Carlos Gallego Moll

ANTECEDENTS: Sistemes de salut basats en una forta atenció primària organitzada en base poblacional, milloren l’accés als serveis sanitaris, disminueixen el número d’ingressos hospitalaris evitables i per tant la despesa sanitària global, i milloren la salut de la població. L’any 2017, la Comissió Europea va identificar l’avaluació del rendiment dels sistemes d’atenció primària com una prioritat política. mesurar la qualitat dels serveis oferts és un requisit fonamental per a identificar àrees de millora. L’avaluació del rendiment d’un sistema és especialment necessària quan es produeixen canvis substancials en l’estructura o funcionament, com l’ocorregut amb la pandèmia de la COVID-19. A causa de la complexa naturalesa dels sistemes d’atenció primària, els indicadors utilitzats per avaluar el seu funcionament solen ser específics de cada context. Els Ambulatory Care Sensitive Conditions (ACSC) son un conjunt de diagnòstics potencialment evitables d’ingrés hospitalari o mort. Sovint és utilitzat com un indicador de mesura de l’efectivitat de l’atenció primària.
JUSTIFICACIÓ: L’avantatge d’analitzar agrupacions d’EAP en lloc de l’estudi d’aquests EAP a nivell individual és que permet una perspectiva més àmplia i generalitzable de les característiques estudiades.
L’ús d’algorismes d’intel·ligència artificial per predir el número d’ingressos hospitalaris per diagnòstic evitable (ACSC) pot ajudar a identificar els EAP amb problemes d’efectivitat, la qual cosa afavoriria una millora en la planificació de recursos sanitaris.
OBJECTIUS: 1) Caracteritzar grups similars d’EAP de Catalunya en funció dels resultats en salut, els recursos disponibles i les característiques poblacionals. 2) Predir el número d’ingressos hospitalaris per diagnòstics evitables (ACSC) dels diferents EAP. 3) Analitzar i comparar els resultats en salut dels equips d’atenció primària en relació als períodes de la COVID-19: pre-pandèmia, pandèmia i post- pandèmia.
PERÍODE D’ESTUDI: 2018 – 2022.
ENTORN I POBLACIÓ DE REFERÈNCIA: L’ICS és el principal proveïdor de serveis sanitaris de Catalunya. Gestiona 279 Equips d’Atenció Primària (EAP) adscrits a 5,8 milions de ciutadans.
POBLACIÓ D’ESTUDI: EAP dels centres del ICS de Catalunya.
OUTCOMES: Les variables d’interès son les relatives als resultats dels EAP: 1. Accessibilitat; 2. Longitudinalitat; 3. Abast (comprehensiveness); 4. Coordinació; 5. Orientació comunitària; 6. Orientació familiar; 7. Satisfacció; 8. Gestió de la demanda d’infermeria; 9. Benestar emocional; 10. Qualitat de prescripció farmacèutica; 11. Efectivitat: Número total d’ingressos hospitalaris per diagnòstic evitable; Mortalitat i mortalitat per ACSC.
VARIABLES: Referides a les característiques poblacionals : Edat, Sexe, Indicadors socioeconòmics, Número de visites als equips d’Atenció Primària per tipus de professional i EAP, Número total de malalties, Fragilitat (eFi, Efragicap, Nombre de medicaments (segons ATC) dispensats i data, Variables estils de vida, Nombre d’ingressos hospitalaris totals per cada EAP; Referides als recursos disponibles: Recursos humans disponibles de cada EAP per categoria professional i mes, Infraestructura de les EAP: Edificis i pisos, o en el seu defecte, variables que recullin informació sobre la fragmentació del personal de cada EAP, Població assignada.
FONTS D’INFORMACIÓ: El Sistema d’Informació per al desenvolupament de la Recerca en Atenció Primària (SIDIAP) disposa d’informació agregada a nivell mensual i per EAP de les característiques de la població, dels recursos disponibles dels EAP i dels seus resultats en salut.
ANÀLISI ESTADÍSTICA: 1) Per a la caracterització de grups similars d’EAP en funció dels resultats en salut, els recursos disponibles i les característiques poblacionals s’usaran tècniques de clústers. Els clústers resultants es compararan en funció de la distribució de les variables sociodemogràfiques, clíniques, socioeconòmiques, d’estil de vida, i, principalment, d’utilització d’assistència sanitària primària, utilitzant anàlisi de variància (ANOVA) i proves de ji-quadrat. 2) S’elaboraran un conjunt d’algorismes d’intel·ligència artificial per predir el número d’ingressos hospitalaris per diagnòstics evitables (ACSC) dels diferents EAP i per períodes de 1,3 i 6 mesos en períodes de 1,3 i 6 mesos. S’aplicaran les següents tècniques de regressió: Decision Tree (DT), Random Forest (RF), Gradient Boosting (GB), k-nearest neighbors (K-NN), Support Vector Machine (SVM), Artificial Neural Network (ANN) i Recurrent Neural Network (RNN). 3) Per a analitzar i comparar els resultats en salut dels equips d’atenció primària en els tres períodes de temps que comprenen la COVID-19, es realitzaran models ARIMA, suavitzat temporal i ANOVA.
APLICABILITAT I RELLEVÀNCIA: 1) L’agrupació d’EAP pot ajudar a la identificació de patrons de recursos dels EAP que poguessin resultar més efectius per a aconseguir satisfer les necessitats de la població. 2) L’avaluació d’algorismes que realitzin prediccions de resultats en salut permet identificar els EAP que puguin tenir problemes d’efectivitat, la qual cosa afavoreix una millora en la planificació de recursos sanitaris. 3) El tercer estudi podria ajudar a comprendre com la pandèmia ha afectat els resultats en salut durant el seguiment d’aquesta, i si aquests segueixen la mateixa tendència a mesura que es redueix la focalització de l’atenció de problemes relacionats amb la COVID-19 (període post-pandèmia). En global, el present projecte pot ajudar als responsables polítics i als gestors sanitaris a prendre decisions més informades sobre l’assignació de recursos, millorant així la qualitat d’assistència dels EAP i, en conseqüència, la salut de la població.

Analizar la evolución de la Multimorbilidad, sus patrones más relevantes y sus trayectorias en la población del SNS, en el periodo 2012-22, y analizar los factores que determinan la mejor evolución en resultados en salud.
Estudio cohorte retrospectivo base poblacional RWD Cohorte MM-SNS. Población = 60 años 7 Comunidades autónomas. N= 5.225725, Variable resultado principal: muerte, dependencia, institucionalización, hospitalización. Análisis de clúster, redes y trayectorias. Para modelar la evolución temporal de los patrones y las trayectorias de los individuos a través de estos patrones, se aplicará el Modelo de Markov Oculto. Estos análisis se complementarán con modelos de regresión logística y de Cox para analizar el efecto de los diferentes patrones de MM sobre variables resultado de interés. Se llevarán a cabo análisis interseccionales para analizar el efecto de las características sociodemográficas y de los ejes de desigualdad sobre los resultados en salud.

Aquesta esmena està justificada per tres motius:
1) En el protocol original, estava prevista una validació dels resultats de l’objectiu 2 del projecte “ Definir tres puntajes de riesgo, para institucionalización, ingresos hospitalarios y mortalidad basado en patrones de multimorbilidad y fragilidad amb una cohort “ amb dades de Suècia, això no ha estat possible (pàgina 12).
2) La falta d’homogeneïtat en les definicions de multimorbiditat, l’estudi longitudinal suec SNAC-K va donar com a resultat una llista de 60 grups de malalties cròniques que podia avaluar-se a partir de la informació de la història clínica electrònica, utilitzant codis ICD-10, ATC i mesures de laboratori i clíniques. Aquesta definició ja s’està utilitzant en una quantitat d’estudis considerables, fins i tot a nivell internacional.
La Observational Medical Outcomes Partenariat (OMOP) ha generat un Common Data Model (CDM) que estableix un estàndard per a codificar les bases de dades d’històries clíniques electròniques a nivell internacional, mitjançant mapatges de les bases de dades originals, codificades en els seus corresponents vocabularis font, a altres vocabularis acceptats per aquest CDM. Per exemple, SNOMED per a les condicions cròniques, RxNORM per als fàrmacs, LOINC per als resultats de laboratori, etc. La finalitat del desenvolupament d’aquest CDM és disposar de bases de dades a nivell internacional utilitzant aquest mateix estàndard, la qual cosa facilita la col·laboració internacional i l’elaboració d’estudis multinacionals de manera senzilla i ràpida. No obstant això, el procés de mapatge dels vocabularis originals de cada base de dades a aquest estàndard és una tasca àrdua i no immediata, en la qual es pot perdre informació si no es troben equivalents.
3) Per resoldre aquest problema, es va pensar en fer una validació amb una base de dades similar , el CPRD d’Anglaterra, per tenir accés a la BBDD és necessari treballar a a Anglaterra i per aquest motius es va demanar una ajut MAES2022: MV22/00026 que la PFIS del projecte , la Lucia Amalía Carrasco Ribelles va obtenir.
CPRD, actualment només treballa amb dades CDM OMOP i, per tant, la validació dels models només es pot fer amb la versió SIDIAP-OMOP és per aquest motiu que necessitem tornar a fer els models de predicció amb les dades CDM-OMOP i necessitem poder treballar en aquest servidor.

En aquest treball es vol validar el mapatge de la definició de multimorbiditat de SNAC-K al CDM de OMOP, per a així aconseguir que una definició de multimorbiditat que ja està sent utilitzada i ha estat validada internacionalment es pugui estendre també als estudis que utilitzin aquest CDM internacionalment. Aquest treball és necessari per a no generar més definicions de multimorbiditat, utilitzant codis diferents. La Validació suposarà una fita important en la definició de la multimorbilitat, especialment en el consens internacional d’aquest concepte.

Researching the co-existence of multiple chronic conditions in a single individual (multimorbidity) is challenging using conventional study designs. Confounding, bias and reverse causality are often complex and severe and may partly explain apparently paradoxical associations. People with type 2 diabetes and additional conditions, for example, tend to have lower HbA1c than those with diabetes alone, and we and others have shown that there is marked weight loss and declining blood pressure for a decade before diagnosis of dementia. Our vision is to address these challenges by combining genetic and conventional approaches and using large-scale data resources from the UK, Spain, US and Canada, including 3 multi-million patient GP data sources. We will identify clusters of disease, use novel causal inference methodology to identify shared biological determinants, and study in-depth a set of disease clusters. By understanding biological determinants of multimorbidity clustering and identifying which are associated with markedly altered clinical outcomes, we will help clarify which multi-morbidity combinations are of most clinical importance to understand.
We will define multimorbidity as the presence of 2 or more chronic conditions(1) but focus on those each occurring in >1% of men or women aged 40 plus and that are genetically correlated with other conditions. To address inequalities of multimorbidity we will study the excess burden in women and ethnic minorities. A multi-modal, data driven approach will be critical. Clustering that is consistent across genetic and observational data will be more reflective of shared determinants. Genetic approaches provide a test of lifelong exposure to risk factors and provide strong causal inferences. The widespread availability of genome wide information also means that we can study shared risk factors that are not measured in many studies (e.g. insulin resistance) and calculate disease clustering between, as well as within, databases(2).
To achieve our vision we have formed a new multi-disciplinary research team (supported by outstanding external advisors), including researchers with extensive experience in multimorbidity in three GP databases; physical and mental decline in the elderly; specialists in key diseases (diabetes, vascular, dementia, musculo-skeletal) and with expertise in genetics and causal inference.

OBJECTIVES

1. To identify disease clusters using a combined genetic and observational approach; and to test the hypotheses that: a) using multiple data sources and genetic correlations will provide more robust estimates of clustering than has been so far possible, and that b) patterns of clustering differ between the sexes and ethnic minorities.
2. To improve reproducibility of multimorbidity research, and working with other collaborative bids where relevant, to develop STATA and R packages to standardize the process of disease coding across GP databases, and to make these tools publicly accessible.
3. To develop and apply genetic and non-genetic «»instruments»» and causal inference methods to identify shared biological and non-biological determinants of disease clustering. These instruments will include clusters of genetic variants specific to potential shared disease processes and be randomized to disease incidence and adverse outcomes.
4. To identify a subset of emerging disease clusters for further, in depth study; to validate these clusters in additional datasets with different ascertainment criteria; and to test the hypothesis, using longitudinal data, that the timing sequences of the different disease components to the identified clusters differ from chance (life course).
5. To identify the cluster-associated outcomes of most impact, as informed by frequency, severity and our PPI advisors; to estimate the proportion of patients in each cluster who develop the most impactful outcomes and identify potential modifiable risk factors.
6. To identify the disease clusters that result in clinically meaningful differences in outcomes compared to patients with only one of the constituent diseases.