رتبه بندی عملکرد بیمارستان بر اساس شاخص های فردی: آیا می توانیم با ایجاد شاخص های کامپوزیت ، قابلیت اطمینان را افزایش دهیم؟

دسترسی آزاد این مقاله با توجه به مجوز بین المللی Creative Commons Attribution 4. 0 (http://creativeecommons. org/licenses/by/4. 0/) توزیع می شود ، که امکان استفاده ، توزیع و بازتولید نامحدود در هر رسانه ای را فراهم می کند ، مشروط بر اینکه به شما ارائه می دهد ، مشروط بر اینکه به شما بدهد ، مشروط بر اینکه به شما ارائه شود ، مشروط بر اینکه به شما ارائه شود ، به شرط آنکه به شما ارائه شود ، به شرط آنکه به شما امکان پذیر باشد ، توزیع و تولید مثل و تولید مثل در هر رسانه ای ، به شرط آنکه به شما ارائه شود ، به شرط آنکه به شما امکان پذیر باشد ، توزیع و تولید مثل و تولید مثل نامحدود است. اعتبار مناسب برای نویسنده (های) اصلی و منبع ، پیوندی به مجوز Creative Commons ارائه می دهد و نشان می دهد که آیا تغییراتی ایجاد شده است. چشم پوشی از فداکاری دامنه عمومی Creative Commons (http://creativeecommons. org/publicdomain/zero/1. 0/) در مورد داده های موجود در این مقاله اعمال می شود ، مگر اینکه به طور دیگری بیان شده باشد.

داده های مرتبط

مجموعه داده های مورد استفاده و/یا تجزیه و تحلیل در طول مطالعه حاضر از نویسنده مربوطه در صورت درخواست معقول در دسترس است.

چکیده

زمینه

گزارش کارتهای مربوط به سیستم مراقبت های بهداشتی به طور فزاینده عملکرد خاص ارائه دهنده را در مورد شاخص هایی که کیفیت مراقبت های بهداشتی ارائه شده را اندازه گیری می کند گزارش می دهد. یک واکنش طبیعی برای انتشار عملکرد خاص بیمارستان بر روی یک شاخص معین ایجاد "جداول لیگ" است که با توجه به عملکرد آنها ، بیمارستان ها را رتبه بندی می کند. با این حال ، نشان داده شده است که بسیاری از شاخص ها از قابلیت درجه پایین تا متوسط برخوردار هستند ، به این معنی که از آنها نمی توان برای رتبه بندی دقیق بیمارستان ها استفاده کرد. هدف ما تعریف شرایط برای بهبود توانایی رتبه بندی بیمارستان ها با ترکیب چندین شاخص باینری با قابلیت رتبه بندی کم تا متوسط بود.

مواد و روش ها

شبیه سازی مونت کارلو برای بررسی رتبه بندی شاخص های معمولی کامپوزیت ایجاد شده توسط جمع کردن سه شاخص باینری با قابلیت رتبه بندی کم تا متوسط. ما سناریوهایی را در نظر گرفتیم که در آن شیوع سه شاخص باینری 0. 05 ، 0. 10 و 0. 25 و همبستگی درون بیمارستان بین این شاخص ها بین 0. 25 و 0. 90 متفاوت بود.

نتایج

ایجاد یک شاخص معمولی با قابلیت رتبه بالا هنگامی امکان پذیر بود که سه شاخص باینری مؤلفه به شدت با یکدیگر ارتباط داشته باشند (همبستگی درون بیمارستان در شاخص ها حداقل 0. 5 بود). هنگامی که شاخص های باینری مستقل یا ضعیف با یکدیگر ارتباط داشتند (همبستگی درون بیمارستان در شاخص ها کمتر از 0. 5 بود) ، قابلیت رتبه بندی شاخص معمولی کامپوزیت اغلب کمتر از حداقل یکی از مؤلفه های باینری آن بود. قابلیت رتبه بندی شاخص کامپوزیت بیشتر تحت تأثیر رتبه بندی شایع ترین شاخص و بزرگی همبستگی درون بیمارستان بین شاخص ها قرار داشت.

نتیجه گیری

استخر شاخص های باینری بسیار با همبستگی می تواند منجر به یک نشانگر معمولی کامپوزیت با قابلیت رتبه بالا شود. در غیر این صورت ، شاخص ترتیب کامپوزیت ممکن است نسبت به برخی از مؤلفه های تشکیل دهنده آن دارای رتبه پایین تر باشد. توصیه می شود که شاخص های باینری برای افزایش رتبه بندی تنها در صورتی که آنها همان مفهوم کیفیت مراقبت را نشان دهند ، ترکیب شوند.

زمینه

علاقه زیادی به گزارش در مورد کیفیت مراقبت های بهداشتی و مقایسه کیفیت مراقبت های بهداشتی و پیامدهای درمان بین ارائه دهندگان مراقبت های بهداشتی وجود دارد. چندین ایالت آمریکایی کارتهای گزارش بیمارستان را منتشر کرده اند که نتایج بیمار را بین بیمارستان ها برای بیماران بستری مبتلا به انفارکتوس حاد میوکارد یا تحت عمل جراحی پیوند بای پس عروق کرونر قرار داده است [1-6]. گزارش های مشابه در استان کانادا انتاریو و اسکاتلند منتشر شده است [7-9].

یک شاخص یا نتیجه (به عنوان مثال ، مرگ و میر ، عفونت سایت جراحی یا مدت اقامت) یا فرآیند مراقبت (به عنوان مثال ، تجویز ترشح داروهای مبتنی بر شواهد در جمعیت خاص بیمار) است که برای ارزیابی کیفیت مراقبت های بهداشتی استفاده می شودوادیک روش معمول گزارش وسایل خاص در بیمارستان شاخص های مراقبت های بهداشتی (به عنوان مثال ، نسبت بیمارانی که در هر بیمارستان جان باختند یا میانگین مدت اقامت). تخمین های خام (یا غیرقابل تنظیم) یا تنظیم ریسک از عملکرد بیمارستان بر روی شاخص های خاص گزارش می شود.

هنگامی که عملکرد ویژه بیمارستان بر روی شاخص‌ها گزارش می‌شود، یک تمایل طبیعی ایجاد «جدول لیگ» است که در آن بیمارستان‌ها بر اساس عملکردشان در یک شاخص مشخص رتبه‌بندی می‌شوند [10]. ضمنی در چنین مقایسه‌هایی این فرض وجود دارد که این شاخص به بیمارستان‌ها اجازه می‌دهد تا با توجه به عملکردشان در شاخص رتبه‌بندی دقیق شوند. با این حال، چنین رتبه‌بندی‌هایی به دلیل تنوع طبیعی در شاخص، تنوع ذاتی در رتبه‌بندی را در نظر نمی‌گیرند. در مطالعه ای در مورد استفاده از روش های تجربی بیز برای ارزیابی کیفیت مراقبت های بهداشتی، van Houwelingen و همکاران. به نظر می‌رسد که اصطلاح «رتبه‌پذیری» را برای اشاره به توانایی رتبه‌بندی دقیق بیمارستان‌ها ابداع کرده‌اند [11]. در حالی که رتبه‌بندی به‌طور رسمی در بخش بعدی تعریف می‌شود، می‌توان آن را به عنوان نسبت تغییرات بین ارائه‌دهندگان (از نظر شاخص) که ناشی از تفاوت‌های واقعی است (در مقابل تغییرات طبیعی ناشی از عوامل غیرقابل توضیح) تفسیر کرد. مقادیر بالقوه برای رتبه‌بندی یک شاخص بین صفر و یک است، با مقادیر بالاتر نشان می‌دهد که می‌توان از این شاخص برای رتبه‌بندی دقیق بیمارستان‌ها استفاده کرد. لینگسما و همکارانپیشنهاد کرد که شاخصی با رتبه‌بندی بالای 0. 7 را می‌توان دارای رتبه‌بندی بالا در نظر گرفت [12]. مفهوم مشابهی توسط دیگران به عنوان "پایایی آماری" نامیده می شود [13]. این مفهوم برای شاخص‌های تشخیصی و فرآیندی [14] و همچنین برای شاخص‌های نتیجه در زمینه‌های مختلف [15-18] اجرا شده است.

نشان داده شده است که برخی از شاخص ها دارای رتبه بالایی هستند. با استفاده از میزان بارداری به عنوان شاخصی برای ارزیابی کیفیت مجموعه ای از کلینیک های بزرگ IVF مشخص شد که دارای رتبه بندی 0. 90 است [12]. عفونت سایت جراحی (SSI) پس از برداشتن کولونیک ، پس از تنظیم برای مخلوط موارد بیمار ، دارای رتبه 0. 78 بود [19]. با این حال ، شاخص های دیگر نشان داده شده است که دارای رتبه بندی ضعیف تا متوسط هستند. SSI در چندین نوع عمل جراحی همراه با قابلیت رتبه 0. 08 پس از تنظیم برای مخلوط موارد بیمار بود [19]. شاخص نشان دهنده نتیجه ضعیف پس از بستری در بستری برای سکته مغزی نشان داده شده است که دارای رتبه بندی 0. 55 است [20]. ون سلوک هفت شاخص مورد استفاده در بیمارستانهای هلند را مورد بررسی قرار داد و دریافت که تنها یک نفر از قابلیت رتبه بالایی برخوردار است (مجدداً مجدداً پس از عمل جراحی کولورکتال - رتبه بندی 0. 71 ؛ شاخص های دیگر دارای رتبه بندی از 0 تا 0. 58 بودند) [21]. لوسون به دنبال درجه بندی SSI به دنبال جراحی کولورکتال بود و دریافت که میانگین رتبه بندی برای SSI سطحی ، 0. 40 برای SSI عمیق/اندام و 0. 59 برای هر SSI است [22]. هافستید و همکاران. قابلیت میزان مرگ و میر در بیمارستان را برای انواع شرایط یا رویه ها بررسی کرد [23]. آنها دریافتند که قابلیت رتبه بندی از 0. 01 برای بیماران مبتلا به استئوآرتریت تحت آرتروپلاستی لگن/کل آرتروپلاستی زانو تا 0. 71 به دنبال بستری برای سکته مغزی است.

قابلیت رتبه بالا یک خاصیت مطلوب برای یک شاخص است ، زیرا این بدان معنی است که این شاخص رتبه بندی دقیق بیمارستان ها یا ارائه دهندگان را مجاز می کند. در زمینه کارآزمایی های کنترل شده تصادفی نشان داده شده است که نتایج منظم منجر به برآورد قابل اطمینان تر از اثر درمان نسبت به نتایج باینری می شود [24-26]. یک سؤال هنگام توسعه شاخص ها برای ارزیابی کیفیت مراقبت های بهداشتی این است که آیا چندین شاخص باینری که منعکس کننده نتایج افزایش شدت است ، که به صورت جداگانه از قابلیت رتبه بندی ضعیف تا متوسط برخوردار هستند ، می توانند برای افزایش رتبه بندی در یک شاخص معمولی ترکیب شوند.

هدف از مطالعه حاضر بررسی چگونگی رتبه‌بندی شاخص‌های ترتیبی مرکب در مقایسه با رتبه‌بندی شاخص‌های باینری مؤلفه بود. ساختار مقاله به شرح زیر است: در بخش 2، ما پیشینه را ارائه می دهیم و به طور رسمی رتبه بندی را تعریف می کنیم. در بخش 3، ما مجموعه‌ای از شبیه‌سازی‌های مونت کارلو را برای بررسی رابطه بین رتبه‌بندی یک شاخص باینری و ضریب همبستگی درون طبقاتی (ICC) آن شاخص در سراسر بیمارستان‌ها (به عنوان معیاری از تغییرات بین بیمارستانی) انجام می‌دهیم. در بخش 4، ما مجموعه‌ای از شبیه‌سازی‌های مونت کارلو را برای بررسی رابطه بین رتبه‌بندی یک شاخص ترتیبی مرکب و رتبه‌بندی شاخص‌های باینری فردی که از آن شکل گرفته است، انجام می‌دهیم. در نهایت، در بخش 5 یافته های خود را خلاصه می کنیم و آنها را در زمینه ادبیات موجود قرار می دهیم.

رتبه بندی و نشانه گذاری

اجازه دهید Y نشانگر یک شاخص باینری باشد که برای ارزیابی عملکرد ارائه‌دهنده مراقبت‌های بهداشتی (به عنوان مثال، بیمارستان یا پزشک) استفاده می‌شود. در سراسر مقاله، ما به بیمارستان به عنوان ارائه‌دهنده اشاره خواهیم کرد، اما این روش‌ها به همان اندازه برای سایر ارائه‌دهندگان مراقبت‌های بهداشتی (به عنوان مثال، پزشکان یا مناطق اداری مراقبت‌های بهداشتی) قابل اجرا هستند. Y_ij= 1 نشان می دهد که شاخص مثبت یا موجود است (به عنوان مثال، بیمار فوت کرده یا SSI رخ داده است) برای بیمار اول در بیمارستان j، در حالی که Y_ij= 0 نشان می دهد که شاخص برای این بیمار منفی است (به عنوان مثال، بیمار نمرده یا SSI رخ نداده است). اجازه دهید X_ijنشان دهنده یک بردار از متغیرهای کمکی است که بر روی بیمار اول در بیمارستان j اندازه گیری شده است (به عنوان مثال، سن، جنس، و شرایط همراه).

یک مدل رگرسیون لجستیک اثرات تصادفی می تواند برای مدل سازی تغییرات در اندیکاتور مناسب باشد:

جایی که α_jیک اثر تصادفی خاص بیمارستان را نشان می دهد که فرض می شود به طور معمول توزیع می شود: α_j~N (α₀, τ 2 ) (فرض می کنیم که X_ijحاوی یک اصطلاح ثابت یا رهگیری نیست). مدل اثرات تصادفی به فرد اجازه می دهد تا بعد از تنظیم برای متغیرهای پایه ، به طور رسمی تنوع بین بیمارستان را در نشانگر مدل کند. ICC یا ضریب پارتیشن واریانس (VPC) را می توان با استفاده از رویکرد متغیر نهفته به عنوان ICC = τ 2 τ 2 + π 2 3 محاسبه کرد ، جایی که τ 2 واریانس اثرات تصادفی خاص بیمارستان است که در بالا تعریف شده است و π ریاضی استثابت [27 ، 28]. ICC نسبت تنوع در شاخص را نشان می دهد که به دلیل تغییر سیستماتیک بین بیمارستان در نشانگر است. در حالی که تعاریف متعددی از ICC برای استفاده با داده های خوشه ای وجود دارد [29] ، ما از تعریف فوق استفاده کردیم زیرا به نظر می رسد در زمینه تجزیه و تحلیل چند سطحی بیشترین تعریف را دارد.

به جای قرار دادن یک مدل اثرات تصادفی برای تغییر مدل در شاخص ، می توان با اثرات ثابت بیمارستان ، اثرات تصادفی خاص بیمارستان را جایگزین کرد:

در جایی که نشانگر K-1 یا متغیرهای ساختگی برای نشان دادن اثرات ثابت بیمارستان های K وجود دارد. اجازه دهید s_jخطای استاندارد اثر تخمین زده شده بیمارستان را برای بیمارستان Jth نشان دهید. این خطاهای استاندارد ، دقت را نشان می دهد که اثرات ثابت در بیمارستان تخمین زده می شود.

قابلیت یا قابلیت اطمینان شاخص باینری به عنوان ρ = τ 2 τ 2 + میانه S J 2 تعریف شده است ، جایی که τ 2 و S J 2 همانطور که در بالا تعریف شده اند [20]. قابلیت رتبه بندی تنوع کل از مدل اثرات تصادفی را به عدم قطعیت اثرات بیمارستان فردی از مدل اثرات ثابت مربوط می کند. می توان آن را به عنوان نسبت تنوع بین بیمارستانها که به دلیل شانس نیست ، تعبیر کرد.

هنگام در نظر گرفتن یک شاخص معمولی با سه یا چند سطح ، قابلیت رتبه بندی را می توان به طور مشابه با استفاده از مدلهای رگرسیون معمولی تعریف کرد. مدل (1) با یک مدل رگرسیون لجستیک با اثرات تصادفی جایگزین می شود ، در حالی که مدل (2) توسط یک مدل رگرسیون لجستیک با اثرات ثابت جایگزین می شود.

شبیه سازی مونت کارلو برای بررسی رابطه بین ICC و رتبه بندی برای یک نشانگر باینری واحد

ما یک سری از شبیه سازی های مونت کارلو را برای بررسی رابطه بین ICC و رتبه بندی یک شاخص باینری واحد انجام دادیم.

مواد و روش ها

بگذارید X و Y به ترتیب نمره ریسک مداوم و یک شاخص باینری را نشان دهند. مدل اثرات تصادفی زیر نمره ریسک مداوم را به وجود شاخص باینری مرتبط می کند:

اثرات تصادفی خاص بیمارستان از توزیع عادی پیروی می کند: α_{0 j}~N (α₀، τ 2). میانگین رهگیری، α₀، شیوع کلی شاخص باینری را تعیین می کند، در حالی که شیب، α₁، میزان قدرت رابطه بین امتیاز ریسک و وجود شاخص باینری را تعیین می کند. ثابت کردن انحراف استاندارد توزیع اثرات تصادفی در τ = π ICC 3 1 - ICC منجر به مدلی با مقدار مورد نظر ICC می شود.

ما داده ها را برای 500 بیمار در هر 100 بیمارستان شبیه سازی کردیم. برای هر یک از 100 بیمارستان، ما یک رهگیری تصادفی خاص بیمارستان را شبیه سازی کردیم: α_{0 j}~N (α₀، τ 2). مقدار τ2 برای تولید یک ICC مورد نظر انتخاب شد. برای هر آزمودنی، یک امتیاز ریسک از توزیع نرمال استاندارد شبیه سازی شد: x_ij~N (0، 1). سپس برای هر موضوع، پیش بینی خطی را با استفاده از فرمول (3) محاسبه کردیم. سپس یک نتیجه باینری را برای شاخص از توزیع برنولی با پارامتر موضوعی Pr(Y) شبیه سازی کردیم._ij= 1). در عمل، حجم بیمارستان در بیمارستان‌ها متفاوت است. ما شبیه‌سازی‌ها را طوری طراحی کردیم که حجم بیمارستان در سراسر بیمارستان‌ها ثابت بود. این کار برای حذف هر گونه اثر تغییر حجم بیمارستان بر رتبه بندی انجام شد.

ما اجازه دادیم سه عامل زیر متفاوت باشد: (1) ICC.(ii) فاصله متوسط (α₀)(iii) شیب ثابت (α₁). ICC مجاز به دریافت 13 مقدار از 0 تا 0. 24 با افزایش 0. 02 بود. این مقادیر از آنجایی انتخاب شدند که از عدم تأثیر خوشه‌بندی (ICC = 0) تا تأثیر قوی خوشه‌بندی متغیر بودند. میانگین فاصله مجاز به چهار مقدار بود: - 3، - 2، - 1. 5، و - 1. شیب ثابت مجاز به گرفتن سه مقدار بود: - 0. 25، 0، و 0. 25. ما از یک طرح فاکتوریل کامل استفاده کردیم و بنابراین 156 سناریو مختلف را در نظر گرفتیم.

در هر یک از 156 سناریو مختلف، ما 100 مجموعه داده را شبیه سازی کردیم. در هر یک از 100 مجموعه داده شبیه سازی شده، ما رتبه بندی شاخص باینری را با استفاده از روش های شرح داده شده در بخش 2 برآورد کردیم (در هر مجموعه داده شبیه سازی شده، رتبه بندی با استفاده از واریانس تخمینی اثرات تصادفی، به جای مقدار واقعی شناخته شده، برآورد شد). برای یک سناریوی معین، سپس میانگین رتبه‌بندی را در بین 100 مجموعه داده شبیه‌سازی شده برای آن سناریو محاسبه کردیم. شبیه سازی ها با استفاده از زبان برنامه نویسی آماری R (نسخه 3. 5. 1) انجام شد. مدل‌های رگرسیون لجستیک اثرات تصادفی با استفاده از روش‌های فرکانس‌گرا با استفاده از تابع glmer از بسته lme4 برای R مناسب بودند.

نتایج شبیه سازی مونت کارلو

نتایج شبیه سازی مونت کارلو در شکل 1 خلاصه شده است. این شکل شامل سه پانل است، یکی برای هر یک از سه شیب ثابت که امتیاز ریسک را به حضور نشانگر مرتبط می کند. هر پانل رابطه بین ICC و رتبه‌بندی را برای چهار سناریو تعریف شده توسط چهار مقدار برای میانگین رهگیری نشان می‌دهد. چندین الگو لازم است برجسته شوند. اول، برای یک مقدار معین از میانگین رهگیری، رتبه‌بندی با افزایش مقادیر ICC افزایش می‌یابد. دوم، برای یک مقدار معین از ICC، رتبه‌بندی با افزایش میانگین رهگیری ا ز-3 ب ه-1 افزایش یافت. چهارم، یا میانگین رهگیری (یعنی شیوع کلی شاخص) باید متوسط تا بزرگ (-2 ت ا-1) باشد یا ICC باید بالا باشد تا رتبه‌بندی از آستانه 0. 7 (70%) که قبلاً بود، فراتر رود. برای نشان دادن رتبه بندی معقول پیشنهاد شده است [12].

تأثیر ICC بر رتبه‌بندی

شبیه سازی مونت کارلو برای بررسی قابلیت اطمینان شاخص های ترکیبی

ما از یک سری گسترده از شبیه‌سازی‌های مونت کارلو استفاده کردیم تا بررسی کنیم که آیا ترکیب سه شاخص باینری در یک نشانگر ترتیبی منجر به یک نشانگر ترتیبی با رتبه‌بندی بیشتر در مقایسه با اجزای باینری آن می‌شود.

مواد و روش ها

ما سناریوها را با سه شاخص باینری بررسی کردیم: Y₁, Y₂، و Y₃. سه مدل اثر تصادفی زیر یک عامل خطر مستمر زیربنایی را به حضور هر یک از سه شاخص باینری مرتبط می‌کند:

logit Pr Y 1 ij = 1 = α 01 j + α 11 X ij logit Pr Y 2 ij = 1 = α 02 j + α 12 X ij logit Pr Y 3 ij = 1 = α 03 j + α 13 X ij

همانطور که در بالا، برای یک مدل اثرات تصادفی داده شده، ما فرض کردیم که اثرات تصادفی خاص بیمارستان از توزیع نرمال پیروی می کند: α 0 kj~Nα 0 k τ kk 2، برای k = 1، 2، 3. ما فرض کردیم که توزیع سه گانه اثرات تصادفی ویژه بیمارستان از توزیع نرمال چند متغیره پیروی می کند:

ما سناریوهایی را در نظر گرفتیم که در آن شیوع سه شاخص در همه بیمارستان‌ها 0. 05، 0. 10 و 0. 25 بود (Pr(Y_{1 ij}= 1) = 0. 05، Pr(Y_{2 ij}= 1) = 0. 10 و Pr(Y_{3 ij}= 1) = 0. 25) به عنوان این معمولی است که دامنه شیوع که اغلب در عمل اتفاق می افتد. به عنوان مثال ، هافستید و همکاران. دریافت که میزان متوسط مرگ و میر در بیمارستان در بیمارستان در بین بیماران مبتلا به کارسینوم کولورکتال 4. 9 ٪ بود ، در حالی که میزان متوسط بستری حاد برای بیماران سکته مغزی 6. 1 ٪ بود [23]. آنها دریافتند که میزان مرگ و میر در بیمارستان در بیمارستان برای بیماران مبتلا به نارسایی قلبی 11. 0 ٪ بود ، در حالی که میزان بستری حاد برای بیماران مبتلا به کارسینوم کولورکتال 10. 7 ٪ بود. ون سوسوک و همکاران. دریافت که میزان متوسط داشتن بافت سرطان باقی مانده پس از لامپکتومی صرفه جویی در پستان 5 /10 ٪ بود [21]. سرانجام ، مدت طولانی اقامت (LOS) به عنوان LOS تعریف شده است که برای بیماران مبتلا به تشخیص یا روش معین در 25 ٪ برتر است [23]. این شاخص شیوع کلی 25 ٪ در ساخت و ساز خواهد داشت.

با توجه به نتایج مجموعه اول شبیه سازی ها ، ما سه دامنه مربوط به نمره ریسک مداوم را به حضور سه شاخص باینری به شرح زیر ثابت کردیم: α₁₁= - 0. 25 ، α₁₂= 0. 50 ، α₁₃= 1. ما برای تعیین مقادیر مناسب برای α از یک روش بیسیک استفاده کردیم_{0 j}، J = 1 ، 2 ، 3 به گونه ای که شاخص ها شیوع مورد نظر را داشته باشند. ما سپس از جستجوی شبکه برای انتخاب مقادیر τ jj 2 ، j = 1 ، 2 ، 3 استفاده کردیم تا منجر به داده های شبیه سازی شده به گونه ای شود که شاخص های باینری شبیه سازی شده دارای پایین بودن باشد (قابلیت رتبه بندی)< 0.5 [12]) to moderate (rankability from 0.5 to 0.7 [12]) rankability.

برای یک سناریوی معین ، ما 100 مجموعه داده ، متشکل از بیماران N در هر 100 بیمارستان را شبیه سازی کردیم (این تقریباً برابر با تعداد بیمارستان های هلند است ، جایی که بیشتر نویسندگان در آن قرار دارند ، و بنابراین ممکن است نمونه ای از تعداد آنها باشدبیمارستان ها در کشورهای کوچک). در هر مجموعه داده شبیه سازی شده ، رتبه بندی سه شاخص باینری را محاسبه کردیم. ما همچنین یک نشانگر نظم پنج سطح ایجاد شده با ترکیب سه شاخص باینری ایجاد کردیم. نشانگر ترتیب پنج سطح ما به گونه ای ایجاد شده است که از بهترین (یا حداقل جدی/شدید) (مقدار 1) به بدترین (یا جدی ترین/شدیدترین) (مقدار 5) برود. این انگیزه توسط سناریوهایی بود که در آن سه شاخص باینری نتایج شدت های مختلف را نشان می دهد و شیوع متفاوتی دارد. به طور خاص ، شاخص اول شدیدترین یا جدی ترین سه شاخص است و همچنین کمترین میزان مکرر (به عنوان مثال ، مرگ) رخ می دهد. شاخص سوم کمترین یا جدی ترین است و همچنین اغلب (به عنوان مثال ، مدت طولانی مدت اقامت در بیمارستان) رخ می دهد. شاخص دوم از نظر شدت/جدی بودن و شیوع (به عنوان مثال ، بستری در بیمارستان) واسطه است. یک مطالعه تجربی قبلی ، یک شاخص کامپوزیت نظم ایجاد شده توسط جمع کردن این سه شاخص باینری با این خصوصیات را مورد بررسی قرار داد [23]. شاخص معمولی در مطالعه ما به این صورت تعریف شده است:

y ij = 5 اگر y 1 ij = 1 4 اگر y 2 ij = 1 و y 3 ij = 1 3 اگر y 2 ij = 1 و y 3 ij = 0 2 اگر y 3 ij = 1 و y 2 ij = 0 1در غیر این صورت

بنابراین ، یک موضوع شدیدترین/جدی ترین سطح شاخص معمولی کامپوزیت (5) را داشت اگر جدی ترین شاخص های باینری (Y₁) صرف نظر از اینکه هر دو شاخص دیگر رخ داده است ، حضور داشت. اگر هیچ یک از شاخص های باینری وجود نداشت ، یک موضوع کمترین سطح شدید/جدی از شاخص معمولی کامپوزیت (1) داشت. ما رتبه بندی نشانگر ترتیب را محاسبه کردیم. میانگین رتبه بندی هر یک از سه شاخص باینری و یک شاخص یک ترتیب بیش از 100 تکرار برای هر سناریو تعیین شد.

ما اجازه دادیم دو عامل در شبیه سازی های فوق متفاوت باشند: (i) تعداد افراد در بیمارستان.(ب) همبستگی بین اثرات تصادفی خاص بیمارستان (COR (α_{0 kJ}، α_{0 LJ}) k ≠ l ). ما دو سطح را برای تعداد افراد در هر بیمارستان در نظر گرفتیم: 500 و 1000. ما هشت مقدار را برای همبستگی بین اثرات تصادفی ویژه بیمارستان در نظر گرفتیم: - 0. 25، - 0. 10، 0، 0. 10، 0. 25، 0. 50، 0. 75، و 0. 90. بنابراین، ما شاخص‌هایی را در نظر گرفتیم که همبستگی، همبستگی ضعیف، همبستگی متوسط و همبستگی قوی داشتند و همبستگی مثبت و منفی را، همانطور که در عمل یافت می‌شود، مجاز دانستیم [30]. برای هر یک از 16 ترکیب از دو عامل فوق، ما سه مجموعه مختلف از مقادیر رتبه‌بندی را برای سه شاخص باینری در نظر گرفتیم. بنابراین ما 48 سناریو مختلف را در نظر گرفتیم. شبیه سازی ها با استفاده از زبان برنامه نویسی آماری R (نسخه 3. 5. 1) انجام شد. مدل‌های رگرسیون لجستیک اثرات تصادفی با استفاده از روش‌های مکرر با استفاده از تابع glmer از بسته lme4 برای R برازش داشتند. مدل رگرسیون لجستیک ترتیبی با استفاده از تابع polr از بسته MASS برازش شد، در حالی که مدل رگرسیون لجستیک ترتیبی اثرات تصادفی با استفاده از برازش بود. تابع clmm از بسته ترتیبی برای R.

نتایج شبیه سازی مونت کارلو

میانگین شیوع شاخص های باینری اول، دوم و سوم در 48 سناریو به ترتیب 0. 05، 0. 10 و 0. 25 بود. میانگین رتبه‌بندی شاخص‌های باینری اول، دوم و سوم در 48 سناریو به ترتیب 0. 36 (محدوده 0. 22 تا 0. 43)، 0. 46 (محدوده 0. 29 تا 0. 59) و 0. 52 (محدوده 0. 33 تا 0. 71) بود.

نتایج مجموعه دوم شبیه سازی مونت کارلو در شکل 2 گزارش شده است. نتایج با استفاده از نمودار نقطه ای گزارش می شود. برای هر یک از 48 سناریو یک ردیف وجود دارد (برای هر یک از 16 ترکیب تعداد افراد در هر بیمارستان و همبستگی اثرات تصادفی، ما سه مجموعه مختلف از رتبه‌بندی را برای شاخص‌های باینری در نظر گرفتیم). در هر خط چهار نقطه وجود دارد که نشان دهنده میانگین رتبه بندی سه شاخص باینری و نشانگر ترتیبی است. در 22 (46%) از 48 سناریو، شاخص ترتیبی مرکب از هر یک از سه شاخص باینری رتبه‌بندی بیشتری داشت. احتمال اینکه شاخص ترتیبی ترکیبی رتبه‌بندی بیشتری نسبت به سه شاخص باینری داشته باشد، با افزایش همبستگی اثرات ویژه بیمارستان افزایش می‌یابد. هنگامی که همبستگی منفی یا برابر با صفر بود، شاخص ترتیبی مرکب هرگز از رتبه‌بندی هر یک از سه شاخص باینری برخوردار نبود. زمانی که همبستگی برابر با 10/0 بود، شاخص ترتیبی ترکیبی در 17 درصد سناریوها رتبه‌بندی بیشتری نسبت به سه شاخص باینری داشت. وقتی همبستگی برابر با 25/0 بود، شاخص ترتیبی مرکب در 50 درصد سناریوها رتبه‌بندی بیشتری نسبت به سه شاخص باینری داشت. هنگامی که همبستگی بزرگتر یا مساوی 0. 50 بود، شاخص ترتیبی مرکب در 100 درصد سناریوها رتبه‌بندی بیشتری نسبت به سه شاخص باینری داشت. در 26 (54%) از 48 سناریو، شاخص ترتیبی ترکیبی از رتبه‌بندی پایین‌تری نسبت به شاخص باینری با بیشترین رتبه‌بندی برخوردار بود. افزایش حجم بیمارستان از 500 به 1000 بیمار تأثیر قابل‌توجهی بر احتمال اینکه شاخص ترتیبی ترکیبی رتبه‌بندی بیشتری نسبت به سه شاخص باینری داشته باشد، نداشت. رتبه‌بندی بالای شاخص ترکیبی تنها در شبیه‌سازی‌هایی مشاهده شد که در آن سه شاخص باینری رتبه‌بندی متوسطی داشتند و به شدت با یکدیگر همبستگی داشتند. با این حال، همه سناریوها با دو ویژگی اخیر نشانگر ترکیبی با رتبه‌بندی بالا را به همراه نداشتند (شکل 2 2).

رتبه بندی شاخص های باینری و ترتیبی

ما از رگرسیون خطی حداقل مربعات معمولی تخمین زده شده برای رکود رتبه بندی نشانگر معمولی در متغیرهای زیر استفاده کردیم: رتبه بندی سه شاخص باینری ، همبستگی بین اثرات تصادفی خاص بیمارستان و تعداد افراد در بیمارستان. تعداد افراد در بیمارستان به عنوان یک متغیر طبقه بندی شده با دو سطح تحت درمان قرار گرفت ، در حالی که متغیرهای باقیمانده به عنوان متغیرهای کمی مداوم تحت درمان قرار گرفتند. ضرایب رگرسیون تخمین زده شده در جدول 1 گزارش شده است. 1. آمار R 2 برای مدل نصب شده 0. 97 بود (همانطور که آماری R 2 تنظیم شده بود). تنها دو متغیر از متغیرها تأثیر مستقلی در رتبه بندی نشانگر معمولی کامپوزیت داشتند: رتبه بندی شاخص با شیوع 0. 25 و همبستگی بین اثرات تصادفی خاص بیمارستان. نتیجه دوم از نتایج قبلی ما در شکل 2 پشتیبانی می کند. شکل 2 که ترکیب شاخص های باینری بسیار با همبستگی می تواند منجر به یک نشانگر معمولی کامپوزیت با قابلیت رتبه بندی شود که بیش از اجزای باینری آن باشد. ما تجزیه و تحلیل رگرسیون را تکرار کردیم ، تجزیه و تحلیل را به آن سناریوهایی که در آن همبستگی بین اثرات تصادفی خاص بیمارستان کمتر از یا برابر با 0. 5 بود ، محدود کردیم و نتایج مشابهی به دست آورد.

میز 1

تجزیه و تحلیل رگرسیون در نتایج شبیه سازی

استفاده از 100 تکرار در هر یک از 48 سناریو در شبیه سازی مونت کارلو به ما این امکان را می دهد تا با دقت نسبتاً خوبی رتبه بندی را تخمین بزنیم. برای هر سناریو و برای هر یک از شاخص ها ، انحراف استاندارد از رتبه بندی را در 100 تکرار برای آن سناریو محاسبه کردیم. ميانگين انحراف معيار رتبه بندی اوليه شاخص بایني اول در 48 سناریو 0. 067 بود (از 0. 062 تا 0. 074). ميانگين انحراف معيار رتبه بندی نشانگر بایني دوم 0. 058 در سناریوي 48 (از 0. 046 تا 0. 069) بود. ميانگين انحراف معيار رتبه بندی نشانگر بایني سوم در 48 سناریو 0. 056 بود (از 0. 037 تا 0. 072). ميانگين انحراف معيار رتبه بندی نشانگر كامپوزيت در 48 سناریو 0. 057 بود (از 0. 032 تا 0. 078).

ما مجموعه دیگری از شبیه سازی ها را انجام دادیم که اصلاحات در بالا گزارش شده است. در این مجموعه اضافی از شبیه سازی ها ، شیوع هر سه شاخص به 10 ٪ (به جای 5 ٪ در مقابل 10 ٪ در مقابل 25 ٪) تعیین شده است. نتایج این شبیه سازی ها در شکل 3 گزارش شده است. 3در 18 (38 ٪) از 48 سناریو ، شاخص معمولی کامپوزیت نسبت به هر یک از سه شاخص باینری از قابلیت رتبه بیشتری برخوردار بود. احتمال اینکه شاخص معمولی کامپوزیت از قابلیت رتبه بیشتری نسبت به سه شاخص باینری برخوردار باشد با افزایش همبستگی اثرات خاص بیمارستان افزایش یافته است. هنگامی که این همبستگی منفی یا برابر با صفر بود ، آنگاه شاخص معمولی کامپوزیت هرگز از قابلیت رتبه بیشتری نسبت به هر یک از سه شاخص باینری برخوردار نبود. هنگامی که این همبستگی برابر با 0. 10 بود ، آنگاه شاخص معمولی کامپوزیت از قابلیت رتبه بیشتری نسبت به سه شاخص باینری در 17 ٪ سناریوها برخوردار بود. هنگامی که این همبستگی برابر با 0. 25 بود ، آنگاه شاخص معمولی کامپوزیت از قابلیت رتبه بیشتری نسبت به سه شاخص باینری در 33 ٪ سناریوها برخوردار بود. هنگامی که این همبستگی برابر با 0. 50 بود ، آنگاه شاخص معمولی کامپوزیت از قابلیت رتبه بیشتری نسبت به سه شاخص باینری در 50 ٪ سناریوها برخوردار بود. هنگامی که این همبستگی بیشتر از یا برابر با 0. 75 بود ، آنگاه شاخص معمولی کامپوزیت دارای رتبه بیشتری نسبت به سه شاخص باینری در 100 ٪ سناریوها بود. در 30 (63 ٪) از 48 سناریو ، شاخص معمولی کامپوزیت دارای رتبه پایین تر از شاخص باینری با بیشترین رتبه بندی بود.

رتبه بندی شاخص های باینری و منظم (شیوع برابر)

بحث

ما یک سری از شبیه سازی ها را انجام دادیم تا بررسی کنیم که آیا ترکیب سه شاخص باینری منعکس کننده نتایج با افزایش شدت ، که به صورت جداگانه دارای رتبه پایین یا متوسط هستند ، می تواند یک شاخص معمولی با قابلیت رتبه بالا تولید کند. ما دریافتیم که این امر زمانی امکان پذیر است که سه شاخص باینری حداقل دارای رتبه متوسط باشند و با یکدیگر ارتباط برقرار کنند. هنگامی که شاخص های باینری مستقل یا ضعیف با یکدیگر ارتباط داشتند ، رتبه بندی نشانگر معمولی کامپوزیت اغلب کمتر از حداقل یکی از اجزای باینری آن بود.

در بسیاری از کشورها و حوزه های قضایی در گزارش در مورد کیفیت و نتایج ارائه خدمات درمانی ، علاقه فزاینده ای وجود دارد. گزارش عمومی از عملکرد خاص بیمارستان در مورد شاخص های کیفیت مراقبت های بهداشتی می تواند منجر به تولید "جداول لیگ" شود ، که در آن بیمارستان ها با توجه به عملکرد آنها رتبه بندی می شوند. قابلیت رتبه بندی یک شاخص نشان دهنده توانایی آن در امکان رتبه بندی دقیق بیمارستان ها است. همانطور که در مقدمه ذکر شد ، نشان داده شده است که بسیاری از شاخص ها دارای رتبه بندی ضعیف تا متوسط هستند.

تمرکز ما روی جمع کردن شاخص های باینری بود که نشان دهنده نتایج افزایش شدت برای ایجاد یک شاخص معمولی کامپوزیت بود که یک شیب را از پایین ترین (حداقل شدید/جدی) تا بالاترین (شدیدترین/جدی ترین) توصیف می کند. ما روشهای دیگری برای ایجاد شاخص های کامپوزیت مانند جمع بندی تعداد شاخص های باینری مثبت را در نظر نگرفتیم. چنین رویکردی لزوماً ترتیب شدت موجود در شاخص های فردی را حفظ نمی کند. به عنوان مثال با توجه به سه شاخص از شدت متفاوت (به عنوان مثال ، مرگ ، بستری در بیمارستان و مدت طولانی ماندن در بیمارستان) ، سپس سوژه ای که درگذشت (و کسی که بستری نشده و مدت کوتاهی از بیمارستان را در اختیار دارد) و موضوعی که داشتاقامت طولانی در بیمارستان (اما چه کسی مرد و چه کسی بستری نشده بود) هر دو یک شاخص مثبت دارند. با این حال ، آنها شدت بسیار متفاوتی از شاخص های باینری اساسی دارند. شاخص معمولی کامپوزیت ما این ترتیب از شدت/جدی بودن را منعکس می کند ، در حالی که تعداد شاخص های مثبت حساب نمی شود.

تحقیقات ما نشان داده است که رتبه‌بندی زمانی افزایش می‌یابد که شاخص‌های فردی با شاخص‌های دیگری که همبستگی بالایی با آنها دارند ترکیب شوند. شاخص های فردی زیربنای مفاهیم یکسان (کیفیت) مراقبت از این طریق می توانند برای ایجاد یک رتبه بندی قابل اعتمادتر با مزیت افزوده نشان دادن تصویر کامل تر از کیفیت مراقبت ترکیب شوند. از سوی دیگر، شاخص هایی که همبستگی ندارند ممکن است حوزه های کیفیت مهم دیگری را نشان دهند. اینها را نباید نادیده گرفت، اگرچه رتبه بندی محدود آنها باید در تفسیر تفاوت های بالقوه بین بیمارستان ها در نظر گرفته شود.

نتایج ما تأیید می کند که قابلیت رتبه بندی تحت تأثیر تغییر اثرات تصادفی خاص در بیمارستان ، به عبارت دیگر میزان اختلاف تفاوتهای بین بیمارستان و شیوع کلی نتیجه ، تأثیر می گذارد و بر قابلیت اطمینان اثرات تصادفی خاص بیمارستان تأثیر می گذارد. این اصطلاحات در تعریف رتبه بندی درج شده است. علاوه بر این ، ما دریافتیم که یکی از دو عامل با قوی ترین تأثیر در رتبه بندی نتیجه یک نتیجه ، رتبه بندی شایع ترین نتیجه باینری است. این بصری است زیرا شاخص با بالاترین شیوع بیشترین اطلاعات را به نتیجه نظم کمک می کند. سرانجام ، مهمترین یافته ما این است که نتایج نظم فقط باعث افزایش رتبه بندی می شود که شاخص های باینری مؤلفه به شدت با همبستگی داشته باشند (به طور معمول ، همبستگی درون بیمارستان حداقل 0. 5 مورد نیاز است). این توضیح می دهد که چرا یک مطالعه قبلی در ترکیب مرگ و میر ، بستری مجدد و مدت اقامت ، هیچ افزایش در سطح توانایی را پیدا نکرد. این شاخص های باینری با همبستگی منفی داشتند ، تا حدودی با تعریف (به عنوان مثال مرگ و میر زیاد به معنای بستری کمتر) است ، تا حدودی به این دلیل که آنها جنبه های مختلف کیفیت مراقبت را نشان می دهند [23]. این یافته که ترکیب نتایج باینری که با همبستگی منفی ، بدون همبستگی و یا فقط با همبستگی ضعیف در یک نتیجه نظم ایجاد می شود ، باعث کاهش رتبه بندی می شود ، نتیجه نقض فرض شانس متناسب است. مدل شانس متناسب فرض می کند که تأثیر پارامتر مورد علاقه ، در این حالت اثرات تصادفی خاص بیمارستان ، بر نتیجه قابل مقایسه در برش مقیاس معمولی است. اگر شاخص های باینری در ارتباط نباشند ، این فرض راضی نیست. به عنوان مثال ، هنگامی که یک بیمارستان خاص میزان مرگ و میر کم (به معنای برآورد اثر تصادفی منفی بر روی یک برش) اما میزان پذیرش زیاد (برآورد اثر تصادفی مثبت بر روی برش دیگر) این اثر تصادفی به طور متوسط تخمین می زند. این باعث کاهش تنوع اثرات تصادفی خاص در بیمارستان می شود و در نتیجه قابلیت رتبه پایین تر است. بنابراین ، برای به دست آوردن یک شاخص معمولی کامپوزیت با قابلیت رتبه بالا ، فرض شانس متناسب باید تا حدی برآورده شود.

ترکیب شاخص های باینری برای تشکیل یک شاخص معمولی کامپوزیت ، موضوعات مختلفی را ارائه می دهد که باید مورد توجه قرار گیرد. اول ، باید شاخص های باینری را شناسایی کرد که ترکیب آنها برای پروفایل عملکرد ارائه دهنده خدمات درمانی معنی دار خواهد بود. ممکن است بیماران در یک زمان معین به یک شاخص علاقه نداشته باشند (به عنوان مثال ، آیا یک بستری مجدد رخ می دهد) ، اما ممکن است بخواهند این احتمال را بدانند که موفقیت در طیف وسیعی از شاخص ها (به عنوان مثال ، عدم پذیرش و مدت زمان عادی ماندن) حاصل می شود ،به نام یک کتاب درسی [23 ، 31]. ترکیبی از شاخص ها همچنین برای بررسی رکورد توسط متخصصان در صورتی که می خواهند کیفیت را بهبود بخشند مهم است ، جایی که بهبود ممکن است مداخله متفاوتی را برای بیماران با مدت طبیعی اقامت و بستری مجدد (زیرا ممکن است خیلی زود تخلیه شود) نسبت به بیماران مبتلا بهبستری مجدد پس از مدت طولانی اقامت (که ممکن است بیماران پیچیده را منعکس کند). ثانیا ، در حالت ایده آل ، باید شاخص های باینری را با همبستگی قوی در بیمارستان شناسایی کرد (به عنوان مثال ، بیمارستان هایی که عملکرد بالاتری در یک شاخص دارند نیز عملکرد بالاتری در شاخص های دیگر دارند) ، که اغلب در عمل نیست [30]. سوم ، برای اینکه یک نشانگر کامپوزیت اطلاعاتی را که در مورد بیمارستان می تواند اقدام کند ، ارائه دهد ، منطقی است که شاخص هایی را که به جنبه های کیفیت مراقبت های بهداشتی برای همان مجموعه بیماران می پردازد ، ترکیب کند (به عنوان مثال ، که مربوط به همان روش جراحی استبه درمان همان مجموعه بیماران). شناسایی شاخص هایی که این الزامات را برآورده می کنند ممکن است در برخی از تنظیمات چالش برانگیز باشد.

نتیجه

استخر شاخص های باینری بسیار با همبستگی می تواند منجر به یک نشانگر معمولی کامپوزیت با قابلیت رتبه بالا شود. با این حال ، هنگامی که شاخص های باینری دارای همبستگی در داخل بیمارستان کم تا متوسط هستند ، شاخص معمولی کامپوزیت ممکن است نسبت به برخی از مؤلفه های تشکیل دهنده آن دارای رتبه پایین تر باشد. توصیه می شود که شاخص های باینری مرتبط به منظور افزایش رتبه بندی ، ترکیب شوند ، که نشان می دهد آنها همان مفهوم کیفیت مراقبت را نشان می دهند.