Predikce hospitalizační mortality u akutního infarktu myokardu

Václav Kratochvíl, Hynek Kružík, Petr Tůma, Jiří Vomlel, Petr Somol

Nemocniční mortalita na akutní infarkt myokardu jako ukazatel kvalityNemocniční mortalita na akutní infarkt

myokardu (AIM) je základ ukazatelů, používaných v řadě zemí (UK, USA) při srovnávání výsledků péče různých nemocnic.

Ukazatele se poněkud liší svojí definicí (výběrem dat a způsobem výpočtu).

Průměrné hodnoty ukazatele jsou cca 7-18%(v závislosti na zemi a definici ukazatele)

Příklad – stát Texas

Prezentace výsledků

Standardizace (Risk Adjustment)• Standardizace měření je podmínkou pro korektní

srovnávání nemocnic• Pokud chceme korektně porovnávat, musíme buď

vytvořit všem stejné podmínky ....

• ... nebo musíme ukazatel matematicky „očistit“ od vlivu rizikových faktorů

Standardizace mortality (úmrtnosti)

• Obecná úmrtnost (U)- průměrná úmrtnost přes všechny nemocnice

• Predikovaný počet úmrtí vybrané nemocnice- součet pravděpodobnosti úmrtí pro všechny pacienty

• Srovnávací index (SI) vybrané nemocniceSI = skutečný počet úmrtí / predikovaný (očekávaný) počet úmrtí.

• Standartizovaná úmrtnost (SU) vybrané nemocniceSU = SI * U

Standardizační modely pro mortalitu AIM

• Zatím nedostižným vzorem je model H. M. Krumholze

• Veškerá data Medicare/Medicaid 1995-2001• Princip tvorby modelu: hledání korelací mezi

jednotlivými faktory zjištěnými při přijetí pacienta a mortalitou

Koncept .M.Krumhloze (zjednodušeně)

• Ideální model standardizace (všechna dostupná data včetně např. laboratorních dat)

• Administrativní model (u nás by to byly výkazy pro zdravotní pojišťovny)

• Pomocí ideálního modelu se validuje administrativní model

• Obecně se za perspektivní považují modely kombinující administrativní data a laboratorní data.

Náš cíl

Zjistit proveditelnost v našich podmínkách:• jiné datové zdroje• jiné vlastnosti na první pohled stejných dat• některé rizikové faktory nejsou dostupné

Naše data

1. Jedna anonymní nemocnice2. Celkem 486 pacientů s diagnózou akutního

infarktu myokardu (I210 až I214)3. Rizikové faktory:

- ostatní diagnózy daného pacienta předcházející přijetí- výsledky laboratorních testů při přijetí

4. Úmrtnost byla 19,4 %

Výsledky

• Model logistické regrese naučený z trénovacích dat

• Výsledky na testovacích datech:úspěšnost (accuracy) 85%přesnost (precision) 76%úplnost (hit rate) 30%specificita (specificity) 98%falešná pozitivita (false alarm rate) 2%

• Změna prahu při rozhodování – ROC křivka

ROC křivka

Závěr• Pokud víme, jedná se o první pokus o standardizaci

mortality pro AIM v českých podmínkách.• Relativně malý datový vzorek.• Některé rizikové faktory nebyly v datech dostupné.• Přesto predikce úmrtnosti na testovacích datech byla

relativně dobrá.• Použití dalších údajů z elektronického záznamu

pacienta by mělo zlepšit predikci.• Bude nezbytné získat větší datový soubor, než jaký

jsme měli k dispozici.• Bude třeba model naučit na datech z co největšího

počtu nemocnic.