Progetto MATRICE-BPCO

Progetto MATRICE-BPCO

Relazione sullo studio di concordanza Versione 1.0 – 15 luglio 2015

Rosa Gini, per il gruppo MATRICE-BPCO 1. Razionale 2. Obbiettivi 3. Metodi 4. Risultati 5. Discussione 6. Conclusioni 7. Bibliografia Appendici

1. Razionale La broncopatia cronica ostruttiva (BPCO) è una patologia a grave impatto in termini di salute e uso di risorse dei servizi sanitari. La sorveglianza della prevalenza della patologia, il monitoraggio della qualità dell’assistenza e la valutazione dei suoi esiti sono obbiettivi di grande rilevanza [ISTISAN2014]. I dati sanitari amministrativi italiani (IAD) sono una risorsa a disposizione del sistema sanitario nazionale ed è pertanto di grande interesse esplorare la possibilità di utilizzarla per questi obbiettivi. Gli algoritmi di identificazione di caso di BPCO da IAD documentati in letteratura si basano su diversi componenti: le diagnosi ospedaliere, le diagnosi associate alle esenzioni per patologia, i pattern di uso di farmaci indicati per la BPCO, l’uso ripetuto di analisi diagnostiche per il follow-up della patologia [Anecchino2007, Faustini2008, Belleudi2012, Faustini2012]. L’identificazione corretta presenta alcune importanti criticità: infatti se si utilizzano solo componenti caratterizzati da un codice diagnostico (ricoveri, esenzioni) si ottengono strategie poco sensibili, mentre se si utilizzano le altre componenti è necessario confrontarsi con il rischio di misclassificazione con l’asma, che è indicazione per gli stessi farmaci e per le stesse analisi diagnostiche. Questa difficoltà è confermata da analoghi studi compiuti su database amministrativi in altri paesi [Lacasse2005, Dore2014]. D’altro canto, la capacità di ciascuno di questi componenti di identificare correttamente i soggetti con BPCO nella popolazione è condizionata da fattori che non sono indipendenti dal luogo in cui il dato viene raccolto. Infatti la probabilità che un soggetto con BPCO venga ricoverato, sia per la BPCO stessa che per altre cause, e la probabilità che riceva un’esenzione per patologia sono condizionati da scelte aziendali e regionali di organizzazione dei servizi, e dal loro successo. Il pattern di utilizzo di farmaci e la frequenza di esami diagnostici registrati in IAD dipendono in parte dal grado di recepimento delle linee guida terapeutiche e diagnostiche, e in parte dalla disponibilità ed equità di accesso ai servizi finanziati dal sistema sanitario pubblico: anch’essi sono fattori disomogenei dal punto di vista geografico. Infine, la disponibilità di dati e la qualità del record linkage possono a loro volta essere condizionati da fattori locali. Come conseguenza, alcune strategie di identificazione del caso di BPCO da IAD sembrano adeguate in alcune regioni ma inadeguate in altre [Gini2013]. Questa valutazione è resa possibile dal confronto tra le prevalenze misurate da IAD e quelle ottenute da altre fonti informative disponibili nel paese: l’indagine Multiscopo dell’ISTAT [Multiscopo2015] e la rete di database clinici della medicina generale Health Search [Cazzola2010]. Il fatto che la strategia di identificazione delle coorti di soggetti con BPCO abbia sensibilità e specificità dipendenti dal territorio indebolisce la possibilità di utilizzare queste coorti per fini di sorveglianza della prevalenza della patologia, di monitoraggio della qualità dell’assistenza e di valutazione degli esiti. Analizzando dettagliatamente l’impatto della scelta dell’algoritmo di identificazione di caso sulla prevalenza della popolazione identificata in diversi territori è possibile ottenere delle evidenze sull’effetto dei fattori dipendenti dal luogo in cui le informazioni sono registrate e che possono influenzare la validità dei dati ai fini di sorveglianza, monitoraggio e valutazione della frequenza della patologia nella popolazione e dei percorsi assistenziali ad essa associati.

2. Obbiettivi Questo studio aveva l’obbiettivo di identificare le strategie ottimali di individuazione dei soggetti affetti da BPCO all’interno delle popolazioni registrate negli archivi IAD.

3. Metodi 3.1 Disegno di studio E’ stato condotto uno studio di concordanza tra diverse strategie (i.e. algoritmi) per l’identificazione dei casi di BPCO. I trend geografici di prevalenza ottenuti sono stati comparati con i trend ricavati da altre due fonti: l’Indagine Multiscopo dell’ISTAT e la rete di database della medicina generale Health Search (HSD). E’ stata inoltre valutata la sensibilità delle misure di alcuni indicatori di uso di servizi, al variare della strategia di identificazione di caso, e le stesse misure sono state confrontate con quelle ottenute con procedura analoga sui pazienti registrati nel database HSD. Infine, all’interno della coorte HSD, è stata stimata la copresenza di asma e BPCO, e la sensibilità e il potere predittivo positivo di un algoritmo di utilizzo di farmaci nell’identificare il paziente con BPCO, il paziente con l’asma o un paziente con almeno una tra le due patologie. 3.2 Fonti dati Sono state utilizzate le seguenti tabelle appartenenti a IAD

• PERSON: l’anagrafe assistibili (Comma 9, articolo 50, del decreto legge 30 settembre 2003, n. 269, convertito, con modificazioni, dalla legge 24 novembre 2003, n. 326), e in particolare genere, data di nascita, data di morte, azienda sanitaria locale di residenza, data di ingresso, data di uscita; la data di morte, ove ritenuto necessario dagli esperti della regione, verrà integrata con il dato registrato in altre fonti (per esempio i dati ISTAT)

• HOSP: le schede di dimissione ospedaliera, e in particolare le diagnosi primaria e secondarie, e la data di dimissione e ammissione

• DDRUG: le registrazioni di farmaci acquistati presso l’azienda produttrice direttamente dal sistema, e dispensati ad assistiti per la somministrazione al proprio domicilio o per il tramite delle strutture sanitarie (distribuzione diretta) o attraverso specifici accordi con le farmacie territoriali, pubbliche e private (distribuzione per conto) (Decreto del Ministero della Salute del 31 luglio 2007). In particolare verranno utilizzate la data di dispensazione, l’ATC e il numero di dosi definite die (DDD) dispensate.

• DRUGS: le registrazioni di farmaci rimborsati dal sistema sanitario e dispensati presso le farmacie territoriali convenzionate, al di fuori degli accordi del punto precedente (Comma 5, articolo 50, del decreto legge 30 settembre 2003, n. 269, convertito, con modificazioni, dalla legge 24 novembre 2003, n. 326), in particolare verranno utilizzate la data di dispensazione, l’ATC e il numero di dosi definite die (DDD) dispensate.

• OUTPAT: le registrazioni di prestazioni specialistiche (Comma 5, articolo 50, del decreto legge 30 settembre 2003, n. 269, convertito, con modificazioni, dalla legge 24 novembre 2003, n. 326), che contengono anche le prescrizioni di prestazioni diagnostiche o procedure ambulatoriali; in particolare verranno utilizzate la data di svolgimento della prestazione e il suo codice

Sono stati inoltre utilizzati gli archivi delle Indagini Multiscopo “Aspetti della vita quotidiana” dell’ISTAT. Questa è un’indagine campionaria eseguita ogni anno. A un campione della popolazione, rappresentativo a livello regionale, viene sottoposto un questionario, che contiene anche alcune domande sullo stato di salute. E’ stato infine utilizzato il database Health Search (HSD). Questo consiste nella raccolta anonimizzata delle cartelle cliniche di più di 1000 medici di medicina generale (MMG), rappresentativi della popolazione a livello regionale. E’ stato utilizzato il registro dell’ISTAT della popolazione residente, per genere ed età nell’anno 2014. 3.3 Popolazione in studio

Sono stati identificati tutti i soggetti registrati in PERSON in una delle quattro regioni che partecipano al progetto come residenti, in vita e con età maggiore o uguale a 45 anni alla data indice 1 gennaio 2014. Dalla Multiscopo sono stati estratti gli archivi del 2013, relativi alle quattro regioni in studio, relativi a soggetti con età maggiore o uguale a 45 anni. Da HSD sono stati estratti dati relativi ai pazienti attivi al 1 gennaio 2014 (data indice), dei MMG residenti nelle quattro regioni in studio, con età maggiore o uguale a 45 anni alla data indice. 3.4 Scelta della definizione clinica di BPCO, degli algoritmi e degli indicatori La definizione clinica di BPCO è contenuta in Appendice 1. Gli algoritmi da testare identificano i soggetti con BPCO fondamentalmente attraverso i record di diagnosi o prescrizioni farmaceutiche e sono descritti nel dettaglio in Appendice 2. Come indicatori di utilizzo dei farmaci per la BPCO sono stati scelti: la prevalenza d’uso e l’aderenza al trattamento, calcolati come riportato nel rapporto OsMed dell’Agenzia Italiana del Farmaco (vedi Appendice 3). Come indicatore di processo è stata selezionata l’esecuzione annuale della spirometria (vedi Appendice 4). 3.5 Raccolta dati E’ stata utilizzata l’infrastruttura informatica distribuita sviluppata dall’Agenas nel corso del progetto MATRICE [Gini2014, ISTISAN2014]. Il software TheMatrix è stato installato presso le quattro regioni partecipanti al progetto. I dati amministrativi delle quattro regioni sono stati caricati nel software. Il calcolo degli algoritmi da testare e degli indicatori è stato programmato nel linguaggio del software dal responsabile dello studio. Per ognuno dei soggetti in studio è stato programmato il calcolo della positività o meno a tutti gli algoritmi prima della data indice. Inoltre è stato calcolato il valore dei due indicatori, utilizzando come follow-up i 365 giorni successivi alla data indice (1 gennaio-31 dicembre 2014). Lo stesso programma di TheMatrix ha aggregato il dataset risultante: la frequenza di ogni combinazione di algoritmi e valori di indicatori è stata calcolata per classe di età, genere e azienda sanitaria di residenza. Il tracciato record di questo dataset è indicato in Tabella A. Il programma è disponibile al link https://zimbra.ars.toscana.it/home/[email protected]/Briefcase/MATRICE-BPCO Tabella A. Tracciato record della tabella dei dati aggregati prodotta da TheMatrix Variabile Formato Significato UO ER, TOS, PUG, SIC Identificativo della

regione AZIENDA A,B,C… Identificativo anonimo

dell’azienda ANNO 2014 Data indice GENERE M, F Genere dei soggetti CLASSE_ETA 45-54, 55-64, 65-74,

75-84, 85+ Classe di età dei soggetti

ALG_1 0, 1 Primo algoritmo di identificazione di caso di BPCO alla data indice

… ALG_N 0, 1 N-esimo algoritmo di

identificazione di caso di BPCO alla data

indice IND_1 0, 1 Primo indicatore nel

corso dell’anno che segue la data indice

… IND_n 0,1 n-esimo indicatore nel

corso dell’anno che segue la data indice

FREQUENZA Numero di soggetti Ciascuna delle quattro regioni ha eseguito il programma ed inviato ad ARS il dataset aggregato così ottenuto. Dalla Multiscopo sono state estratte le risposte positive o negative alla domanda “È affetto da una o più delle seguenti malattie croniche? Bronchite cronica, enfisema, insufficienza respiratoria”, l’età, il genere e la regione di residenza dei soggetti intervistati. Si veda in Figura 1 la porzione del questionario Multiscopo in cui viene posta la domanda.

Figura 1. Domanda del questionario "Aspetti della vita quotidiana" dell’Indagine statistica Multiscopo sulle famiglie dell’anno 2013. In blu è evidenziata la risposta che verrà analizzata. Dal database HSD sono stati identificati nella coorte di studio i soggetti presentano con almeno un record di diagnosi di BPCO [ICD9: 491.2% o 496%] o attraverso ricerca in testo libero della stringa %BPCO% senza la parola %sospetto% all'interno della definizione del problema registrato prima della data indice. Sono stati inoltre identificati i soggetti con diagnosi di asma [ICD9: 493%]. Infine è stato calcolato un algoritmo simile a quello indicato in Appendice 2 come ADER_ALL_1. Sono stati inoltre calcolati gli indicatori in Appendice 3 e 4. 3.6 Qualità dei dati IAD In ogni regione è stato registrato il numero di anni disponibili per ciascuna delle tabelle HOSP, DDRUG, DRUGS, OUTPAT. Per verificare la qualità dei dati IAD nelle quattro regioni partecipanti sono stati calcolati da PERSON quanti soggetti risultano assistiti, residenti e in vita al 1 gennaio 2014, e il dato è stato

confrontato con la popolazione misurata dal registro ISTAT allo stesso momento. In Tabella 1 sono riportati i risultati di queste verifiche. 3.7 Piano di analisi La Tabella 2 riporta l’analisi descrittiva della popolazione in studio. La Tabella 3 riporta l’analisi descrittiva delle popolazioni individuate da ciascun algoritmo e dalle combinazioni logiche rilevanti di due o più algoritmi. L’algoritmo che individua i soggetti che hanno avuto un ricovero per BPCO nei cinque anni precedenti la data indice è stato scelto come riferimento. Per ciascun algoritmo la percentuale di soggetti individuati anche dall’algoritmo di riferimento è stata confrontata tra le diverse regioni. Per ciascun algoritmo inoltre è stato misurato un rapporto di prevalenze (prevalence rate ratio, PRR) con al numeratore i soggetti individuati da esso oppure dall’algoritmo di riferimento e al denominatore i soggetti individuati dall’algoritmo di riferimento. La Tabella 4 riporta la comparazione tra le prevalenze ottenute dalle combinazioni di algoritmi in IAD e le prevalenze di Multiscopo e HSD, eseguita tramite il calcolo del rapporto di prevalenze (prevalence rate) espresso in percentuale. La Tabella 5 riporta le stime degli indicatori effettuate utilizzando diverse combinazioni di algoritmi. La Tabella 6 riporta un approfondimento effettuato sul database HSD: è stata considerata la popolazione che risulta avere una diagnosi di BPCO, una diagnosi di asma, almeno una delle due o entrambe. E’ stato poi considerato l’algoritmo ADEL_ALL_1 nel database HSD (almeno 5 farmaci respiratori nel 2013, si veda Appendice 2), ed è stata stimata la sensibilità e il potere predittivo positivo di questo algoritmo nell’individuare le prime tre popolazioni.

4. Risultati Tabella 1. Verifica qualità dei dati IAD: numero di anni disponibili per ciascuna delle tabelle considerate e totale dei residenti in vita al 1 gennaio 2014 per regione, calcolati sia da IAD che dal registro ISTAT.

Emilia Romagna

Toscana Puglia Sicilia

HOSP <2009 <2009 <2009 2010

DDRUG 2009 <2009 - -

DRUGS <2009 <2009 <2009 2011

Primo anno disponibile

OUTPAT <2009 <2009 <2010 2013

IAD 4.546.664 3.725.329 3.804.735 4.990.343 Popolazione al 1 gennaio 2014 ISTAT 4.446.354 3.750.511 4.090.266 5.094.937

In tutte le regioni la tabella HOSP è disponibile per più di 5 anni prima della data indice, tranne in Sicilia dove è disponibile da quattro. La tabella DDRUG non è disponibile in due delle quattro regioni. I farmaci sono disponibili da almeno 3 anni alla data indice.

La popolazione registrata in IAD risulta molto simile a quella registrata dall’ISTAT, con uno scarto lievemente maggiore in Puglia (per difetto) e in Emilia Romagna (per eccesso). Tabella 2. Descrittiva della popolazione di studio Fonte Emilia

Romagna Toscana Puglia Sicilia Totale

N 2313973 2064212 1853655 2375316 8607156 IAD femmine 53,7 54,5 53,8 54,0 N 1216 1198 1310 1354 5078 Multiscopo femmine 55,8 54,0 53,7 56,2 N 38675 35269 44578 53420 171942 HSD femmine 54,8 53,1 53,2 54,1

Distribuzione per età 45-54 711850 607522 583241 741482 2644095 30,8 29,4 31,5 31,2 55-64 558671 492538 483549 621080 2155838 24,1 23,9 26,1 26,1 65-74 494190 457549 403931 503670 1859340 21,4 22,2 21,8 21,2

IAD

75-84 377617 343262 276605 364101 1361585

16,3 16,6 14,9 15,3 85+ 171645 163341 106329 144983 586298 7,4 7,9 5,7 6,1 45-54 353 336 450 434 1573 29,0 28,0 34,4 32,1 55-64 312 277 313 390 1292 25,7 23,1 23,9 28,8 65-74 260 275 287 272 1094 21,4 23,0 21,9 20,1 75-84 210 233 185 185 813 17,3 19,4 14,1 13,7 85+ 81 77 75 73 306

Multiscopo

6,7 6,4 5,7 5,4 45-54 10786 10477 14100 16760 52123 27,9 29,7 31,6 31,4 55-64 9361 8569 12144 14251 44325 24,2 24,3 27,2 26,7 65-74 8602 7858 9670 11345 37475 22,2 22,3 21,7 21,2 75-84 6816 5899 6334 8092 27141 17,6 16,7 14,2 15,1

HSD

85+ 3110 2466 2330 2972 10878 8,0 7,0 5,2 5,6

Aziende (solo IAD) N 8 12 6 9 23 Pop min 66803 91588 164100 84216 66803

IAD

Pop max 580161 470313 574591 593097 593097 Prevalenza di BPCO grezza (solo HSD e Multiscopo)

% 5,8 5,4 6,7 5,7 HSD IC 95% (5,6-6,1) (5,1-5,6) (6,5-7,0) (5,5-5,9) % 5,5 7,1 9,5 8,7 Multiscopo IC 95% (4,3-6,8) (5,6-8,5) (7,9-11,1) (7,1-10,2) Prevalenza di BPCO standardizzata (solo HSD e Multi scopo) % 5,4 5,1 6,9 5,7 HSD IC 95% (5,2-5,6) (4,9-5,4) (6,7-7,2) (5,5-5,9) % 5,4 6,6 9,8 8,9 Multiscopo IC 95% (4,2-6,6) (5,2-8,0) (8,2-11,4) (7,4-10,5)

La popolazione in studio osservata da dati amministrativi conta 8.607.156 soggettI, distribuiti maggiormente in Emilia Romagna e in Sicilia, dove si superano i 2,3 milioni di persone.

Gli intervistati dall’indagine Multiscopo sono 5.078, suddivisi anche questi nelle quattro regioni facenti parte dello studio, dove sono distribuiti in maniera quasi equa.

Nella terza fonte di dati, HSD, i soggetti sono 171.942 e prevalgono le regioni del Sud Italia (Puglia e Sicilia).

In tutte e tre le fonti ed in ogni regione presa in esame la percentuale di donne è leggermente superiore a quella degli uomini (circa il 54%). Le classi di età più frequenti sono quelle più giovani (45-54 e 55-64).

Le aziende regionali prese in esame sono 8 in Emilia Romagna, 12 in Toscana, 6 in Puglia e 9 in Sicilia. Il minimo di soggetti per azienda è in Emilia Romagna (66.803), mentre il massimo è in Sicilia (595.097). Le prevalenze standardizzate di BPCO rilevate dalle due fonti non amministrative (HSD e Multiscopo) sono simili in Emilia Romagna (5,4% vs 5,5%), e non significativamente diverse in Toscana (5,1% vs 6,6%). Nelle altre due regioni la stima di HSD è significativamente inferiore alla stima della Multiscopo. Quest’ultima presenta un valore estremamente più alto nelle due regioni meridionali (Puglia 9,8% e Sicilia 8,9%), quando HSD vede lo stesso trend geografico ma meno accentuato (Puglia 6,9% e Sicilia 5,7%).

Tabella 3. Numero di soggetti individuati da ciascu n algoritmo e da combinazioni rilevanti di algoritmi, nella popolazione in IAD. L 'algoritmo che identifica soggetti con diagnosi di dimissione per BPCO in cinque anni di look-back (DIAG_5) è stato scelto come riferimento: per ciascun algoritmo è st ata calcolata la proporzione dei soggetti di DIAG_5 che compaiono anche nell’algorit mo. PRR: prevalence rate ratio.

ER (2313973)

TOS (2064212)

PUG (1853655)

SIC (2375316)

N 51017 34789 18849 61024

Prevalenza (%) 2.2 1.7 1.0 2.6 # DIAG_5 Prevalenza standardizzata (%)

2.1 1.5 1.0 2.6

ALG

N 17228 11880 3524 20350

Prevalenza standardizzata (%)

0.7 0.5 0.2 0.9

1 DIAG_1

Proporzione di soggetti in DIAG_5 (%)

33.8 34.1 18.7 33.3

PRR se questi soggetti sono aggiunti a DIAG_5

+0.0 +0.0 +0.0 +0.0

N 13397 4987 18849 12054


0.5 0.2 1.0 0.5

Proporzione di soggetti in DIAG_5

26.3 14.3 100.0 19.8 2 DIAG_PRINC_5

PRR se questi soggetti sono aggiunti a DIAG_5 (%)

+0.0 +0.0 +0.0 +0.0

N 46679 31329 16753 50674


1.9 1.4 0.9 2.1


91.5 90.1 88.9 83.0 3 DIAG_SPEC_5


+0.0 +0.0 +0.0 +0.0

N 35537 35054 39883 49959


1.5 1.6 2.2 2.1


20.6 23.9 24.5 17.1 4 ADER_ALL_1


+49.1 +76.9 +187.1 +64.8

N 51017 34789 18849 61024


3.0 3.1 4.5 4.7


37.3 41.7 45.8 34.1 5 ADER_ALL_3


+104.2 +153.9 +392.1 +147.7

N 50857 51841 61562 80389


2.1 2.4 3.4 3.4


30.1 37.8 40.5 29.5 6 ADER_MONO_INTENS

_1


+69.6 +111.2 +286.1 +102.3

N 80345 75906 97368 131549


3.4 3.5 5.3 5.6


40.7 47.6 53.6 39.6 7 ADER_MONO_INTENS

_3


+116.8 +170.6 +463.0 +176.0

N 55693 55637 62667 76914

Prevalenza standardizzata (%) 2.3 2.6 3.4 3.2


31.2 37.8 41.1 27.8

8 ADER_MONO_PERSIST_1


+78.0 +122.1 +291.3 +98.2

N 51017 34789 18849 61024



41.4 47.6 53.5 38.2

9 ADER_MONO_PERSIST_3


+126.8 +183.9 +469.2 +171.1

N 64797 63650 73987 95732



34.9 42.0 45.4 32.2

10

ADER_ALL_1 OR ADER_MONO_INTENS_1 OR ADER_MONO_PERSIST_1


+92.1 +140.9 +347.1 +124.7

N 100954 91683 118939 161134


4.2 4.2 6.5 6.8


45.3 51.5 58.3 43.1

11

ADER_ALL_3 OR ADER_MONO_INTENS_3 OR ADER_MONO_PERSIST_3


+152.6 +212.1 +572.7 +221.0

N 76044 61527 54112 100563


3.1 2.8 3.0 4.2


100.0 100.0 100.0 100.0

12 DIAG_5 OR ADER_ALL_1


+49.1 +76.9 +187.1 +64.8

N 104157 88317 92757 151176


4.3 4.0 5.1 6.4


100.0 100.0 100.0 100.0

13

DIAG_5 OR ADER_ALL_3


+104.2 +153.9 +392.1 +147.7

14 DIAG_5 OR ADER_ALL_1 OR N 98025 83817 84283 137103


4.0 3.8 4.6 5.8

Proporzione di soggetti in DIAG_5 100.0 100.0 100.0 100.0

ADER_MONO_INTENS_1 OR ADER_MONO_PERSIST_1


+92.1 +140.9 +347.1 +124.7

N 128879 108560 126790 195869



100.0 100.0 100.0 100.0

15

DIAG_5 OR ADER_ALL_3 OR ADER_MONO_INTENS_3 OR ADER_MONO_PERSIST_3


+152.6 +212.1 +572.7 +221.0

Tabella 3 . La prevalenza grezza dell’algoritmo di riferimento (i.e. DIAG_5) è di 2,2% in Emilia Romagna (ER), di 1,7% in Toscana (TOS), di 1,0% in Puglia (PUG) e di 2,6% in Sicilia (SIC). Dopo standardizzazione delle stime di prevalenza si apprezza una variazione dei valori solo per l’Emilia Romagna (2,1%) e la Toscana (1,5%). Restringere la ricerca della diagnosi a un solo anno riduce la popolazione a circa un terzo in Emilia Romagna, Toscana e Sicilia e a meno del 20% in Puglia. I soggetti sono identificati tramite diagnosi principale in un quarto o meno dei casi, tranne in Puglia dove la totalità dei pazienti è identificata da diagnosi principale. Tra i soggetti individuati dall’algoritmo di riferimento un’ampia maggioranza (più dell’80% in tutte le regioni) hanno avuto come diagnosi di BPCO uno dei codici più specifici (algoritmo DIAG_SPEC_5). Applicando individualmente uno qualsiasi degli algoritmi che sfruttano il pattern di utilizzo di farmaci (i.e. algoritmi “ADER_*”, righe della tabella da 4 a 9) è possibile identificare una percentuale compresa tra il 20 ed il 50% circa dei soggetti catturati dall’algoritmo di riferimento. In particolare, ognuno degli algoritmi ADER_* individua la percentuale maggiore di soggetti con DIAG_5 sempre in Puglia, mentre quella minore sempre in Sicilia. Allo stesso tempo, aggiungendo a DIAG_5 uno qualsiasi degli algoritmi “ADER_*” come ulteriore criterio d’inclusione si ottiene un marcato aumento della popolazione di casi identificati con il solo DIAG_5 (PRR da +50% a +450% circa). Anche in quest’ultimo caso si osserva un pattern costante tra le quattro regioni per cui l’aggiunta di una qualsisasi delle componenti “ADER_*” in combinazione con DIAG_5 causa sempre l’incremento di prevalenza minore in Emilia Romagna e quello maggiore sempre in Puglia. Di conseguenza, si ottengono pattern simili attraverso le quattro regioni anche utilizzando come strategia d’identificazione due o più algoritmi “ADER_*” in combinazione fra loro o uno o più algoritmi “ADER_*” in combinazione con DIAG_5. Tabella 4. Comparazione tra le prevalenze ottenute dalle combinazioni di algoritmi in IAD e le prevalenze di Multiscopo e di HSD: prevale nce rate # ER TOS PUG SIS 0 DIAG_5 Multiscopo 2,6 4,3 9,5 3,5

HSD 2,6 3,3 6,7 2,2 Multiscopo 7,8 12,5 50,8 10,4 1 DIAG_1 HSD 7,7 9,8 36,0 6,7 Multiscopo 10,1 29,8 9,5 17,5 2 DIAG_PRINC_5 HSD 10,0 23,2 6,7 11,3 Multiscopo 2,9 4,8 10,7 4,2 3 DIAG_SPEC_5 HSD 2,9 3,7 7,6 2,7 Multiscopo 3,7 4,1 4,5 4,2 4 ADER_ALL_1 HSD 3,6 3,2 3,2 2,7 Multiscopo 1,8 2,1 2,2 1,9 5 ADER_ALL_3 HSD 1,8 1,6 1,5 1,2 Multiscopo 2,6 2,8 2,9 2,6 6 ADER_MONO_INTENS_1 HSD 2,5 2,2 2,1 1,7 Multiscopo 1,6 1,9 1,8 1,6 7 ADER_MONO_INTENS_3 HSD 1,6 1,5 1,3 1,0 Multiscopo 2,3 2,6 2,9 2,7 8 ADER_MONO_PERSIST_1 HSD 2,3 2,0 2,0 1,8 Multiscopo 1,5 1,8 1,8 1,7 9 ADER_MONO_PERSIST_3 HSD 1,5 1,4 1,3 1,1 Multiscopo 2,0 2,3 2,4 2,2

10 ADER_ALL_1 OR ADER_MONO_INTENS_1 OR ADER_MONO_PERSIST_1 HSD 2,0 1,8 1,7 1,4

Multiscopo 1,3 1,6 1,5 1,3 11

ADER_ALL_3 OR ADER_MONO_INTENS_3 OR ADER_MONO_PERSIST_3 HSD 1,3 1,2 1,1 0,8

Multiscopo 1,7 2,4 3,3 2,1 12 DIAG_5 OR ADER_ALL_1 HSD 1,7 1,8 2,4 1,4 Multiscopo 1,3 1,6 1,9 1,4 13 DIAG_5 OR ADER_ALL_3 HSD 1,2 1,3 1,4 0,9 Multiscopo 1,3 1,7 2,1 1,5

14 DIAG_5 OR ADER_ALL_1 OR ADER_MONO_INTENS_1 OR ADER_MONO_PERSIST_1 HSD 1,3 1,3 1,5 1,0

Multiscopo 1,0 1,3 1,4 1,1 15

DIAG_5 OR ADER_ALL_3 OR ADER_MONO_INTENS_3 OR ADER_MONO_PERSIST_3 HSD 1,0 1,0 1,0 0,7

Le comparazioni risultano mediamente più omogenee tra regioni nel caso degli algoritmi di adesione a terapie (ADER_*, righe da 4 a 9). L’algoritmo combinazione delle diagnosi a 5 anni e aderenza a tre anni (riga 15) mostra la stessa prevalenza di HSD in 3 regioni, eccettuata la Sicilia dove HSD stima una prevalenza del 30% inferiore. Lo stesso algoritmo fornisce prevalenze uguali o inferiori rispetto alla stima multiscopo, con la discrepanza maggiore in Puglia (+40%).

Tabella 5. Stima degli indicatori utilizzando combi nazioni rilevanti degli algoritmi, in Emilia Romagna (ER), Toscana (TOS), Puglia (PUG), S icilia (SIC). Uso farmaci Spirometria # ER TOS PUG SIC ER TOS PUG SIC - HSD_BPCO (*) 48,5 47,0 49,6 48,9 15,3 19,2 14,7 14,1 0 DIAG_5 50,1 55,8 60,1 - 9,9 11,7 10,2 - 1 DIAG_1 56,5 62,7 65,9 - 10,6 13,1 12,3 - 2 DIAG_PRINC_5 58,7 65,4 60,1 - 11,1 14,2 10,2 - 3 DIAG_SPEC_5 51,4 57,6 61,6 - 9,9 11,6 10,3 - 4 ADER_ALL_1 92,1 93,3 87,0 - 18,8 19,8 13,9 - 5 ADER_MONO_INTENS_1 89,0 91,0 84,9 - 17,8 19,2 13,7 - 6 ADER_MONO_PERSIST_1 91,1 92,9 87,1 - 17,9 19,2 13,9 - 7 ADER_ALL_3 86,1 87,8 80,4 - 16,2 17,4 12,0 - 8 ADER_MONO_INTENS_3 81,4 84,3 76,5 - 15,3 17,0 11,4 - 9 ADER_MONO_PERSIST_3 83,2 85,9 78,5 - 15,3 16,8 11,5 - 10 ADER_ALL_1 OR


88,5 90,7 84,3 - 17,2 18,7 13,2 -

11 ADER_ALL_3 OR ADER_MONO_INTENS_3 OR ADER_MONO_PERSIST_3

79,2 82,4 74,2 - 14,4 16,0 10,5 -

12 DIAG_5 OR ADER_ALL_1 63,8 72,0 77,3 - 12,9 15,2 12,4 - 13 DIAG_5 OR ADER_ALL_3 68,3 75,0 75,8 - 13,1 15,1 11,4 - 14 DIAG_5 OR ADER_ALL_1 OR


68,1 75,8 78,3 - 13,3 15,7 12,3 -

15 DIAG_5 OR ADER_ALL_3 OR ADER_MONO_INTENS_3 OR ADER_MONO_PERSIST_3

66,8 73,1 71,4 - 12,3 14,4 10,1 -

(*) in questa riga sono riportate le stime di riferimento relative ai due indicatori calcolate utilizzando sia i dati esia l’algoritmo d’identificazione di HSD.

La Sicilia non ha partecipato a questa analisi con i dati amministrativi.

La stima della prevalenza d’uso di farmaci risulta omogenea quando stimata all’interno di HSD (minimo 47,0% in Toscana, massimo 49,6 in Puglia) molto mentre risulta più variabile nei dati amministrativi. La stima dell’indicatore è molto sensibile alla scelta dell’algoritmo all’’interno delle banche dati IAD, e risulta sensibilmente maggiore all’interno delle popolazioni individuate dagli algoritmi di tipo ADER_* (da 4 a 9): in particolare, nel caso dell’algoritmo ADER_ALL_1 la prevalenza d’uso è di circa il 90% in tutte e tre le regioni. All’interno della popolazione individuata attraverso gli algoritmi “DIAG_*” (da 0 a 3), invece, la prevalenza d’uso dei farmaci per la BPCO è minore e varia tra il 50 ed il 60% in tutte e tre le regioni mostrando, comunque valori sempre superiori a quelli ottenuti in HSD. Nel caso della spirometria, le stime dell’indicatore ottenute in HSD si mostrano omogenee in Emilia Romagna, Puglia e Sicilia (tra 14,1 e 15,3%) e sensibilmente più elevate in Toscana (19,2%). Nelle popolazioni identificate in IAD attraverso gli algoritmi “DIAG_*” (da 0 a 3), le percentuali risultano livemente inferiori (tra 9,9 e

14,2%) sebbene anche qui i valori più elevati si osservino in Toscana, ed in particolare all’interno della popolazione identificata con DIAG_PRINC_5 (riga 5). Percentuali pù elevate di soggetti sottoposti a spirometria si ottengono invece all’interno delle popolazioni individuate nelle tre IAD attraverso gli algoritmi di tipo ADER_* (righe da 4 a 9) ed in particolare tra i soggetti identificati dall’algoritmo ADER_ALL_1 (13,9% in Puglia, 18,8% in Emilia Romagna, 19,8% in Toscana).

Tabella 6. Soggetti con diagnosi di BPCO, asma ed e ntrambe nel datasbase HSD. Sensibilità e potere predittivo positivo (PPV) dell 'algoritmo ADER _ALL_1 nell'individuare soggetti con patologie nel datasba se HSD (fonte:HSD)

Patologia N Prevalenza Sensibilità PPV

BPCO 10.185 5,9% 31% 54%

Asma 10.897 6,3% 18% 34%

BPCO oppure asma

19.869 11,6% 23% 77%

Sia BPCO che asma

1.213 0,7%

Tra i 171.942 soggetti partecipanti allo studio nel database HSD, 8.972 risultano avere solo una diagnosi di BPCO, 9684 solo una diagnosi di asma, 1.213 entrambe: il 13,5% dei soggetti con BPCO quindi risulta affetto anche da asma. 19.869 soggetti presentano quindi almeno una delle due diagnosi. L’algoritmo ADER_ALL_1 risulta avere una sensibilità del 31% e un PPV del 54% nell’individuare il paziente con BPCO. L’algoritmo ADER_ALL_1 risulta avere una sensibilità del 18% e un PPV del 34% nell’individuare il paziente con asma. Lo stesso algoritmo ha un PPV del 77% dell’individuare BPCO o asma, il che significa che il 23% dei soggetti individuati da ADER_ALL_1 non risultano avere né una registrazione di diagnosi di BPCO né una registrazione di diagnosi di asma.

5. Discussione

Identificare i pazienti con BPCO con un algoritmo che usa le sole diagnosi di dimissione, anche con un periodo di lookback ragionevolmente lungo, conduce a una sottostima della popolazione di circa due terzi. Aggiungere soggetti in terapia con farmaci respiratori conduce a prevalenze simili a quelle stimate da altre fonti, ma introduce una misclassificazione pari a circa il 40%, presumibilmente concentrata nella porzione della coorte che non ha una registrazione di diagnosi ospedaliera.

L’eterogeneità tra regioni nella prevalenza della patologia è molto più elevata stando alle risposte al questionario della Multiscopo, piuttosto che alle registrazioni dei medici di base partecipanti a HSD. Sembra probabile una sovrastima da parte della Multiscopo, tuttavia le prevalenze registrate dagli algoritmi di terapia (righe 4-11 delle Tabelle 4 e 5) segnalano un incremento intermedio tra quello delle altre due fonti. Il fatto che i pazienti che hanno una diagnosi di BPCO registrata negli ultimi anni siano i più gravi all’interno della coorte totale dei malati (che sono i misura almeno doppia stando alle altre fonti) sembra meno supportato rispetto all’atteso, nelle regioni Emilia Romagna, Toscana e Sicilia: la gran maggioranza infatti ha avuto questa registrazione durante un ricovero la cui causa principale era diverso. E’ tuttavia da notare la singolarità della regione Puglia, dove nessun soggetto risulta un codice di BPCO registrato come diagnosi secondaria: si tratta probabilmente di una mancanza di abitudine a registrare questa condizione come comorbilità importante nel ricovero. La prevalenza d’uso di farmaci tra i soggetti con BPCO sembra fortemente sovrastimata nelle coorti più ampie (righe 4 e successive della Tabella 5), mentre risulta stimata in misura ragionevole nella coorte dei dimessi. Al contrario l’indicatore di processo sembra stimato in modo più coerente con il dato della medicina generale nelle coorti più ampie. Il dato di HSD potrebbe essere sovrastimato, in quanto i medici di medicina generale partecipanti a HSD potrebbero avere processi più corretti: tuttavia in uno studio su altre patologie (diabete, ipertensione, cardiopatia ischemica) è stato verificato che questi medici hanno prestazioni simili a quelli degli altri del loro territorio [Gini2014-2].

Punti di forza

L’estrazione automatica del dataset dello studio fornisce certezza nell’applicazione coerente di complessi algoritmi di identificazione di caso, e trasparenza dal momento che il programma di estrazione è pubblico. Questo rende possibile rapidamente lo svolgimento di uno studio multicentrico.

Limitazioni

La Sicilia ha fornito dati relativi a 4 anni di ospedalizzazioni invece che 5. Non riteniamo plausibile che questo abbia falsato significativamente le comparazioni: dal momento che il primo anno da solo individua il 33% dei soggetti, l’aggiunta del quinto anno avrebbe probabilmente portato un contributo molto basso.

6. Conclusioni

L’identificazione i pazienti con BPCO si conferma delicata e prona a sottostime e misclassificazioni. La scelta di quale algoritmo adottare deve essere valutata a priori, in funzione dell’obbiettivo dello studio, utilizzando l’evidenza proposta in

questo lavoro. Nel caso del report MATRICE, sembra raccomandabile utilizzare la combinazione di diagnosi e uso di farmaci (algoritmo in riga 15 della Tabella 4) per stimare la prevalenza, DIAG_5 per stimare l’uso di farmaci e una combinazione tra questo e i pattern di uso di farmaci per stimare la percentuale dei malati che svolge annualmente una spirometria.

7. Bibliografia [Anecchino2007] Anecchino C, Rossi E, Fanizza C, De Rosa M, Tognoni G, Romero M. Prevalence of chronic obstructive pulmonary disease and pattern of comorbidities in a general population. Int J Chron Obstruct Pulmon Dis. Dic 2007;2(4):567–74. [Belleudi2012] Belleudi V, Agabiti N, Kirchmayer U, Cascini S, Bauleo L, Berardini L, et al. [Definition and validation of a predictive model to identify patients with Chronic Obstructive Pulmonary Disease (COPD) from administrative databases]. Epidemiol Prev. May 2012;36(3-4):162–71. [Cazzola2010] Cazzola M, Bettoncelli G, Sessa E, Cricelli C, Biscione G. Prevalence of comorbidities in patients with chronic obstructive pulmonary disease. Respiration. 2010;80(2):112–9. [Dore2014] Dore DD, Ziyadeh N, Cai B, Clifford CR, Norman H, Seeger JD. A cross-sectional study of the identification of prevalent asthma and chronic obstructive pulmonary disease among initiators of long-acting beta-agonists in health insurance claims data. BMC Pulm Med. 2014;14:47. [Faustini2008] Faustini A, Cascini S, Arcà M, Balzi D, Barchielli A, Canova C, et al. [Chronic obstructive pulmonary disease prevalence estimated using a standard algorithm based on electronic health data in various areas of Italy]. Epidemiol Prev. Jun 2008;32(3 Suppl):46–55. [Faustini2012] Faustini A, Canova C, Cascini S, Baldo V, Bonora K, De Girolamo G, et al. The reliability of hospital and pharmaceutical data to assess prevalent cases of chronic obstructive pulmonary disease. COPD. Apr 2012;9(2):184–96. [Gini2013] Gini R, Francesconi P, Mazzaglia G, Cricelli I, Pasqua A, Gallina P, et al. Chronic disease prevalence from Italian administrative databases in the VALORE project: a validation through comparison of population estimates with general practice databases and national survey. BMC Public Health. Jan 2013;13(1):15. [Gini2014] Gini R. TheMatrix – Il sofware. Docenza al corso dell'Istituto Superiore di sanità "Uso delle fonti di dati sanitari correnti per finalità epidemiologiche" . Roma, 20-23 ottobre 2014. https://www.ars.toscana.it/files/progetti/malattie_croniche/pres_gini.pdf. Accesso: 17 marzo 2015. [Gini2014-2] Gini R, Schuemie MJ, Francesconi P, Lapi F, Cricelli I, Pasqua A, et al. Can Italian Healthcare Administrative Databases Be Used to Compare Regions with Respect to Compliance with Standards of Care for Chronic Diseases? PLoS ONE. 2014;9(5):e95419. [ISTISAN2014] Rapporti ISTISAN. Misurare in sanità pubblica: registri e sorveglianza. Aspetti generali. A cura di Giuseppe Costa, Stefania Salmaso e Cesare Cislaghi. 2014 [Lacasse2005] Lacasse Y, Montori VM, Lanthier C, Maltis F. The validity of diagnosing chronic obstructive pulmonary disease from a large administrative database. Can Respir J. Aug 2005;12(5):251–6. [Multiscopo2005] ISTAT. Aspetti della vita quotidiana: informazioni sulla rilevazione. 2015 http://www.istat.it/it/archivio/91926 . Accesso: 17 marzo 2015.

Appendice 1: scheda di patologia Vedi Allegato

Appendice 2: algoritmi Ogni algoritmo è descritto tramite

• Descrizione: una breve descrizione in linguaggio naturale • Codice: un codice da utilizzare nelle elaborazioni • Selezione: la selezione dai flussi informativi utilizzata nella procedura • Pattern: il pattern di record, all’interno della selezione descritta nella riga precedente, che

individua i soggetti positivi all’algoritmo: il pattern è decsritto in termini di numero di record, frequenza, valore di certi campi, genere o età del soggetto al momento della registrazione di alcuni record, eccetera

• Data: la definizione della data in cui l’algoritmo stabilisce la presenza della patologia: usualmente il primo o l’ultimo record del pattern

ALGORITMO 1 Descrizione: diagnosi di dimissione per BPCO negli ultimi 5 anni Codice: DIAG_5 Selezione: seleziona da HOSP tutti i record che hanno almeno una diagnosi 490*, 491*, 492*, 494*, 496* negli anni 2009-2013 Pattern: soggetti che hanno almeno un record nella selezione Data: data del primo record ALGORITMO 2 Descrizione: diagnosi di dimissione per BPCO nell’ultimo anno Codice: DIAG_1 Selezione: seleziona da HOSP tutti i record che hanno almeno una diagnosi 490*, 491*, 492*, 494*, 496* nell’anno 2013 Pattern: soggetti che hanno almeno un record nella selezione Data: data del primo record ALGORITMO 3 Descrizione: diagnosi di dimissione per BPCO in campo diagnosi principale negli ultimi 5 anni Codice: DIAG_PRINC_5 Selezione: seleziona da HOSP tutti i record che hanno almeno una diagnosi 490*, 491*, 492*, 494*, 496* nel campo diagnosi principale negli anni 2009-2013 Pattern: soggetti che hanno almeno un record nella selezione Data: data del primo record ALGORITMO 4 Descrizione: aderenza a una qualsiasi terapia con farmaci respiratori nell’ultimo anno Codice: ADER_ALL_1 Selezione: seleziona da DRUG e DDRUG tutti i record del 2013 con ATC R03*, eccetto R03AC02 o R03AL02 Pattern: soggetti che hanno almeno una sequenza1 di cinque record nella selezione in cui la distanza tra la data del primo e la data dell’ultimo record è maggiore di 120 giorni e minore di 365 giorni Data: data del quinto record della prima sequenza che risponde al pattern

1 In questo algoritmo e nei successivi con il termine sequenza si intende un insieme di record consecutivi. Tuttavia una sequenza non contiene necessariamente tutti i record consecutivi che il soggetto nella selezione, bensì ne può saltare alcuni. Per esempio se un soggetto ha 3 record nella selezione, quel soggetto avrà 3 sequenze che possono essere esaminate: la sequenza del primo e del secondo record, la sequenza del secondo e del terzo record, e la sequenza del primo e del terzo record.

ALGORITMO 5 Descrizione: aderenza a una terapia con una medesima classe di farmaci respiratori nell’ultimo anno Codice: ADER_MONO_INTENS_1 Selezione: seleziona da DRUG e DDRUG tutti i record del 2013 con ATC R03*, eccetto R03AC02 o R03AL02 Pattern: soggetti che hanno almeno una sequenza di tre record nella selezione in cui il codice ATC ha gli stessi primi 4 caratteri, e la distanza tra la data del primo e la data dell’ultimo record è maggiore di 30 giorni e minore di 120 giorni Data: data del terzo record della prima sequenza che risponde al pattern ALGORITMO 6 Descrizione: persistenza in una terapia con una medesima classe di farmaci respiratori nell’ultimo anno Codice: ADER_MONO_PERSIST_1 Selezione: seleziona da DRUG e DDRUG tutti i record del 2013 con ATC R03*, eccetto R03AC02 o R03AL02 Pattern: soggetti che hanno almeno una sequenza di tre record nella selezione in cui il codice ATC ha gli stessi primi 4 caratteri, e la distanza tra la data del primo e la data dell’ultimo record è maggiore di 120 giorni e minore di 210 giorni Data: data del terzo record della prima sequenza che risponde al pattern ALGORITMO 7 Descrizione: aderenza a una qualsiasi terapia con farmaci respiratori negli ultimi tre anni Codice: ADER_ALL_3 Selezione: seleziona da DRUG e DDRUG tutti i record del 2011-2013 con ATC R03*, eccetto R03AC02 o R03AL02 Pattern: soggetti che hanno almeno una sequenza di cinque record nella selezione in cui la distanza tra la data del primo e la data dell’ultimo record è maggiore di 120 giorni e minore di 365 giorni Data: data del quinto record della prima sequenza che risponde al pattern ALGORITMO 8 Descrizione: aderenza a una terapia con una medesima classe di farmaci respiratori negli ultimi tre anni Codice: ADER_MONO_INTENS_3 Selezione: seleziona da DRUG e DDRUG tutti i record del 2011-2013 con ATC R03*, eccetto R03AC02 o R03AL02 Pattern: soggetti che hanno almeno una sequenza di tre record nella selezione in cui il codice ATC ha gli stessi primi 4 caratteri, e la distanza tra la data del primo e la data dell’ultimo record è maggiore di 30 giorni e minore di 120 giorni Data: data del terzo record della prima sequenza che risponde al pattern ALGORITMO 9 Descrizione: persistenza in una terapia con una medesima classe di farmaci respiratori negli ultimi tre anni Codice: ADER_MONO_PERSIST_3 Selezione: seleziona da DRUG e DDRUG tutti i record del 2011-2013 con ATC R03*, eccetto R03AC02 o R03AL02 Pattern: soggetti che hanno almeno una sequenza di tre record nella selezione in cui il codice ATC ha gli stessi primi 4 caratteri, e la distanza tra la data del primo e la data dell’ultimo record è maggiore di 120 giorni e minore di 210 giorni Data: data del terzo record della prima sequenza che risponde al pattern

ALGORITMO 10 Descrizione: diagnosi di dimissione per BPCO, con codifica utilizzata dalla SIMG, negli ultimi 5 anni Codice: DIAG_SPEC_5 Selezione: seleziona da HOSP tutti i record che hanno almeno una diagnosi 4912* o 496* negli anni 2009-2013 Pattern: soggetti che hanno almeno un record nella selezione Data: data del primo record L’algoritmo 10 verrà estratto per analogia con i criteri utilizzati nell’analisi di HSD

Appendice 3. Indicatori di utilizzo di terapie per la BPCO del rapporto OsMed Dal rapporto OsMed Anno 2013, pagina 167 e sgg Prevalenza d’uso di farmaci per la BPCO: numero di pazienti in trattamento con farmaci per la BPCO [numeratori] , sul totale dei pazienti con diagnosi di BPCO [denominatori]. Farmaci Beta2 agonisti a lunga durata d’azione (LABA) R03AC12, R03AC13 R03AC18 Corticosteroidi inalatori (ICS) R03BA% ICS e LABA in associazione fissa R03AK% (attenzione: in Osmed c'è un refuso) Anticolinergici: tiotropio bromuro R03BB04 e R03DB06 Nota: Beta2 agonisti a breve durata d’azione (SABA: R03AC02, R03AL02) o i corticosteroidi sistemici (H02%) non vanno considerati perché si usano al bisogno

Appendice 4. Esecuzione spirometria In applicazione delle raccomandazioni sul follow-up diagnostico (si veda Appendice 1), si considera come indicatore l’esecuzione annuale della spirometria 89.37.1 spirometria semplice 89.37.2 spirometria globale 89.37.3 spirometria separata dei due polmoni (metodica di arnaud) 89.38.2 spirometria globale con tecnica pletismografica

Progetto MATRICE-BPCO

Documents

Transcript of Progetto MATRICE-BPCO