Prediktiv approach och visualisering med kartor RJL,

Transkript

1 Prediktiv approach och visualisering med kartor RJL, Ulrika Stefansson, Utredare Dennis Nordvall, Data Scientist

2 Interaktiv karta Akuten och differens till modell Akuten och avstånd till sjukhus

3 Frågor Gällande andelen som besöker akuten 2016: Finns skillnader mellan VC eller postnummer som vi kan lära av? Vilka faktorer styr?

4 Jämförelse VC

5 Data och analys ID Ålder Kön VC Postnr Historik Utfall 2016 Jönköpings läns befolkning

6 Andel på akuten 2016 Ålder och kön 20% av befolkningen besöker akuten varje år Mäns risk är högre

7 Modell Ålder och kön Prediktiv modell

8 Andel akuten vs Modell per VC Korr=0,85 Endast Rydaholms VC är signifikant avvikande Lägre andel på akuten än förväntat Åker en stor del in till Växjö istället? VC Antal av Patient_ID Medel av Akuten_finns16 Medel av Modell_akuten absdiff Halvt CI Utanför CI? z_alpha/2 alpha/2 alpha familywise , , , , ,3 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , ,1827 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,

9 Andel akuten vs Modell per Postnr Korr=0,77 5 postnummer med 33 eller färre personer är exkluderade POSTNR Antal av Patient_ID Medel av Akuten_finns16 Medel av Modell_akuten absdiff Halvt CI alpha/ Utanför CI? z_alpha/2 2 alpha familywise 7,15E , , , , ,8 05 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,2247 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,

10 Diagnosgrupper - ICD10-kapitel AB A00-B99 Vissa infektionssjukdomar och parasitsjukdomar CD C00-D48 Tumörer Sjukdomar i blod och blodbildande organ samt vissa rubbningar i D D50-D89 immunsystemet E E00-E90 Endokrina sjukdomar, nutritionsrubbningar och ämnesomsättningssjukdomar F F00-F99 Psykiska sjukdomar och syndrom samt beteendestörningar G G00-G99 Sjukdomar i nervsystemet H1 H00-H59 Sjukdomar i ögat och närliggande organ H2 H60-H95 Sjukdomar i örat och mastoidutskottet I I00-I99 Cirkulationsorganens sjukdomar J J00-J99 Andningsorganens sjukdomar K K00-K93 Matsmältningsorganens sjukdomar L L00-L99 Hudens och underhudens sjukdomar M M00-M99 Sjukdomar i muskuloskeletala systemet och bindväven N N00-N99 Sjukdomar i urin- och könsorganen O O00-O99 Graviditet, förlossning och barnsängstid P P00-P96 Vissa perinatala tillstånd Q Q00-Q99 Medfödda missbildningar, deformiteter och kromosomavvikelser Symtom, sjukdomstecken och onormala kliniska fynd och laboratoriefynd som R R00-R99 ej klassificeras annorstädes ST S00-T98 Skador, förgiftningar och vissa andra följder av yttre orsaker U U00-U99 Koder för särskilda ändamål VY V01-Y98 Yttre orsaker till sjukdom och död Z Faktorer av betydelse för hälsotillståndet och för kontakter med hälso- och Z00-Z99 sjukvården

11 Modell förklarande variabler Coefficients: Estimate (Intercept) -0,19662 Ålder2016-0,26062 Akuten_finns14_15 0,5317 Avst_postnr_sjukhus -0,01609 J_finnsPV14_15 0,23419 KönM 0,19939 H2_finnsPV14_15 0,16494 Specifikt för 0-5år Minskande risk med ålder (barnsjukdomar) Öron (H2) Oavsett ålder Tidigare akutbesök finns Avstånd till sjukhus Kön Andningsorganen (J) Specifikt för 6år Ålder Symtom (R) Matsmältningsorganen (K) Psykiatri (F) Urin- och könsorgan (N) Blod (D) Muskuloskeletalt (M) Nervsystemet (G) Skador (ST) Coefficients: Estimate (Intercept) -1,468 Akuten_finns14_15 0,6481 I_finnsPV14_15 0,1348 R_finnsPV14_15 0,1771 K_finnsPV14_15 0,1935 Avst_postnr_sjukhus -0,00802 F_finnsPV14_15 0,2167 N_finnsPV14_15 0,1943 J_finnsPV14_15 0,1743 KönM 0,1682 D_finnsPV14_15 0,2402 M_finnsPV14_15 0,1739 Åldjust -0,03563 Ålder2016 0, G_finnsPV14_15 0,1799 ST_finnsPV14_15 0,1112 Åldjust:Ålder2016 0,000288

12 Avstånd till sjukhus (akuten) Minskande risk med längre avstånd

13 Svar på frågor Gällande andelen som besöker akuten 2016: Finns skillnader mellan VC eller postnummer som vi kan lära av? Nej, skillnaderna förklaras av listades case-mix Vilka faktorer styr? Tidigare akutbesök Ålder Kön Avstånd till sjukhus Vissa diagnoser i primärvård Prediktiva modellen kan användas för prognos och identifiering

14 Praktiskt användbart? Att se vem som har störst risk hur påverkar det?

15 Risk för vad? Ökat vårdbehov Återinskrivning nom 30 dagar Signal att tänka och planera lite extra Signal till primärvården att här är någon som behöver...

16 Test Eksjö på Medicinkliniken start februari fortsatt i ordinarie verksamhet Initialt Wow Positivt fångar rätt patienter Upplevde stöd vi har liksom mandat att agera Ger struktur för arbetet Lärdomar Inget händer av sig själv! Någon måste vilja driva

17 Vy över inskrivna på avdelning

18 Kan vi vara ännu mer prediktiva? Ja...vi har börjat

19 Vad predicerar för oplanerad inskrivning? Kön (Man högre risk) Ålder Senaste 12 mån: Antal oplanerade inskrivningar Antal kontakter oavsett vårdform Största antalet diagnoser vid enskild kontakt Diagnos i kapitel F00-F99 J00-J99 R00-R99 Z00-Z99 Åtgärd med första bokstav U X Senaste 2 mån: Antal kontakter med 1177

20 Risk för inskrivning inom 60 dagar (ange enhet via Infoga sidfot)

21 Hur använda inom 60? Försöker identifiera målgrupp som ska få insatser i projekt som förstärker samverkan mellan vc och kommunal hälso och sjukvård Varje vc har tillgång till sin lista Svårt att vara proaktiv i det dagliga arbetet när man har fullt upp! (ange enhet via Infoga sidfot)

22 Nästa nivå