Variations géographiques des taux d’hospitalisations potentiellement évitables en France. G Mercier, V Georgescu, J Bousquet DIM, CHU de Montpellier UMR.

Présentation au sujet: "Variations géographiques des taux d’hospitalisations potentiellement évitables en France. G Mercier, V Georgescu, J Bousquet DIM, CHU de Montpellier UMR."— Transcription de la présentation:

1 Variations géographiques des taux d’hospitalisations potentiellement évitables en France. G Mercier, V Georgescu, J Bousquet DIM, CHU de Montpellier UMR LAMETA

2 Mercier G, Georgescu V, Bousquet J. Geographic Variation In Potentially Avoidable Hospitalizations In France. Health Affairs (accepté le 18 mars 2015) EMOIS 2015 - G Mercier2

3 Introduction (1) Hospitalisation Potentiellement Evitable (HPE) = séjour pour « motif sensible aux soins primaires » Exemples : décompensations (insuffisance cardiaque, asthme, diabète), infections (pneumopathies, cellulite, pyélonéphrite), complications (ulcère gastrique). Intérêt : Evaluation et pilotage des soins primaires ; Comparaisons internationales Identification des HPE : Bases de données médico-administratives hospitalières 3EMOIS 2015 - G Mercier

4 Introduction (2) Déterminants des HPE : – Épidémiologiques – Socio-économiques – Soins primaires : offre, accès, coordination, qualité Littérature en France : – Gusmano et al. (Health Affairs 2006) : comparaison Manhattan - Paris – Gusmano et al. (Health Policy 2014) : disparités d’accès aux soins dans trois régions françaises – Bourret et al. (BMC Health Services Research 2015) : comparaison d’algorithmes de définition des HPE 4EMOIS 2015 - G Mercier

5 Objectif Décrire les variations géographiques du taux d’HPE en France en 2012 et analyser leurs déterminants. 5EMOIS 2015 - G Mercier

6 Méthodes (1) Données : Base PMSI MCO, France métropolitaine (2012) Population légale INSEE (2011) Déterminants : base EcoSanté, INSEE Définition des HPE : Algorithme de Weissman et al. adapté à la CIM-10 (Weissman 1992 et Gusmano 2006) Analyse statistique : Modèle mixte multi-niveaux (département et code géographique PMSI) 6EMOIS 2015 - G Mercier

7 Méthodes (2) Algorithme de Weissman : – 12 catégories cliniques – Définies par 1 à 21 codes CIM-10 (DP/DR) – Par « consensus d’experts » – Exemple : Asthme (J45.0, J45.1, J45.8, J45.9) Pneumopathie, insuffisance cardiaque congestive, asthme, cellulite, ulcère gastrique compliqué, pyélonéphrite, diabète de type 2 compliqué, appendicite aigue compliquée, hypertension, hypokaliémie, certaines maladies infectieuses, gangrène. 7EMOIS 2015 - G Mercier

8 Méthodes (3) Déterminants : – Niveau commune PMSI (n=5590) : Revenu fiscal annuel médian (/10 000€) Proportion de la population de 15 ans ou plus non scolarisée ayant au moins le baccalauréat Nombre de médecins généralistes, spécialistes et infirmiers pour 1000 habitants – Niveau département (n=92) : Taux d’équipements en lits MCO pour 1000 habitants Bénéficiaires de la CMU-C pour 100 habitants Taux de mortalité pour 1000 habitants 8EMOIS 2015 - G Mercier

9 Résultats (1) 742 474 HPE ; 11,4 HPE /1000/an (Etendue : 0,1 ; 44) 9EMOIS 2015 - G Mercier

10 Résultats (2) : descriptif EMOIS 2015 - G Mercier10 nMoy.ETMinMédianeMax Taux HPE standardisé pour 1000 hab.559011,43,10,111,144,4 Revenu annuel médian (€)559018490373354791786544855 Niveau d’étude ≥ BAC (%)559036,99,515,735,482,8 Nombre lits MCO pour 1000 hab.923,30,71,73,47,5 Nombre généralistes pour 1000 hab.55900,90,500,858,84 Nombre spécialistes pour 1000 hab.55900,240,540011,1 Nombre infirmiers pour 1000 hab.55901,260,8801,067,30 Mortalité pour 1000 hab.929,41,95,59,315,8 % Bénéficiaires de la CMU-C925,82,042,65,311,7 Variables disponibles niveau commune en rouge, niveau département en bleu.

11 Résultats (3) : effets fixes 11EMOIS 2015 - G Mercier EstimateSEp Intercept11.290.13<.001 Mortalité (SMR)7,391,280.001 Nombre lits MCO pour 1000 hab.-0.50.150.001 Nombre généralistes pour 1000 hab.-0,0410,75NS Nombre spécialistes pour 1000 hab.0,570.75NS Nombre infirmiers pour 1000 hab.-1.030.28<.001 Revenu annuel médian (€/10 000)-0.580.270.01 Niveau d’étude ≥ BAC (proportion)-8.300.95<.001

12 Résultats (4) : effets aléatoires 12EMOIS 2015 - G Mercier EstimateSEp Variabilité intercepts 1.390.23<.0001 Covariance entre intercept et pente (revenu) -1.110.360.0021 Variabilité pentes (revenu) 2.580.970.0039 Variabilité pentes (BAC) 22.9811.230.0203 Residual 6.780.13<.0001

13 Discussion Les HPE sont plus fréquentes dans les zones où : – Le SMR est élevé. – Les revenus et le niveau éducatif sont bas. – Le nombre de lits MCO est bas. – Le nombre d’infirmiers en ville est bas. Implications : – Les variations géographiques du taux d’HPE sont-elles un outil pertinent d’analyse des soins primaires? – La densité d’infirmiers est-elle un bon reflet de l’accès aux soins primaires ? 13EMOIS 2015 - G Mercier

14 Discussion Limites : – U ilisation des soins primaires estimée par la densité d’offre – Pas de données sur la coordination des soins primaires – Ecological fallacy – Hypothèse d’indépendance des zones géographiques Perspectives : – Analyse régionale fine (consommations réelle de soins ambulatoire, MSP, SSIAD) – Prise en compte explicite de l’auto-corrélation spatiale 14EMOIS 2015 - G Mercier

15 Merci de votre attention g-mercier@chu-montpellier.fr 15EMOIS 2015 - G Mercier

16 Liste d’actes : 33172-00, 35304-00, 35305-00, 35310-02, 35310-00, 38281-11, 38281-07, 38278-01, 38278-00, 38281- 02, 38281-01, 38281-00, 38256-00, 38278-03, 38284-00, 38284-02, 38521-09, 38270-01, 38456-19, 38456-15, 38456- 12, 38456-11, 38456-10, 38456-07, 38456-01, 38470-00, 38475-00, 38480-02, 38480-01, 38480-00, 38488-06, 38488- 04, 38489-04, 38488-02, 38489-03, 38487-00, 38489-02, 38488-00, 38489-00, 38490-00, 38493-00, 38497-04, 38497- 03, 38497-02, 38497-01, 38497-00, 38500-00, 38503-00, 38505-00, 38521-04, 38606-00, 38612-00, 38615-00, 38653- 00, 38700-02, 38700-00, 38739-00, 38742-02, 38742-00, 38745-00, 38751-02, 38751-00, 38757-02, 38757-01, 38757- 00, 90204-00, 90205-00, 90219-00, 90224-00. [Australian Classification of Healthcare Interventions] 16EMOIS 2015 - G Mercier