Hospitalisations potentiellement évitables en France : comment les

Variations géographiques des taux
d’hospitalisations potentiellement
évitables en France.
G Mercier, V Georgescu, J Bousquet
DIM, CHU de Montpellier
UMR LAMETA
Mercier G, Georgescu V, Bousquet J. Geographic Variation In Potentially
Avoidable Hospitalizations In France. Health Affairs (accepté le 18 mars
2015)
EMOIS 2015 - G Mercier
2
Introduction (1)
• Hospitalisation Potentiellement Evitable (HPE)
= séjour pour « motif sensible aux soins primaires »
Exemples : décompensations (insuffisance cardiaque, asthme, diabète),
infections (pneumopathies, cellulite, pyélonéphrite), complications
(ulcère gastrique).
• Intérêt : Evaluation et pilotage des soins primaires ;
Comparaisons internationales
• Identification des HPE :
Bases de données médico-administratives hospitalières
EMOIS 2015 - G Mercier
3
Introduction (2)
• Déterminants des HPE :
– Épidémiologiques
– Socio-économiques
– Soins primaires : offre, accès, coordination, qualité
• Littérature en France :
– Gusmano et al. (Health Affairs 2006) : comparaison Manhattan - Paris
– Gusmano et al. (Health Policy 2014) : disparités d’accès aux soins dans
trois régions françaises
– Bourret et al. (BMC Health Services Research 2015) : comparaison
d’algorithmes de définition des HPE
EMOIS 2015 - G Mercier
4
Objectif
Décrire les variations géographiques
du taux d’HPE en France en 2012
et analyser leurs déterminants.
EMOIS 2015 - G Mercier
5
Méthodes (1)
•
Données :
Base PMSI MCO, France métropolitaine (2012)
Population légale INSEE (2011)
Déterminants : base EcoSanté, INSEE
• Définition des HPE :
Algorithme de Weissman et al. adapté à la CIM-10
(Weissman 1992 et Gusmano 2006)
• Analyse statistique :
Modèle mixte multi-niveaux (département et code
géographique PMSI)
EMOIS 2015 - G Mercier
6
Méthodes (2)
Algorithme de Weissman :
– 12 catégories cliniques
– Définies par 1 à 21 codes CIM-10 (DP/DR)
– Par « consensus d’experts »
– Exemple : Asthme (J45.0, J45.1, J45.8, J45.9)
Pneumopathie, insuffisance cardiaque congestive, asthme,
cellulite, ulcère gastrique compliqué, pyélonéphrite, diabète de
type 2 compliqué, appendicite aigue compliquée, hypertension,
hypokaliémie, certaines maladies infectieuses, gangrène.
EMOIS 2015 - G Mercier
7
Méthodes (3)
Déterminants :
– Niveau commune PMSI (n=5590) :
• Revenu fiscal annuel médian (/10 000€)
• Proportion de la population de 15 ans ou plus non
scolarisée ayant au moins le baccalauréat
• Nombre de médecins généralistes, spécialistes et
infirmiers pour 1000 habitants
– Niveau département (n=92) :
• Taux d’équipements en lits MCO pour 1000 habitants
• Bénéficiaires de la CMU-C pour 100 habitants
• Taux de mortalité pour 1000 habitants
EMOIS 2015 - G Mercier
8
Résultats (1)
742 474 HPE ; 11,4 HPE /1000/an (Etendue : 0,1 ; 44)
EMOIS 2015 - G Mercier
9
Résultats (2) : descriptif
n
Moy.
ET
Min
Médiane
Max
Taux HPE standardisé pour 1000 hab.
5590
11,4
3,1
0,1
11,1
44,4
Revenu annuel médian (€)
5590
18490
3733
5479
17865
44855
Niveau d’étude ≥ BAC (%)
5590
36,9
9,5
15,7
35,4
82,8
92
3,3
0,7
1,7
3,4
7,5
Nombre généralistes pour 1000 hab.
5590
0,9
0,5
0
0,85
8,84
Nombre spécialistes pour 1000 hab.
5590
0,24
0,54
0
0
11,1
Nombre infirmiers pour 1000 hab.
5590
1,26
0,88
0
1,06
7,30
Mortalité pour 1000 hab.
92
9,4
1,9
5,5
9,3
15,8
% Bénéficiaires de la CMU-C
92
5,8
2,04
2,6
5,3
11,7
Nombre lits MCO pour 1000 hab.
Variables disponibles niveau commune en rouge, niveau département en bleu.
EMOIS 2015 - G Mercier
10
Résultats (3) : effets fixes
Estimate
SE
p
11.29
0.13
<.001
Mortalité (SMR)
7,39
1,28
0.001
Nombre lits MCO pour 1000 hab.
-0.5
0.15
0.001
Nombre généralistes pour 1000 hab.
-0,041
0,75
NS
Nombre spécialistes pour 1000 hab.
0,57
0.75
NS
Nombre infirmiers pour 1000 hab.
-1.03
0.28
<.001
Revenu annuel médian (€/10 000)
-0.58
0.27
0.01
Niveau d’étude ≥ BAC (proportion)
-8.30
0.95
<.001
Intercept
EMOIS 2015 - G Mercier
11
Résultats (4) : effets aléatoires
Estimate
Variabilité intercepts
Covariance entre intercept et pente (revenu)
Variabilité pentes (revenu)
Variabilité pentes (BAC)
SE
p
1.39
0.23 <.0001
-1.11
0.36 0.0021
2.58
0.97 0.0039
22.98 11.23 0.0203
Residual
6.78
EMOIS 2015 - G Mercier
0.13 <.0001
12
Discussion
• Les HPE sont plus fréquentes dans les zones où :
–
–
–
–
Le SMR est élevé.
Les revenus et le niveau éducatif sont bas.
Le nombre de lits MCO est bas.
Le nombre d’infirmiers en ville est bas.
• Implications :
– Les variations géographiques du taux d’HPE sont-elles un
outil pertinent d’analyse des soins primaires?
– La densité d’infirmiers est-elle un bon reflet de l’accès aux
soins primaires ?
EMOIS 2015 - G Mercier
13
Discussion
• Limites :
– U ilisation des soins primaires estimée par la densité d’offre
– Pas de données sur la coordination des soins primaires
– Ecological fallacy
– Hypothèse d’indépendance des zones géographiques
• Perspectives :
– Analyse régionale fine (consommations réelle de soins
ambulatoire, MSP, SSIAD)
– Prise en compte explicite de l’auto-corrélation spatiale
EMOIS 2015 - G Mercier
14
Merci de votre attention
[email protected]
EMOIS 2015 - G Mercier
15
Liste d’actes : 33172-00, 35304-00, 35305-00, 35310-02, 35310-00, 38281-11, 38281-07, 38278-01, 38278-00, 3828102, 38281-01, 38281-00, 38256-00, 38278-03, 38284-00, 38284-02, 38521-09, 38270-01, 38456-19, 38456-15, 3845612, 38456-11, 38456-10, 38456-07, 38456-01, 38470-00, 38475-00, 38480-02, 38480-01, 38480-00, 38488-06, 3848804, 38489-04, 38488-02, 38489-03, 38487-00, 38489-02, 38488-00, 38489-00, 38490-00, 38493-00, 38497-04, 3849703, 38497-02, 38497-01, 38497-00, 38500-00, 38503-00, 38505-00, 38521-04, 38606-00, 38612-00, 38615-00, 3865300, 38700-02, 38700-00, 38739-00, 38742-02, 38742-00, 38745-00, 38751-02, 38751-00, 38757-02, 38757-01, 3875700, 90204-00, 90205-00, 90219-00, 90224-00. [Australian Classification of Healthcare Interventions]
EMOIS 2015 - G Mercier
16

Download Report