Comparación de modelos predictivos para la selección de pacientes de alta complejidad

Abstract

Resumen: Objetivo: Comparar la concordancia de los pesos de complejidad entre los estratificadores Clinical Risk Groups (CRG) y los grupos de morbilidad ajustada (GMA), determinar cuál de ellos es el mejor predictor de ingreso hospitalario y optimizar el método para seleccionar el 0,5% de pacientes de más alta complejidad que se incluirán en un protocolo de intervención. Método: Estudio analítico transversal en 18 zonas de salud de Canarias, con una población a estudio de 385.049 personas, usando variables sociodemográficas procedentes de la tarjeta sanitaria, los diagnósticos y el uso de los recursos asistenciales obtenidos de la historia electrónica de salud de atención primaria (HSAP) y del conjunto mínimo básico de datos hospitalario, el estado funcional registrado en la HSAP y los fármacos prescritos en el sistema de receta electrónica. A partir de esos datos se estimó la concordancia entre estratificadores, se evaluó la capacidad de cada estratificador para predecir ingresos y se construyeron modelos para optimizar la predicción. Resultados: La concordancia entre los pesos de complejidad de los estratificadores fue fuerte (rho = 0,735) y la concordancia entre categorías de complejidad fue moderada (Kappa ponderado = 0,515). El peso de complejidad GMA predice el ingreso hospitalario mejor que el del CRG (área bajo la curva [AUC]: 0,696 [0,695-0,697] vs. 0,692 [0,691-0,693]). Se añadieron otras variables predictivas al peso GMA, obteniendo la mejor AUC (0,708 [0,707-0,708]) el modelo compuesto por GMA, sexo, edad, escalas de Pfeiffer y Barthel, existencia de reingreso y número de grupos terapéuticos prescritos. Conclusiones: Se constató una fuerte concordancia entre estratificadores y una mayor capacidad predictiva de los ingresos por parte de los GMA, que puede aumentarse añadiendo otras dimensiones. Abstract: Objective: To compare the concordance of complexity weights between Clinical Risk Groups (CRG) and Adjusted Morbidity Groups (AMG). To determine which one is the best predictor of patient admission. To optimise the method used to select the 0.5% of patients of higher complexity that will be included in an intervention protocol. Method: Cross-sectional analytical study in 18 Canary Island health areas, 385,049 citizens were enrolled, using sociodemographic variables from health cards; diagnoses and use of healthcare resources obtained from primary health care electronic records (PCHR) and the basic minimum set of hospital data; the functional status recorded in the PCHR, and the drugs prescribed through the electronic prescription system. The correlation between stratifiers was estimated from these data. The ability of each stratifier to predict patient admissions was evaluated and prediction optimisation models were constructed. Results: Concordance between weights complexity stratifiers was strong (rho = 0.735) and the correlation between categories of complexity was moderate (weighted kappa = 0.515). AMG complexity weight predicts better patient admission than CRG (AUC: 0.696 [0.695-0.697] versus 0.692 [0.691-0.693]). Other predictive variables were added to the AMG weight, obtaining the best AUC (0.708 [0.707-0.708]) the model composed by AMG, sex, age, Pfeiffer and Barthel scales, re-admissions and number of prescribed therapeutic groups. Conclusions: strong concordance was found between stratifiers, and higher predictive capacity for admission from AMG, which can be increased by adding other dimensions. Palabras clave: Ajuste de riesgo, Enfermedad crónica, Recursos en salud, Hospitalización, Keywords: Risk adjustment, Chronic disease, Health resources, Patient admission