Bilaga 5. Prediktionsmodeller för sjukskrivningsduration

Transkript

1 Stöd för rätt sjukskrivning ett samverkansprojekt mellan Försäkringskassan och Sveriges Kommuner och Landsting Bilaga 5 Stöd för rätt sjukskrivning 2016 Prediktionsmodeller för sjukskrivningsduration Kristina Alexanderson Matteo Bottai Paolo Frumento Elin Hinas Kerstin Nilsson Enheten för biostatistik samt Sektionen för försäkringsmedicin Karolinska Institutet

2 Alexanderson, Bottai, Frumento, Hinas, Nilsson Bilaga 5 Prediktionsmodeller, duration Sidan 2 av 55 Innehållsförteckning 1 Inledning Sammanfattning I rapporten används följande förkortningar och begrepp Inledning Syfte Material och metod Data Information i MiDAS Två diagnoser; F43 och M Socialstyrelsens försäkringsmedicinska beslutsstöd F M Studiepopulationer Variabler Utfall Prediktionsfaktorer i steg 1 i projektet Prediktionsfaktorer i steg 2 i projektet Analysmetoder Predictive models Resultat Prediction of SA spell for F43 and M75 diagnoses A note on prediction Definition Predictive models Prediction models for F43 and M Predictors Predicting the final outcome of a spell Predicting the duration of SA for those who go back to work or other activity Prediction tools Concluding remarks Diskussion Appendix I Selected figures F Appendix II selected figures M Referenser, i urval... 55

3 Alexanderson, Bottai, Frumento, Hinas, Nilsson Bilaga 5 Prediktionsmodeller, duration Sidan 3 av 55 1 Inledning Försäkringskassans prognoser visar att sjukskrivningarna ökar både i omfattning och i längd. Sjukskrivning är en viktig del av vård och behandling, men forskning visar också att långvariga sjukskrivningar kan leda till sämre hälsa, ekonomi och relationer. Idén bakom projektet Stöd för rätt sjukskrivning, SRS, är att förbättra för alla inblandade i sjukskrivnings- och rehabiliteringsprocessen, inklusive individen själv. Ett gemensamt IT-baserat bedömningsstöd kan bidra med ett samlat kunskapsunderlag för att läkare ska kunna utfärda läkarintyg med större träffsäkerhet samt hjälpa hälso- och sjukvården att identifiera individer som har behov av specifika eller samordnade insatser. I framtiden kan bedömningsstödet också användas som ett stöd för arbetsgivare och av individen själv för att kunna ta en aktiv del i sin egen rehabilitering. Förutsättningarna för att skapa ett bedömningsstöd utreddes i en förstudie Då undersöktes bland annat vilken kunskap som fanns i forskningen om prognosfaktorer som påverkar sjukskrivningen, eftersom sådan kunskap kan ge mer träffsäkra prediktioner om sjukskrivningslängd och omfattning för en enskild individ. Under 2016 har projektet genomfört ytterligare utredningsarbete inom tre områden: Juridiska utredningar - förslag om ansvar och roller för bedömningsstödet, personuppgiftsansvar, ansvar för utveckling, drift och förvaltning samt ansvar för utveckling och förfining av bedömningsstödets prediktionsmodeller. Kostnads- och nyttoanalys - identifiera och jämföra kostnader med nyttor ur både ett kortoch långsiktigt samhällsekonomiskt perspektiv för ett bedömningsstöd infört i hälso- och sjukvården. Verksamhetsanalys användarbehov och prototyptester, etisk analys, utredning om rehabiliteringsinsatser och insatsförteckning, fördjupad utredning om prediktiva modeller. Projektet har finansierats via Socialdepartementet genom överenskommelsen mellan regeringen och Sveriges Kommuner och Landsting, SKL, om en kvalitetssäker och effektiv sjukskrivningsoch rehabiliteringsprocess. SKL har ansvarat för projektet och har tillsammans med Försäkringskassan utgjort projektets styrgrupp. Utredningsarbetet påbörjades i januari 2016 och slutredovisning sker till socialdepartementet i oktober Utredningsarbetet har utförts av en arbetsgrupp med bred kompetens och med stor samlad erfarenhet av nationella e-hälsoprojekt. Delar av utredningsarbetet har utförts av och med forskare och utredare från Karolinska Institutet. Denna rapport redovisar endast en del av projektets arbete. Hela rapporten med en sammanfattning av resultatet går att beställa av cecilia.alfven@skl.se. Mer information om projektet Stöd för rätt sjukskrivning finns på SKL:s webbplats: d.5229.html

4 Alexanderson, Bottai, Frumento, Hinas, Nilsson Bilaga 5 Prediktionsmodeller, duration Sidan 4 av 55 2 Sammanfattning I detta delprojekt, inom det övergripande SRS projektet, har data från sex rikstäckande register från tre myndigheter (Försäkringskassan, Socialstyrelsen och Statistiska centralbyrån) använts i analyser för att ta fram modeller för prediktion av längd av påbörjade sjukskrivningsfall. Uppdraget var att göra detta i två steg och för två olika diagnoser. Det första steget var att ta fram en modell innehållande de faktorer som en allmänläkare bedömdes kunna ha tillgång till, inom ramen för ett utökat SRS projekt, i mötet med patienten. Det andra steget var att ta fram en prediktionsmodell där ytterligare faktorer inkluderades, faktorer som i tidigare studier visats vara av betydelse för sjukskrivningsduration. De två studerade diagnoserna var "anpassningsstörningar och reaktion på svår stress" (F43) samt "sjukdomstillstånd i skulderled" (M75), det vill säga, dels en psykisk diagnos med ett mycket stort och ökande antal långa sjukskrivningar, dels en muskuloskeletal diagnos, även den med många sjukskrivningar. Samtliga personer i åldrarna med ett nytt sådant sjukskrivningsfall som påbörjades under 2011 och som blev mer än 14 dagar långt inkluderades. Eftersom fokus skulle vara på sjukskrivningar där det första sjukintyget utfärdats av läkare inom primärvården exkluderades de personer som vid sjukskrivningens start var inlagda på sjukhus eller hade träffat en läkare på en specialiserad öppenvårdsklinik. För diagnosen F43 inkluderades drygt personer och för M75 cirka personer. I steg 1användes information om följande variabler: kön, ålder, månad sjukskrivningen påbörjades, sysselsättning, hel- eller deltidssjukskrivning i början av fallet, om personen samtidigt hade deltids sjuk- eller aktivitetsersättning samt tidigare sjukskrivningar respektive tidigare sjuk-eller aktivitetsersättning under ett år före respektive under två år före datum för det nya fallets start, generellt och i olika diagnoser. I steg 2 inkluderades såväl dessa som ytterligare variabler. De nya var: utbildningsnivå, födelseland, typ av boendekommun, familjesituation, civilstånd, typ av sektor personen arbetade inom samt typ av yrke, tidigare uppnått maxtid inom försäkringen respektive att tidigare ha fått sjukpenningen indragen. När det gäller tidigare sjukvård användes dessa variabler, dels för ett år före, dels för två år före datum för att det studerade fallet påbörjades: antal besök i specialiserad öppenvård, generellt och per diagnosgrupp, antal och duration av sjukhusinläggningar, generellt och per diagnosgrupp. Avancerade prediktionsmodeller användes för analyserna. Först skapades prediktionsmodeller där orsak till avslut av sjukskrivningsfallet predicerades. Därefter skapades modeller som predicerar längd på sjukskrivningsfallet endast för de fall som inte avslutades på grund av att sjukskrivningsfallet övergick till sjuk- eller aktivitetsersättning eller genom att personen avled, fyllde 65 år eller emigrerade. De framtagna prediktionsmodellerna gav ett korrekt resultat av prediktionerna för båda diagnoserna. Däremot var prediktionen svagare och hög precision fanns endast för vissa grupper. Orsaker till det kan vara flera, bland annat att båda diagnoserna innehåller ett flertal olika underdiagnoser, med förväntad stor skillnad i sjukskrivningsduration. De mest relevanta variablerna var sjukskrivningsmånad, sjukskrivningsgrad och tidigare sjukskrivning eller sjuk- eller aktivitetsersättning i samma diagnos. Användande av nettodagar istället för bruttodagar samt att inkludera information om diagnosspecifik tidigare sjukfrånvaro och vård, förbättrade prediktionsvärdet med %. Ålder hade ett prediktionsvärde för diagnosen M75 men inte för F43.

5 Alexanderson, Bottai, Frumento, Hinas, Nilsson Bilaga 5 Prediktionsmodeller, duration Sidan 5 av 55 Prediktionsmodellen för estimering av sjukskrivningsduration bland personer som redan är sjukskrivna utvecklades. Den kan enkelt implementeras för datoranvändning. Grafiska modeller kan optimeras för olika användare, såsom läkare, rehabkoordinatorer, etcetera. Styrkor med modellen är att den baseras på mycket omfattande och reella data för samma typ av population som den kommer att appliceras på. Prediktionsmodellen som utvecklats kan användas vid olika situationer för att predicera framtida sjukfrånvaro för en person sjukskriven med en specifik diagnos. Den typ av data som använts i projektet är unika, även internationellt och kan användas för fördjupade analyser och för prediktion även av sjukskrivningsduration för personer sjukskrivna i andra diagnoser. Även data från andra register kan användas för detta ändamål, dock fanns det inte utrymme för detta inom projektets tidsram. I detta projekt har endast personer som faktiskt hade en pågående sjukskrivning som varat i mer än 14 dagar inkluderats. Det vore även av vikt att göra motsvarande analyser för personer som initialt har en viss diagnos (sjukdom eller skada) och inte är sjukskrivna, för att studera risk att bli sjukskriven korta eller långa perioder. Sådan kunskap efterfrågas från hälso- och sjukvården och behövs som underlag för att utveckla kunskapsbaserade preventiva åtgärder.

6 Alexanderson, Bottai, Frumento, Hinas, Nilsson Bilaga 5 Prediktionsmodeller, duration Sidan 6 av 55 3 I rapporten används följande förkortningar och begrepp Bruttodagar F43 Antal dagar med ersättning från Försäkringskassan för sjukskrivning eller sjuk- och aktivitetsersättning Diagnoskod i ICD-10 för diagnos "Anpassningsstörningar och reaktion på svår stress" Faktor FK H-region Ett värde på en variabel, till exempel kvinna i variabeln kön Försäkringskassan Indelning av kommuner, efter hur urbana de är, såsom i Storstad, Mellanstor stad eller Småorter ICD-10 International Classification of Diagnoses, version 10 (1) IMAS LISA Insurance Medicine All Sweden; den databas projektet baseras på Longitudinell Integrationsdatabas för Sjukförsäkrings- och Arbetsmarknads-studier; rikstäckande register administrerat av Statistiska centralbyrån M75 MiDAS Nettodagar Diagnoskod i ICD-10 för diagnos " Sjukdomstillstånd i skulderled" MikroData för Analys av Socialförsäkringen; rikstäckande register administrerat av Försäkringskassan Antal hela dagar med ersättning från Försäkringskassan för sjukskrivning eller sjuk- och aktivitetsersättning. Dagar med partiell frånvaro är hopslagna till hela dagar. SA Sensitivitet Specificitet SRS Totala antalet dagar Variabel Sjuk- och aktivitetsersättning, tidigare förtidspension Andel sant positiva prediktioner Andel sant negativa prediktioner Stöd för rätt sjukskrivning; namn på det projekt som denna rapport ingår i Antal dagar mellan anmälningsdagen och sista dagen med ersättning i ett sjukskrivningsfall En grupp faktorer som utesluter varandra, till exempel kön som består av faktorerna man och kvinna. Rapporten är delvis skriven på engelska. Abbreviations used in the English texts DP Disability pension SA Sickness absence

7 Alexanderson, Bottai, Frumento, Hinas, Nilsson Bilaga 5 Prediktionsmodeller, duration Sidan 7 av 55 4 Inledning Detta delprojekt utgår dels från det arbete som gjorts i två tidigare delprojekt inom ramen för SRSprojektet avseende prediktion av fortsatt sjukskrivning bland personer som har påbörjat ett sjukskrivningsfall (2, 3), dels från diskussioner med SRS:s projektledningsgrupp. Projektet, som är tvärvetenskapligt, har genomförts i samarbete med forskare vid Enheten för biostatistik och vid Sektionen för försäkringsmedicin, Karolinska Institutet. Framför allt har följande sex personer vid Karolinska Institutet arbetat med projektet (i bokstavsordning): - Kristina Alexanderson, professor i socialförsäkring, Dr i medicinsk vetenskap, Sektionen för försäkringsmedicin, Institutionen för klinisk neurovetenskap (CNS) (projektledare; kristina.alexanderson@ki.se) - Matteo Bottai, professor i biostatistik, PhD in biostatistics, Enheten för biostatistik, Institutet för miljömedicin (IMM) - Paolo Frumento, forskarassistent, PhD in statistics, Enheten för biostatistik (IMM) - Elin Hinas, statistiker, Sektionen för försäkringsmedicin (CNS) - Kerstin Nilsson, statistiker, Sektionen för försäkringsmedicin (CNS) - Petter Tinghög, forskarassistent, Fil dr, Sektionen för försäkringsmedicin (CNS) 4.1 Syfte Syftet med detta delprojekt var att utveckla prediktiva modeller avseende duration av sjukskrivningsfall i två olika sjukskrivningsdiagnoser. 5 Material och metod Detta projekt utgår dels från det arbete som tidigare gjorts i två delprojekt inom ramen för SRSprojektet avseende prediktion av fortsatt sjukskrivning bland personer som har påbörjat ett sjukskrivningsfall (2, 3), dels från diskussioner med SRS:s projektledningsgrupp. 5.1 Data Analyserna baseras på information från en databas inom projektet Insurance Medicine All Sweden (IMAS) som leds och administreras inom Sektionen för försäkringsmedicin, Karolinska Institutet. Databasen innehåller avidentifierade individdata länkade från flera olika rikstäckande register för samtliga personer i arbetsför ålder som registrerats som boende i Sverige vissa år. Projektet har godkänts av den Regionala etikprövningsnämnden i Stockholm. För detta projekt har data från följande sex register inom IMAS använts: Från Försäkringskassan: - MiDAS (MikroData för Analys av Socialförsäkringen) registret (4) : information om sjukskrivningsfall som ersatts av Försäkringskassan under åren Ur registret hämtades information om varje falls startdatum (startdatum 1/anmälningsdatum samt startdatum 2 vilket är den första dagen med ersättning från Försäkringskassan) och slutdatum, omfattning (grad av deltid eller om heltid), antal dagar med ersättning från Försäkringskassan (både brutto- och nettodagar), totala antalet dagar i fallet (inklusive dagar utan ersättning från Försäkringskassan), försäkradtyp (typ av sysselsättning) vid sjukskrivningsfallets start samt sjukskrivningsdiagnos (huvuddiagnosen i den första sjukskrivningsperioden i sjukskrivningsfallet). Motsvarande information om sjuk- och aktivitetsersättningar (tidigare kallat förtidspension eller sjukbidrag) inhämtades också från MiDAS.

8 Alexanderson, Bottai, Frumento, Hinas, Nilsson Bilaga 5 Prediktionsmodeller, duration Sidan 8 av 55 Detta innebär att information från både hel- och delfallsfiler i MiDAS har använts. - Försäkringskassans register över personer som under åren uppnått maximal tid i sjukförsäkringen och datum för detta. - Försäkringskassans register över personer som fått sin sjukpenning indragen samt datum för detta under åren Från Statistiska centralbyrån: - LISA-registret (5) (Longitudinell Integrationsdatabas för Sjukförsäkrings- och Arbetsmarknads-studier). Baserat på data från LISA har vi tagit fram information om följande sociodemografiska variabler för år 2011: ålder, kön, födelseland, högsta utbildningsnivå, yrke, sektor, familjesituation, civilstånd och H-region (baserat på boendekommun). Från Socialstyrelsen - Dödsorsaksregistret information om datum för död och dödsorsak Patientregistret, dels från Slutenvårdsregistret, vad avser information om tillfällen personer varit inlagda på sjukhus, avseende: datum, antal dagar, samt huvud- och bidiagnoser under åren , dels från Öppenvårdsregistret, vad avser: datum för läkarbesök i specialiserad öppenvård för olika diagnoser under åren (Detta register innehåller inte information om besök i primärvården) Information i MiDAS I MiDAS registreras sjukskrivningsfall där Försäkringskassan har betalat ut ersättning. Det innebär att för de flesta anställda, där arbetsgivaren betalar sjuklön under de första 14 dagarna i ett sjukskrivningsfall, får inte Försäkringskassan information om sjukskrivningsfallet om det inte överstiger 14 dagar. Därför registreras inte de flesta sjukskrivningsfall som är kortare än 15 dagar i MiDAS. För arbetslösa och vissa andra grupper för vilka Försäkringskassan betalar ut ersättning tidigare i sjukskrivningsfallet finns kortare fall registrerade i MiDAS. För att inte introducera en bias relaterat till dessa grupper inkluderades i denna rapports analyser endast sjukskrivningsfall som var längre än 14 dagar. För varje sjukskrivningsfall finns det två startdatum, dels dagen då personen sjukanmälde sig till sin arbetsplats alternativt till Försäkringskassan (startdatum 1/anmälningsdatum) och dels datum för den första dagen med ersättning från Försäkringskassan (startdatum 2). Tre variabler används för beskrivning av antal dagar i ett sjukskrivningsfall. Den första beskriver antalet dagar från anmälningsdagen till den sista dagen med ersättning, alltså då sjukskrivningsfallet avslutades, detta kallas här för totala antalet dagar i fallet. När data från MiDAS tvättades slogs alla sjukskrivningsfall, som startade inom fem dagar efter att ett tidigare fall avslutats, samman med det tidigare fallet. Detta på grund av återinsjuknande regeln, som innebär att personen får ersättning från Försäkringskassan redan från dag 1 i det nya fallet. För sjukskrivningsfall med ersättningstyp "förebyggande sjukskrivning" användes 14 dagar som gräns för sammanslagning, detta på grund av sådana fall ofta upprepas inom det tidsintervallet. Vid beräkning av totala antalet dagar inkluderades inte de mellanliggande dagarna, det vill säga dagar utan ersättning från Försäkringskassan togs inte med. Den andra variabeln är antal bruttodagar, som beskriver antalet dagar med ersättning från Försäkringskassan. Dessa dagar är i de flesta fall lika med antalet dagar mellan den första dagen med ersättning (startdatum 2) och den sista dagen med ersättning (slutdatum), men det finns

9 Alexanderson, Bottai, Frumento, Hinas, Nilsson Bilaga 5 Prediktionsmodeller, duration Sidan 9 av 55 sjukskrivningsfall där det förekommer dagar mitt i fallet där ingen ersättning har utbetalats, detta på grund av till exempel uttagen semester eller fängelsestraff. Dessa dagar utan ersättning är inte medräknade i variabeln bruttodagar men de är medräknade i variabeln totala antalet dagar. I den tredje variabeln har antal bruttodagar räknats om till antalet nettodagar, det vill säga, antalet hela dagar med ersättning. Till exempel omräknas fyra bruttodagar med en omfattning om 25 % av heltid till en nettodag. Information om sjukskrivningsdiagnos från Försäkringskassans MiDAS databas finns endast på treställighetsnivå för ICD-10. Det innebär att information om sjukskrivningsdiagnoser på mer detaljerad nivå inte funnits tillgängligt i detta projekt, då utgångspunkten varit MiDAS. 5.2 Två diagnoser; F43 och M75 Sjukskrivningsfall i en psykisk och i en muskuloskeletal sjukskrivningsdiagnos har, utifrån uppdraget, analyserats. Efter diskussioner med SRS projektet valdes dels den diagnosgrupp som ökat mest; stressrelaterade psykiska besvär (F43 enligt ICD-10 (1) ) och dels skulderbesvär (sjukdomstillstånd i skulderled; M75). Diagnosen F43 "Anpassningsstörningar och reaktion på svår stress" är en övergripande diagnoskategori som inkluderar bland annat följande diagnoser: akut stressreaktion, anpassningsstörning, posttraumatiskt stressyndrom och utmattningssyndrom. Diagnosen M75 "Sjukdomstillstånd i skulderled" inkluderar bland annat rotatorcuffsyndrom i skulderled och impingementsyndrom i skulderled. 5.3 Socialstyrelsens försäkringsmedicinska beslutsstöd Socialstyrelsens försäkringsmedicinska beslutsstöd (6) innehåller diagnosspecifika rekommendationer för båda valda diagnoserna, det vill säga för F43 och M F43 Diagnosen F43 innehåller fem underdiagnoser. Socialstyrelsens diagnosspecifika försäkringsmedicinska beslutsstöd innehåller skilda rekommendationer för fyra av dessa underdiagnoser (se nedan) dock inte för den femte, nämligen F43.9 "ospecificerad reaktion på svår stress". Som framgår av texterna nedan är troligtvis utmattningssyndrom (F43.8) den vanligaste sjukskrivningsdiagnosen bland de många långa sjukskrivningarna i diagnos F43. I beslutsstödet för F43-diagnoserna görs inte skillnad på rekommendationerna beroende på patientens typ av arbete. Akut stressreaktion - F43.0 "Arbete har normalt positiv effekt och sjukskrivning bör så långt möjligt undvikas. Arbetsförmågan kan vara helt eller delvis nedsatt i 2-4 veckor." Posttraumatiskt stressyndrom - F43.1 "Symtomens svårighetsgrad och varaktighet är vägledande vid bedömning av sjukskrivning. Stora individuella skillnader förekommer. Arbete kan ha en positiv effekt på symtombilden och sjukskrivning bör i sådana fall undvikas." Anpassningsstörning (livskris, sorgreaktion) - F43.2 "I normalfallet och i frånvaro av annan psykisk störning eller kroppslig sjukdom är arbetsförmågan inte eller endast obetydligt nedsatt och sjukskrivning är som regel inte aktuell. Om depression eller ångestsyndrom utvecklas gäller rekommendationerna för dessa tillstånd."

10 Alexanderson, Bottai, Frumento, Hinas, Nilsson Bilaga 5 Prediktionsmodeller, duration Sidan 10 av 55 Utmattningssyndrom - F43.8 "För individer med ett uttalat och väldiagnostiserat utmattningssyndrom kan arbetsförmågan vara nedsatt under avsevärd tid. Återhämtning, med hjälp av aktiv specialiserad rehabilitering, och successiv återgång i arbete, tar inte sällan mer än 6 månader och i vissa fall upp till ett år eller längre." M75 För M75 finns det en gemensam skrivning i det diagnosspecifika försäkringsmedicinska beslutsstödet om de vanligaste besvären. Rekommendationerna varierar något beroende på om patientens arbete är fysiskt tungt eller ej. Skulder- och axelledsbesvär: M75.4, M75.3, M75.0, M75.1, M65.9B "Kalkaxel och impingementsyndrom på dominant sida kan sätta ned arbetsförmågan helt i upp till 2 veckor. I fall med arbete som huvudsakligen görs med armarna ovanför axelhöjd eller arbete med krav på god rörlighet i axlarna kan arbetsförmågan vara begränsad i upp till 3 veckor. I många fall behövs deltidssjukskrivning samt anpassning av arbetsförhållanden i väntan på andra åtgärder. Samma förhållningssätt kan vara lämpligt vid sjukskrivning vid impingementsyndrom och tendinoser där besvären bedöms ha samband med arbetet. Efter operation vid impingementsyndrom på dominant sida kan arbetsförmågan vara nedsatt; vid lätt arbete i upp till 3 veckor, vid medeltungt arbete i upp till 6 veckor och vid tungt arbete i upp till 12 veckor. Ibland kan sjukskrivningstiden kortas vid icke dominant sida. Efter rotatorcuffsutur på dominant sida kan arbetsförmågan vara nedsatt; vid lätt arbete upp till 6 veckor, vid medeltungt arbete i upp till 12 veckor och vid tungt arbete i upp till 26 veckor. Ibland kan sjukskrivningstiden kortas vid icke dominant sida. Efter operation vid frusen skuldra varierar behovet av sjukskrivning beroende på typ av arbete. I ett icke rörelsekrävande arbete kan arbetet återupptas redan efter några dagar medan det i ett tungt arbete med belastning över axelnivå kan behövas upp till någon månads sjukskrivning."

11 Alexanderson, Bottai, Frumento, Hinas, Nilsson Bilaga 5 Prediktionsmodeller, duration Sidan 11 av Studiepopulationer För båda diagnoserna (F43 och M75) inkluderades samtliga personer som var år den 31 december 2011 och som hade minst ett sjukskrivningsfall som uppfyllde följande kriterier: startade under 2011 och varade i mer än 14 dagar (>14 dagar valdes för att inte introducera bias, se ytterligare förklaring ovan) första huvuddiagnosen i sjukskrivningsfallet var F43 respektive M75 första förmånstypen var sjukpenning (detta innebär att de personer som hade rehabiliteringspenning, arbetsskadesjukpenning eller förebyggande sjukpenning vid sjukskrivningsfallets start inte inkluderades.) Detta resulterade i personer för F43 och personer för M75. Några av dessa hade fler än ett fall som uppfyllde inklusionskriterierna (1 357personer (4,2 %) för F43 och 401 personer (5,3 %) för M75), det kronologiskt första av dessa sjukskrivningsfall valdes inför analyserna. Fokus i SRS projektet är, vid tidpunkten för detta delprojekts genomförande, på allmänläkare i primärvården. Då det inte finns något rikstäckande register över besök i primärvården och det inte framgår av MiDAS från vilken sjukvårdsenhet som sjukintyget har skrivits, använde vi följande kriterier för att i så stor utsträckning som möjligt säkerställa att endast sjukskrivningar som genererats i primärvården inkluderades i analyserna: Information togs fram om vilka sjukskrivna personerna som, enligt patientregistret hade haft besök inom specialiserad öppenvård alternativt varit inlagd på sjukhus i samband med starten av sjukskrivningsfallet. 'I samband med starten' definierades då som från 4 dagar före den första dagen i fallet till och med dag 8 i fallet. För F43 hade personer (13,1 %) sådan öppen- eller slutenvård i samband med starten av sitt första fall, för M75 var motsvarande antal (40,6 %). De fall som hade öppen- eller slutenvård vid starten ansågs ha fått sitt första sjukintyg utfärdat från ett sjukhus medan övriga ansågs ha fått sitt första sjukintyg utfärdat av läkare inom primärvården. Det innebär att för F43 återstod personer som ansågs ha fått sitt läkarintyg utfärdat av läkare inom primärvården och dessa inkluderades således i analyserna. För M75 var motsvarande antal personer. Bakgrundsfaktorer för dessa fyra grupper presenteras i Tabell 2 och Tabell Variabler Utfall Först skapades modeller som predicerar specifika orsaker till att ett sjukskrivningsfall avslutas. Ett sjukskrivningsfall kan avslutas på grund av många olika anledningar, den vanligaste anledningen är att personen i fråga återfår arbetsförmåga och återgår i någon typ av aktivitet (vanligen arbete, men det kan också vara studier, arbetslöshet (det vill säga: söka arbete) eller föräldraledighet). Andra anledningar kan vara att personen avlidit, blivit ålderspensionär, övergått till sjuk- eller aktivitetsersättning alternativt emigrerat (Tabell 1).

12 Alexanderson, Bottai, Frumento, Hinas, Nilsson Bilaga 5 Prediktionsmodeller, duration Sidan 12 av 55 Tabell 1. Olika orsaker till att ett sjukskrivningsfall avslutas, antal och andel personer vars fall avslutades på grund av dessa olika orsaker bland samtliga personer i åldrarna som år 2011 hade ett nytt sjukskrivningsfall i diagnoserna F43 (stressrelaterade psykiska diagnoser) respektive i M75 (Sjukdomstillstånd i skulderled), som varade i mer än 14 dagar, uppdelat på var första sjukintyget i fallet utfärdades. F43 M75 Primärvård Sjukhus Primärvård Sjukhus Orsak till avslut av fallet n (%) n (%) n (%) n (%) Samtliga (100,0) 4254 (100,0) 4513 (100,0) 3085 (100,0) Avled 24 (0,1) 14 (0,3) 1 (0,0) 1 (0,0) Sjukersättning 346 (1,2) 65 (1,5) 55 (1,2) 14 (0,5) Fyllde 65 samma år 116 (0,4) 25 (0,6) 53 (1,2) 24 (0,8) Emigrerade 31 (0,1) 5 (0,1) 4 (0,1) 2 (0,1) Annan orsak (98,2) 4145 (97,4) 4400 (97,5) 3044 (98,7) Därefter skapades modeller som predicerar längd på sjukskrivningsfallet. Då inkluderades endast de fall som avslutades på grund av "annan orsak", alltså sjukfallet övergick inte till sjuk- eller aktivitetsersättning och personen varken avled, fyllde 65 år eller emigrerade i samband med att fallet avslutades. Utfallsmåttet i dessa modeller är totala antalet dagar, alltså antalet dagar från första dagen i sjukskrivningsfallet (anmälningsdagen) till den sista dagen med ersättning från Försäkringskassan, enligt ovan. I analyserna är de sjukskrivningsfall som översteg 1000 dagar exkluderade, detta innebar att 47 sjukskrivningsfall exkluderades för F43 och att ett sjukskrivningsfall exkluderades i analyserna av M Prediktionsfaktorer i steg 1 i projektet I det första steget i analyserna inkluderades information som allmänläkaren kan antas ha tillgång till inom ramen för SRS projektet. Dit hör patientens kön, ålder, sysselsättningsstatus (yrkesarbetande, arbetslös, studerande eller föräldraledig), sjukskrivningens omfattning i början (100, 75, 50 eller 25 % av ordinarie arbetstid), månad när sjukskrivningen initierades samt om personen då samtidigt hade en pågående partiell sjuk- eller aktivitetsersättning eller inte (Tabell 2).

13 Alexanderson, Bottai, Frumento, Hinas, Nilsson Bilaga 5 Prediktionsmodeller, duration Sidan 13 av 55 Tabell 2. Bakgrundsfaktorer för samtliga personer i åldrarna som år 2011 hade ett nytt sjukskrivningsfall i diagnoserna F43 (stressrelaterade psykiska diagnoser) respektive i M75 (Sjukdomstillstånd i skulderled), som varade i mer än 14 dagar, uppdelat på var första sjukintyget i fallet utfärdades. F43 M75 Primärvård Sjukhus Primärvård Sjukhus n (%) n (%) n (%) n (%) Samtliga (100,0) 4254 (100,0) 4513 (100,0) 3085 (100,0) Kön Kvinnor (77,0) 3098 (72,8) 2588 (57,3) 1351 (43,8) Män 6498 (23,0) 1156 (27,2) 1925 (42,7) 1734 (56,2) Åldersgrupper år 3093 (10,9) 639 (15,0) 268 (5,9) 81 (2,6) år 7113 (25,1) 1245 (29,3) 601 (13,3) 291 (9,4) år 8941 (31,6) 1243 (29,2) 1438 (31,9) 923 (29,9) år / (51-57 år för M75) 9141 (32,3) 1127 (26,5) 1197 (26,5) 946 (30,7) år 1009 (22,4) 844 (27,4) Sysselsättning vid fallets start Anmälan från Arbetsgivare, Personen omfattas av Sjuklön Anställd Dag 1, Personen omfattas ej av Sjuklön (90,7) 3627 (85,3) 4068 (90,1) 2716 (88,0) 224 (0,8) 55 (1,3) 27 (0,6) 25 (0,8) Egenföretagare 426 (1,5) 86 (2,0) 198 (4,4) 149 (4,8) Egenföretagare och anställd (kombinatör) 98 (0,3) 15 (0,4) 16 (0,4) 20 (0,6) Arbetslös 1610 (5,7) 383 (9,0) 189 (4,2) 166 (5,4) Föräldraledig eller Hemmamakeförsäkrad 262 (0,9) 84 (2,0) 15 (0,3) 8 (0,3) Studerande 16 (0,1) 4 (0,1) 0 (0,0) 1 (0,0) Omfattning vid start 25 % 1122 (4,0) 107 (2,5) 104 (2,3) 38 (1,2) 50 % 3933 (13,9) 517 (12,2) 566 (12,5) 216 (7,0) 75 % 722 (2,6) 105 (2,5) 106 (2,3) 74 (2,4) 100 % (79,6) 3525 (82,9) 3737 (82,8) 2757 (89,4) Sjuk- eller aktivitetsersättning Ingen (96,4) 4065 (95,6) 62 (1,4) 56 (1,8) 25 % 381 (1,3) 68 (1,6) 178 (3,9) 121 (3,9) 50 % 578 (2,0) 114 (2,7) 9 (0,2) 15 (0,5) 75 % 51 (0,2) 7 (0,2) 249 (5,5) 192 (6,2) Inom SRS projektet antas även att allmänläkare i primärvården, inom ramen för SRS projektet, kommer att kunna ha tillgång till information om tidigare sjukskrivningar respektive tidigare sjukeller aktivitetsersättning från Försäkringskassan. En frågeställning har då varit hur detaljerad sådan information behöver vara för att kunna göra bra prediktioner i den kliniska vardagen. Därför har analyser gjorts där flera olika mått på detta har använts. Dessa är

14 Alexanderson, Bottai, Frumento, Hinas, Nilsson Bilaga 5 Prediktionsmodeller, duration Sidan 14 av 55 Antal bruttodagar/år, det vill säga antal dagar personen haft ersättning från Försäkringskassan. Antal nettodagar/år. Nettodagar hanterar om ersättningen varit för hel- eller deltid. Måtten har tagits fram dels för året innan det studerade sjukskrivningsfallet började, dvs för de 365 dagarna innan det datum som fallet påbörjades (År -1) och dels för ytterligare ett år tillbaka i tiden, alltså mellan 730 och 366 dagar innan sjukskrivningsfallet påbörjades (År -2). Även för tidigare sjukskrivningsfall har de 14 första dagarna i varje sjukskrivningsfall exkluderats, för att inte introducera bias. För att i analyserna kunna se om det har betydelse om personen till exempel tidigare varit sjukskriven eller haft sjuk- eller aktivitetsersättning i samma diagnos eller inte, har antalet brutto- och nettodagar beräknats dels totalt och dels uppdelat på olika diagnosgrupper. Följande fem kategorier har då använts för F43: Tidigare sjukskrivning i F43 Tidigare sjukskrivning i alla andra psykiska diagnoser (F00-F99 exkl. F43) Tidigare sjukskrivning i muskuloskeletala diagnoser (M00-M99) Tidigare sjukskrivning i någon av samtliga övriga somatiska diagnoser Uppgift om diagnos saknas (denna kategori slogs i analyserna samman med övriga somatiska diagnoser ) Följande kategorier har använts för M75: Tidigare sjukskrivning i M75 Tidigare sjukskrivning i alla andra muskuloskeletala diagnoser (M00-M99 exkl. M75) Tidigare sjukskrivning i psykiska diagnoser (F00-F99) Tidigare sjukskrivning i någon av samtliga övriga somatiska diagnoser Uppgift om diagnos saknas (denna kategori slogs i analyserna samman med övriga somatiska diagnoser ) Dessa mått har alltså tagits fram dels för sjukskrivning och dels för sjuk- och aktivitetsersättning, dels för bruttodagar och dels för nettodagar samt dels för första året innan och dels för andra året innan. Detta innebär att 48 olika variabler har skapats och analyserats för varje diagnosgrupp. I analyserna kategoriserades antal brutto- och nettodagar med tidigare sjukskrivning respektive sjukeller aktivitetsersättning enligt följande fyra kategorier (Tabell 3): 0 dagar 0-90 dagar dagar >180 dagar Tabell 3. Sjukskrivningshistorik för samtliga personer i åldrarna som år 2011 hade ett nytt sjukskrivningsfall i diagnoserna F43 (stressrelaterade psykiska diagnoser) respektive i M75 (Sjukdomstillstånd i skulderled), som varade i mer än 14 dagar, uppdelat på var första sjukintyget i fallet utfärdades. F43 M75 Primärvård Sjukhus Primärvård Sjukhus n (%) n (%) n (%) n (%)

15 Alexanderson, Bottai, Frumento, Hinas, Nilsson Bilaga 5 Prediktionsmodeller, duration Sidan 15 av 55 Samtliga (100,0) 4254 (100,0) 4513 (100,0) 3085 (100,0) Tidigare nettodagar med sjukskrivning År -1 Inga dagar (81,6) 3257 (76,6) 3271 (72,5) 2290 (74,2) 0,25-90 dagar 4298 (15,2) 787 (18,5) 1028 (22,8) 636 (20,6) 90, dagar 586 (2,1) 136 (3,2) 144 (3,2) 126 (4,1) >180 dagar 328 (1,2) 74 (1,7) 70 (1,6) 33 (1,1) År -2 Inga dagar (79,7) 3216 (75,6) 3223 (71,4) 2289 (74,2) 0,25-90 dagar 4279 (15,1) 718 (16,9) 1003 (22,2) 612 (19,8) 90, dagar 719 (2,5) 149 (3,5) 156 (3,5) 120 (3,9) >180 dagar 740 (2,6) 171 (4,0) 130 (2,9) 64 (2,1) Tidigare sjuk- eller aktivitetsersättning, nettodagar År -1 Inga dagar (93,8) 3933 (92,5) 4186 (92,8) 2877 (93,3) 0,25-90 dagar 217 (0,8) 38 (0,9) 179 (4,0) 113 (3,7) 90, dagar 596 (2,1) 95 (2,2) 106 (2,3) 76 (2,5) >180 dagar 954 (3,4) 188 (4,4) 42 (0,9) 19 (0,6) År -2 Inga dagar (92,8) 3889 (91,4) 4146 (91,9) 2856 (92,6) 0,25-90 dagar 150 (0,5) 37 (0,9) 19 (0,4) 19 (0,6) 90, dagar 504 (1,8) 89 (2,1) 80 (1,8) 63 (2,0) >180 dagar 1380 (4,9) 239 (5,6) 268 (5,9) 147 (4,8) I figurerna nedan visas andel personer som hade haft tidigare sjukskrivningsfall som varat i längre än 14 dagar (Figur 1 och Figur 3) samt andel personer som tidigare haft sjuk- eller aktivitetsersättning (Figur 2 och Figur 4). För de fyra studerade grupperna visas detta uppdelat på diagnos för de tidigare sjukskrivningsfallen eller tidigare sjuk- eller aktivitetsersättning samt för första respektive andra året innan.

16 Andel personer (%) Andel personer (%) Stöd för rätt sjukskrivning Alexanderson, Bottai, Frumento, Hinas, Nilsson Bilaga 5 Prediktionsmodeller, duration Sidan 16 av 55 12,0 Tidigare nettodagar med sjukskrivning - F43 10,0 8,0 6,0 4,0 2,0 0,0 År -2 År -1 År -2 År -1 År -2 År -1 År -2 År -1 År -2 År -1 År -2 År -1 År -2 År -1 År -2 År -1 F43 Andra psyk. diagnoser Musk. diagnoser Övriga somatiska diagnoser F43 Andra psyk. diagnoser Musk. diagnoser Övriga somatiska diagnoser Primärvård, n=28288 Sjukhus, n=4254 0,25-90 dagar 90, dagar >180 dagar Figur 1. Andel (%) personer som under första (År -1) respektive andra (År -2) året innan det studerade sjukskrivningsfallet påbörjades haft ett sjukskrivningsfall som varat i mer än 14 dagar, uppdelat på typ av diagnos, bland personer i åldrarna som år 2011 hade ett nytt sjukskrivningsfall i diagnos F43 (stressrelaterade psykiska diagnoser) respektive i M75 (Sjukdomstillstånd i skulderled), som varade i mer än 14 dagar, uppdelat på var första sjukintyget i fallet utfärdades. 4,0 Tidigare nettodagar med sjuk- eller aktivitetsersättning - F43 3,5 3,0 2,5 2,0 1,5 1,0 0,5 0,0 År -2 År -1 År -2 År -1 År -2 År -1 År -2 År -1 År -2 År -1 År -2 År -1 År -2 År -1 År -2 År -1 F43 Andra psyk. diagnoser Musk. diagnoser Övriga somatiska diagnoser F43 Andra psyk. diagnoser Musk. diagnoser Övriga somatiska diagnoser Primärvård, n=28288 Sjukhus, n=4254 0,25-90 dagar 90, dagar >180 dagar Figur 2. Andel (%) personer som under första (År -1) respektive andra (År -2) året innan det studerade sjukskrivningsfallet påbörjades haft ett sjukskrivningsfall som varat i mer än 14 dagar, uppdelat på typ av diagnos, bland personer i åldrarna som år 2011 hade ett nytt sjukskrivningsfall i diagnos F43 (stressrelaterade psykiska diagnoser) respektive i M75 (Sjukdomstillstånd i skulderled), som varade i mer än 14 dagar, uppdelat på var första sjukintyget i fallet utfärdades.

17 Andel personer (%) Andel personer (%) Stöd för rätt sjukskrivning Alexanderson, Bottai, Frumento, Hinas, Nilsson Bilaga 5 Prediktionsmodeller, duration Sidan 17 av 55 14,0 Tidigare nettodagar med sjukskrivning - M75 12,0 10,0 8,0 6,0 4,0 2,0 0,0 År -2 År -1 År -2 År -1 År -2 År -1 År -2 År -1 År -2 År -1 År -2 År -1 År -2 År -1 År -2 År -1 M75 Andra musk. diagnoser Psykiska diagnoser Övriga somatiska diagnoser M75 Andra musk. diagnoser Psykiska diagnoser Primärvård, n=4513 Sjukhus, n=3085 0,25-90 dagar 90, dagar >180 dagar Övriga somatiska diagnoser Figur 3. Andel (%) personer som under första (År -1) respektive andra (År -2) året innan det studerade sjukskrivningsfallet påbörjades haft ett sjukskrivningsfall som varat i mer än 14 dagar, uppdelat på typ av diagnos, bland personer i åldrarna som år 2011 hade ett nytt sjukskrivningsfall i diagnos F43 (stressrelaterade psykiska diagnoser) respektive i M75 (Sjukdomstillstånd i skulderled), som varade i mer än 14 dagar, uppdelat på var första sjukintyget i fallet utfärdades. 4,5 4,0 3,5 3,0 2,5 2,0 1,5 1,0 0,5 0,0 År -2 År -1 År -2 År -1 År -2 År -1 År -2 År -1 År -2 År -1 År -2 År -1 År -2 År -1 År -2 År -1 M75 Tidigare nettodagar med sjuk- eller aktivitetsersättning - M75 Andra musk. diagnoser Psykiska diagnoser Övriga somatiska diagnoser M75 Andra musk. diagnoser Psykiska diagnoser Primärvård, n=4512 Sjukhus, n=3085 0,25-90 dagar 90, dagar >180 dagar Övriga somatiska diagnoser Figur 4. Andel (%) personer som under första (År -1) respektive andra (År -2) året innan det studerade sjukskrivningsfallet påbörjades haft ett sjukskrivningsfall som varat i mer än 14 dagar, uppdelat på typ av diagnos, bland personer i åldrarna som år 2011 hade ett nytt sjukskrivningsfall i diagnos F43 (stressrelaterade psykiska diagnoser) respektive i M75 (Sjukdomstillstånd i skulderled), som varade i mer än 14 dagar, uppdelat på var första sjukintyget i fallet utfärdades.

18 Alexanderson, Bottai, Frumento, Hinas, Nilsson Bilaga 5 Prediktionsmodeller, duration Sidan 18 av 55 Då det kan tänkas att den månad då sjukskrivningsfallet startade kan ha samband med hur långt fallet blir, inkluderades även denna faktor i steg 1. I Figur 5 presenteras hur stor andel av sjukskrivningsfallen i F43 respektive M75 som påbörjades varje månad, i relation till om sjukskrivningen började inom primärvården eller inom sjukhusvården. 12,0 10,0 8,0 6,0 4,0 2,0 0,0 Sjukhus Primärvård Sjukhus Primärvård F43, n= M75, n=7 598 Januari Februari Mars April Maj Juni Juli Augusti September Oktober November December Figur 5. Andel (%) personer vars sjukskrivningsfall startade en specifik månad under år 2011 bland personer i åldrarna som år 2011 hade ett nytt sjukskrivningsfall i diagnos F43 (stressrelaterade psykiska diagnoser) respektive i M75 (Sjukdomstillstånd i skulderled), som varade i mer än 14 dagar, uppdelat på var första sjukintyget i fallet utfärdades Prediktionsfaktorer i steg 2 i projektet I steg 2 har ytterligare variabler lagts till, variabler som finns tillgängliga i IMAS-databasen och som forskargruppen har anledning att tro skulle påverka utfallet, baserat i tidigare studier, litteraturöversikter och diskussioner med praktiker och SRS-projektet. Dessa variabler är: födelseland, typ av boenderegion (H-region), utbildningsnivå, familjesituation, civilstatus, typ av yrke samt arbetssektor (Tabell 4). För 22 personer som var sjukskrivna i diagnos F43 och för en person som var sjukskriven i diagnos M75 saknades information gällande de variabler som presenteras i Tabell 4, dessa personer exkluderades ur analyserna i steg 2.

19 Alexanderson, Bottai, Frumento, Hinas, Nilsson Bilaga 5 Prediktionsmodeller, duration Sidan 19 av 55 Tabell 4. Bakgrundsfaktorer för samtliga personer i åldrarna som år 2011 hade ett nytt sjukskrivningsfall i diagnoserna F43 (stressrelaterade psykiska diagnoser) respektive i M75 (Sjukdomstillstånd i skulderled), som varade i mer än 14 dagar, uppdelat på var första sjukintyget i fallet utfärdades. F43 M75 Primärvård Sjukhus Primärvård Sjukhus n (%) n (%) n (%) n (%) Samtliga (100,0) 4252 (100,0) 4512 (100,0) 3085 (100,0) Födelseland Sverige (86,9) 3547 (83,4) 3546 (78,6) 2621 (85,0) Övriga Norden 873 (3,1) 104 (2,4) 233 (5,2) 154 (5,0) Övriga EU (2,1) 89 (2,1) 98 (2,2) 56 (1,8) Övriga världen 2218 (7,8) 512 (12,0) 635 (14,1) 254 (8,2) Utbildningsnivå Grundskola ( 9 år) 2605 (9,2) 497 (11,7) 1019 (22,6) 600 (19,4) Gymnasium (10-12 år) (45,8) 2019 (47,5) 2851 (63,2) 1802 (58,4) Eftergymnasial ( 13 år) (45,0) 1736 (40,8) 642 (14,2) 683 (22,1) H-region Storstad (40,5) 1919 (45,1) 1310 (29,0) 1090 (35,3) Mellanstor stad 9549 (33,8) 1344 (31,6) 1773 (39,3) 1034 (33,5) Småorter 7264 (25,7) 989 (23,3) 1429 (31,7) 961 (31,2) Familjesituation Gift/sambo, utan hemmavarande barn 4016 (14,2) 536 (12,6) 918 (20,3) 730 (23,7) Gift/sambo, med hemmavarande barn (42,3) 1664 (39,1) 1697 (37,6) 1255 (40,7) Ensamstående, utan hemmavarande barn 8218 (29,1) 1411 (33,2) 1358 (30,1) 842 (27,3) Ensamstående, med hemmavarande barn 3955 (14,0) 606 (14,3) 518 (11,5) 248 (8,0) Hemmaboende ungdom, <20år 134 (0,5) 35 (0,8) 21 (0,5) 10 (0,3) Civilstånd Ogift, skild, änka/änkling (53,6) 2439 (57,4) 2312 (51,2) 1404 (45,5) Gift, registrerat partnerskap (46,4) 1813 (42,6) 2200 (48,8) 1681 (54,5) Sektor Information saknas 1947 (6,9) 442 (10,4) 277 (6,1) 138 (4,5) Offentliga sektorn (43,2) 1574 (37,0) 1352 (30,0) 874 (28,3) Privata sektorn (49,9) 2236 (52,6) 2883 (63,9) 2073 (67,2) Yrke 1 Saknar yrke 968 (3,4) 207 (4,9) 211 (4,7) 115 (3,7) Tjänsteman (48,4) 1767 (41,6) 613 (13,6) 879 (28,5) Arbetare (48,2) 2278 (53,6) 3688 (81,7) 2091 (67,8) 1 Denna kategorisering är baserad på första nivån på SSYK som anger yrkesområde. I gruppen Tjänstemän ingår yrkesområdena ledningsarbete, arbete som kräver teoretisk specialkompetens, arbete som kräver kortare högskoleutbildning samt militärt arbete. I gruppen Arbetare ingår samtliga övriga grupper.

20 Alexanderson, Bottai, Frumento, Hinas, Nilsson Bilaga 5 Prediktionsmodeller, duration Sidan 20 av 55 Två ytterligare faktorer relaterat till sjukskrivningshistorik inkluderades i steg 2, dessa var att innan den studerade sjukskrivningen ha uppnått maximal tid i sjukförsäkringen samt att tidigare fått sin sjukpenning indragen. Tabell 5. Tidigare uppnådd maxtid i sjukförsäkringen samt tidigare indragen sjukpenning för samtliga personer i åldrarna som år 2011 hade ett nytt sjukskrivningsfall i diagnoserna F43 (stressrelaterade psykiska diagnoser) respektive i M75 (Sjukdomstillstånd i skulderled), som varade i mer än 14 dagar, uppdelat på var första sjukintyget i fallet utfärdades. F43 M75 Primärvård Sjukhus Primärvård Sjukhus n (%) n (%) n (%) n (%) Samtliga (100,0) 4252 (100,0) 4512 (100,0) 3085 (100,0) Tidigare uppnådd maxtid i sjukförsäkringen 1411 (5,0) 260 (6,1) 153 (3,4) 50 (1,6) Tidigare indragen sjukpenning 580 (2,1) 132 (3,1) 128 (2,8) 65 (2,1) Även variabler om antal besök i specialiserad öppenvård och antal dagar inom slutenvården (alltså antal dagar med inläggning på ett sjukhus) har inkluderats. Dessa var beräknade dels för första året innan och dels för andra året innan datumet då det studerade sjukskrivningsfallet påbörjades samt dels för alla besök och inläggningar oavsett diagnos och dels uppdelat på olika diagnosgrupper på samma sätt som variablerna om diagnoserna för tidigare sjukskrivning och sjuk- och aktivitetsersättning (se ovan, sidan 14). För slutenvård fanns det diagnoser registrerade för samtliga inläggningar, det vill säga, det var inga i kategorin Uppgift om diagnos saknas. Två typer av ICD koder togs inte med i dessa beräkningar. Dels Spontanförlossning vid enkelbörd (O80), dels Z-koderna (Z00-Z99); "Faktorer av betydelse för hälsotillståndet och för kontakter med hälso- och sjukvården, det vill säga, besök som inte rör sjukdom eller skada, utan kontakter i samband med screening, utredning etcetera. Vi inkluderade dock en Z-kod, nämligen Z73 Problem som har samband med svårigheter att kontrollera livssituationen. I analyserna kategoriserades de i detta stycke beskrivna 22 variablerna (per diagnos) baserat på medianen bland dem som hade minst ett besök eller minst en dag med inläggning (Tabell 6): Inga besök respektive inga dagar med inläggning Mellan ett besök respektive en dag med inläggning upp till och med medianen av antalet besök eller dagar med inläggning bland de som hade minst ett besök eller minst en dag med inläggning Mer än medianen bland dem som hade minst ett besök respektive minst en dag med inläggning. Medianen av antalet besök inom specialiserad öppenvård, bland dem som hade minst ett besök, var ett eller två besök, beroende på diagnos för besöket. Även medianen av antalet dagar med inläggning på sjukhus (slutenvård) varierade med diagnosen som orsakade inläggningen. Maximala antalet dagar med inläggning för dem som var sjukskrivna i F43 var 247 dagar under första året innan och 268 dagar under andra året innan. För dem som var sjukskrivna i diagnosen M75 var motsvarande siffror 136 respektive 57 antal dagar. Orsaken till dessa långa inläggningar var mentala diagnoser.

21 Alexanderson, Bottai, Frumento, Hinas, Nilsson Bilaga 5 Prediktionsmodeller, duration Sidan 21 av 55 Tabell 6. Tidigare specialiserad öppenvård samt slutenvård för samtliga personer i åldrarna som år 2011 hade ett nytt sjukskrivningsfall i diagnoserna F43 (stressrelaterade psykiska diagnoser) respektive i M75 (Sjukdomstillstånd i skulderled), som varade i mer än 14 dagar, uppdelat på var första sjukintyget i fallet utfärdades. F43 M75 Primärvård Sjukhus Primärvård Sjukhus n (%) n (%) n (%) n (%) Samtliga (100,0) 4252 (100,0) 4513 (100,0) 3085 (100,0) Öppenvård År -1 Inga besök (58,8) 1172 (27,6) 2434 (53,9) 273 (8,8) 1-2 besök 7897 (27,9) 1560 (36,7) 1374 (30,5) 1454 (47,1) >2 besök 3740 (13,2) 1520 (35,7) 704 (15,6) 1358 (44,0) År -2 Inga besök (60,6) 1934 (45,5) 2565 (56,8) 1422 (46,1) 1-2 besök 7560 (26,7) 1237 (29,1) 1275 (28,3) 1009 (32,7) >2 besök 3590 (12,7) 1081 (25,4) 672 (14,9) 654 (21,2) Slutenvård År -1 Inga dagar (93,4) 3398 (79,9) 4192 (92,9) 2764 (89,6) 1-3 dagar (1-2 för M75) 1126 (4,0) 514 (12,1) 151 (3,3) 178 (5,8) >3 dagar (>2 för M75) 733 (2,6) 340 (8,0) 169 (3,7) 143 (4,6) År -2 Inga dagar (93,0) 3737 (87,9) 4153 (92,0) 2764 (89,6) 1-3 dagar 1097 (3,9) 232 (5,5) 198 (4,4) 185 (6,0) >3 dagar 878 (3,1) 283 (6,7) 161 (3,6) 136 (4,4) 5.6 Analysmetoder Predictive models Predictive models are used in many clinical settings to help physicians and patients make prognoses and decisions about treatments. In public health settings, predictive models represent an essential tool for forecasting into the future for establishing policies and regulations. Over time, much research has focused on developing statistical methods to construct and validate predictive models. The literature available on this topic is vast, and references can be requested of the Unit of Biostatistics at Karolinska Institutet. Developing predictive models require taking a number of steps, which may be simplified into the following main ones: (1) identify the object to predict, (2) identify all possible predictors, (3) develop an prediction algorithm, and (4) validate its performance in terms of sensitivity, specificity, prediction error, or other appropriate measures. The above steps are taken in order to develop the prediction model for the present project. The following sections expand on each step Identifying the object of prediction

22 Alexanderson, Bottai, Frumento, Hinas, Nilsson Bilaga 5 Prediktionsmodeller, duration Sidan 22 av 55 In a series of meetings with representatives from the SRS project, it was agreed to start with individuals who began a sick-leave spell with a specific diagnosis; F43. In the analyses now conducted, information on all people with a first such sick-leave spell in 2011 due to F43 that lasted for more than 14 days and probably was issued in primary health care by a general practitioner was utilized. The object of prediction was the duration of the spell. More details about the study population, definition of the duration and the collection of the data are described above. The duration of a sick-leave spell is expressed in days and varies between individuals and between different spells for the same individual. In statistical jargon, the duration is a random variable that takes on values on the set of natural numbers (days). The distribution of the spells is much skewed to the right. In some analyses, all spells longer than two years were recorded in the statistical analyses as censored at two years, in others they were excluded. The distribution showed preferred values of spell duration, such as one week, two weeks, one month, six months, and one year. The aim of the predictive model was to estimate the shape of the distribution of duration for each of the different types of individuals. For example, Figur 6 shows two different types of individuals. The proportion of individuals still on sickness absence at any given time point are reported on the y-axis. Ninety percent of type A individuals go out of the spell gradually over a range of several months, while ninety percent of type B individuals go out of it in about one-month time. These intervals are shaded in gray in Figure 1. The prediction for type A individuals is less precise than for type B individuals. 1.0 Type A individuals 1.0 Type B individuals Proportion on SA 0.5 Proportion on SA Days on SA Days on SA Figur 6. Distribution of sick-leave spell duration in two different hypothetical populations of individuals; the shaded intervals indicate the period elapsing between the time 5% and 95% of the individuals were out of the sick-leave spell Identifying all possible predictors All experts involved agreed on defining a minimal set of predictors that would be readily available to the clinicians, who are the intended users of the predictive models. In addition to the minimal set, a number of other possible predictors were identified that could be made available to the clinicians, if they were shown to improve the prediction substantially.

23 Alexanderson, Bottai, Frumento, Hinas, Nilsson Bilaga 5 Prediktionsmodeller, duration Sidan 23 av Developing a prediction algorithm We developed a prediction algorithm in several steps. The object of prediction was the distribution of sick-leave spell duration. We started off by stratifying all individuals into subgroups based on sex and categories of age, current occupational status, and duration of previous sick-leave spells and disability pension. This gave us the opportunity to explore the data. Stratification, however, does not constitute the optimal predictive model. Even with our large sample size, stratifying on many factors leads to small number of observations in any given stratum. In addition, estimating each stratum separately entails estimating a very large number of parameters in the predictive models. Besides, stratifying on numeric variables (e.g., age) may be unjustified. For example, it is reasonable to expect that if age is an important predictor, then the distribution of spell duration would vary across age values smoothly. That is, the distribution in 30-year-olds should not be very different from that in 31-year-olds. Age was introduced as a numeric predictor. Regression splines were utilized to check for non-linearity of its effect. Unlike stratification, this entailed introducing very few regression parameters, yielding much greater efficiency in the estimation of their values. The same was repeated for all numeric predictors in the models. The distribution of spell duration was modeled very flexibly by means of piece-wise exponential models Validating the predictive model In general, predictive models are developed based on available data. The accuracy of their prediction is often measured by sensitivity, specificity, prediction error, reclassification proportion, or other related measures. However, it is quite simple to construct a predictive model that would accurately predict the outcome on each individual in the dataset. This issue is sometimes referred to as data over-fitting. The problem with over-fitting is that the good performance of a predictive model with the observed data may not be replicated when the model is applied to new individuals who were not part of the original dataset used to develop the model. Several statistical methods have been proposed to estimate the possible true performance of predictive models on new individuals. When external data, not used to develop the models, are available, these can be utilized to assess the model s performance. When external data are not available, then internal validations are performed. These are usually based on resampling techniques, which consist of splitting the available data in training and validation subsets, iteratively many times. While internal validations are the best one can generally do, they suffer from lacking real external data. Sub-setting the available data, results in getting similar copies of the same population, which the study population the sample was taken from. For example, if a predictive model is developed on data from individuals living in Stockholm, there is no guarantee that that model would work well if applied to individuals living in Tokyo, Japan, unless data from Tokyo were made available to validate the model. In our present project we are in the very enviable position that we have data from all Sweden and it is the very population of Sweden the predictive models are meant to be used on. This makes lack of validating data much less of an issue than in other, more common, settings. The only assumption we need to make is that what happened in 2011, the year our here used data covers, is not very different from what might happen today in the years to come. This assumption cannot be verified until new data become available. It would be recommendable to update the predictive model, as more recent data become available.

24 Alexanderson, Bottai, Frumento, Hinas, Nilsson Bilaga 5 Prediktionsmodeller, duration Sidan 24 av 55 6 Resultat Den första fasen i detta delprojekt har varit att ta fram analysdatafiler för de analyser som ska genomföras, det vill säga att besluta om initiala avgränsningar av vad/vilka som ska studeras och av vilka prediktorer som ska läggas in i modellerna, i de olika stegen (steg 1 och steg 2) för de båda studerade diagnoserna samt att genomföra analyser i steg 1. Detta var det som haft störst tidsåtgång. Sedan har analyserna i steg 2 utförts. Nedan presenteras centrala resultat från analyserna. Ytterligare resultat presenteras i de två bilagorna, en bilaga för varje diagnos. Resultat i termer av algoritmer och syntax har levererats till SRS projektet. 6.1 Prediction of SA spell for F43 and M75 diagnoses Aims: To predict the final outcome of a spell To predict the duration of a SA spell that terminates with back to work Example. George is 59, male, he was born in England, has a degree, is married and has two sons. He is currently on sick leave with this and that diagnosis and medical history. What can we say about his future? Will George go back to work? If yes, when? 6.2 A note on prediction Definition We speak of prediction whenever we try to make a meaningful guess about future values of a response variable of interest, y, based on a set of predictors, denoted by x. For example, age and education are good predictors of wages; smoking habits, body mass index, and nutrition can be used to predict cardiovascular disease; wind, humidity, and temperature today can predict future weather, and so on. By studying the association between x and y in a training dataset, we can build a predictive model to be used to predict the value of y at new values of x Predictive models To characterize the distribution of y, given x, one could simply compute some summary statistics (e.g., the mean, the median) for homogeneous sub-populations. For example, individuals who are similar to George (same age, sex, socio-economic status, etcetera) could be used to predict what will happen to George. This is very inefficient in practice, as the number of subjects like George may be very small, if not zero. Using a statistical model permits borrowing information from George s neighbours (e.g., those who have a similar age) at the cost of some structural assumptions. For example, one could use a linear model in which y = a + b*x + e, assuming that the mean value of y is a linear function of x. In most real situations, however, the effect of x is likely to be nonlinear; and the distribution of y is usually skewed and may present outliers. To achieve a sufficient flexibility, we used a form of piecewise constant hazard model with time-varying coefficients, as implemented in the R package pch, version 2.1. (Details in Section ) Use of predictive models Suppose we have data on various risk factors (age, sex, smoking habits, body mass index, diabetes, ) in Sweden in 2016; and we implement a statistical model that predicts the risk of cardiovascular disease.

25 Alexanderson, Bottai, Frumento, Hinas, Nilsson Bilaga 5 Prediktionsmodeller, duration Sidan 25 av 55 Can we use this model to predict the number of cardiovascular events in Sweden in 2017? The answer is yes, assuming that the distribution of the risk factors and their association with the response variable will not change sharply in one year from now. Can we apply the same model to Japan? The answer is maybe, or maybe not. The Japanese population has a very different structure, and a number of unobserved characteristics (e.g., genetic factors) that are likely to modify the association between the known predictors and the response variable. Applying the Swedish model to the Japanese population may yield inaccurate predictions. In the present framework, we are using Swedish data to implement a prediction model to be applied to the same population. This means that our predictions will always be accurate. On the other hand, whether predictions are precise or not (for example, how large is a 90% prediction interval) depends on the strength of the available predictors. When x is strongly associated with y, as in the left figure below (Figur 7), predictions will be narrower; individuals with different values of x will also have quite different predictions. When the association is weaker, as in the middle figure, predictions will be less precise, and all individuals will have roughly the same prediction interval. Note that significance does not imply that prediction is good : for example, the right figure below illustrates a significant linear association between x and y (p-value < 0.001, thanks to a large sample size), but predictions are rather poor. Figur 7. Examples of associations between two variables: x and y. 6.3 Prediction models for F43 and M75 In the rest of the document, we will denote sickness absence by SA and disability pension by DP. The goal was to predict the final outcome of SA (going back to work, death, DP 100%, turning 65, emigrating) and, for those who went back to work, the duration of SA (total days) Predictors We used two sets of predictors. In a first version of the model (steg 1), we used: Age