GODT NOK? Hvordan vi jobber med datakvalitet i NOIS

1. GODT NOK?Hvordan vi jobber med datakvalitet i NOIS Hege Line Løwer seniorrådgiver Nasjonalt folkehelseinstitutt Avdeling for infeksjonsovervåking

2. Så langt… • Norsk overvåkingssystem for infeksjoner i sykehustjenesten • NOIS-POSI (postoperative sårinfeksjoner) • 2005 – 2011 • September-november • Minimum ett inngrep 2005-2009 • Minimum to inngrep 2010-2011

3. Kan vi stole på NOIS-data? Dere og vi har sjekket: • Antall inngrep i NOIS mot operasjonslister • Infeksjonsdiagnoser • Uoverenstemmelser i dataene • røde bokser- eg. operasjonsdato før innleggelsesdato • Skjevhet i dataene • for mye/lite av visse typer informasjon- eg. koding av sårkontaminasjon ift. gjennomsnittet

4. Hva har vi visst hittil om datakvalitet?

5. Manglende data (missing)

6. Oppfølging av pasientene etter utskrivelse

7. Hvor stor andel sykehus leverer data fra hvilke inngrep?

8. Hva mer kan vi gjøre for å kontrollere at NOIS har god kvalitet? "Koblingsprosjektet" • Trinn 1: avidentifiserte data fra NPR skal sammenlignes med NOIS på "overordnet" nivå • Kompletthet – har vi alle operasjonene? • Representativitet – er det vi har i overenstemmelse med det som er i NPR? • Hvor mange infeksjoner finnes i NOIS sammenlignet med NPR? • Trinn 2: NOIS- og NPR-data "hektes" på hverandre vha. personnummer • Finnes det pasienter med infeksjon i NPR som vi ikke har fått med oss i NOIS? • Har vi ellers korrekte opplysninger om hver pasient?

9. Hvor komplette er så NOIS-data? • Sammenligne sykehus i NOIS- med tilsvarende i NPR • Telle opp antall operasjoner i NPR og NOIS • Forbehold: mulighet for feil – dette er første gjennomgang av disse dataene 

10. NOIS vs NPR kompletthet

11. Hva sier så komplettheten oss? • NOIS har minst 92% av alle operasjoner som vi finner hos NPR – Dette er kjempebra! • Burde vi likevel ha 100%? • Hvor "glipper" det? • Har NOIS for få eller NPR for mange?

12. Hvor representative er NOIS-data? • Fordeler det som er i NOIS seg på samme måte som i NPR? • Kjønn • Alder • Regionsvis • Diagnoser • Operasjonskoder

13. RepresentativitetKjønn og region - Bypass NOTE: PRELIMINARY DATA

14. RepresentativitetAlder og region - Bypass NOTE: PRELIMINARY DATA

15. RepresentativitetAlder og region - Keisersnitt NOTE: PRELIMINARY DATA

16. RepresentativitetKjønn og region - Hofteprotese NOTE: PRELIMINARY DATA

17. RepresentativitetAlder og region - Hofteprotese NOTE: PRELIMINARY DATA

18. Oppsummering • NOIS-data ser ut til å være nokså komplette • godt over 90% på det vi har sett på hittil • NOIS-data ser ut til å være ganske representative • Kjønn fordeler seg svært likt i NOIS og NPR, både sammenlignet med samme periode (3mnd) og med resten av året (i NPR) • Alder fordeler seg nokså likt, men her må vi se nærmere på tallene • Jobbe videre med: • de andre inngrepene • de andre variablene som finnes i begge systemene

19. Neste skritt • Da har vi kontrollert "nevner" i NOIS • Hvordan kontrollerer vi så "teller", altså antall infeksjoner? • Sammenligne antall infeksjoner i NOIS (før utskrivelse) med infeksjoner i NPR på de avidentifiserte datasettene • Sammenligne infeksjonstype mm i de koblede datasettene • Sjekke diagnosesettingen og kodingen på sykehusene mot "gullstandard"

20. Hvorfor gjør vi alt dette? • Høy datakvalitet – pålitelige data • Viktig for • Pasientene • Kirurgisk team • Sykehuseier • Samfunnet • korrigere kursen der det trengs

21. Dere gjør en kjempejobb!