Zorg voor Uitkomst. Aan de slag met uitkomstindicatoren. Dataduiding en organisatie. Disclosure belangen sprekers. (potentiële) belangenverstrengeling

Transcriptie

1 Zorg voor Uitkomst Aan de slag met uitkomstindicatoren Dataduiding en organisatie Disclosure belangen sprekers (potentiële) belangenverstrengeling Geen Dr. ir Wim F van den Bosch St. Antonius Ziekenhuis Drs. Mirjam Hulsenboom Catharina Ziekenhuis 17 april 2015 Voor bijeenkomst mogelijk relevante relaties met bedrijven Geen Sponsoring of onderzoeksgeld Honorarium of andere (financiële) vergoeding Aandeelhouder Geen van alle PLUS project Santeon 1 1

2 Zorg voor Uitkomst: Een indicatorontwikkel- en rapportageprogramma gebaseerd op Value Based Health Care principes Ontwikkelteam: medisch specialisten, nurse practitioners, adviseurs, data-analisten Waardeketen Care Delivery Value Chain for initial treatment of prostate-cancer, version 3 Porter Prioriteren Valideren INFORMING AND ENGAGING MEASURING ACCESSING * Advice on self screening * Counseling patient and family on the * Explaining patient treatment options/ * Counseling on the treatment process * Counseling on rehabilitation options, * Counseling on long term risk * Consultation on risk factors diagnostic process and the diagnoses shared decision making (SDM) * Patient and family psychological process management * Genetic counseling * Brochure KWF * Counseling on sexual consequences counseling * Psychological counseling * Informing on diagnostic procedures * Brochure on disease * Counseling on incontinence * Brochure on side effects * Brochures on diagnostic procedures consequences * Patient and family psychological counseling * Brochure on treatment * Rectal examination score * Rectal examination score * ASA score * Intervention-specific measurements * Side effects measurement * Labs * PSA * Ultrasound (TRUS) * Labs * Physical QoL (Last meter) * Physical QoL (Last meter) * Physical QoL (Last meter) * Pro-active bodyscan * Biopsy * Nutrition score (MUST or SNAQ) * Nutrition score (MUST or SNAQ) * Nutrition score (MUST or SNAQ) * MRI * Comorbidity score * Pain score * Pain score * CT scan * Life expectancy * Bone scans * PCA3 test * PSA score * Gleason score * d'amico score * PET scan * Pelvic lymfnode dissection * GP visits * Office visits (outpatient) * Office visits (outpatient) * Hospital stays * Office visits (outpatient) * Lab visits * Office visits (outpatient) * Lab visits * Hospital visits * Visits to outpatient radiation unit * Rehabilitation facility visits * Office visits (outpatient) * High risk clinic visits * Lab visits * Pharmacy * Pharmacy Chain link: 1. MONITORING/ PREVENTING 2. DIAGNOSING 3. PREPARING 4. INTERVENING (initial) 5. RECOVERING/ REHABING 6. MONITORING/ MANAGING Patient Value Provider Margin 80 indicatoren 25 indicatoren International Academic Advisory Council * Medical + family history * Anamnesis * Choosing treatment modality (chemotherapy, * Radical prostatectomy; or * Treatment of side effects (e.g. skin * Follow -up clinical exams * Control of risk factors * Determining specific nature of disease RT, Surgery) (combined w ith pelvic lymfnode dissection) damage, complications, nausea, * Treatment for any continued or later CARE DELIVERY ACTIVITIES * Clinical exams (blood sample, bodyscan)(pathology, biopsy results, TNM-stage) * Choosing a treatment plan (timeline, dosage,...) * Brachy therapy; or lymphodema and chronic fatigue) onset side effects or complications * Medical + family history * Surgery preparation (anesthetic risk * External beam radiation therapy * In-hospital and outpatient w ound healing * Formulate treatment options assessment, shaving, medication, nutrition) * Hormonal therapy * Physical therapy * Hormonal therapy preparation (medication, nutrition,..) * Other therapy * Follow -up visit * RT preparation (medication,...) * Adjuvant therapy * Neo-adjuvant hormonal therapy (hormonal medication, radiation, salvage) 6 indicatoren * * Diagnosing can either result in continuation to steps 3. Preparing and 4. Intervening, or in the reloop to step 1 (active surveillance) Medical Specialist In hospital - no medical specialist or not per se - Other provider entity Selectie medische condities Care Delivery Value Chain (CDVC) Uitkomsten hiërarchie Casemix variabelen Eerste resultaten Sessie 1 Research & Analyse Sessie 2 Research & Analyse Sessie 3 Validatie Nationale Klankbord groep Research & Analyse Sessie 4 Research & Analyse Sessie 5 data request input Registraties & Datamanagement 2

3 Onderwerpen Transparantie en duiding van zorguitkomsten Invloed van cohortkeuze Criteria voor uitkomstindicatoren Aan de slag met verzamelen van brondata

4 Transparantie en duiding van zorguitkomsten

5 Website Antoni van Leeuwenhoek ziekenhuis Overleving longkanker patiënten 5

6 Website UMC Radboud Overleving longkanker patiënten

7 Gewenste transparantie voor de patiënt? X Y

8 Gewenste transparantie voor de zorgverlener? How care professionals may react to transparency The data is wrong The data is right, but it s not a real problem The data is right, it s a real problem, but it s not my problem The data is right and it s my problem Bryan Jarman and Don Berwick The data is right, but the interpretation is wrong

9 Ruwe uitkomsten; voorbeeld (fictief) Indicator longkanker na resectie Mediane overlevingstijd (jaren) na diagnose stelling Percentage positieve snijvlakken na resectie long of deel van long Percentage complicaties binnen 30 dagen na resectie Enzovoort. Ziekenhuis X. Ziekenhuis Y Significantie niveau 5,9 5,6 P=0,71 12% 13% P=0,40 25% 34% P=0,04 X Y

10 Keuze presentatie-format bij lange termijn overleving indicatoren Wat wil je in ieder geval zien? 1. Cumulatieve 5-jaars overleving zonder resectie ongecorrigeerd 1. Ruwe uitkomst; gevoel met werkelijkheid 2. Vergelijking ziekenhuizen; correctie casemix verschillen -> hazard ratios (HRs) 3. Welke casemixvariabelen doen er toe en in welke mate -> gesprek patiënt en arts 2. Ziekenhuisvergelijking cumulatieve 5-jaars sterfte zonder resectie gecorrigeerd (HRs) 3. Invloed belangrijkste casemix-variabelen cumulatieve 5-jaars sterfte zonder resectie (HRs) 0 0,2 0,4 0,6 0,8 1 1,2 1, Santeon Antonius Canisius Performance Status = 0 PS = 1 PS = 2 PS = 3 Catharina stadium I Lucas Andreas Martini stadium II stadium III MST OLVG leeftijd jonger 65 jaar leeftijd 65 t/m 74 jaar leeftijd 75 jaar en ouder 10 10

11 Keuze presentatie-format bij indicatoren uitgedrukt in percentages Wat wil je in ieder geval zien? 1. Ruwe uitkomst; percentage: gevoel met werkelijkheid behouden 1. % PSA>0,1 3 maand na prostatectomie, ongecorrigeerd Santeon gemiddelde Antonius Canisius 0% 5% 10% 15% 20% 25% 30% 11% 9% 9% 2. Vergelijking ziekenhuizen; correctie casemix verschillen -> odds ratios (ORs) 3. Welke casemixvariabelen doen er toe en in welke mate -> gesprek patiënt en arts Catharina Martini MST OLVG 18% 20% 6% 17% 2. Ziekenhuisvergelijking PSA>0,1 3 maand na prostatectomie, gecorrigeerd (ORs) Santeon Antonius Canisius Catharina Martini 0,0 0,5 1,0 1,5 2,0 2,5 3. Invloed belangrijkste casemix-variabelen PSA>0,1 3 maand na prostatectomie, (ORs) Gleason-score laag Gleason-score middel Gleason-score hoog stadium pt2 stadium pt3 stadium pt MST OLVG leeftijd jonger 65 jaar leeftijd 65 t/m 74 jaar leeftijd 75 jaar en ouder 11

12 Interpretatie van uitkomsten vaak lastig Voorbeeld: overleving palliatieve longkankerpatiënten Ziekenhuis X Y p=0,03 X Y Kaplan-Meijer curve

13 Eenjaars overleving longkanker patiënten stadium IV 100% 80% 1 year mortality clin stage IV patients X en Y verschillen niet significant X en Y verschillen significant 60% 40% 20% 0% 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% no therapy chemo radiation Total X Distribution of treatment for clin stage IV patients 46% 18% 28% 68% 26% 14% 100% 100% no therapy chemo radiation total Y distribution clin stage no therapy chemo radiation total mortality clin stage no therapy chemo radiation Total X Y

14 Invloed van cohort keuze

15 Patiëntencohorten Ziekenhuis X Primaire behandeling in ziekenhuis X Primaire behandeling NIET in ziekenhuis X Eigen patiënt dwz gediagnosticeerd in ziekenhuis X Bijvoorbeeld: Antonius patiënt geopereerd in het Antonius ziekenhuis Bijvoorbeeld: Antonius patiënt bestraald in het UMCU Verwezen patiënt dwz gediagnosticeerd in ANDER ziekenhuis en verwezen naar X Bijvoorbeeld: Patiënt Hofpoort ziekenhuis geopereerd in het Antonius ziekenhuis Komt weinig voor

16 Rapportage over vergelijkbare patiëntencohorten (1) Primaire behandeling in ziekenhuis X Primaire behandeling NIET in ziekenhuis X Eigen patiënt dwz gediagnosticeerd in ziekenhuis X Rapportage ketengerelateerde indicatoren Verwezen patiënt dwz gediagnosticeerd in ANDER ziekenhuis en verwezen naar X

17 Rapportage indicatoren gericht op primaire ingreep Rapportage over vergelijkbare patiëntencohorten (2) Primaire behandeling in ziekenhuis X Primaire behandeling NIET in ziekenhuis X Eigen patiënt dwz gediagnosticeerd in ziekenhuis X Verwezen patiënt dwz gediagnosticeerd in ANDER ziekenhuis en verwezen naar X

18 Criteria Uitkomstindicator

19 Eisen te stellen aan uitkomstindicatoren Een goede uitkomstindicator is geoperationaliseerd (voorzien van een gebruiksdoel en kort-cyclisch) relevant voor de praktijk van de zorgverlening (gericht op probleem en/of risico) valide: meet de indicator wat het bedoelt te meten ten aanzien van de kwaliteit van zorg in staat veranderingen in kwaliteit te signaleren statistisch onderscheidend casemix gecorrigeerd betrouwbaar te registeren: iedereen registreert op dezelfde manier en de registratie is volledig

20 Operationalisatie en relevantie Voorbeeld: % patiënten met graad 3/4/5 complicaties binnen 30 dagen na longresectie/lobectomie. Operationalisatie: geeft een indicatie van de kwaliteit van het chirurgisch handelen (zorgvuldigheid, hygiëne, kundigheid) en van de kwaliteit van de nazorg. Relevantie: gericht op de ernstige risico s gepaard gaande met longresectie/lobectomie.

21 Validiteit en signaleerfunctie Validiteit Face validity Construct validity Signaleerfunctie Alarmbel gaat af bij overschrijden control limits Standardised outcome ratios Lung cancer; standardised outcome of complications after resection, per hospital (Antonius vs Catharina) Significantly high Significantly low Predicted number of events 95% CI upper limit average (=100) 95% CI low er limit ANT Mortality <= 90 d. after resection ANT Pos surgical margin ANT Rethoracotomy ANT Infectious complications ANT Pulmonal complications ANT Complications overall CAT Mortality <= 90 d. after resection CAT Pos surgical margin CAT Rethoracotomy CAT Infectious complications CAT Pulmonal complications CAT Complications overall

22 Onderscheidend vermogen Aantal patienten in de noemer (van een doorsnee ziekenhuis) jaar 2 jaar 1 jaar Voorbeeld: 30 daagse mortaliteit na lobectomie of longresectie: Landelijk gemiddelde: 2 a 3% Jaarvolume grotere centra: Conclusie: totaal niet onderscheidend, ook niet indien 2 of 3 jaar tesamen 0 0% 1% 2% 3% 4% 5% 6% 7% 8% 9% 10% 11% 12% 13% 14% 15% Landelijk gemiddelde percentage; bijvoorbeeld mortaliteit statistisch onderscheidend beperkt statistisch onderscheidend niet statistisch onderscheidend

23 Betrouwbaarheid/volledigheid registratie, voorbeelden Betrouwbaar Volledig Indicator Overlijden + + Overlijdensdatum + + Complicatie 0 0 Toxiciteit 0/- - Positieve snijvlakken 0 + / 0 Zenuwen gespaard na prostatectomie 0/- 0 + goed 0 redelijk - matig/slecht Casemixfactor Leeftijd + + Geslacht + + Comorbiditeit 0 + Performance status 0 0 Longfunctie 0 0 Rookhistorie - - ctnm + / 0 + PSA waarde + + Gleason waarde + +

24 Casemix correctie en voorspellende waarde Onderlinge vergelijking ziekenhuizen alleen reëel indien zorgzwaarte (casemix) meetelt Gebruik van binair logistisch regressiemodel Uitkomstvariabele (dood versus leven, wel of geen complicatie, etc.) relateren aan één of meerdere predictoren. Werkelijke uitkomsten vergelijken met door model voorspelde uitkomsten en standaardiseren op 100, middels de formule: gestandaardiseerde uitkomstratio = werkelijke uitkomst voorspelde uitkomst maal 100

25 Hoe goed voorspelt het regressiemodel? Berekening van de C-statistic, ook wel aangeduid als Area Under the Curve (AUC), voor iedere gestandaardiseerde indicator Zegt iets over de voorspellende kracht van het gebruikte regressie-model: 0,5 = geen voorspellend waarde; 0,7-0,8 = redelijk; > 0,80 = goed. Voorbeeld: Indicator: Mortaliteit 2 jaar na diagnose longkanker alle stadia C-statistic = 0,87

26 Casemix correctie en voorspellende waarde Voorbeelden Antonius, Catharina, OLVG Mortaliteit 2 jaar na diagnose alle stadia % positieve snijvlakken na longresectie/ lobectomie % ongeplande re-interventie na longresectie/ lobectomie C-statistic = 0,874 Casemixfactoren in volgorde van impact Stadium Performance Status Longfunctie Leeftijd C-statistic = 0,777 Casemixfactor Stadium C-statistic = 0,500 Geen casemixfactoren Slecht model?

27 Aan de slag met het verzamelen van brondata

28 Aan de slag! Plan Do Check Act Borging

29 Plan Draagvlak betrokken specialismen (!!!) Intern plan van aanpak maken Budget vrijmaken voor inzet dataverzamelaars (bijv. co s)

30 Verzamelen brondata Retrospectief verzamelen Vroeg inzicht in welke indicatoren en casemix variabelen relevant zijn Snel inzicht in eigen situatie (benchmark) vroegtijdig verbeteracties mogelijk Echter risico op onvolledigheid en minder betrouwbaar Prospectief registreren Gericht op wat je nodig denkt hebben vollediger en potentieel betrouwbaarder Echter late beschikbaarheid van data en dus van inzichten Risico op onnodige registratielast (van items die achteraf nutteloos blijken)

31 Do (1) Dataverzameling (dossier) Interne projectgroep(en) samenstellen en projectleider(s) aanstellen Betrekken interne afdelingen die een rol hebben in dataverzameling (Healthcare Intelligence Afdeling, Medisch Archief, Radiotherapie) Betrekken eventuele externe partijen die data kunnen leveren (IKNL, Radiotherapie) Realiseren randvoorwaarden voor dataverzameling Werving dataverzamelaars Regelen arbeidsovereenkomsten Toegang (incl. autorisaties) tot EPD Realiseren toegang tot medisch archief Werkplek voor dataverzamelaars (incl. autorisaties) Toegang tot registratiebestanden op gezamenlijke server

32 Do (2) Introductie ZvU bij dataverzamelaars Kennismaking met specialisten Kennismaking met Zorg voor Uitkomst (o.a. manual *) Afspreken wie voor welke vragen t.a.v. data benaderd kan worden Afspreken wie met welk deel van de dataverzameling start Afspraak met dataverzamelaars over uren registratie

33 Voorbeeld retrospectieve dataverzameling(1) Data collection sheet Lung Cancer Patient information PIN Alfanumeric Date of birth Gender PIN w ith leading zeros May be handy w hen copy paste into ZIS DD-MM- YYYY 1=male 2=femal e Comorbidities; more than one allow ed separated by semicolon (;) for example: 3;9 0 = no comorbidity 1 = myocardial infarction 2 = congestive heart failure 3 = coronary artery disease 4 = cerebrovascular disease 5 = dementia 6 = COPD 7 = connective tissue disease 8 = peptic ulcer disease 9 = diabetes mellitus 10 = chronic kidney disease 11 = hemiplegia 12 = HIV illness or AIDS 13 = leukemia 14 = liver disease mild 15 = liver disease moderate to severe 16 = other cancer (w ithin last 5 years) 17 = peripheral vascular disease 99 = unknow n Performance Status ECOG at time of diagnosis; Grade ECOG 0 = fully active 1 = restricted in physical strenuous activity 2 = ambulatory, unable to carry out any w ork activities 3 = capable of only limited selfcare 4 = completely disabled 5 = dead 8 = not applicable 9 = unknow n FEV1 % of predicted at time of diagnosis Relative % is needed: observed/ predicted Rounded figure, for example: =unknow n DLCO % of predicted at time of diagnosis Relative % is needed: observed/ predicted Rounded figure, for example: =unknow n Initial diagnosis Hospital of diagnosis 0=other hospital 1=ow n hospital 9=unkno wn Date of diagnosis DD-MM- YYYY Clinical TNM stage at date of initial diagnosis Fill in the stage as determined during MDO. Excel provides three columns to be filled in. Indicate ct-category, cn-category and cmcategory T N M 1 = Tx 1 = Nx 1 = Mx 2 = To 2 = No 2 = Mo 3 = T1 3 = N1 3 = M1 4 = T1a 4 = N2 4 = M1a 5 = T1b 5 = N3 5 = M1b 6 = T2 7 = T2a 8 = T2b 9 = T3 10 = T4 Tx, Nx, Mx means: value unknow n Combination of ct- cnand cmvalues pin dbi gen cmo per fev1% dlco% hdi ddi ct cn cm ctnm mor Morpholog y of tumor 1 = NSCLC 2 = SCLC 3 = other 9 = unknow n ;6;16; T1bNoMo T1aNoMo T4N3M1b T4N2M1a T1aNoMo T2bN3M1b T3NoMo 1 33

34 Voorbeeld retrospectieve dataverzameling (2) Data collection sheet Lung Cancer Patient information Treatment PIN Alfanumeric PIN w ith leading zeros May be handy w hen copy paste into ZIS Primary treatment Resection prevails over all other therapies and should be registered as 0 = no therapy 1 = resection 2 = chemo therapy 3 = radiation therapy 4 = chemoradiation therapy 5 = other 9 = unknow n Hospital of Secondary primary treatment treatment. In case of chemoradiation : hospital of radiation 0 = other hospital 1 = ow n hospital 8 = not applicable 9 = unknow n 0 = no therapy 2 = chemo therapy 3 = radiation therapy 4 = chemoradiation therapy 5 = other 9 = unknow n resection related parameters Type of resection Date of resection 1 = bilobectomy 2 = lobectomy 3 = lung resection 4 = segment resection 5 = sleeve lobectomy 6 = w edge resection 7 = other 8 = not applicable 9 = unknow n DD-MM- YYYY = not applicable = not know n Indicate w hether patient experienced one or more grade 3, 4 or 5 complications w ithin 30 days follow ing treatment. More than one complication allow ed: separate by semicolon (;) for example: 5;13. 0 = no complication 1 = acute respiratory distress syndrome (ARDS) 2 = air leakage after 48 hours 3 = anastomotic leakage 4 = bleeding requiring reoperation 5 = cardiovascular (AMI, cardiac arrhythmia..) 6 = empyema 7 = initial ventilator support > 48 hours 8 = need for tracheostomy 9 = pneumonia needing treatment 10 = pulmonary embolus 11 = pulmonary other (respiratory failure, atelectasis, bronchospasm, and exacerbation of COPD) 12 = reintubation 13 = respiratory fistula 14 = w oundinfection post-operative 30 = other complication Pathological TNM stage after procedure Excel provides three columns to be filled in. Indicate pt-category, pn-category and pm-category T N M 1 = Tx 1 = Nx 1 = Mx 2 = To 2 = No 2 = Mo 3 = T1 3 = N1 3 = M1 4 = T1a 4 = N2 4 = M1a 5 = T1b 5 = N3 5 = M1b 6 = T2 7 = T2a 8 = T2b 9 = T3 10 = T4 Tx, Nx, Mx means: value unknow n 88 not applicable ptnm Tumor residue Rethoraco tomy w ithin 1 year after resection 0 = no 0 = no residue 1 = yes 1 = 8 = not microscopi applicable c residue 9 = 2 = unknow n macroscop ic residue 8 = not applicable 9 = unknow n pin pri htr sec rty dre cmp pt pn pm ptnm res ret T1aNoMo T1aNoMx T2bN1Mx

35 Do (3) Dataverzameling (PROM) Inregelen structuur: wie vraagt wat wanneer en waar wordt dit geregistreerd Afspreken hoe om te gaan met follow-up van vragenlijsten Papieren vragenlijsten T0 in huisstijl printen Vastleggen in procedure en bespreken met betrokkenen

36 Check Intervisiemomenten dataverzamelaars en specialisten, bijvoorbeeld: 10 cases door allen laten scoren en doorspreken Opvallende/lastige cases samen doorspreken Tussentijdse bespreking opvallende/lastige cases, ontbrekende items en outliers met onderzoekers Zorg voor Uitkomst

37 Act Bespreken uitkomsten in projectgroep Verbetermaatregelen inzetten waar nodig: Inhoudelijk Registratie

38 Borgen Bespreken uitkomsten breder: RVE s, Oncologiecommissie Project afsluiten PDCA-cyclus op de registratie en verbetermaatregelen continueren en beleggen bij RVE management

39 Afsluitend Wenselijkheid transparantie van zorguitkomsten Invloed cohort keuze op uitkomsten Eisen te stellen aan een goede uitkomstindicator Betrouwbaarheid en beschikbaarheid data Draagvlak betrokken specialismen is belangrijke randvoorwaarde Doorloop de PDCA cyclus: zorg voor een strakke organisatie Bevraag andere ziekenhuizen naar ervaringen

40 Vragen?

41 Kwaliteitsinstituut