OVERCROWDING EMERGENCIES Causes et conséquences Mise en perspective M. Wargon Service des urgences Hôpital Avicenne 93 Bobigny DU Management des urgences.

Présentation au sujet: "OVERCROWDING EMERGENCIES Causes et conséquences Mise en perspective M. Wargon Service des urgences Hôpital Avicenne 93 Bobigny DU Management des urgences."— Transcription de la présentation:

1 OVERCROWDING EMERGENCIES Causes et conséquences Mise en perspective M. Wargon Service des urgences Hôpital Avicenne 93 Bobigny DU Management des urgences

2 Ou comment conceptualiser ce qu’on sait déjà …

3 3 Bobigny, France. 19 Novembre 2007

4 4 Bobigny, France. Novembre 2007 2 heures plus tard …

5 5 Contexte Entre 1990 et 1998 : augmentation de la fréquentation des urgences de 4,6% par an en France. Taux d’hospitalisation stable (21,5%) 1 Entre 1990 et 1998 : augmentation de la fréquentation des urgences de 4,6% par an en France. Taux d’hospitalisation stable (21,5%) 1 Entre 1990 et 1999 : +27% en Californie 2 Entre 1990 et 1999 : +27% en Californie 2 En 1996 : 3% à 5% en UK 3 En 1996 : 3% à 5% en UK 3 1.Baubeau. Etudes et resultats. 2000 2.Lambe et coll, 2002 3.Capewell, 1996

6 6 Overcrowding : Definition Pas de définition claire Pas de définition claire Situation dans laquelle la demande de services du département d’urgences excede la possibilité de fournir des soins dans un temps raisonnable (Can. Ass Em. Ph.) Situation dans laquelle la demande de services du département d’urgences excede la possibilité de fournir des soins dans un temps raisonnable (Can. Ass Em. Ph.) Délestage (ambulance diversion) Délestage (ambulance diversion)

7 7 Ospina MB, CJEM, 2007 Indicateurs

8 8 The input-Throughput-outpout conceptual model of ED crowding Emergency Care Unscheduled Urgent care Safety net Care Demand for ED care Ambulance Diversion Patient arrives at ED Triage Placement Diagnostic Evaluation ED treatment ED boarding of inpatients Patient disposition Ambulatory system Transfer Admission Lack of access to follow up Leaves Without Treatment complete Lack of available Staffed inpatient beds Asplin BR. Ann Emerg Med.2003

9 9 Overcrowding : des causes identiques quelque soit le système 1. Augmentation de la complexité et de la gravité des patients : âge, maladies chroniques, durée de survie allongée, polypathologies 2. Augmentation de volume 3. Accès aux soins de ville difficile 4. Manque de lits 5. « Contournement » de l’hospitalisation par « therapie intensive » aux urgences 6. Delais dans les examens complémentaires 7. Manque de personnel paramédical 8. Manque de personnel administratif

10 10 Causes 9. Manque de disponibilité des spécialistes 10. Manque de place dans les urgences par accroissement de l’activité et par manque de lits d’aval 11. Barrières linguistiques et culturelles 12. Diminution du personnel médical : ie internes 13. Augmentation de la documentation médicale et financière 14. Difficultés à arranger le suivi Derlet RW. Ann Emerg Med 2000 ED Sacramento, Ca

11 11 DREES 2003 « motif et trajectoire de recours aux urgences hospitalières » Souhait de bénéficier du support d’un plateau technique performant, Souhait de bénéficier du support d’un plateau technique performant, Proximité de l'établissement, Proximité de l'établissement, Gratuité apparente des soins offerts par l’hôpital, Gratuité apparente des soins offerts par l’hôpital, Méconnaissance des possibilités offertes par la médecine libérale, Méconnaissance des possibilités offertes par la médecine libérale, Besoin d'examen complémentaire ou avis spécialisé, Besoin d'examen complémentaire ou avis spécialisé, Rapidité, Rapidité, Perspective d'hospitalisation Perspective d'hospitalisation

12 12 Effet du temps de passage sur le nombre de patients présents Asplin BR. Acad Emerg Med. 2006

13 13 Moyenne des Visites à Avicenne

14 14 Moyennes mensuelles d’occupation quotidienne à Avicenne

15 15 Effet d’un pic d’activité sur l’efficacité des urgences Asplin BR. Acad Emerg Med. 2006

16 16 Copyright ©2003 BMJ Publishing Group Ltd. Proudlove, N C et al. Emerg Med J 2003;20:149-155 Impact des admissions sur l’attente aux urgences

17 17 Relations entre performance et taux d’occupation de l’hôpital Bagust A. BMJ. 1999

18 18 Évolution du nombre de lits d’hospitalisation en France Au 1er janvier 198719902005(r)2006 (p) Secteur public 374 002363 115294 802288 866 Secteur privé 199 633195 578155 912154 901 Ensemble573 635558 693450 714443 767 p : données provisoires. r : données révisées. Champ : France métropolitaine Source : Ministère de la Santé, de la Jeunesse et des Sports - Drees.

19 19 Impact des patients peu graves sur l’attente aux urgences 1 an d’étude (04/2002 à 03/2003) 1 an d’étude (04/2002 à 03/2003) 110 EDs, 4.1 Millions de patients 110 EDs, 4.1 Millions de patients Low complexity : 50,8% Low complexity : 50,8% Chaque 10 patients sur 8 h: augmentation de 5.4 mn de la durée de passage Chaque 10 patients sur 8 h: augmentation de 5.4 mn de la durée de passage Schull and coll : the effect of low complexity … Ann Em Med 2007

20 20 Métrologie : Index EDWIN –n i : nombre de patients présents dans le triage i –t i : catégorie de triage (1 à 5 : 5 le plus grave) –N a : Nombre de médecins présents –B T : Nombre de lits ou de box disponibles dans les urgences –B A :Nombre de patients en attente d’admission Resultats : 3 niveaux Resultats : 3 niveaux –0-1,31 : pas chargé –1,32-1,69 : moyen –1,70 et + : Chargé Ne tient pas compte des autres personnels Ne tient pas compte des autres personnels Bernstein. Acad Emerg Med. 2003

21 21 Métrologie : Index NEDOCS Pbed=Nombre total de patients (couloirs compris …) Pbed=Nombre total de patients (couloirs compris …) Bt=nombre de lits autorisés Bt=nombre de lits autorisés Padmit=nombre de patients admis Padmit=nombre de patients admis Bh=nombre de lits dans l’hôpital Bh=nombre de lits dans l’hôpital Wtime=Temps d’attente pour le dernier patient mis dans un lit Wtime=Temps d’attente pour le dernier patient mis dans un lit Atime=Temps d’attente le plus long depuis l’inscription pour les patients admis Atime=Temps d’attente le plus long depuis l’inscription pour les patients admis Rn=Nombre de respirateurs en fonction (2max). Rn=Nombre de respirateurs en fonction (2max). NEDOCS=(Pbed/Bt)×85.8+(Padmit/Bh)×600+Wtime×5.64+Atime×0.93+Rn×13.4−20 Weiss SJ. Acad Emerg Med. 2003

22 22 Métrologie : Taux d’occupation Taux d’occupation=100×Pbed/Bt Taux d’occupation=100×Pbed/Bt Pbed : Nombre total de patients (couloirs compris …) Pbed : Nombre total de patients (couloirs compris …) Bt : Nombre de places « officielles » Bt : Nombre de places « officielles »

23 23 Comparaison des différentes mesures Hoot NR. Ann Emerg Med.2007

24 24 Conséquences Association avec des temps plus longs avant fibrinolyse Association avec des temps plus longs avant fibrinolyse Association avec des délais plus long d’antibiothérapie dans les pneumopathies Association avec des délais plus long d’antibiothérapie dans les pneumopathies …

25 25 Durée de séjour des patients en détresse vitale nb patient sAnnéeTPG (heures) France MeAH 7 207120054h (CCMU4 et 5) Etats-Unis Nguyen et al 44 Varon et al 43 Fromm et al[i][i] Svenson et al[ii][ii] 81 50 17900 169 2000 1994 1992 1997 5,9 +/- 2,7 h 3 à 11h 4h40+/- 3h30 5h Royaume Uni Downing A, Wilson RC 43 2004>8h Nguyen HB. Acad Emerg Med. 2000 Varon J. Ann Emerg Med 1994 Fromm RE. Crit care Med 1993 Svenson J. Am J Emerg Med 1997 Downing AJournal of Public Health 2004

26 26 Conséquences 1. Risques de santé publique, mauvaises prises en charge 2. Douleur et souffrance prolongées 3. Attentes et mécontentement des patients 4. Delestage 5. Diminution de la productivité 6. Violence 7. Effet négatif sur les missions d’enseignement 8. Erreurs médicales par déficit de communication Derlet RW. Ann Emerg Med 2000

27 27 Quelles solutions ? Amélioration de la fluidité interne Amélioration de la fluidité interne –Mise en place d’objectifs –Process internes : Référents, Multidisciplinarité, Séniorisation (diminution des prescriptions) –Coordinateurs –Protocoles –Circuit court, MAO Convention avec prestataires Convention avec prestataires Visibilité des lits d’aval et disponibilités prévues Visibilité des lits d’aval et disponibilités prévues

28 28 EN AMONT Les maisons médicales de garde et les walk in centres (Us, GB, F) Les maisons médicales de garde et les walk in centres (Us, GB, F) –évaluation nationale des WIC menée en 2002 par le NHS : impact sur les services d’urgences nul, aucune différence notable dans les services d’urgences (pte diminution tmps d’attente ?) Régulation pré H (canada, GB) : Régulation pré H (canada, GB) : –Pas de preuve d’un impact sur les services d’urgence

29 29 Fast track Diminution du temps d’attente dans toutes les études Diminution du temps d’attente dans toutes les études Nécessitent du personnel Nécessitent du personnel Appel d’air ? Rôle des urgences Appel d’air ? Rôle des urgences Proposition MEAH ??? (mission nationale d’expertise et d’audit hospitaliers) Proposition MEAH ??? (mission nationale d’expertise et d’audit hospitaliers)

30 30 Tris Diminution du temps d’attente et du temps avant examen complémentaires (11,5 mn à 44,5 min) pendant 3 heures de triage médecin +IDE (Subash, 2004) Diminution du temps d’attente et du temps avant examen complémentaires (11,5 mn à 44,5 min) pendant 3 heures de triage médecin +IDE (Subash, 2004)

31 31 MEAH (Mission nationale d’expertise et d’audit hospitalier) Mise en place d’un circuit court Mise en place d’un circuit court Médecin à l’accueil ? Hors circuit court nécessite une même prise en charge du MAO et du médecin de box Médecin à l’accueil ? Hors circuit court nécessite une même prise en charge du MAO et du médecin de box Médecin polyvalent ? Juste à l’accueil Médecin polyvalent ? Juste à l’accueil Amélioration des circuits d’hospitalisation et d’examens complémentaires Amélioration des circuits d’hospitalisation et d’examens complémentaires MISE EN PLACE D’INDICATEURS MISE EN PLACE D’INDICATEURS

32 32 Impact des objectifs NHS Plan : D’ici 2004, personne ne devrait attendre plus de 4 heures aux urgences de l’entrée à l’admission, la sortie ou le transfert Locker TE. BMJ, 2005 Locker TE. EMJ, 2006

33 33 Conclusion Surcharge des urgences Surcharge des urgences –Pas de résolution rapide –Paiement à l’acte ? –Quelle est l’objectif d’un service d’urgence

34 FLUX ET MODELISATION de la théorie à l’application pratique M. WARGON Hôpital Avicenne, Bobigny

35 Pourquoi faire des stats ?

36 36 Pourquoi prédire l’activité ? Adapter l’offre de soins à la demande Adapter l’offre de soins à la demande –Personnels infirmiers –Médecins –Lits dans l’hôpital Prévoir les crises sanitaires (canicule, bronchiolite) Prévoir les crises sanitaires (canicule, bronchiolite) Détecter les épidémies, les attentats biologiques (syndromic surveillance) Détecter les épidémies, les attentats biologiques (syndromic surveillance)

37 37 Exigence pour recueillir l’information En temps réèl En temps réèl Informations complètes Informations complètes « accurate » « accurate » Facile à recueillir voire indolore Facile à recueillir voire indolore Facile à traiter Facile à traiter

38 38 Recueillir l’information URQUAL

39 39 Quelle information ? Quelles informations Quelles informations –Identifiant patient –Date, heure entrée –Date, heure sortie –Type de patient (médecine, traumatologie, psychiatrie) –Orientation finale : Admission Admission Transfert Transfert Sortie Sortie –Pathologies : CIM 10

40 40 Quels élements pour la prédiction ? Deterministes/ Predictibles Deterministes/ Predictibles Fiables Fiables Connus à long terme Connus à long terme

41 41 Les séries chronologiques Series d’observation échelonnées dans le temps Series d’observation échelonnées dans le temps Intervalles entre 2 mesures quelconques Intervalles entre 2 mesures quelconques Flux : mesurer la variation pendant une période Flux : mesurer la variation pendant une période Plus facile si intervalle de temps est constant Plus facile si intervalle de temps est constant

42 42 Comment est analysé ole flux à l’APHP : Le CERVEAU

43 43 A quoi ressemble un flux d’urgences BICHAT

44 44 A quoi ressemble un flux d’urgences AVICENNE

45 45 La moyenne mobile Analyse de series temporelles Analyse de series temporelles Calcul de la moyenne selon une fenêtre glissante de n valeurs Calcul de la moyenne selon une fenêtre glissante de n valeurs Lissage des valeurs Lissage des valeurs Détermination d’une tendance Détermination d’une tendance

46 46 Y a-t–il une tendance ?

47 47 Analyser les données visuellement.00 20.00 40.00 60.00 80.00 100.00 120.00 140.00 160.00 180.00 lundi mardi mercredi jeudi vendredi samedi dimanche lundi mardi mercredi jeudi vendredi samedi dimanche lundi mardi mercredi jeudi vendredi samedi dimanche lundi mardi mercredi jeudi vendredi samedi dimanche lundi mardi mercredi jeudi vendredi samedi dimanche lundi mardi mercredi jeudi vendredi samedi dimanche lundi BICHAT AVICENNE

48 48 Représentation graphique Images des études Images des études Vision synthétique Vision synthétique Tendance génerale Tendance génerale Perte d’information Perte d’information

49 49 La boite à moustache Positions des variables étudiées Positions des variables étudiées –Médiane –Du premier quartile au 3ème quartile –75 au 25ème percentile –Données aberrantes

50 50 Statistiques descriptives Fréquentation en fonction des jours

51 51 Effet du mois

52 52 Méthodes Modèle linéaire Modèle linéaire Séries chronologiques Séries chronologiques Modes fréquentiels Modes fréquentiels

53 53 Modèle linéaire Npats : nombre de patients Npats : nombre de patients  : constante  : constante X : vecteur des k variables prises en compte X : vecteur des k variables prises en compte  : poids de chacune d'elles correspondant à leur coefficient  : poids de chacune d'elles correspondant à leur coefficient e : composante aléatoire e : composante aléatoire

54 54 Modèle GLM (general linear model) un modèle de régression un modèle de régression analyse de la variance pour plusieurs variables dépendantes par un ou plusieurs facteurs ou variables. analyse de la variance pour plusieurs variables dépendantes par un ou plusieurs facteurs ou variables. Les variables actives divisent la population en groupes. Les variables actives divisent la population en groupes. permet de tester les hypothèses nulles à propos des effets des autres variables sur la moyenne de différents regroupements de la variable dépendante. permet de tester les hypothèses nulles à propos des effets des autres variables sur la moyenne de différents regroupements de la variable dépendante. Pour l'analyse de la régression, les variables indépendantes (explicatives) sont spécifiées comme covariables. Pour l'analyse de la régression, les variables indépendantes (explicatives) sont spécifiées comme covariables. Donne un R 2 ( Pourcentage de la variabilité expliquée) Donne un R 2 ( Pourcentage de la variabilité expliquée)

55 55 1. Original signal: mesured volume trainingset validationset forecastedset withthe model validation set model parameter values 2. estimation of the parameter values in the model 3. model evaluation evaluate differences trainingset validationset forecastedset withthe model validation set model parameter values 2. estimation of the parameter values in the model 3. model evaluation Raining set best fit evaluate differences Etapes de construction d’un modèle

56 56 Mesure de la performance du modèle e i = erreur de mesure e i = erreur de mesure

57 57 AuthorsYearStudy settingDataPeriod and methods for modelingResults Diehl 20 1981Walk-in clinic Single-center Visits per day (183 visits/day) Training set: 4 years. stepwise backward regression: calendar and meteorological data R 2 = 77.3% of the variability with meteorological data R 2 = 74.5% % of the variability without meteorological data Tandberg 19 1994ED visits Single-center Visits per hour (from 116 to 123 visits/day) Training set : 1 year Evaluation: 25 weeks moving average (1 to 12), moving average with or without seasonal indicators, ARIMA R 2 =42% moving average order 3 R 2 = 41% moving average with seasonal indicators R 2 = 37.9% with ARIMA Holleman 21 1996Walk-in clinic Single-center Visits per day (from 25 to 91 visits/day) Training set: 675 days. Evaluation: 323 days. Stepwise backward regression: calendar and meteorological data R 2 = 86% with calendar data R 2 = 87% with calendar and meteorological data No data on evaluation Rotstein 18 1997ED visits Single-center Visits per day (260 visits/day) Training set: 3 years Evaluation: 1 year Analysis of covariance: day of the week, month, non-workdays, trend RMSE, training set phase = 22.13 (10%) R 2 =65% of the variability RMSE, Evaluation phase = 22.00 R 2 =67% of the variability Milner 16 1997ED visits Multicenter, regional Visits per year (1,349,000 in the study region) Training set: 12 years (1974-1986) Evaluation: 2 years (1993-1994) ARIMA MAPE, evaluation phase: 14.4% Abdel-Aal 22 1998Walk-in clinic Single-center Visits per month (400 to 800/month) Training set: 9 years Evaluation: 2 years ARIMA MAPE, training set phase = 1.86 MAPE, evaluation phase = 4.23% Batal 14 2001Walk-in clinic Single-center Visits per day (89 to 107 visits/day) Training set: 27 months Evaluation: 3 months Stepwise linear regression with calendar and weather variables R 2 =75.2% and 72.7% of the variability, with and without weather variables, respectively. Reis 17 2003Pediatric ED visits Single-center Visits per day (137 visits/day) Training set: 8 years (2775 days) Validation: 2 years (730 days) ARIMA MAPE = 9.56% and 9.37% for the training set phase and the validation phase, respectively Champion 15 2007ED visits Single-center Visits per month (88.8 to 92 visits/day) Training set: 6 years Evaluation: 5 months Exponential smoothing ARIMA Exponential smoothing: RMSE = 3.3 (3.5%) patients per month (R 2 =71%) ARIMA: RMSE = 3.9 (4.2%) patients per month (R 2 =31%), MAPE: Mean Absolute Percentage Error; RMSE: Root Mean Square Error; ARIMA: Autoregressive Integrated Moving Average; ED: Emergency department Table 1: Summary of articles evaluating patient-volume forecasting in walk-in centers or emergency departments

58 Un exemple Prédiction de l’activité des urgences d’Avicenne pour l’année 2006 à partir de 2005-2006

59 59 Materiels Volume quotidien de patients aux ugences de 2004 à 2006 Volume quotidien de patients aux ugences de 2004 à 2006 Recueil automatique et informatisé en temps réel. Recueil automatique et informatisé en temps réel.

60 60 Méthodes Analyse GLM (SPSS 14.0) Analyse GLM (SPSS 14.0) Variable dépendante : Nombre de patients par jour Variable dépendante : Nombre de patients par jour Variables actives : Variables actives : –Jour de la semaine –Mois –Jour férié, lendemain de jours féries, pont –Vacances Covariable : numero d’ordre dans la série Covariable : numero d’ordre dans la série

61 61

62 62

63 63 Best Fit

64 64 Validation Set MAPE = 14,3%

65 65 Validation Set

66 66 SAMU 93 2007

67 67 Student-Newman-Keuls 10483.7885 10587.1524 10587.5238 10488.2788 10588.8000 10489.7308 10498.5096 1.000.3701.000 jour dimanche samedi jeudi mercredi vendredi mardi lundi Signification N123 Sous-ensemble consult Student-Newman-Keuls a,b,c 5391.3208 5293.5385 5194.5686 5295.1923 5295.7500 5296.3462 52107.0192.0591.000 jour dimanche jeudi vendredi samedi mardi mercredi lundi Signification N12 Sous-ensemble Analyse post-Hoc des jours 2004/2005 2006

68 68 Causes de variabilité non mesurée Les variations très irrégulières du flux entrant sont multi-factorielles. Les variations très irrégulières du flux entrant sont multi-factorielles. saisonnalité de ce flux en saisonnalité de ce flux en –termes quantitatifs : « winter crisis » et –Qualitatifs : les motifs de recours différents selon les saisons saisonnalité n’est pas la seule périodicité saisonnalité n’est pas la seule périodicité –périodicité hebdomadaire Autres variables temporelles : évènements locaux particuliers (foire, exposition) voire internationaux (événements sportifs). Autres variables temporelles : évènements locaux particuliers (foire, exposition) voire internationaux (événements sportifs). lien entre les conditions météorologiques, les taux de pollution et la fréquentation des urgences reste discutable. lien entre les conditions météorologiques, les taux de pollution et la fréquentation des urgences reste discutable.

69 69 Conclusion Avoir un modèle est indispensable à l’activité des urgences Avoir un modèle est indispensable à l’activité des urgences La construction du modèle est difficile La construction du modèle est difficile La pérennité du modèle n’est pas certaine La pérennité du modèle n’est pas certaine Avoir une confiance aveugle dans le modèle est source de mauvaise prise en charge des patients par carence de la prédiction Avoir une confiance aveugle dans le modèle est source de mauvaise prise en charge des patients par carence de la prédiction