Predikce hospitalizační mortality u akutního infarktu myokardu

Prezentace na téma: "Predikce hospitalizační mortality u akutního infarktu myokardu"— Transkript prezentace:

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) Ukazatele se mohou lišit zejména zahrnutím nebo nezahrnutím překládaných pacientů do nebo z nemocnice a dále se liší způsobem standardizace – a právě standardizace ukazatele je to, co nás zajímá

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 nemocnice SI = skutečný počet úmrtí / predikovaný (očekávaný) počet úmrtí. Standartizovaná úmrtnost (SU) vybrané nemocnice SU = SI * U

7 Standardizační modely pro mortalitu AIM
Zatím nedostižným vzorem je model H. M. Krumholze Veškerá data Medicare/Medicaid 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.