Nya data från Stockholms läns landsting visar att en relativt liten del av befolkningen står för en stor del av vårdkonsumtionen och de totala sjukvårdskostnaderna [1]. Exempelvis kan 80 procent av sjukvårdskostnaderna tillskrivas vård av 10 procent av befolkningen. De 1 procent mest resurskrävande patienterna blir inlagda i genomsnitt 4 gånger akut per år, och deras inläggningar utgör därmed 25 procent av samtliga [1]. En betydande del av dessa är återinläggningar, som i stor utsträckning kan undvikas med riktade interventioner [2, 3]. Därför skulle ett system för att tidigt identifiera patienter med hög återinläggningsrisk kunna leda till både förbättrad vårdkvalitet och väsentligt sänkta kostnader.
Att med statistiska metoder uppskatta sannolikheten för ett specifikt utfall, givet vissa karakteristika, benämns prediktiv modellering [4]. För medicinska tillämpningar använder man oftast logistiska regressionsmodeller. Internationellt finns ett tämligen stort antal studier, där denna typ av modeller använts för att identifiera patienter med hög återinläggningsrisk [5-13]. Nyligen sammanställdes en rad prediktionsstudier i en välgjord systematisk översikt [13], vari det stod klart att förmågan att predicera återinläggningar varierar kraftigt.
Ett antal goda exempel på framgångsrika prediktionsmodeller finns dock, både sådana baserade på rent administrativa data [9-11] och på kombinationer av administrativa data och kliniska data [5-8]. Bortsett från mindre sammanställningar på enstaka kliniker saknas dock större studier baserade på svenska material [14, 15].
Syftet med denna studie var att använda prediktiv modellering för att identifiera faktorer som är associerade med förhöjd risk för oplanerade slutenvårdsinläggningar inom Stockholms läns landsting.

Metod
Vi baserade denna studie på samtliga registrerade vårdhändelser i landstingets gemensamma vårdregister mellan 2007 och 2010. Detta register innehåller data om samtliga inrapporterade vårdhändelser i länet inom såväl sluten- som öppenvård, med data om ålder, kön, socioekonomi, eventuella diagnoser, kirurgiska ingrepp och vårdtider. Endast avidentifierade data användes.
Som huvudpopulation använde vi samtliga patienter med minst en avslutad vårdhändelse i Stockholms läns landsting mellan 2007 och 2010. Vidare definierades tre subpopulationer:

• patienter med huvuddiagnos hjärtsvikt
• patienter med huvuddiagnos KOL
• patienter äldre än 65 år.

Oavslutade vårdhändelser och patienter under 18 år exkluderades från analysen. Eftersom många patienter har multi­pla vårdhändelser, tilläts varje patient förekomma i analysen flera gånger. Den statistiska analysen byggde på en logistisk re­gressionsmodell, där utfallet bestod i huruvida patienten haft en oplanerad återinläggning i slutenvården 90 dagar efter utskrivning. Separata modeller skapades för huvudpopulationen och för de tre subpopulationerna.
Samtliga variabler som bedömdes relevanta mot bakgrund av tidigare studier och som gick att extrahera från landstingets gemensamma vårdregister inkluderades i regressionsmodellen (Tabell I). Variabeln socioekonomisk status kategoriserades enligt landstingets eget klassificeringssystem, där patientens folkbokföringsadress vid indexvårdtillfället placerar henne eller honom i någon av de tre kategorierna hög, medelhög eller låg socioekonomisk status. Patienter med okänd socioekonomisk status inkluderades i analysen med en fjärde kategori, okänd socioekonomisk status.
Variablerna tidigare huvuddiagnos och nuvarande huvuddiagnos valdes på basis av tillgängliga data och tidigare studier [6, 7, 10, 12]. Antal tidigare oplanerade inläggningar och antal tidigare inläggningar definieras i modellen som antalet inläggningar under de 365 dagar som föregick indexobservationen. Dessa variabler tilläts därmed, i förekommande fall, variera för patienter med multipla vårdtillfällen.
För huvudanalysen genomförde vi också en reproducerbarhetsanalys där prediktionsmodellen utformades slumpmässigt med 50-procentigt urval av studiepopulationen och sedan testades på den återstående delen.
Resultatet av regressionsmodellen presenteras som oddskvoter med 95 procents konfidensintervall (KI), som skapades med maximum likelihood-skattning. För att utvärdera modellerna i sin helhet konstruerades s k ROC-kurvor (re­ceiver operating characteristics), som beskriver modellens förmåga att skilja de patienter som läggs in inom 90 dagar från de som inte gör det. Arean under ROC-kurvorna, med tillhörande 95 procents KI, konstruerades med Walds statistika.

Resultat
Samtliga patienter
Totalt inkluderades 139 007 patienter med 283 960 vårdinläggningar under studieperioden, där 55 747 (20 procent) var oplanerade återinläggningar. Totalt var 67 858 kvinnor (49 procent) och 71 149 män (51 procent). Snittålder vid indexvårdtillfället var 66 år för män och 67 år för kvinnor. Avseende socioekonomi fördelades 25 532 (18 procent) patienter till den lägre kategorin, 43 863 (32 procent) till medelkategorin och 61 348 (44 procent) till kategorin hög socioekonomisk status. Totalt 8 264 (6 procent) patienter kunde inte placeras i någon av de tre kategorierna.
Regressionsanalysen visade att den enskilt starkaste riskfaktorn för oplanerad återinläggning var att ha 5 eller flera oplanerade inläggningar under året före indexvårdtillfället (oddskvot 3,99; 95 procents KI 3,60–4,42). Vi såg även starka samband mellan risken för oplanerad inläggning och att ha haft 3–4 oplanerade inläggningar (oddskvot 2,14; 95 procents KI 1,96–2,33) eller 1–2 oplanerade inläggningar under samma tidsperiod. Risken för oplanerade återinläggningar ökade även med antalet planerade vårdtillfällen: 3–4 inläggningar det senaste året och 5 eller flera inläggningar det senaste året. Vi såg även ökad risk för inläggning om indexvårdtillfället var oplanerat (Tabell II).
Bland de inkluderade diagnoserna från tidigare vårdhändelser visade sig allvarlig leversjukdom, njursjukdom utan dia­lys och njursvikt utan närmare specifikation (UNS) samt hjärtsvikt alla vara starkt associerade med återinläggningsrisk. Vi såg även ökad risk för inläggning bland patienter med tidigare magsjukdom UNS, mindre allvarlig leversjukdom, cancer, alkoholism och diabetes med komplikationer.
Avseende huvuddiagnos vid indexvårdtillfället såg vi ett något annorlunda mönster. Diagnosen med högst oddskvot var alkoholism (oddskvot 1,48; 95 procents KI 1,38–1,60), följd av bl a diabetes med komplikationer och njursjukdom utan ­dialys. Bland övriga faktorer visade sig högre ålder vara associerad med ökad risk för oplanerade återinläggningar: ≥80 år och 70–79 år.
ROC-kurvorna i Figur 1 visade ett AUC-värde (area under kurvan) på 0,72 (95 procents KI 0,71–0,72) för modellen som helhet, vilket motsvarar förmågan att allokera en slumpmässigt utvald observation till rätt grupp (oplanerad återinläggning eller inte oplanerad återinläggning) i 72 procent av fallen. Bland patienterna med en uppskattad återinläggningsrisk på 50 procent eller högre blev över 54 procent återinlagda. Tabell III visar effekt av olika brytpunkter på huvud­modellens sensitivitet och specificitet. När modellen utformades på ett 50-procentigt slumpurval och sedan testades på den resterande delen av materialet uppnåddes samma diskriminativa förmåga (AUC = 0,71; 95 procents KI 0,70–0,72).

Hjärtsvikt
Vi identifierade totalt 12 240 patienter, varav 5 231 (43 procent) kvinnor, med hjärtsviktsdiagnos vid indexvårdtillfället. Tillsammans hade de 26 909 inläggningar, varav 8 353 (31 procent) var oplanerade återinläggningar. Snittålder vid indexvårdtillfället var 72 år för män och 76 år för kvinnor.
Den starkaste prediktorn för en oplanerad återinläggning bland hjärtsviktspatienterna var huruvida patienten någon gång varit diagnostiserad med mindre allvarlig leversjukdom (oddskvot 3,57; 95 procent KI 1,15–11,1). I likhet med i den totala studiepopulationen såg vi att antalet tidigare oplanerade inläggningar inom det föregående året starkt predicerade framtida oplanerade återinläggningar; patienter med 5 eller flera tidigare oplanerade inläggningar, 3–4 oplanerade inläggningar och 1–2 oplanerade inläggningar (Tabell IV).
I analysen av huvuddiagnoser vid vårdhändelsen såg vi ånyo att exempelvis KOL (kroniskt obstruktiv lungsjukdom), njursjukdom utan dialys och diabetes med komplikationer alla ökade sannolikheten för återinläggning. Regressionsmodellen för populationen patienter med hjärtsvikt hade en AUC på 0,66 (95 procents KI 0,65–0,67) (Figur 1).
Kroniskt obstruktiv lungsjukdom
De 12 137 patienter, varav 6 886 (57 procent) kvinnor, som hade huvuddiagnos KOL vid indexvårdtillfället hade totalt 25 391 vårdhändelser, varav 7 345 (29 procent) var oplanerade återinläggningar. Snittåldern vid indexvårdtillfället var 71 år för både män och kvinnor.
Den starkaste prediktorn för återinläggning var huruvida patienten tidigare fått huvuddiagnos demens (oddskvot 3,52; 95 procents KI 1,61–7,70). Vi såg även ökad risk för återinläggning bland patienter med perifer kärlsjukdom, njursjukdom utan dialys, hjärtsvikt, tidigare lunginflammation, magsjukdomar UNS, hjärtrytmrubbning UNS och alkoholism. Den dia­gnos vid vårdtillfället som bäst predicerade oplanerade återinläggningar var alkoholism (oddskvot 1,47; 95 procents KI 1,13–1,90) (Tabell IV).
Återigen såg vi att risken för återinläggning ökade med antalet tidigare oplanerade inläggningar; patienter med 5 eller flera oplanerade inläggningar inom 1 år eller 3–4 oplanerade inläggningar inom 1 år hade förhöjd risk att bli oplanerat återinlagda. ROC-kurvorna visade att modellen i sin helhet har en AUC på 0,71 (95 procents KI 0,70–0,71) (Figur 1).

Patienter äldre än 65 år
Patienter äldre än 65 år vid vårdhändelsen var den största subpopulationen med 158 336 vårdhändelser, varav 33 058 (21 procent) var oplanerade återinläggningar. Gruppen utgjordes av 73 958 patienter, varav 38 821 (52 procent) var kvinnor. Snittåldern vid indexvårdtillfället var 74 år för män och 76 år för kvinnor. Avseende socioekonomi hade 12 603 (17 procent) låg, 23 547 (32 procent) medelhög och 34 395 (47 procent) hög socioekonomisk status.
Bland patienter över 65 år var den starkaste prediktorn 5 eller flera, 3–4 respektive 1–2 oplanerade inläggningar under det föregående året. Ingen tydlig effekt sågs för antalet tidigare planerade inläggningar (Tabell IV).
Bland tidigare diagnoser såg vi starka effekter, bl a av allvarlig leversjukdom (oddskvot 2,23; 95 procents KI 1,36–3,67), njursjukdom utan dialys (oddskvot 1,73; 95 procents KI 1,53–1,96), hjärtsvikt (oddskvot 1,59; KI 1,47–1,71) och alkoholism (oddskvot 1,44; 95 procents KI 1,23–1,68). Bland huvuddia­gnoserna från indexvårdtillfället var bl a diabetes med komplikationer, alkoholism och KOL associerade med ökad risk för återinläggning. I likhet med patienter diagnostiserade med KOL såg vi att patienter med oplanerade vårdtillfällen hade ökad risk för en oplanerad återinläggning inom 90 dagar. ROC-kurvorna visade att modellen i sin helhet har en AUC på 0,68 (95 procents KI 0,68–0,69) (Figur 1).

Diskussion
I denna första större studie med syfte att predicera patienters risk för återinläggning i ett svenskt material har vi demonstrerat att det är möjligt att med relativt hög träffsäkerhet identifiera patienter med hög risk för återinläggning. I gruppen med en predicerad inläggningsrisk på 50 procent eller ­högre blev drygt 50 procent också återinlagda inom 90 dygn, vilket motsvarar en specificitet på över 97 procent, om än med en mycket begränsad sensitivitet (13 procent). I den övergripande prediktionsmodellen såg vi en tämligen god diskriminativ förmåga med en AUC på 72 procent. Liksom i tidigare studier är tidigare vårdkonsumtionsmönster – en indikator för hur sjuk en patient är – starkt associerat med återinläggningsrisk. I de tre subpopulationerna (hjärtsviktspatienter, KOL-patienter och äldre) såg vi liknade resultat som för huvudmodellen.

Återinläggningsrisken underskattad bland de allra sjukaste
Bland studiens styrkor finns dels det stora antalet inkluderade patienter, dels det faktum att studien helt baserades på register som rutinmässigt används i vården. Detta garanterar såväl nästintill komplett uppföljning som att studien blir helt populationsbaserad.
Den huvudsakliga svagheten är att studien uteslutande baserades på elektroniskt tillgängliga, tämligen basala variabler. Därmed blev sannolikt flera av dia­gnoskategorierna lidande av sjukvårdens ofta inkompletta dia­gnoskodning, vilket kan ha lett till såväl underskattade oddskvoter för vissa dia­gnosvariabler – vilket i sin tur lett till sämre prediktiv förmåga – som ett skevt urval till subpopulationerna. Vi saknade därtill exempelvis information om patienternas sjukdomsstadium liksom mortalitetsdata. I båda fallen kan man föreställa sig att de patienter som är sjukast vid utskrivning har den högs­ta risken, på gruppnivå, för både död och återinläggning. Sammantaget leder dessa båda faktorer till att vi med all sannolikhet underskattat återinläggningsrisken bland de allra sjukaste.
Ett snarlikt problem uppstår också då vi saknade data om patienternas boendeform efter utskrivning, där man med visst fog kan förvänta sig att de patienter som skrivs ut till särskilt boende – vilket förmodligen oftast gäller just de sjukaste patienterna – i någon mån skyddas från återinläggningar.
Dessa svagheter till trots uppnådde vi en genomgående medelgod till god diskriminativ förmåga i samtliga modeller.
Analyserna baserades på 90-dagars återinläggningsrisk. Även om man med visst fog kan hävda att en inläggning så sent som 3 månader efter indexvårdtillfället kanske inte borde klassas som en återinläggning, kan man inte heller utesluta att även ett så sent vårdtillfälle kan vara en direkt följd av indexvårdtillfället.
Vi valde därför en relativt lång tidsperiod som en kompromiss mellan att å ena sidan renodla inläggningar som var tillräckligt nära inpå indexvårdtillfället för att vara just återinläggningar och å andra sidan vilja tillåta även senare återinläggningar. Det bör dock poängteras att merparten av alla återinläggningar skedde tidigt efter utskrivning, vilket gör att de senare återinläggningarna inte påverkar resultaten lika mycket som de tidigare, som sannolikt är mer relevanta.

KOL och hjärtsvikt bland de starkaste riskfaktorerna
Bland de parametrar som visade sig starkast kopplade till sannolikheten för återinläggning fanns tidigare vårdkonsumtionsmönster och vissa enskilda diagnoser. Resultaten skiljer sig därmed tämligen lite från tidigare studier [12, 13]. Betraktar vi samtliga patienter i datamaterialet, finns ett flertal studier med liknande patientdata som analyserats med liknande modeller och som påvisat likartad statistisk styrka [13]. Som ett exempel fann Bottle et al att de faktorer som var associerade med ökad sannolikhet för akut inläggning inom 1 år efter utskrivning var bl a tidigare akuta inläggningar, tidigare vårdtid och socioekonomisk status [10].
I likhet med tidigare studieöversikter [12, 13] var KOL eller hjärtsvikt bland de starkaste riskfaktorerna för återinläggning bland samtliga patienter i Stockholms läns landsting. Även analysen av subpopulationerna visar att våra resultat är i linje med internationella resultat. Smith et al studerade KOL- och hjärtsviktspatienter och identifierade antalet tidigare oplanerade inläggningar och njurfunktion som de starkaste prediktorerna för oplanerade återinläggningar för dessa grupper [7].
Även för våra patienter med dessa två huvuddiagnoser var ovanstående faktorer alla starkt associerade med ökad risk för oplanerade återinläggningar. Särskilt i vår subanalys av äldre patienter identifierades huvuddiagnoserna KOL och hjärtsvikt som två starka prediktorer, tillsammans med tidigare vårdkonsumtion.
Liknande studier har visserligen genomförts tidigare i Sverige, men dessa har huvudsakligen haft en något annorlunda ansats, gjorts i en mer begränsad patientpopulation och dessutom fokuserat på återinläggningar inom 14 dagar [14, 15]. Det faktum att vi, åtminstone delvis, ser att andra diagnosgrupper ökar risken för återinläggning bör därmed inte övertolkas [15].

Kopplingen är tydlig
Sammanfattningsvis ser vi en tydlig koppling mellan flera dia­gnosgrupper, tidigare vårdkonsumtion och risken för oplanerad återinläggning i både huvudpopulationen och subpopulationerna.
Studiens huvudfynd är att det är möjligt att – i ett tidigt skede med basal och enkelt tillgänglig information – identifiera patientgrupper med förhöjd risk för oplanerade återinläggningar. Att tidigt identifiera dessa patientgrupper är essentiellt för att kunna rikta särskilda vårdinsatser mot dem i syfte att öka patientnyttan genom att minska vårdkonsumtionen, något som också bidrar till att sänka de totala vårdkostnaderna.
*
Potentiella bindningar eller jävsförhållanden: Gustaf Edgren har mottagit konsultarvode från Health Navigator AB för rådgivning rörande studiedesign och statistiska analyser. Studien har gjorts i samarbete mellan Health Navigator AB och hälso- och sjukvårds-förvaltningen, Stockholms läns landsting. Gustaf Edgren har haft
tillgång till samtliga data och styrt såväl studiens utformning och dataanalys som sammanställning och presentation av resultaten.
*
Studien är finansierad av hälso- och sjukvårdsförvaltningen, Stockholms läns landsting.
*
Studien godkändes av regionala etikprövningsnämnden i Stockholm (diarienummer 2010/976-31/4).


Fig 1a.



Fig 1b.



Fig 1c.



Fig 1d. Kurvor som beskriver modellernas diskriminativa förmåga (AUC?=?area under kurvan; KI?=?konfidensintervall).



Om tabellen är svårläst, se artikeln i bifogad pdf!





Om tabellen är svårläst, se artikeln i bifogad pdf!