Azienda Ulss 16

Abbiamo analizzato una popolazione di 483.274 assistiti dell’ULSS 16 che presentavano un età media di 44,13 anni (deviazione standard 23,038) di cui 231.531 maschi (età media 42,44 anni) e 251.743 femmine (età media 45,68 anni). Le caratteristiche di questa popolazione corrispondono a quelle della popolazione generale, escludendo le età inferiori ai 17 anni.
Analisi della popolazione
Piramide dell'età della popolazione di assistiti dell'ULSS 16
Grafico 1 - Piramide dell'età della popolazione di assistiti dell'ULSS 16

Distribuzione degli assistiti per età e sesso
Grafico 2 - Distribuzione degli assistiti per età e sesso

Abbiamo suddiviso gli assistiti in funzione della probabilità di alto costo totale individuando 1.449 pazienti che presentano una probabilità superiore all’80%, 3.866 pazienti con probabilità superiore al 60% e 8697 pazienti con probabilità superiore al 40% (Tabella 2)

Probabilità di alto costo totale
Tabella 2 – Probabilità di Alto Costo totale

Abbiamo suddiviso gli assistiti in funzione della probabilità di ospedalizzazione futura individuando 258 pazienti con un rischio maggiore del 60% e 5089 assistiti con un rischio maggiore del 40% (Tabella 3)

Probabilità di ospedalizzazione
Tabella 3 – Probabilità di ospedalizzazione

Riportiamo poi di seguito (Tabella 4) la suddivisione dei pazienti per le varie categorie ACG sia in numero assoluto che in percentuale rispetto al totale degli assistiti. Il 46,4% degli assistiti (224.467) analizzati da ACG non presentano diagnosi mentre altri 78.917 (16,3%) sono definiti come non utilizzatori dei servizi sanitari.

Distribuzione ACG in Ulss 16
Tabella 4 –Distribuzione ACG in Ulss 16

Distribuzione ACG nelle due ULSS
                                               
Grafico 3 –Distribuzione ACG nelle due ULSS


Distribuzione ADG in ULSS 16
Tabella 5 –Distribuzione ADG in Ulss 16

Frequenza delle Hospital Predictions Major Selected Conditions in Ulss 16
Tabella 6 – Frequenza delle Hospital Predictions Major Selected Conditions in Ulss 16

Nella Tabella – 7, abbiamo utilizzato la funzione RUB e analizzato la sua distribuzione tra i vari distretti dell’ULSS 16. Questo ha evidenziato come mediamente il 16% dei pazienti (dal 14,9% nel Distretto 3 al 17,4% nel Distretto 1) ricada nella categoria 0 (“No or Only Invalid Dx”). Il 48,6% degli assistiti sono classificati come Utilizzatori Sani (categoria 1 – “Healthy Users”).

Distribuzione RUB* per distretti in Ulss 16
Tabella 7 –Distribuzione RUB* per distretti in ULSS 16

Infine abbiamo calcolato la distribuzione percentuale degli assistiti in funzione del numero di diagnosi che erano state a loro attribuite. Non abbiamo riscontrato grande variabilità tra i vari distretti. Circa il 63,6% degli assistiti non presentava nessuna diagnosi e il 19,6% circa presentava una sola diagnosi. Mentre più del 15% degli assistiti presentavano almeno due diagnosi contemporaneamente.

Distribuzione per distretto


D.1.2 Azienda ULSS 20

Le persone residenti nell’Azienda ULSS 20 di Verona al 31 dicembre 2011 presenti in anagrafe sanitaria regionale e i cui dati sono stati caricati nel software ACG sono 476.733, di cui 102.147 (21.4% della popolazione) di 65 anni e oltre. La distribuzione per classi di età e sesso di tale popolazione viene presentata nel grafico successivo.

Popolazione residente per classi di età e sesso al 31 dicembre 2011. ULSS 20

Figura 1 - Popolazione residente per classi di età e sesso. Popolazione ULSS 20 al 31 dicembre 2011.

Come primo passo nell'analisi dei dati tramite il software ACG si è proceduto al confronto, in termini di consumo di risorse sanitarie, tra la popolazione veronese e un campione rappresentativo di tutta la popolazione americana. Il software della John Hopkins University infatti fornisce una serie di pesi ACG specifici, che possono essere considerati come una base di riferimento o benchmark verso cui confrontarsi. I pesi ACG rappresentano una valutazione dell’utilizzo relativo di risorse per ACG e sono calcolati come il rapporto tra la media dei costi di tutti i pazienti di una categoria ACG e la media dei costi di tutti i pazienti della popolazione.

I pesi ACG specifici permettono di calcolare il Case-Mix vs Reference Data, una misura utile per confrontare il case-mix della popolazione veronese con quello della popolazione americana di riferimento. Tale misura viene calcolata come la media dei pesi specifici ACG della popolazione standard applicati alla popolazione in esame o, in altri termini, questo indice non è altro che il peso medio che si otterrebbe qualora ai pesi di riferimento venisse applicata la popolazione in studio e  può essere quindi utilizzato per confrontare la morbilità osservata con quella di riferimento. In genere, valori superiori a 1,0 indicano che il case-mix della popolazione in osservazione è più complesso rispetto alla popolazione di riferimento, mentre valori inferiori a 1,0 indicano una popolazione osservata più sana.

Il valore complessivo del Case-Mix/Reference osservato nella popolazione dell’ULSS 20 risulta pari a 0,38 e sembra indicare apparentemente uno stato di salute migliore rispetto allo standard americano. In realtà il valore è influenzato dal grado di copertura delle informazioni raccolte: i singoli codici ACG infatti vengono assegnati alle persone in base alle diagnosi rilevate e nel nostro sistema di raccolta dati, al momento, non sono disponibili diagnosi per tutte le patologie esistenti. Se si analizza infatti la distribuzione di frequenza dei codici ACG nella popolazione dell’ULSS 20 si nota come il 42,4% non abbia alcuna diagnosi di patologia, pur facendo registrare un consumo di risorse sanitarie. Si tratta quindi di persone venute in contatto con il sistema sanitario nazionale, ma per le quali al momento non è possibile approfondirne la motivazione.

Diverso invece è il caso del 18,5% della popolazione definito come “non utilizzatore”, in quanto gode di un buono stato di salute e per questo non registra né diagnosi di patologia né alcun consumo di risorse sanitarie nel 2011.Nella tabella 1 vengono presentati i primi 15 codici ACG più frequenti.          

Distribuzione primi 14 ACG più frequenti
Tabella 1 –Distribuzione primi 14 ACG più frequenti

Si è poi passati ad analizzare gli output dell’applicativo ACG confrontando il consumo di risorse tra i 4 distretti territoriali presenti in ULSS 20. Si sottolinea il fatto che si tratta di spese parziali e si rimanda alla sezione relativa alle fonti dei dati prese in considerazione in questa sperimentazione per il dettaglio.
Gli indicatori utili per valutare l’appropriatezza e l’efficienza nel consumo di risorse sono presentati nelle due tabelle successive che mettono a confronto indicatori grezzi e aggiustati per le categorie ACG. 

Indicatori senza alcun aggiustamento
Tabella 2 – Indicatori senza alcun aggiustamento

Indicatori di performance con aggiustamento ACG
Tabella 3 – Indicatori di performance con aggiustamento ACG

Il rapporto tra i costi osservati e i costi medi attesi (ultima colonna della tabella 2) rappresenta il costo relativo dei singoli distretti. Se si osserva il costo relativo, senza alcun tipo di aggiustamento, il distretto D sembra essere il più virtuoso (rapporto=0,90), in quanto fa registrare una spesa inferiore a quella media attesa; i distretti A e B sembrano consumare un 4% di risorse in più di quelle attese e il distretto C risulta quasi in linea con la media generale. In questo modo però non è possibile sapere se spese maggiori (o inferiori) sono dovute ad un maggiore (o inferiore) carico assistenziale (case-mix) della popolazione piuttosto che ad una gestione inefficiente (o efficiente) delle risorse. Per tenere sotto controllo questo aspetto, ACG permette di calcolare le spese attese aggiustate per le categorie ACG, cioè tenendo in considerazione la complessità dello stato di salute della popolazione nei diversi distretti, in modo da rendere le popolazioni confrontabili. Questo indicatore si prefigge quindi di misurare il livello di efficienza dei singoli distretti. Osservando il rapporto tra i costi osservati e i costi attesi ACG (ultima colonna della tabella 3) si può notare come il distretto C risulti ancora più efficiente (rapporto=0,80) e gli altri tre distretti vedano aumentare il divario tra i costi effettivamente sostenuti e quelli attesi.

Il rapporto tra i costi attesi ACG e i costi medi attesi, che rappresenta il livello generale di complessità della popolazione assistita dai singoli distretti, sembra confermare la presenza di una popolazione “più malata” nel distretto D.
Si è quindi proceduto ad approfondire questa valutazione andando a verificare eventuali differenze nella registrazione dei dati tra i vari distretti. La percentuale di pazienti senza alcuna diagnosi registrata evidenzia come ci sia maggiore disponibilità di diagnosi, e quindi maggiore precisione nell’assegnazione dei codici ACG, nel distretto D rispetto agli altri.

Distribuzione pazienti con 0 diagnosi
Tabella 4 – Distribuzione pazienti con 0 diagnosi

Questo è spiegabile soprattutto a causa di differenti modalità di inserimento delle diagnosi nel flusso del pronto soccorso. Nel distretto D infatti è presente il pronto soccorso gestito dall’ULSS 20, mentre gli altri tre distretti fanno generalmente riferimento al pronto soccorso dell’Azienda Ospedaliera che produce un flusso proprio. Si è quindi provato ad eliminare le diagnosi del pronto soccorso dall’archivio in analisi  e a ricalcolare gli indicatori di performance. Il risultato di tale operazione è presentato nella tabella 5.

Indicatori con aggiustamento ACG
Tabella 5 – Indicatori con aggiustamento ACG

L’indicatore Costi attesi ACG/costi medi attesi mostra un livello generale di morbilità del tutto simile tra i quattro distretti, non evidenziando quindi alcuna differenza nello stato di salute della popolazione. In particolare il distretto D passa da un valore pari a 1,13 (indicante una complessità maggiore della popolazione) ad un valore pari a 1 escludendo il Pronto Soccorso. L’indicatore di efficienza (ultima colonna della tabella) riduce le differenze tra i distretti ma evidenzia sempre il distretto D come il più efficiente.
Da quanto emerso, si sottolinea l’importanza della qualità e completezza dei dati raccolti relativi alle diagnosi per poter giungere a conclusioni corrette. 
Scendendo maggiormente nel dettaglio, questi indicatori sono stati calcolati per singolo Medico di Medicina Generale (MMG) in modo da poter confrontare e valutare i singoli contributi alla spesa sanitaria. Sono stati selezionati 307 MMG con un numero di assistiti superiore a 350 persone e per ognuno è stato calcolato l’indice di efficienza, ovvero il rapporto tra i costi osservati e i costi aggiustati. La figura seguente mette a confronto l’indice di efficienza con due diversi metodi di aggiustamento: il primo per età e sesso e il secondo aggiustato per ACG.

O/E= rapporto tra osservato e atteaso aggiustando solo per età e sesso (Age_Gender_based) o anche per categorie ACG (ACG based).
Figura 2 - O/E= rapporto tra osservato e atteaso aggiustando solo per età e sesso (Age_Gender_based) o anche per categorie ACG (ACG based).

La maggioranza dei MMG si concentra in valori attorno all’unità, indicante costi osservati in linea con i costi attesi, in entrambi i metodi di aggiustamento. Maggiore attenzione, dal punto di vista valutativo, deve essere posta verso le code del grafico, dove si evidenziano anche le maggiori differenze tra i due metodi di aggiustamento. La coda a destra, con valori dell’indice di efficienza superiori all’unità, indica il numero di MMG con spese osservate superiori alle attese. E’ interessante notare come il numero di MMG considerati “troppo costosi” si dimezzi passando dall’aggiustamento solo per sesso ed età a quello con ACG. Le spese maggiori sostenute da questi medici sembrano quindi essere giustificate da una maggiore complessità della popolazione assistita.
Aggiustare per ACG permette quindi di valutare in maniera più appropriata i costi per paziente dei Medici di Medicina Generale, tenendo conto anche del carico assistenziale degli assistiti. La tabella 6 evidenzia come per alcuni medici una valutazione “negativa” (valori O/E >1) con l’aggiustamento solo per età e sesso, in termini di spesa sostenuta, possa invece diventare “positiva” (valori O/E <1) aggiustando per ACG.

Indicatori di efficienza con o senza aggiustamento per ACG
Tabella 6 – Indicatori di efficienza con o senza aggiustamento per ACG

Si è poi passati ad analizzare gli EDC (Expanded Diagnosis Cluster)in tabella 7, ovvero i gruppi diagnostici allargati, per livello di utilizzazione risorse assegnato al paziente (RUB – Resources Utilization Band), dove RUB=1 indica utilizzatori sani e RUB=5 utilizzatori ad alto impatto di spesa. Nella tabella 7 vengono presentati sei raggruppamenti diagnostici a medio-alto impatto.

Distribuzione EDC* per RUB
Tabella 7 – Distribuzione EDC* per RUB

Infine sono stati confrontati gli SMR dei quattro distretti dell’ULSS 20 (calcolati come casi osservati/casi attesi aggiustati per età e sesso) per i Major Rx-MG (categorie diagnostiche farmaco-correlate), raggruppamenti di farmaci simili in termini di morbilità, durata, stabilità e obiettivi terapeutici. I Distretti B e D sembrano registrare una prevalenza maggiore di persone con un consumo di farmaci statisticamente significativo, rispetto al Distretto A e C.  

Distribuzione diagnosi farmaco-correlate per distretto
Tabella 8 – Distribuzione diagnosi farmaco-correlate per distretto

Primi 10 MEDC nelle 2 Aziende ULSS
Figura 3 - Major Expanded Diagnoses Cluster (MEDC) per Azienda ULSS
Figura 3 - Major Expanded Diagnoses Cluster (MEDC) per Azienda ULSS

D.2 – Case finding per i casi complessi

Il sistema ACG permette di isolare, tra gli assistiti di un medico di medicina generale il gruppo di pazienti che consumano il maggior numero di risorse. Nella fase pilota è stato possibile osservare come oltre il 60% delle risorse totale viene utilizzato da un centinaio di pazienti, che rappresentano quelli con il maggior carico assistenziale.
Percentuale cumulativa suddivisione dei costi totali


D.3 – Audit con i medici

Ai MMG che hanno collaborato al progetto è stato chiesto di confrontare i Patient Clinical Profile di ACG con le schede paziente estratte dalla cartella informatizzata che attualmente utilizzano ed il risultato emerso è che vi è buona coerenza tra i dati forniti da ACG e la situazione dei pazienti risultante dai dati della cartella informatizzata. 

Vi è pertanto una maturata consapevolezza che la raccolta della informazioni dai data base dei medici di Medicina generale e’  fondamentale per migliorare la qualita’ di tutte le iniziative di audit, health e disease management.