Overzicht kwaliteitsregistraties in Nederland

Transcriptie

1 Leids Universitair Medisch Centrum MIC2016, Antwerpen 25 november 2016

2 Organisatie Leids Universitair Medisch Centrum Afdeling Medische Statistiek en Bioinformatica Moleculaire Epidemiologie Medische Statistiek Advanced Data Management

3 Visie: statistiek en data management Data management kijkt vooruit: wat gaan we met de data doen? Statistiek kijkt achteruit: hoe zijn de data verzameld?

4 Registraties Op basis van onze expertise op het gebied van data-management, is de afdeling betrokken bij een aantal zorgregistraties. De grootste daarvan zijn: Landelijke Registratie Orthopedische Implantaten (LROI) Dutch Institute for Clinical Auditing (DICA) Landelijke Perinatale Registratie Nederland (LPRN) Landelijke Trauma Registratie (LTR) Met statistische methoden proberen we deze grote data sets te interpreteren.

5 Hoezo statistiek? Statistiek is er niet alleen om door met p waardes te goochelen artikelen te publiceren. In zijn best-seller Ons Feilbare Denken legt psycholoog Daniel Kahneman perfect uit waar statistiek wel voor is. Statistiek is nodig omdat wij allemaal lijden aan What You See Is All There Is (WYSIATI).

6 What You See Is All There Is

7 Kwaliteit van zorg Stel dat we 91 ziekenhuizen willen vergelijken op basis van het risico op complicaties bij een bepaalde ingreep. Het landelijk gemiddelde complicatie risico is 14%. Natuurlijk corrigeren we voor case mix!

8 Rangschikken van 91 centra aantal cases aantal complicaties percentage

9 Beste en slechtste Het beste centrum heeft 7 complicaties bij 98 ingrepen. Het complicatie percentage is dus 7 procent. Het 95% betrouwbaarheids interval loopt van 2.9 tot 14.1 procent. Het slechtste centrum heeft 14 complicaties bij 56 ingrepen. Het complicatie percentage is dus 25 procent. Het 95% betrouwbaarheids interval loopt van 14.4 tot 38.4 procent. Het complicatie risico tussen de beide centra is significant verschillend (p = 0.005). Mogen we nu concluderen dat het ziekenhuis dat op de eerste plaats staat beter is dan het ziekenhuis op de laatste plaats?

10 Nee! Nee, dat mogen we niet concluderen. Ik heb de data namelijk zelf gegenereerd. Voor elk centrum heb ik een binomiale trekking gedaan, steeds met exact dezelfde complicatie-kans 14%. Die kleine p waarde is fout. Doordat ik het beste en slechtste uit 91 trekkingen heb gekozen, is de gebruikelijke toets niet van toepassing.

11 Hoe moet het dan wel? Je zou rangschikken kunnen opvatten als het toetsen van een grote verzameling hypotheses: H ij : complicatie risico centrum i = complicatie risico centrum j Vanwege het grote aantal toetsen, moet het significantie niveau drastisch omlaag. Een p waarde van is dan niet meer significant.

12 Versnipperen Stel dat blijkt dat de 5 ziekenhuizen die het slechtst presteren, een zeer laag volume hadden. We concluderen dat versnippering van zorg leidt tot slechte prestaties.

13 Nep data complicatie percentage aantal patienten

14 Nep data complicatie percentage aantal patienten

15 Hoe moet het dan wel? Als we willen weten of het aantal ingrepen in een centrum van invloed is op de kwaliteit, dan moeten we een regressie doen van de uitkomst complicatie (ja/nee) op het aantal ingrepen per centrum. Als een dergelijk effect een rol speelt, dan moet dat te zien zijn als een trend wanneer je het aantal ingrepen per centrum uitzet tegen het complicatie risico.

16 Nep data; geen trend te zien complicatie percentage aantal patienten

17 Verbeteren Stel dat we de kwaliteitsgegevens terugkoppelen naar de centra die slecht presteren, of dat we andere maatregelen treffen ter verbetering. Het volgende jaar blijken deze centra het allemaal beter te doen. We concluderen dat onze maatregelen een positief effect hebben op het presteren.

18 Nep data voor twee jaar; regression to the mean complicatie percentage complicatie percentage aantal patienten aantal patienten

19 Hoe moet het dan wel? Om een causaal effect aan te tonen van maatregelen ter verbetering, zou een gerandomiseerde studie moeten worden uitgevoerd.

20 Enige voorbeelden van onderzoeksvragen De voorbeelden die ik heb gegeven zijn bedoeld om duidelijk te maken dat je makkelijk kan verdwalen in observationele data. Maar registraties zijn ook een geweldige bron van informatie om belangrijke vragen te beantwoorden: Hoe kunnen we de perinatale zorg in Nederland verbeteren? Wat is de levensduur van orthopedische implantaten? Is EVAR of open chirurgie beter bij abdominaal aneurysma? Wat is het effect van aanrijtijden van ambulances op het overlijdensrisico bij trauma? Welke traumapatienten moeten naar gespecialiseerde centra worden vervoerd? Et cetera!

21 Zorg voor onderzoek Onderzoek voor zorg De samenleving wil graag weten wat er wel en niet gebeurt met haar data. Ook subsidieverstrekkers, zoals NWO, ZonMw en de Europese Commissie, stellen steeds meer eisen aan datasets, die verzameld worden in door hen gefinancierd onderzoek. Onderzoekers moeten inzichtelijk maken en transparant zijn over hoe zij met de data omgaan. Het gaat dan niet alleen om dataverzameling, maar ook om datamanagement, data-analyse en de vindbaarheid van data na het afsluiten van het project. LUMC: programma Research ICT.