1. No category

ACG – prediktiv modellering
2015-05-06
Marcus Edenström
Västra Götalandsregionen
Vad är ACG?
Ett system som baserat på ålder och kön samt diagnos grupperar
patienten till olika ACG (Adjusted Clinical Group).
ACG använder sig av olika grupperingsnivåer där den lägsta är ADG
(Aggregated Diagnostic Groups) som mappar varje diagnos mot ett eller
flera ADG.
ACG-systemet är framtaget av Johns Hopkins University i Baltimore och
är spritt över världen.
ACG flöde
Hanterade
tillstånd
Kontakt 1
Diagnoskodning
Sjukdomsgrupp
er
Diagnoskod A
ADG 10
Tidsperiod
Diagnoskod B
Kontakt 2
Diagnoskod C
ADG 21
Kontakt 3
Diagnoskod D
ADG 03
HoSpersonalens
bedömning
Klinisk
gruppering
ACG-resultat
som inkluderar
kliniska och
statistiska
ålder & kön
variabler
Data-analys
ACG i Västra Götalandsregionen
Primära användningsområdet i VGR är som komponent i
ersättningsmodellen för att hantera skillnader i vårdtyngd i den listade
befolkningen.
Västra Götalandsregionen införde ACG i samband med
vårdvalsinförandet i primärvården hösten 2009.
Västra Götaland använder sig av en tidsperiod om 15 månader och har
begränsat diagnoshämtningen till verksamheter som motsvarar
uppdraget som ligger inom vårdvalet.
Diagnosutveckling
Stabilisering av antalet registrerade diagnoser ger en ökad trygghet
för att använda de prediktiva modellerna.
9 000 000
8 000 000
7 000 000
6 000 000
5 000 000
4 000 000
3 000 000
2 000 000
1 000 000
Y1001
Y1003
Y1005
Y1007
Y1009
Y1011
Y1101
Y1103
Y1105
Y1107
Y1109
Y1111
Y1201
Y1203
Y1205
Y1207
Y1209
Y1211
Y1301
Y1303
Y1305
Y1307
Y1309
Y1311
Y1401
Y1403
Y1405
Y1407
Y1409
Y1411
Y1501
Y1503
0
diagnoser
AntalUnikaDiagnoserIndivid
ADG
Syfte och tänkt användning
Pröva intresset hos vårdgivarna att arbeta med patientlistor.
Utifrån befintliga, redan insamlade data, ta fram en lista per vårdcentral
med patienter med störst risk för högt sjukvårdsbehov kommande 12
månader.
Optimera vård och omhändertagande av patienterna för att möjligen
förebygga sjuklighet och minska resursbehov.
Underlag för att värdera arbetsfördelningen mellan läkare på
vårdcentralen baserat på patientens förväntade behov.
Metod
Det finns många möjligheter att plocka ut information ur ACGsystemet för att generera patientlistor. De två modeller vi valde att
använda var RUB och PHTC.
RUB (resource utilization band): RUB är en sexgradig skala som delar
in ACG-grupper efter resursåtgång.
• 0 - No or Only Invalid Diagnoses
• 1 - Healthy Users
• 2 - Low
• 3 - Moderate
• 4 - High
• 5 - Very High
Metod
PHTC – probability high total cost. PHTC beräknar sannolikheten för
att patienten ska tillhöra de 5 % mest resurskrävande under de
kommande 12 månaderna.
För att patienten ska ingå i urval krävs ett PHTC över 50% eller
RUB = 5.
Vår modell är en kombination av historiska data fram tills nu (RUB)
och en modell som på statistisk grund försöker förutsäga framtida
resursåtgång (PHTC).
Urval
Totalt i VGR finns cirka 200 vårdcentraler fördelade på cirka 50
vårdgivare. Ett erbjudande om att delta i försöket gick ut till Närhälsan
(offentlig utförare) samt till samverkansgruppen för privata vårdgivare i VGR.
8 vårdcentraler valdes ut att vara med. I urvalet togs hänsyn till storlek på
vårdcentralen, geografisk placering samt storlek på ”koncernen”
vårdcentralen tillhör.
Ambitionen var att förse varje vårdcentral med en lista på de 70 – 200
patienterna med störst risk för framtida sjukvårdsbehov enligt modellens
urval.
Praktiska begränsningar
Juridiken begränsar vår möjlighet till körningar på hela materialet.
Endast kontakter utförda hos den juridiska vårdgivaren får användas i
detta sammanhang.
Det innebär i praktiken separata körningar per vårdgivare exempelvis
Närhälsan, Kungsportsläkarna.
Första månaden blir arbetsinsatsen stor för vårdcentralerna men
därefter levererades också listor över nytillkomna och avgångna
patienter för att underlätta processen.
Resultat
Fyra av vårdcentralerna hade vid periodens slut inte arbetat med
listorna överhuvudtaget.
En liten enhet med god bemanning uppgav att de hade redan
identifierat och arbetade aktivt med alla patienter på listan. Listan var
därför utan värde för dem.
En liten enhet med vakanser. En del patienter bokades in på sköterskeeller läkarbesök på grund av att de identifierades på listan.
Verksamhetschefen bedömde att cirka 10-20 % av patienterna ej var
kända som högriskindivider.
Resultat
En stor enhet med hög socioekonomisk belastning. De har haft mycket
stor nytta av listan. Deras bedömning var att 50 % av de som var på
listan inte hade ett strukturerat omhändertagande. Med hjälp av
identifieringen genom listan fick en eller flera av dessa åtgärder;
utsedd patientansvarig läkare, hembesök, årskontroll, hemsjukvård,
telefonsamtal, psykologkontakt, kontakt med seniorhälsan.
Resultat
En mellanstor enhet där man mycket aktivt arbetat med listorna. Hade
redan igång arbete kring denna frågeställning och tyckte att listorna
var till god hjälp. Har också skickat listor tillbaks till oss med patienter
som läkarna själva ansåg var patienter som borde funnits med på
listan. De hittade ca 10% som de ej hade identifierat som
högriskindivider och försåg patienterna med ordinarie behandlande
läkare.
Av de patienter som vårdcentralen tyckte borde varit med på listan så
hittades de flesta via markören frailty som finns i ACG-systemet.
Nästa steg
Komplettera urvalet med uppgift om kontakt inom hemsjukvård,
specifika diagnoser, mångbesökare, frailty-markör.
Justera listan så att det framgår i vilken/vilka variabler patienten faller
ut i.
Införa ett automatisk framtagande av listor i vårdvalssystemet?