De HSMR beproefd - Vrije Universiteit Amsterdam dissertation.pdf · Wim van den Bosch Bosch Bw.indd...

De HSMR beproefd

Aard en invloed van meetfouten bij het bepalen van het

gestandaardiseerde ziekenhuissterftecijfer

Wim van den Bosch

Bosch Bw.indd 1 vr 22-07-11 vr 22 07 2011 12:41

Het onderzoek beschreven in dit proefschrift werd uitgevoerd aan het EMGO Instituut van het VU Medisch Centrum te Amsterdam en aan het NIVEL, het Nederlands instituut voor onderzoek van de gezondheidszorg te Utrecht. Het onderzoek werd geïnitieerd, gefaciliteerd en financieel ondersteund door Santeon, een groep van zes samenwerkende topklinische ziekenhuizen in Nederland.

Nederlandse titel: De HSMR beproefd: aard en invloed van meetfouten bij het bepalen van het gestandaardiseerde ziekenhuissterftecijfer

English title: The HSMR tested: type and impact of measurement errors in determining hospital standardised mortality ratios

ISBN 9789064644962© Wim van den BoschOntwerp omslag en binnenwerk: Ferdinand van Nispen, Citroenvlinder DTP & VormgevingIllustratie: Variaties, Janny van den Bosch - BoeveDrukwerk: GVO | Ponsen & Looijen, Ede, Nederland


VRIJE UNIVERSITEIT

De HSMR beproefd

Aard en invloed van meetfouten bij het

bepalen van het gestandaardiseerde

ziekenhuissterftecijfer

ACADEMISCH PROEFSCHRIFTter verkrijging van de graad Doctor aan

de Vrije Universiteit Amsterdam,op gezag van de rector magnificus

prof.dr. L.M. Bouter,in het openbaar te verdedigen

ten overstaan van de promotiecommissievan de faculteit der Geneeskunde

op woensdag 2 november 2011 om 15.45 uurin de aula van de universiteit,

De Boelelaan 1105

door

Willem Frederik van den Bosch

geboren te Apeldoorn


promotor: prof.dr. C. Wagner


promotiecommissie: dr. M. Berg, arts prof.dr. C.J. Kalkmanprof.dr. J. Kievitprof.dr. A.P.W.P. van Montfortprof.dr. C.H. Polmanprof.dr. G. van der Wal


Inhoudsopgave

1 Inleiding . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2 Schommelende sterftecijfers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

3 Aard en invloed van registratievariatie. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

4 Aard en invloed van variatie door bijzondere medische verrichtingen . . . 55

5 Aard van ongecorrigeerde casemixvariatie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

6 Landelijke invloed van ongecorrigeerde casemixvariatie . . . . . . . . . . . . . . . . 87

7 Aard van variatie in heropnamen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

8 Combinatie van effecten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

9 Algemene discussie. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133

Samenvatting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147

Abstract. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155

Dankwoord . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163

Overzicht van artikelen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166

Bijlagen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167


1 InleIDIng

Dit proefschrift beschrijft de betrouwbaarheid, validiteit en bruikbaarheid van het gestandaardiseerde ziekenhuissterftecijfer als indicator voor kwaliteit van zorg in Nederlandse ziekenhuizen. Aanleiding tot dit onderzoek vormde de behoefte van een groep van zes topklinische ziekenhuizen, verenigd onder de naam ‘Santeon’, om gezamenlijk te werken aan verbetering van kwaliteit van zorg. Als hulpmiddel bij het onderling vergelijken van kwaliteit van zorg werd gekozen voor het uit het Verenigd Koninkrijk afkomstige ‘HSMR-instrument’ (hospital standardised mortality ratio). Gaandeweg groeide echter de twijfel. Hadden meetfouten niet veel meer invloed op de HSMR-scores dan kwaliteit van zorg? Reden genoeg om de aard en de invloed van deze meetfouten nader te onderzoeken.


De HSMR beproefd

10

Kwaliteitsindicatoren

Het Nederlandse zorglandschap wordt overspoeld met indicatoren. Het definiëren en uitrollen van indicatorensets voor de ziekenhuiszorg maakt een explosieve ontwikkeling door, waarbij het niet altijd duidelijk is in hoeverre de voordelen van het gebruik opwegen tegen nadelen als de registratie- en rapportagelast voor de ziekenhuizen. Indicatoren maken kwaliteit in de zorg meetbaar en transparant.1 Daarbij hebben zij een signaalfunctie die ingezet kan worden om zwaktes in het zorgsysteem te lokaliseren en mogelijk weg te nemen. Veel partijen hebben belang bij deze ontwikkeling: de overheid en met name de Inspectie voor de Gezondheidszorg (IGZ) bij het houden van toezicht,2 de media bij het publiceren over de kwaliteit van ziekenhuizen en de ziekenhuismanager bij het monitoren en verbeteren van de kwaliteit van zorgprocessen. Verder de zorgverzekeraars bij het aanbesteden van zorginkoop en niet in de laatste plaats de zorgcliënt, in de hoop de beste zorg te kunnen vinden voor zichzelf of een naaste.

Colsen en Casparie3 definiëren een indicator als volgt: “Een meetbaar aspect van de zorg dat een aanwijzing geeft over de kwaliteit van zorg”. Donabedian4 maakt hierbij het onderscheid in structuur-, proces- en uitkomstindicatoren. De eerste twee indicatoren zeggen iets over de inrichting en het functioneren van de zorgorganisatie. De laatste zegt iets over het effect en daarmee over het succes van de behandeling en zou als maat voor kwaliteit van zorg de voorkeur genieten. Echter, een valide en betrouwbare uitkomstindicator is vaak lastiger te definiëren en te meten dan een structuur- of procesindicator. Daarom worden de twee laatstgenoemde veelvuldig gebruikt bij het toetsen van kwaliteit, onder de aanname dat van een goed functionerende organisatie, in termen van structuren en processen, ook betere uitkomsten verwacht mogen worden.

een additionele indicator

Parallel hieraan is de afgelopen jaren nog een andere indicator in Nederland tot ontwikkeling gekomen. Dit betreft het gestandaardiseerde ziekenhuissterftecijfer, afkomstig uit het Verenigd Koninkrijk, vaak aangeduid als HSMR (hospital standardised mortality ratio).5 Deze uitkomstindicator heeft vanaf 2003 jaarlijks ter beschikking gestaan van de Nederlandse ziekenhuizen; tot 2010 was er geen verplichting tot openbaarmaking.6 De HSMR onderscheidt zich in een aantal opzichten van de andere indicatorensets:


Hoo

fdst

uk1

Inleiding

11

• De HSMR geeft één enkel cijfer als ‘overall indicator’ voor de kwaliteit van zorg van een ziekenhuis en is daarmee compacter dan een doorsnee indicatorenset, maar minder specifiek.

• De HSMR is de uitkomst van een geavanceerde statistische correctie voor verschillen tussen patiëntenpopulaties, wat voor vele andere indicatoren niet of beperkt geldt. Een gevolg is dat met deze indicator de ziekenhuizen in theorie beter onderling vergeleken kunnen worden.

• De HSMR is gebaseerd op gegevens die de meeste ziekenhuizen al geruime tijd jaarlijks standaard aanleveren via de landelijke medische registratie (LMR). Daardoor zou van een extra registratielast voor het ziekenhuis geen sprake hoeven te zijn.

Op het eerste gezicht lijken deze verschillen de HSMR tot een aantrekkelijke indicator te bestempelen. Daar kan nog aan worden toegevoegd dat sterfte een ‘harde’ uitkomst is, die door de patiënt natuurlijk als zeer relevant wordt ervaren. Toch zijn er vraagtekens te stellen bij het gebruik van de HSMR. Want hoe betrouwbaar, valide en toepasbaar is de Nederlandse HSMR?

Variaties

Om die vraag te beantwoorden, is het eerst nodig de HSMR als kwaliteitsinstrument tegen het licht te houden. Wat meet de HSMR?In het ideale geval is de HSMR een indicator voor de kwaliteit van de geleverde zorg. Hoe hoger de kwaliteit van zorg, hoe lager het sterftecijfer. Anders gezegd, hoe effectiever de interventies in het zorgproces, hoe lager de ziekenhuismortaliteit. Een goed inzicht in deze kwaliteitsvariaties is belangrijk bij het onderling vergelijken van ziekenhuizen, omdat het daardoor mogelijk wordt verbeteringen aan te brengen in de zorgverlening.

Echter, de HSMR mag dan idealiter de kwaliteit meten, in de praktijk is er niet alleen sprake van variatie in kwaliteit, maar ook van andere variaties, die het beeld kunnen vertekenen en correctie noodzakelijk maken.7 Te denken valt hierbij aan patiëntspecifieke variaties, zoals leeftijd, geslacht, opnamediagnose en dergelijke. Voor deze risicofactoren, ook wel aangeduid als casemix, moet statistisch gecorrigeerd worden, voordat ziekenhuissterftecijfers onderling vergeleken kunnen worden. Ook toeval kan vertekenend werken. In een ziekenhuis met hoge kwaliteit van zorg is de sterftekans van een laagrisicopatiënt minimaal. Maar zelfs in dit voorbeeld kan de patiënt door toeval overlijden tijdens opname. De invloed van toeval kan worden gereduceerd door een hoger aantal opnamen in de analyse te betrekken.


De HSMR beproefd

12

Niet alleen patiëntspecifieke variaties en het toeval kunnen het beeld vertekenen. Ook variaties bij het registreren van patiëntgegevens en variaties in het beleid rond opname en ontslag kunnen zo’n ongewenste rol spelen. Deze variaties kunnen berusten op incidenten, maar kunnen voor een specifiek ziekenhuis ook zeer systematisch van aard zijn.

HSMR: het instrument

Het is bij de bepaling van de HSMR dus van belang om eerst de vertekenende variaties te bepalen, deze indien mogelijk te minimaliseren en vervolgens een risicocorrectie voor casemixverschil uit te voeren.In de landen waar de HSMR gebruikt wordt, blijkt dat veel patiëntspecifieke risicofactoren kunnen worden afgeleid uit al bestaande registraties.8 Ook in Nederland is hiervoor een registratie beschikbaar: de LMR. De correctiefactoren betreffen in ieder geval: leeftijd, geslacht, opname-urgentie, jaartal van ontslag en hoofddiagnosegroep. Daarnaast nog: comorbiditeit, sociaaleconomische status, herkomst (thuis of andere instelling), maand van opname en zwaarte van aandoening binnen de diagnosegroep.6 Tot en met 2009 werden zowel klinische als dagopnamen meegeteld; vanaf 2010 uitsluitend klinische opnamen. Om het aantal meetellende opnamen te beperken worden diagnoses met een geringe mortaliteit niet meegeteld. Als regel voor een ziekenhuis geldt dat de opnamen met diagnoses die wel meetellen tezamen tenminste 70% van de gehele ziekenhuissterfte moeten vertegenwoordigen.Bij de keuze van de risicofactoren is het van belang dat deze betrekking hebben op de casemix en niet op de behandeling. Zo heeft men bijvoorbeeld medische verrichtingen bewust buiten beschouwing gelaten, omdat deze onderdeel zijn van datgene wat men wil beoordelen: de kwaliteit van het zorgproces. Tot en met 2008 werd nog gecorrigeerd voor opnameduur, maar deze determinant heeft men laten vallen omdat deze meer samenhangt met behandeling en kwaliteit van zorg dan met patiëntkenmerken.

Zodra de risicofactoren vastliggen, kan met gebruik van een statistisch model risicocorrectie plaatsvinden. Ziekenhuissterfte is hierbij de afhankelijke variabele; de invloed van de verschillende onafhankelijke variabelen (de risicofactoren) wordt vastgesteld met behulp van ‘logistische regressie’. De combinatie van risicofactoren voor een individueel geval bepaalt vervolgens de voorspelde sterftekans voor die opname. Deze vorm van standaardisatie, ook wel aangeduid als ‘indirecte standaardisatie’, vergelijkt in feite de waargenomen sterfte binnen een patiëntengroep met de verwachte of voorspelde sterfte uit gelijksoortige


Hoo

fdst

uk1

Inleiding

13

patiëntenpopulaties. De verhouding van de waargenomen sterfte in de geselecteerde populatie van opnamen in een ziekenhuis en het totaal van de door het model voorspelde sterfte in die populatie vormt de gestandaardiseerde ziekenhuissterfteratio. Vermenigvuldigd met 100 leidt dit tot de hospital standardised mortality ratio:

HSMR = 100 maal (som van de waargenomen sterfte/som van de verwachte sterfte)

Als een ziekenhuis in een zeker jaar een HSMR scoort van minder dan 100, dan is dit gunstig; scoort het meer dan 100 dan is dat ongunstig. Om de mogelijke invloed van variatie als gevolg van toeval af te bakenen, wordt de uitkomst meestal voorzien van een 95%-betrouwbaarheidsinterval. Verder wordt het voorspellend vermogen van de HSMR vastgesteld in de vorm van de zogenaamde ‘c-statistic’. Deze factor geeft aan in hoeverre een gekozen model in staat is sterfte, versus overleven, correct te voorspellen. Bij een waarde van 0,5 is er geen onderscheidend vermogen. Bij waarden tussen de 0,7 en 0,8 is er sprake van een ‘redelijk’ voorspellend vermogen; boven de 0,8 wordt dit als ‘goed’ beschouwd. Het huidige model voor Nederland (2010) scoort ruim boven de 0,8.6

De SMR

De HSMR is een ziekenhuisbrede indicator die in principe weinig zegt over de kwaliteit van zorg van een specifieke afdeling of een specialisme. Naast de HSMR wordt ook de standardised mortality ratio (SMR) gehanteerd. Hierbij kijkt men naar een deelverzameling van de populatie, bepaald door opnamen binnen een diagnosegroep. Voor de Nederlandse situatie zijn 50 diagnosegroepen vastgesteld, gebruikmakend van de ‘Clinical Classification Software’ (CCS), ontwikkeld door het ‘Agency for Healthcare Research and Quality’.9 Hierbij worden ICD-9-codes, tot nu toe gebruikt in de LMR voor het coderen van hoofddiagnoses en nevendiagnoses, in een hanteerbaar aantal betekenisvolle categorieën geclusterd, bijvoorbeeld: ‘Acuut Mycoardinfarct’. Een SMR is daardoor veel specifieker dan de HSMR en beter geschikt om een potentieel zwakke plek in de organisatie van het ziekenhuis te detecteren en daarmee gerichte verbeteracties binnen een ziekenhuis mogelijk te maken.Het oorspronkelijke HSMR-model is ontwikkeld door de Dr. Foster Intelligence Unit in het Verenigd Koninkrijk. De Nederlandse variant is ontwikkeld in samenwerking met ‘Kiwa Prismant’ en de ‘PraktijkIndex’.


De HSMR beproefd

14

een gedachte-experiment

Als publieke indicator is de HSMR tot en met 2010 niet toegepast in Nederland. En dat terwijl vele andere publieke, al dan niet effectieve indicatorensets uitbundig opbloeien. Hoe moeten wij deze ontwikkeling duiden? Hiertoe is het nuttig inzicht te ontwikkelen in de mogelijke tekortkomingen van de HSMR en dit te plaatsen in de lopende discussie rond dit onderwerp. Tekortkomingen kunnen samenhangen met imperfectie van het HSMR-model en met variaties in omstandigheden waarvoor het model niet corrigeert. Om de focus van de discussie duidelijk te maken kan een gedachte-experiment van dienst zijn:

• Meetvariant 1Beschouw eerst de ideale situatie, waarbij de HSMR de kwaliteit van zorg zuiver meet. Neem hierbij aan dat naast variatie in kwaliteit van zorg alleen nog variatie in casemix optreedt, waarvoor perfect gecorrigeerd kan worden. We doen dit onder de volgende aannames:

º de variatie in casemix is bepaald door een beperkt en bekend aantal determinanten,

º er zijn geen andere verstorende variaties, º we beschikken over oneindig veel meetpunten (opnamen) per

ziekenhuis, waardoor variatie door ‘toeval’ tot nul gereduceerd wordt.De resulterende HSMR, aangeduid als HSMR1, is dan een zuivere vergelijkingsmaat voor ziekenhuissterfte. We nemen aan dat verschillen in HSMR1 toe te schrijven zijn aan bijvoorbeeld variaties in medische praktijk, ziekenhuiscultuur, organisatie en vermijdbare onbedoelde schade. De frequentieverdeling van de HSMR1-scores zou dan een klokvormige verdeling kunnen opleveren rond het gemiddelde van 100 met een zekere standaarddeviatie σ1 (bijvoorbeeld 15). Figuur 1 visualiseert het idee.

• Meetvariant 2Beschouw nu de fictieve situatie waarbij wij het HSMR-verstorende effect meten van alle variaties die in de werkelijkheid kunnen optreden en waarvoor het HSMR-model niet corrigeert. Neem hierbij het volgende aan:

º alle ziekenhuizen zijn gelijk in termen van kwaliteit van zorg, º er is geen variatie in casemix voor zover die meetelt bij meetvariant 1, º we hebben de beschikking over een eindig aantal opnamen per

ziekenhuis.Vervolgens bepalen we met inzet van hetzelfde model de HSMR van alle ziekenhuizen, aangeduid als HSMR2. Ook nu ontstaat een verdeling rond de


Hoo

fdst

uk1

Inleiding

15

100, uitsluitend bepaald door de combinatie van de verschillende bronnen van ongecorrigeerde variatie en met een eigen standaarddeviatie σ2, zie figuur 2. De hier vermelde bronnen van variatie zijn over het algemeen wel onderkend, maar de aard en de invloed hiervan op de HSMR zijn veelal niet adequaat gekwalificeerd en gekwantificeerd. Dit proefschrift beschrijft in het vervolg een aantal van deze bronnen en hun vertekenend effect op de HSMR.In termen van de signaaltheorie zouden we kunnen stellen dat de frequentieverdeling van de HSMR-uitkomsten van meetvariant 1 het ‘ware HSMR-signaal’ oplevert (zuiver sterftecijfer als maat voor kwaliteit van zorg) en meetvariant 2 het effect van vertekenende variaties in de vorm van een ‘stoorsignaal’.

Variatie in kwaliteit van ziekenhuiszorg (frequentieverdeling ziekenhuizen)

Variatie in casemix perfecte correctie door HSMR-model

100

0 0

100

frequentie-verdeling van

HSMR1

FIgUUR 1 Denkbeeldige meetvariant 1: frequentieverdeling van HSMR-scores van Neder-landse ziekenhuizen betreffende zuivere kwaliteit van zorg, ofwel het ‘ware HSMR-signaal’.

Variatie in kwaliteit van ziekenhuiszorg (denkbeeldig op 0 gesteld)

Variatie door toeval

Variatie in LMR registratie

Variatie in heropnames

Variatie in bijzondere medische verrichtingen

Variatie in niet adequaat gecorrigeerde casemix op ICD-9-niveau

Variatie in ziekenhuissterfte van terminaal geïndiceerde patiënten

Variatie in omgevingsrisico s tijdens inzamelen van variabelen

Variatie door imperfectie van regressie (o.a. bias casemix-zwaarte)

Variatie in sterfte buiten ziekenhuis, binnen 30 dagen na ontslag

Overige niet gespecificeerde bronnen van variatie

0

0

0

0

0

0

0

0

0

0

100 frequentie-

verdeling van HSMR2

100

FIgUUR 2 Denkbeeldige meetvariant 2: combinatie van toevalsvariatie en overige syste-matische variaties, ofwel verschuivingen in de HSMR-verdeling als gevolg van het totaal van de optredende variaties. Wij duiden deze verdeling aan als het ‘stoorsignaal’.


De HSMR beproefd

16

• Meetvariant 3In de niet ideale werkelijkheid meten we een HSMR, aangeduid als HSMR3, waarbij het resultaat een combinatie is van meetvariant 1 en meetvariant 2, zie figuur 3.

We weten echter niet bij voorbaat hoe sterk of zwak het HSMR-signaal is ten opzichte van het stoorsignaal. De kwaliteit van het HSMR3-signaal kunnen wij uitdrukken in de verhouding σ1/σ2, waarmee wij bedoelen de verhouding tussen het ware HSMR-signaal en het stoorsignaal, ofwel de ‘signal-to-distortion-ratio’ (S/D-ratio). Dit naar analogie van een begrip uit de signaaltheorie: de signaal-ruis-verhouding ofwel de ‘signal-to-noise-ratio’. HSMR3 zou een redelijke maat voor een zuiver sterftecijfer kunnen zijn, indien de standaarddeviatie σ1 aanzienlijk groter is dan σ2, ofwel de S/D-ratio aanzienlijk groter dan 1. Het ware HSMR-signaal is dan duidelijk sterker, vergeleken met het stoorsignaal. Maar hoe dienen we HSMR3 te duiden als σ1 en σ2 dezelfde orde van grootte hebben? In dat geval zullen de ongewenste variaties een verstorende werking hebben op de uitkomsten van de HSMR. Naarmate het stoorsignaal (HSMR2) sterker is, wordt het lastiger of onmogelijk om de HSMR3 nog zinvol te kunnen interpreteren.Ter illustratie: figuur 4 toont een voorbeeld van een gemeten HSMR3-verdeling.Een blauw signaal, vermengd met het rode stoorsignaal, levert de mengkleur paars die wij meten en waarnemen. De vraag is nu echter: kijken wij naar paarsig blauw, paars, of paarsig rood? Anders geformuleerd: is het ware HSMR-signaal voldoende sterk tussen de vele vormen van mogelijk optredende stoorsignalen, of is het ware signaal hierin ‘ondergedompeld’ en daardoor nog nauwelijks waarneembaar?

Dit proefschrift gaat in op de aard en de invloed van meetfouten als gevolg van stoorsignalen en beschrijft welke inspanningen gedaan kunnen worden om de invloed van meetfouten te minimaliseren.

Van opportunistisch tot sceptisch

Bovengenoemd referentiemodel verschaft een basis voor de discussie over de betrouwbaarheid en de validiteit van de HSMR. Zowel in Nederland als daarbuiten blijken verschillende stromingen te bestaan met een keur aan meningen en soms tegengestelde belangen.Enerzijds zijn er min of meer gelijkgezinde partijen die de HSMR anno 2010 voldoende uitontwikkeld achten om te dienen als indicator voor kwaliteit van zorg. Deze partijen willen de HSMR binnen de ziekenhuizen gebruiken om de kwaliteit van zorg te benchmarken en te verbeteren. Dit laatste kan wat hen betreft


Hoo

fdst

uk1

Inleiding

17

Frequentieverdeling van HSMR1 Nederlandse ziekenhuizen

Frequentieverdeling verschuivingen van HSMR s als gevolg

van niet gecorrigeerde variatie

100

100

frequentie-verdeling van

HSMR3 0

FIGUUR 3 Meetvariant 3: een combinatie van het HSMR-signaal en het stoorsignaaL HSMR3 is wat wij in werkelijkheid meten en waarnemen.

0

5

10

15

20

25

60 - 70 70 - 80 80 - 90 90 - 100 100 - 110 110 - 120 120 - 130 130 - 140HSMR categorieen

Aan

tal z

ieke

nhui

zen

FIGUUR 4 Voorbeeld van een frequentieverdeling van de HSMR3. Betreft 67 Nederlandse ziekenhuizen over de jaren 2007 t/m 2009.

gepaard gaan met het publiek maken van de HSMR en eventueel SMRs van ieder ziekenhuis. Tot deze stroming behoren over het algemeen: vernieuwers,5,10,11 een aantal wetenschappers8,12 , partijen die HSMR-gerelateerde diensten aanbieden aan ziekenhuizen13 en de toezichthouder in de gezondheidszorg.14-16 Verder ook sommige ziekenhuizen zelf17 en media zoals het AD en Elsevier.18 Deze voorstanders hebben zich de afgelopen jaren met name ingespannen om aan te tonen dat de HSMR inmiddels een valide methode is om ziekenhuiskwaliteit te meten. Zij spitsten hun aandacht vooral toe op de factoren van variant 1; zij verfijnden de casemixdeterminanten en toonden met de c-statistic aan dat de HSMR een goed onderscheidend vermogen bezit. Impliciet nemen zij daarbij aan dat de S/D-ratio, zoals hiervoor beschreven, voldoende groot is om zinnige interpretaties te doen op basis van de HSMR-uitkomsten. Kenmerkend voor de voorstanders is verder dat zij de invloed van meetvariant 2 slechts ten dele


De HSMR beproefd

18

onderkennen en nauwelijks hebben onderzocht. Wel hebben zij aandacht voor onzekerheid als gevolg van toeval, die afgebakend wordt door het vaststellen van een betrouwbaarheidsinterval. Ook benadrukken zij het belang van goed coderen alvorens conclusies te trekken uit het getal. Maar wat goed coderen nu precies inhoudt en wat er allemaal mis kan gaan bij het coderen, daarover hullen deze voorstanders zich in stilzwijgen.

Anderzijds zijn er de tegenstanders. Zij achten de huidige HSMR (2010) onvoldoende geschikt als indicator voor kwaliteit van zorg. In deze groep zijn eveneens wetenschappers vertegenwoordigd,19,20 maar vooral ook ziekenhuizen die angst hebben voor stigmatiserende werking als gevolg van een ten onrechte hoge HSMR-score.21-23 Deze partijen richten zich met name op de mogelijke invloed van de verstorende factoren uit meetvariant 2, zoals blijkt uit vele publicaties in binnen- en buitenland.24-27

Overigens zijn ziekenhuizen vaak wel bereid om de HSMR te gebruiken bij de verbetering van kwaliteit van hun zorg, zie bijvoorbeeld het initiatief ‘Move Your Dot’.28 Omdat dit soort activiteiten binnen de muren van het ziekenhuis plaatsvindt, is het minder bedreigend en kan er van geval tot geval bekeken worden in hoeverre de uitkomst vertekend is door meetfouten.

HSMR op nationaal niveau

De HSMR als ziekenhuisbrede indicator is al sinds 1999 in gebruik in het Verenigd Koninkrijk.5,29 Ook de Verenigde Staten, Canada, Zweden, Australië30 en andere landen maken er gebruik van. Voor Nederland werden de eerste HSMR-berekeningen uitgevoerd voor de jaren 2003 t/m 2005, mede op initiatief van het Reinier de Graaf Gasthuis dat een voortrekkersfunctie vervulde.11 De ontwikkelingen trokken ook de aandacht van de Inspectie voor de Gezondheidszorg, die geïnteresseerd raakte in de mogelijkheid inzicht te krijgen in het optreden van vermijdbare sterfte, teneinde tijdiger te kunnen ingrijpen. Denk bij dit laatste aan situaties zoals in het Radboud Ziekenhuis, met de verhoogde mortaliteit op de afdeling hartchirurgie.31

De afgelopen jaren is er vanuit de media en de politiek in toenemende mate aangedrongen op het openbaar maken van ziekenhuissterftecijfers.32 Tegelijkertijd barstte de discussie los tussen voor- en tegenstanders van de HSMR, zoals vermeld in de vorige paragraaf. Voorstanders toonden bij voortduring aan dat de HSMR betrouwbaar en valide zou zijn en dat terughoudendheid in publicatie daarom niet nodig is.6,12,13,33 Sceptici beweerden dat de methodologie niet zuiver zou zijn en dat vele bronnen van ongewenste variatie de HSMR ontoelaatbaar zouden


Hoo

fdst

uk1

Inleiding

19

vertekenen.22,34-36 Desondanks lag het in de bedoeling van de Inspectie om openbaarmaking van de HSMR over het jaar 2009 verplicht te stellen.

SanteonDe volgende zes ziekenhuizen werken samen onder de naam Santeon: 1. Canisius Wilhelmina Ziekenhuis Nijmegen2. Catharina Ziekenhuis Eindhoven3. Martini Ziekenhuis Groningen4. Medisch Spectrum Twente5. Onze Lieve Vrouwe Gasthuis Amsterdam6. St. Antonius Ziekenhuis Utrecht/Nieuwegein

Gelijktijdig heeft Santeon, een vereniging van zes topklinische ziekenhuizen, zie kader, mij de opdracht gegeven om een uitgebreid vergelijkend onderzoek te doen naar de Santeon-HSMR-scores, gebaseerd op 418.000 opnamen over de periode 2003 t/m 2007. De uitkomsten van dat onderzoek

presenteerden wij in eerste instantie aan de Inspectie en aan de Minister van VWS.21 Naar aanleiding hiervan bracht de landelijke Expertgroep-HSMR een advies uit en werd op voordracht van de NVZ en de NFU de openbaarmaking van de HSMR met ten minste één jaar uitgesteld.37

Onderzoeksvragen

In dit proefschrift geef ik een antwoord op de volgende vragen:1. Welke factoren kunnen de validiteit en de betrouwbaarheid van de HSMR en

de bijbehorende SMRs beïnvloeden? Hierbij staan de volgende vier bronnen van variatie centraal:

º variatie bij het coderen van opnamen voor de LMR, º variatie bij bijzondere medische verrichtingen voor hartaandoeningen, º variatie in de casemixzwaarte op het niveau van de ICD-9-

hoofddiagnose, º variatie in de opnamefrequentie (heropnamen) van patiënten.

2. Hoe groot is deze invloed op de HSMR en SMRs?3. In hoeverre is de HSMR geschikt, of kan hij geschikt gemaakt worden, om

als indicator te gebruiken bij kwaliteitsverbetering en benchmarking van ziekenhuizen?

Het HSMR-model volgens Dr. Foster is hierbij uitgangspunt.


De HSMR beproefd

20

Opbouw proefschrift

De onderzoeksvragen met betrekking tot de genoemde bronnen van variatie zijn ingekaderd in de volgende hoofdstukken:

Hoofdstuk 2 geeft een overzicht van de uitgevoerde Santeon-studie die als basis diende voor dit proefschrift. De publicatie vormde de aanzet tot de beslissing om in 2010 de openbaarmaking van de HSMR voor minstens een jaar uit te stellen.

Hoofdstuk 3 beschrijft de invloed op de HSMR als gevolg van variaties die optreden bij het coderen van opnamen voor de LMR. Hierbij is gekeken naar variatie-effecten in de LMR-database van de Santeon-ziekenhuizen en naar de operationele onderliggende oorzaken van variatie in het proces van het coderen binnen de zes ziekenhuizen. Naar aanleiding van onze publicatie, beschreven in hoofdstuk 3, hebben Pieter D, e.a.13 de scope van dit onderwerp verbreed naar landelijk niveau. Echter bij deze laatste publicatie waren een aantal kritische kanttekeningen te plaatsen. De auteurs van hoofdstuk 3 hebben hiertoe een open brief geformuleerd die is bijgevoegd in dit proefschrift als bijlage 3.

Hoofdstuk 4 onderzoekt het verband tussen bijzondere medische verrichtingen en de HSMR. Nederlandse hartcentra hebben het recht, maar ook een zekere plicht om patiënten met hartaandoeningen te dotteren of te opereren, terwijl niet-hartcentra dat niet mogen ingevolge de Wet Bijzondere Medische Verrichtingen (WBMV). Wordt hierdoor een ongelijk speelveld gecreëerd en levert dit verschillen op in de HSMR? Deze studie stond los van de Santeon-studie en werd al in een eerder stadium op landelijk niveau uitgevoerd.

Hoofdstuk 5 richt zich op de vraag in hoeverre de HSMR binnen de Santeon-ziekenhuizen casemixvariatie accuraat corrigeert op het niveau waarop diagnoses gecodeerd worden (ICD-9).

Hoofdstuk 6 is een vervolg op het onderwerp van hoofdstuk 5. Het onderzoek verbreedt zich naar de landelijke situatie en onderzocht wordt op welke wijze het HSMR-instrument de genoemde casemixvariatie corrigeert. Het ontwikkelen en toepassen van een verbeterde rekenmethode leidt tot een inschatting van de invloed van de casemixvariatie op het huidige HSMR-cijfer (2010).

Hoofdstuk 7 gaat in op de volgende vraag: als ziekenhuizen een gelijksoortige patiënt onder dezelfde omstandigheden vaker versus minder vaak opnemen,


Hoo

fdst

uk1

Inleiding

21

leidt dit dan tot verschillen in voorspelde risico’s en verschillen in waargenomen sterftecijfers? Ook hier vormen de Santeon-gegevens weer de basis van de analyse.

Hoofdstuk 8 combineert de resultaten van de voorgaande hoofdstukken, waarbij de gezamenlijke effecten van bijzondere medische verrichtingen, casemixverschillen op ICD-9-hoofddiagnoseniveau en heropnamen in één HSMR-berekening worden bepaald. Dit om na te gaan of een en ander tot een nóg beter voorspellend model kan leiden.

De algemene discussie vat de bevindingen van dit onderzoek samen en beantwoordt de gestelde algemene onderzoeksvragen. Verder bevat dit hoofdstuk een aantal aanbevelingen en een eindconclusie.


De HSMR beproefd

22

literatuur

1. Zichtbare Zorg. Zie www.zichtbarezorg.nl/page/Ziekenhuizen-en-ZBC-s/Kwaliteitsin-dicatoren.

2. Website Inspectie voor de Gezondheidszorg http://www.igz.nl/onderwerpen/handhavingsinstrumenten/gefaseerd-toezicht/kwaliteitsindicatoren.

3. Colsen PJA, Casparie AF. Indicatorregistratie: een model ten behoeve van integrale kwaliteitszorg in een ziekenhuis. Medisch Contact, 1995; 50: 297-299.

4. Donabedian A. Explorations in quality assessment and monitoring (vol 1): the definition of quality and approaches to its assessment. Michigan, Ann Arbor: Health Administration Press, 1980.

5. Jarman B, Gault S, Alves B, Hider A, Dolan S, Cook A, et al. Explaining differences in English hospital death rates using routinely collected data. BMJ. 1999;318:1515-20.

6. Jarman B, Pieter D, Veen AA van der, et al. The Hospital Standardised Mortality Ratio: a powerful tool for Dutch hospitals to assess their quality of care? (2009). Qual Saf Health Care. 2010;19:9-13.

7. Thomas JW, Hofer TP 1998. Research evidence on the validity of risk-adjusted mortality rate as a measure of hospital quality of care. Medical Care Research and Review 55(4):371–404.

8. Aylin P, Bottle A, Majeed A. Use of administrative data or clinical databases as predictors of risk of death in hospital: comparison of models. BMJ 2007; 334: 1044.

9. Clinical Classifications Software (CCS) for ICD-9-CM Fact Sheet http://www.hcup-us.ahrq.gov/toolssoftware/ccs/ccsfactsheet.jsp#what.

10. Jarman B, Aylin P. Death rates in England and Wales and the United States: variation with age, sex, and race. BMJ 2004 Dec 11; 329 (7479): 1367.

11. Touwen L. HSMR: een heldere benchmark. Ervaringen in Reinier de Graaf Gasthuis. ZE-Magazine nummer 6, 2008.

12. Heijink R, Koolman X, Pieter D, Veen A van der, Jarman B, Westert G. Measuring and explaining mortality in Dutch hospitals; the hospital standardised mortality rate between 2003 and 2005. BMC Health Serv Res 2008;8:73.

13. Pieter D, Kool RB, Westert GP. Beperkte invloed gegevensregistratie op gestandaardiseerd ziekenhuissterftecijfer (HSMR), Ned Tijdschr Geneeskd. 2010; 154:A2186.

14. Borghans HJ, Pieter D, Hoenen JAJH, Kool RB. De toepasbaarheid van de HSMR in het toezicht van de Inspectie voor de Gezondheidszorg. Utrecht: Prismant; 2008.

15. Ouden AL den, Nugteren WAH, Haeck J, Berg JMJ van den. Sterftecijfer niet afserveren. Medisch Contact, 63(13): 561; 28 maart 2008.

16. Ouden AL den, Wal G van der. Het gestandaardiseerde ziekenhuissterftecijfer (HSMR) bruikbaar voor het volgen van ziekenhuissterfte. Ned Tijdschr Geneeskd. 2008;152:1191-2.

17. Wright J, Dugdale B, Hammond I, Jarman B, Neary M, et al. Learning from death: a hospital mortality reduction programme. J R Soc Med2006;99:303-8.

18. Sterftecijfers: ja of nee? Elsevier, 24 oktober 2009.


Hoo

fdst

uk1

Inleiding

23

19. Lilford R, Mohammed MA, Spiegelhalter D, Thomson R. Use and misuse of process and outcome data in managing performance of acute medical care: avoiding institutional stigma. Lancet 2004;363:1147-54.

20. Mohammed MA, Deeks JJ, Girling A, Rudge G, Carmalt M, Stevens AJ, Lilford RJ. Evidence of methodological bias in hospital standardised mortality ratios: retrospective database study of English hospitals. BMJ 2009;338:b780.

21. Bosch WF van den, Roozendaal KJ, Silberbusch J. Schommelende sterftecijfers, HSMR nog geen betrouwbare maat voor zorgkwaliteit. Medisch Contact, Nr. 31/32 - 30 juli 2009: 1344-48.

22. Geelkerken RH, Mastboom WJB, Bertelink BP, Palen J van der, Berg M, Kingma JH. Een onrijp instrument, Sterftecijfer niet geschikt als maat voor ziekenhuiskwaliteit. Medisch Contact. 2008;63:370-4.

23. Pleizier CM, Geerlings W, Pieter D, Boiten J. Patiëntenmix beïnvloedt HSMR. Medisch Contact, Nr. 36 - 09 september 2010, p. 1777-1779.

24. Black N. Assessing the quality of hospitals. BMJ 2010;340:c2066.25. Bosch WF van den, Silberbusch J, Roozendaal KJ, Wagner C. Variatie in codering

patiëntgegevens beïnvloedt gestandaardiseerd ziekenhuissterftecijfer (HSMR). Ned Tijdschr Geneeskd. 2010;154:A1189.

26. Lilford R, Pronovost P. Using hospital mortality rates to judge hospital performance: a bad idea that just don’t go away. BMJ 2010: 340:c2016.

27. Penfold RB, Dean S, Flemons W, Moffatt M. Do hospital standardized mortality ratios measure patient safety? HSMRs in the Winnipeg Regional Health Authority. Healthc Pap. 2008;8:8-24.

28. Everdingen JJE van, Smorenburg SM, Schellekens W. Praktijkboek Patiëntveiligheid, p 249-250. ISBN 90 313 4722 1. 2006.

29. How safe is your hospital? The Dr foster hospital guide 2009. www.drfosterhealth.co.uk (accessed 6 April 2010).

30. Ben-Tovim D, Woodman RJ, Harrison JE, Pointer S, Hakendorf P, Henley G. Measuring and reporting mortality in hospital patients. Canberra: AIHW, 2009. (Cat No HSE 69.)

31. Onderzoeksraad voor de veiligheid. Een onvolledig bestuurlijk proces: hartchirurgie in UMC St Radboud, april 2008. Beschikbaar via: www.onderzoeksraad.nl.

32. Kamerstuk CZ-K-U-2900192, Antwoorden op kamervragen van Koser Kaya over het bericht dat ziekenhuizen zwijgen over hun sterftecijfers, 2 februari 2009.

33. Kool RB, Veen A van der, Westert GP. Sterftemaat is valide instrument. Medisch Contact. 2007;63:2090-1.

34. Bosch WF van den, Graafmans WC, Pieter D, Westert GP. Hartcentra en de HSMR. Het effect van bijzondere medische verrichtingen op het gestandaardiseerde ziekenhuissterftecijfer. Ned Tijdschr Geneeskd. 2008;152:1221-7.

35. Voort PHJ van der, De Jonge E. Sterfte als maat voor kwaliteit. Medisch Contact 62(43): 1766-1767; 26 oktober 2007.

36. Nicholl J. Case-mix adjustment in non-randomised observational evaluations: the constant risk fallacy. J Epidemiol Community Health 2007;61:1010-3.

37. Redactie Medisch Contact. Sterftecijfer nog niet publiek in 2010. Medisch Contact. 2009: 31/32:1320.


2 ScHOMMelenDe SteRFtecIjFeRS

Dit hoofdstuk werd gepubliceerd als:Bosch WF van den, Roozendaal KJ, Silberbusch J. Schommelende sterftecijfers; HSMR nog geen betrouwbare maat voor zorgkwaliteit. Medisch Contact, nr. 31/32 - 30 juli 2009: 1344-48.


De HSMR beproefd

26

Samenvatting

• De toegenomen aandacht voor het gestandaardiseerde ziekenhuissterftecijfer past bij de behoefte aan verbetering en transparantie van de zorgkwaliteit.

• Santeon heeft de eigen HSMR-uitkomsten van de jaren 2003 tot en met 2007 onderzocht. De grote verschillen tussen de zes deelnemende ziekenhuizen en de fluctuaties in de tijd zijn niet volledig te verklaren door variaties in kwaliteit van zorg.

• Codeervariaties blijken grote invloed te hebben; correctie voor codeervariatie bij één factor deed de HSMR van één van de ziekenhuizen met 22 punten stijgen.

• Om van de HSMR een zinvol meetinstrument te maken, moeten de betrouwbaarheid en de onderlinge vergelijkbaarheid van de LMR-variabelen worden verbeterd door codeervariatie te minimaliseren.


Hoo

fdst

uk2

Schommelende sterftecijfers

27

Introductie

Gestandaardiseerde sterftecijfers zijn een veelbelovend instrument voor het meten van zorgkwaliteit. Een onderzoek in zes ziekenhuizen toont echter aan dat de scores nu nog alle kanten op schieten. Variatie bij het coderen kan vele punten verschil maken.

De toenemende aandacht voor gestandaardiseerde sterftecijfers past bij de behoefte aan verbetering en transparantie van zorgkwaliteit. De ruwe sterftecijfers van ziekenhuizen zijn lastig te vergelijken, omdat patiëntenpopulaties kunnen verschillen. Daarom is de hospital standardised mortality ratio (HSMR) ontwikkeld, gebaseerd op een al langer gebruikt model uit het Verenigd Koninkrijk.1, 2 Een recente vertaling van dit model voor de Nederlandse situatie is door Prismant beschreven.3 In het model wordt gecorrigeerd voor de volgende patiëntkenmerken: jaartal, geslacht, leeftijd, sociale klasse, opname-urgentie, hoofddiagnose, charlsonindex (comorbiditeit) en verpleegduur. En naast de ziekenhuisbrede HSMR worden ook gestandaardiseerde sterftecijfers op diagnosegroepsniveau bepaald. Voor de indeling van de diagnosegroepen is door de ontwerpers van het HSMR-instrument gekozen voor het Clinical Classification System (CCS) en daarbinnen voor vijftig CCS-diagnosegroepen.

Proeftuin

De HSMR wordt ingezet bij het gezamenlijk ontwikkelen van kwaliteitsinitiatieven door Santeon, een vereniging van zes samenwerkende ziekenhuizen. Hierbij hebben de ziekenhuizen hun eigen HSMR-uitkomsten van de jaren 2003 tot en met 2007 op detailniveau met elkaar gedeeld. De basis voor de analyse is ontleend aan de landelijke medische registratie (LMR) over de periode 2003 tot en met 2007. Het betreft een database met bijna 1,5 miljoen opnamen van de zes ziekenhuizen, waarvan 418.567 opnamen meetelden bij de HSMR-berekening.Kenmerkend voor de deelnemende ziekenhuizen is dat ze naast gewone zorg ook topklinische zorg bieden en als tertiaire centra functioneren, zonder dat er sprake is van een academisch ziekenhuis. Daarnaast liggen de ziekenhuizen verspreid door het hele land en bestaat er al jaren een innig samenwerkingsverband. Dit maakt Santeon geschikt om als proeftuin te dienen voor het zoeken naar optimale meetinstrumenten om zorgkwaliteit te schatten.Werken aan kwaliteit van zorg in Santeonverband biedt voordelen op het gebied van benchmarking en het uitwisselen van best practices. De inzet van het HSMR-instrument lijkt hierbij een efficiënt hulpmiddel, omdat snel en objectief


De HSMR beproefd

28

duidelijk wordt welke sterke punten ieder deelnemend ziekenhuis in huis heeft. Deze kunnen vervolgens worden gedeeld met de andere ziekenhuizen. Sterke punten van een ziekenhuis manifesteren zich middels de HSMR-methodiek in de vorm van gekwantificeerde statistisch significante ondersterfte voor zekere CCS-diagnosegroepen.Een voorbeeld: ziekenhuis A blijkt voor de CCS-diagnose ‘hartdecompensatie met stuwing; niet hypertensief’ een significante ondersterfte te hebben van 58. Dat wil zeggen: er zijn 58 mensen minder overleden in de periode 2003 tot en met 2007 dan volgens het landelijk gemiddelde statistisch mag worden verwacht met een betrouwbaarheid van 95 procent. Als nu in ziekenhuis B sprake is van significante oversterfte voor dezelfde aandoening gemeten over dezelfde periode, dan kan B wellicht van A leren. De ziekenhuizen A en B vergelijken de opnamen van de afgelopen jaren voor deze aandoening, proberen de verschillen te verklaren en onderzoeken of deze samenhangen met verschillen in werkwijze en behandelmethoden. Als dat zo is dan betrekt ziekenhuis B de ervaringen van ziekenhuis A bij een verbetertraject.Deze aanpak wordt algemeen toegepast voor de belangrijkste aandoeningen uit de lijst van de vijftig CCS-groepen. Dit betreft met name hartaandoeningen, longaandoeningen, oncologische aandoeningen en cerebrovasculaire aandoeningen. De Santeon-ziekenhuizen werken zodoende samen bij het verbeteren van elkaars zorgprocessen. En naast het werken aan best practices kan het verbeteren van ziekenhuisbrede onderwerpen zoals hygiëne en cultuur ook bijdragen aan het verbeteren van de HSMR.

Vermijdbare schade

Het landelijke veiligheidsprogramma ‘Werk veilig, voorkom schade’ heeft tot doel binnen vier jaar de vermijdbare schade en dus ook de vermijdbare sterfte in Nederlandse ziekenhuizen met de helft te reduceren. Uit onderzoek is gebleken dat vermijdbare sterfte in ziekenhuizen circa vier procent van de totale ziekenhuissterfte uitmaakt.4 Dit zou een jaarlijkse reductie van een halve procent betekenen die, gegeven de fluctuaties in de HSMR, nauwelijks of niet zichtbaar is in het HSMR-beloop.Voor het detecteren en monitoren van vermijdbare sterfte hebben de samenwerkende ziekenhuizen daarom naast het HSMR-instrument elk een aanvullend instrument: een eigen necrologiecommissie die werkt volgens een gemeenschappelijk protocol. Externe specialisten screenen de dossiers van alle overledenen met behulp van een triggerlijst op aanwijzingen voor mogelijk


Hoo

fdst

uk2


29

vermijdbare schade. Maandelijks leggen ze de gevallen waarbij verdenking op vermijdbare schade is vastgesteld, voor aan de necrologiecommissie. De commissie nodigt vervolgens de betrokken zorgprofessionals uit voor gezamenlijke bespreking van de casus en het inzetten van verbeteracties.

Schommelingen

Om het sterftebeloop over de onderzoeksperiode 2003 tot en met 2007 te kunnen volgen zijn de HSMR-uitkomsten van de afzonderlijke ziekenhuizen uitgezet in een grafiek, zie figuur 1.

55

65

75

85

95

105

115

125

2003 2004 2005 2006 2007

HSM

R

jaartal

B

F

G

E

A

C

D

FIgUUR 1 HSMR-beloop per ziekenhuis. De deelnemende ziekenhuizen zijn in wille-keurige volgorde gelabeld van A tot G. Omdat in de getoonde periode Mesos Medisch Centrum en het St. Antonius Ziekenhuis nog gescheiden waren, zijn niet zes maar zeven ziekenhuizen getoond.

Daaruit kunnen we aflezen dat de per ziekenhuis berekende gemiddelde HSMR-uitkomsten over deze periode variëren van minimaal 65 (D) tot maximaal 114 (B). Verder vertonen de HSMRs van de ziekenhuizen A, B, D en E in vijf jaar tijd weinig schommelingen (circa 10%), en die van de ziekenhuizen C, F en G juist veel (30 tot 40%).Deze grote onderlinge verschillen en het grillige verloop in de tijd kunnen niet zonder meer worden verklaard uit variaties in kwaliteit van zorg. Er blijken meerdere, geheel niet met de zorg samenhangende factoren op te treden die de HSMR-uitkomsten kunnen beïnvloeden, zoals onjuiste, incomplete of


De HSMR beproefd

30

inconsistente LMR-gegevens (codeervariatie), patiëntenfactoren waarvoor het HSMR-instrument niet corrigeert (casemixvariatie) en regionale factoren zoals doorverwijzingspatronen en terminale ketenzorg (overige variatie). Binnen het samenwerkingsverband van de ziekenhuizen zijn de LMR-gegevens van de jaren 2003 t/m 2007 op deze factoren onderzocht.

codeervariatie

Uit dat onderzoek blijkt dat codeerfouten beperkt optraden en weinig variatie in de HSMR veroorzaakten. Wel werd bij het coderen van het veld ‘hoofddiagnose’ veel variatie gevonden, omdat er voor eenzelfde aandoening meerdere codeermogelijkheden bestaan. Daardoor kan het gebeuren dat een identieke casus in het ene ziekenhuis wel en in het andere niet in de HSMR-berekening wordt meegenomen.Er bleken ook interpretatieverschillen te bestaan bij het coderen van het veld ‘opname-urgentie’. Zo codeerde ziekenhuis B veel te weinig acute opnamen, omdat de definitie van een acute opname anders werd geïnterpreteerd. Aangezien de mortaliteit van acute opnamen een factor vier hoger is dan die van niet acute opnamen, stuwt dit verschil in interpretatie de HSMR op. Dat verklaart gedeeltelijk de hoge score van B.Codeervariaties zijn meestal niet achteraf te corrigeren en maken daardoor de huidige HSMR-uitkomsten minder betrouwbaar. In ons onderzoek was het echter bij een bepaalde, systematisch toegepaste vorm van variatie wel mogelijk om de HSMR van twee ziekenhuizen voor codeervariatie te corrigeren. Daarbij daalde de HSMR van ziekenhuis A met 5 punten, terwijl C gemiddeld over vijf jaar 22 punten hoger scoorde. De uitzonderlijk goede scores in 2006 en 2007 van ziekenhuis C vallen na correctie terug naar waarden rond de 100. Kennelijk kan één enkele variatiefactor als gevolg van het systematisch onjuist invullen van één LMR-veld al een flinke invloed uitoefenen op de HSMR. Ook op het vlak van de nevendiagnoses bleken variaties te bestaan waarbij één ziekenhuis (D) meer volledigheid betrachtte dan de andere en daarmee zijn HSMR wist te verlagen. Het is dus evident dat de HSMR alleen bruikbaar is als binnen de samenwerkende ziekenhuizen, maar ook landelijk, eenduidige codeerafspraken gelden die leiden tot consistentie.

casemixvariatie

Een andere variabele die voor vertekening van de mortaliteitsratio kan zorgen is casemix. De huidige HSMR-methodiek voor Nederland corrigeert voor de acht


Hoo

fdst

uk2


31

eerdergenoemde determinanten. In vergelijking met de vele andere indicatoren in de Nederlandse gezondheidszorg is de HSMR een geavanceerde indicator. Een nadeel is echter dat de totstandkoming van de berekening voor ziekenhuizen niet voldoende transparant is, wat controle op de berekening hiervan door het eigen ziekenhuis onmogelijk maakt.Met betrekking tot de keuze van de casemix is het de vraag of de juiste combinatie is gekozen en of er ten onrechte andere, zeker zo belangrijke, factoren uitgesloten zijn. Een casemixvariabele die wellicht voor inclusie in aanmerking komt is ‘heropname’. Tussen de samenwerkende ziekenhuizen blijken op dit punt grote verschillen te bestaan. Zo heeft ziekenhuis D een relatief hoog aantal heropnamen en het blijkt dat een deel van de goede score hieraan moet worden toegeschreven. In ons onderzoek naar de HSMR-uitkomsten van de zes afzonderlijke ziekenhuizen, hebben wij het gedrag van deze variabele wél meegenomen en onze resultaten hiervoor gecorrigeerd.Een volgende factor die te maken heeft met de betrouwbaarheid van de HSMR betreft mogelijke verschillen in het functioneren van de terminale ketenzorg. Uit een onderzoek in West-Canada blijkt dat er een verband bestaat tussen de sterfteplek - ziekenhuis versus hospitium - en de HSMR.5 In regio’s waar het percentage van de totale regionale sterfte in hospices hoger is, blijkt de HSMR van omringende ziekenhuizen lager. Omdat dit effect in Nederland niet is onderzocht, hebben de deelnemende ziekenhuizen de intentie om zelf vast te stellen welk percentage patiënten met een indicatie voor een hospitium of terminale thuiszorg alsnog sterft in het ziekenhuis.Ook verwijzingen in verband met het uitvoeren van bijzondere medische verrichtingen door gespecialiseerde centra kunnen invloed hebben op de HSMR. Zo werkt het uitvoeren van dotterbehandelingen door hartcentra HSMR-verlagend.6 Openhartchirurgie werkt echter HSMR-verhogend. Bij de interpretatie van de HSMR dient ook hiermee rekening te worden gehouden.

Potentieel zinvol

Santeon beschouwt het HSMR-instrument in potentie als een zinvol hulpmiddel om sturing te geven aan het gezamenlijk uitvoeren van kwaliteitsinitiatieven. Een voorwaarde is echter dat de ratio een betrouwbare indicator vormt voor kwaliteit van zorg. Uit ons onderzoek blijkt dat dit met de huidige LMR-data nog niet het geval is. Om hierin verandering te brengen, is het eerst nodig om de betrouwbaarheid en de onderlinge vergelijkbaarheid van de variabelen van de LMR te verbeteren door het minimaliseren van codeervariatie. De Santeon-ziekenhuizen pakken dit


De HSMR beproefd

32

zo snel mogelijk op. HSMR-variaties als gevolg van verschillen in de terminale ketenzorg en verwijzingen voor bijzondere medische verrichtingen zullen wij betrekken bij het interpreteren én openbaar maken van HSMR-resultaten. Naar onze mening is het zaak dat ook andere ziekenhuizen de gelegenheid krijgen hun coderingen uniform uit te voeren voorafgaande aan openbaarmaking van de HSMR. Een landelijke termijn van twee jaar lijkt hierbij haalbaar.


Hoo

fdst

uk2


33

literatuur

1. Jarman B, Gault S, Alves B, Hider A, Dolan S, Cook A, et al. Explaining differences in English hospital death rates using routinely collected data. BMJ 1999; 318: 1515-20.

2. Jarman B, Bottle A, Aylin P, Browne M. Monitoring changes in hospital standardised mortality ratios. BMJ 2005; 330: 329.

3. Borghans HJ, Pieter D, Hoenen JAHJ, Kool RB. De toepasbaarheid van de HSMR in het toezicht van de Inspectie voor de Gezondheidszorg. Prismant, september 2008.

4. Bruijne MC de, Zegers M, Hoonhout LHF, Wagner C. Onbedoelde Schade in Nederlandse Ziekenhuizen; april 2007.

5. Penfold RB, Dean S, Flemlons W, Moffatt M. Follow the Big Dots? HealthcarePapers 2008; vol. 8 no. 4; 69-75.

6. Bosch WF van den, Graafmans WC, Pieter D, Westert GP. Hartcentra en de HSMR. Het effect van bijzondere medische verrichtingen op de gestandaardiseerde ziekenhuissterfte. Ned Tijdschr Geneeskd. 2008; 152: 1221-7.


3 aaRD en InVlOeD Van RegIStRatIeVaRIatIe

Dit hoofdstuk werd gepubliceerd als:Bosch WF van den, Silberbusch J, Roozendaal KJ, Wagner C. Variatie in codering patiëntgegevens beïnvloedt gestandaardiseerd ziekenhuissterftecijfer (HSMR). Ned Tijdschr Geneeskd. 2010;154:A1189.


De HSMR beproefd

36

Samenvatting

DoelOnderzoeken van de invloed van codeervariaties op de het gestandaardiseerde ziekenhuissterftecijfer (HSMR) en maatregelen formuleren om de variatie in coderingen te reduceren.

OpzetRetrospectief, beschrijvend.

MethodeWij analyseerden codeervariaties van de HSMR-parameters hoofddiagnose, opname- urgentie en nevendiagnoses in het databestand landelijke medische registratie (LMR) van opnamen in zes topklinische ziekenhuizen, gedurende 2003 t/m 2007. Ruim een kwart van de geregistreerde opnamen telde mee bij de berekening van de HSMR. Van de ICD-9-codes voor hoofddiagnose die niet waren meegeteld bij de HSMR-berekening onderzochten wij of er verschillen waren tussen de ziekenhuizen en of opnamen met deze codes terecht waren uitgesloten bij de berekening. Variatie in het coderen van opname-urgentie werd gesignaleerd door opnamen te analyseren waarbij de diagnosetitel acuut van aard was. De variatie in het gemiddelde aantal nevendiagnoses per opname werd bepaald als indicatie voor codeervariatie. Door interviews met codeerteams werd geverifieerd of de conclusies van de analyse terecht waren.

ResultatenMeer dan 165.000 opnamen die niet meetelden voor de HSMR vertoonden grote verschillen tussen de ziekenhuizen. Dit aantal was 40% van het aantal opnamen dat wél meetelde. Van de opnamen met een hoofddiagnose die acuut van aard was, was per ziekenhuis 34% tot 93% als ‘acute opname’ geregistreerd. Het gemiddelde aantal nevendiagnoses per opname varieerde tussen de ziekenhuizen van 0,9 tot 3,0.

ConclusiesEr waren tussen de onderzochte ziekenhuizen grote verschillen in de codering van de hoofddiagnose, opname-urgentie en nevendiagnoses, met een potentieel grote invloed op de HSMR-uitkomsten van de ziekenhuizen. De codeervariaties berustten op interpretatieverschillen bij het coderen, verschillen in de beschikbaarheid van codeurs, de kwaliteit van ontslagbrieven en dossiers en de al dan niet tijdige aanlevering hiervan.


Hoo

fdst

uk3

aard en invloed van registratievariatie

37

Inleiding

Het gestandaardiseerde ziekenhuissterftecijfer wordt in Nederland met de nodige voorzichtigheid geïntroduceerd als een indicator voor kwaliteit van zorg. Deze indicator is in het Verenigd Koninkrijk ontwikkeld (‘hospital standardised mortality ratio’, HSMR; tabel 1).1-3

taBel 1 De ‘hospital standardised mortality ratio’ (HSMR) in het kort.

De HSMR* is een gestandaardiseerde maat voor ziekenhuissterfte, waarin het ruwe sterftecijfer (aantal opnamen gedeeld door het aantal gevallen van ziekenhuissterfte) gecorrigeerd is voor de volgende acht patiëntkenmerken (‘casemix’):

• jaartalvanontslag• geslacht• leeftijdbijontslag• sociaaleconomischestatus• opname-urgentie(‘acuut’versus‘nietacuut’)• hoofddiagnose(=opnamediagnose)• verpleegduur• charlsonindex†

Het in dit hoofdstuk gebruikte HSMR-model dat werd toegepast in 2008, telde zowel klinische als dagopnamen mee. De HSMR per ziekenhuis wordt bepaald door de formule:

HSMR = 100 maal waargenomen ziekenhuissterfte / verwachte sterftewaarbij de verwachte sterfte berekend is door de ziekenhuissterfte te corrigeren voor de bovengenoemde acht kenmerken. Bij de uitkomst ‘100’ is de HSMR van het ziekenhuis gelijk aan de landelijke gemiddelde HSMR; hogere waarden kunnen duiden op oversterfte, lagere waarden op ondersterfte. Naast de ziekenhuis-HSMR worden ook gestandaardiseerde sterftecijfers voor diagnosegroepen bepaald. Voor de indeling van deze diagnosegroepen kozen de ontwerpers van het HSMR-instrument 50 diagnosegroepen uit het ‘Clinical Classification System’ (CCS). Voor de berekening van de HSMR wordt de in Nederland gebruikte ICD-9-codering voor diagnoses per hoofddiagnose vertaald naar een van de 50 CCS-groepen. Om doelmatigheidsredenen zijn de groepen zo gekozen dat slechts een beperkt deel van de ICD-9-codes (circa 20%) meetelt, namelijk de diagnoses die gepaard gaan met relatief hoge sterfte. Daardoor telt ook van de opnamen slechts een beperkt deel mee in de HSMR-berekening (in onze studie circa 28%). Hierbij geldt de voorwaarde dat in de meegetelde opnamen minstens 70% van de ziekenhuissterfte vertegenwoordigd moet zijn (in onze studie was dat > 80%).* De landelijk gemiddelde HSMR wordt berekend op basis van alle meegetelde opnamen in de landelijke medische registratie (LMR).†Decharlsonindexiseenmaatvoorcomorbiditeitenisgebaseerdophetaantalnevendiagnoses en de zwaarte hiervan.


De HSMR beproefd

38

Illustratief voor de voorzichtigheid bij de introductie zijn de antwoorden van minister Klink van Volksgezondheid, Welzijn en Sport op vragen uit de Tweede Kamer over het niet openbaar maken van de HSMR.4 Hij zegt daarin dat “er nog vragen over de betrouwbaarheid en de interpreteerbaarheid van de gegevens bestaan”. Critici stellen onder meer dat registraties van opnamegegevens in de landelijke medische registratie (LMR) niet altijd betrouwbaar en consistent zijn en daardoor de HSMR-uitkomsten ook niet. Een voorbeeld hiervan is de claim dat in de Engelse situatie twee HSMR-variabelen, opname-urgentie en charlsonindex, onbetrouwbaar en dus ongeschikt zouden zijn voor gebruik bij de correctie voor patiëntkenmerken (‘casemix’-correctie); die onbetrouwbaarheid is mede het gevolg van variaties in de registratie van ziekenhuisopnamen.5 Variatie in de codering van gegevens in de LMR kan mogelijk leiden tot inconsistenties. Van codeervariatie is sprake als ziekenhuis A de opname van eenzelfde soort patiënt anders codeert dan ziekenhuis B onder identieke omstandigheden en een identiek verlopende opname. In de LMR-database treden dan verschillen tussen ziekenhuizen op in één of meer onderdelen van de gecodeerde opnamen. Dat kan invloed hebben op de HSMR.Santeon, een groep van zes Nederlandse topklinische ziekenhuizen, zet het HSMR-instrument in voor onderlinge vergelijking en verdere verbetering van de kwaliteit van zorg.6 De gemiddelde HSMR per ziekenhuis over de periode 2003 t/m 2007 varieerde in deze groep van 65 (gunstig) tot 114 (niet gunstig). Dit houdt in dat de mortaliteit in het ziekenhuis met de hoogste HSMR (114) bijna twee maal zo hoog zou zijn als in het ziekenhuis met de laagste HSMR (65). Gezien het homogene karakter van deze ziekenhuizen is dat a priori ongeloofwaardig. Dit was voor ons reden om onderzoek te doen naar de belangrijkste afzonderlijke HSMR-determinanten en de factoren die de grote verschillen kunnen verklaren.

Wij formuleerden onze onderzoeksvragen als volgt:1. Zijn bepaalde opnamen ten onrechte uitgesloten van de HSMR-berekening

doordat de criteria voor het coderen van de hoofddiagnose volgens de ‘International Classification of Diseases Ninth Revision’ (ICD-9) niet in elk ziekenhuis op dezelfde wijze zijn geïnterpreteerd?

2. In hoeverre is er sprake van variatie in de codering van de acht HSMR-determinanten bij de opnamen die wél meetelden voor de HSMR-berekening?

3. Wat is de mogelijke invloed van variaties in de codering op de HSMRs van elk der samenwerkende ziekenhuizen afzonderlijk?


Hoo

fdst

uk3


39

Methode

HSMR determinanten

Bij de analyse richtten wij ons op LMR-parameters die gebruikt worden bij de HSMR-berekening. De volgende parameters zijn eenduidig vastgelegd en ongevoelig voor codeervariatie: jaartal van ontslag, leeftijdsklasse, ligduurklasse, geslacht en sociaal economische status (via postcode). Deze betrokken wij niet in onze analyse. Wij beperkten ons tot de drie LMR-parameters die bepalend zijn voor de HSMR en die potentieel onderhevig zijn aan codeervariaties:• de ICD-9-code voor de

hoofddiagnose; deze bepaalt of een opname meetelt voor de HSMR-berekening;

• opname-urgentie (‘acuut’ versus ‘niet acuut’);

• ICD-9-codes voor nevendiagnoses; deze bepalen de charlsonindex, een maat voor comorbiditeit, zie kader.

Bij de analyse van ICD-9-codes voor hoofddiagnoses betrokken wij ook de indeling in de diagnosegroepen van het ‘Clinical Classification System’ (CCS).

Hoofddiagnose volgens IcD-9

Van de 1.483.944 onderzochte opnamen telden er 418.567 (28,2%) mee bij de HSMR-berekening. Door verschillende interpretaties van de ICD-9-codering van de hoofddiagnose, ‘codeervariatie’, kon het voorkomen dat een opname bij het ene ziekenhuis niet meetelde en een identieke opname bij een ander ziekenhuis wél. Het onterecht uitsluiten van opnamen zou invloed kunnen hebben op de HSMR. Daarom inventariseerden wij variaties in het aantal opnamen van de ICD-9-codes die door Prismant uitgesloten waren voor de HSMR-berekening (1.065.377 opnamen).

charlsonindex De charlsonindex wordt gebruikt als maat voor comorbiditeit voor een patiënten-populatie. De index is gebaseerd op ICD-9-codes en onder-scheidt zeventien comorbiditeiten. Aan elke comorbiditeit wordt een gewogen score toe-gekend, gebaseerd op het relatieve risico van sterfte na één jaar. Hoe groter de comorbiditeit – en dus de kans op overlijden – des te hoger de score. Het is gebruikelijk om als maximale score 6 te gebruiken.


De HSMR beproefd

40

asymmetrische opnameverdeling

Als enkele ziekenhuizen een ICD-9-code extreem vaak codeerden en de andere ziekenhuizen deze code nauwelijks registreerden, was dit een indicatie dat een opname met deze code onterecht was uitgesloten van de berekening. Een voorbeeld: ziekenhuis C codeerde 3.211 maal de – niet meetellende – code V81.0, die staat voor ‘screening ischemische hartziekten’, terwijl andere ziekenhuizen deze code nauwelijks gebruikten. Wellicht gebruikten die andere ziekenhuizen in plaats van de code voor ‘screening’ een code voor ‘hartaandoeningen’, die wél meetelde bij de HSMR-berekening. De onevenredige verdeling van hoofddiagnoses over de ziekenhuizen noemen wij ‘asymmetrische opnameverdeling’.Dit werd als volgt gedefinieerd: een opnameverdeling van een ICD-9-hoofddiagnose is in dit onderzoek ‘asymmetrisch’ als > 50% van alle opnamen bij één ziekenhuis hoort en/of > 65% bij twee ziekenhuizen en/of > 85% bij drie ziekenhuizen en/of < 6% bij twee ziekenhuizen, en/of < 2% bij één ziekenhuis. Bij deze grenswaarden is het gemiddelde aantal opnamen in de ziekenhuizen met de hoogste percentages vijf tot zes maal zo groot als het gemiddelde van de ziekenhuizen met de laagste percentages. Iets andere keuzes voor grenswaarden leveren ruwweg dezelfde relevante asymmetrie op. Door iedere hoofddiagnose op asymmetrie van opnameverdeling te onderzoeken, konden we mogelijke codeervariatie opsporen. Wij bepaalden voor iedere uitgesloten hoofddiagnose de opnameverdeling over de ziekenhuizen en selecteerden voor nadere analyse de hoofddiagnoses die een asymmetrische opnameverdeling vertoonden.

analyse van asymmetrische opnameverdelingen

Veel asymmetrische verdelingen konden worden verklaard door de aanwezigheid van specialistische centra in één of meer van deze zes ziekenhuizen of door kleine opnameaantallen, waardoor een verdeling al snel asymmetrisch is. Ook kunnen asymmetrische verdelingen van meerdere, overeenkomstige diagnoses wél symmetrisch zijn als de diagnoses worden samengevoegd; de ICD-9-codes verschillen dan, maar tussen de diagnosetitels is nauwelijks inhoudelijk verschil. Voor een aantal hoofddiagnoses leverde dit echter geen bevredigende verklaring op voor de asymmetrie. Wij hebben deze nader geanalyseerd voor diagnoses met in totaal meer dan 1000 opnamen in de zes ziekenhuizen. De uitkomsten werden getoetst door de codeurs te interviewen.


Hoo

fdst

uk3


41

Opname-urgentie

Prismant definieert een acute opname als ‘een niet (voor dát moment) geplande opname, die niet uitgesteld kan worden, omdat onmiddellijke hulpverlening (observatie, onderzoek of behandeling) noodzakelijk is’. Als patiënten niet als ‘acute opname’ worden geregistreerd terwijl ze wel acuut zijn opgenomen, dan leidt dat tot een hogere HSMR (ongunstig). Wij onderzochten het codeergedrag bij de parameter ‘opname-urgentie’ voor opnamen waarbij de diagnosetitel een acuut karakter aangaf, bijvoorbeeld ‘acuut myocard infarct, voorwand’ (ICD-9-code 410.1). Dit kwam bij 33 verschillende ICD-9-diagnosetitels voor. Wij stelden vast hoe vaak opnamen van dit type daadwerkelijk als ‘acuut’ waren gecodeerd en verkregen hieruit een indicatie van het gedrag bij het coderen van de opname-urgentie. De uitkomsten werden getoetst door de codeurs te interviewen.

nevendiagnoses

Er kunnen maximaal 9 nevendiagnoses per opname gecodeerd worden. We duiden deze in de database aan met n1, n2, …n9; veldnummer n1 is de eerste nevendiagnose, enzovoort. Alle voor de opname relevante comorbiditeit behoort hierin gecodeerd te worden. Voor ieder veldnummer stelden wij vast hoe vaak het veld was ingevuld. De resultaten werden vastgelegd in frequentieverdelingen. Tevens bepaalden wij het gemiddelde aantal nevendiagnoses per ziekenhuis. Gezien het homogene karakter van de zes ziekenhuizen zouden deze gemiddelden onderling niet extreem mogen verschillen. Het coderen van veel nevendiagnoses kan in een hogere waardering van de comorbiditeit resulteren en leidt tot een lagere HSMR (gunstig).

Interviews codeerteams

Door interviews met de codeerteams verkregen wij een indruk hoe opnamen werden gecodeerd. In de interviews lag de nadruk op het coderen van hoofddiagnose, opname-urgentie en nevendiagnoses en in hoeverre coderen onder tijdsdruk plaatsvond. Tevens gaven de interviews ons de gelegenheid aan het codeerteam vragen te stellen die tijdens het onderzoek waren gerezen.


De HSMR beproefd

42

Resultaten

Van de zes ziekenhuizen is er één recent ontstaan door fusie van twee ziekenhuizen die gedurende de geanalyseerde periode bestuurlijk en operationeel al gefuseerd waren, maar juridisch nog gescheiden; deze scheiding vindt men nog terug in de LMR. In de tabellen en de bespreking van de resultaten is daarom sprake van zeven ziekenhuizen, willekeurig gelabeld A, B, C, D, E, F en G. Eerst geven wij hier de analyse van de verdeling van de opnameaantallen per ICD-9-code voor diagnoses die niet betrokken werden bij de HSMR-berekening. Vervolgens bespreken wij de codeervariaties van de opnamen die wél betrokken zijn bij de HSMR-berekening en tot slot geven wij de resultaten weer van de interviews met de codeerteams.

Opnamen niet meegeteld bij de HSMR-berekening

Van de 1.065.377 opnamen die niet meegeteld waren bij de HSMR-berekening, bleken 596.087 opnamen (56%) ‘asymmetrisch’ verdeeld. De achttien belangrijkste van deze hoofddiagnoses, waarvan wij de asymmetrie niet konden verklaren, omvatten 165.459 opnamen (16%). De verdeling hiervan over de ziekenhuizen is weergegeven in tabel 2.De meeste diagnoses in tabel 2, uitgezonderd ‘multipel myeloom’ (14) en ‘acute bronchitis’ (18), waren algemeen van aard of aspecifiek; daardoor kunnen diverse aandoeningen bij deze ICD-9-codes zijn ondergebracht, mogelijk verschillend per ziekenhuis. De codes 799.8 en 799.9 (afgekort 799.x) kunnen gebruikt worden als de diagnose onbekend is (1 en 2 in tabel 2). Deze codes werden 39.067 maal toegepast, voornamelijk door ziekenhuizen A, C en G. De mortaliteit van A en C week hierbij sterk af van de bijbehorende ruwe ziekenhuismortaliteit, zie tabel 3, hetgeen kan duiden op een selectie-effect. Wij komen hier op terug in de sectie onder het kopje ‘Interviews met codeerteams’.Diagnose 3, ‘V72.8 overige gespecificeerde onderzoeken’, werd door drie ziekenhuizen veelvuldig gebruikt (39.355 opnamen); de andere ziekenhuizen gebruikten deze code nauwelijks. Het was onduidelijk of vergelijkbare patiënten in de andere ziekenhuizen anders werden beoordeeld en gecodeerd. Dat gold ook voor codes die behandelingen of observaties in plaats van aandoeningen beschreven, zie tabel 2 diagnoses 4 t/m 11 en die waren oververtegenwoordigd in één of enkele ziekenhuizen. Voor de diagnoses 12 t/m 18 waren vermoedelijk eveneens andere ICD-9-codes toepasbaar. De onderste rij van tabel 2 geeft weer in hoeverre elk ziekenhuis bijdroeg aan de asymmetrische verdeling van de ICD-9-hoofddiagnoses 3 t/m18. Ziekenhuizen A, D en G droegen relatief weinig bij aan de ‘meerderheidsaandelen’, ziekenhuizen B, C en F relatief veel.


Hoo

fdst

uk3


43

taBe

l 2

Ove

rzic

ht v

an d

e ho

ofdd

iagn

oses

bij

ziek

enhu

isop

nam

e in

de

perio

de 2

003

t/m

200

7 di

e on

even

redi

g ve

rdee

ld w

aren

ove

r een

gr

oep

van

zeve

n to

pklin

isch

e zi

eken

huiz

en (‘

asym

met

risch

e op

nam

ever

delin

g’).

Alle

en d

iagn

oses

die

nie

t mee

teld

en b

ij de

ber

eken

ing

van

de H

SMR

zijn

wee

rgeg

even

.

nr.

IcD

-9-h

oofd

diag

nose

aant

al o

pnam

en p

er z

ieke

nhui

s

a

B c

D

e F

gto

taal

179

9.8

Ove

rige

slec

ht o

msc

hrev

en a

ando

enin

gen

13.1

520

10.2

091

385

47.

707

31.4

582

799.

9 O

verig

e on

beke

nde

en n

iet g

espe

cific

eerd

e oo

rzak

en1

06.

717

30

888

07.

609

tot

aal a

anta

l opn

amen

met

dia

gnos

es 1

- 2

13.1

530

16.9

264

385

892

7.70

739

.067

3V7

2.8

over

ige

gesp

ecifi

ceer

de o

nder

zoek

en1.

384

8.22

611

.193

2.18

169

715

.205

469

39.3

554

V58.

1 on

derh

ouds

chem

othe

rapi

e54

215

12.

074

3.92

25.

122

243

1.44

213

.496

5V5

8.2

bloe

dtra

nsfu

sie

zond

er v

erm

eldi

ng d

iagn

ose

51.

591

113

428

7.53

377

210

.343

6V5

8.8

over

ige

gesp

ecifi

ceer

de n

azor

g23

96.

195

215

656

2.13

520

.826

249

30.5

157

V58.

9 ni

et g

espe

cific

eerd

e na

zorg

01.

228

10

00

721.

301

8V6

7.2

follo

w-u

p on

derz

oek

na c

hem

othe

rapi

e54

17.

685

111

03

7.75

59

V71.

9 ob

serv

atie

i.v.

m. v

erde

nkin

g op

nie

t nad

er

omsc

hrev

en a

ando

enin

g14

431

4693

8881

3.64

14.

124

10V7

1.4

obse

rvat

ie n

a ee

n an

der o

ngev

al24

99

8825

853

629

528

61.

721

11V7

1.8

obse

rvat

ie i.

v.m

. ver

denk

ing

ande

re

gesp

ecifi

ceer

de a

ando

enin

g70

10

4141

247

6237

41.

466

12V8

1.0

scre

enin

g is

chem

isch

e ha

rtzi

ekte

n27

33.

211

08

189

543.

492

13V8

1.4

scre

enin

g op

ove

rige

niet

ges

peci

ficee

rde

resp

irato

ire a

ando

enin

g12

10

1.39

31

482

7188

2.15

6

1420

3.0

mul

tipel

mye

loom

1.05

491

118

1.24

411

925

366

2.94

515

V67.

0 fo

llow

-up

onde

rzoe

k na

ope

ratie

593

559

6646

948

469

428

2.63

216

426.

89 o

verig

e ge

spec

ifice

erde

gel

eidi

ngss

toor

niss

en33

92.

010

2742

611

102.

445

1778

8.9

over

ige

sym

ptom

en v

an d

e ur

inew

egen

81.

259

468

2631

101.

388

1846

6.0

acut

e br

onch

itis

6682

228

74

1935

251.

258


De HSMR beproefd

44

taBe

l 2

Verv

olg

nr.

IcD

-9-h

oofd

diag

nose

aant

al o

pnam

en p

er z

ieke

nhui

s a

B

c

D e

F g

tota

al

tota

al a

anta

l opn

amen

met

dia

gnos

es 3

- 18

5.52

622

.176

26.4

928.

943

9.96

245

.304

7.98

912

6.39

2

tota

al a

anta

l zie

kenh

uiso

pnam

en22

8.13

822

9.62

122

7.77

921

7.72

314

1.73

026

6.61

917

2.33

41.

483.

944

diag

nose

s 3

- 18

als

perc

enta

ge v

an to

taal

aan

tal

opna

men

2,4%

9,7%

11,6

%4,

1%7,

0%17

,0%

4,6%

8,5%

taBe

l 3

Ziek

enhu

isst

erft

e en

mor

talit

eit v

an p

atië

nten

opg

enom

en m

et o

nbek

ende

dia

gnos

e (IC

D-9

-cod

e 79

9.8

of 7

99.9

) in

zeve

n to

p-kl

inis

che

ziek

enhu

izen

in d

e pe

riode

200

3 t/

m 2

007.

para

met

er*

ziek

enhu

is

a

B c

D

e F

g

J aa

ntal

opn

amen

1315

30

1692

64

385

892

7707

K s

terf

te2

073

90

120

114

L m

orta

litei

t ‡; %

0,02

%0,

00%

4,37

%0,

00%

0,26

%2,

24%

1,48

%

M ru

we

ziek

enhu

ism

orta

litei

t §1,

28%

1,51

%1,

16%

1,12

%1,

07%

1,48

%1,

42%

* D

e pa

ram

eter

s zi

jn a

ange

duid

met

een

lett

er; i

n ta

bel 6

wor

dt n

aar d

eze

lett

er g

eref

eree

rd.

‡ H

et a

anta

l ste

rfge

valle

n pe

r 100

pat

iënt

en o

pgen

omen

met

onb

eken

de d

iagn

ose.

§ H

et a

anta

l ste

rfge

valle

n in

het

zie

kenh

uis

gede

eld

door

het

aan

tal o

pnam

en.


Hoo

fdst

uk3


45

codeervariaties bij meegetelde opnamen

Codering hoofddiagnoseOok bij de ziekenhuisopnamen die meetelden voor de HSMR-berekening trad variatie op in de ICD-9-codering; dit was af te lezen aan de asymmetrische opnameverdelingen. Als asymmetrisch verdeelde codes die behoorden tot één CCS-diagnosegroep werden gecombineerd, dan bleken zij meestal alsnog evenredig verdeeld te zijn over de ziekenhuizen. Codeervariaties in meegetelde hoofddiagnoses hadden veel minder gevolgen op de HSMR omdat deze de teller(=hetaantaloverledenenvooralleCCS-groepentezamen)vandeHSMR-berekening niet beïnvloeden, zie tabel 1.

Codering urgentie opnameDe 33 ICD-9-codes met een diagnosetitel die duidde op een acute aandoening kwamen voor bij 24.264 ziekenhuisopnamen; meestal had de code betrekking op een hartaandoening (16.938 opnamen; 70%). De mate waarin deze opnamen daadwerkelijk als ‘acuut’ gecodeerd werden varieerde van 33,9% (ziekenhuis B) tot 92,5% (ziekenhuis D), zie tabel 4. In deze tabel is ter vergelijking ook weergegeven welk percentage van de opnamen die meetelden bij de HSMR-berekening als ‘acute opname’ geregistreerd waren; dit varieerde van 29,3% (ziekenhuis A) tot 53,6% (ziekenhuis C).

taBel 4 Variatie in de codering van ziekenhuisopnamen als ‘acute opname’ in de Santeon-ziekenhuizen. Weergegeven zijn de aantallen opnamen met een ICD-9-code die op een acute opname duidde en de daadwerkelijk als ‘acute opname’ geregistreerde opnamen.

opnamen geregistreerd als ‘acute opname’ *

Ziekenhuis opnamen metIcD-9-code

passend bij acute opname

aantal percentage van opnamen met

‘acute’ IcD-9-code

percentage van alle opnamen die meetelden bij de

HSMR-berekening A 3822 2811 73,5% 29,3% B 6783 2302 33,9% 31,4% C 2238 1976 88,3% 53,6% D 2626 2429 92,5% 43,8% E 1091 859 78,7% 42,0% F 4423 3754 84,9% 50,6% G 3281 2790 85,0% 35,5%

totaal 24264 16921 69,7% 39,5%

* Hierbij werden alleen opnamen meegeteld waarbij tevens de ICD-9-code voor de hoofddiagnose duidde op een acute aandoening, zoals bijvoorbeeld de code voor ‘acuut myocardinfarct, voor-wand’.


De HSMR beproefd

46

Codering nevendiagnosesTabel 5 geeft de percentages nevendiagnoses per ziekenhuis weer. Het gemiddelde aantal varieerde van 0,87 (ziekenhuis C; ongunstig voor HSMR) tot 3,0 (ziekenhuis D; gunstig voor HSMR) per opname; de overige ziekenhuizen scoorden rond de 1,6. Ziekenhuis D scoorde gemiddeld het dubbele aantal nevendiagnoses in vergelijking met de andere ziekenhuizen. Ook registreerde ziekenhuis D drie tot vier maal zo vaak vijf of meer nevendiagnoses dan de andere ziekenhuizen.

taBel 5 Verdeling van het aantal nevendiagnoses per ziekenhuis, geregistreerd bij op-name in de periode 2003 t/m 2007.

ziekenhuis

nevendiagnose* als percentage van aantal opnamen † gemiddeld aantal neven-

diagnosesn1 n2 n3 n4 n5 n6 n7 n8 n9

A 63,8 39,4 24,6 15,2 8,7 4,7 2,5 1,4 0,8 1,61

B 69,9 42,1 26,3 13,9 7,6 4,1 2,3 1,4 0,9 1,68

C 48,8 19,9 9,3 4,3 2,2 1,2 0,7 0,4 0,3 0,87

D 83,1 63,5 49,0 36,2 25,9 17,9 12,5 8,7 6,3 3,03

E 67,3 39,0 25,4 12,0 5,2 2,1 1,0 0,5 0,4 1,53

F 63,3 36,9 22,4 12,6 8,3 5,1 3,7 2,4 1,8 1,57

G 63,8 37,1 23,0 13,5 8,4 5,1 3,5 2,3 1,7 1,58

Alle 65,7 39,7 25,7 15,4 9,5 5,7 3,7 2,5 1,7 1,7

* Bij elke patiënt die wordt opgenomen kan men naast de hoofddiagnose maximaal 9 nevendiagnoses registreren, hier aangeduid als n1, n2 etcetera. Zo codeerde ziekenhuis A gemiddeld 638 eerste nevendiagnoses (n1) per 1000 opnamen en gemiddeld acht van de 1000 patiënten had negen nevendiagnoses (n9).†Alleenopnamen die meetelden bij de berekening van de HSMR.

Interviews met codeerteams

Codeurs coderen opnamen aan de hand van gegevens uit het ziekenhuis–informatiesysteem (ZIS), de ontslagbrief, het ontslagformulier en eventueel operatieverslagen. De ontslagbrief wordt gebruikt voor het coderen van de hoofddiagnose en de nevendiagnoses. Hoofddiagnose en nevendiagnoses worden over het algemeen correct van elkaar onderscheiden. Bij de codering van opname-urgentie bleken de codeurs de definitie hiervoor niet uniform te interpreteren. Zo werd een elders acuut opgenomen patiënt, doorverwezen


Hoo

fdst

uk3


47

voor acute behandeling, door ziekenhuis B als ‘niet acuut’ gecodeerd omdat de doorverwijzing het een ‘gepland’ karakter gaf. De overige ziekenhuizen gaven dan wél de code ‘acuut’, omdat de behandeling niet kon wachten. Het coderen van nevendiagnoses bleek wat vrijblijvender; de registratie van nevendiagnoses is namelijk facultatief.Codeurs gaven aan dat zij naast de ontslagbrief nog wel eens in dossiers verder zochten naar comorbiditeit, maar dat zij daarbij geremd werden omdat het zoeken arbeidsintensief en tijdrovend is. Het aantal fulltime-equivalent (fte) codeurs per 10.000 opnamen varieerde van 0,45 in de ziekenhuizen A en E tot 0,90 in de ziekenhuizen D en G; de overige ziekenhuizen hadden circa 0,6 fte codeurs per 10.000 opnamen. Ziekenhuizen A en E gaven aan sterke tijdsdruk te ervaren; ziekenhuis G nadrukkelijk niet.Het coderen van aspecifieke diagnosetitels trad vaak op tengevolge van onduidelijke of te late aanlevering van ontslagbrieven. Men was dan genoodzaakt minder specifieke diagnosecodes te gebruiken. Het veelvuldig gebruik van codes 799.x (‘diagnose onbekend’) door ziekenhuizen A, C en G was goed te verklaren. Ziekenhuis A had gedurende twee jaren te weinig codeurs, zodat men uit tijdnood besloot de hoofddiagnoses van een groot aantal dossiers met 799.x te coderen, uitgezonderd die van de overleden patiënten bij wie wel aandoeningen gecodeerd waren in verband met de necrologie. In ziekenhuis C gebruikten de codeurs codes 799.x voor 16.926 opnamen. Hierbij waren dossiers van een aantal specialismen met relatief een overmaat aan sterfgevallen te laat aangeboden. Ook daarvoor werd uit tijdnood code 799.x gekozen. In ziekenhuis G kon, wegens een tijdelijke ZIS-storing, een aantal dossiers niet adequaat worden gecodeerd. Men gebruikte toen de code 799.x. De mortaliteit in deze groep van 7.707 dossiers, waarin geen systematische selectie van overledenen of overlevenden was opgetreden, was dan ook ongeveer gelijk aan de ruwe ziekenhuissterfte, zie tabel 3.

effecten van codeervariaties op HSMR

Het effect van de beschreven codeervariaties op de HSMR is achteraf moeilijk te corrigeren, maar de impact kan groot zijn. Het totaal van potentieel onterecht uitgesloten opnamen is namelijk 165.459, zie tabel 2 laatste kolom; dat is 40% van het aantal opnamen dat wél meetelde voor de HSMR (418.567). Uit de interviews bleek dat ziekenhuis A met de codes 799.x onevenredig veel patiënten die in leven bleven, uitsloot van de HSMR-berekening. Dat verhoogt de HSMR-waarde voor dit ziekenhuis. In ziekenhuis C waren onevenredig veel overleden patiënten uitgesloten van de berekening; dit verlaagt de HSMR. Voor deze opnamen met code 799.x hebben wij een ruwe HSMR-correctie bepaald, zie tabel 6.


De HSMR beproefd

48

taBel 6 Correctie van de HSMR voor onevenredige toekenning van de ICD-9-codes 799.8 en 799.9 (onbekende diagnose) in zeven topklinische ziekenhuizen.

parameter* ziekenhuis a B c D e F g

N verwacht aantal sterfgevallen onder patiënten opgenomen met ICD-9-code 799.8 of 799.9 (J × M)‡

169 0 197 0 4 13 110

P sterftesurplus (0,8 × (K - N))§ -134 0 434 0 -2 5 3Q verwachte sterftesurplus (0,0365 × P)||

-4,9 0 15,8 0 -0,1 0,2 0,1

waargenomen ziekenhuissterfte¶

R ongecorrigeerd 2480 2846 1525 2084 1242 3181 1869S gecorrigeerd (R + P) 2346 2846 1959 2084 1240 3186 1872

verwachte ziekenhuissterfte**

T ongecorrigeerd 2592 2502 1861 3226 1302 2917 1978

U gecorrigeerd (T + Q) 2587 2502 1877 3226 1302 2918 1978

HSMR

ongecorrigeerd (R / T × 100) 95,7 113,7 82 64,6 95,4 109 94,5

gecorrigeerd (S/U × 100) 90,7 113,7 104,4 64,6 95,2 109,2 94,7* De letters verwijzen naar parameters gebruikt in de berekeningen; parameters J, K, en M staan in tabel 3.‡ Dit aantal is berekend als het aantal opnamen per ziekenhuis met deze ICD-9-code maal de ruwe ziekenhuissterfte; de getallen voor deze berekening staan in tabel 3.§ Het sterftesurplus is de waargenomen sterfte min het verwachte aantal sterfgevallen onder patiënten die voor de hoofddiagnose de ICD-9-code 799.8 of 799.9 kregen. Dit getal wordt vermenigvuldigd met 0,8 omdat onder de opnamen die meetellen voor de HSMR-berekeningen 80% van de sterfgevallen in het ziekenhuis voorkomen.|| Dit is een schatting van de verwachte sterfte van het aantal patiënten dat ten onrechte de code ‘diagnose onbekend’ kreeg en overleed aan een aandoening die meetelt bij de HSMR-berekening.¶ De waargenomen ziekenhuissterfte is de teller in de berekening van de HSMR. Bij de gecorrigeerde waarde zijn ook de sterfgevallen meegeteld van patiënten die ten onrechte de code ‘diagnose onbekend’ hadden gekregen.** De verwachte ziekenhuissterfte is de noemer in de berekening van de HSMR. Bij de ge-corrigeerde waarde zijn de patiënten meegeteld die ten onrechte de code ‘diagnose on-bekend’ kregen en overleden aan een aandoening die meetelt bij de HSMR-berekening.

Hier bespreken wij deze correctie voor ziekenhuis C als voorbeeld. Van alle opnamen in de periode 2003 t/m 2007 heeft ziekenhuis C 16.926 opnamen gecodeerd met een ‘diagnose onbekend’ (7% van totaal). Voor de bepaling van


Hoo

fdst

uk3


49

de HSMR van C is dus 93% van de opnamen beschikbaar en 7% valt af. Op zich zou dat geen bezwaar hoeven zijn als die 7% een willekeurig gekozen groep was, zonder selectie van ontslagen of overleden patiënten. Volgens tabel 3 echter is de mortaliteit in deze diagnosegroep met 739 sterfgevallen 4,37%, terwijl de ruwe ziekenhuismortaliteit voor alle opnamen van ziekenhuis C circa 1,16% bedraagt , zie tabel 3. Als de patiënten met ‘diagnose onbekend’ willekeurig gekozen waren, zoudendus197sterfgevallenzijnopgetreden.Erzittenduscirca739-197=542sterfgevallen teveel in deze groep (surplus). Het surplus aan sterfgevallen moeten we in de HSMR-berekening meewegen met de overige 93% van de opnamen. Aangezien circa 80% van de sterfgevallen in deze 93% geïncludeerd wordt bij deHSMR-berekening,voegenweeveneens80%van542=434sterfgevallentoeaan de waargenomen sterfte (de teller van de HSMR-berekening, zie tabel 1) ter correctie. Tot slot moet ook de verwachte sterfte in het ziekenhuis (de noemer) een bescheiden correctie ondergaan, omdat er nu 434 patiënten méér meetellen in de nieuwe HSMR-berekening. Omdat de hoofddiagnoses van deze 434 patiënten onbekend zijn, schatten we de verwachte sterftekans per patiënt op de verwachte mortaliteit van de gehele HSMR-populatie (3,65%, niet in tabel). De noemermoetdusverhoogdwordenmet434×3,65%=15,8.Inprincipeverlooptde berekening voor de overige ziekenhuizen identiek. De onderste rij van tabel 6 toont de gecorrigeerde HSMR-uitkomsten.

Discussie

Dit hoofdstuk laat zien hoe een aantal vormen van codeervariatie van invloed is op de hoogte van de HSMR. De opnameverdelingen van diagnoses die niet meetelden bij de HSMR-berekening, zie tabel 2, toonden een grote variatie tussen ziekenhuizen. Ziekenhuis C bijvoorbeeld registreerde 7.685 opnamen onder de diagnose ‘follow-uponderzoek na chemotherapie’ (niet geïncludeerd bij HSMR-berekening), terwijl de andere ziekenhuizen onder deze diagnosetitel bij elkaar slechts 70 opnamen codeerden. Hierbij is niet meteen duidelijk onder welke diagnosetitel deze ziekenhuizen dergelijke follow-uponderzoeken dan wél geregistreerd hebben. Als zij in plaats van ‘follow-uponderzoek’ de code voor een oncologische aandoening gebruikt hebben, dan wordt die geïncludeerd bij de HSMR-berekening en kan vertekening van de HSMR-uitkomst zijn opgetreden. In zekere zin doet dit probleem zich voor bij alle achttien diagnosetitels in tabel 2. De meeste hiervan beschrijven een ‘handeling’ waarbij de onderliggende aandoening niet of onvoldoende specifiek kan worden afgeleid. De vraag is nu of en zo ja, hoe vaak opnamen onterecht worden uitgesloten van de HSMR-


De HSMR beproefd

50

berekening als gevolg van codeervariatie. De resultaten van ons onderzoek suggereren dat dit in een substantieel aantal gevallen gebeurt, maar een harde uitspraak hierover is niet mogelijk. Om twijfels in de toekomst weg te nemen is het dan ook wenselijk hoofddiagnoses uniformer te coderen en de codes voor ‘diagnose onbekend’ te vermijden, evenals diagnosetitels die een handeling in plaats van een aandoening beschrijven.

De opnamen die wél meetelden bij de HSMR-berekening vertoonden aanzienlijke variaties in de coderingen van de opname-urgentie en nevendiagnoses. In ziekenhuis B is een laag percentage van de opnamen met een ‘acute’ ICD-9-code ook daadwerkelijk als acute opname geregistreerd. Dit heeft het ziekenhuis waarschijnlijk gevoelig benadeeld. De mortaliteit bij ‘acute’ opnamen is gemiddeld namelijk veel hoger dan bij niet acute opnamen (7,2% versus 1,4%). De verwachte sterfte was in ziekenhuis B lager dan deze moest zijn door alle onterecht als ‘niet acuut’ gecodeerde opnamen; de HSMR werd daardoor hoger. Deze vorm van codeervariatie had dus een vertekening van de HSMR tot gevolg. Toepassing van uniforme codeerafspraken is dan ook wenselijk.De spreiding in het gemiddeld aantal nevendiagnoses was opmerkelijk groot (0,9 – 3,0). Deze werkte door in de charlsonindex, die voor ziekenhuis D hoge scores opleverde en daarmee de HSMR van D gunstig beïnvloedde. De hoge score van D leek verband te houden met het zeer volledig coderen door dit ziekenhuis; de overige ziekenhuizen coderen nevendiagnoses kennelijk minder volledig. Deze codeervariatie zou kunnen inhouden dat de huidige nevendiagnoseregistraties in de LMR een wankele basis vormen voor de charlsonindex bij de HSMR-berekening.

Impact van codeervariaties op HSMR

Voor een aantal gevallen konden wij een ruwe schatting maken van de impact van codeervariatie op de HSMR. Zo scoorde ziekenhuis A vijf HSMR-punten lager (gunstiger), en C 22 punten hoger (ongunstiger) na correctie voor variatie in de verdeling van de code 799.x (diagnose onbekend) over de ziekenhuizen. Ziekenhuis G, waar deze code was toegekend aan een aselecte groep patiënten, ondervond daar nauwelijks invloed van. Gebruik van de codes 799.x kan de HSMR-uitkomsten sterk beïnvloeden en zou derhalve vermeden moeten worden. Ziekenhuizen B en D slaagden daar goed in. Ook bij de overige zestien onderzochte codes en diagnoses trad codeervariatie op. Het ging hierbij om grote aantallen (126.392) waarbij voor iedere diagnose alternatieve codes beschikbaar waren die wél meetelden bij de HSMR-berekening, zoals hartaandoeningen, longaandoeningen en oncologische aandoeningen. Daarom is het wenselijk


Hoo

fdst

uk3


51

om diagnosetitels zoals ‘screening’ en ‘nazorg’ zoveel mogelijk te vermijden en in plaats daarvan onderliggende aandoeningen, die de indicatie vormden voor opname, te achterhalen. Ziekenhuizen A, D en G slaagden daar beter in dan de andere; wellicht houden hun lagere HSMR-scores hier verband mee, zie tabel 6, gecorrigeerde HSMR. Tot slot bleken ook codeervariaties in de registratie van opname-urgentie en nevendiagnoses een potentieel sterke invloed op de HSMR te kunnen hebben.

Oorzaken codeervariaties

Codeervariaties zijn terug te voeren op tijdsdruk door een beperkt aantal codeurs, interpretatieverschillen van codeerregels, te late aanlevering van dossiers, codeervergissingen en enige vrijheid bij het kiezen van ICD-9-codes voor de hoofddiagnose. Dit laatste hangt samen met een matige verslaglegging door de arts; codeurs kunnen dan meer naar eigen inzicht interpreteren of slechts een behandelingsomschrijving kiezen. Codeerfouten door codeurs hebben wij niet onderzocht. Uit intern onderzoek bleken vergissingen bij hoofddiagnoses relatief weinig op te treden, zoals ook door anderen is vastgesteld.7

Kanttekeningen bij het onderzoek

De analyse van verschillen in opnameverdelingen is een hulpmiddel om codeervariaties van hoofddiagnoses op het spoor te komen, maar kan codeervariaties niet met zekerheid vaststellen. Met de interviews konden we vermoedens van codeervariaties lang niet altijd bevestigen. Ook de 33 ICD-9-diagnosetitels voor acute aandoeningen vormden geen ‘gouden standaard’ voor het toetsen van de codering voor opname-urgentie. De analyse hiervan gaf wel een indicatie dat codeervariatie was opgetreden. De variatie in het aantal nevendiagnoses leek groot, maar werd wellicht uitsluitend bepaald door variatie in de patiëntkenmerken. Voor meer zekerheid en een adequate HSMR-correctie zouden de drie onderzochte parameters voor veel opnamen opnieuw gecodeerd moeten worden, maar dat is onhaalbaar.Het onderzoek werd uitgevoerd in een samenwerkingsverband van zes grote ziekenhuizen. Kenmerkend voor deze ziekenhuizen is dat ze naast een breed aanbod van basiszorg topklinische zorg bieden en als tertiaire centra functioneren. Tevens hebben ze min of meer gelijke opleidingen tot specialist en universitaire affiliaties. Tot slot wisselen de ziekenhuizen onderling gegevens uit op diverse niveau‘s. Dit maakt het samenwerkingsverband geschikt om een kwaliteitsinstrument zoals de HSMR te toetsen. De omstandigheden waaronder


De HSMR beproefd

52

de coderingen tot stand kwamen zullen niet veel verschillen van die in andere topklinische ziekenhuizen. Bij algemene en academische ziekenhuizen verschillen de omstandigheden meer vanwege verschillen in de complexiteit van aandoening en verschillen in de organisaties. Wij hebben dit niet onderzocht.

Maatregelen ter verbetering HSMR-berekening

In dit hoofdstuk signaleren wij problemen die samenhangen met variaties in de LMR-codering die leiden tot vertekening van de HSMR. Verder hebben wij vastgesteld dat hier diverse oorzaken aan ten grondslag liggen, die te maken hebben met de situatie in de ziekenhuizen. Het ene ziekenhuis kampt met een tekort aan codeurs, bij een ander ziekenhuis levert een aantal maatschappen statussen te laat aan, bij een derde ziekenhuis wordt een overmaat aan onbestemde diagnoses gecodeerd. En weer een ander ziekenhuis interpreteert de regels voor urgentiecodering anders dan de rest. Er is dus niet één algemeen recept voor succesvolle maatregelen ter verbetering binnen de zes ziekenhuizen, laat staan voor alle ziekenhuizen in Nederland.Een eerste belangrijke stap in de goede richting is het onderkennen van het probleem binnen de ziekenhuizen en het geven van een hoge prioriteit aan het oplossen hiervan. De raden van bestuur van de zes ziekenhuizen hebben daarom besloten deze problematiek breed aan te pakken. Hierbij worden medisch specialisten, hoofden van de afdelingen Financiën en Informatievoorziening, codeurs en hun leidinggevenden betrokken. De aanpak richt zich op de bewustwording bij artsen van het belang van tijdige aanlevering van adequate statussen, het inzetten van voldoende codeurs (tenminste 0,6 fte ervaren codeur per 10.000 opnamen) en instructies aan alle codeurs over het uniform coderen van hoofddiagnose, nevendiagnoses en opname-urgentie. Het doel is om betrouwbare LMR-data over registratiejaar 2010 te realiseren, zodat de HSMRs over 2010 beter onderling vergelijkbaar zullen zijn. Tevens bereiden de zes ziekenhuizen zich hiermee voor op de aanstaande veranderingen van de LMR in het kader van het project ‘DBC’s op weg naar transparantie’ en de toekomstige overgang naar ICD-10-codes. De zes ziekenhuizen beogen met deze aanpak een herhaling van de problemen te voorkomen bij de introductie van de vernieuwde LMR.


Hoo

fdst

uk3


53

conclusies

Er zijn grote verschillen tussen ziekenhuizen in de codering van de hoofddiagnose, nevendiagnoses en opname-urgentie bij ziekenhuisopnamen. Dit leidt tot vertekening van de HSMR. Codeervariaties bleken vooral voort te komen uit interpretatieverschillen bij het coderen en verschillen in codeercapaciteit, de kwaliteit van ontslagbrieven en dossiers en de beschikbaarheid van de dossiers. Bewustwording van het probleem van de codeervariaties en prioriteit geven aan de oplossing hiervan verdient navolging bij andere ziekenhuizen in Nederland. Alle stappen van het codeerproces binnen het ziekenhuis zouden hierbij gescreend kunnen worden op de tekortkomingen die wij beschreven hebben. Wellicht komen daarbij ook nog andere, hier niet gesignaleerde problemen aan het licht.

literatuur


2. Jarman B, Bottle A, Aylin P, Browne M. Monitoring changes in hospital standardised mortality ratios. BMJ. 2005;330:329.

3. Borghans HJ, Pieter D, Hoenen JAHJ, Kool RB. De toepasbaarheid van de HSMR in het toezicht van de Inspectie voor de Gezondheidszorg. Utrecht: Prismant; 2008.

4. Ministerie van VWS. Antwoorden op kamervragen van Koser Kaya over het bericht dat ziekenhuizen zwijgen over hun sterftecijfers, Kamerstuk CZ-K-U-2900192. 2 februari 2009.

5. Mohammed AH, Deeks JJ, Girling A, Rudge G, Carmalt M, Stevens AJ, et al. Evidence of methodological bias in hospital standardised mortality ratios: retrospective database study of English hospitals. BMJ. 2009;338:b780.

6. Bosch WF van den, Roozendaal KJ, Silberbusch J. Schommelende sterftecijfers, HSMR nog geen betrouwbare maat voor zorgkwaliteit. Medisch Contact. 2009;64:1344-8.

7. Geelkerken RH, Mastboom WJB, Bertelink BP, Palen J van der, Berg M, Kingma JH. Een onrijp instrument, Sterftecijfer niet geschikt als maat voor ziekenhuiskwaliteit. Medisch Contact. 2008;63:370-4.


4 aaRD en InVlOeD Van VaRIatIe DOOR BIjZOnDeRe MeDIScHe VeRRIcHtIngen

Dit hoofdstuk werd gepubliceerd als:Bosch WF van den, Graafmans WC, Pieter D, Westert GP. Hartcentra en de HSMR. Het effect van bijzondere medische verrichtingen op het gestandaardiseerde ziekenhuissterftecijfer. Ned Tijdschr Geneeskd. 2008;152:1221-7.


De HSMR beproefd

56

Samenvatting

DoelVaststellen van de invloed van bijzondere medische verrichtingen (BMV’s) voor hartaandoeningen op het gestandaardiseerde ziekenhuissterftecijfer (HSMR) in hartcentra.

OpzetRetrospectief, berekening van de HSMR.

MethodeGegevens uit de landelijke medische registratie van 2004 werden gebruikt om de HSMR te berekenen voor twaalf hartcentra en alle overige ziekenhuizen in Nederland. Vervolgens werd de HSMR voor de hartcentra opnieuw berekend met weglating van het aantal opnamen voor hetzij ‘dotterbehandeling’ (PTCA), hetzij ‘openhartoperatie’, hetzij beide ingrepen, om de invloed van deze BMV’s op de HSMR vast te stellen.

ResultatenDoor het weglaten van het aantal opnamen voor de BMV’s veranderde de HSMR van individuele hartcentra (uitersten: van –4,7% tot +5,3%). Deze spreiding in de verandering van de HSMR hield verband met de verhouding tussen de twee BMV’s. PTCA’s hadden een lager en openhartoperaties een hoger dan gemiddeld sterfterisico. Het aandeel PTCA’s op het totale aantal opnamen varieerde van 5,6 tot 20,2% per ziekenhuis. Het uitvoeren van relatief veel PTCA’s droeg bij aan een lagere HSMR, tot maximaal bijna 7% verlaging in één hartcentrum. Openhartoperaties maakten 2,1 tot 12,6% uit van het totale aantal ziekenhuisopnamen in de hartcentra. Het uitvoeren van relatief veel openhartoperaties droeg bij aan een hogere HSMR, tot maximaal bijna 8% in een van de hartcentra.

ConclusiesDe BMV’s voor hartaandoeningen hebben invloed op de HSMR van hartcentra. De verhoging of verlaging houdt verband met de relatieve frequentie van het uitvoeren van PTCA’s en openhartoperaties. Deze resultaten kunnen worden gebruikt voor het interpreteren van verschillen in de HSMR tussen hartcentra en andere ziekenhuizen.


Hoo

fdst

uk4

aard en invloed van variatie door bijzondere medische verrichtingen

57

Inleiding

Ruwe sterftecijfers van ziekenhuizen zijn lastig te vergelijken omdat patiënten–populaties tussen ziekenhuizen verschillen. Zoals hiervoor al aangegeven, kan hiervoor worden gecorrigeerd door het gebruiken van de HSMR, al langer gebruikt in het Verenigd Koninkrijk.1, 2 Dat het sterftecijfer beïnvloed kan worden door kwaliteitsinitiatieven werd bijvoorbeeld zichtbaar in het Bradford Teaching Hospital. De HSMR werd door gerichte verbetertrajecten in een periode van vijf jaar teruggebracht van 95 naar 78.3 De HSMR is dus toegepast om trends binnen een ziekenhuis te monitoren, maar de HSMR is ook gesuggereerd als maat voor het vergelijken van de kwaliteit van zorg tussen ziekenhuizen4 ten behoeve van zorginkoop of ten behoeve van patiënten, zoals in het ‘move-your-dot’-programma (www.snellerbeter.nl/nieuws/ nieuwsitem/article/pilotproject-move-your-dot-van-start).Bij een vergelijking tussen ziekenhuizen rijst de vraag over de vergelijkbaarheid van ziekenhuizen. Een mogelijke vertekening zou kunnen optreden bij het vergelijken van specialistische centra met overige ziekenhuizen. Specialistische centra zijn geautoriseerd om bijzondere medische verrichtingen (BMV’s) uit te voeren, zoals vastgelegd in de Wet op Bijzondere Medische Verrichtingen en Bijzondere Hartinterventies (WBMV). Patiënten worden veelal verwezen naar deze ziekenhuizen als er behoefte is aan een BMV. Door deze verwijzingen kan de patiëntenpopulatie afwijken van andere, niet specialistische ziekenhuizen. Deze verschillen in patiëntenpopulaties kunnen van invloed zijn op de HSMR, omdat de standaardiseringsmethode van de HSMR hier mogelijk niet volledig voor corrigeert.Voor een vergelijking van de HSMR tussen ziekenhuizen is een goede correctie voor patiëntkenmerken van groot belang. Daarnaast zijn er nog meer factoren die mogelijk de interpretatie van verschillen tussen ziekenhuizen bemoeilijken, zoals verschillen in codering van diagnoses, verschillen in ontslagbeleid en, zoals gezegd, het al dan niet uitvoeren van BMV’s, zie figuur 1.In deze studie hebben wij onderzocht of de HSMR in de hartcentra in Nederland beïnvloed wordt door het uitvoeren van BMV’s gerelateerd aan hartaandoeningen. Hebben hartcentra door het uitvoeren van bijvoorbeeld dotterbehandelingen of openhartoperaties systematisch een hogere of een lagere HSMR dan de ziekenhuizen die geen hartcentrum zijn?

Methode

Voor de behandeling van hartaandoeningen mogen zeventien hartcentra in Nederland openhartoperaties en dotterbehandelingen (PTCA’s) uitvoeren; beide


De HSMR beproefd

58

zijn BMV’s. PTCA’s worden met name toegepast bij de diagnosegroepen ‘acuut myocardinfarct’ en ‘coronaire arteriosclerose en overige hartaandoeningen’ van het ‘Clinical classification system’ (CCS). Openhartoperaties worden met name toegepast bij de CCS-diagnosegroepen ‘hartklepaandoeningen’ en ‘coronaire arteriosclerose en overige hartaandoeningen’. De zeventien hartcentra behandelen de gehele landelijke patiëntengroep die aangewezen is op een specifieke BMV voor hartaandoeningen. Hierbij behandelt een hartcentrum patiënten uit het eigen adherentiegebied, maar het grootste deel van de patiëntengroep is verwezen vanuit een ander ziekenhuis. Patiënten worden onder meer verwezen als een ziekenhuis de noodzakelijk geachte verrichting zelf niet kan of mag uitvoeren, omdat die een BMV is.

patiënt

ziekenhuissterfte

processen

structuur

gestandaardiseerdesterfte (HSMR)

medisch coderen vanonder andere

patiëntkenmerken

patiëntkenmerken

ontslagbeleidterminale pati ënten

bijzondere medischeverrichtingenkw

alit

eit v

an z

org

patië

ziekenhuissterfte

processen

structuur

gestandaardiseerdesterfte (HSMR)

medisch coderen vanonder andere

pati ntkenmerken

patië

ontslagbeleidterminale pati

bijzondere medischeverrichtingen

FIgUUR 1 Schematische voorstelling van factoren die de HSMR kunnen beïnvloeden.

gegevensverzameling

Om de invloed van het uitvoeren van BMV’s op de HSMR in de hartcentra te onderzoeken, hebben wij gegevens uit de landelijke medische registratie (LMR) van 2004 geanalyseerd. In deze database hebben wij de sterfte onderzocht in een aantal categorieën: (a) alle ziekenhuisopnamen; (b) alle ziekenhuisopnamen exclusief de PTCA’s en openhartoperaties; (c) alle ziekenhuisopnamen exclusief de PTCA’s; en (d) alle ziekenhuisopnamen exclusief de openhartoperaties. In deze vier categorieën


Hoo

fdst

uk4


59

is de ruwe sterfte berekend, evenals de HSMR. Met deze cijfers is vervolgens vastgesteld in hoeverre de HSMR veranderde door exclusie van de BMV’s. Door één type BMV te excluderen werd zichtbaar wat de impact was van deze BMV op de HSMR. Als de exclusie van een BMV resulteerde in een verhoging van de HSMR, maakten wij daaruit op dat die BMV de regulier berekende HSMR verlaagde.

exclusie van centra

Wij hebben vijf van de zeventien hartcentra niet meegenomen in de analyses voor het bepalen van de veranderingen van de HSMR. In deze vijf centra was de kwaliteit van de gegevens onvoldoende om bij te kunnen dragen aan de conclusies. In de gegevens van één centrum ontbrak het veld ‘urgentie’; dit centrum viel af omdat in het algemeen de sterfte onder acuut opgenomen patiënten aanzienlijk hoger was dan onder electief opgenomen patiënten. Bij één centrum ontbrak de PTCA-codering, zodat een vergelijking met andere centra niet mogelijk was; PTCA’s vormen immers meer dan de helft van de BMV’s voor hartaandoeningen; ook dit centrum viel af.In drie centra was het veld ‘diagnose onbekend’ buitengewoon vaak gebruikt in combinatie met een sterk van het gemiddelde afwijkende sterfte: van één centrum was bij 43% van alle ziekenhuisopnamen de diagnose onbekend (sterfte: 0,75%); van het tweede centrum was dit 29% (sterfte: 0,0%) en in het derde centrum ging het om 244 opnamen (sterfte: 18%; 44 patiënten met de diagnose ‘onbekend’ overleden). Omdat de diagnose ‘onbekend’ niet meetelt in de HSMR, kan de HSMR-uitkomst voor de eerste twee centra nadelig en voor het derde centrum voordelig uitvallen. Omdat tevens onbekend is of ook hartaandoeningen geboekt werden onder deze diagnosenaam, hebben wij ook deze drie ziekenhuizen uitgesloten van de analyse.

Berekening HSMR

De HSMR werd berekend volgens de methode die in Nederland door Prismant en de Praktijkindex wordt toegepast in 2007.5 In deze methode worden 50 CCS-diagnosegroepen geselecteerd die 80% van de ziekenhuissterfte bepalen. Alle klinische- en dagopnamen van patiënten met een diagnose uit deze groepen worden in de berekening meegenomen. Met een logistische regressieanalyse wordt een verwachte sterftekans per opname uitgerekend. In dit regressiemodel is ‘ziekenhuissterfte’ de afhankelijke variabele en worden, zoals gezegd, de volgende determinanten meegenomen: leeftijd, opname-urgentie, geslacht, verpleegduur, hoofddiagnose en jaartal. In onze studie speelde het jaartal geen rol, omdat alleen gegevens uit 2004 werden gebruikt. Voor de regressieanalyse gebruikt deze methode gegevens van alle ziekenhuizen in Nederland.


De HSMR beproefd

60

Resultaten

In 2004 zijn binnen de 50 CCS-groepen van de HSMR in totaal 770.745 opnamen geregistreerd in de LMR-registratie; 227.961 opnamen hiervan (29,6%) vallen binnen de zeventien hartcentra. Van twaalf van deze hartcentra was de kwaliteit van de data voldoende voor analyse; in deze centra vonden in totaal 165.081 opnamen plaats (21,4% van het totale aantal opnamen). De ruwe ziekenhuissterfte (aantal sterftes gedeeld door aantal opnamen) voor alle ziekenhuisopnamen in 2004 was 4,3%; voor de zeventien hartcentra was dat 3,9%.In totaal 41.933 opnamen betroffen een BMV voor hartaandoeningen; dit komt overeen met 5,4% van alle opnamen binnen de genoemde 50 CCS-groepen. Van de opnamen met een BMV vond 86% plaats in een hartcentrum, de overige 14% in andere ziekenhuizen waar onder toezicht van een hartcentrum PTCA’s werden verricht. Van de opnamen voor een BMV waren er 25.020 (3,2% van het totale aantal opnamen) voor een dotterbehandeling (PTCA) en 16.913 (2,2%) voor een openhartoperatie. De ruwe mortaliteit voor de BMV’s voor hartaandoeningen was 1,7%. Uitgesplitst naar PTCA en openhartoperaties bedroeg de ruwe mortaliteit respectievelijk 1,0 en 2,7%.Wij onderzochten de invloed van de ruwe sterftecijfers voor BMV’s op de HSMR door de gecorrigeerde sterfte te berekenen voor de opnamen mét en zónder de BMV’s. De HSMR in de twaalf hartcentra in 2004 bedroeg gemiddeld 101,9, met uitersten van 75 - 119 in de individuele centra. Na exclusie van de BMV’s in de HSMR-berekening bleef de gemiddelde HSMR in de twaalf hartcentra onveranderd 101,9. Er was dus geen systematisch effect van de BMV’s op de HSMR van de gezamenlijke hartcentra. De HSMR van de individuele hartcentra veranderde echter wél: in een aantal ziekenhuizen was de HSMR lager na exclusie van de BMV’s en in een aantal ziekenhuizen hoger. Het verschil tussen de HSMR mét BMV’s en de HSMR zónder BMV’s in de twaalf hartcentra varieerde van –4,7% tot +5,3%. Om meer inzicht te krijgen in de achtergrond van deze variatie hebben wij de analyse opgesplitst voor de belangrijkste BMV’s: de PTCA en de openhartoperatie.

Dotterbehandelingen (Ptca)

Exclusie van de PTCA-opnamen in de berekening van de HSMR resulteerde in een hogere HSMR: gemiddeld 104,4 over de twaalf hartcentra, tegen 101,9 in de analyse van alle opnamen. Voor de twaalf hartcentra neemt de HSMR gemiddeld toe met 2,5%; de verandering in HSMR per hartcentrum varieerde van – 0,6% (lichte afname) tot 6,9% (toename). In de individuele hartcentra varieerde het aandeel PTCA’s van 5,6% tot 20,2% van het totale aantal opnamen dat meetelde voor de berekening van de HSMR per centrum.


Hoo

fdst

uk4

Aard en invloed van variatie door bijzondere medische verrichtingen

61

-1

0

1

2

3

4

5

6

7

8

5 7 9 11 13 15 17 19 21

vera

nder

ing

HSM

R (i

n%)

dotterbehandelingen (% van totaal aantal ziekenhuisopnamen)

FIGUUR 2 Invloed van dotterbehandelingen (x-as) op de HSMR (y-as) in twaalf hartcentra.* Het aantal dotterbehandelingen is weergegeven als percentage van het totale aantal opnamen dat meetelde voor de HSMR per hartcentrum. Op de y-as is weergegeven hoe sterk de HSMR van een hartcentrum veranderde als de dotterbehandelingen niet werden meegeteld; de verandering is per hartcentrum uitgedrukt als het verschil in de HSMR-waarden berekend mét en zonder dotterbehandeling. De punten stellen afzonderlijke hartcentra voor.

Figuur 2 illustreert het verband tussen het aandeel opnamen voor PTCA in het totale aantal ziekenhuisopnamen en de invloed van PTCA op de totale HSMR. In bijna alle hartcentra bleek de HSMR hoger te worden als men de PTCA-opnamen bij de berekening wegliet. De regressielijn in deze grafiek geeft aan dat deze stijging groter was naarmate het aandeel PTCA-behandelingen per centrum groter was; de grootste verhoging van de HSMR als de opnamen voor PTCA niet werden meegeteld, was 6,9%. Dit betekent dat het wél meetellen van PTCA-behandelingen voor hartcentra resulteert in een lagere HSMR.

Openhartoperaties

Evenals voor PTCA hebben wij ook voor openhartoperaties berekend wat de invloed was van het al dan niet meetellen daarvan op de HSMR. Exclusie van de openhartoperaties in de berekening van de HSMR resulteerde in een gemiddelde daling van de HSMR in de twaalf hartcentra van ongeveer 2,5%. In alle hartcentra bleek de HSMR te verbeteren, dat wil zeggen lager te worden, als de opnamen voor openhartoperaties waren weggelaten bij de berekening. Deze verlaging van de HSMR varieerde van 0,1% tot 7,7% per hartcentrum. Het aandeel openhartoperaties in de twaalf hartcentra varieerde van 2,1% tot 12,6% van het totale aantal ziekenhuisopnamen. Zie figuur 3.


De HSMR beproefd

62

-8

-7

-6

-5

-4

-3

-2

-1

0

2 3 4 5 6 7 8 9 10 11 12 13

vera

nder

ing

HSM

R (i

n%)

open hartoperaties (% van totaal aantal ziekenhuisopnamen)

FIgUUR 3 Relatie tussen het aandeel openhartoperaties in het totale aantal opnamen per hartcentrum en de verlaging van de HSMR door het weglaten van openhartoperaties uit de berekeningen.* De regressielijn in de grafiek geeft aan dat deze verlaging groter was naarmate het aan-deel openhartoperaties per centrum groter was; de grootste verlaging was 7,7%. Dit bete-kent dat het wél meetellen van openhartoperaties voor de hartcentra een hogere HSMR tot gevolg had.

Veranderingen in HSMR bij exclusie van alle BMV’s

Zoals wij al opmerkten, varieerden de individuele veranderingen in de HSMR voor de twaalf hartcentra van –4,7% tot +5,3% na exclusie van BMV’s. Deze veranderingen hingen samen met de verhouding tussen het aandeel PTCA’s en het aandeel openhartoperaties per centrum. Hoe groter het aandeel PTCA’s was, des te groter de verhoging van de HSMR als ze werden weggelaten. Hoe meer openhartoperaties werden weggelaten, des te lager werd de HSMR. Het gecombineerde effect hiervan is weergegeven in figuur 4. Het percentage PTCA minus het percentage openhartoperaties per centrum is de variabele op de x-as. Punten uiterst links in de grafiek corresponderen met relatief veel openhartoperaties en punten uiterst rechts met relatief veel PTCA’s.De grafiek geeft per hartcentrum de relatie weer tussen het verschil in de percentages uitgevoerde PTCA’s en openhartoperaties en de verandering van de HSMR na exclusie van deze BMV’s. De x-as-variabele varieerde van –3,4% (meer openhartoperaties dan PTCA’s) tot 9,7% (meer PTCA’s dan openhartoperaties). De regressielijn in figuur 4 geeft aan dat naarmate een centrum meer PTCA’s en minder openhartoperaties uitvoert, de exclusie hiervan resulteert in een hogere HSMR. Als wij deze BMV’s wél meetellen, betekent dit dus dat relatief veel PTCA’s een verlagend effect op de HSMR hebben en relatief veel openhartoperaties een verhogend effect.


Hoo

fdst

uk4

Aard en invloed van variatie door bijzondere medische verrichtingen

63

-6

-5

-4

-3

-2

-1

0

1

2

3

4

5

6

-4 -2 0 2 4 6 8 10

vera

nder

ing

HSM

R (i

n%)

% dotterbehandelingen minus % open hartoperaties per hartcentrum veel dotter-

behandelingen

11

10

9

8

7

6

5

4

3 2

1

12

veel openhartoperaties

FIGUUR 4 Invloed van zowel dotterbehandelingen als openhartoperaties (x-as) op de HSMR (y-as) in twaalf hartcentra.* De verhouding tussen de twee behandelingen is weergegeven als het percentage dot-terbehandelingen minus het percentage openhartoperaties per centrum. Op de y-as is weergegeven hoe sterk het gestandaardiseerde ziekenhuissterftecijfer (HSMR) van een hartcentrum veranderde als geen van beide behandelingen werd meegeteld; de veran-dering is per hartcentrum uitgedrukt als het verschil in de HSMR-waarden berekend mét en zonder bijzondere medische verrichtingen (dotterbehandeling en openhartoperatie). De punten stellen afzonderlijke hartcentra voor.

Discussie

De sterfte bij de BMV’s in de hartcentra is een beperkt deel van de totale sterfte zoals die in de HSMR wordt weergegeven. Dit beperkte deel heeft wel invloed op de totale HSMR, in de orde van grootte van een aantal procenten. De richting van deze invloed hangt af van de verrichting die het meest wordt uitgevoerd, PTCA of openhartoperatie, en tevens van de kwaliteit waarmee de BMV is uitgevoerd.De keuze voor het uitvoeren van een openhartoperatie of een PTCA wordt voor een belangrijk deel bepaald door de situatie van de patiënt. De meeste patiënten worden verwezen naar een van de zeventien hartcentra om een BMV te laten uitvoeren; hierbij is het type BMV door het verwijzende ziekenhuis al vastgelegd. Slechts in een beperkt aantal gevallen wordt afgeweken van dit verzoek. De verhouding tussen de aantallen van beide typen ingrepen kan daarom niet direct als een kwaliteitsaspect worden beschouwd. De invloed hiervan op de HSMR in de hartcentra varieerde van –4,7% tot +5,3%, waarbij naar schatting –2,5% tot +2,5% (uitersten van de regressie lijn in figuur 4) toe te schrijven is aan BMV-


De HSMR beproefd

64

gerelateerde risico’s. De spreiding rond de regressielijn in figuur 4 geeft mogelijk aan dat er verschillen zijn in de kwaliteit van de behandeling of de aanwezigheid van andere bronnen van variatie. De hartcentra 4 tot en met 10 in het midden van de grafiek, zie figuur 4, lijken de minste invloed op de HSMR te ondervinden, omdat de lagere sterfte bij PTCA’s ongeveer opweegt tegen de hogere sterfte bij openhartoperaties (regressielijnvariatie van –0,5% tot +0,5% op de HSMR). De HSMR van de hartcentra 1 tot en met 3 lijken systematisch verhoogd te zijn als gevolg van het uitvoeren van relatief veel openhartoperaties. Opmerkelijk is de positie van hartcentrum 11 in figuur 4. Gezien het verschil van het aandeel PTCA’s en het aandeel openhartoperaties in dit hartcentrum (7,3%) zou men op basis van de regressielijn verwachten dat exclusie van alle BMV’s de HSMR met circa 1,5% zou verhogen. In werkelijkheid zagen wij een verlaging met 5,3% als wij de BMV’s niet meetelden. Andere factoren spelen hier een belangrijke rol, zoals mogelijk de kwaliteit van de zorg of bias in de codering van de patiëntkenmerken.

De resultaten van dit onderzoek kunnen bruikbaar zijn bij de interpretatie van de HSMR- gegevens van de hartcentra. Als een centrum relatief veel PTCA’s uitvoert, kan de HSMR met een aantal procenten dalen. Relatief veel openhartoperaties kunnen de HSMR met een aantal procenten opschroeven. Aan de andere kant is het ook belangrijk te weten dat de invloed van de BMV’s op de HSMR uiteindelijk beperkt is tot een maximum van ongeveer 6%, zoals de resultaten van deze studie laten zien. Deze invloed op de HSMR bepaalt mede de positie van een ziekenhuis ten opzichte van andere ziekenhuizen, maar zal niet leiden tot wezenlijk andere conclusies.De HSMR wordt verder ontwikkeld door Prismant en de Praktijkindex. In 2008 is een aangepast model geïntroduceerd om de HSMR te berekenen. Dit model corrigeert, afhankelijk van de diagnosegroep, voor de zes eerdergenoemde factoren aangevuld met nevendiagnoses, sociale herkomst, maand en heterogeniteit van de diagnosegroep. Dit nieuwe HSMR-model kan onze resultaten mogelijk enigszins beïnvloeden, maar ook in dit model wordt bewust niet gecorrigeerd voor verrichtingen zoals de BMV’s. BMV’s zijn geen patiëntkenmerken in strikte zin, maar onderdeel van de processen in de zorg. Doordat patiënten worden verwezen voor deze ingrepen en alleen de hartcentra deze ingrepen mogen uitvoeren, gaat het in hartcentra om een speciale vorm van het zorgproces. Daar kunnen wij rekening mee houden bij de interpretatie van de HSMR als wij de invloed op de HSMR kunnen schatten en de achtergronden begrijpen, zoals uitgewerkt in deze studie. De HSMR is gevoelig voor de verschillen in het sterfterisico tussen PTCA en openhartoperatie. Ook bij het vergelijken van ziekenhuizen kunnen wij daarmee rekening houden. De verhouding van het aantal PTCA’s en openhartoperaties


Hoo

fdst

uk4


65

kan worden meegenomen bij het vergelijken van hartcentra onderling aan de hand van de HSMR, maar ook bij het volgen van de trend in de HSMR van een individueel hartcentrum en bij de vergelijking van hartcentra met ziekenhuizen die deze BMV’s niet uitvoeren.

conclusies

Op basis van de resultaten komen wij tot de conclusie dat de wettelijk vastgestelde selectie van patiënten voor een dotterbehandeling of een openhartoperatie in hartcentra invloed heeft op de hoogte van de HSMR. Een relatief groot aantal openhartoperaties resulteert in een systematische verhoging van de HSMR en een relatief groot aantal dotterbehandelingen resulteert in een systematische verlaging daarvan. Bij het gebruik van de HSMR voor het vergelijken van hartcentra en andere ziekenhuizen bevelen wij aan om bij de interpretatie rekening te houden met de verhoudingen van de aantallen PTCA’s en openhartoperaties.

literatuur


2. Jarman B, Bottle A, Aylin P, Browne M. Monitoring changes in hospital standardised mortality ratios. BMJ. 2005;330:329.

3. Wright J, Dugdale B, Hammond I, Jarman B, Neary M, Newton D, et al. Learning from death: a hospital mortality reduction programme. J R Soc Med. 2006;99:303-8.

4. Uitvoeringstoets op weg naar vrije prijzen. Maatstafconcurrentie voor medisch specialistische zorg. Utrecht: Nederlandse Zorgautoriteit; 2007. p. 44-5.

5. Kool RB, Veen A van der, Westert GP. Sterftemaat is valide instrument. Med Contact. 2007;62:2090-1.


5 aaRD Van OngecORRIgeeRDe caSeMIxVaRIatIe

De tekst van dit hoofdstuk is ingediend als:Bosch WF van den, Spreeuwenberg P, Wagner C. Using standardised mortality ratios for detecting best practices. A retrospective database study of six large non-university teaching hospitals.


De HSMR beproefd

68

Samenvatting

DoelOnderzoeken of gestandaardiseerde ziekenhuissterftecijfers op diagnosegroeps-niveau gebruikt kunnen worden voor het detecteren van ‘best practices’ binnen zes topklinische ziekenhuizen. Onderzocht wordt hoe adequaat de huidige correctie voor casemix op hoofddiagnoseniveau is.

OpzetRetrospectief. Analyse van HSMRs (hospital standardised mortality ratios) en SMRs (standardised mortality ratios op diagnosegroepsniveau) van zes topklinische ziekenhuizen over vijf jaren.

MethodeHierbij wordt een onderverdeling gemaakt van iedere diagnosegroep in een hoogrisico- en een laagrisico-subgroep, gebaseerd op nationale mortaliteitsratio’s. Per diagnosegroep worden de SMRs van de hoogrisico- en de laagrisico-subgroep van de zes ziekenhuizen tezamen vergeleken. Vervolgens wordt de invloed op de SMRs als gevolg van niet gecorrigeerde casemixverschillen ingeschat.

ResultatenVoor 44 van de 48 onderzochte hoogrisico-diagnosesubgroepen blijkt de SMR hoger dan de SMR van de corresponderende laagriscio-diagnosesubgroepen. Voor zeventien van de hoogrisico-diagnosesubgroepen, die samen circa 50% van de waargenomen sterfte vormen, zijn de SMRs significant hoger. De geschatte invloed op de SMR op diagnosegroepsniveau als gevolg van inadequate correctie is substantieel (0,43 tot 1,75 van oorspronkelijke SMR). De geschatte invloed op HSMR-niveau is beperkt.

ConclusiesHet huidige Nederlandse HSMR-model corrigeert niet adequaat voor casemix op hoofddiagnoseniveau. Samenwerkende ziekenhuizen die ‘best practices’ willen detecteren en delen, dienen hiermee rekening te houden. Een betere correctie voor casemix is nodig.


Hoo

fdst

uk5

aard van ongecorrigeerde casemixvariatie

69

Inleiding

De HSMR wordt in verschillende landen gebruikt als indicator voor het beoordelen en verbeteren van de kwaliteit van de zorg.1 Ook worden ziekenhuisprestaties op grond van HSMRs publiekelijk vergeleken2 en beoordeeld, echter dat heeft niet ieders instemming.3, 4

In hoeverre is de HSMR nu een bruikbare maat voor patiëntveiligheid, bij het werken aan kwaliteitsverbetering? Een ziekenhuis vindt het vaak lastig de HSMR te duiden en te gebruiken, omdat deze zo’n hoog aggregatieniveau heeft5 en omdat de gevoeligheid van het instrument op ziekenhuisniveau te wensen overlaat. Dit blijkt uit het volgende voorbeeld:

Ziekenhuizen zoeken naar mogelijkheden om het aantal vermijdbare sterfgevallen, veroorzaakt door ‘adverse events’, te reduceren. Naar schatting 4% van de ziekenhuissterfte in Nederland betreft vermijdbare sterfte;6 soortgelijke percentages komen voor in andere landen.7,8 Het doel is om deze vermijdbare sterfte in Nederland in vijf jaar tijd te halveren. De HSMR werd genoemd als mogelijk instrument om deze reductie van 4% naar 2% te monitoren. Echter, een terugloop van de HSMR met 2% in vijf jaar is nauwelijks te meten, aangezien HSMRs tussen de 10 tot 30% kunnen fluctueren over een dergelijke periode.9

‘Adverse events’ dragen slechts marginaal bij aan de ziekenhuissterfte en vormen geen verklaring voor de gerapporteerde spreiding in HSMRs: van 62 tot 142 in Nederland en van 71 tot 131 in het Verenigd Koninkrijk.1,2 Deze variatie van de HSMR hangt meer samen met andere factoren dan met ‘adverse events’, bijvoorbeeld met verschillen in medische praktijkvoering, verschillen in de organisatie van de zorg en cultuurverschillen. Substantiële reducties in mortaliteit zullen daarom vooral volgen uit een beter inzicht in de invloed van deze factoren op ziekenhuissterfte.

De HSMR is samengesteld uit gestandaardiseerde sterfteratio’s op diagnose–groepsniveau (standardised mortality ratios, SMRs), bijvoorbeeld voor de diagnosegroep ‘acuut myocard infarct’. Het HSMR-model in Nederland gebruikt 50 van deze diagnosegroepen, zoals bepaald door de ‘Clinical Classification Software’ (CCS) en ontwikkeld door het ‘Agency for Healthcare Research and Quality’. De CCS is een hulpmiddel dat ICD-9-hoofddiagnoses (ICD-9 staat voor International Classification of Diseases, Ninth Revision) clustert in een hanteerbaar aantal klinisch zinvolle categorieën.10 SMRs zijn beter dan de HSMR in staat om verschillen in praktijken vast te stellen en potentiële problemen met de kwaliteit van zorg te detecteren. Diagnosegroepen kunnen gebruikt worden om te lokaliseren waar binnen het ziekenhuis onverwacht hoge mortaliteit optreedt, om vervolgens verbeteringen mogelijk te maken ter reductie van


De HSMR beproefd

70

mortaliteit.1 De detectie van een zwakke plek is gebaseerd op de SMR, behorende bij de diagnosegroep die statistisch significant hoger scoort dan het landelijke gemiddelde. Dat gemiddelde is voor iedere diagnosegroep op 100 genormeerd. Hierbij is het voor een ziekenhuis niet altijd duidelijk welke verbetermaatregelen te nemen. Een ziekenhuis met een hoge SMR beschikt vaak niet over (of is niet bekend met) de potentieel betere ‘practices’ in ziekenhuizen met een lage SMR voor dezelfde diagnosegroep.

taBel 1 Gestandaardiseerde sterfteratio’s voor de twintig CCS-diagnosegroepen met de hoogste aantallen sterfgevallen voor de jaren 2003 t/m 2007.

ccS code

ccS-diagnosegroepstitel gestandaardiseerde sterftecijfers (SMRs) per ziekenhuis

waargenomen aantal

sterfgevallena B c D e F109 Cerebrovasculaire

aandoening (CVA)100 107 89 69 109 91 1.682

122 Pneumonie 83 103 61 73 116 100 1.210100 Acuut myocard infarct 76 100 90 79 98 78 1.202108 Hartfalen zonder hypertensie 95 96 66 84 115 92 1.18919 Longkanker/bronchuskanker 102 118 69 65 109 116 85842 Secundaire maligniteiten 123 147 77 54 89 94 839115 Aneurysmata aorta- /

perifere/viscerale arteriën87 102 122 77 93 81 572

127 COPD en bronchitis 105 125 84 63 98 97 545101 Coronaire artherosclerose/

overige hartaand94 154 88 26 87 89 517

107 Hartstilstand en ventrikelfibrilleren

93 98 103 64 94 119 429

226 Heupfractuur 98 141 114 51 115 104 39996 Hartklepaandoeningen 99 222 78 48 137 81 383133 Overige aandoeningen lage

luchtwegen52 83 75 57 176 92 378

2 Sepsis (behalve tijdens bevalling)

119 97 55 111 108 91 334

114 Perifere en viscerale arteriosclerose

114 115 124 44 83 112 280

14 Colonkanker 125 119 94 56 110 90 260145 Darmobstructie zonder

hernia103 116 97 46 113 52 192

153 Gastro-intestinale bloeding 68 68 83 90 119 147 185233 Intracraniaal letsel 37 211 61 26 208 44 182106 Hartritmestoornis 93 69 107 49 101 79 177

* De zes Santeon-ziekenhuizen zijn willekeurig gelabeld van A tot F. Groen: SMR is statistisch signi-ficant (95% BI) lager dan het landelijk gemiddelde (100), rood hoger dan het gemiddelde. De meest rechtse kolom toont het aantal waargenomen sterfgevallen in aflopende volgorde.


Hoo

fdst

uk5


71

De eerder genoemde zes Santeon-ziekenhuizen hebben besloten om hun SMR-gegevens met elkaar te delen en onderling te vergelijken. Het doel hiervan is om op basis van verschillen in SMRs, ‘best practices’ te identificeren rond de organisatie van de zorg. De prioriteiten worden hierbij bepaald door verschillen in sterfte voor elk van de 50 CCS-diagnosegroepen uit het HSMR-model. Tabel 1 toont de SMRs per ziekenhuis voor de 20 diagnosegroepen met de hoogste aantallen sterfgevallen; de roodgekleurde vakjes geven een significant hoge sterfte aan en de groengekleurde vakjes een significant lage sterfte. Het idee is nu dat een Santeon-ziekenhuis met een significant hoge SMR-score een ander Santeon-ziekenhuis met een significant lage SMR-score voor dezelfde diagnosegroep, raadpleegt. Medici en medewerkers van het eerste ziekenhuis kunnen dan proberen te doorgronden waar de verschillen zitten en, indien mogelijk, de ‘best practice’ van het andere ziekenhuis te adopteren. Bijvoorbeeld: voor de CCS-diagnosegroep 233 ‘intracraniaal letsel’ scoren de ziekenhuizen B en Ehoge(=ongunstige)SMRs:211,respectievelijk208.Zijhebbendemogelijkheidtot het raadplegen van ziekenhuizen A, D en F, die gunstige scores hebben van 37, 26, respectievelijk 44, zie tabel 1.

Om tot zo’n gezamenlijke inspanning te komen, moet er eerst aan een belangrijke voorwaarde voldaan zijn. Medici en ziekenhuismedewerkers moeten er vertrouwen in hebben dat de SMRs, die het vertrekpunt vormen voor verbeteracties, betrouwbaar en valide zijn. De validiteit van het HSMR-model, inclusief de onderliggende SMRs, wordt in verschillende publicaties bediscussieerd en de auteurs claimen dat de uitkomsten van goede kwaliteit zijn.1,11 Een punt van discussie is echter of de casemix op hoofddiagnoseniveau (het niveau waarop ICD-9-codes gecodeerd worden) voldoende gecorrigeerd wordt. Het gebruikte HSMR-model corrigeert voor 28 van de 50 CCS-diagnosegroepen.1 Binnen Santeon rezen twijfels over de effectiviteit van deze correctie, reden waarom Santeon een onderzoek startte met de volgende onderzoeksvragen:1. Wordt de casemix op het niveau van de ICD-9-hoofddiagnoses adequaat

gecorrigeerd?2. En indien niet: in hoeverre heeft deze inadequate correctie invloed op de

SMRs op diagnosegroepsniveau?


De HSMR beproefd

72

Methode

Setting

Het onderzoek vond plaats in zes topklinische ziekenhuizen in Nederland. Hun HSMRs varieerden over vijf jaar van 65 tot 114, met een gezamenlijke waarde van 93. Het betrof 240.662 patiënten, verdeeld over 418.566 opnamen, gedurende de jaren 2003 t/m 2007. Genoemde ziekenhuizen hebben een landelijk marktaandeel van circa 10% van de klinische- en dagopnamen in Nederland.

Het HSMR-model in dit onderzoek

Zoals in de inleiding al aangegeven, baseert de HSMR van een ziekenhuis zich op voorspelde sterfterisico’s per opname, waarbij gebruik wordt gemaakt van gegevens uit de landelijke medische registratie (LMR).1 Het HSMR-model, zoals gebruikt in 2008 voor ons onderzoek, corrigeert voor leeftijd, geslacht, herkomst patiënt, opname-urgentie, ligduur, jaar van ontslag, sociaal-economische status, co-morbiditeit, diagnosegroep en, gedeeltelijk, de casemix op hoofddiagnoseniveau.1 De HSMR-berekeningen zijn uitgevoerd door Prismant.

negeren van casemixvariatie op hoofddiagnoseniveau: een valkuil

Voor de registratie van diagnoses in Nederland is tot nu toe de ICD-9 gebruikt als basis voor het coderen. Een opname wordt geïncludeerd bij de HSMR-berekening als de ICD-9-hoofddiagnose deel uitmaakt van een van de 50 geselecteerde CCS-diagnosegroepen. In zo’n CCS-diagnosegroep zijn gemiddeld zo’n twintig verschillende ICD-9-codes gegroepeerd. Omdat correctie plaatsvindt op diagnosegroepsniveau, kunnen er casemixverschillen optreden op het niveau hieronder, het diagnosesubgroepsniveau (ICD-9), waarvoor niet adequaat gecorrigeerd wordt.

Een fictief voorbeeld We vergelijken twee ziekenhuizen met patiënten die identieke casemixeigen–schappen hebben op diagnosegroepsniveau, maar verschillende casemix–eigenschappen op diagnosesubgroepsniveau. We nemen het volgende aan:• Ieder ziekenhuis behandelde 1.500 patiënten voor dezelfde aandoening,

zeg ‘CCS-groep X’, bijvoorbeeld cerebrovasculair accident (CVA), gedurende hetzelfde tijdsinterval.

• 387 patiënten stierven in ziekenhuis 1 en 296 in ziekenhuis 2, zie tabel 2.


Hoo

fdst

uk5


73

De gemiddelde mortaliteit van beide ziekenhuizen bedraagt dan 22,8%, zie de onderste regel van tabel 2; wij normeren dit percentage op 100, als de standaard. Hiermee kunnen wij de voorspelde sterftecijfers en de SMRs op diagnosegroepsniveau voor beide ziekenhuizen berekenen, inclusief de 95%-betrouwbaarheidsintervallen. Wij zouden uit dit fictieve voorbeeld kunnen concluderen dat het eerste ziekenhuis een significant hoger dan verwachte SMR van 113 heeft (95% BI: 102 – 125) en het tweede ziekenhuis een significant lagere SMR van 87 (95% BI: 77 – 97), zie tabel 2.

taBel 2 Fictief voorbeeld waarin mortaliteitscijfers van twee ziekenhuizen met identieke casemix op het niveau van CCS-diagnosegroep ‘X’ vergeleken worden.

ccS-diagnosegroep ‘x’ aantal opgeno-

menpatiën-

ten

aantal overle-den pa-tiënten

ruwe morta-

liteit

voor-speld aantal doden

SMR onder-grens

95% BI van SMR

boven-grens

95% BI van SMR

totaal ziekenhuis 1 1.500 387 25,8% 341,5 113 102 125totaal ziekenhuis 2 1.500 296 19,7% 341,5 87 77 97totaal ziekenhuizen 1 en 2

3.000 683 22,8% 683 100 93 108

taBel 3 De geëxpandeerde versie van tabel 2 toont fictieve opname- en sterfteaantallen voor twee diagnosesubgroepen.

ccS-diagnosegroep ‘x’ aantal opgeno-

menpatiën-

ten

aantal overle-den pa-tiënten

ruwe morta-

liteit

voor-speld aantal doden

SMR onder-grens

95% BI van SMR

boven-grens

95% BI van SMR

ziekenhuis 1: diagnose-subgroep 1

1.100 350 32% 392 89 80 99


400 37 9% 40 93 66 128

totaal ziekenhuis 1: (diagnosegroep X)

1.500 387 25,8% 341,5 113 102 125


400 184 46% 142 129 111 149


1.100 112 10% 109 103 84 123

totaal ziekenhuis 2: (diagnosegroep X)

1.500 296 19,7% 341,5 87 77 97

totaal ziekenhuizen 1 en 2

3.000 683 22,8% 683 100 93 108


De HSMR beproefd

74

Ziekenhuis 2 lijkt een significant betere prestatie te leveren dan ziekenhuis 1. Medici van ziekenhuis 1 zouden hun collega’s van ziekenhuis 2 kunnen raadplegen om vast te stellen wat zij zelf wellicht anders (beter) zouden kunnen doen. Echter, wanneer de onderliggende subdiagnosegroepen sterke casemixvariaties en opnamevariaties vertonen, kan de situatie geheel anders blijken te liggen. Tabel 3 toont hiervan een fictief voorbeeld: een geëxpandeerde versie van tabel 2, met diagnosesubgroepen 1 en 2 (bijvoorbeeld bloedige en niet bloedige CVA). Ziekenhuis 1 blijkt voor beide subgroepen lagere ruwe mortaliteitscijfers te scoren dan ziekenhuis 2. Ook de gestandaardiseerde mortaliteitsratio’s op subdiagnoseniveau (eveneens aangeduid als SMR) blijken onder de 100 uit te komen (gunstig). Voor ziekenhuis 2 blijken de SMR-uitkomsten op subdiagnoseniveau hoger uit te komen dan 100, waarvan één significant hoger dan 100. Medici uit ziekenhuis 2 zouden dus op zoek kunnen gaan naar ‘best practices’ in ziekenhuis 1, in plaats van andersom. De fictieve CCS-diagnosegroep ‘X’ in dit voorbeeld heeft duidelijk behoefte aan correctie op subdiagnose-groepsniveau.

taBel 4 Voorbeeld van splitsing in laag- en hoogrisico subgroep voor CCS-diagnose-groep CVA

benchmark: alle nederlandse ziekenhuizen 2004 en 2005 Santeon jaren 2003 t/m 2007IcD-9- code

IcD-9-diagnosetitel ruwe morta-

liteit

waar-ge-

nomen aantal doden

waar-ge-

nomen aantal doden

voor-spelde aantal doden

SMR laagrisi-co- en hoogri-sico-subgroup

(95% BI)

4320 Niet-traumatische extradurale bloeding

9,2% 6 1 4

4341 Cerebrale embolie 9,7% 74 60 70 4321 Subdurale bloeding 10,2% 246 55 170 4349 Niet gespecificeerde cerebrale

afsluiting10,7% 2.534 542 580

436 Acute niet scherp omschreven CVA

11,1% 1.562 247 294

totalen laagrisico-subgroep 10,8% 4.422 905 1.118 81 (76 - 86)

4340 Cerebrale trombose 13,9% 90 4 2 430 Subarachnoïdale bloeding 22,5% 716 131 115

4329 Niet gespecificeerde intracrani-ale bloeding

30,1% 71 8 10

431 Intracerebrale bloeding 37,9% 3.140 634 544 totalen hoogrisico-subgroep 32,6% 4.017 777 671 116 (108 - 124)

* De splitsing is gebaseerd op de ranking van ICD-9-hoofddiagnoses op ruwe mortaliteit van alle Ne-derlandse ziekenhuizen over de jaren 2004 en 2005. Santeon-data over de jaren 2003 t/m 2007 zijn ook getoond, inclusief gestandaardiseerde sterfteratio’s voor de laag- en hoogrisico subgroepen.


Hoo

fdst

uk5


75

ccS-diagnosegroep splitsen in een laagrisico- en een hoogrisico-subgroep

Wij hebben de 50 CCS-diagnosegroepen onderzocht door het splitsen van iedere groep in twee subgroepen: een ‘hoogrisico-subgroep’, waaronder de ICD-9-hoofddiagnoses met de hoogste ruwe mortaliteit en een ‘laagrisico-subgroep’, waaronder de ICD-9-hoofddiagnoses met de laagste ruwe mortaliteit. Als benchmark voor de ruwe mortaliteit hebben wij de ICD-9-mortaliteitsratio’s gebruikt van alle Nederlandse ziekenhuizen in de jaren 2004 en 2005. Iedere CCS-diagnosegroep werd zodanig gesplitst dat de aantallen waargenomen sterfgevallen in de twee subgroepen zo goed mogelijk in balans waren. De eerste vier kolommen van tabel 4 illustreren hoe deze splitsing tot stand kwam voor de CCS-diagnosegroep CVA. De onderliggende ICD-9-codes werden gesorteerd in oplopende volgorde van ruwe mortaliteit. De splitsing tussen laag- en hoogrisico-ICD-9 werd in dit voorbeeld bepaald door 4.422 waargenomen sterfgevallen in de laagrisico-subgroep en 4.017 waargenomen sterfgevallen in de hoogrisico-subgroep. Bij elke andere keuze voor de splitsingsgrens zouden deze aantallen minder gebalanceerd uitvallen.

Tabel 4 laat als voorbeeld ook zien hoe de gestandaardiseerde sterfte voor de twee risicosubgroepen uitpakt voor de gezamenlijke Santeon-ziekenhuizen over de jaren 2003 t/m 2007, inclusief de 95%-betrouwbaarheidsintervallen (drie meest rechtse kolommen). Als deze twee betrouwbaarheidsintervallen niet overlappen, concluderen wij dat de SMR-uitkomst van de bijbehorende CCS-diagnosegroep een ‘bias’ vertoont als gevolg van niet adequaat gecorrigeerde casemixverschillen op ICD-9-hoofddiagnoseniveau. Dit blijkt bijvoorbeeld het geval voor de CCS-diagnosegroep CVA in tabel 4.

geschatte invloed op (H)SMRs van mortaliteitsverschillen in diagnosesubgroepen

Om de invloed op de (H)SMR te schatten als gevolg van inadequate correctie op het niveau van de ICD-9-hoofddiagnose, hebben wij de voorspelde sterfte op ICD-9-niveau per ziekenhuis gecorrigeerd met een correctiefactor. Deze factor werd bepaald door de ICD-9-specifieke Santeon-SMR te delen door de Santeon diagnosegroep SMR. Op deze manier hebben wij de Santeon-gemiddelden gebruikt als ‘standaard’; de uitkomsten van deze correcties moeten worden beschouwd als schattingen. Zij geven een indicatie over de mate waarin SMRs en HSMRs kunnen veranderen als we rekening houden met mortaliteitsverschillen op het niveau van de ICD-9-hoofddiagnose.


De HSMR beproefd

76

Resultaten

Setting

Gedurende de vijfjaars studieperiode werden voor de zes Santeon-ziekenhuizen de HSMRs en SMRs berekend over 418.566 opnamen. Tijdens deze opnamen overleden 15.227 patiënten.Twee CCS-diagnosegroepen, ‘prostaatkanker’ en ‘aspiratiepneumonie’, waren niet zinvol te splitsen en vielen af. Voor de overige 48 CCS-diagnosegroepen konden wij een zinvolle splitsing maken, gebaseerd op waargenomen mortaliteit in Nederland over de jaren 2004 en 2005. Deze 48 groepen betroffen 414.325 opnamen (99% van totaal) en 15.002 gevallen van sterfte (99% van totaal). Ons onderzoek betrof deze 48 groepen.

analyse van de mortaliteitscijfers voor de diagnosegroepen en subdiagnosegroepen

Tabel 5 toont de berekende SMRs van de laag- en de hoogrisico-subgroepen voor elk van de 48 onderzochte CCS-diagnosegroepen, inclusief de 95%-betrouwbaarheidsintervallen. Voor diagnosegroep ‘109 Cerbrovasculaire aandoening’ bleek bijvoorbeeld de laagrisico-subgroep-SMR (voornamelijk niet bloedig) 81 (95% BI: 76 – 86) te bedragen, terwijl de hoogrisico-subgroep-SMR (voornamelijk bloedig) 116 (95% BI: 108 – 124) bedroeg, zie ook tabel 4. Deze uitkomst werpt de vraag op: behandelen de zes ziekenhuizen tezamen de niet bloedige CVA-variant significant beter dan het nationale gemiddelde (100) en tegelijkertijd de bloedige CVA-versie significant slechter? Of duidt deze uitkomst op een inadequate correctie van de casemix? Wij komen op deze vraag terug in de discussiesectie.De volgorde van de resultaten in de tabel 5 is gebaseerd op het SMR-verschil tussen de hoog- en de laagrisico-subgroepen. Van de 48 hoogrisico-subgroep-SMRs bleken er 44 SMRs hoger dan de corresponderende laagrisico-subgroep-SMRs. De eerste zeventien getoonde hoogrisico-subgroep-SMRs waren significant hoger dan de corresponderende laagrisico-subgroep-SMRs. Deze zeventien groepen bevatten 50% van de totale sterfte.


Hoo

fdst

uk5


77

taBe

l 5

Het

waa

rgen

omen

aan

tal d

oden

ver

sus

het v

oors

peld

e aa

ntal

dod

en v

oor l

aag-

en

hoog

risic

o-su

bgro

epen

bin

nen

de 4

8 CC

S-di

agno

segr

oepe

n.

la

agri

sico

sub

groe

pen

hoog

risi

co s

ubgr

oepe

ncc

S co

decc

S di

agno

seti

tel

ccS

sub-

gr

oep

geco

rri-

geer

d? 1

waa

rge-

nom

en

aant

al

dode

n

voor

-sp

elde

aa

ntal

do

den

SMR

(95%

BI)

waa

rge-

nom

en

aant

al

dode

n

voor

-sp

elde

aa

ntal

do

den

SMR

(95%

BI)

233

Intr

acra

niaa

l let

sel

ja85

170

50 (4

0 - 6

2)97

2637

9 (3

07 -

462)

116

Trom

bose

van

aor

ta- e

n p

erife

re e

n vi

scer

ale

arte

riën

ja11

911

310

5 (8

7 - 1

26)

236

364

(231

- 54

6)85

Com

a, s

tupo

r en

hers

enbe

scha

digi

ngne

e39

5966

(47

- 91)

3315

219

(151

- 30

8)15

5O

verig

e ga

stro

-inte

stin

ale

aand

oeni

ngen

ja54

8762

(47

- 81)

3819

196

(139

- 26

9)11

4Pe

rifer

e en

vis

cera

le a

rter

iosc

lero

seja

115

198

58 (4

8 - 7

0)16

512

013

8 (1

18 -

161)

100

Acuu

t myo

card

infa

rct

nee

858

1.16

074

(69

- 79)

344

226

152

(136

- 16

9)24

Bors

tkan

ker

nee

723

31 (1

2 - 6

4)42

3910

7 (7

7 - 1

45)

44N

iet n

ader

ges

pec.

tum

oren

of t

umor

en o

nzek

ere

aard

nee

2752

52 (3

4 - 7

6)32

2612

1 (8

3 - 1

71)

117

Ove

rige

circ

ulat

oire

aan

doen

inge

nne

e28

5452

(34

- 75)

3731

120

(85

- 166

)11

5A

neur

ysm

ata

van

aort

a- e

n p

erife

re e

n vi

scer

ale

arte

riën

ja27

238

571

(63

- 80)

300

241

124

(111

- 13

9)39

Leuk

emie

nee

6479

81 (6

3 - 1

04)

103

7713

5 (1

10 -

163)

151

Ove

rige

leve

raan

doen

inge

nja

2952

55 (3

7 - 7

9)86

8310

3 (8

3 - 1

28)

133

Ove

rige

aand

oeni

ngen

van

de

lage

luch

tweg

enja

7716

048

(38

- 60)

301

325

93 (8

2 - 1

04)

109

Acut

e ce

rebr

ovas

cula

ire a

ando

enin

gja

905

1.11

881

(76

- 86)

777

671

116

(108

- 12

4)10

7H

arts

tilst

and

en v

entr

ikel

fibril

lere

nne

e17

021

479

(68

- 92)

259

230

113

(100

- 12

7)19

Long

kank

er/ b

ronc

husk

anke

rne

e57

168

284

(77

- 91)

287

247

116

(103

- 13

1)12

2Pn

eum

onie

ja14

420

770

(59

- 82)

1.06

61.

144

93 (8

8 - 9

9)15

8Ch

roni

sch

nier

fale

nne

e0

30

(0 -

136)

7566

114

(89

- 142

)14

9G

alw

egaa

ndoe

ning

ja55

6486

(65

- 112

)53

3913

7 (1

03 -

179)

237

Com

plic

atie

van

app

arat

uur,

impl

anta

at o

f tra

nspl

anta

atja

8499

85 (6

8 - 1

05)

8970

127

(102

- 15

6)59

Defi

ciën

ties

en a

nder

e an

emie

ja47

5684

(62

- 112

)22

1712

6 (7

9 - 1

91)

150

Leve

raan

doen

ing,

alc

ohol

gere

late

erd

nee

610

63 (2

3 - 1

37)

9190

102

(82

- 125

)14

6D

iver

ticul

ose

en d

iver

ticul

itis

ja11

1860

(30

- 108

)74

7994

(74

- 118

)32

Blaa

skan

ker

nee

7990

88 (7

0 - 1

10)

2117

121

(75

- 185

)55

Aan

doen

inge

n va

n vo

cht-

en

elec

trol

ythu

isho

udin

gja

3347

70 (4

8 - 9

9)12

011

710

2 (8

5 - 1

22)

96H

artk

lepa

ando

enin

gen

ja19

317

311

1 (9

6 - 1

28)

190

135

140

(121

- 16

2)38

Non

-Hod

gkin

lym

foom

nee

6810

167

(52

- 85)

6670

94 (7

3 - 1

20)

153

Gas

tro-

inte

stin

ale

bloe

ding

ja96

121

79 (6

4 - 9

7)89

8410

6 (8

5 - 1

31)

101

Coro

naire

art

erio

scle

rose

en

over

ige

hart

aand

oeni

ngen

ja35

738

792

(83

- 102

)16

013

811

6 (9

9 - 1

35)


De HSMR beproefd

78

la

agri

sico

sub

groe

pen

hoog

risi

co s

ubgr

oepe

ncc

S co

decc

S di

agno

seti

tel

ccS

sub-

gr

oep

geco

rri-

geer

d? 1

waa

rge-

nom

en

aant

al

dode

n

voor

-sp

elde

aa

ntal

do

den

SMR

(95%

BI)

waa

rge-

nom

en

aant

al

dode

n

voor

-sp

elde

aa

ntal

do

den

SMR

(95%

BI)

106

Har

tritm

esto

orni

sja

8311

771

(56

- 88)

9410

193

(75

- 114

)15

9U

rinew

egin

fect

ieja

1012

82 (3

9 - 1

51)

146

145

101

(85

- 119

)23

8Co

mpl

icat

ie c

hiru

rgis

che

proc

edur

e of

med

isch

e zo

rgja

7910

377

(61

- 95)

7478

95 (7

5 - 1

19)

145

Dar

mob

stru

ctie

zon

der h

erni

aja

6787

77 (6

0 - 9

8)12

513

593

(77

- 110

)24

9Sh

ock

nee

4451

87 (6

3 - 1

17)

7473

101

(79

- 127

)12

Slok

darm

kank

erne

e53

4611

4 (8

5 - 1

49)

5544

126

(95

- 164

)50

Dia

bete

s m

ellit

us m

et c

ompl

icat

ieja

5064

78 (5

8 - 1

02)

6270

89 (6

8 - 1

14)

226

Heu

pfra

ctuu

rne

e19

521

790

(78

- 103

)20

420

310

1 (8

7 - 1

15)

13M

aagk

anke

rne

e87

8610

2 (8

1 - 1

25)

5650

111

(84

- 145

)2

Seps

is (b

ehal

ve ti

jden

s be

valli

ng)

ja14

815

595

(81

- 112

)18

618

110

3 (8

9 - 1

19)

42Se

cund

aire

mal

igni

teite

nja

506

533

95 (8

7 - 1

04)

333

340

98 (8

8 - 1

09)

108

Har

tfal

en, z

onde

r hyp

erte

nsie

ja40

944

991

(83

- 100

)78

084

293

(86

- 99)

14Co

lonk

anke

rne

e11

312

094

(78

- 114

)14

715

396

(81

- 113

)12

7CO

PD e

n br

onch

itis

ja24

627

888

(78

- 100

)29

933

789

(79

- 100

)15

Kank

er v

an re

ctum

of a

nus

nee

9492

103

(83

- 126

)31

3010

2 (6

9 - 1

45)

157

Acuu

t en

niet

ges

peci

ficee

rd n

ierf

alen

ja41

4689

(64

- 121

)48

5784

(62

- 111

)17

Alv

lees

klie

rkan

ker

nee

3736

103

(72

- 142

)93

9895

(77

- 117

)10

3Pu

lmon

ale

hype

rten

sie

nee

2826

107

(71

- 155

)13

613

998

(82

- 116

)to

taal

voo

r 48

van

de 5

0 cc

S-di

agno

segr

oepe

n

6.97

98.

587

81 (7

9- 8

3)8.

023

7.55

510

6 (1

04- 1

09)

* D

e ta

bel i

s ge

sort

eerd

in v

olgo

rde

van

SMR-

vers

chil

(hoo

g m

inus

laag

). D

e ee

rste

zev

entie

n rij

en to

nen

risic

o-su

bgro

epen

met

nie

t ove

rlapp

ende

be-

trou

wba

arhe

idsi

nter

valle

n. P

er C

CS-d

iagn

oseg

roep

is o

ok a

ange

geve

n of

cor

rect

ie o

p su

bdia

gnos

eniv

eau

is to

egep

ast i

n he

t hui

dige

HSM

R-m

odel

(ja/

nee)

.1

taBe

l 5

verv

olg


Hoo

fdst

uk5


79

geschatte invloed op de SMR en de HSMR

Tabel 6 toont hoe de SMRs van het HSMR-model procentueel veranderen wanneer we extra zouden corrigeren voor casemix op ICD-9-hoofddiagnoseniveau. Deze resultaten betreffen een ruwe schatting van de potentiële invloed, omdat de correctie is gebaseerd op voorspelde en waargenomen mortaliteitsgetallen van slechts zes ziekenhuizen. Een correctie gebaseerd op de voorspelde en waargenomen mortaliteit op nationaal niveau zou een accurater beeld opleveren, echter landelijke gegevens waren niet beschikbaar voor dit onderzoek.Wij geven een voorbeeld hoe tabel 6 te duiden. Voor CCS-diagnosegroep ‘233 Intracraniaal letsel’, zie ook tabel 1, bedroeg de SMR van ziekenhuis A: 37, significant laag, en voor ziekenhuis B: 211, significant hoog. Na correctie bedroegen deze SMRs 64, respectievelijk 91 – beide waarden niet langer significant afwijkend van 100. Tabel 6 toont de relatieve veranderingen van de SMR voor deze twee ziekenhuizen; voor ziekenhuis A een verandering van 64/37=175% en voorziekenhuisB,91/211=43%.Eenrodekleurintabel6toontperCCS-diagnosegroephet ziekenhuis met de sterkste opwaartse verandering en een groene kleur het ziekenhuis met de sterkste neerwaartse verandering. Ieder ziekenhuis vertoont zowel opwaartse als neerwaartse veranderingen voor de verschillende CCS-diagnosegroepen; het netto effect, de verandering van de HSMR, is weergegeven in de onderste regel. De HSMR van ziekenhuis B (114; hoogste van alle Santeon-ziekenhuizen) zou na correctie worden gereduceerd met 2%; voor ziekenhuis D zou de HSMR (65; laagste van alle Santeon-ziekenhuizen) toenemen met 3%.De tabel toont ook hoe vaak de correctie een SMR veranderde van significant (hoog of laag) naar niet meer significant of andersom: van niet naar wel significant (hoog of laag). Bijvoorbeeld de twee wisselingen, getoond voor de CCS-diagnosegroep ‘233 Intracraniaal letsel’ werden veroorzaakt door ziekenhuizen A en B. Het totaal aantal wisselingen bedroeg 18, hetgeen 23% was van alle significant hoog/laag SMR-scores vóór extra correctie. De tabel toont verder voor ieder CCS-diagnosegroep of het HSMR-model corrigeerde (al dan niet effectief ) voor casemix op ICD-9-hoofddiagnoseniveau.1


De HSMR beproefd

80

taBe

l 6

Het

per

cent

age

vera

nder

inge

n in

SM

Rs n

a co

rrec

tie v

oor c

asem

ix o

p IC

D-9

-hoo

fddi

agno

seni

veau

per

zie

kenh

uis,

geso

rtee

rd in

afl

open

de m

ate

van

impa

ct.

ccS

code

ccS-

diag

nose

groe

psti

tel

waa

rge-

nom

en

aant

al

dode

n

aant

al

sign

ifi-

cant

ie

wis

selin

-ge

n

subg

roep

ge

corr

i-ge

erd?

perc

enta

ge v

eran

deri

ngen

in S

MRs

per z

ieke

nhui

sa

Bc

De

F

233

Intr

acra

niaa

l let

sel

182

2ja

175%

43%

109%

148%

73%

130%

117

Ove

rige

circ

ulat

oire

aan

doen

inge

n65

1ne

e10

1%75

%18

5%91

%88

%10

2%15

8Ch

roni

sch

nier

fale

n75

0ne

e99

%96

%15

7%96

%99

%10

2%85

Com

a, s

tupo

r en

hers

enbe

scha

digi

ng72

1ne

e12

4%11

7%13

9%79

%86

%85

%24

Bors

tkan

ker

491

nee

95%

129%

87%

118%

101%

105%

39Le

ukem

ie16

70

nee

100%

91%

106%

124%

87%

93%

114

Perif

ere

en v

isce

rale

ath

eros

cler

ose

280

0ja

93%

100%

76%

111%

105%

94%

44N

iet n

ader

ges

pec.

tum

oren

of t

umor

en o

nzek

ere

aard

590

nee

108%

87%

101%

118%

89%

85%

155

Ove

rige

gast

ro-in

test

inal

e aa

ndoe

ning

en92

0ja

82%

115%

96%

102%

114%

102%

100

Acuu

t myo

card

infa

rct

1.20

21

nee

94%

94%

98%

123%

99%

99%

151

Ove

rige

leve

raan

doen

inge

n11

51

ja11

4%91

%11

7%92

%11

2%88

%13

0Pleu

ritis,p

neum

otho

rax,(isto

ch=)k

laplon

g13

60

ja10

4%93

%10

1%96

%98

%11

4%23

7Co

mpl

icat

ie v

an a

ppar

atuu

r, im

plan

taat

of

tran

spla

ntaa

t17

31

ja87

%10

3%10

6%10

8%10

4%10

2%

50D

iabe

tes

mel

litus

met

com

plic

atie

112

0ja

100%

115%

102%

102%

95%

95%

107

Har

tstil

stan

d en

ven

trik

elfib

rille

ren

429

0ne

e96

%10

7%90

%97

%10

4%99

%32

Blaa

skan

ker

100

1ne

e10

3%11

0%10

3%98

%94

%98

%10

1Co

rona

ire a

rthe

rosc

lero

se e

n ov

erig

e ha

rtaa

ndoe

ning

en51

70

ja10

2%99

%10

9%96

%95

%10

0%

55A

ando

enin

gen

van

voch

t- e

n el

ectr

olyt

huis

houd

ing

153

0ja

103%

100%

94%

100%

107%

94%

116

Trom

bose

van

aor

ta- e

n p

erife

re e

n vi

scer

ale

arte

riën

142

0ja

97%

99%

99%

97%

101%

111%


Hoo

fdst

uk5


81

115

Ane

urys

mat

a va

n ao

rta-

en

per

ifere

en

visc

eral

e ar

terië

n 57

22

ja10

7%98

%95

%97

%94

%97

%

109

Acut

e ce

rebr

ovas

cula

ire a

ando

enin

g1.

682

1ja

98%

96%

107%

100%

102%

94%

19Lo

ngka

nker

/ bro

nchu

skan

ker

858

0ne

e10

3%98

%10

3%10

3%91

%97

%13

3O

verig

e aa

ndoe

ning

en v

an d

e la

ge lu

chtw

egen

378

1ja

100%

105%

98%

102%

93%

97%

153

Gas

tro-

inte

stin

ale

bloe

ding

185

2ja

94%

105%

104%

103%

104%

94%

145

Dar

mob

stru

ctie

zon

der h

erni

a19

20

ja99

%94

%99

%10

5%10

1%99

%12

Slok

darm

kank

er10

80

nee

104%

98%

99%

95%

101%

105%

over

ige

22 C

CS-d

iagn

oseg

roep

en6.

907

3ve

rsch

il tu

ssen

hoo

gste

en

laag

ste

< 10

%

tota

len

voor

48

van

de 5

0 cc

S-di

agno

segr

oepe

n15

.002

18H

SMR

vera

nde-

ring

100%

98%

101%

103%

99%

99%

* D

iagn

oseg

roep

en m

et e

en im

pact

<10

% z

ijn g

ecom

bine

erd

in d

e ee

n na

ond

erst

e re

gel.

Kleu

ren

geve

n de

ster

kste

opw

aart

se v

eran

derin

g (ro

od) e

n de

st

erks

te n

eerw

aart

se v

eran

derin

g (g

roen

) aan

per

CCS

-dia

gnos

egro

ep.


De HSMR beproefd

82

Discussie

Het werken aan verbetering van kwaliteit van zorg wordt in toenemende mate bepaald door de uitkomsten van HSMR en SMRs, waarbij de potentieel zwakke plekken geïdentificeerd kunnen worden met behulp van significant hoge scores. Hoewel de HSMRs in Nederland tot en met 2010 niet openbaar gemaakt zijn, stimuleert de inspectie voor de gezondheidszorg de ziekenhuizen om de beschikbare (H)SMR-gegevens te gebruiken voor het beoordelen en verbeteren van de kwaliteit van zorg. SMR-gegevens vormen in de praktijk inderdaad de trigger voor het ondernemen van verbeteracties. Ziekenhuizen gaan ervan uit dat een significant hoge SMR-score samenhangt met een mindere kwaliteit van zorg. Andersom kunnen significant lage SMR-scores nuttig zijn voor het opsporen van potentieel betere of best ‘practices’ voor het behandelen van zekere aandoeningen. Echter, ziekenhuizen twijfelen soms aan de validiteit van de SMR-uitkomsten, omdat zij menen dat de casemix op hoofddiagnoseniveau (ICD-9) niet voldoende gecorrigeerd wordt.De resultaten van ons onderzoek bevestigen deze twijfel. Dit ondanks het feit dat de ontwerpers van het huidige (2010) HSMR-model beweren dat deze correctie, althans voor 28 CCS-diagnosegroepen, wel degelijk plaatsvindt.1 Ons onderzoek laat zien dat voor 44 van de 48 CCS-diagnosegroepen de onderliggende hoogrisico-subgroep-SMR hoger was dan de corresponderende laagrisico-subgroep-SMR. Voor zeventien CCS-diagnosegroepen, die samen goed zijn voor 50% van de waargenomen sterfte, bleek deze uitkomst statistisch significant (95% betrouwbaarheid). Dit kan worden toegeschreven aan variaties in kwaliteit van zorg voor die zeventien CCS-diagnosegroepen, maar ook aan inadequate correctie door het HSMR-instrument. Als de oorzaak gelegen is in verschillen in kwaliteit van zorg, dan zou dat betekenen dat de kwaliteit van zorg van de zes ziekenhuizen tezamen per CCS-diagnosegroep significant slechter zou zijn voor de hoogrisico-subgroep en tegelijkertijd significant beter voor de complementaire laagrisico-subgroep. Gegeven het grote aantal opnamen lijkt dit een zeer onwaarschijnlijke verklaring. Wij concluderen daarom dat variaties in casemix op het ICD-9-niveau van de hoofddiagnoses niet adequaat gecorrigeerd worden.

Een mogelijk gevolg hiervan is dat een ziekenhuis met relatief veel hoogrisico-opnamen binnen een CCS-diagnosegroep hiervoor niet voldoende gecompen–seerd krijgt in de SMR-berekening en hiervoor een niet gerechtvaardigd hoge SMR-score toebedeeld krijgt. Een schatting toont aan dat dit fenomeen in de Santeon-situatie circa 23% foutieve significantiescores tot gevolg had. De verhouding


Hoo

fdst

uk5


83

tussen de SMR-score van een statistisch significante hoogrisico- en laagrisico-subgroep varieerde voor de bovengenoemde zeventien diagnosegroepen van 1,3 (pneumonie: 93/70) tot 7,6 (intracraniaal letsel: 379/50), wat wijst op inadequate casemixcorrectie.

Samenwerkende ziekenhuizen, zoals Santeon, die ‘best practices’ willen uitruilen, gebaseerd op het onderling vergelijken van SMRs, moeten zich bewust zijn van deze mogelijke vertekeningseffecten. Dit kan voorkómen dat samenwerkende verbeterteams gefrustreerd raken, omdat zij op zoek gaan naar denkbeeldige verschillen die in werkelijkheid helemaal niet bestaan. Neem bijvoorbeeld een geval dat zich bij Santeon voordeed: ziekenhuis B en E hadden zeer hoge scores voor CCS-diagnosegroep ‘233 Intracraniaal letsel’: 211 respectievelijk 208, zie tabel 1. Vertegenwoordigers van beide ziekenhuizen claimden dat hun casemix voor deze diagnosegroep aanzienlijk zwaarder is vergeleken met de andere ziekenhuizen. Het is wellicht een begrijpelijke en natuurlijke reactie, wanneer geconfronteerd met ongunstige scores, om te wijzen naar casemixverschillen. In dit geval echter wezen de twee ziekenhuizen op het feit dat in hun nabije omgeving geen hooggespecialiseerd traumacentrum voor het behandelen van hoogrisico neurologische aandoeningen aanwezig was. De andere ziekenhuizen, met zeer goede scores (ver beneden de 100 voor deze CCS-diagnosegroep), bleken wel een traumacentrum dicht in de buurt te hebben. Na correctie op ICD-9-niveau, vielen de SMR-scores van ziekenhuis B en E veel lager uit: 43% respectievelijk 73% van de oorspronkelijke waarde, hetgeen de claim van de twee ziekenhuizen bevestigde. Het zou frustrerend zijn geweest indien, op grond van de ongecorrigeerde hoge SMRs, ziekenhuis B (significant hoge SMR) op zoek zou zijn gegaan naar een ‘best practice’ in ziekenhuis A (significant lage SMR), terwijl na correctie ziekenhuis B zelfs onder de 100 scoort (schatting: 91) en ziekenhuis A niet meer significant laag scoort (schatting 64). Casemixvariaties op ICD-9-hoofddiagnoseniveau blijken een substantiële invloed uit te oefenen op de SMR.

conclusies

Het huidige HSMR-model voor Nederland corrigeert niet adequaat voor casemixverschillen op het ICD-9-hoofddiagnoseniveau. Bij 44 van de 48 onderzochte CCS-diagnosegroepen bleken de risico’s van de hoogrisico-patiënten te laag en van de laagrisico-patiënten te hoog voorspeld. Als gevolg hiervan was voor de meeste CCS-diagnosegroepen de SMR van de hoogrisico-subgroep te hoog en van de complementaire laagrisico-subgroep te laag. Voor


De HSMR beproefd

84

zeventien CCS-diagnosegroepen, goed voor 50% van de waargenomen sterfte, waren deze verschillen significant. Een geschatte correctie, waarbij de zes ziekenhuizen als referentie zijn genomen, toonde aan dat de vertekening van de SMRs door het huidige model voor deze groepen substantieel is. De procentuele veranderingen varieerden hierbij van 43% tot 175% van de oorspronkelijke SMR-waarden. Ziekenhuizen die op basis van SMRs ‘best practices’ willen detecteren, doen er goed aan zich te realiseren dat hun SMR-waarden wel eens onvoldoende gecorrigeerd kunnen zijn op dit punt. De geschatte procentuele veranderingen van de HSMRs waren beperkt.Om een betrouwbaarder beeld van de invloed van het beschreven effect op de (H)SMR te verkrijgen is een berekening op landelijke schaal geboden; in het volgende hoofdstuk komt dit aan de orde.


Hoo

fdst

uk5


85

literatuur

1. Jarman B, Pieter D, Veen AA van der, et al. The hospital standardised mortality ratio: a powerful tool for Dutch hospitals to assess their quality of care? Qual Saf Health Care 2010 19: 9-13.

2. How safe is your hospital? The Dr foster hospital guide 2009. www.drfosterhealth.co.uk.


4. Black N. Assessing the quality of hospitals. BMJ 2010;340:c2066.5. Penfold RB, et al, Do Hospital Standardised Mortality Ratios Measure Patient Safety?

HSMRs in the Winnipeg Regional Health Authority. HealthcarePapers Vol. 8 No. 4: 8-23.6. Bruijne MC de, Zegers M, Hoonhout LHF, et al. Onbedoelde schade in Nederlandse

ziekenhuizen. Amsterdam: EMGO Instituut/VUmc en NIVEL, Nederlands Instituut voor onderzoek van de gezondheidszorg, 2007.

7. Baker GR, Norton PG, Flintoft V, et al. The Canadian Adverse Events Study: the incidence of adverse events among hospital patients in Canada. CMAJ, 2004: 170(11): p. 1678-1686.

8. Brennan TA, Leape LL, Laird NM, et al. Incidence of adverse events and negligence in hospitalized patients. Results of the Harvard Medical Practice Study I. N Engl J Med, 1991; 324(6): p. 370-376.


10. Clinical Classifications Software (CCS) for ICD-9-CM Fact Sheet http://www.hcup-us.ahrq.gov/toolssoftware/ccs/ccsfactsheet.jsp#what.

11. Heijink R, Koolman X, Pieter D, Veen A van der, Jarman B, Westert G. Measuring and explaining mortality in Dutch hospitals; the hospital standardised mortality rate between 2003 and 2005. BMC Health Serv Res 2008:8: 73.


6 lanDelIjKe InVlOeD Van OngecORRIgeeRDe caSeMIxVaRIatIe

Dit hoofdstuk werd gepubliceerd als:Bosch WF van den, Spreeuwenberg P, Wagner C. Gestandaardiseerd ziekenhuissterftecijfer (HSMR): correctie voor ernst hoofddiagnose kan beter. Ned Tijdschr Geneeskd. 2011;155:A3299.


De HSMR beproefd

88

Samenvatting

DoelDe invloed van casemixverschillen binnen diagnosegroepen op het gestandaardiseerde ziekenhuissterftecijfers (HSMR) onderzoeken en het huidige HSMR-model verbeteren.

OpzetBeschrijvend, analyse van modellen.

MethodeWij berekenden de HSMRs en de gestandaardiseerde sterftecijfers op diagnosegroepniveau (SMRs) van 84 Nederlandse ziekenhuizen over een periode van vijf jaren met behulp van twee HSMR-modellen. Beide modellen corrigeerden we voor de ernst van de diagnose bij opname (hoofddiagnose volgens de ‘International classification of diseases’ (ICD-9) aan de hand van zwaarteklassen. De indeling in zwaarteklassen was in het gebruikelijke model (model 1) gebaseerd op mortaliteitcijfers volgens de WHO, terwijl ons aangepaste ‘Nederlandse’ model (model 2) was gebaseerd op de Nederlandse ziekenhuismortaliteit. De HSMR- en SMR-uitkomsten en bijbehorende c-statistics van beide modellen werden vergeleken om te toetsen in hoeverre de modellen adequaat corrigeerden voor ICD-9-codes met hoog of laag sterfterisico.

ResultatenModel 1 corrigeerde bij 40 van de 48 geanalyseerde diagnosegroepen niet adequaat voor casemixverschillen op ICD-9-hoofddiagnoseniveau; model 2 corrigeerde niet adequaat voor 25 diagnosegroepen. De c-statistics voor model 2 waren beter dan voor model 1. De verschillen in SMR-uitkomsten tussen model 2 en model 1 varieerden van -63% tot 202%, afgemeten aan de uitkomst berekend met model 1. Bij de HSMR varieerden deze verschillen van -6,7% tot 4,3%.

ConclusiesHet huidige (2010) HSMR-model voor Nederland corrigeert onvoldoende voor casemixverschillen op het niveau van de ICD-9-hoofddiagnose. Een model met zwaarteklassenindeling van ICD-9-codes op basis van de geobserveerde ziekenhuismortaliteit in Nederland maakt een betere, zij het niet perfecte, correctie mogelijk. Ter verbetering van het HSMR-model wordt aanbevolen deze ‘Nederlandse’ zwaarteklassenindeling toe te passen.


Hoo

fdst

uk6

landelijke invloed van ongecorrigeerde casemixvariatie

89

Inleiding

In oktober 2010 verspreidde de stichting ‘Dutch Hospital Data’ (DHD) de (H)SMR-rapportage 2007-2009 met verdieping naar diagnosegroepen en patiëntencate–gorieën onder Nederlandse ziekenhuizen, met voor ieder ziekenhuis specifieke informatie. Ieder ziekenhuis kreeg zodoende inzicht in de eigen gestandaardiseerde sterfte (SMRs) behorende bij de 50 CCS-diagnosegroepen. Dit biedt de mogelijkheid gericht te werken aan kwaliteitsverbeteringen.De Inspectie voor de Gezondheidszorg stimuleert dit HSMR-gebruik zoals beschreven in de basisset prestatie-indicatoren.1 Verder bestaat er een publieke behoefte aan het vergelijken van ziekenhuizen door middel van openbaar gemaakte ziekenhuissterftecijfers (www.nfu.nl/index.php?id=166).2-4 Er zijn echter ook twijfels over de betrouwbaarheid,5,6 validiteit,7,8 en bruikbaarheid van het HSMR-model.9,10 In hoeverre zijn de huidige (2010) HSMR- en SMR-uitkomsten nog vertekend door meetfouten?

In dit hoofdstuk beschrijven wij voor Nederland het effect van meetfouten die kunnen optreden als niet adequaat wordt gecorrigeerd voor casemixverschillen binnen diagnosegroepen. In Medisch Contact is een voorbeeld van de invloed van casemixverschillen op de SMR beschreven voor de diagnosegroep ‘cerebrovasculaire aandoening’ (CVA).11 Hierbij werd onvoldoende gecorrigeerd voor casemixverschil tussen bloedige CVA (hersenbloeding of subarachnoïdale bloeding; mortaliteit circa 35%) en niet bloedige CVA (herseninfarct; mortaliteit circa 10%). Bij inadequate correctie hiervoor bleken ziekenhuizen met verhoudingsgewijs veel patiënten met een hersenbloeding of subarachnoïdale bloeding in het nadeel ten opzichte van ziekenhuizen die veel patiënten met een herseninfarct opnamen. De oorzaak van dit verschijnsel hangt samen met de huidige (2010) correctiemethode, die is gebaseerd op een zwaarteclassificatie van de WHO. Deze vormt vermoedelijk geen adequate weergave van de feitelijke casemix in Nederland. In hoofdstuk 5 hebben wij dit verschijnsel voor 48 diagnosegroepen onderzocht voor de zes Santeon-ziekenhuizen. Wij konden bij dat onderzoek echter niet goed vaststellen hoe sterk dit effect de HSMR beïnvloedt, omdat onze studie beperkt bleef tot zes ziekenhuizen.Wij breiden het onderzoek nu uit met behulp van data van alle Nederlandse ziekenhuizen. Daardoor kunnen we een landelijk geldende uitspraak doen over de invloed van casemixverschillen binnen diagnosegroepen op de HSMR. Wij vergelijken het traditionele model met een model waarin de correctie was gebaseerd op de Nederlandse casemix. De centrale onderzoeksvragen hierbij waren:1. In hoeverre beïnvloeden casemixverschillen binnen diagnosegroepen de

(H)SMR?


De HSMR beproefd

90

2. In hoeverre kan het huidige HSMR-model worden verbeterd door betere correctie?

Methode

Voor de modelanalyse werd, met toestemming van DHD, gebruik gemaakt van een geanonimiseerde LMR-dataset over de jaren 2005 t/m 2009 van 84 Nederlandse ziekenhuizen. Ziekenhuizen werden geïncludeerd als zij de voor de berekening kritieke gegevens in de LMR hadden ingevoerd. Voor de HSMR-berekeningen gebruikten wij het ‘Dr. Foster Intelligence’-model zoals Kiwa Prismant dat in 2010 heeft toegepast,12 waarbij alleen nog maar klinische opnamen en dagopnamen met sterfte meetellen.

casemixcorrectie binnen diagnosegroepen

Een goed standaardisatiemodel corrigeert onder andere voor de verschillen in ernst van aandoening die tot uiting komen in verschillen in de hoofddiagnoses volgens de ‘International classification of diseases’ (ICD)-9. Er kunnen meer dan 1000 verschillende ICD-9-diagnosecodes voorkomen bij een HSMR-berekening. Deze worden geclusterd in 50 diagnosegroepen volgens de ‘Clinical classification software’ (CCS; www.hcup-us.ahrq.gov/toolssoftware/ccs/ccsfactsheet.jsp#what). De casemixcorrectie vond plaats op het niveau van deze diagnosegroepen, waardoor binnen een CCS-diagnosegroep geen onderscheid gemaakt werd tussen ernstige en minder ernstige aandoeningen op ICD-9-niveau.Om vertekening door de clustering tegen te gaan, heeft Dr. Foster Intelligence een extra correctievariabele ingevoerd die aan iedere diagnose bij opname een zwaarteklasse toekent, afhankelijk van de ICD-9-hoofddiagnose. De zwaarte varieert van 1 (licht) tot 7 (zwaar) en is gebaseerd op een indeling naar sterfterisico van de WHO. Voor een aantal ICD-9-codes heeft Dr. Foster Intelligence om onbekende redenen geen extra correctie ingevoerd; opnamen met deze ICD-9-codes krijgen in de classificatie een waarde 0. Bij deze waarde vindt geen extra correctie plaats.

De modellen vergeleken

In ons onderzoek draaide het om de indeling van ICD-9-codes in zwaarteklassen. Wij onderzochten in hoeverre de zwaarteclassificatie in het ‘Dr. Foster Intelligence’-model spoort met de geobserveerde ziekenhuismortaliteit van ICD-9-codes in Nederland en in hoeverre dit invloed heeft op de HSMR en SMR. Daartoe


Hoo

fdst

uk6


91

berekenden wij met twee modellen de HSMR- en SMR-waarden van de 84 ziekenhuizen over 2005 t/m 2009. De modellen waren identiek op het volgende verschil na:1. model 1 maakt gebruik van de zwaarteclassificatie volgens Dr. Foster

Intelligence;2. model 2 maakt gebruik van een zwaarteclassificatie die gebaseerd was op de

ziekenhuismortaliteit in Nederland in de jaren 2005 t/m 2009 per voorkomende ICD-9-code. Tabel 1 toont de mortaliteitsgrenzen die wij kozen voor de indeling in zeven zwaarteklassen. Voor een beperkt aantal ICD-9-codes stelden wij de zwaarteklasse in verband met representativiteit op 0, omdat die codes door te weinig ziekenhuizen (minder dan vijf ) waren gebruikt.

taBel 1 Indeling in zwaarteklassen* voor ICD-9-codes, gebaseerd op de mortaliteit van aandoeningen in Nederlandse ziekenhuizen.

zwaarteklasse mortaliteitsgrenzen in % ‡ondergrens bovengrens

0 §1 0,00 0,412 0,41 1,023 1,02 2,564 2,56 6,405 6,40 16,006 16,00 40,007 40,00 100,00

* Bij de berekening van de ‘hospital standardised mortality ratio’ wordt gecorrigeerd voor de zwaar-teklasse van de diagnose bij opname.‡ De ondergrens is steeds 40% van de bovengrens, beginnend bij een bovengrens van 100%; de indeling van onder- en bovengrenzen is arbitrair, andere indelingen zijn ook mogelijk.§ Bij opnamediagnoses in deze zwaarteklasse vindt geen extra correctie plaats.

Beoordeling casemixverschillen

Om de invloed van casemixverschillen binnen een CCS-diagnosegroep aan te kunnen tonen, verdeelden wij per CCS-diagnosegroep alle in die groep meetellende opnamediagnoses over:• een ‘hoogrisico’-subgroep van ICD-9-hoofddiagnoses met hogere zieken–

huismortaliteit;• een ‘laagrisico’-subgroep van ICD-9-hoofddiagnoses met lagere zieken–

huismortaliteit.De ICD-9-codes werden zodanig ingedeeld in ‘hoog risico’ of ‘laag risico’ dat het


De HSMR beproefd

92

aantal sterfgevallen binnen een diagnosegroep bij benadering evenredig verdeeld was over deze twee subgroepen. De vraag was in hoeverre een onevenredig groot aantal patiënten in een van de twee subgroepen invloed had op de SMR van een individueel ziekenhuis.Bij de analyse keken we naar de verhouding (ratio) van de mortaliteit van de hoogrisico-subgroep en de laagrisico-subgroep per CCS-diagnosegroep voor alle ziekenhuizen tezamen. Zonder standaardisatie is deze ratio groter dan 1, maar na perfecte standaardisatie zou de ratio 1 moeten bedragen. Een ziekenhuis ondervindt dan geen voor- of nadeel bij relatief veel of weinig opnamen in een van de twee subgroepen.Wij bepaalden voor beide modellen per CCS-diagnosegroep in hoeverre deze ratio van 1 afweek. Als een model statistisch significant afweek van 1 (dat wil zeggen: 1 lag buiten het 95%-BI van de ratio), dan concludeerden wij dat dat model niet adequaat corrigeerde voor het casemixverschil binnen die CCS-diagnosegroep.

Vergelijking HSMRs en SMRs

Wij vergeleken de HSMR- en SMR-uitkomsten van beide modellen op drie punten:1. procentueel: in hoeverre verschillen de SMRs berekend volgens model 1 en

model 2 per CCS-diagnosegroep, per ziekenhuis?2. significantiescore, dat wil zeggen: wijst de SMR op een sterfte die statistisch

significant hoger, lager of niet afwijkend van het gemiddelde is?3. voorspellende waarde, uitgedrukt in ‘c-statistic’ per CCS-diagnosegroep.De procentuele verschillen in uitkomst tussen de modellen 1 en 2 werden berekend met de formule SMRdelta = (SMRmodel 2/SMRmodel 1 - 1) × 100%. Deze verschillen werden weergegeven in een frequentieverdeling. Hetzelfde gebeurde voor de HSMRs.

Resultaten

Wij analyseerden 48 CCS-diagnosegroepen die een zinvolle splitsing in hoogrisico- en laagrisico-ICD-9-codes toelieten. Het ging hierbij om 2.851.973 opnamen met 149.279 sterfgevallen. Van twee CCS-diagnosegroepen, ‘prostaatkanker’ en ‘aspiratiepneumonie door voedsel of braken’, was splitsing niet zinvol en deze vielen dus af.


Hoo

fdst

uk6


93

Ratio’s van gestandaardiseerde sterftecijfers

Figuur 1 toont een puntendiagram met de ratio’s van hoogrisico- en laagrisico-gestandaardiseerde sterftecijfers voor 48 CCS-groepen voor beide modellen. Bij model 1 weken 40 van de 48 ratio’s statistisch significant af van de waarde 1 en bij model 2 weken 25 ratio’s af. De afwijkingen van model 1 waren zichtbaar groter dan die van model 2.

0

1

2

3

4

5

6

7

8

9

10

0 4 8 12

16

20

24

28

32

36

40

44

48

ratio

48 ccs-diagnosegroepen model 1 model 2

FIgUUR 1 Puntendiagram van de verhouding (ratio) in gestandaardiseerd sterftecijfer tussen patiënten met een hoogrisico-diagnose en die met een laagrisico-diagnose, bere-kend volgens een landelijk gebruikt model (ruit) of volgens een model aangepast aan de ziekenhuismortaliteit in Nederland (vierkant).

Verschillen in HSMR en SMR

Wij berekenden de procentuele verschillen tussen SMRs (SMRdelta) voor 48 diagnosegroepen en 84 ziekenhuizen; dit leverde 4032 uitkomsten op. Figuur 2 geeft de frequentieverdeling van de verschillen.Op dezelfde wijze maakten wij een frequentieverdeling van de verschillen tussen de HSMRs van de 84 ziekenhuizen, berekend met model 1 en model 2, zie figuur 3. De uiterste waarden van de SMRdelta waren -63% en 202% (SD: 14,6). De uiterste waarden van de HSMRs waren -6,7% en 4,3% (SD: 2,0).

Voor beide modellen werd de ‘c-statistic’ per CCS-diagnosegroep bepaald, zie tabel 2. Bij 38 diagnosegroepen vertoonde model 2 een hogere c-statistic dan model 1; de verschillen varieerden van 0,1% tot 17,5%. Bij 8 diagnosegroepen was


De HSMR beproefd

94

de c-statistic van model 2 wat lager.

1

10

100

1000

10000 -7

0% to

t -60

%

-60%

tot -

50%

-50%

tot -

40%

-40%

tot -

30%

-30%

tot -

20%

-20%

tot -

10%

-10%

tot

0%

0%

tot 1

0%

10%

tot 2

0%

20%

tot 3

0%

30%

tot 4

0%

40%

tot 5

0%

50%

tot 6

0%

60%

tot 7

0%

70%

tot 8

0%

80%

tot 9

0%

> 9

0%

freq

uent

ies

(loga

ritm

isch

e sc

haal

)

relatieve verandering SMRs

FIGUUR 2 Frequentieverdeling van SMRdelta: het verschil in de SMR berekend met model 1 en de SMR berekend met model 2, uitgedrukt als procentuele verandering ten opzichte van de SMR van model 1. Verschillen zijn berekend voor 48 diagnosegroepen voor 84 zie-kenhuizen (totaal: 4032 verschillen).

- 7% tot - 6%1 0,93-0,94 - 6% tot - 5%1 0,94-0,95 - 5% tot - 4%1 0,95-0,96 - 4% tot - 3%4 0,96-0,97 - 3% tot - 2%3 0,97-0,98 - 2% tot - 1%9 0,98-0,99 - 1% tot 0%# 0,99-1 0% tot 1%# 1-1,01 1% tot 2%# 1,01-1,02 2% tot 3%6 1,02-1,03 3% tot 4%2 1,03-1,04 4% tot 5%2 1,04-1,05

Eindtotaal#

0

5

10

15

20

25

- 7%

tot -

6%

- 6%

tot -

5%

- 5%

tot -

4%

- 4%

tot -

3%

- 3%

tot -

2%

- 2%

tot -

1%

- 1%

tot 0

%

0%

tot 1

%

1%

tot 2

%

2%

tot 3

%

3%

tot 4

%

4%

tot 5

%

freq

uent

ie

relatieve verandering HSMRs

FIGUUR 3 Frequentieverdeling van het verschil in de HSMR van 84 ziekenhuizen bere-kend volgens 2 modellen: het gebruikelijke model 1 en het aangepaste model 2. Het ver-schil werd uitgedrukt als procentuele verandering ten opzichte van de HSMR berekend met model 1.


Hoo

fdst

uk6


95

Tot slot stelden wij per diagnosegroep vast bij hoeveel ziekenhuizen de SMR volgens het ene model wees op een statistisch significant hogere of lagere sterfte en volgens het andere model niet, zie tabel 2. Model 1 gaf bij 391 van de 4032 SMRs aan dat de sterfte statistisch significant verhoogd was ten opzichte van het gemiddelde. Bij 87 hiervan (22%) was de sterfte volgens model 2 niet hoger dan gemiddeld. Model 2 gaf bij 352 SMRs significant hogere sterfte aan; bij 48 hiervan (14%) was de sterfte volgens model 1 niet verhoogd.

taBel 2 Voorspellende waarde van twee modellen voor berekening van ‘standardised mortality ratios’ (SMRs), uitgedrukt als ‘c-statistic’* per diagnosegroep en significantie–scores van de twee modellen.

ccS-code

ccS-diagnosegroep c-statistic * per diagnosegroep

verschillen in SMR-uitslagen ‡

lage sterfte hoge sterftemodel

1 †model

2 †1: niet2: wel

1: wel2: niet

1: niet2: wel

1: wel2: niet

2 sepsis (behalve tijdens bevalling) 0,720 0,760 0 2 2 212 slokdarmkanker 0,723 0,723 1 0 0 113 maagkanker 0,735 0,731 0 1 2 214 colonkanker 0,779 0,776 1 3 2 115 kanker van rectum of anus 0,775 0,772 0 0 0 217 alvleesklierkanker 0,688 0,688 0 0 0 019 longkanker/bronchuskanker 0,793 0,792 0 0 0 424 borstkanker 0,921 0,918 3 6 3 332 blaaskanker 0,859 0,873 1 4 2 138 non-hodgkinlymfoom 0,792 0,793 0 1 2 039 leukemie 0,772 0,775 0 0 0 142 secundaire maligniteiten 0,744 0,748 0 1 0 144 niet nader gespec. tumoren/tumo-

ren van onzekere aard0,808 0,812 3 1 2 3

50 diabetes mellitus met complicatie 0,804 0,821 0 2 0 255 aandoeningen van vocht- en elek-

trolythuishouding0,770 0,796 1 1 0 1

59 deficiënties en andere anemie 0,741 0,757 1 0 0 085 coma, stupor en hersenbescha-

diging0,615 0,790 0 2 0 1

96 hartklepaandoeningen 0,759 0,781 3 3 0 0100 acuut myocardinfarct 0,716 0,743 2 4 3 4101 coronaire atherosclerose en ove-

rige hartaandoeningen0,751 0,786 2 4 0 1

103 pulmonale hypertensie 0,741 0,755 0 2 1 3108 hartfalen, zonder hypertensie 0,636 0,638 5 2 1 4109 acute cerebrovasculaire aandoe-

ning0,730 0,744 0 2 1 1

114 perifere en viscerale atheroscle-rose

0,876 0,909 1 3 3 13

115 aneurysmata van aorta en perifere en viscerale arteriën

0,839 0,874 1 2 4 3

116 trombose van aorta en perifere en viscerale arteriën

0,869 0,881 0 1 0 3


De HSMR beproefd

96

117 overige circulatoire aandoeningen 0,778 0,841 2 3 0 1122 pneumonie 0,750 0,752 0 1 0 1127 COPD en bronchitus 0,666 0,698 1 4 0 2

130 pleuritis, pneumothorax, klaplong 0,805 0,815 0 1 0 0133 overige aandoeningen van de lage

luchtwegen0,822 0,851 2 2 1 0

145 darmobstructie zonder hernia 0,796 0,814 0 0 0 1146 diverticulose en diverticulitis 0,805 0,812 0 0 1 2149 galwegaandoening 0,906 0,898 0 0 1 1150 leveraandoening, alcoholgerela-

teerd0,666 0,679 1 0 1 2

151 overige leveraandoeningen 0,665 0,772 2 1 3 4153 gastro-intestinale bloeding 0,707 0,739 2 2 0 2155 overige gastro-intestinale aandoe-

ningen0,862 0,910 1 1 1 2

157 acuut en niet-gespecificeerd nier-falen

0,716 0,722 0 0 2 0

158 chronisch nierfalen 0,850 0,851 0 1 1 0159 urineweginfectie 0,817 0,816 0 1 0 0226 heupfractuur 0,725 0,722 1 0 1 0233 intracraniaal letsel 0,836 0,940 4 11 2 2237 complicatie van apparatuur, im-

plantaat of transplantaat0,798 0,823 0 1 0 2

238 complicatie chirurgische proce-dure of medische zorg

0,779 0,830 0 3 0 2

249 shock 0,715 0,717 1 0 0 0totaal 46 88 48 87

* ’C-statistic’ geeft aan hoe goed een regressiemodel voorspelt. Bij een waarde van 0,5 heeft het model geen voorspellende waarde, bij 1,0 is de voorspellende waarde perfect.†Model1ishetgebruikelijkemodelvoordeberekeningvande‘standardizedmortalityratio’(SMR),gebaseerd op sterfterisico’s volgens de WHO. Model 2 is een aangepast ‘Nederlands’ model, geba-seerd op ziekenhuismortaliteit in Nederland.‡ Per diagnosegroep werden SMR’s van 84 ziekenhuizen berekend. Weergegeven zijn de aantal-len ziekenhuizen waarbij de SMR volgens het ene model wees op een significant lagere of hogere sterfte dan gemiddeld, en volgens het andere model niet.

Discussie

In dit hoofdstuk werden de SMR- en HSMR-uitkomsten van twee modellen onderling vergeleken. Deze uitkomsten bleken substantieel te verschillen op het niveau van CCS-diagnosegroepen, zoals te zien aan de volgende waarnemingen:

taBel 2 VervolgccS-code

ccS-diagnosegroep c-statistic * per diagnosegroep

verschillen in SMR-uitslagen ‡lage sterfte hoge sterfte

model 1 †

model 2 †

1: niet2: wel

1: wel2: niet

1: niet2: wel

1: wel2: niet


Hoo

fdst

uk6


97

1. De relatieve verschillen tussen de SMRs van model 1 en die van model 2 varieerden aanzienlijk, van -63% tot 202%. Dit betekent dat het modeltype dat werd toegepast grote invloed had op de waarde van de SMRs van ziekenhuizen, onafhankelijk van de kwaliteit van zorg. Het volgende rekenvoorbeeld laat zien wat de grootte van de relatieve verschillen betekent: stel SMRmodel 1 op 100 SMR-punt; als SMRmodel 2 =50SMR-punt,danbedraagthetverschil-50%,enalsSMRmodel 2 = 200 SMR-punt, dan is het verschil +100%.De standaarddeviatievan de verdeling van relatieve verschillen bedroeg 14,6%; ter vergelijking: de standaarddeviatie van de verdeling van de 4032 SMRs bedroeg 45 SMR-punt.

2. De modellen verschilden bij het aanwijzen van significant hoge sterfte. 22% van de SMRs die volgens model 1 op significant verhoogde sterfte wezen, deden dat niet volgens model 2. Omgekeerd was 14% van de SMRs die volgens model 2 op verhoogde sterfte wezen, volgens model 1 juist niet verhoogd. Dit betekent dat ‘best practices’ – net als rangordes van ziekenhuizen – die gebaseerd zijn op SMR-berekeningen, kunnen verschillen afhankelijk van de modelkeuze.

Op HSMR-niveau waren de verschillen minder sterk dan op SMR-niveau.

Welk model is nu ‘beter’ en waarom? Wij menen dat model 2 een betere, zij het niet perfecte correctie bewerkstelligt in de Nederlandse situatie, op grond van de volgende overwegingen:1. De verdeling van de ratio’s van hoogrisico en laagrisico gestandaardiseerde

sterfte had bij model 2 een geringere spreiding (0,47-1,7) dan bij model 1 (0,35-9,5) en bevatte minder vaak significante afwijkingen van 1 (25 bij model 2 versus 40 bij model 1).

2. De c-statistics van model 2 zijn aanzienlijk beter dan die van model 1.3. De indruksvaliditeit (‘face validity’) van model 1 is beperkt. Zo is in figuur

4 op het eerste gezicht al duidelijk dat de zwaarteklassen volgens model 1 niet correleren met de mortaliteit in Nederlandse ziekenhuizen voor de afzonderlijke diagnoses binnen de CCS-diagnosegroepen ‘Overige circulatoire aandoeningen’ en ‘Overige leveraandoeningen’. Model 2 vertoont wel een goede correlatie. Andere CCS-diagnosegroepen vertonen soortgelijke patronen. Mogelijk verschillen Nederlandse mortaliteitspatronen van die waarop de WHO-zwaarteklassen zijn gebaseerd.

HSMRs en SMRs worden steeds vaker gebruikt bij het verbeteren van kwaliteit van zorg in ziekenhuizen. Vooral diagnosegroepen met significant hoge sterfte worden kritisch doorgelicht door zorgprofessionals. Hierbij is van belang dat de juiste diagnosegroepen worden aangepakt. Uit ons onderzoek blijkt dat het huidige model (2010) voor Nederland niet adequaat corrigeert voor casemixverschillen binnen CCS-diagnosegroepen. Daardoor kan een substantieel aantal SMRs ten onrechte


De HSMR beproefd

98

aangemerkt worden als statistisch significant hoger dan het gemiddelde. Omgekeerd wordt ook een substantieel aantal SMRs aangemerkt als niet-significant verhoogd, terwijl de verhoging vermoedelijk wél statistisch significant is. Ziekenhuizen hebben derhalve nog onvoldoende zicht op sterke en zwakke punten van de verleende zorg. Bij de analyse van gestandaardiseerde ziekenhuissterftecijfers in de rapportages over 2007-2009 dient men hierop bedacht te zijn; tabel 2 kan hierbij helpen.

0

1

2

3

4

5

6

7

0,1% 1,0% 10,0% 100,0%

zwaa

rtek

lass

e

Waargenomen mortaliteit voor ICD-9 diagnosen; betreft ccs-groep 117 (logaritmische schaal)

model 1 model 2

0

1

2

3

4

5

6

7

0,1% 1,0% 10,0% 100,0%

zwaa

rtek

lass

e

Waargenomen mortaliteit voor ICD-9 diagnosen; betreft ccs-groep 151 (logaritmische schaal)

model 1 model 2

FIgUUR 4 Verband tussen de mortaliteit en de zwaarteklasse volgens model 1 (ruit) en model 2 (vierkant) van ICD-9-diagnosen in (a) de diagnosegroep ‘117 Overige circulatoire aandoeningen’ en (b) de diagnosegroep ‘151 Overige leveraandoeningen’.

In dit onderzoek bleek één bron van ongecorrigeerde variatie de uitkomsten van SMR- en HSMR-berekeningen al te kunnen vertekenen. Eerder onderzoek heeft laten zien dat variaties in codering,5 het effect van bijzondere medische verrichtingen,7 de onvergelijkbaarheid van context,8 variaties in ziekenhuissterfte van terminaal geïndiceerde patiënten13 en het effect van heropnamen14 eveneens van invloed kunnen zijn op de HSMR van een ziekenhuis. Daarom is er behoefte aan een beter inzicht in de aard en impact van ongecorrigeerde variatiebronnen voordat men de HSMR-methodiek betekenisvol kan inzetten, zoals bij het werken aan verbetering van kwaliteit en patiëntveiligheid in ziekenhuizen. Deze behoefte wordt steeds groter naarmate het HSMR-model verder wordt ontwikkeld en de besluitvorming rond openbaarmaking van het gestandaardiseerde ziekenhuissterftecijfer voortschrijdt.

conclusies

Het huidige HSMR-model voor Nederland corrigeert ook op nationaal niveau onvoldoende voor casemixverschillen op het niveau van ICD-9-hoofddiagnoses. Gebleken is nu dat de oorzaak hiervan samenhangt met een inadequate


Hoo

fdst

uk6


99

indeling van ICD-9-codes in zwaarteklassen. Een betere correctie wordt mogelijk na aanpassing van deze indeling op geleide van de ziekenhuismortaliteit in Nederland. Bij vergelijking van SMR-waarden volgens het oorspronkelijke model en volgens een nieuwe berekening springen substantiële verschillen op CCS-diagnosegroepsniveau in het oog. Op ziekenhuisniveau (HSMR-waarden) zijn de verschillen beperkt. Ter verbetering van het HSMR-model bevelen wij aan de zwaarteklassenindeling te baseren op de Nederlandse ziekenhuismortaliteit.

literatuur

1. Inspectie voor de Gezondheidszorg. Veiligheidsindicatoren ziekenhuizen 2010 t/m 2012. Utrecht: IGZ; 2010.

2. Tweede Kamer der Staten-Generaal. Antwoorden op kamervragen van Koser Kaya over het bericht dat ziekenhuizen zwijgen over hun sterftecijfers. Aanhangsel der Handelingen. 2008-2009, 1422. Den Haag: SDU, 2009.

3. Sterftecijfer nog niet publiek in 2010. Med Contact. 2009;64:1320.4. Sterftecijfers: ja of nee? Elsevier, 24 oktober 2009.5. Bosch WF van den, Roozendaal KJ, Silberbusch J, Wagner C. Variatie in codering

patiëntgegevens beïnvloedt gestandaardiseerd ziekenhuissterftecijfer (HSMR). Ned Tijdschr Geneeskd. 2010;154:A1189.

6. Pieter D, Kool RB, Westert GP. Beperkte invloed gegevensregistratie op gestandaardiseerd ziekenhuissterftecijfer (HSMR). Ned Tijdschr Geneeskd. 2010;154:A2186

7. Bosch WF van den, Graafmans WC, Pieter D, Westert GP. Hartcentra en het effect van bijzondere medische verrichtingen op de gestandaardiseerde ziekenhuissterfte. Ned Tijdschr Geneeskd. 2008;152:1221-7.

8. Mohammed MA, Deeks JJ, Girling A, et al. Evidence of methodological bias in hospital standardised mortality ratios: retrospective database study of English hospitals. BMJ. 2009;338:b780.

9. Lilford R, Mohammed MA, Spiegelhalter D, Thomson R. Use and misuse of process and outcome data in managing performance of acute medical care: avoiding institutional stigma. Lancet. 2004;363:1147-54.

10. Penfold RB, Dean S, Flemons W, Moffatt M. Do hospital standardized mortality ratios measure patient safety? HSMRs in the Winnipeg Regional Health Authority. Healthc Pap. 2008;8:8-24.

11. Pleizier CM, Geerlings W, Pieter D, Boiten J. Patiëntenmix beïnvloedt HSMR. Medisch Contact. 2010;65:1777-9.

12. Jarman B, Pieter D, Veen AA van der, et al. The Hospital Standardised Mortality Ratio: a powerful tool for Dutch hospitals to assess their quality of care? (2009). Qual Saf Health Care. 2010;19:9-13.

13. Black N. Assessing the quality of hospitals. BMJ. 2010;340:c2066.14. Bosch WF van den, Kelder HC, Wagner C. Predicting hospital mortality among frequently

readmitted patients: HSMR biased by readmission. BMC Health Serv Res. 2011;11:57.


7 aaRD Van VaRIatIe In HeROPnaMen

Dit hoofdstuk werd gepubliceerd als:Bosch WF van den, Kelder HC, Wagner C. Predicting hospital mortality among frequently readmitted patients: HSMR biased by readmission. BMC Health Serv Res 2011;11:57.


De HSMR beproefd

102

Samenvatting

AchtergrondHet HSMR-model anno 2010 houdt geen rekening met de effecten van heropname, want betrouwbare data over heropnamen zijn niet beschikbaar in de gebruikte standaardregistratie. Wij hebben de invloed van heropnamen onderzocht door het koppelen van opnamen van dezelfde patiënt. Zodoende konden wij ziekenhuissterfte vergelijken tussen frequent opgenomen patiënten en niet frequent opgenomen patiënten. Wij formuleerden ook een methode om te corrigeren voor heropnamen bij het berekenen van de HSMR.

MethodeWij hebben een longitudinale retrospectieve studie gedaan aan de hand van de LMR van zes topklinische ziekenhuizen in Nederland, met HSMR-waarden die varieerden van 65 tot 114 en een gecombineerde waarde van 93 over een periode van vijf jaar. Het betrof 240.662 patiënten die in totaal 418.566 keer werden opgenomen in de periode 2003 t/m 2007. De voorspelde sterfte over deze vijf jaar, zoals berekend door het in 2008 in Nederland gebruikte HSMR-model, vergeleken wij met de waargenomen sterfte.

ResultatenBij onderlinge vergelijking van de ziekenhuizen bleek het gemiddeld aantal heropnamen substantieel te variëren, maximaal met een factor 2. Er was een sterk verband tussen het aantal heropnamen per patiënt en de door de HSMR voorspelde sterftekans. De waargenomen sterfte voor regelmatig opgenomen patiëntengroepen bleek significant lager dan de door de HSMR voorspelde sterfte. De oorzaak hiervan hing samen met ongecorrigeerde factoren die verband hielden met heropnamen.

ConclusiesFrequent opgenomen patiënten vertonen gemiddeld een lager sterfterisico per opname, vergeleken met niet frequent opgenomen patiënten. Deze terugloop in risico wordt slechts ten dele gedetecteerd door het huidige HSMR-model. Bij het vergelijken van frequent opgenomen patiënten met niet frequent opgenomen patiënten, blijkt de impliciete aanname van gelijke risico’s voor beide groepen, onjuist. Dit heeft een HSMR-verlagend effect voor ziekenhuizen met relatief veel frequent opgenomen patiënten en een HSMR-verhogend effect voor ziekenhuizen met relatief weinig frequent opgenomen patiënten. Dit misleidende effect wordt zichtbaar over een langere periode, maar heeft een permanente uitwerking,


Hoo

fdst

uk7

aard van variatie in heropnamen

103

ook over kortere periodes. Deze uitkomst is relevant voor alle landen waar ziekenhuizen de HSMR gebruiken voor het monitoren en verbeteren van kwaliteit van zorg. Het gebruik van ‘opnamefrequentie’ als extra correctievariabele kan een meer accurate HSMR opleveren.

Inleiding

Variaties in ruwe ziekenhuissterfte kunnen samenhangen met verschillende bronnen van variatie, zoals variatie in registratie, casemix, kwaliteit van zorg en toeval.1 Zoals in voorgaande hoofdstukken aan de orde is geweest kan voor casemix gecorrigeerd worden door het toepassen van de HSMR dat als startpunt kan dienen voor het verbeteren van de ziekenhuisprestaties.2 Ook het openbaar maken van de HSMR is actueel,3 maar blijkt tevens weerstand op te roepen. 4,5 Sommige publicaties noemen Nederland als een van de landen waar de HSMR publiekelijk beschikbaar zou zijn,6,7 of stellen dat daar modeltechnisch geen bezwaar tegen zou zijn.8 Echter tot en met 2010 zijn de HSMRs niet openbaar gemaakt.9,10

Een van de bevindingen van deze laatste studie10 betreft verschillen tussen ziekenhuizen met betrekking tot het gemiddeld aantal heropnamen per patiënt, gemeten over een periode van meerdere jaren. De huidige versie van het HSMR-model in Nederland corrigeert niet voor enige vorm van heropname. Het Engelse HSMR-model corrigeert wel voor heropnamen die acuut van aard zijn, maar niet over een periode van meerdere jaren.Het verband tussen heropnamen en de HSMR wordt benoemd in een publicatie van Jarman.11 Het effect van het corrigeren voor heropnamen beschrijft hij als volgt: “ ….There is also not much difference between normal HSMRs based on all admissions and those based on only one (e.g., the last) admission in a year. ….”. Wij leggen deze bevinding als volgt uit: als een patiënt in een jaar meer dan eens het ziekenhuis bezoekt, dan kan één willekeurige opname in dat jaar de bijdrage van die patiënt aan de HSMR van dat jaar representeren. Het gebruik van een beperkt deel van de opnamehistorie van een patiënt zou gemiddeld geen verschil maken voor de HSMR van dat ziekenhuis. Dit suggereert dat correctie voor heropname niet zinvol zou zijn. Wij vragen ons hierbij echter af of een periode van één jaar voldoende lang is om de effecten van heropnemen te meten en of alle risicocondities rond heropnamen adequaat geadresseerd kunnen worden. In een meer recente publicatie adresseert Jarman2 wel de behoefte aan onderzoek naar het effect van heropnamen: “ … further improvements to the casemix model are being evaluated. The numbers of previous admissions within a given time period,


De HSMR beproefd

104

which requires the linking of admissions of the same patient, could be of potential use….”. In dit hoofdstuk laten wij zien in hoeverre het aantal voorgaande opnamen van een patiënt binnen een zekere tijdsperiode invloed heeft op de HSMRs van ziekenhuizen en wat we kunnen doen om het HSMR-model te verbeteren.Om een eerlijke vergelijking te kunnen maken tussen ziekenhuizen is het nodig te corrigeren voor verschillen in patiëntspecifieke risicofactoren, aangeduid als de ‘casemix’. Deze risico’s kunnen echter verschillend uitpakken bij verschillende ziekenhuizen. Het negeren van dit niet constante niveau van risico’s tussen ziekenhuizen kan dan tot een misleidende vergelijking leiden (‘constant risk fallacy’). Als we de resterende (onverklaarde) variatie in de HSMR in dat geval zouden toeschrijven aan variatie in de kwaliteit van zorg, dan is de correctie voor casemix misleidend geweest (‘case-mix adjustment fallacy’).1,12 Een voorbeeld van dit fenomeen, toegepast op de Engelse HSMR, is beschreven door Mohammed e.a.6 Hierbij bleken de uitkomsten van twee casemixvariabelen – comorbiditeit en opname-urgentie – sterk beïnvloed door verschillen in ziekenhuizen. Deze effecten konden verklaard worden door optredende verschillen bij het coderen en verschillen in de manier waarop patiënten opgenomen werden, en niet door verschillen in kwaliteit van zorg. Wij leren hieruit dat correctievariabelen voor verschillende ziekenhuizen een verschillende betekenis kunnen hebben. Aangezien de correctie voor variabelen gebaseerd is op opnamen, kunnen we ons nu afvragen of de praktijk van opname en heropnamen van dezelfde patiënt ook onderhevig kan zijn aan deze misleidende vorm van vergelijken. Ofwel, heeft de opname van een patiënt voor het ene ziekenhuis dezelfde betekenis als voor een ander, als dat ziekenhuis ‘dezelfde patiënt’ zou hebben opgenomen? Meer toegespitst op onze studie: zijn de risicocondities hetzelfde voor een patiënt die slechts eenmaal opgenomen wordt, vergeleken met een gelijksoortige patiënt die regelmatig opnieuw opgenomen wordt? Wij hebben dit geanalyseerd aan de hand van de volgende onderzoeksvragen, met gebruik van de HSMRs van de zes Santeon ziekenhuizen.1. Zijn er substantiële verschillen in het gemiddeld aantal heropnamen tussen

de zes ziekenhuizen binnen een vaste tijdsperiode?2. Is er een significant verband tussen HSMRs en het gemiddelde aantal

heropnamen per patiënt per ziekenhuis?3. Verandert de casemix als het aantal heropnamen toeneemt en zo ja, hoe

verandert die?4. Hoe kunnen we corrigeren voor heropnamen, teneinde meer accurate

HSMRs en SMRs op diagnosegroepsniveau (‘standardised mortality ratios’) te verkrijgen?


Hoo

fdst

uk7


105

Methode

Setting

De HSMRs van de zes Santeon-ziekenhuizen variëren van 65 (gunstig) tot 114 (niet gunstig), berekend over de jaren 2003 t/m 2007 en een overall HSMR-waarde van 93, zie tabel 1. De Santeon-ziekenhuizen bestrijken circa 10% van de Nederlandse ziekenhuiszorg, in termen van klinisch opnamen en dagbehandelingen. De in deze studie gebruikte dataset betrof een selectie van de ‘landelijke medische registratie’ (LMR) met data van de zes Santeon-ziekenhuizen over de jaren 2003 t/m 2007. De zes Raden van Bestuur van de ziekenhuizen hebben hiervoor hun toestemming verleend.

taBel 1 Aantal opnamen en HSMR van Santeon-ziekenhuizen over de jaren 2003 t/m 2007.

ziekenhuis San-teon-

a B c D e F waardeaantal opnamen over de jaren 2003 t/m 2007

114.714 78.417 46.322 66.802 61.333 50.978 418.566

HSMR-waarde over de jaren 2003 t/m 2007

96 114 82 65 109 94 93

95 % betrouwbaar-heids-interval

(93 - 99) (110 - 118) (78 - 86) (62 - 67) (105 - 113) (90 - 99) (91 - 94)

* De ziekenhuizen zijn in willekeurige volgorde gelabeld van A tot en met F.

HSMR-model gebruikt in deze studie

Bij het Nederlandse HSMR-model 2008 (DHM-2008) dat is toegepast in dit hoofdstuk, wordt gecorrigeerd voor leeftijd, geslacht, opname-urgentie, opnameduur, jaar van ontslag, sociaal-economische status, comorbiditeit en CCS-diagnosegroep, gebaseerd op ICD-9-codering. Het model is beschreven door Jarman2 en lijkt op het Engelse model. Verschillen met het Engelse model betreffen: het meetellen van dagbehandelingen (niet gebruikt in de UK) en het gebruik van 50 CCS-diagnosegroepen in Nederland (gebaseerd op ICD-9-codering) versus 56 CCS-diagnosegroepen (gebaseerd op ICD-10-codering) in UK waarvan 42 gemeenschappelijk. Verder corrigeert het Engelse model nog voor palliatieve zorg, herkomst en het aantal voorgaande acute opnamen; DHM-2008 corrigeert voor geen van deze drie. De HSMR-berekeningen werden uitgevoerd door Prismant.


De HSMR beproefd

106

Definitie van heropname

De term ‘heropname’ wordt vaak gebruikt voor ongeplande heropnamen binnen een beperkte tijdsperiode, bijvoorbeeld 30 dagen, die het (ongewenste) gevolg zijn van de voorgaande behandeling. Geplande heropnamen zijn een andere veelvoorkomende vorm van het heropnemen van patiënten, in het bijzonder voor patiënten met een chronische aandoening, bijvoorbeeld een oncologische aandoening. In het laatste geval kan de behandeling een langere periode betreffen, zelfs een aantal jaren. Ook komt het voor dat een patiënt het ziekenhuis bezoekt voor behandeling van een andere ziekte dan die tijdens een voorgaand bezoek; ook in dit geval zou men kunnen spreken van een heropname. In ons onderzoek beschouwen wij al deze gevallen als ‘heropname’ van dezelfde patiënt over de onderzoeksperiode van vijf jaar. Wij adopteerden de term ‘nde opname’ 13, die volgens de definitie betrekking heeft op opnamen na de zesde opname, waarbij ‘n’ een geheel getal is, beginnend bij 7. Wij gebruikten de term ook voor n=1,2,…6.

Vaststellen van de nde opname van een patiënt

Gegevens met betrekking tot opnamen van patiënten worden standaard gecodeerd door ziekenhuizen in Nederland en jaarlijks verzameld in het centrale bestand van de ‘landelijke medische registratie’, de LMR. In het algemeen worden heropnamen hierin niet adequaat geregistreerd. Om aan de hand van opnamegegevens uit de LMR vast te kunnen stellen dat een patiënt voor de nde keer wordt opgenomen in een zeker ziekenhuis, hebben wij gebruik gemaakt van de ontslagdatum, in combinatie met het binnen een ziekenhuis unieke patiëntidentificatienummer.

Opnamefrequentie

Bij de HSMR-berekening wordt per opname een sterftekans bepaald, gebaseerd op de bij die opname behorende waarden van de regressievariabelen. Het model beschouwt iedere opname als een onafhankelijk kansexperiment, vergelijkbaar met het gooien van een dobbelsteen, gescheiden van voorgaande opnamen. De som van de sterftekansen van alle opnamen vormt de noemer van de HSMR voor het ziekenhuis. De opname is de basisbouwsteen voor het representeren van risicocondities die gepaard gaan met één enkele ziekenhuisopname van een patiënt. Echter, bij het vergelijken van ziekenhuissterfteratio’s over een zeker tijdsinterval is men niet uitsluitend geïnteresseerd in de kwaliteit van


Hoo

fdst

uk7


107

individuele opnamen, maar ook in de kwaliteit van het eindresultaat. Werd de patiënt aan het eind levend ontslagen na een aantal successieve opnamen? Het draait voor de ziekenhuizen uiteindelijk om de patiënt, waarvoor zij een zorgverantwoordelijkheid dragen. Ten behoeve van ons onderzoek introduceren wij een nieuwe risicovariabele, die afhangt van alle opnamen van de patiënt gedurende het onderzochte tijdsinterval en daarmee een verband legt tussen de genoemde onafhankelijke kansexperimenten. Aangezien risicocondities gekoppeld kunnen zijn aan hoe vaak een patiënt in totaal wordt opgenomen, delen wij iedere patiënt in een aparte patiëntenklasse P(m) in, waarbij:

Opnamefrequentie m = het aantal malen dat een patiënt werd opgenomen gedurende een vast tijdsinterval.

(Soms werken we met het aantal malen dat een patiënt werd opgenomen na de eerste opname; in dat geval gebruiken we de term ‘heropnamefrequentie’ =m-1).De tweede onderzoeksvraag test het sterftevoorspellend vermogen van het huidige HSMR-model voor deze klassen. Afhankelijk van deze uitkomst kunnen wij dan concluderen in hoeverre de nieuwe variabele een verrijking is voor het HSMR-model. Dit idee is wel geopperd door Jarman,2 maar voor zover wij weten niet verder onderzocht.

Opnameview versus patiëntview

De gebruikte dataset met 418.566 opnamen kan op verschillende manieren worden onderverdeeld in doorsneden. Wij hebben sterfterisico’s onderzocht, gebruikmakend van de volgende twee doorsneden die ‘haaks op elkaar staan’. Hierbij gebruiken wij de term ‘views’, om aan te geven dat er langs verschillende dimensies gekeken kan worden naar de data.• Opnameview: deze view is gebaseerd op een indeling met nde opnameklassen

O(n) waarbij O(1), O(2), … alle eerste opnamen, alle tweede opnamen, …. representeren. Bijvoorbeeld: iedere patiënt in klasse O(3) komt met één opname precies eenmaal voor in klasse O(3), maar dan dus ook eenmaal in O(2) en ook eenmaal in O(1) , wegens voorgaande opnamen.

• Patiëntview: deze view is gebaseerd op opnamefrequentieklassen P(m), waarin alle opnamen van een patiënt zijn opgenomen die precies m maal werd opgenomen in hetzelfde ziekenhuis gedurende de vijfjaar studieperiode. Bijvoorbeeld: iedere patiënt in klasse P(3) komt daarin voor met precies drie opnamen, maar in andere P-klassen komt hij niet voor. Zodoende worden patiënten die even vaak zijn opgenomen, geclusterd in dezelfde klasse,


De HSMR beproefd

108

gescheiden van patiënten die in totaal vaker of minder vaak zijn opgenomen. Dit in tegenstelling tot de opnameklassen O(n), waarbij één patiënt in vele klassen eenmaal kan voorkomen. Bijvoorbeeld: iedere patiënt komt precies eenmaal voor in klasse O(1).

Het berekenen van sterftecijfers

Wij berekenden achtereenvolgens: ruwe mortaliteit, voorspelde mortaliteit gebaseerd op DHM-2008 en gestandaardiseerde sterfteratio’s, door het toepassen vandeHSMR-formulevooriedereklasseP(m)enO(n)voorm,n=1,2,3,…Teneindevoldoende ‘power’ te bewaren hebben wij de resultaten van de hogere (m>4) klassenP(m)alsvolgtgecombineerd:m=5-6ineengroep,m=7-9ineengroep,m=10-20ineengroep,enm>20ineengroep.Analoogvoordewaardenvannen de groepering van O(n). Voor de gestandaardiseerde sterfteratio’s berekenden wij ook de 95% betrouwbaarheidsintervallen. Wij onderzochten de samenhang tussen de waargenomen en de voorspelde uitkomsten, en de ‘goodness of fit’ voor beide views.

Resultaten

Gedurende het onderzoeksinterval van vijf jaar werden 240.662 patiënten in totaal 418.566 maal opgenomen. Bij 164.884 patiënten (69% van alle patiënten) betrof het een eenmalige opname. De overige 75.778 patiënten (31% van alle patiënten) die meer dan eens werden opgenomen, waren goed voor 253.682 opnamen (61% van alle opnamen), waarvan 177.904 heropnamen (43% van alle opnamen).

Variaties in opnamefrequentie

Wij onderzochten de verdeling van de opnamefrequenties per patiëntenklasse P(m)perziekenhuis,zietabel2.Voorm=1heeftziekenhuisBrelatiefhethoogsteaantal opnamen (46% van eigen totaal), ziekenhuis D het laagste aantal (29%). Voor de patiëntenklassen P(m>7) blijkt ziekenhuis D hoge scores te hebben. Bijvoorbeeld: 9% van de opnamen van dat ziekenhuis betrof opnamen van patiënten die in totaal meer dan 20 maal werden opgenomen, terwijl dat percentage bij ziekenhuizen E en F 0,6% bedroeg. Wij onderzochten ook de variatie tussen ziekenhuizen van het gemiddelde van de opnamefrequentie op het niveau van de twaalf hoofddiagnosegroepen, zie figuur 1.


Hoo

fdst

uk7


109

taBel 2 Verdeling van het aantal (her)opnamen over patiëntviewklassen m voor ieder van de zes ziekenhuizen.

percentage opnamen van het totaal aantal opnamen per ziekenhuis patiëntviewklasse a B c D e F SanteonP(m=1) 39,1% 46,0% 37,7% 29,3% 38,9% 45,3% 39,4%P(m=2) 19,0% 20,8% 20,5% 17,3% 22,4% 21,2% 20,0%P(m=3) 10,2% 10,3% 12,3% 10,6% 12,6% 11,2% 11,0%P(m=4) 6,2% 6,3% 8,2% 6,6% 7,4% 6,8% 6,8%P(m=5,6) 7,4% 6,5% 9,4% 8,1% 8,8% 7,3% 7,8%P(m=7-9) 5,8% 4,6% 5,8% 6,7% 5,2% 4,4% 5,5%P(m=10-20) 7,7% 3,9% 4,7% 12,2% 4,2% 3,2% 6,3%P(m>20) 4,6% 1,6% 1,5% 9,1% 0,6% 0,6% 3,3%Totaal 100% 100% 100% 100% 100% 100% 100%

* Ziekenhuizen zijn getoond in willekeurige volgorde, gelabeld van A tot en met F.

0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5

Nieuwvormingen; totaal heropn. = 55.642

Hartaandoeningen; totaal heropn. = 46.837

Ademhalingsziekten; totaal heropn. = 19.174

Gastro-intestinale ziekten; totaal heropn. = 14.417

Complicaties; totaal heropn. = 12.476

Metabole ziekten, shock etc; totaal heropn. = 11.987

Perifere vasculaire ziekten; totaal heropn. = 8.399

Nierziekten; totaal heropn. = 4.096

Acute cerebrovasculaire aand; totaal heropn. = 2.411

Heupfractuur; totaal heropn. = 1.435

Sepsis; totaal heropn. = 542

Intracraniaal letsel; totaal heropn. = 488

Totaal heropnamen=177.904

heropnamefrequentie

hoof

ddia

gnos

egro

ep

A

B

C

D

E

F

FIgUUR 1 Verdeling van het aantal heropnamen gedeeld door het aantal patiënten per ziekenhuis per CCS-hoofddiagnosegroep. De grafiek toont het gemiddeld aantal herop-namen. De zes ziekenhuizen zijn gelabeld van A tot en met F. Voor iedere hoofddiagno-segroep is ook het aantal heropnamen getoond, bijvoorbeeld: nieuwvormingen telden in totaal 55.642 heropnamen.

De eerste drie hoofddiagnosegroepen – nieuwvormingen, hartaandoeningen en ademhalingsziekten – betreffen tezamen tweederde van alle opnamen. Voor deze hoofddiagnosegroepen berekenden wij de ratio tussen het hoogste en het laagste waargenomen ziekenhuisgemiddelde van de heropnamefrequentie. Bij nieuwvormingen verschilden ziekenhuis D (3,3 heropnamen gemiddeld) en


De HSMR beproefd

110

ziekenhuis B (1,1 heropnamen gemiddeld) een factor 3. Bij hartaandoeningen en ademhalingsziekten bedroeg de ratio tussen hoogste en laagste 1,8 respectievelijk 1,7. Over het geheel genomen, zie onderste regel van figuur 1, had ziekenhuis D gemiddeld de hoogste heropnamefrequentie (1,14) en ziekenhuizen B en F gemiddeld de laagste (0,57) - een factor 2 verschil tussen de hoogste en de laagste.

Mortaliteit per patiëntviewklasse en per opnameviewklasse

taBel 3 Mortaliteitsgetallen per patiëntviewklasse m: ruwe mortaliteit per patiënt en per opname, voorspelde mortaliteit per opname.

waargenomen aantal ruwe mortaliteit per DHM-2008 voorspelde

patiënt-viewklasse

patiënten opnamen doden patiënt opname aantal doden mortaliteit per op-name

P(m=1) 164.884 164.884 8.836 5,4% 5,4% 6.971 4,2%

P(m=2) 41.876 83.752 2.868 6,8% 3,4% 3.363 4,0%

P(m=3) 15.356 46.068 1.377 9,0% 3,0% 1.899 4,1%

P(m=4) 7.064 28.256 727 10,3% 2,6% 1.153 4,1%

P(m=5,6)

6.055 32.490 695 11,5% 2,1% 1.302 4,0%

P(m=7-9) 2.938 22.795 404 13,8% 1,8% 820 3,6%

P(m=10-20)

2.063 26.364 265 12,8% 1,0% 714 2,7%

P(m>20) 426 13.957 55 12,9% 0,4% 157 1,1%

Totaal 240.662 418.566 15.227 6,3% 3,64% 16.379 3,9%

* De aantallen betreffen de totalen van de zes ziekenhuizen. De ruwe mortaliteit per patiënt stabili-seert rond de 13% voor patiënten die tien of meer opnamen hebben gehad. De voorspelde mortali-teit per opname verschilt in toenemende mate (hoger) van de waargenomen mortaliteit voor hoge-re patiëntviewklassen. De statistische significantie hiervan wordt getoond in tabel 5 met behulp van de corresponderende gestandaardiseerde mortaliteitsratio’s en 95% betrouwbaarheidsintervallen.

Tabel 3 toont het resultaat van de mortaliteitsberekeningen vanuit het patiëntview perspectief.DerijmetklasseP(m=1)toontdeuitkomstenvooralle164.884patiëntendie precies eenmaal werden opgenomen, rij P(m=2) voor de 41.876 patiëntendie precies tweemaal werden opgenomen, enzovoort. De ruwe mortaliteit per patiëntvoordeeenmaligopgenomenpatiëntenbedraagt5,4%.Voorm=2totenmetm=9zienweeengemiddeldegroei inmortaliteitperpatiëntvanongeveer1%perpatiëntviewklassetoename.Vanm=10totenmetm>20vertoontderuwemortaliteit per patiënt geen verhoging meer en treedt hierin een stabilisatie op van


Hoo

fdst

uk7


111

rond de 13%. Tabel 3 laat ook zien dat DHM-2008 een daling in de mortaliteit per opnamevoorspeltvan4,2%voorP(m=1)tot1,1%voorP(m>20).Tabel 4 toont de mortaliteitsgetallen vanuit het opnameview perspectief. De rij met O(n=1) toontdeuitkomsten voor alle 240.662 voorde eerstemaal opgenomenpatiënten. Van deze patiënten werden 75.778 patiënten tenminste een tweede maal opgenomen volgens de rij met O(n=2), enzovoort. Met het oplopen vandeopnameklassenO(n=1) totenmetO(n>20),blijktdegemiddeldevoorspeldemortaliteit per opname (binnen de opnameklasse) terug te lopen van 4,1% tot 1,1%.In de patiëntview blijkt het aantal waargenomen sterfgevallen voor eenmalig opgenomenpatiënten(P(m=1)),aanzienlijkhogerdanvoorspeldenvoorP(m=2)tot en met P(m>20) lager dan voorspeld, zie tabel 3. In de opnameviews zijn de verschillen aanzienlijk geringer, zie tabel 4.

taBel 4 Mortaliteitsgetallen per opnameviewklasse: ruwe mortaliteit per opname en voorspelde mortaliteit per opname.

opnameview- waargenomen aantal ruwe mortaliteit door DHM-2008 voorspelde

klasse opnamen doden per opname aantal doden mortaliteit per opname

O(n=1) 240.662 8.836 3,7% 9.783 4,1%

O(n=2) 75.778 2.868 3,8% 2.981 3,9%

O(n=3) 33.902 1.377 4,1% 1.389 4,1%

O(n=4) 18.546 727 3,9% 740 4,0%

O(n=5,6) 19.124 695 3,6% 714 3,7%

O(n=7-9) 12.634 404 3,2% 421 3,3%

O(n=10-20) 12.483 265 2,1% 293 2,2%

O(n>20) 5.437 55 1,0% 57 1,1%

Totaal 418.566 15.227 3,6% 16379 3,9%

* De aantallen betreffen totalen van de zes ziekenhuizen. De voorspelde mortaliteit per opname komt overeen met de waargenomen mortaliteit voor alle opnameview klassen. De statistische sig-nificantie hiervan wordt getoond in tabel 5 met behulp van de corresponderende gestandaardi-seerde mortaliteitsratio’s en 95% betrouwbaarheidsintervallen

Uit de tabellen 3 en 4 kunnen we de gestandaardiseerde sterfteratio’s voor beide views afleiden via het quotiënt van het aantal waargenomen sterfgevallen en de voorspelde sterfte per klasse. Tabel 5 toont het resultaat, inclusief de 95% betrouwbaarheidsintervallen (p<0,0001).


De HSMR beproefd

112

taBel 5 Gestandaardiseerde mortaliteitsratio’s (SMRs) voor de patiëntview en de opna-meview.

patiënt-view-klasse

SMR per patiën-

tiew-klasse

onder-grens

95% BI van SMR

boven-grens 95%

BI van SMR

opname-viewklasse

SMR per opna-

meview-klasse

onder-grens

95% BI van SMR

boven-grens

95% BI van SMR

P(m=1) 126,8 124,1 129,4 O(n=1) 90,4 88,5 92,3

P(m=2) 85,3 82,2 88,5 O(n=2) 96,0 92,5 99,6P(m=3) 72,5 68,7 76,5 O(n=3) 99,2 94,1 104,6P(m=4) 63,1 58,6 67,8 O(n=4) 98,1 91,1 105,5P(m=5,6) 53,4 49,5 57,5 O(n=5,6) 97,4 90,3 104,9P(m=7-9) 49,3 44,6 54,3 O(n=7-9) 95,8 86,7 105,6P(m=10-20) 37,1 32,8 41,8 O(n=10-20) 90,4 79,9 102,0

P(m>20) 34,9 26,3 45,5 O(n>20) 96,1 72,4 125,1

Patient view Admission view

0 10 20 30 40 50 60 70 80 90

100 110 120 130 140

P(m

=1)

P(m

=2)

P(m

=3)

P(m

=4)

P(m

=5, 6

)

P(m

=7-9

)

P(m

=10-

20)

P(m

>20)

O(n

=1)

O(n

=2)

O(n

=3)

O(n

=4)

O(n

=5,6

)

O(n

=7-9

)

O(n

=10-

20)

O(n

>20)

gest

anda

ardi

seer

de s

terf

tera

tios

Patientviewklassen (P(m)) en Opnameviewklassen (O(n))

SANTEON HSMR = 93,0 ( 95% BI 91,5 - 94,5 )

FIgUUR 2 Gestandaardiseerde sterfteratio’s van patiëntviewklassen en opnameviewklas-sen, inclusief de 95% betrouwbaarheidsintervallen. Het Santeon overall HSMR-gemiddel-de bedraagt 93,0 (95% BI: 91,5 – 94,5).

Figuur 2 toont een grafische voorstelling hiervan. In de patiëntview neemt de gestandaardiseerdesterfteratioafvan127(P(m=1))tot35(P(m>20))engeenvande bijbehorende 95% betrouwbaarheidsintervallen bevat de verwachte overall HSMR-waarde van 93,0 (95% BI: 91,5 – 94,5). Dit laat zien dat er een significante interactie optreedt tussen patiëntviewklassen en gestandaardiseerde sterfteratio’s, wat duidt op een gebrek aan ‘HSMR-modelfit’. In de opnameview echter, blijken de


Hoo

fdst

uk7


113

gestandaardiseerde sterfteratio’s te fluctueren tussen 90 en 99. Alle bijbehorende 95% betrouwbaarheidsintervallen bevatten de overall waarde van 93,0 (95% BI: 91,5 – 94,5), wat duidt op een goede HSMR-modelfit. Wij komen hier nog op terug.

casemix risicoprofiel voor de nde opname

Tot slot hebben wij ook de variatie over de nde opnameklassen van vijf casemixvariabelen onderzocht, zie tabel 6.

taBel 6 Waarden/verdelingen van de belangrijkste variabelen waarvoor gecorrigeerd is door DHM-2008 per nde opname voor de zes ziekenhuizen.

O(n=1) O(n=2) O(n=3) O(n=4) O(n=5,6) O(n=7-9) O(n=10-20) O(n>20)aantal opnamen

240.662 75.778 33.902 18.546 19.124 12.634 12.483 5.437

patiëntspeci-fieke kenmer-ken

gemiddelde leeftijd bij nde ontslag (jaren)

61,2 64,7 65,5 65,5 64,8 63,7 62,4 59,0

verdeling charlsonindi-ces:

0 68% 65% 60% 55% 49% 42% 37% 31%1 20% 17% 16% 15% 13% 10% 6% 4%2 en 3 10% 17% 22% 27% 35% 45% 54% 60%4, 5 en 6 2% 2% 2% 3% 3% 3% 4% 5%opnameverde-ling per CCS hoofddiagno-segroep

nieuwvormin-gen

13% 20% 25% 31% 40% 52% 65% 72%

metabolismen & shock

4% 5% 6% 7% 8% 9% 12% 14%

hartaandoe-ningen

40% 34% 29% 25% 20% 13% 7% 2%

ademhalings-ziekten

11% 11% 12% 12% 11% 9% 6% 3%

gastro-intesti-nale aandoe-ningen

13% 10% 9% 8% 6% 4% 3% 2%

overige 7 hoofddiagno-segroepen

21% 19% 19% 17% 15% 12% 8% 6%


De HSMR beproefd

114

taBel 6 VervolgO(n=1) O(n=2) O(n=3) O(n=4) O(n=5,6) O(n=7-9) O(n=10-20) O(n>20)

opnamespeci-fieke casemix eigenschap-pen

verdeling per-centage acute opnamen

43% 37% 39% 37% 34% 28% 18% 7%

gemiddelde ligduur (da-gen)

6,8 7,2 7,0 6,5 6,0 5,0 3,4 1,8

Jaar van ontslag, geslacht en sociaal-economische status beschouwden wij als minder relevante variabelen hiervoor. De tabel is opgedeeld naar patiënt- en opnamespecifieke eigenschappen. De variatie in casemix behorende bij de nde opnamealsnvarieertvann=1totenmetn>20wordtgekenmerktdoor:• eengemiddeldeleeftijddieaanvankelijktoeneemtvan61(n=1)naar66jaar

(n=4)endangeleidelijkafneemttot59jaar;• een geleidelijke toename van comorbiditeit, zoals blijkt uit een teruglopende

bijdrage van de twee laagste en een toenemende bijdrage van de hogere charlsonindices;

• een dominerend aandeel van hartaandoeningen voor lagere waarden van n en een dominerend aandeel van nieuwvormingen voor hogere waarden van n;

• een relatieve afname van het aantal acute opnamen;• een afname van de gemiddelde opnameduur voor n>3.De combinatie van deze vijf factoren laat zien hoe de casemix verandert met de toename van het aantal heropnamen. Deze veranderingen hangen samen met een daling van de mortaliteit per opname voor n>4 zoals voorspeld door DHM-2008, zie tabel 4.

Discussie

(Her)opnamefrequenties vertonen een substantiële variatie tussen de ziekenhuizen. Bijvoorbeeld: de overall waarde van de heropnamefrequentie van ziekenhuis D is tweemaal die van ziekenhuis B en F. Voor de hoofddiagnosegroep ‘nieuwvormingen’ is deze voor ziekenhuis D zelfs driemaal die van ziekenhuis B. Wij concluderen dat het gemiddeld aantal heropnamen, gemeten in een vast tijdsinterval, substantiële verschillen laat zien tussen de ziekenhuizen onderling.Voor patiënten in de klassen met een hogere opnamefrequentie worden lagere


Hoo

fdst

uk7


115

risico’s per opname voorspeld, hetgeen samenhangt met veranderingen in de casemix. Echter in de patiëntview wordt dit verminderde risico slechts ten dele voorspeld door DHM-2008. Dit blijkt uit het aantal voorspelde sterfgevallen dat, vergeleken met het aantal waargenomen sterfgevallen, relatief laag was voor eenmalig opgenomen patiënten en relatief hoog voor meer dan eens opgenomen patiënten. De bijbehorende gestandaardiseerde sterfteratio is in de patiëntview hoog voor klasseP(m=1)(namelijk127),vergelekenmethetoverallHSMR-gemiddeldevan93; het is laag voor de andere klassen (een geleidelijke daling naar 35 voor P(m>20)). Dit in tegenstelling met wat we vonden voor de gestandaardiseerde sterfteratio’s van de verschillende klassen van de opnameview, die alle fluctueerden rond de 93, zoals verwacht.

DHM-2008 vertoont een redelijke goede ‘fit’ voor de nde opnameviewklassen. Dit is in overeenstemming met de bevindingen van Jarman,11 waar geen verschillen in de HSMR werden geconstateerd door voor een willekeurige waarde van n, de nde opname te laten meetellen. Tegelijkertijd echter laat een vergelijking van voorspelde en waargenomen sterfte in de patiëntview geen goede modelfit zien. Maar waarom zou DHM-2008 wel een goede fit moeten vertonen voor de n klassen van de nde opnameview en niet voor de m klassen van de mde patiëntview? Bij het onderling vergelijken van de klassen van de patiëntview blijken er risicoverschillen op te treden die niet worden gedetecteerd door de huidige set van regressievariabelen. Omdat de risico’s van de klassen niet constant zijn, kan dit misleidende resultaten geven bij de HSMR-berekening (‘constant risk fallacy’). Een modelfit die beter aansluit bij de patiëntview zou derhalve te prefereren zijn boven een fit voor de opnameview. Wij illustreren dit punt met drie voorbeelden van procesmatige mechanismen die risicoverlagend werken voor hogere opnamefrequenties, maar die geen samenhang vertonen met hogere kwaliteit van zorg.

Voorbeeld 1Het opnamebeleid kan dusdanig zijn dat er tussen ziekenhuizen verschillen in opnamefrequentie optreden voor diagnose en behandeling van eenzelfde aandoening. Het ene ziekenhuis kan diagnose en behandeling systematisch combineren in één opname. Een ander ziekenhuis kan ‘dezelfde patiënt’ een keer opnemen voor diagnosestelling en daarna nog een keer voor behandeling, waardoor bij de HSMR-berekening tweemaal een voorspelde sterftewaarde meetelt, terwijl het werkelijke sterfterisico waarschijnlijk niet verdubbelt ten opzichte van het eerste ziekenhuis.


De HSMR beproefd

116

Voorbeeld 2Ziekenhuizen kunnen verschillende behandelpraktijken voeren met verschillen in opnamefrequentie bij het behandelen van chronische patiënten. De heropnamefrequenties bij nieuwvormingen bijvoorbeeld verschillen tussen ziekenhuis B en D met een factor 3. Ziekenhuis D telt vaker een dag- of klinische opname voor behandeling van nieuwvormingen dan ziekenhuis B.14 De som van de voorspelde sterfterisico’s per patiënt van ziekenhuis D kan zodoende drie maal hoger liggen dan die per patiënt van ziekenhuis B. Maar het is niet waarschijnlijk dat de patiënt in ziekenhuis D in werkelijkheid een driemaal zo hoog risico loopt. Integendeel, het sterfterisico per patiënt stabiliseert rond 13% bij meer dan tien opnamen, zie tabel 3. Iedere extra opname voor chemotherapie verhoogt de noemer van de gestandaardiseerde sterfteratio, maar de waargenomen sterfte (teller van de ratio) wordt hierdoor gemiddeld niet verder verhoogd.

Voorbeeld 3Het verwijzen van patiënten naar de tertiaire zorg, wat veel voorkomt in Nederland, kan ook tot verschillen leiden. Het overplaatsen van een patiënt van een verwijzend ziekenhuis naar een behandelend ziekenhuis en weer terug, is vaak een voordeel voor het verwijzende ziekenhuis, omdat de patiënt voor dit ziekenhuis als twee opnamen telt. Het behandelende ziekenhuis kan voor deze patiënt slechts één opname laten meetellen bij de HSMR-berekening. Daar komt nog bij dat de opname in dit laatste ziekenhuis gepaard gaat met een extra behandelrisico als gevolg van een potentieel gecompliceerde ingreep. Het is onwaarschijnlijk dat de patiënt in het verwijzende ziekenhuis een dubbel risico loopt ten opzichte van het behandelende ziekenhuis.

Naast deze drie voorbeelden kan de fysieke conditie van de regelmatig opgenomen patiënt ook mogelijk invloed hebben. Als deze patiënten onverwacht fitter zijn dan voorspeld, zouden zij de klassen met hogere opnamefrequenties kunnen gaan domineren middels natuurlijke selectie. In dat geval zouden er verschillen in ongedetecteerde risico’s optreden bij het vergelijken van klassen met frequent en niet frequent opgenomen patiënten. Dit effect zou dan ook zichtbaar worden in de casemixverschillen die wel bekend zijn, zoals leeftijd en comorbiditeit, zie tabel 6. De gemiddelde leeftijd van frequent opgenomen patiënten neemt inderdaad af voor de hogere waarden van n, hetgeen duidt op een fittere populatie. De comorbiditeit neemt echter toe, wat een logisch gevolg is van het feit dat wij het begrip heropname definieerden zonder onderscheid te maken naar aandoening. Dus van patiënten met meer comorbiditeit mag verwacht worden dat zij in een klasse met een hogere opnamefrequentie vallen, omdat zij voor meerdere ziektes


Hoo

fdst

uk7


117

behandeld worden. Dit laatste duidt echter op een hogere kwetsbaarheid, in tegenspraak met de hypothese dat de frequent opgenomen patiënt wellicht robuuster zou zijn. Het idee dat het veelvuldig heropnemen van patiënten samengaat met natuurlijke selectie van patiënten lijkt interessant, maar met de huidige data hebben wij de correctheid ervan niet kunnen aantonen.

Additionele risicofactoren die gepaard gaan met het vaak heropnemen van een patiënt kunnen al in een vroeg stadium aanwezig zijn, bijvoorbeeld al tijdens de eerste opname. De nde opnameviewklasse bevat een doorsnede van opnamen uit de patiëntviewklassen P(m), waarvoor m ≥ n, met ieder een eigen, mogelijk verschillend, risicoprofiel. Daardoor kan de nde opnameview deze additionele risico’s niet onderscheiden en is deze niet geschikt als correctieparameter voor heropnamen. In plaats daarvan menen wij dat de variabele ‘opnamefrequentie’, behorend bij de patiëntview, wel geschikt is voor dit doel. De patiëntview laat zien waarom DHM-2008 te hoge risico’s voorspelt voor vaak heropgenomen patiënten, zoals geïllustreerd door de volgende door ons geobserveerde casus:

Patiënt X van ziekenhuis D droeg in totaal 3,1 verwachte sterfte bij aan de noemer van de HSMR wegens zeven achtereenvolgende opnamen binnen zes maanden. Eén enkele patiënt kan echter maximaal een waarde 1 – bij overlijden – bijdragen aan de teller van de HSMR.

In ons onderzoek kwamen wij veel soortgelijke gevallen tegen, bijvoorbeeld: in ziekenhuis D vonden wij 174 patiënten die ieder meer dan één voorspelde sterfte bijdroegen aan de noemer van de HSMR als gevolg van heropnamen. De totale voorspelde sterfte voor deze groep bedroeg 232, terwijl hiervan ‘slechts’ 75 patiënten overleden. Dit bevestigt nogmaals dat DHM-2008 veel te hoge sterftevoorspellingen afgeeft voor regelmatig heropgenomen patiënten.Figuur 3 illustreert dit fenomeen: puntendiagrammen waarin wij de HSMRs en de gestandaardiseerde sterfteratio’s van drie belangrijke hoofddiagnosegroepen hebben afgezet tegen de heropnamefrequentie, zie ook figuur 1. In alle gevallen is er sprake van een neerwaartse trend: een hogere heropnamefrequentie correspondeert met een lagere (H)SMR. Wij concluderen dat er een significante associatie is tussen HSMRs en het aantal heropnamen per patiënt.


De HSMR beproefd

118

R = 0,29504

60

70

80

90

100

110

120

1,00 1,25 1,50 1,75 2,00 2,25 2,50 2,75 3,00 3,25

SMR

nie

uwvo

rmin

gen

heropnamefrequentie

R = 0,46242

60

70

80

90

100

110

120

0,40 0,50 0,60 0,70 0,80

SMR

har

taan

doen

inge

n

heropnamefrequentie

R = 0,06786

60

70

80

90

100

110

120

0,40 0,50 0,60 0,70 0,80 0,90 1,00

SMR

ade

mha

lings

ziek

ten

heropnamefrequentie

R = 0,57224

60

70

80

90

100

110

120

0,40 0,50 0,60 0,70 0,80 0,90 1,00 1,10 1,20

HSM

R p

er z

ieke

nhui

s

heropnamefrequentie

A

A

A A

B B

B B

C

C C

C

D D

D D

E E

E E

F F

F F

FIgUUR 3 HSMRs en SMRs van: nieuwvormingen, hartaandoeningen en ademhalings-ziekten versus heropnamefrequentie. Lineaire regressielijnen zijn weergegeven.

Aangezien het onderzoek gericht was op een tijdsinterval van vijf opeenvolgende jaren, konden we niet het volledige beeld van de patiëntviewklassen verkrijgen. Opnamereeksen die begonnen met opnamen van voor 2003 en die doorliepen in de periode 2003 t/m 2007 werden afgekapt, evenals reeksen die doorliepen naar 2008. Het beeld zal dus nooit compleet zijn. Voor alle patiënten die vaker dan eens werden opgenomen in de studieperiode hebben wij de tijd berekend die verstreek tussen eerste opname en laatste ontslag. Bij 63% van deze patiënten bedroeg deze tijd minder dan een jaar en bij 91% minder dan drie jaar. Dit suggereert dat verreweg het grootste deel van het beschreven effect is vertegenwoordigd in de resultaten.

Hoe kan de HSMR gecorrigeerd worden voor de effecten van heropnamen? Daartoe stellen wij voor om een additionele correctievariabele, ‘opnamefrequentie’, zoals beschreven in dit onderzoek in de patiëntview, toe te passen. Na correctie zullen de gestandaardiseerde sterfteratio’s van de patiëntview fluctueren rond 93 met als gevolg dat de modelfit voor de opnameview verloren gaat. Dat is echter geen principieel bezwaar, omdat juist de patiëntview gepaard gaat met een duidelijke afbakening in onderling verschillende risicoklassen, waarvoor correctie nodig is. Nde opnameklassen blijken betekenisloos met betrekking tot risicodifferentiatie.Om de beschreven effecten zichtbaar te maken was het, met name voor de


Hoo

fdst

uk7


119

hogere opnamefrequenties, nodig om een langer tijdsinterval van verschillende jaren te analyseren. De verstreken tijd, bijvoorbeeld tussen de eerste opname en het laatste ontslag bedroeg voor de patiëntviewklasse P(m>20) gemiddeld 2,5 jaar. Dit wil echter niet zeggen dat bij veel patiënten in P(m>20) het beschreven effect niet optreedt als we ons bij het bepalen van de HSMR beperken tot een kortere periode, bijvoorbeeld een jaar.

Een laatste opmerking betreft het volgende: heropnamen worden soms als indicator beschouwd voor mindere kwaliteit van zorg. Maar in plaats van tegen de ziekenhuizen met hoge heropnamefrequenties te werken, lijkt de HSMR in het voordeel van die ziekenhuizen uit te pakken. Daarom bevelen wij het volgende aan: voordat overgegaan wordt tot openbaarmaking van de HSMR in Nederland zouden de bezwaren genoemd in Lilford e.a.4 opgelost moeten worden. Bovendien zou de HSMR gecorrigeerd moeten worden voor heropnamen. Als HSMRs en in het bijzonder SMRs op diagnosegroepsniveau gebruikt worden door ziekenhuizen als startpunt voor verbeteracties,2 dan is correctie voor heropnamen eveneens nodig, om te voorkomen dat er misleidende signalen gegenereerd worden. Het zal in dat geval minder vaak gebeuren dat een ziekenhuis actie onderneemt op een ten onrechte hoge SMR-waarde. Ook neemt de kans af dat een ziekenhuis meent geen actie te moeten ondernemen vanwege een ten onrechte lage SMR-waarde.

conclusies

Dit onderzoek heeft aangetoond dat de kans op sterfte per ziekenhuisopname lager is voor patiënten die vaak opgenomen worden in vergelijking met patiënten die niet vaak opgenomen worden. Het gebruikte HSMR-model detecteert een verlaging van sterfterisico voor frequent opgenomen patiënten, maar de waargenomen sterfte van deze groepen laat zien dat de echte risico’s nog lager zijn. De risicocondities van verschillende patiëntviewklassen kunnen derhalve verschillen en zonder correctie hiervoor kan een vergelijking van deze klassen tot misleidende uitkomsten leiden. Uit het onderzoek bleek dat de verdeling van de heropnamefrequenties substantieel verschilden tussen de zes Santeon-ziekenhuizen, oplopend tot een factor 2. Ziekenhuizen met relatief hoge opnamefrequenties ondervinden daardoor een risicoverlagend effect, waarvoor niet gecorrigeerd wordt. Ziekenhuizen met relatief lage opnamefrequenties ondervinden een risicoverhogend effect, waarvoor ook niet gecorrigeerd wordt. Deze uitkomst kan aangetoond worden door middel van een analyse over


De HSMR beproefd

120

een langer tijdsinterval van tenminste drie jaar, maar het effect heeft iedere dag, week of maand zijn uitwerking. Aangezien 43% van alle opnamen in dit onderzoek heropnamen betrof, zou de impact op de HSMR van een aantal ziekenhuizen substantieel kunnen zijn. Dit resultaat is relevant voor alle landen waar ziekenhuizen gebruikmaken van (H)SMRs voor het monitoren en verbeteren van kwaliteit van zorg. Een verder onderzoek in andere landen naar de effecten op de HSMR als gevolg van heropnamen is gerechtvaardigd. De kwaliteit van het HSMR-getal kan verbeterd worden door opnamefrequentie als additionele correctievariabele toe te passen. Het volgende hoofdstuk zal onder meer het effect hiervan aantonen.


Hoo

fdst

uk6


121

literatuur

1. Lilford R, Mohammed MA, Spiegelhalter D, Thomson R. Use and misuse of process and outcome data in managing performance of acute medical care: avoiding institutional stigma. Lancet 2004, 363:1147-54.

2. Jarman B, Pieter D, Veen AA van der, Kool RB, Aylin P, Bottle A, Westert GP, Jones S. The hospital standardised mortality ratio: a powerful tool for Dutch hospitals to assess their quality of care? Qual Saf Health Care 2010, 19: 9-13.

3. How safe is your hospital? The Dr foster hospital guide 2009. [www.drfosterhealth.co.uk ]

4. Lilford R, Pronovost P. Using hospital mortality rates to judge hospital performance: a bad idea that just don’t go away. BMJ 2010, 340:c2016.

5. Black N. Assessing the quality of hospitals. BMJ 2010, 340:c2066.6. Mohammed AM, Deeks JJ, Girling A, Rudge G, Carmalt M, Stevens AJ, Lilford

RJ. Evidence of methodological bias in hospital standardised mortality ratios: retrospective database study of English hospitals. BMJ 2009, 338:b780.

7. Ben-Tovim D, Woodman R, Harrison JE, Pointer S, Hakendorf P, Henley G. Measuring and reporting mortality in hospital patients. Australian Institute of Health and Welfare Canberra. 2009:vii.

8. Heijink R, Koolman X, Pieter D, Veen A van der, Jarman B, Westert G. Measuring and explaining mortality in Dutch hospitals; the hospital standardised mortality rate between 2003 and 2005. BMC Health Serv Res 2008, 8:73.

9. Redactie Medisch Contact. Sterftecijfers nog niet beschikbaar in 2010. Medisch Contact. Nr. 31/32 - 30 juli 2009:1320.


11. Jarman, B. In Defence of the Hospital Standardised Mortality Ratio. HealthcarePapers 2008;Vol. 8, No. 4:40.

12. Nicholl J. Case-mix adjustment in non-randomised observational evaluations: the constant risk fallacy. J Epidemiol Community Health 2007, 61:1010-3.

13. Nth admission definition. McGraw-Hill Concise Dictionary of Modern Medicine. © 2002 by The McGraw-Hill Companies, Inc.

14. Mintzer DM, Zheng S, Sprandio J Jr. Toward the elimination of medical oncology admissions. Journal of Clinical Oncology, Vol 27, No 15S (May 20 Supplement), 2009: e20740.


8 cOMBInatIe Van eFFecten


De HSMR beproefd

124

Inleiding

In de voorgaande hoofdstukken zijn aard en invloed van vier verschillende bronnen van vooralsnog ongecorrigeerde variatie onderzocht bij het bepalen van de (H)SMR. De centrale vraag is nu welke impact deze bronnen gezamenlijk hebben op de (H)SMR. Die vraag kunnen we als volgt beantwoorden: bereken eerst de (H)SMR met behulp van het huidige model (2010) en daarna met een aangepast model, dat een extra correctie toepast voor de vier onderzochte factoren. Vergelijk vervolgens de uitkomsten met elkaar, zoals we dat ook in hoofdstuk 6 hebben toegepast.Eén van de variatiebronnen laat zich echter retrospectief niet eenvoudig corrigeren: de variatie in de registratie van de LMR. Daartoe zou het nodig zijn delen van de LMR opnieuw te coderen en dat is geen realistische optie. Gecombineerde correctie voor de drie andere variatiefactoren (bijzondere medische verrichtingen, verschillen in casemixzwaarte op hoofddiagnoseniveau en heropnamen) lukt echter wel.

De onderzoeksvraag in dit hoofdstuk luidt dan ook:

Wanneer een extra, gecombineerde correctie wordt toegepast voor bijzondere medische verrichtingen, verschillen in casemixzwaarte en heropnamen – welke impact heeft een dergelijke correctie dan op de uitkomsten van het HSMR-model 2010 zowel op hoofddiagnoseniveau (SMR) als op ziekenhuisniveau (HSMR)?

Methode

Om deze onderzoeksvraag te beantwoorden, hebben we twee modellen doorgerekend: model 1, nagenoeg conform het HSMR-model 2010 (toegepast zoals in hoofdstuk 6) en model 2, hetzelfde model, maar dan onder gelijktijdige correctie voor de drie genoemde factoren. Bij de correctie voor heropnamen was het nodig te beschikken over patiëntidentificatienummers. Bij negentien ziekenhuizen ontbraken deze data; deze ziekenhuizen zijn daarom uitgesloten van het onderzoek. Er bleven voor de berekening uiteindelijk 70 ziekenhuizen over; de LMR van 2005 t/m 2009 diende daarbij als basis. Bij de correctie voor bijzondere medische verrichtingen is bij de zeven CCS-groepen met hartaandoeningen onderscheid gemaakt tussen hartcentra en niet-hartcentra. Bij de correctie voor casemixverschil op hoofddiagnoseniveau is gebruik gemaakt van de aangepaste zwaarteklassenindeling conform hoofdstuk 6. Bij de correctie voor heropnamen is


Hoo

fdst

uk8

combinatie van effecten

125

de indeling in zeven opnamefrequentieklassen (‘patiëntview’) conform hoofdstuk 7 toegepast. In totaal werden 2.519.800 opnamen betrokken bij deze berekening. Voor de analyse is gebruik gemaakt van SPSS versie 18.

De verschillen tussen beide modellen zijn uitgedrukt in:• verschillen in c-statistics op diagnosegroepsniveau en op ziekenhuisniveau,• aantallen verandering van significantiestatus van SMRs en HSMRs,• pearsoncoëfficiënten, die de mate van overeenstemming aangeven tussen

voorspelde sterftekansen per opname voor beide modellen per diagnosegroep,• verdelingen van procentuele veranderingen van SMRs en HSMRs.

Resultaten

Impact op SMR-niveau

Tabel 1 laat de verschillen zien tussen model 1 en 2. De tabel toont allereerst per CCS-diagnosegroep de verschillen in c-statistic: 46 van de 48 SMRs tonen een verbeterde tot sterk verbeterde waarde van de c-statistic. Alleen ’24 borstkanker’ blijkt bij model 2 een aanzienlijk lagere c-statistic op te leveren. De verbeteringen in c-statistic bij oncologische aandoeningen (met uitzondering van borstkanker) en bij chronische aandoeningen blijken vooral veroorzaakt te worden door de correctie voor heropnamen. Bij hartaandoeningen speelde een combinatie van de drie correctiefactoren een rol. Aandoeningen die sterk reageerden op de correctie voor casemixverschillen op hoofddiagnoseniveau zijn af te lezen uit tabel 2 van hoofdstuk 6.

De aantallen wisselingen in significantiestatus op SMR-niveau zijn tevens weergegeven in tabel 1. De modellen verschilden bij het vaststellen van de SMRs met een significant hoge sterfte. Model 1 gaf hiervoor 363 gevallen aan, waarvan 117 door model 2 niet als significant hoog bestempeld werden - ofwel 32%. Model 2 gaf 312 gevallen aan, waarvan 60 door model 1 niet als significant hoog bestempeld werden - ofwel 19%.

De pearsoncoëfficiënten geven een indruk van de verschillen in voorspelde sterfte tussen de twee modellen per CCS-groep. Deze variëren van 0,443 (minder correlatie, dus een relatief sterkere invloed als gevolg van ongecorrigeerde variatie) tot 0,896 (relatief minder invloed).


De HSMR beproefd

126

taBel 1 Voorspellende waarde van twee modellen voor het berekenen van SMRs, uitge-drukt als ‘c-statistic per diagnosegroep, significantiescores van deze twee modellen, en statistische ‘afstand’ tussen de twee modellen uitgedrukt in een pearsoncorrelatiecoëf-ficiënt per diagnosegroep.

ccS code

ccS-diagnosegroeptitel c-statistic per diagnosegroep

verschillen in SMR-uitsla-gen per diagnosegroep; *

pearson- correla-tiecoëf-ficient

lage sterfte hoge sterftemodel 1 model 2 1: niet

2: wel1: wel2: niet

1: niet2: wel

1: wel2: niet

2 Sepsis (behalve tijdens bevalling)

0,719 0,783 0 2 2 1 0,797

12 Slokdarmkanker 0,732 0,763 1 1 1 3 0,84713 Maagkanker 0,739 0,779 1 3 1 3 0,82814 Colonkanker 0,777 0,814 2 4 1 3 0,84915 Kanker van rectum of anus 0,775 0,817 0 3 1 3 0,83517 Alvleesklierkanker 0,685 0,704 0 1 1 0 0,85819 Longkanker/

bronchuskanker0,793 0,822 2 1 2 8 0,858

24 Borstkanker 0,918 0,850 - - - - 0,78132 Blaaskanker 0,860 0,874 1 4 2 2 0,77838 Non-Hodgkin lymfoom 0,802 0,841 1 3 1 5 0,78539 Leukemie 0,780 0,820 0 1 0 2 0,76642 Secundaire maligniteiten 0,743 0,770 4 2 6 3 0,84244 Niet nader gespecificeerde

tumoren 0,797 0,840 0 2 1 0 0,793

50 Diabetes mellitus met complicatie

0,806 0,846 1 2 1 3 0,652

55 Aandoeningen vocht- / elektrolythuishouding

0,767 0,824 1 2 0 2 0,754

59 Deficiënties en andere anemie

0,737 0,802 1 1 0 1 0,723

85 Coma, stupor en hersenbeschadiging

0,625 0,815 0 2 0 1 0,443

96 Hartklepaandoeningen 0,752 0,790 1 4 1 4 0,804100 Acuut myocardinfarct 0,714 0,781 1 3 3 6 0,769101 Coronaire artherosclerose/

overige hartaand.0,750 0,806 3 8 1 3 0,735

103 Pulmonale hypertensie 0,739 0,776 0 2 0 3 0,713106 Hartritmestoornis 0,792 0,860 1 5 4 4 0,617107 Hartstilstand en

ventrikelfibrilleren0,622 0,763 2 5 2 4 0,649

108 Hartfalen, zonder hypertensie

0,635 0,702 5 2 5 4 0,756

109 Acute cerebrovasculaire aandoening

0,730 0,761 1 3 3 1 0,896

114 Perifere en viscerale arteriosclerose

0,874 0,914 2 3 3 14 0,487


Hoo

fdst

uk8


127

taBel 1 Vervolg

ccS code

ccS-diagnosegroeptitel c-statistic per diagnosegroep

verschillen in SMR-uitsla-gen per diagnosegroep; *

pearson- correla-tiecoëf-ficient

lage sterfte hoge sterftemodel 1 model 2 1: niet

2: wel1: wel2: niet

1: niet2: wel

1: wel2: niet

115 Aneurysmata aorta- /perifere/viscerale arteriën

0,835 0,887 3 1 4 3 0,738

116 Trombose aorta- / perifere/viscerale arteriën

0,871 0,892 0 3 1 5 0,791

117 Overige circulatoire aandoeningen

0,782 0,862 2 1 0 1 0,493

122 Pneumonie 0,750 0,785 1 3 2 0 0,851127 COPD en bronchitis 0,670 0,761 3 4 0 2 0,612130 Pleuritis, pneumothorax,

klaplong0,804 0,827 0 1 0 1 0,761

133 Overige aandoeningen lage luchtwegen

0,825 0,866 4 3 1 0 0,792

145 Darmobstructie zonder hernia

0,795 0,836 0 0 1 4 0,819

146 Diverticulose en diverticulitis

0,805 0,828 0 0 1 1 0,779

149 Galwegaandoening 0,901 0,899 - - - - 0,737150 Leveraandoening, alcohol

gerelateerd0,667 0,757 0 1 0 1 0,768

151 Overige leveraandoeningen

0,662 0,807 0 1 3 2 0,553

153 Gastro-intestinale bloeding 0,705 0,764 1 1 0 3 0,592155 Overige gastrolintestinale

aandoeningen0,860 0,908 1 1 0 3 0,492

157 Acuut en niet gespecificeerd nierfalen

0,716 0,760 1 1 2 0 0,815

158 Chronisch nierfalen 0,846 0,872 0 1 1 2 0,850159 Urineweginfectie 0,818 0,836 1 1 0 0 0,854226 Heupfractuur 0,721 0,732 3 2 0 1 0,790233 Intracraniaal letsel 0,834 0,941 4 15 2 2 0,520237 Complicatie apparaat /

implantaat/transplantaat0,793 0,833 1 0 0 2 0,505

238 Complicatie chirurgische procedure/ medische zorg

0,776 0,833 0 1 0 1 0,596

249 Shock 0,713 0,733 1 0 0 0 0,883totaal aantal significantiewisselingen 57 110 60 117

* Per diagnosegroep werden SMRs van 70 ziekenhuizen berekend over de jaren 2005 t/m 2009. Weergegeven zijn de aantallen ziekenhuizen waarbij de SMR volgens het ene model wees op signi-ficant lagere of hogere sterfte dan gemiddeld, en volgens het andere model niet.


De HSMR beproefd

128

Signal-to-distortion-ratio van de SMR

De verdeling van de procentuele veranderingen van alle 3500 SMRs (=70ziekenhuizen maal 50 CCS-diagnosegroepen) is weergegeven in figuur 1. De standaarddeviatie van deze verdeling bedraagt 19%. Dit geeft een indicatie van de mate van verandering van alle SMRs als gevolg van de extra correctie, ofwel een indicatie voor de systematische meetfout als gevolg van niet gecorrigeerde variatie.

1

10

100

1000

10000

-70%

tot -

60%

-60%

tot -

50%

-50%

tot -

40%

-40%

tot -

30%

-30%

tot -

20%

-20%

tot -

10%

-10%

tot 0

0%

00%

tot 1

0%

10%

tot 2

0%

20%

tot 3

0%

30%

tot 4

0%

40%

tot 5

0%

50%

tot 6

0%

60%

tot 7

0%

70%

tot 8

0%

80%

tot 9

0%

90%

tot 1

00%

100%

tot 1

10%

110%

tot 1

20%

120%

tot 1

30%

140%

tot 1

50%

>150

%

freq

uent

ie (l

ogar

itmis

che

scha

al)

relatieve verandering SMRs

FIgUUR 1 Frequentieverdeling van de relatieve verandering van alle 3500 SMRs na her-berekening van de SMRs door het aangepast model met correctie voor drie extra variabe-len. De standaarddeviatie van de verdeling bedraagt 19%. Bij 32% van de SMRs blijkt de absolute waarde van de procentuele verandering meer dan 10%.

Tegelijkertijd speelt de meetfout als gevolg van toeval ook nog een rol. Maatgevend hiervoor zijn de 95%-betrouwbaarheidsintervallen van alle 3500 SMRs, waarvan de gemiddelde grootte 116 bedroeg. Aangezien dit gemiddelde bepaald wordt door de breedte van het interval [-2σ tot +2σ], volgt hieruit een indicatie voor de verdeling van de meetfouten als gevolg van toeval. De standaarddeviatie σ van dezetoevalsverdelingbedraagtcirca116/4=29HSMR-punt.


Hoo

fdst

uk8


129

De standaarddeviatie van de verdeling van alle 3500 SMR-uitkomsten bedroeg 45SMR-punt(=‘signal’).Wevergelijkenditmetdesystematischemeetfout(19%)endetoevalsmeetfout(29HSMR-punt)tezamen(=‘distortion’).Dezeuitkomstenduiden op een S/D-ratio op SMR-niveau van circa 1. Hierbij is nog geen rekening gehouden met het lastig te kwantificeren niveau van verstoring als gevolg van registratievariatie en alle andere niet onderzochte bronnen van variatie.

Impact op de HSMR

De vergelijking tussen model 1 en model 2 op SMR-niveau kan op eenzelfde manier worden gemaakt op het niveau van de HSMR. Tabel 2 toont de karakteristieken van de HSMR-verdelingen voor beide modellen en van de verdeling van de HSMR-verschuiving. De c-statistic op HSMR-niveau van model 2 blijkt ten opzichte van model 1 te zijn toegenomen van 0,839 naar 0,867.

taBel 2 Vergelijking HSMR-uitkomsten variant 1 en variant 2 voor 70 ziekenhuizen. Variant 1: model 2010, geen correctie voor variatiebronnen. Variant 2: extra correctie voor bijzondere medische verrichtingen, opnamefrequenties en casemixverschil op ICD-9-niveau.

Kenmerken uitkomsten voor beide varianten

c-statistic HSMR variant 1 0,839

c-statistic HSMR variant 2 0,867

standaarddeviatie HSMR-verdeling variant 1 (HSMR-punten) 13,7

standaarddeviatie HSMR-verdeling variant 2 (HSMR-punten) 13,8

Impact op de HSMR

standaarddeviatie verdeling van relatieve verschuiving HSMR 4,4%

standaarddeviatie verdeling toevalsruis (HSMR-punten) 2,5

aantal HSMRs significant hoog bij variant 1 en niet bij variant 2 3

aantal HSMRs significant hoog bij variant 2 en niet bij variant 1 6

Signal-to-distortion-ratio van de HSMR

De procentuele verschuiving van de HSMR-uitkomsten bij overgang van model 1 naar model 2 is grafisch weergegeven in figuur 2. De frequentieverdeling van de HSMR is bepaald door een standaarddeviatie van 13,8 HSMR-punt. We vergelijken deze met de standaarddeviatie van de meetfoutverdeling van verschuivingen als gevolg van de extra correctie (4,4%) en de standaarddeviatie


De HSMR beproefd

130

van de meetfoutverdeling als gevolg van toeval (2,5 HSMR-punt). Deze uitkomsten duiden op een S/D-ratio van circa 2 op HSMR-niveau. Andere, niet onderzochte, bronnen van variatie kunnen deze ratio mogelijk nog verlagen (verslechteren).

Ook de aantallen wisselingen in significantiestatus op HSMR-niveau werden bepaald. De significantiestatus van de uitkomsten van de twee rekenmodellen verschilde voor een aantal HSMRs. Model 1 gaf 21 ziekenhuizen aan met een significant hoge HSMR, waarvan drie HSMRs door model 2 niet als significant hoog bestempeld werden, ofwel 14%. Model 2 gaf 24 gevallen aan, waarvan zes door model 1 niet als significant hoog bestempeld werden, ofwel 24%.

0

5

10

15

20

25

-12,

5% to

t -10

%

-10%

tot -

7,5%

-7,5

% to

t -5%

-5%

tot -

2,5%

-2,5

% to

t 0%

0%

tot 2

,5%

2,5

% to

t 5%

5%

tot 7

,5%

7,5

% to

t 10%

10%

tot 1

2,5%

>12,

5%

freq

uent

ie

relatieve verandering HSMR

FIgUUR 2 Frequentieverdeling van de relatieve verandering van de 70 HSMRs na herbere-kening van de HSMR door het aangepast model met correctie voor drie extra variabelen. De standaarddeviatie van de verdeling bedraagt 4,4%.

Discussie

De combinatie van de drie extra correctiefactoren levert na herberekening een hogere c-statistic op, wat duidt op een hogere criteriumvaliditeit van model 2 in vergelijking met model 1. De argumenten voor het invoeren van de drie


Hoo

fdst

uk8


131

genoemde aanpassingen zijn in dit proefschrift beschreven en duiden op een indruksvaliditeit (‘face validity’) van model 2, die eveneens hoger is. Model 2 is derhalve te prefereren boven model 1. Verder stellen wij vast dat de verschuivingen die optreden bij overgang van model 1 naar model 2 een maat zijn voor de ernst van de verstoring van de SMR en de HSMR anno 2010, als gevolg van de drie onderzochte factoren.

conclusies

Op grond van het bovenstaande concluderen wij dat het verstoringsniveau van de SMR en de HSMR anno 2010 een onacceptabel hoog niveau heeft, uitgedrukt in signal-to-distortion-ratios en aantallen vals positieve en vals negatieve hoog-significant scores (negen ziekenhuizen voor de HSMR). Publicatie van de HSMR in 2011, berekend met het model dat gebruikt is in 2010, is op grond van modeltechnische argumenten dan ook niet te rechtvaardigen. Het verdient aanbeveling om het in 2011 te gebruiken HSMR-model ook te laten corrigeren voor de drie onderzochte factoren.


9 algeMene DIScUSSIe


De HSMR beproefd

134

achtergrond

In dit proefschrift beschrijf ik de betrouwbaarheid, validiteit en bruikbaarheid van het gestandaardiseerde ziekenhuissterftecijfer als indicator voor kwaliteit van zorg in Nederlandse ziekenhuizen. Aanleiding vormde de behoefte van een groep van zes topklinische ziekenhuizen, verenigd onder de naam ‘Santeon’, om gezamenlijk te werken aan verbetering van kwaliteit van zorg. Als hulpmiddel bij het onderling vergelijken van kwaliteit van zorg koos Santeon voor het uit het Verenigd Koninkrijk afkomstige ‘HSMR-instrument’ (hospital standardised mortality ratio). Gaandeweg groeide echter de twijfel. Werd de HSMR niet meer beïnvloed door een aantal meetfouten dan door verschillen in kwaliteit van zorg? Besloten werd om de aard en de invloed van deze meetfouten nader te onderzoeken. De volgende onderzoeksvragen stonden hierbij centraal:1. Welke factoren kunnen de validiteit en de betrouwbaarheid van de HSMR en

de bijbehorende SMRs beïnvloeden?2. Hoe groot is deze invloed op de uitkomsten van HSMR en SMRs?3. In hoeverre is de HSMR geschikt, of kan hij geschikt gemaakt worden, om


Dit hoofdstuk bediscussieert de belangrijkste bevindingen uit het proefschrift en formuleert aanbevelingen voor de verdere ontwikkeling en het gebruik van het HSMR-instrument.

Bevindingen

Deze studie heeft de verstorende effecten onderzocht van vier systematische bronnen van variatie, te weten:• variatie in de registratie van de landelijke medische registratie (LMR),• variatie door bijzondere medische verrichtingen bij hartaandoeningen,• variatie van de casemixzwaarte op hoofddiagnoseniveau,• variatie bij het heropnemen van patiënten.Niet alle denkbare vormen van verstorende variatie zijn onderzocht. Het hoofdstuk sluit daarom af met aanbevelingen voor vervolgonderzoek.


Hoo

fdst

uk9

algemene discussie

135

Onderzoeksvraag 1: de aard van de verstorende factoren

RegistratieTijdens het registreren van opnamegegevens in de landelijke medische registratie (LMR) treedt variatie op, met name bij de volgende onderdelen: opname-urgentie, hoofddiagnose en nevendiagnoses. Dit kan een aantal oorzaken hebben: onvolledig invullen van de ontslagbrief door de arts, tijdsdruk als gevolg van capaciteitstekorten bij de codeurs, ambigue diagnosecodes, een niet eenduidige codeerregel voor opname-urgentie en het maken van codeerfouten door de medisch codeurs.

Bijzondere medische verrichtingenBij het behandelen van hartaandoeningen blijkt variatie in de HSMR op te treden als gevolg van een tweedeling in de Nederlandse ziekenhuiszorg: hartcentra versus niet-hartcentra. Openhartchirurgie en dotterbehandelingen worden alleen toegepast in hartcentra. De verzameling van behandelmethoden van niet-hartcentra is beperkter en heeft een ander risicoprofiel dan dat van hartcentra. Omdat de HSMR-methodiek principieel niet corrigeert voor behandeltypen zoals bij hartaandoeningen, blijken deze aandoeningen een belangrijke bron van variatie voort te brengen. Dit kan zowel voordelig als nadelig uitpakken voor de HSMR van hartcentra.

Casemix op diagnoseniveau Ook de casemixzwaarte op het niveau waarop de hoofddiagnose gecodeerd wordt (ICD-9) blijkt te variëren voor nagenoeg alle diagnosegroepen waarover de HSMR wordt berekend. Binnen een enkele diagnosegroep kan de mortaliteit van onderliggende hoofddiagnoses enorm verschillen. Als een ziekenhuis zich gespecialiseerd heeft in een bepaald ziektebeeld, bijvoorbeeld traumatologie, kan het voorkomen dat dat ziekenhuis onevenredig veel zware patiënten heeft, met als mogelijk gevolg een vertekening van de (H)SMR.

HeropnamenTot slot blijkt de frequentie waarmee ziekenhuizen patiënten opnieuw opnemen een bron van variatie te vormen. Het komt voor dat het ene ziekenhuis ‘dezelfde patiënt’, in termen van gelijke casemix, vaker opneemt dan een ander ziekenhuis zou doen onder gelijke omstandigheden. Met name bij oncologische patiënten treden grote onderlinge verschillen op. Ook het ontslaan en verwijzen van een patiënt naar een ander ziekenhuis voor een behandeling, gevolgd door een heropname na succesvolle behandeling elders, veroorzaakt variatie in opnamefrequenties die invloed blijkt te hebben op de hoogte van de HSMR.


De HSMR beproefd

136

Onderzoeksvraag 2: de invloed van de verstorende factoren op de (H)SMR

Registratievariatie In tegenstelling tot de andere onderzochte vormen creëert registratievariatie een vorm van vertekening die achteraf lastig te corrigeren is. Daardoor is het vaak ondoenlijk de invloed op de HSMR door herberekening vast te stellen. Het zou dan namelijk nodig zijn om voorafgaande aan de herberekening de verkeerd of ambigu gecodeerde dossiers opnieuw te coderen. Er bestaat echter één potentieel sterke bron van registratievariatie waarvoor achteraf wél een rekenkundige correctie gemaakt kan worden: de ICD-9-codes 799.8 en 799.9, ‘diagnose onbekend’, zoals beschreven in hoofdstuk 3. Deze codes komen in de praktijk veelvuldig voor. Bij twee Santeon-ziekenhuizen bleek de impact op de HSMR substantieel: +22 respectievelijk -5 HSMR-punten als gevolg van deze enkele factor. Ook de in hoofdstuk 3 aangetoonde inconsistentie bij het coderen van de variabele ‘opname-urgentie’ kan een substantiële invloed hebben op de HSMR. Het ontbreken van een eenduidige codeerregel veroorzaakte bij een ziekenhuis een aantoonbaar te laag percentage acute opnamen. Dit heeft waarschijnlijk tot een verhoging van de HSMR voor dat ziekenhuis geleid, aangezien acute opnamen gepaard gaan met een gemiddeld driemaal zo hoge mortaliteit vergeleken met electieve opnamen. Een concrete kwantificering van het effect op de HSMR bleek echter niet mogelijk. Tot slot stellen we vast dat de invloed van registratie-variatie op de HSMR in Nederland nog steeds ter discussie staat;1 zie hiervoor ook hoofdstuk 3 en bijlage 3.

Bijzondere medische verrichtingen Bijzondere medische verrichtingen kunnen de HSMR vertekenen. Herberekening kan dit effect kwantificeren, onder weglating van opnamen met bijzondere medische verrichtingen. Uit de analyse van hoofdstuk 4 bleek dat dotterbehandelingen HSMR-verlagend werken. Na weglating van alle opnamen van dit behandeltype daalde de HSMR bij één van de twaalf hartcentra (een daling van 0,7%); bij de overige elf steeg de HSMR (tot maximaal 6,9%). Het omgekeerde effect treedt op bij openhartchirurgie; deze blijkt HSMR-verhogend te werken. Na weglating van alle opnamen van dit behandeltype bleek de HSMR van alle twaalf hartcentra te dalen (variërend van 0,1 tot 7,7%). De combinatie, waarbij beide behandeltypen werden weggelaten, laat een grote spreiding in de HSMR zien: van een daling van 4,7% tot een stijging van 5,3%.


Hoo

fdst

uk9

algemene discussie

137

Ongecorrigeerde casemixvariatie op hoofddiagnoseniveau Deze variatie blijkt een flinke vertekening van de SMRs tot gevolg te hebben, zoals aangetoond in hoofdstuk 5 en 6. Herberekening en correctie levert een frequentieverdeling van procentuele veranderingen van de SMRs met een spreiding op van -63% tot +202% en een standaarddeviatie van 14,6%. De invloed op de HSMRs van de ziekenhuizen is beperkter. De frequentieverdeling van de procentuele veranderingen laat een spreiding zien van -6,7% tot +4,3% en een standaarddeviatie van 2,0%.

Variatie in heropnamenVariatie in heropnamen, ofwel variatie in opnamefrequentie, blijkt samen te hangen met variatie in voorspelde sterfte. De voorspelde sterftekans van een frequent opgenomen patiënt blijkt substantieel hoger - en van een niet frequent opgenomen patiënt substantieel lager dan het verwachte gemiddelde, zoals aangetoond in hoofdstuk 7. Aangezien de opnamefrequenties tussen de ziekenhuizen onderling sterk verschillen is op dit punt correctie wenselijk. Anders zou een ziekenhuis met veel frequent opgenomen patiënten veel ten onrechte verhoogde sterftevoorspellingen krijgen (noemer HSMR) en daardoor een verlaagde HSMR. En andersom: een ziekenhuis met weinig frequent opgenomen patiënten een verhoogde HSMR. Een herberekening met als extra regressievariabele ‘opnamefrequentie’ kan deze systematische vertekening corrigeren, zoals aangetoond in hoofdstuk 8.

CombinatieDe combinatie van de drie laatstgenoemde ongecorrigeerde factoren blijkt een significante vertekening van de SMRs tot gevolg te hebben. De frequentieverdeling van procentuele veranderingen van de SMRs als gevolg van extra correctie, heeft een standaarddeviatie van 19%. De standaarddeviatie van de verdeling van de betrouwbaarheidsintervallen bedraagt 29 SMR-punt. We vergelijken deze uitkomsten met de standaarddeviatie van de verdeling van alle SMRs, die 45 SMR-puntbedraagt.DeverdelingvandeSMRs(standaarddeviatie=45)was indezelfde orde van grootte als de verdelingen van de systematische meetfout en de toevalsmeetfout (standaarddeviatie=19en29) samen.HetSMR-signaalenhet meetfoutsignaal bleken dus ‘vergelijkbaar sterk’.De invloed van de drie genoemde factoren op de HSMRs van de ziekenhuizen is beperkter. De standaarddeviatie van de frequentieverdeling van procentuele veranderingen bedraagt 4,4% en die van de betrouwbaarheidsintervallen 2,5 HSMR-punt. Het HSMR-signaal (standaarddeviatie = 14) blijkt dus grofweg‘tweemaal zo sterk’ als het meetfoutsignaal (4,4 en 2,5).


De HSMR beproefd

138

Beperkingen van het onderzoek

Voordat ik in ga op de aanbevelingen van dit proefschrift, benoem ik een aantal beperkingen dat optrad tijdens het doen van dit onderzoek. Dat betreft de beperkingen met betrekking tot de beschikbaarheid van data en scripts alsmede de beperkingen bij het selecteren van geschikte onderzoeksonderwerpen.

Beschikbaarheid van data en het HSMR-script

In vier van de hoofdstukken in dit proefschrift, beschrijf ik de onderzoekingen binnen de zes Santeon ziekenhuizen. Daarbij werd gebruik gemaakt van de zogenoemde ‘Santeon-database’: de volledige LMR van de zes ziekenhuizen voor een aantal opeenvolgende jaren. De HSMR-berekening, waarvoor gegevens nodig waren van alle meetellende ziekenhuizen, werd uitgevoerd door het toenmalige Prismant, nu Kiwa Prismant. Deze partij voorzag de Santeon-database van voorspelde sterftekansen per opname, waarmee alle HSMR- en SMR-waarden voor de zes ziekenhuizen bepaald konden worden. Gezien de grote aantallen, 418.000 LMR-opnamerecords, bleek het goed mogelijk de aard van de verschillende bronnen van variatie te achterhalen. Voor het vaststellen van de mate van invloed van deze bronnen op de HSMR was echter een herberekening van de gehele HSMR noodzakelijk. Dit was niet mogelijk met alleen de Santeon-database, wat op dat moment een beperkende factor was voor het onderbouwd formuleren van modelverbeteringen.Voor het onderzoek naar het effect van bijzondere medische verrichtingen stelde Prismant eenmalig de LMR van 2004 ter beschikking. De herberekening van de HSMR die dit effect kon aantonen, werd ook weer uitgevoerd door Prismant.Het gebruikte HSMR-script (SPSS), dat jaarlijks aangepast/verbeterd werd, behoorde tot en met 2010 exclusief tot het domein van de partijen die het concept ontwikkeld hadden: Dr. Foster Intelligence, Kiwa Prismant en de PraktijkIndex.

Voor het doen van onderzoek naar de invloed op (en mogelijke verbeteringen van) het HSMR-model, stelde Tiëto in oktober 2010 een geanonimiseerde versie van de LMR van de jaren 2005 tot en met 2009 ter beschikking. Dit met toestemming van de stichting ‘Dutch Hospital Data’ (DHD). Wij als onderzoekers hadden voor de berekening echter niet de beschikking over het SPSS-script van Prismant en hebben dat script toen zelf samengesteld, volgens de algoritme van het Dr. Foster Instituut. Dit leidde tot twee afwijkingen ten opzichte van het Prismant-model:


Hoo

fdst

uk9

algemene discussie

139

1. Bij de berekening van de charlsonindex is ervoor gekozen de hoofddiagnose niet mee te tellen en iedere comorbiditeitsgroep hooguit eenmaal mee te tellen.

2. Er is geen rekening gehouden met correctie voor sociaal-economische status.In de absolute uitkomsten van de HSMR traden hierdoor beperkte verschillen op ten opzichte van de uitkomsten van het Prismant-model, zoals bleek uit een onderlinge vergelijking. Dit vormde geen bezwaar voor ons onderzoek, ook omdat het erom ging aan te tonen welke verschuivingen er in de (H)SMR optreden als gevolg van het aanpassen en toevoegen van correctievariabelen, anders dan de charlsonindex en de sociaal-economische status.

Onderzoekskeuze bronnen van variatie

Bij het onderzoeken van de meetfouten die kunnen optreden bij de bepaling van de HSMR spelen verschillende bronnen van variatie een rol. Hieruit hebben wij een keus gemaakt. De afwegingen daarbij waren: de ingeschatte impact van de variatiebron, de haalbaarheid van het onderzoek en de tijd die hiervoor beschikbaar was. Dit resulteerde in het onderzoeken van een beperkt aantal duidelijk afgebakende bronnen van variatie: registratievariatie, variatie door bijzondere medische verrichtingen, variatie in casemixzwaarte op hoofddiagnoseniveau en variatie door heropnamen. De informatie over deze bronnen kon voor het merendeel worden ontleend aan de LMR. Deze keuze houdt niet in dat de niet gekozen bronnen minder invloed zouden hebben op de HSMR. Echter, de informatie over de niet onderzochte bronnen is veel minder toegankelijk in vergelijking met de voor dit onderzoek gekozen bronnen. Niet onderzocht zijn: ziekenhuissterfte van patiënten met palliatieve zorg, variatie in omgevingsrisico’s tijdens het inzamelen van variabelen (de ‘constant risk fallacy’5), sterfte onmiddellijk na binnenkomst op de afdeling Spoedeisende Hulp en sterfte binnen 30 dagen na ontslag.


De HSMR beproefd

140

aanbevelingen

geschiktheid van de HSMR voor interne verbetering en vergelijking van ziekenhuizen

Hoe nu verder? Hoe kunnen de in deze studie ontwikkelde inzichten met betrekking tot de aard en de invloed van meetfouten, nuttig worden ingezet bij het monitoren en verbeteren van kwaliteit van zorg? Wat is er nog te verbeteren aan het HSMR-instrument? Wat is de invloed van de niet onderzochte bronnen van variatie? En in hoeverre is de HSMR nu rijp voor publicatie en onder welke condities?

Interpretatie en gebruik HSMR door ziekenhuizen

Bij de interpretatie van de HSMR en vooral de SMRs door ziekenhuizen ten behoeve van kwaliteitsverbetering is het raadzaam rekening te houden met de bevindingen die beschreven zijn in dit proefschrift en hierna zijn samengevat.

RegistratievariatieHet zinvol gebruiken van de (H)SMR begint met het goed coderen van opnamen. Het ziekenhuis heeft dit in principe zelf volledig in de hand. Dat houdt onder andere in dat medisch specialisten accuraat en tijdig opnamegegevens van patiënten aanleveren en dat er vervolgens voldoende, gekwalificeerde codeurs beschikbaar zijn voor het codeerwerk. Hierbij is een juiste codering van opname-urgentie, hoofddiagnose en nevendiagnoses van belang, als basis voor een zuivere HSMR. Soms heeft een ziekenhuis een abnormaal laag percentage acute klinische opnamen, bijvoorbeeld minder dan 30%. In dit soort verdachte gevallen kan een ziekenhuis zelf een check doen op het juist coderen. Er kan dan gekeken worden naar het percentage ‘acuut gecodeerd’ voor opnamen met een van nature acuut karakter, bijvoorbeeld ‘acuut myocard infarct’. Ook kan zo’n ziekenhuis het gemiddeld aantal gecodeerde nevendiagnoses per opname checken; waarden tussen 1 en 2 zijn normaal; minder dan 0,5 duidt op te weinig nevendiagnoses. Verder verdient het aanbeveling het coderen van hoofddiagnoses kritisch onder de loep te nemen. Bij het coderen kan het voorkomen dat er voor een enkele opname uit verschillende ICD-9-codes gekozen kan worden. Bijvoorbeeld: chemotherapie óf een kankersoort; deze keuze maakt een verschil bij de HSMR-berekening. In die twijfelgevallen is het raadzaam de ICD-9-aandoening te coderen en niet de ICD-9-therapie. Zie hiervoor ook de codeerrichtlijn van Santeon in bijlage 1.


Hoo

fdst

uk9

algemene discussie

141

Bijzondere medische verrichtingenBijzondere medische verrichtingen zoals cardiologische interventies brengen een kunstmatige scheiding aan tussen ziekenhuizen. Hartcentra hebben het recht maar ook de plicht om openhartchirurgie en dotterbehandelingen te doen; de niet-hartcentra hebben dat niet. Ziekenhuizen kunnen aan deze situatie zelf weinig veranderen. Een correctie voor lichte of zware hartaandoeningen, zoals beschreven in hoofdstuk 6, heft het verschil tussen de twee soorten centra niet op. Als een patiënt met een hartklepaandoening verwezen wordt van een niet-hartcentrum naar een hartcentrum, dan coderen beide ziekenhuizen waarschijnlijk dezelfde ICD-9-hartklepaandoening. De niet-hartcentra passen daarnaast uitsluitend lagerrisico-verrichtingen toe, voornamelijk catheterisaties of ‘geen verrichting’, met als gevolg een lagere SMR. Hartcentra passen ook en vooral hogerrisico-openhartchirurgie toe voor dezelfde verwezen patiënt, met als gevolg een hogere SMR zoals aangetoond in hoofdstuk 4. Bij de interpretatie van SMRs voor de zeven hartaandoening-gerelateerde diagnosegroepen dienen ziekenhuizen rekening te houden met dit soort effecten, zoals betoogd in hoofdstuk 4.

Ongecorrigeerde casemixvariatie op hoofddiagnoseniveauDe gesignaleerde problemen die zich voordoen bij het model van 2010 zullen naar verwachting worden opgelost in het model van 2011. Dit betekent bijvoorbeeld dat er een correctie komt op de SMR van cerebrovasculaire aandoeningen (CVA’s) van een ziekenhuis met onevenredig veel ‘bloedige’ typen (hogere mortaliteit dan de niet bloedige CVA’s). Ook een traumacentrum kan voor de diagnosegroep ‘intracraniaal letsel’ bijvoorbeeld, een gunstiger resultaat verwachten dan in 2010, omdat deze diagnosegroep een flinke spreiding in mortaliteit vertoont voor de onderliggende ICD-9-codes. Daarvoor zal het model vanaf 2011 grotendeels corrigeren.

Variatie in heropnamenDe variatie in heropnamen hangt samen met de casemix, maar kan ook bepaald zijn door verschillen in behandelpraktijk. Als een ziekenhuis dezelfde patiënt in het algemeen vaker opneemt, leidt dat tot een lagere HSMR – en dat is gunstig voor dat ziekenhuis. Omdat de impact van variatie in heropnamen op de HSMR substantieel kan zijn, is het raadzaam gebruik te maken van de aanpak en de bevindingen uit hoofdstuk 7. Dan kan elk ziekenhuis met de eigen LMR inschatten of hij door dit effect bevoor- of benadeeld wordt.


De HSMR beproefd

142

Verbetering van het instrument

Voor het realiseren van een nieuwe versie van het HSMR-instrument doen wij de volgende aanbevelingen:• Maak voor hartaandoeningen onderscheid tussen hartcentrum versus

niet-hartcentrum. Een verdergaande stap zou kunnen zijn om voor deze aandoeningen, gezien de risicoverschillen, onderscheid te maken tussen drie soorten verrichtingen: open hartchirurgie, dotteren en ‘andere of geen verrichting’.

• Verbeter de correctie voor casemixverschillen op hoofddiagnoseniveau. Hierbij kan de huidige (2010) risico-indeling in klassen verbeterd worden, zoals in hoofdstuk 6 beschreven is (het model van 2011 houdt rekening met deze factor).

• Corrigeer voor opnamefrequentie, bijvoorbeeld met toepassing van de klassenindeling, beschreven in hoofdstuk 7 en 8. Hierbij is een goede registratie van patiëntnummers noodzakelijk, wat in negentien ziekenhuizen in Nederland helaas nog niet het geval is.

• Verbeter de berekenwijze van de charlsonindex door iedere comorbiditeit hoogstens eenmaal mee te tellen en de hoofddiagnose buiten beschouwing te laten.

• Houd bij de berekening van de HSMR rekening met de ICD-9-codes 799.8 en 799.9 (‘diagnose onbekend’). Dit kan met gebruik van de algoritme beschreven in hoofdstuk 3.

nader onderzoek naar aard en invloed van meetfouten

De in dit onderzoek benoemde, maar niet onderzochte bronnen van variatie verdienen nader onderzoek en kwantificering op landelijk niveau. Dit betreft de volgende onderwerpen en vraagstellingen:

• Ziekenhuissterfte van patiënten met palliatieve zorg Welk percentage van de klinisch opgenomen patiënten betreft patiënten met palliatieve zorg en welk deel hiervan overlijdt in het ziekenhuis? In hoeverre wordt de (H)SMR hierdoor beïnvloed en is correctie hiervoor noodzakelijk? In het Verenigd Koninkrijk wordt bij de HSMR-berekening wel gecorrigeerd voor ‘palliative care’. Een betere ziekenhuisadministratie van indicaties kan een ziekenhuis helpen een beter zicht te krijgen op de eigen situatie. De invoering van een landelijke registratie van palliatieve patiënten in het ziekenhuis zou het mogelijk maken deze opnamen te excluderen bij de HSMR-berekening.


Hoo

fdst

uk9

algemene discussie

143

Hierbij dienen wij overigens voorbereid te zijn op het gevaar van potentieel inconsistente registratie door ziekenhuizen.4

• Sterfte binnen 30 dagen na ontslag In hoeverre treden er tussen de ziekenhuizen verschillen op wat betreft deze parameter en in hoeverre beïnvloeden deze de HSMR? Welk deel van deze populatie had bij ontslag al een terminale indicatie? En moeten deze patiënten, net als bij het voorgaande punt, ook worden uitgesloten van de berekening?

• Variatie in omgevingsrisico’s tijdens het inzamelen van variabelen In hoeverre treedt het effect, beschreven door Mohammed MA, et al,5 (de zogenaamde ‘constant risk fallacy’) ook op in Nederland? Bijvoorbeeld: als er in Nederland verschillen op zouden treden in gemiddelde sterfteleeftijd als gevolg van regionale verschillen in leefomstandigheden zoals het milieu. Werkt de correctie voor leeftijd dan wellicht nadelig uit voor ziekenhuizen in een, qua milieu, ‘minder gezonde’ regio? En in hoeverre kunnen we dit soort effecten minimaliseren of corrigeren?

• Sterfte onmiddellijk na binnenkomst op de SEH van het ziekenhuis In hoeverre verschillen ziekenhuizen onderling in hun opnamebeleid en registratiebeleid bij dit soort gevallen? In hoeverre kloppen de waargenomen registraties van opname- en ontslagtijden? In hoeverre heeft dit invloed op de (H)SMR? Is correctie hiervoor noodzakelijk?

• Kwaliteit landelijke registratie Het is nodig een beter inzicht te ontwikkelen in de kwaliteit van het coderen door ziekenhuizen. Op Santeon-niveau is dit ontwikkeld en verbeterd; een soortgelijk onderzoek op landelijk niveau blijft nog steeds nodig.

• Over- en ondercorrectie door HSMR-model Er zijn aanwijzingen dat het HSMR-model gemiddeld ondercorrigeert voor lichte casemix en overcorrigeert voor zware casemix. Dit zou ziekenhuizen met een lichte casemix benadelen en ziekenhuizen met een zware casemix bevoordelen. In welke mate treedt dit op en in hoeverre worden hierdoor de HSMR-uitkomsten vertekend?


De HSMR beproefd

144

Openbaarmaking HSMR

De actuele wens van een aantal partijen in het land om de HSMR openbaar te maken vooronderstelt dat er een verband bestaat tussen HSMR en kwaliteit van zorg. Echter, uit dit proefschrift blijkt dat de HSMR anno 2010 nog substantieel vertekend wordt door een aantal bronnen van variatie. Bij het doorrekenen van het gecombineerde effect op de SMR (diagnosegroepsniveau) van slechts drie bronnen van systematische variatie en toeval, bleek de verhouding tussen de sterkte van het ware SMR-signaal en de sterkte van het meetfoutsignaal al in de orde van grootte van 1. Op ziekenhuisniveau was het HSMR-signaal ongeveer twee keer zo sterk als het meetfoutsignaal. Als we alle benoemde bronnen van variatie gecombineerd zouden doorrekenen, zou deze verhouding waarschijnlijk nog kleiner (ongunstiger) worden en openbaarmaking zou zeker niet gerechtvaardigd zijn. Met gebruik van het HSMR-model anno 2010 is er nog steeds een niet te verwaarlozen kans dat meerdere ziekenhuizen, bij openbaarmaking van de HSMR, ten onrechte publiekelijk geassocieerd zullen worden met significante oversterfte.

eindconclusie

De HSMR is het resultaat van een geavanceerde statistische rekenmethode. Door zijn breedte en statistische onderbouwing kent deze indicator voor kwaliteit van zorg op ziekenhuis- en diagnosegroepsniveau zijn gelijke niet in Nederland. De ontwerpers van het HSMR-instrument voor Nederland claimden in 2010 dat het model inmiddels goed in staat zou zijn om sterfte te voorspellen. In dit proefschrift heb ik echter laten zien dat de betrouwbaarheid, de validiteit en de bruikbaarheid nog verbeteringen behoeven. Daarbij is gebleken dat de factoren die de HSMR vertekenen in veel gevallen systematisch van aard zijn. De bestaande onzekerheid over de mate waarin deze systematische meetfouten de resultaten van de HSMR beïnvloeden, maakt het op dit moment moeilijk om verschillen in kwaliteit tussen ziekenhuizen op te sporen. Sceptici zijn daarom van mening dat de HSMR een onbruikbare indicator is.

Ikzelf vind dat de HSMR gekoesterd zou moeten worden en ik heb in dit proefschrift aangetoond dat het HSMR-model in potentie verbeterd kan worden. Er moet dus nog het nodige gebeuren om het tot een valide en breed inzetbaar instrument te maken. De partijen die het HSMR-model verder gaan ontwikkelen zouden de inzichten, weergegeven in dit proefschrift, kunnen gebruiken voor het reduceren


Hoo

fdst

uk9

algemene discussie

145

van de beschreven effecten, door aanpassing van het rekenmodel. Ook de ziekenhuizen kunnen bijdragen aan een betere HSMR door het goed en consistent coderen van patiëntgegevens. Tevens moet er nog veel onderzoekwerk gedaan worden naar andere, niet in dit proefschrift beschreven effecten van verstorende variatie.

Na het realiseren van de nodige verbeteringen, kan er een moment komen waarop de HSMR in Nederland geschikt is voor kwaliteitsverbeteringen en openbaarmaking. Het is echter raadzaam om op dat moment ook een goede schatting te publiceren van de onzekerheid in de uitkomst van de HSMR. Deze wordt bepaald door de dan nog resterende niet gecorrigeerde bronnen van variatie en de onzekerheid als gevolg van toeval. De onzekerheid kan uitgedrukt worden in ‘signal-to-distortion-ratios’ voor SMR en HSMR. Dat zou de transparantie ten aanzien van de (H)SMR en zijn beperkingen ten goede komen en ik vind dat alle belanghebbenden daar recht op hebben. Wellicht kunnen sceptici en opportunisten elkaar dan vinden in het waarderen en toepassen van het HSMR-instrument. Ziekenhuizen en vooral patiënten zullen daar baat bij hebben.

literatuur

1. Pieter D, Kool RB, Westert GP. Beperkte invloed gegevensregistratie op gestandaardiseerd ziekenhuissterftecijfer (HSMR), Ned Tijdschr Geneeskd. 2010; 154:A2186.

2. Black N. Assessing the quality of hospitals. BMJ 2010;340:c2066.3. Penfold RB, Dean S, Flemlons W, Moffatt M. Follow the Big Dots? HealthcarePapers

2008;Vol. 8 No. 4; 69-75.4. Brien SE, Ghali WA. CIHI’s Hospital Standardized Mortality Ratio: Friend or Foe.

HealthcarePapers 2008;Vol. 8 No. 4; 57-60.5. Mohammed MA, Deeks JJ, Girling A, Rudge G, Carmalt M, Stevens AJ, Lilford

RJ. Evidence of methodological bias in hospital standardised mortality ratios: retrospective database study of English hospitals. BMJ 2009;338:b780.

6. Ben-Tovim D, Woodman RJ, Harrison JE, Pointer S, Hakendorf P, Henley G. Measuring and reporting mortality in hospital patients. Canberra: AIHW, 2009. (Cat No HSE 69.)


SaMenVattIng


De HSMR beproefd

148

achtergrond en doelstellingen

Het gestandaardiseerde ziekenhuissterftecijfer, de HSMR (hospital standardised mortality ratio), heeft het afgelopen decennium, zowel in binnen- als in buitenland, sterk in de belangstelling gestaan als indicator voor de kwaliteit van zorg van ziekenhuizen. Met deze indicator worden ziekenhuissterftecijfers onderling vergeleken, na correctie voor patiëntkenmerken en met gebruikmaking van ‘logistische regressie’, een geavanceerde statistische techniek.De HSMR kan op verschillende niveaus worden toegepast. Enerzijds op ziekenhuisniveau, voor het onderling vergelijken van ziekenhuizen, anderzijds op het niveau van diagnosegroepen, door middel van SMRs (standardised mortality ratios), voor het verbeteren van kwaliteit van zorg. Verschillende partijen hebben een belang bij het toepassen van de HSMR. Zo wordt de HSMR In Nederlandse ziekenhuizen al een aantal jaren gebruikt bij kwaliteitsverbetering van zorgprocessen. Ook is de HSMR in potentie een middel om de transparantie in de zorg te verhogen, door het openbaar maken van de cijfers. De Inspectie en de media juichen deze ontwikkeling toe. En uiteindelijk heeft de patiënt baat bij zowel verbetering van de kwaliteit van zorg, als bij meer openheid.

Een goede indicator dient betrouwbaar en valide te zijn. Om dit aan te tonen voor de HSMR blijkt niet eenvoudig. Hoe betrouwbaar zijn de onderliggende data die gebruikt worden voor de berekening? En worden de kwaliteitsbepalende eigenschappen van de zorgprocessen adequaat vertaald door het HSMR-model? Welke factoren, niet bepaald door kwaliteit van zorg, kunnen hierbij verstorend werken op de uitkomst van de HSMR-berekening en hoe groot is deze invloed? Dit proefschrift beschrijft de resultaten van een onderzoek naar deze verstorende factoren aan de hand van de volgende onderzoeksvragen:1. Welke factoren kunnen de validiteit en de betrouwbaarheid van de HSMR en

de bijbehorende SMRs mogelijk beïnvloeden?2. Hoe groot is deze invloed op de uitkomsten van HSMR en SMRs?3. In hoeverre is de HSMR geschikt, of kan hij geschikt gemaakt worden, om



Samenvatting

149

Methode

Om de onderzoeksvragen te kunnen beantwoorden zijn de volgende vormen van variaties geselecteerd en geanalyseerd:

1. Variatie in opnameregistratiesAlle ziekenhuisopnamen worden vastgelegd in de landelijke medische registratie (LMR). Het onderzoek richtte zich op drie aspecten van het coderen die gevoelig zijn voor fouten of inconsistenties: de hoofddiagnose, de nevendiagnoses en de opname-urgentie. Hierbij zijn de gegevens geanalyseerd van de LMR-database van zes topklinische ziekenhuizen. Tevens zijn medisch codeurs van deze ziekenhuizen geïnterviewd. De onderzoeksperiode betrof de jaren 2003 tot en met 2007.

2. Variatie in behandeltypen voor hartaandoeningenDeze behandeltypen zijn vastgelegd in de wet bijzondere medische verrichtingen (WBMV). Bij twaalf hartcentra in Nederland werd onderzocht wat het effect is op de HSMR van de volgende bijzondere medische verrichtingen: open hartchirurgie en dotterbehandelingen. Het onderzoek bestond uit het uitvoeren van een HSMR-berekening mét - en een berekening zónder deze verrichtingen, met onderlinge vergelijking van de resultaten. De onderzoeksperiode betrof het jaar 2004.

3. Variaties in casemix op hoofddiagnoseniveauOnderzocht is of er in de patiëntenpopulatie casemixverschillen optreden op het niveau van de hoofddiagnose. Hierbij is gebruikgemaakt van de LMR van alle Nederlandse ziekenhuizen over een aaneengesloten periode van vijf jaar (2005 t/m 2009). Onderzocht is in hoeverre het HSMR-instrument adequaat corrigeerde voor mogelijke verschillen. Hiertoe werd de gestandaardiseerde sterfte berekend voor hoog- en laagrisico-diagnosesubgroepen, om vervolgens de uitkomsten onderling te vergelijken.

4. Variaties in de frequentie waarmee patiënten worden heropgenomenHierbij is onderzocht in hoeverre zes topklinische ziekenhuizen (Santeon) onderling verschillen in het gemiddeld aantal (her)opnamen van een gelijksoortige patiënt - en in hoeverre voorspelde sterfte samenhangt met de opnamefrequentie. Daarna is op landelijk niveau bepaald in hoeverre variatie in opnamefrequentie de HSMR beïnvloedt als onderdeel van de gecombineerde effecten. De onderzoeksperiode betrof de jaren 2003 tot en met 2009.


De HSMR beproefd

150

Belangrijkste bevindingen

Registratie

Hoofddiagnose, nevendiagnoses en opname-urgentie bleken niet eenduidig te worden gecodeerd. Oorzaken daarvoor zijn onder andere: het onvolledig invullen van de ontslagbrief door de arts, tijdsdruk als gevolg van capaciteitstekorten bij de medisch codeurs, ambigue diagnosecodes, een ambigue codeerregel voor opname-urgentie en het maken van codeerfouten. Het vaststellen van de invloed op de HSMR door middel van herberekening bleek in veel gevallen ondoenlijk. De impact van het veelvuldig gebruik van de codes 799.8 en 799.9 (‘diagnose onbekend’) kon wel worden ingeschat: bij één van de zes onderzochte ziekenhuizen steeg de HSMR daardoor met 22 punten, bij een ander ziekenhuis daalde de HSMR met 5 punten. Tevens bleek dat variaties in het percentage van de als ‘acuut’ gecodeerde opnamen, een sterke invloed kunnen hebben op de HSMR.

Bijzondere medisch verrichtingen

Bij het behandelen van hartaandoeningen blijkt variatie op te treden als gevolg van een tweedeling in de Nederlandse ziekenhuiszorg: hartcentra versus niet-hartcentra. Omdat de HSMR-methodiek principieel niet corrigeert voor behandeltype, blijken hartaandoeningen een belangrijke bron van variatie voort te brengen. Uit de analyse bleek verder dat dotterbehandelingen HSMR-verlagend werken en openhartchirurgie HSMR-verhogend. Bij het gecombineerde effect van weglaten van beide behandeltypen bleek het effect op de HSMR bij hartcentra te variëren van -4,7% tot 5,3%.

casemix op diagnoseniveau

De zwaarte van de casemix blijkt op het niveau waarop de hoofddiagnose gecodeerd wordt (ICD-9) te variëren voor nagenoeg alle diagnosegroepen waarover de HSMR wordt berekend. De in 2010 gebruikte HSMR-berekening in Nederland blijkt hiervoor niet adequaat te corrigeren. Bij vergelijking van de oorspronkelijk en nieuw berekende gestandaardiseerde sterftecijfers treden relatieve verschuivingen op, variërend van -63% tot +202% van de oorspronkelijke SMR-waarden, respectievelijk van -6,7% tot +4,3% van de oorspronkelijke HSMR-waarden. De standaarddeviaties van de frequentieverdelingen van deze verschuivingen bedragen 14,6% (SMRs) respectievelijk 2,0% (HSMRs).


Samenvatting

151

Heropnamen

Ook de frequentie waarmee ziekenhuizen patiënten opnemen vormt een bron van variatie. Het komt voor dat het ene ziekenhuis ‘dezelfde patiënt’, in termen van casemixkenmerken, vaker opneemt dan een ander ziekenhuis zou doen onder gelijke omstandigheden. Variatie in ‘opnamefrequentie’ blijkt samen te hangen met variatie in het gestandaardiseerde sterftecijfer. Deze ratio bleek bij frequent opgenomen patiënten significant lager te zijn dan bij niet frequent opgenomen patiënten. Aangezien de opnamefrequenties tussen ziekenhuizen onderling sterk verschillen, blijken ziekenhuizen met relatief veel frequent opgenomen patiënten bevoordeeld ten opzichte van ziekenhuizen met relatief weinig frequent opgenomen patiënten.


Bovenstaande factoren, met uitzondering van registratievariatie, bleken retrospectief gecorrigeerd te kunnen worden in één berekening. Hierbij zijn twee berekenvarianten vergeleken: een variant nagenoeg gelijk aan het HSMR-model 2010 en eenzelfde model met extra correctie voor de drie laatst genoemde factoren (bijzondere medische verrichtingen, casemix op hoofddiagnoseniveau en heropnamen). Inclusief de invloed van variatie door toeval, resulteerde dit in een indicatie voor de S/D-ratio (‘signal-to-distortion-ratio’) van de (H)SMR: op SMR-niveau bleek deze circa 1, wat aangeeft dat het signaalniveau (de SMR) en het niveau van de verstoring vergelijkbaar sterk zijn. Op HSMR-niveau lag de uitkomst rond de 2. Als alle andere wel gekwalificeerde maar niet gekwantificeerde bronnen van variatie ook zouden meetellen, dan komen deze waarden waarschijnlijk lager (ongunstiger) uit.


De HSMR beproefd

152

algemene discussie en aanbevelingen

De HSMR anno 2010 is het resultaat van een geavanceerde statistische rekenmethode. Als indicator voor kwaliteit van zorg op ziekenhuis- en diagnosegroepsniveau kent deze indicator zijn gelijke niet in Nederland. Aan de andere kant blijkt het zuivere signaal dat hiervan uit moet gaan nog ondergedompeld in een veelheid van stoorsignalen. Sceptici beweren daarom dat de HSMR een onbruikbaar instrument is. Andere partijen vinden weer dat de HSMR gekoesterd moet worden. Dit proefschrift wil de huidige HSMR verwerpen noch omarmen; wel vraag ik aandacht voor de potentie van dit nu nog onzuivere instrument.

Verbetering van het instrument

Enkele suggesties voor de verbetering van de HSMR zijn: • Maak bij de berekening voor hartaandoeningen onderscheid tussen

hartcentrum versus niet-hartcentrum, eventueel verfijnd naar typen verrichtingen.

• Verbeter de correctie voor casemixverschillen op hoofddiagnoseniveau, met gebruik van een verbeterde indeling van de risicoklassen.

• Corrigeer voor opnamefrequentie.• Verbeter de berekenwijze van de charlsonindex door iedere comorbiditeit

hoogstens eenmaal mee te tellen en de hoofddiagnose buiten beschouwing te laten.

• Onderzoek een mogelijke over- en ondercorrectie voor casemix zwaarte van het HSMR-instrument en minimaliseer het effect.

gebruik HSMR bij kwaliteitsverbetering in ziekenhuizen

Zolang de hierboven voorgestelde verbeteringen bij het berekenen van de HSMR niet doorgevoerd zijn dienen ziekenhuizen rekening te houden met het mogelijk optreden van vertekenende effecten. Tevens verdient het aanbeveling dat ziekenhuizen het coderen van de eigen LMR goed en eenduidig op orde hebben.

nader onderzoek naar aard en invloed meetfouten

Niet onderzochte bronnen van variatie verdienen nader onderzoek en kwantificering op landelijk niveau. Dit betreft met name onderzoek naar variatie in ziekenhuissterfte van patiënten met palliatieve zorg, omgevingsrisico’s tijdens


Samenvatting

153

het inzamelen van variabelen, sterfte onmiddellijk na binnenkomst op de SEH van het ziekenhuis, sterfte binnen 30 dagen na ontslag en de kwaliteit van de LMR.

Openbaarmaking HSMR

Als de HSMR eenduidig en aantoonbaar samenhangt met de kwaliteit van zorg in ziekenhuizen, zou er technisch gezien geen bezwaar zijn tegen openbaarmaking. Echter, uit dit proefschrift is gebleken dat de huidige HSMR (2010) nog substantieel vertekend wordt door een groot aantal bronnen van variatie. Er bestaat bij de huidige HSMR nog steeds een reële kans dat meerdere goede en veilige ziekenhuizen ten onrechte een hoge HSMR scoren. Een dergelijke situatie maakt openbaarmaking ongewenst. Pas wanneer het HSMR-instrument verbeterd wordt, onder andere met behulp van de bevindingen in dit proefschrift, staat de kwaliteit van het instrument openbaarmaking niet meer in de weg. Het zou wenselijk zijn om bij die publicatie ook een indicatie te geven van de overgebleven S/D-ratio.


aBStRact


De HSMR beproefd

156

the HSMR tested

type and impact of measurement errors

in determining standardised mortality ratios

Background and aims of the study

The hospital standardised mortality ratio, the ‘HSMR’, has received attention in the Netherlands and abroad, as an indicator of the quality of care. The intention is that outcomes would enable comparisons on mortality ratios to be made between hospitals on a national level after statistical adjustment was made for the casemix. In addition to this, the indicator can also be used on the more detailed level of the diagnostic group within a hospital. This is called a standardised mortality ratio (SMR).Various parties have an interest in applying the HSMR and the SMRs. SMRs have, for example, been used in Dutch hospitals for several years in order to monitor and improve the quality of care. The HSMR can also be used to increase transparency in health care by making the figures public. The Inspectorate and the media welcomed this development. Finally, it is hoped that the potential improvement in the quality of care and the greater transparency may benefit the patient.The HSMR is an indicator that should reflect variations in quality of care. While a good indicator should be reliable and valid, demonstrating these properties for the HSMR is not easy. There are a number of factors that have nothing to do with quality of care, which could distort the validity of the HSMR. Firstly the data used to calculate the HSMR may be unreliable, incomplete or inconsistent. Secondly, there are factors or circumstances, different between hospitals, that may distort the HSMR-outcomes. This thesis describes the results of an investigation into these distorting factors. The questions we addressed are the following:1. What factors could affect the validity and reliability of the HSMR?2. What is the possible impact of these factors on the results of HSMR and SMRs?3. And to what extent is the HSMR suitable as an indicator in support of improving

the quality of care and allowing public disclosure?


abstract

157

Methods

Four different types of variations, which we call ‘sources of distortion’, have been analysed in order to answer the research questions.

1. Variation in the registration of admissions, as collated in the national medical registration dataset (LMR). The study focused on three aspects of the coding process that are sensitive to errors or inconsistencies. These are: the principal diagnosis, secondary diagnoses and admission type. This involved the analysis of data from the LMR from six large non-university teaching hospitals (Santeon). Furthermore medical coders from these hospitals were interviewed. The study period covered the years 2003 to 2007.

2. Variation in the type of treatment for heart disease as determined by the ‘Special Medical Procedures Act’ (WBMV). The effect of carrying out open heart surgery and angioplasty treatment by twelve cardiac centres in the Netherlands has been examined. The impact upon the HSMR of these cardiac centres has been examined by calculating the HSMR with, and without carrying out these procedures and by comparing the results. The study period was 2004.

3. Variations in the casemix on the primary diagnostic level. The occurrence of variations in the casemix on the primary diagnostic level was analysed using the LMR of all Dutch hospitals over the years 2005 to 2009. It was investigated whether the HSMR corrected adequately for possible variations, by calculating the standardised mortality ratios for high risk and for low risk diagnostic subgroups and by comparing the outcomes.

4. Variations in the frequency of readmission. This study analysed whether the number of times on average that a patient was admitted, the ‘readmission frequency’, differed among six, large, non-university teaching hospitals. In addition we looked at the extent to which predicted mortality was associated with the readmission frequency. The Santeon study period covered the years 2003 to 2007. The impact that differences in readmission frequency have on the HSMR was calculated using nationwide data over the years 2005 to 2009.


De HSMR beproefd

158

Main findings

Registration

The principal diagnosis, secondary diagnoses and admission type showed variations in coding due to: the physician not (timely) delivering medical patient data at discharge; pressure on the time available to do the coding work, because of a limited number of coders; ambiguous diagnosis codes; ambiguous coding rules for coding admission-type and, to a limited degree, to mistakes in the coding. In most of the cases it turned out to be impossible to assess the impact upon the HSMR outcome by recalculation. The impact of the frequently used codes 799.8 and 799.9 (‘diagnosis unknown’) could however be estimated. For one of the six hospitals the HSMR increased by 22 HSMR points after correction and for another hospital it fell by 5 HSMR points. Variations observed in the percentage of emergency admissions coded, may have had a strong impact on the HSMR but this could not be quantified.

Special medical procedures

In the treatment of heart disease, variation occurs as a consequence of a division of the Dutch hospitals into either cardiac, or non-cardiac, centres. Cardiac centres perform special medical procedures that non-cardiac centres are not allowed to perform. Because the HSMR-model does not adjust for medical procedures, the treatment of heart disease turns out to be a source of variation. The analysis showed that angioplasty is associated with a decrease of HSMR and open heart surgery is associated with an increase of HSMR. The combined effect of omitting both types of treatment in the calculation, showed the HSMR to change within a range from -4.7 to 5.3%.

casemix on the primary diagnostic level

The casemix on the primary diagnostic level (ICD-9) varies substantially for virtually all diagnostic groups involved in the calculation of the HSMR. The HSMR calculation, used in the Netherlands in 2010, does not adequately adjust for these variations. When comparing the original and newly calculated standardised mortality ratios, relative shifts occur ranging from -63% to 202% of the original SMR values, respectively, and from -6.7% to 4.3% of the original HSMR values. The standard deviations of the frequency distributions of these shifts amount to 14.6% for the SMRs, respectively to 2.0% for the HSMRs.


abstract

159

Readmissions

Differences in the readmission frequency turned out to be a source of variation. It may occur that one hospital admits the ‘same patient’, in terms of casemix variables, more frequently than another hospital would do under similar circumstances. Variation in the readmission frequency appears to be associated with a variation in predicted death and consequently with variation in standardised mortality ratios. The standardised mortality ratio for frequently admitted patients in general turned out to be significantly lower than the standardised mortality ratio for non-frequently admitted patients. Since admission frequencies vary substantially between hospitals, this may favour hospitals with relatively many frequently admitted patients.

combination of effects

Based on our findings we calculated a new HSMR by adjusting for the factors mentioned above, with the exception of variation in registration. We calculated and compared two variants. One variant was nearly identical to the 2010 HSMR-model while the other included additional adjustment for the three factors mentioned. This resulted in an indication of the ‘signal-to-distortion-ratio’ of the (H)SMR while including the impact of random noise.On the SMR level this ratio equalled approximately 1, indicating that the signal (distribution of all SMRs) and the distortion had a comparable level. On the HSMR level the ratio equalled approximately 2. If all the other known sources of distortion were to be quantified and counted, then these ratios would most likely turn out to be lower (worse).

general discussion and recommendations

The HSMR is the result of a sophisticated statistical calculation. There is no other such indicator of the quality of care on the hospital level and on the diagnostic group level in the Netherlands. However the signalling function it should perform is still immersed in a multitude of distorting factors. The current signal-to-distortion-ratio of the HSMR is unacceptably low. Sceptics may therefore consider it a useless tool. Other parties, who believe in the potential of the instrument, think that the HSMR should be utilised. Both would benefit from a HSMR free of distortion.


De HSMR beproefd

160

Improving the instrument

Improvements can be made to the HSMR instrument. A distinction can be made between cardiac centres and non-cardiac centres for heart diseases. By using an enhanced classification of risk categories improvements are possible in the adjustment for casemix differences on the primary diagnostic level. The HSMR can be adjusted for readmission frequency if a unique patient identification is available in the registration of the hospitals. By counting each co-morbidity no more than once and by excluding the primary diagnosis from the calculation, the method of calculating the charlsonindex can be improved.

Using the HSMR for quality improvement in hospitals

If the improvements suggested above in calculating the HSMR are not yet implemented, then we would recommend taking into account the possible occurrence of distorting effects. It is also important to maintain an adequate, unambiguous and complete registration of admissions (LMR).

Further investigation of the type and impact of measurement errors

Sources of distortion not investigated in this study deserve to be analysed and quantified on the national level. In particular we would highlight the following: the impact of palliative care; the ‘constant risk fallacy’; death immediately after entering the emergency room of the hospital; death within 30 days after discharge; and the quality of the admission registration nationwide.

Public disclosure of the HSMR

If the HSMR can be clearly and demonstrably linked to the quality of care in hospitals, then there would be no technical arguments against disclosure. However, this thesis has shown that the HSMR, according to the Dutch 2010 model, is distorted by numerous sources of uncorrected variation. There is a fair chance that various good and safe hospitals could still score an unduly high HSMR in which case disclosure is undesirable. Only after improvement of the HSMR instrument, by applying among other things, the findings of this thesis, can the quality of the instrument be sufficiently guaranteed so as not prohibit disclosure. It is recommended that the publication also includes an indication of the residual level of distortion, expressed as a ‘signal-to-distortion-ratio’, including the level of random noise determined by confidence intervals.


DanKwOORD


De HSMR beproefd

164

Dit proefschrift kwam tot stand dankzij de bijdragen van veel mensen en met de steun van verschillende organisaties. Het onderzoek naar de bruikbaarheid van de HSMR werd geïnitieerd en mogelijk gemaakt door zes topklinische ziekenhuizen die samenwerken onder de naam Santeon. Daartoe stelden zij hun individuele LMR-data ter beschikking, als basis voor het onderzoek. Tevens kreeg ik de mogelijkheid om vergelijkend onderzoek te doen binnen de diverse ziekenhuizen en van gedachten te wisselen met artsen en medewerkers, om ‘verborgen mechanismen’ achter het HSMR-getal te kunnen achterhalen. Veel dank aan deze ziekenhuizen, met name aan mijn thuisbasis, het St. Antonius Ziekenhuis. Dank Huub Haanen voor je waardevolle tips en voor je betrokkenheid bij mijn onderzoek. Verder wil ik Santeon-voorzitter Douwe Hemrika bedanken voor het stimuleren en adviseren gedurende het hele traject. Ook de medewerkers van het Santeon-programmabureau en de leden van de Santeon-kwaliteitsgroep hartelijk dank voor de ondersteuning en het voortdurend meedenken. In dit verband wil ik ook graag de rol van de medisch codeurs in de ziekenhuizen noemen. Zij hebben mij laten zien dat ondanks de werkdruk er heel veel goed werk wordt afgeleverd. Ook wezen ze mij erop welke cruciale zaken er bij het coderen om allerlei redenen nog kunnen mislopen. Dank voor het verdiepen van mijn inzichten in de oorzaken hiervan.

Mijn grote dank gaat uit naar Cordula Wagner, mijn promotor en copromotor tegelijk. Ik heb je enthousiasme en energieke inzet bij de begeleiding als bijzonder, inspirerend en waardevol ervaren. Wij hebben veel gebrainstormd over concepten, wat altijd weer interessante ideeën opleverde. Daardoor ben ik ook gaan inzien hoe je een wetenschappelijke redeneertrant opzet, wat natuurlijk nodig is om tot een adequaat artikel te komen. Via jouw inbreng kreeg ik toegang tot de steun van het Nivel. Met name de reviews van manuscripten door Nivel-onderzoekers heeft het onderzoek veel goed gedaan. Tijdens het ontwikkelen van een nieuw manuscript kan er onwillekeurig een blinde vlek ontstaan voor relevante tekortkomingen; de onderzoekers wisten die, iedere keer tot mijn verbazing, feilloos te detecteren. Mijn dank daarvoor. En dan natuurlijk Peter Spreeuwenberg. Zonder jouw bijdrage aan het ontwikkelen van de verschillende regressiemodellen in de eindfase van het onderzoek, was ik er niet achter gekomen hoe groot de impact van de onderzochte variatiebronnen nu echt was. In die tijd werd de computers weinig nachtrust gegund, maar de resultaten zijn er dan ook naar. Heel veel dank voor de samenwerking.Bij de ontwikkeling en uitwerking van ideeën is nog een aantal andere partijen actief betrokken geweest. Om te beginnen de landelijke Expertgroep-HSMR, waar ik veel heb kunnen reflecteren op het onderwerp. Dank aan alle leden van de groep. Ik wil in het bijzonder Cor Kalkman danken, die mij heeft voorgedragen

Bosch Bw.indd 164 za 23-07-11 za 23 07 2011 14:59

165

Dankwoord

als lid van de groep en met wie ik waardevolle discussies mocht voeren over de HSMR. Dank ook aan de stichting ‘Dutch Hospital Data’ die mij toestemming gaf voor het gebruik van geanonimiseerde LMR-data, ten behoeve van het onderzoek naar het HSMR-model. Verder een woord van dank aan Kiwa Prismant, met name voor de hulp bij het toegankelijk maken van de HSMR-data van Santeon. Daarbij heeft Daniël Pieter zich steeds ingespannen om de cijfers tijdig te berekenen en klaar te zetten; dank hiervoor en voor de goede samenwerking.

Aan de inhoudelijke en tekstuele kwaliteit van dit proefschrift hebben veel mensen een waardevolle bijdrage geleverd. Dank aan al mijn medeauteurs voor het inbrengen van ideeën en het kritisch doornemen van manuscripten. Mijn eerste publicatie was niet mogelijk geweest zonder de sterke inbreng van Wilco Graafmans; veel dank hiervoor. Bob Silberbusch en Klaas Jan Roozendaal, jullie waren zeer behulpzaam bij het op gang brengen van het Santeon-onderzoek; dank voor de goede samenwerking. Hans Kelder wil ik hartelijk danken voor zijn bijdrage aan een publicatie die een lange weg gegaan is. ‘De aanhouder wint’, zegt het spreekwoord met recht; dank ook voor je bemoediging. Naast de medeauteurs wil ik de referenten danken voor hun ‘peer review’; zij hebben in alle gevallen bijgedragen aan een beter resultaat. Dank ook aan Harmen Holwerda, Paul van Elk en Tony Sheldon voor het taalkundig verbeteren van de teksten. Tot slot veel dank aan Martine de Bruijne voor het doornemen en becommentariëren van het gehele proefschrift.

De leden van de promotiecommissie wil ik danken voor hun bereidheid mijn proefschrift te beoordelen en met mij van gedachten hierover te wisselen tijdens mijn promotie.

Het heeft me altijd goed gedaan te merken dat de mensen om mij heen interesse toonden voor de vorderingen van het onderzoek. Dank lieve familie, vrienden en collega’s voor deze warme belangstelling. In het bijzonder noem ik: Christiaan, Patricia en Douwe, Gerbrand en Suzanne; en Janneke, dank dat je mij als paranimf wilde bijstaan.

Lest best mijn lieve Janny. Zonder jouw stimulans was ik waarschijnlijk nooit begonnen aan dit avontuur. En mede door jouw liefdevolle steun de afgelopen jaren heb ik het avontuur tot dit resultaat kunnen brengen. Je was in woord en daad dan ook mijn paranimf, lang voordat ik je daarvoor formeel vroeg. Heel veel dank voor dit alles en ook voor het creatieve ontwerp van de omslag. Ik heb voortdurend het gevoel gehad dat we het echt samen hebben gedaan.


De HSMR beproefd

166

Overzicht van artikelen

gepubliceerd

Bosch WF van den, Graafmans WC, Pieter D, Westert GP. Hartcentra en het effect van bijzondere medische verrichtingen op het gestandaardiseerde ziekenhuissterftecijfer. Ned Tijdschr Geneeskd. 2008;152:1221-7.

Bosch WF van den, Roozendaal KJ, Silberbusch J. Schommelende sterftecijfers; HSMR nog geen betrouwbare maat voor zorgkwaliteit. Medisch Contact, nr. 31/32 - 30 juli 2009: 1344-48.

Bosch WF van den, Silberbusch J, Roozendaal KJ, Wagner C. Variatie in codering patiëntgegevens beïnvloedt gestandaardiseerd ziekenhuissterftecijfer (HSMR). Ned Tijdschr Geneeskd. 2010;154:A1189.

Bosch WF van den, Kelder HC, Wagner C. Predicting hospital mortality among frequently readmitted patients: HSMR biased by readmission. BMC Health Serv Res 2011;11:57.

Bosch WF van den, Spreeuwenberg P, Wagner C. Gestandaardiseerd ziekenhuissterftecijfer (HSMR): correctie voor ernst hoofddiagnose kan beter. Ned Tijdschr Geneeskd. 2011;155:A3299.

Ingediend

Bosch WF van den, Spreeuwenberg P, Wagner C. Using standardised mortality ratios for detecting best practices. A retrospective database study of six large non-university teaching hospitals.


167

Bijlagen

Bijlagen

Bijlage 1: codeerrichtlijn Santeon

De werkgroep Kwaliteit van Santeon adviseert het bestuur van de onderstaande richtlijnen voor het coderen van de LMR goed te keuren en de betrokken artsen, codeurs, leidinggevenden codeurs en de partijen die de opname-urgentie bepalen, te vragen deze richtlijnen vanaf 2010 toe te passen. Het doel van deze richtlijnen is om te komen tot een meer eenduidig opgebouwde LMR die een betere vergelijking tussen de zes ziekenhuizen toelaat van de gestandaardiseerde ziekenhuissterfte. Onderstaande versie is opgesteld in februari 2010 en na evaluatie herzien in november 2010. Het betreft de volgende onderwerpen:

1. Tijdige aanlevering dossiers Tijdige aanlevering elektronisch dan wel papier, door artsen van volledige en correcte ontslaggegevens. Van iedere ontslagen patiënt dienen de relevante ontslaggegevens tijdig (uiterlijk twee maanden na ontslag) aangeleverd te worden. In het kader van deze richtlijn dienen in ieder geval hoofddiagnose en alle relevante nevendiagnoses duidelijk vermeld te worden (in de ontslagbrief ).

2. Coderen hoofddiagnosesBij het coderen van de hoofddiagnoses dienen onderzoeks-/behandelomschrijvingen zo veel mogelijk vermeden te worden. In plaats daarvan dient de onderliggende aandoening die aanleiding was voor de opname te worden gecodeerd. Is de onderliggende aandoening onduidelijk of (nog) niet aangetoond bij ontslag, dan dient men de opnameklacht(en) te coderen in plaats van de onderzoeks-/behandelingomschrijvingen. Ter illustratie; codeer POB-klachten, indien een patiënt een nacht ter observatie is opgenomen en men bijvoorbeeld geen acuut myocardinfarct of onstabiele angina pectoris heeft geconstateerd. Diagnoses die in het verleden sterk wisselend gecodeerd werden en waarvoor een uniforme codeerafspraak nodig is, zijn vermeld in tabel 1, evenals de aanbevolen codeeralternatieven. Verder mogen de codes 799.8 en 799.9 (diagnose onbekend) niet meer gebruikt worden.

3. Coderen nevendiagnosesHet coderen van de nevendiagnoses dient zo volledig mogelijk, voor zover relevant voor de opname, gecodeerd te worden. Indien de patiënt één of meerdere nevendiagnoses heeft die voorkomen op de ‘charlsonindex’ lijst (bijlage 2) dan deze zeker vermelden. Deze lijst beschikbaar maken voor artsen en codeurs.


De HSMR beproefd

168

4. Coderen opname-urgentieDe definitie van een acute opname luidt (Prismant): “Een niet (voor dat moment) geplande opname, die niet uitgesteld kan worden, omdat onmiddellijke hulpverlening (observatie, onderzoek of behandeling) noodzakelijk is”. Hieraan voegen wij toe dat indien de komst van de patiënt aangekondigd (dus gepland) is, maar waarbij behandeling niet kan wachten tot de volgende dag, er ook sprake is van een acute opname. Dit kan bijvoorbeeld bij verwijzing vanuit een ander ziekenhuis of indien bij aanvankelijk polibezoek een directe opname noodzakelijk blijkt. Ook bij directe opname op de IC of de acute harthulp, waarbij de SEH wordt overgeslagen, is sprake van een acute opname. taBel 1 Aanbevelingen bij het coderen van hoofddiagnoses ten behoeve van de LMR

IcD-9-code en hoofddiagnosetitel aanbevolen codeeralternatief

2754 Stoornis calcium stofwisseling Onderliggende aandoening (meestal oncologisch) coderen

42689 Geleidingsstoornis nec 4274660 Acute bronchitis Bij volwassenen 491.2 of 4967889 Symptoom urinewegen nec Indien urineweginfectie, dan 599.07906 Afwijkende bloedchemie nec Deze code vermijden en onderliggende aandoening

coderen

V078 Behoefte aan gespecificeerde profylactische maatregelen

Indien HIV verneveling dan HIV coderen, anders zo laten

V581 Onderhouds chemotherapie Onderliggende oncologische aandoening coderen indien nog sprake is van mogelijke metastase na verwijderen primaire tumor

V582 Bloedtransfusie Acute leukemie of anemie coderen (285.9)V588 Overige gespecificeerde nazorg Bij pijnbestrijding oké, anders onderliggende

aandoening coderen

V589 Nazorg niet gespecificeerd Onderliggende aandoening coderenV672 Follow-up onderzoek na chemotherapie

Onderliggende oncologische aandoening coderen

V689 Administratieve bezoek nno Probeer te vermijdenV708 Overig algemeen medisch onderzoek nec

Probeer te vermijden, anders oké

V714 Observatie na een ongeval nec Probeer te vermijden, anders okéV718 Observatie ivm verdenking op aandoening nec


V719 Observatie ivm verdenking op nno aandoening


V725 Radiologisch onderzoek, nec Onderliggende aandoening of symptoom via radiologisch verslag

V728 Speciaal onderzoek nec Indien mogelijk, onderliggende aandoening via scopieverslagen of verslagen nucleaire geneeskunde coderen; slaaponderzoek wel met V728 coderen


169

Bijlagen

taBel 1 VervolgIcD-9-code en hoofddiagnosetitel aanbevolen codeeralternatiefV768 Screening op neoplasma nno Onderliggende oncologische aandoening coderenV800 Screening op neurologische aandoening

Neurologische aandoening coderen, indien onmogelijk dan symptoom of klacht

V810 Screening ischemische hartaandoening

Hartaandoening coderen, indien onmogelijk dan symptoom of klacht

V814 Screening op nno respiratoire aandoening

Respiratoire aandoening coderen, indien onmogelijk dan symptoom of klacht


De HSMR beproefd

170

Bijlage 2: charlsonindex

De charlsonindex wordt gebruikt als maat voor comorbiditeit voor een patiëntpopulatie. De index is ontwikkeld door van verschillende aandoeningen de voorspellende waarde voor sterfte na één jaar te bekijken. De charlsonindex voor comorbiditeit is gebaseerd op ICD-9-codes, en definieert 17 comorbiditeiten. Aan iedere comorbiditeit wordt een gewogen score toegekend, gebaseerd op het relatieve risico van sterfte na één jaar.Bijvoorbeeld: als dementie is geregistreerd als een van de nevendiagnoses, dan gaat de score met 1 omhoog. Als een van de nevendiagnoses metastasen is, gaat de score met 3 omhoog. Het is gebruikelijk om als maximale score 6 te gebruiken. In de tabel hieronder zijn de 17 comorbiditeiten weergegeven, met bijbehorend gewicht en ICD-9-codes.

gewicht charlsonindex en IcD-9-diagnosecodes

aandoening gewicht IcD-9-cMAcuut myocardinfarct 1 410, 412Hartfalen 1 428Perifere vaatziekte 1 441, 4439, 7854, V434Cerebrovasculair accident 1 430–438

Dementie 1 290Pulmonale aandoeningen 1 490, 491, 492, 493, 494, 495, 496, 500, 501, 502, 503, 504,

505

Bindweefselaandoening 1 7100, 7101, 7104, 7140, 7141, 7142, 71481(nu 5171), 725

Maagzweer 1 531, 532, 533, 534Leveraandoening 1 5712, 5714, 5715, 5716Diabetes 1 2500, 2501, 2502, 2503, 2507Diabetescomplicaties 2 2504, 2505, 2506Paraplegie 2 342, 3441Nieraandoening 2 582, 5830, 5831, 5832, 5833, 5835, 5836, 5837, 5834, 585,

586, 588Kanker 2 14, 15, 16, 18, 170, 171, 172, 174, 175, 176, 179, 190, 191,

192, 193, 194, 1950, 1951, 1952, 1953, 1954, 1955, 1958, 200, 201, 202, 203, 204, 205, 206, 207, 208

Metastasen 3 196, 197, 198, 1990, 1991Ernstige leveraandoening 3 5722, 5723, 5724, 5728

HIV 2* 042, 043, 044

*het officiële gewicht van HIV is 6; dit is aangepast naar een gewicht van 2 vanwege verbeterde prognose.Bron: Sundararajan et al. New ICD-10 version of the Charlson Comorbidity Index predicted in-hospital mortality. Journal of Clinical Epidemiology, 2004


171

Bijlagen

Bijlage 3: open brief

Deze bijlage betreft een open brief aan de auteurs van het artikel:‘Pieter D, Kool RB, Westert GP. Beperkte invloed gegevensregistratie op gestandaardiseerd ziekenhuissterftecijfer (HSMR), Ned Tijdschr Geneeskd. 2010; 154;A2186’ en is in verkorte vorm gepubliceerd in de online versie van bovenstaand artikel: http://www.ntvg.nl/publicatie/Beperkte-invloed-gegevensregistratie-op-gestandaardiseerd-ziekenhuissterftecijfer-HSMR.

OPEN BRIEF

Nieuwegein, 9 september 2010

Aan:Auteurs van de publicatie ‘Pieter D, Kool RB, Westert GP. Beperkte invloed gegevensregistratie op gestandaardiseerd ziekenhuissterftecijfer (HSMR), Ned Tijdschr Geneeskd. 2010; 154;A2186’

Kopie:Leden HSMR-Expertgroep, Voorzitter Santeon, Redactie NTvG

Van:Wim F van den Bosch, St. Antonius Ziekenhuis, Bestuursstaf, Nieuwegein, KwaliteitsmanagerJoseph Silberbusch, voorheen internist bij het Onze Lieve Gasthuis, AmsterdamKlaas J Roozendaal, tot voor kort internist bij het Onze Lieve Gasthuis, AmsterdamCordula Wagner, VUmc, Amsterdam, Bijzonder hoogleraar patiëntveiligheid in de Gezondheidszorg; Onderzoeksinstituut NIVEL, Utrecht, Programmaleider Kwaliteit

Betreft:Onze reactie op het artikel ‘Pieter D, Kool RB, Westert GP. Beperkte invloed gegevensregistratie op gestandaardiseerd ziekenhuissterftecijfer (HSMR), Ned Tijdschr Geneeskd. 2010; 154;A2186’


De HSMR beproefd

172

Geachte Auteurs,

Uw artikel met landelijke strekking is een welkome verbreding op het onderzoek dat wij namens zes ziekenhuizen, inmiddels met de naam ‘Santeon’, hebben verricht. In Uw artikel wordt verwezen naar een onlangs door ons gepubliceerd artikel.1 Een aantal cruciale bevindingen van ons onderzoek naar variatie in codering, vinden wij echter niet terug in Uw artikel. Wij menen dat deze wel degelijk meegenomen dienen te worden bij het trekken van een conclusie ten aanzien van nodige of onnodige terughoudendheid in de publicatie van de HSMR en zullen dit nader toelichten. Een verkorte versie van deze brief is ook als reactie toegevoegd aan Uw webpublicatie van het NTvG.

Verder willen wij U wijzen op een feitelijke onjuistheid in Uw artikel. De Inspectie heeft het openbaar maken van de HSMR uitgesteld op grond van diverse presentaties van Santeon waarbij ook andere factoren dan variatie in codering aan de orde waren.2 Daarna hebben NVZ en NFU op voordracht van de landelijke HSMR-Expert groep het advies voorgelegd aan de minister van VWS (najaar 2009). Het artikel waar Uw onderzoek op in gaat kwam later (2010) en betreft uitsluitend het effect van variatie in LMR-codering.

Registratievariatie opnamediagnoses

Bij het vaststellen van een antwoord op de vraag of variatie bij het coderen van de opnamediagnoses invloed heeft op de HSMR, dienen wij in de eerste plaats voor iedere opname vast te stellen of deze terecht geïncludeerd, dan wel geëxcludeerd werd bij het berekenen van de HSMR. Dat kan ‘overige diagnoses’ (ICD-9-code 799.8 en 799.9) betreffen, zoals in Uw studie, maar ook ambigue diagnoses. Bijvoorbeeld in ons onderzoek codeerde het ene ziekenhuis bijna 10.000 opnamen onder chemotherapie gerelateerde diagnoses (tellen niet mee bij HSMR-berekening), terwijl een ander groot ziekenhuis dit slechts 152 maal codeerde en het niet duidelijk was wat er dan wel gecodeerd werd. Wellicht codeerde dat ziekenhuis voor ‘dezelfde patiënt’ i.p.v. een therapie een oncologische aandoening, die wél meetelt bij de HSMR-berekening. Het aantal opnamen met een potentieel ambigue diagnose is vele malen groter dan het aantal ‘overige diagnoses’; in ons onderzoek 126.000 versus 39.000 ‘overige diagnoses’. In Uw onderzoek is echter alleen gekeken naar de invloed van ‘overige diagnoses’.Tevens heeft U daarbij uitsluitend gekeken naar het percentage van voorkomen van deze 799 codes, terwijl ons inziens juist de mortaliteit in deze groep van invloed is op de HSMR. In ons onderzoek bijvoorbeeld, bleek een ziekenhuis met een ruwe ziekenhuismortaliteit van 1,16% in deze diagnosegroep gemiddeld een mortaliteit van 4,37% te scoren; in een enkel jaar bedroeg dit zelfs 8,2%. Op deze manier kan een ziekenhuis, ook bij een beperkt voorkomen van deze code (Prismant inclusiegrens < 1% van alle opnamen), veel


173

Bijlagen

sterfgevallen ‘verstoppen’ voor de HSMR-berekening. Bijvoorbeeld bij de grens van 1% ‘overige diagnoses’ kunnen bij 8,2% mortaliteit zomaar 28 sterfgevallen onzichtbaar blijven (vergelijk met ons geval waarbij dit 1,2% van alle opnamen betrof met 35 sterfgevallen; geschatte HSMR-impact 8%).

Registratievariatie percentage niet geplande opnamen

Bij de analyse van de registratievariatie van het percentage niet geplande opnamen is in Uw onderzoek gekeken naar de correlatie tussen de HSMR en het percentage ‘acuut’ gecodeerd. De regressielijn suggereert dat een lager percentage acuut, gemiddeld een hogere HSMR oplevert waarbij het verschil tussen nadelig en voordelig op kan lopen tot gemiddeld 20 HSMR-punten. Dit zou kunnen duiden op registratievariatie van het percentage acuut, maar het kan ook worden veroorzaakt door imperfectie van het HSMR regressie-instrument met een bevoordeling van ziekenhuizen met een hoog percentage acuut (in dat geval niet een registratieprobleem dus). Verder is er gekeken naar de correlatie tussen de HSMR mét en zonder correctie voor dit percentage en die bedroeg 0,76. Zo’n verband ligt nogal voor de hand aangezien de andere zeven regressievariabelen er wel voor zorgen dat beide uitkomsten nog op elkaar lijken, maar wat zegt dit over registratievariatie? Deze blijft vooralsnog onbekend en ligt besloten in de waargenomen variatie van het percentage acuut (22% - 70% in 2005) en het is ons dan ook niet duidelijk waarom op grond van Uw onderzoeksmethodiek geconcludeerd kan worden: “Er is beperkte variatie in het registreren van de variabele ‘niet geplande opname’ ”. Inconsistentie in codeergedrag kan wél worden vastgesteld bij de bron door middel van raadpleging van de ziekenhuizen zelf. Ons onderzoek was mede gebaseerd op dossieronderzoek en interviews met codeurteams waaruit juist grote systematische codeerverschillen naar voren kwamen. Deze verschillen kwamen tevens aan het licht door het codeergedrag voor alle diagnosetypen met een acuut karakter in kaart te brengen. Bijvoorbeeld: acuut myocard infarct, acute cholecystitis, acute CVA, etc. Aandoeningen waarvoor een hoog percentage acuut codering verwacht mag worden. Het totale percentage acuut codering per ziekenhuis bleek hierbij echter te variëren van 33,9% (onwaarschijnlijk laag) tot 92,5%; totaal 24.249 opnamen werden onderzocht. Wij bevelen aan deze toetsingsmethodiek ook op landelijke schaal uit te voeren.Uw vergelijking van de twee HSMR-varianten, mét en zonder correctie voor opname-urgentie, kan een indruk geven van de mogelijke HSMR-impact door registratievariatie. Het geeft tevens een indruk van het vermogen tot statistische correctie voor de variabele urgentie. Als de HSMR-impact als beperkt wordt aangemerkt, dan kan de correctie voor de variabele urgentie net zo goed weggelaten worden. Daarmee zou niet alleen de inconsistentie van het coderen aan de orde zijn, maar ook de inrichting van het HSMR-model zelf.


De HSMR beproefd

174

Registratievariatie nevendiagnoses

De variatie in het gemiddeld aantal nevendiagnoses in Uw analyse is al groot. Wellicht is deze nog groter als we alleen de opnamen meetellen die gebruikt zijn bij de HSMR-berekening; wij konden dit niet goed opmaken uit Uw artikel. In onze studie hadden wij dit wel zo gedaan en vonden in één ziekenhuis een hoogste gemiddeld aantal nevendiagnoses in 2005 van 2,77 (veel meer dan het door U gevonden maximum) en in een ander jaar zelfs 3,87. Hoe dan ook, de sterke variatie in het waargenomen gemiddeld aantal nevendiagnoses per ziekenhuis doet vermoeden dat dit niet louter een reflectie is van de werkelijkheid, maar dat er ook een samenhang is met inconsistent coderen. Vooral ook omdat de sterke spreiding blijkens Uw grafiek ook optreedt binnen gelijksoortige ziekenhuizen (UMC, topklinisch, etc.).Net als bij niet geplande opnamen geeft de correlatie tussen de varianten mét en zonder correctie voor nevendiagnoses, een indruk van de HSMR-impact door registratievariatie. En ook hier geldt dat bij constatering van beperkte HSMR-impact de statistische correctie, in dit geval voor nevendiagnoses, overbodig wordt.

eindbeschouwing

Uw conclusies dat volledig en nauwkeurig coderen in de rubrieken nevendiagnoses en ongeplande opnamen er nauwelijks toe doen en dat het gebruik van een versluierende diagnose (‘overige’) niet noemenswaardig invloed heeft, kunnen wij niet onderschrijven. Eveneens kunnen wij Uw conclusie ten aanzien van een onnodige terughoudendheid in de publicatie van de HSMR op dit moment niet onderschrijven om de volgende twee redenen:1. Potentiële inconsistentie in gegevensregistratie wordt in Uw onderzoek onvolledig

vastgesteld, de methodiek rond detectie hiervan is onduidelijk onderbouwd en de mogelijke impact op de HSMR wordt niet adequaat gekwantificeerd.

2. Naast registratievariatie zijn er nog tal van andere bronnen van variatie die de HSMR kunnen vertekenen. Dit laatste blijkt duidelijk uit de vele publicaties genoemd in Uw literatuurlijst, waar U verder niet op ingaat, alsmede uit andere recente artikelen.3,4 Hierbij te denken aan de impact van: bijzondere medische verrichtingen, variatie in heropnamen, ongecorrigeerde casemix variatie op ICD-9-niveau en variatie in ziekenhuissterfte van terminaal geïndiceerde patiënten.

In aansluiting hierop het volgende: de landelijke impact van een combinatie van vele ongecorrigeerde bronnen van variatie kan aanzienlijk worden. Ook als de landelijke impact van iedere afzonderlijke variatiebron beperkt is. Opeenstapelende effecten kunnen voor sommige ziekenhuizen toevallig steeds nadelig uitpakken met een sterk HSMR-verhogend effect als gevolg. Het omgekeerde kan ook met een sterk verlagend


175

Bijlagen

effect. Van beide soorten ziekenhuizen hebben wij een aantoonbare vertegenwoordiger binnen Santeon. Bij andere ziekenhuizen wisselen voor- en nadelige effecten elkaar af en zal de impact op de HSMR minder of nihil zijn.Wij hopen met deze brief een constructieve bijdrage te hebben geleverd aan de discussie rond dit belangrijke en actuele thema.

literatuur

1. Bosch WF van den, Roozendaal KJ, Silberbusch J, Wagner C. Variatie in codering patiëntgegevens beïnvloedt gestandaardiseerd ziekenhuissterftecijfer (HSMR). Ned Tijdschr Geneeskd. 2010; 154;A1189.

2. Bosch WF van den, Roozendaal KJ, Silberbusch J. Schommelende Sterftecijfers, HSMR nog geen betrouwbare maat voor zorgkwaliteit. Medisch Contact, 2009:64:1344-8.


4. Black N. Assessing the quality of hospitals. BMJ 2010;340:c2066.

Met vriendelijke groet,

Wim F van den Bosch

Mede namens mijn co-auteurs1


De HSMR beproefd

176

Bijlage 4 gebruikte afkortingen

BMV Bijzondere Medische VerrichtingBSN BurgerservicenummerCCS Clinical Classification SoftwareCVA Cerebrovasculaire AandoeningDBC Diagnose Behandel CombinatieDHD (de stichting) Dutch Hospital DataDHM-2008 Dutch HSMR-Model, gebruikt in 2008EMC Erasmus Medisch CentrumHSMR Hospital Standardised Mortality RatioICD-9 International Classification of Diseases, Ninth RevisionLMR Landelijke Medische RegistratieLUMC Leids Universitair Medisch Centrumnec not else classifiedNFU Nederlandse Federatie van Universitair medische centranno niet nader omschrevenNTvG Nederlands Tijdschrift voor de GeneeskundeNVZ Nederlandse Vereniging van ZiekenhuizenPOB Pijn op de borstPTCA Percutane Transluminale Coronaire AngioplastiekS/D-ratio Signal-to-Distortion-RatioSMR Standardised Mortality RatioSPSS Statistical Package for the Social SciencesUMCU Universitair Medisch Centrum UtrechtVU Vrije UniversiteitVUmc VU medisch centrumWBMV Wet Bijzondere Medische VerrichtingenWHO World Health OrganizationZIS Ziekenhuis Informatie Systeem


De HSMR beproefd - Vrije Universiteit Amsterdam dissertation.pdf · Wim van den Bosch Bosch Bw.indd...

Documents

Transcript of De HSMR beproefd - Vrije Universiteit Amsterdam dissertation.pdf · Wim van den Bosch Bosch Bw.indd...