위험 조정 및 환자 구성 분석

위험 조정은 다양한 제공자, 프로그램 또는 치료법의 결과나 비용을 비교할 때 환자 특성의 차이를 설명하기 위해 사용되는 통계적 방법들의 집합입니다. 병원과 임상의는 연령, 중증도 및 동반 질환이 다른 환자를 치료하므로, 측정된 결과를 공정하게 비교하려면 이러한 환자 구성을 조정해야 합니다. 그렇지 않으면 품질의 명백한 차이가 단순히 치료받은 환자의 차이를 반영하는 것일 수 있습니다.

Definition

위험 조정은 질병의 중증도 및 동반 질환과 같은 환자 구성의 차이를 통계적으로 설명하는 과정으로, 제공자 또는 그룹 간의 건강 관리 결과 또는 비용 비교가 치료받은 환자의 차이가 아닌 치료의 차이를 반영하도록 합니다.

Scope

이 항목은 위험 조정이 필요한 이유, 주요 접근 방식(동반 질환 지수, 다변수 모델 및 성향 점수), 그리고 이를 제한하는 데이터 및 유효성 문제를 다룹니다. 이는 품질 측정 내의 방법론적 참조이며, 개별 환자에 대한 임상적 위험 추정치나 지침을 제공하지 않습니다.

Core questions

• 제공자 간의 원시 결과 비교가 왜 오해의 소지가 있을 수 있습니까?
• 어떤 환자 요인을 조정해야 하고, 어떤 요인은 조정하지 않아야 합니까?
• 동반 질환 지수, 회귀 모델 및 성향 점수는 조정 방법으로서 어떻게 다릅니까?
• 위험 조정의 유효성을 제한하는 것은 무엇이며, 잔여 교란은 언제 남습니까?

Key concepts

• 환자 구성 및 질병 중증도
• 동반 질환 지수
• 다변수 위험 조정 모델
• 성향 점수 및 공변량 균형
• 표준화 사망률
• 잔여 교란
• 행정 데이터 대 임상 데이터

Key theories

교란 통제를 위한 성향 점수

Rosenbaum과 Rubin은 관찰된 공변량이 주어졌을 때 치료를 받거나 그룹에 속할 확률인 성향 점수가 균형 점수임을 보여주었습니다. 즉, 성향 점수를 조건으로 하면 그룹 간에 측정된 공변량의 균형이 맞춰져 관찰 데이터에서 결과의 더 공정한 비교가 가능해집니다. 이 개념은 많은 현대 위험 조정 및 환자 구성 비교 전략의 기반이 됩니다.

Mechanisms

위험 조정은 연령, 중증도 및 동반 질환과 같이 치료 전에 존재하며 관심 결과에 영향을 미치는 환자 요인을 식별하는 것으로 시작됩니다. 이러한 요인들은 가중 진단에서 구축된 Charlson 지수와 같은 동반 질환 지수나 행정 데이터를 위해 설계된 Elixhauser 동반 질환 세트에 의해 요약되거나, 각 환자의 예상 결과를 예측하는 다변수 모델에 입력됩니다. 그런 다음 관찰된 결과는 모델 예상 결과와 비교되며, 종종 표준화된 비율로 나타납니다. Rosenbaum과 Rubin의 성향 점수 방법은 비교 전에 그룹 간에 측정된 공변량 분포의 균형을 맞춥니다. 이러한 모든 방법은 측정된 요인에 대해서만 조정합니다. 측정되지 않은 차이는 잔여 교란을 남기며, 기본 데이터의 품질, 특히 행정 코딩은 유효성에 크게 영향을 미칩니다.

Clinical relevance

위험 조정은 치료의 기여도를 환자 구성의 기여도와 분리함으로써 제공자 프로파일링, 공공 보고 및 성과 기반 보상 비교를 더욱 공정하게 만듭니다. 동반 질환 지수 및 성향 점수 방법은 결과 연구 및 건강 서비스 평가에서 널리 사용됩니다. 이 항목은 인구를 비교하는 데 사용되는 방법을 설명하며, 개별 환자의 위험을 추정하는 도구가 아닙니다.

Evidence & guidelines

방법론적 기초는 Iezzoni의 위험 조정에 관한 참고 문헌, 원본 Charlson 및 Elixhauser 동반 질환 측정, 그리고 Rosenbaum과 Rubin에서 시작된 성향 점수 문헌에 제시되어 있습니다. 이 자료들은 방법론적 내용 때문에 인용되었으며, 이 항목에서 임상적 지침으로 기능하지 않습니다.

History

원시 결과 비교가 더 아픈 환자를 치료하는 제공자에게 불공정하게 불이익을 줄 수 있다는 우려는 1980년대부터 공식적인 위험 조정의 발전을 이끌었습니다. Charlson(1987)과 Elixhauser 및 동료들(1998)의 행정 데이터 측정과 같은 동반 질환 지수는 환자 구성에 대한 실용적인 요약을 제공했으며, Rosenbaum과 Rubin(1983)의 성향 점수 프레임워크는 관찰 비교에서 그룹의 균형을 맞추는 일반적인 접근 방식을 제공했습니다.

Debates

행정 데이터가 유효한 위험 조정을 지원할 수 있는가?

행정 코딩을 통한 조정은 저렴하고 널리 사용 가능하지만, 중증도 및 질병 발병을 놓칠 수 있으며 코딩 관행에 민감합니다. 임상 데이터는 더 풍부하지만 수집 비용이 더 많이 듭니다. 주어진 비교에 대한 데이터 소스의 적절성은 여전히 논쟁의 여지가 있습니다.

위험 조정이 과도하게 교정하는 경우가 있는가?

나쁜 치료의 결과이거나 품질이 포착하려는 바로 그 결과인 요인을 조정하는 것은 실제 품질 차이를 가릴 수 있습니다. 어떤 변수가 모델에 속해야 하는지 결정하는 것이 핵심적인 판단입니다.

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

환자 구성(case mix)이란 무엇입니까?

환자 구성은 제공자가 치료하는 환자의 유형과 중증도의 혼합입니다. 환자 구성의 차이는 두 제공자의 치료 품질이 동일하더라도 결과가 다를 수 있음을 의미하며, 이것이 비교 전에 결과가 위험 조정되는 이유입니다.

위험 조정이 편향을 완전히 제거할 수 없는 이유는 무엇입니까?

측정된 요인에 대해서만 조정할 수 있습니다. 환자 그룹 간의 측정되지 않은 차이(잔여 교란이라고 함)는 조정 후에도 남아 있으므로, 위험 조정된 비교는 여전히 신중한 해석이 필요합니다.