تنظیم ریسک و تحلیل ترکیب موارد (Case-Mix)

تنظیم ریسک مجموعه‌ای از روش‌های آماری است که برای در نظر گرفتن تفاوت‌ها در ویژگی‌های بیماران هنگام مقایسه نتایج یا هزینه‌های ارائه‌دهندگان، برنامه‌ها یا درمان‌های مختلف استفاده می‌شود. از آنجا که بیمارستان‌ها و پزشکان بیمارانی را درمان می‌کنند که از نظر سن، شدت بیماری و همبودی (comorbidity) متفاوت هستند، مقایسه منصفانه نتایج اندازه‌گیری شده نیازمند تنظیم برای این ترکیب موارد است؛ در غیر این صورت، تفاوت‌های ظاهری در کیفیت ممکن است صرفاً منعکس‌کننده تفاوت‌ها در بیماران تحت درمان باشد.

Definition

تنظیم ریسک فرآیند در نظر گرفتن آماری تفاوت‌ها در ترکیب موارد بیماران، مانند شدت بیماری و همبودی، است تا مقایسه‌های نتایج یا هزینه‌های مراقبت‌های بهداشتی در میان ارائه‌دهندگان یا گروه‌ها، منعکس‌کننده تفاوت‌ها در مراقبت باشد نه تفاوت‌ها در بیماران تحت درمان.

Scope

این مدخل به این موضوع می‌پردازد که چرا تنظیم ریسک ضروری است، رویکردهای اصلی (شاخص‌های همبودی، مدل‌های چندمتغیره و نمرات تمایل (propensity scores))، و مسائل مربوط به داده‌ها و اعتبار که آن را محدود می‌کنند. این یک مرجع روش‌شناختی در اندازه‌گیری کیفیت است و تخمین‌های ریسک بالینی یا راهنمایی برای بیماران منفرد ارائه نمی‌دهد.

Core questions

• چرا مقایسه‌های خام نتایج بین ارائه‌دهندگان می‌تواند گمراه‌کننده باشد؟
• چه عوامل بیماری باید تنظیم شوند و کدام نباید؟
• شاخص‌های همبودی، مدل‌های رگرسیون و نمرات تمایل به عنوان روش‌های تنظیم چه تفاوتی با هم دارند؟
• چه چیزی اعتبار تنظیم ریسک را محدود می‌کند و چه زمانی مخدوش‌کنندگی باقیمانده باقی می‌ماند؟

Key concepts

• ترکیب موارد و شدت بیماری
• شاخص‌های همبودی
• مدل‌های چندمتغیره تنظیم ریسک
• نمرات تمایل و تعادل کوواریت
• نسبت مرگ و میر استاندارد شده
• مخدوش‌کنندگی باقیمانده
• داده‌های اداری در مقابل داده‌های بالینی

Key theories

نمره تمایل برای کنترل مخدوش‌کنندگی

روزنباوم و روبین نشان دادند که نمره تمایل، یعنی احتمال دریافت یک درمان یا قرار گرفتن در یک گروه با توجه به کوواریت‌های مشاهده شده، یک نمره متعادل‌کننده است: شرطی‌سازی بر آن، کوواریت‌های اندازه‌گیری شده را بین گروه‌ها متعادل می‌کند و امکان مقایسه منصفانه‌تر نتایج را در داده‌های مشاهده‌ای فراهم می‌آورد. این مفهوم زیربنای بسیاری از استراتژی‌های مدرن تنظیم ریسک و مقایسه ترکیب موارد است.

Mechanisms

تنظیم ریسک با شناسایی عوامل بیمار، که قبل از مراقبت وجود دارند و بر نتیجه مورد نظر تأثیر می‌گذارند، مانند سن، شدت بیماری و همبودی، آغاز می‌شود. این عوامل یا توسط شاخص‌های همبودی، مانند شاخص چارلسون (Charlson index) که از تشخیص‌های وزن‌دار ساخته شده است یا مجموعه همبودی الیخاوزر (Elixhauser comorbidity set) که برای داده‌های اداری طراحی شده است، خلاصه می‌شوند، یا در یک مدل چندمتغیره وارد می‌شوند که نتیجه مورد انتظار را برای هر بیمار پیش‌بینی می‌کند. سپس نتایج مشاهده شده با نتایج مورد انتظار مدل مقایسه می‌شوند، اغلب به صورت یک نسبت استاندارد شده. روش‌های نمره تمایل (Propensity-score methods)، به دنبال روزنباوم و روبین (Rosenbaum and Rubin)، به جای آن، توزیع کوواریت‌های اندازه‌گیری شده را در میان گروه‌ها قبل از مقایسه متعادل می‌کنند. همه این روش‌ها فقط برای عوامل اندازه‌گیری شده تنظیم می‌شوند؛ تفاوت‌های اندازه‌گیری نشده باعث مخدوش‌کنندگی باقیمانده (residual confounding) می‌شوند، و کیفیت داده‌های زیربنایی، به ویژه کدگذاری اداری، به شدت بر اعتبار تأثیر می‌گذارد.

Clinical relevance

تنظیم ریسک، مقایسه‌های پروفایل ارائه‌دهنده، گزارش‌دهی عمومی و پرداخت بر اساس عملکرد را با جدا کردن سهم مراقبت از سهم ترکیب موارد بیمار، منصفانه‌تر می‌کند. شاخص‌های همبودی و روش‌های نمره تمایل به طور گسترده در تحقیقات نتایج و ارزیابی خدمات بهداشتی استفاده می‌شوند. این مدخل روش‌های مورد استفاده برای مقایسه جمعیت‌ها را توضیح می‌دهد و ابزاری برای تخمین ریسک در یک بیمار منفرد نیست.

Evidence & guidelines

مبانی روش‌شناختی در متن مرجع آیزونی (Iezzoni) در مورد تنظیم ریسک، معیارهای اصلی همبودی چارلسون و الیخاوزر، و ادبیات نمره تمایل که از روزنباوم و روبین نشأت می‌گیرد، بیان شده است. این منابع به دلیل محتوای روش‌شناختی خود ذکر شده‌اند و در این مدخل به عنوان دستورالعمل‌های بالینی عمل نمی‌کنند.

History

نگرانی از اینکه مقایسه‌های خام نتایج به طور ناعادلانه‌ای ارائه‌دهندگانی را که بیماران بدحال‌تر را درمان می‌کنند جریمه می‌کند، باعث توسعه تنظیم ریسک رسمی از دهه ۱۹۸۰ به بعد شد. شاخص‌های همبودی مانند چارلسون (۱۹۸۷) و معیارهای داده‌های اداری الیخاوزر و همکاران (۱۹۹۸) خلاصه‌های عملی از ترکیب موارد را ارائه دادند، در حالی که چارچوب نمره تمایل روزنباوم و روبین (۱۹۸۳) رویکردی کلی برای متعادل کردن گروه‌ها در مقایسه‌های مشاهده‌ای فراهم کرد.

Debates

آیا داده‌های اداری می‌توانند از تنظیم ریسک معتبر حمایت کنند؟

تنظیم از کدگذاری اداری ارزان و به طور گسترده در دسترس است اما ممکن است شدت و شروع بیماری را از دست بدهد و به شیوه‌های کدگذاری حساس است؛ داده‌های بالینی غنی‌تر اما جمع‌آوری آنها پرهزینه‌تر است. کفایت منبع داده برای یک مقایسه معین همچنان مورد بحث است.

آیا تنظیم ریسک هرگز بیش از حد تصحیح می‌کند؟

تنظیم برای عواملی که خود پیامدهای مراقبت ضعیف هستند، یا برای نتایجی که کیفیت قرار است آنها را ثبت کند، می‌تواند تفاوت‌های واقعی کیفیت را پنهان کند؛ تصمیم‌گیری در مورد اینکه کدام متغیرها باید در مدل قرار گیرند، یک قضاوت محوری است.

Key figures

• Lisa Iezzoni
• Mary Charlson
• Anne Elixhauser
• Paul Rosenbaum
• Donald Rubin

Seminal works

• charlson-1987
• elixhauser-1998
• rosenbaum-rubin-1983
• iezzoni-2013

Frequently asked questions

ترکیب موارد (Case mix) چیست؟

ترکیب موارد، ترکیبی از انواع و شدت بیماران تحت درمان توسط یک ارائه‌دهنده است. تفاوت‌ها در ترکیب موارد به این معنی است که دو ارائه‌دهنده ممکن است نتایج متفاوتی داشته باشند، حتی اگر کیفیت مراقبت آنها یکسان باشد، به همین دلیل نتایج قبل از مقایسه بر اساس ریسک تنظیم می‌شوند.

چرا تنظیم ریسک هرگز نمی‌تواند سوگیری را به طور کامل از بین ببرد؟

این فقط می‌تواند برای عواملی که اندازه‌گیری می‌شوند تنظیم شود. تفاوت‌های اندازه‌گیری نشده بین گروه‌های بیمار، که مخدوش‌کنندگی باقیمانده نامیده می‌شوند، پس از تنظیم باقی می‌مانند، بنابراین مقایسه‌های تنظیم شده بر اساس ریسک همچنان نیازمند تفسیر محتاطانه هستند.