1 / 13

Predikce hospitaliza ční mortality u akutního infarktu myokardu

Predikce hospitaliza ční mortality u akutního infarktu myokardu. Václav Kratochvíl, Hynek Kružík , Petr Tůma, Jiří Vomlel , Petr Somol. Nemocniční mortalita na akut n í infarkt myokardu jako ukazatel kvality.

elysia
Download Presentation

Predikce hospitaliza ční mortality u akutního infarktu myokardu

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Predikce hospitalizační mortality u akutního infarktu myokardu Václav Kratochvíl, Hynek Kružík, Petr Tůma, Jiří Vomlel, Petr Somol

  2. Nemocniční mortalita na akutní infarkt myokardu jako ukazatel kvality Nemocniční mortalita na akutní infarkt myokardu (AIM) je základ ukazatelů, používaných v řadě zemí (UK, USA) při srovnávání výsledků péče různých nemocnic. Ukazatele se poněkud liší svojí definicí (výběrem dat a způsobem výpočtu). Průměrné hodnoty ukazatele jsou cca 7-18%(v závislosti na zemi a definici ukazatele)

  3. Příklad – stát Texas

  4. Prezentace výsledků

  5. Standardizace (Risk Adjustment) • Standardizace měření je podmínkou pro korektní srovnávání nemocnic • Pokud chceme korektně porovnávat, musíme buď vytvořit všem stejné podmínky .... • ... nebo musíme ukazatel matematicky „očistit“ od vlivu rizikových faktorů

  6. Standardizace mortality (úmrtnosti) • Obecná úmrtnost (U)- průměrná úmrtnost přes všechny nemocnice • Predikovaný počet úmrtí vybrané nemocnice- součet pravděpodobnosti úmrtí pro všechny pacienty • Srovnávací index (SI) vybrané nemocniceSI = skutečný počet úmrtí / predikovaný (očekávaný) počet úmrtí. • Standartizovaná úmrtnost (SU) vybrané nemocniceSU = SI * U

  7. Standardizační modely pro mortalitu AIM • Zatím nedostižným vzorem je model H. M. Krumholze • Veškerá data Medicare/Medicaid 1995-2001 • Princip tvorby modelu: hledání korelací mezi jednotlivými faktory zjištěnými při přijetí pacienta a mortalitou

  8. Koncept .M.Krumhloze (zjednodušeně) • Ideální model standardizace (všechna dostupná data včetně např. laboratorních dat) • Administrativní model (u nás by to byly výkazy pro zdravotní pojišťovny) • Pomocí ideálního modelu se validuje administrativní model • Obecně se za perspektivní považují modely kombinující administrativní data a laboratorní data.

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

  10. Naše data • Jedna anonymní nemocnice • Celkem 486 pacientů s diagnózou akutního infarktu myokardu (I210 až I214) • Rizikové faktory:- ostatní diagnózy daného pacienta předcházející přijetí- výsledky laboratorních testů při přijetí • Úmrtnost byla 19,4 %

  11. Výsledky • Model logistické regrese naučený z trénovacích dat • Výsledky na testovacích datech:úspěšnost(accuracy)85%přesnost(precision) 76%úplnost (hit rate)30%specificita (specificity) 98%falešná pozitivita (false alarm rate)2% • Změna prahu při rozhodování – ROC křivka

  12. ROC křivka

  13. Závěr • Pokud víme, jedná se o první pokus o standardizaci mortality pro AIM v českých podmínkách. • Relativně malý datový vzorek. • Některé rizikové faktory nebyly v datech dostupné. • Přesto predikce úmrtnosti na testovacích datech byla relativně dobrá. • Použití dalších údajů z elektronického záznamu pacienta by mělo zlepšit predikci. • Bude nezbytné získat větší datový soubor, než jaký jsme měli k dispozici. • Bude třeba model naučit na datech z co největšího počtu nemocnic.

More Related