Terápiás hatások mérése betegforgalmi adatokon

Absztrakt:

Az elmúlt évek során előtérbe helyeződtek a világszerte felhalmozott egészségügyi adatokon végezhető obszervációs és retrospektív vizsgálatok. Ezzel párhuzamosan terjedtek el a longitudinális adatokra épülő, oksági kapcsolatokat feltáró statisztikai eljárások is, amelyek kiterjesztik a betegforgalmi adatok elemzési lehetőségeit a klinikai kísérletekhez hasonló kérdések kutatására. Az OEP részletes és stabil, időbeli változást tükröző betegforgalmi adatbázist kezel, ahol a beteg állapotának jellemzői, eseményei, költségei oksági kapcsolata a betegek kezelési stratégiáival párhuzamosan vizsgálható. Longitudinális, időben változó betegútadatok oksági elemzésére Robins (1999) módszere alkalmas, ami a betegút időben dinamikusan változó átsúlyozásával elkülöníti a terápiát a betegút eseményeitől és a beteg állapotának változásától a klinikai kísérletekhez hasonlóan. A módszer alkalmas klinikai vizsgálatok eredményeinek megerősítésére, az egyes ellátásbeli tényezőknek a betegutakra kifejtett hatásainak mérésére, különösen, ha a betegforgalmi adatokat további, a klinikai regiszterekben fellelhető fiziológiai, diagnosztikai, labor információkkal is kiegészítjük.

Abstract:

In recent years, observational and retrospective studies have become more conspicuous approaches worldwide in the healthcare research. Meanwhile the statistical methods of longitudinal data revealing causal relationship have been becoming widespread. By the application of these new methods, analyses similar to assessment of randomized clinical trials have become available. NHIFA has established a detailed and stabile patient turnover database, which reflects time dependent changes. We studied causal effects of the strategy of treatment, especially the frequency of retreatment of responder patients on features of status, events and costs of patients. Causal inference on longitudinal patient path data is possible using the methods of Robins (1999). It makes therapy history independent of the actual status of the patient via dynamical, time dependent reweighting of individual patient paths similarly to cohort data of randomized clinical trials. The method can be used to confirm the results of RCTs, furthermore for measuring the causal effects of certain factors of care on patient pathways, especially if patient turnover data are supplemented with physiologic, diagnostic and lab information found in clinical registers.