Prediktiv approach och visualisering med kartor RJL, 2014-2016 Ulrika Stefansson, Utredare ulrika.stefansson@rjl.se Dennis Nordvall, Data Scientist dennis.nordvall@rjl.se
Interaktiv karta Akuten och differens till modell Akuten och avstånd till sjukhus
Frågor Gällande andelen som besöker akuten 2016: Finns skillnader mellan VC eller postnummer som vi kan lära av? Vilka faktorer styr?
Jämförelse VC
Data och analys ID Ålder Kön VC Postnr Historik 2014-2015 Utfall 2016 Jönköpings läns befolkning
Andel på akuten 2016 Ålder och kön 20% av befolkningen besöker akuten varje år Mäns risk är högre
Modell Ålder och kön Prediktiv modell
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 501 12221 0,221258 0,224268 0,003009 0,017566 0 3,3 0,00056 0,00112 0,050242768 502 11684 0,238702 0,226877 0,011826 0,018244 0 503 11416 0,235459 0,225843 0,009616 0,018399 0 504 10893 0,226935 0,225145 0,001789 0,018703 0 505 12371 0,224477 0,21836 0,006116 0,017421 0 507 11261 0,201492 0,196443 0,005049 0,017557 0 508 14316 0,168203 0,175525 0,007321 0,014714 0 509 7494 0,183747 0,1827 0,001047 0,020855 0 510 14071 0,228768 0,225112 0,003657 0,016479 0 511 13362 0,222871 0,214832 0,008039 0,016692 0 518 3217 0,205471 0,213322 0,007851 0,033477 0 521 9425 0,192149 0,205995 0,013847 0,019192 0 522 11318 0,204453 0,218281 0,013828 0,017908 0 523 6099 0,191671 0,190222 0,001449 0,023488 0 525 5258 0,180487 0,188911 0,008424 0,024974 0 527 8261 0,198039 0,212555 0,014516 0,020737 0 528 9768 0,212224 0,215956 0,003732 0,019369 0 529 5846 0,240506 0,223722 0,016784 0,025764 0 535 3135 0,181499 0,181272 0,000228 0,032118 0 536 2734 0,218727 0,189791 0,028936 0,035961 0 537 3991 0,207968 0,196992 0,010976 0,029683 0 540 11390 0,231168 0,230727 0,000441 0,018429 0 541 10279 0,218601 0,21825 0,000351 0,019019 0 542 2799 0,165416 0,202528 0,037112 0,03414 1 543 10326 0,198044 0,181628 0,016416 0,018007 0 544 4447 0,184394 0,185733 0,001339 0,027178 0 545 7184 0,174555 0,171502 0,003053 0,020828 0 546 2499 0,176871 0,205556 0,028685 0,036689 0 547 6778 0,199911 0,193719 0,006192 0,022537 0 548 4966 0,185864 0,184373 0,001491 0,025722 0 549 8886 0,197389 0,191951 0,005438 0,019602 0 572 5663 0,187533 0,191689 0,004156 0,02431 0 576 1895 0,173087 0,174227 0,00114 0,040612 0 577 5382 0,208101 0,211269 0,003168 0,025896 0 579 2112 0,194602 0,197358 0,002756 0,040311 0 580 6340 0,185489 0,197168 0,011679 0,023052 0 581 1234 0,207455 0,214942 0,007487 0,054223 0 582 7415 0,198112 0,205575 0,007463 0,021752 0 584 6085 0,203615 0,200131 0,003485 0,024014 0 586 2838 0,178999 0,195853 0,016853 0,03418 0 587 3222 0,16077 0,173926 0,013156 0,030686 0 588 3497 0,141264 0,159517 0,018253 0,028201 0 589 4418 0,180398 0,181962 0,001563 0,027044 0 590 6446 0,16103 0,18284 0,02181 0,021924 0 591 6180 0,218932 0,211236 0,007696 0,024391 0 592 2657 0,203989 0,202667 0,001323 0,036439 0
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- 33010 1704 0,159624 0,182396 0,022771 0,048994872 0 3,8 05 0,000143 0,050181 33012 1236 0,144822 0,190757 0,045935 0,057012043 0 33015 1161 0,138674 0,186252 0,047578 0,058057229 0 33017 1345 0,126394 0,175327 0,048933 0,052323609 0 33018 340 0,197059 0,208016 0,010957 0,117118782 0 33021 835 0,135329 0,168498 0,033169 0,066682216 0 33026 830 0,118072 0,152385 0,034312 0,063708463 0 33027 1066 0,129456 0,145834 0,016378 0,056691849 0 33031 606 0,207921 0,199156 0,008765 0,087890538 0 33033 1285 0,181323 0,187198 0,005875 0,058120087 0 33130 929 0,230355 0,224776 0,00558 0,073920538 0 33131 893 0,254199 0,248686 0,005513 0,078018236 0 33132 952 0,195378 0,223347 0,027969 0,07082092 0 33133 1733 0,216388 0,221607 0,005219 0,053387088 0 33134 1098 0,191257 0,215155 0,023898 0,065229965 0 33135 984 0,212398 0,216792 0,004394 0,070331797 0 33140 1123 0,233304 0,240677 0,007374 0,06819034 0 33141 1568 0,21875 0,218863 0,000113 0,056109307 0 33142 1408 0,21875 0,234396 0,015646 0,059942562 0 33143 1446 0,271093 0,247191 0,023901 0,061899801 0 33150 995 0,260302 0,235845 0,024457 0,073551331 0 33151 906 0,187638 0,211576 0,023938 0,071331137 0 33152 1816 0,250551 0,226861 0,02369 0,053737885 0 33153 1490 0,23557 0,24093 0,005359 0,059308868 0 33154 853 0,17585 0,208474 0,032624 0,072434847 0 33155 137 0,20438 0,209245 0,004866 0,185954549 0 33171 579 0,267703 0,23588 0,031823 0,096872195 0 33172 281 0,238434 0,235424 0,003011 0,136312037 0 33173 553 0,300181 0,236332 0,063849 0,100985787 0 33176 608 0,243421 0,240498 0,002923 0,093338743 0 33177 335 0,226866 0,239517 0,012651 0,124144451 0 33191 583 0,2247 0,212573 0,012127 0,091982513 0 33192 514 0,18677 0,212299 0,025529 0,094683851 0 33193 657 0,193303 0,212006 0,018704 0,084255816 0 33194 598 0,214047 0,217613 0,003566 0,090407549 0 33195 655 0,212214 0,211911 0,000303 0,085833253 0 33196 367 0,166213 0,218038 0,051826 0,110277884 0 33197 585 0,218803 0,219106 0,000302 0,091883145 0 33198 102 0,215686 0,206025 0,009661 0,217039521 0 33230 1937 0,189985 0,189828 0,000157 0,047892877 0 33231 1530 0,167974 0,170096 0,002122 0,051490902 0
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
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 0,006263 G_finnsPV14_15 0,1799 ST_finnsPV14_15 0,1112 Åldjust:Ålder2016 0,000288
Avstånd till sjukhus (akuten) Minskande risk med längre avstånd
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
Praktiskt användbart? Att se vem som har störst risk hur påverkar det?
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...
Test Eksjö på Medicinkliniken start februari 2016 - 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
Vy över inskrivna på avdelning
Kan vi vara ännu mer prediktiva? Ja...vi har börjat
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
Risk för inskrivning inom 60 dagar (ange enhet via Infoga sidfot)
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)
Nästa nivå