Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
So sánh dữ liệu bảo hiểm y tế và dữ liệu khảo sát sức khỏe để xác định tỷ lệ mắc bệnh mãn tính ở Bỉ
Tóm tắt
Dữ liệu hành chính về sức khỏe ngày càng được sử dụng nhiều hơn cho mục đích giám sát các bệnh mãn tính (BMC). Nghiên cứu cắt ngang này khám phá sự đồng thuận giữa dữ liệu bảo hiểm y tế bắt buộc của Bỉ (BCHI) và dữ liệu khảo sát sức khỏe Bỉ (BHIS) trong việc xác định BMC. Dữ liệu BHIS 2013 của các cá nhân đã được liên kết với dữ liệu BCHI sử dụng số đăng ký quốc gia duy nhất. Dân số nghiên cứu bao gồm tất cả người tham gia của BHIS 2013 từ 15 tuổi trở lên. Việc liên kết có thể thực hiện cho 93% người tham gia BHIS, dẫn đến một mẫu nghiên cứu gồm 8474 cá nhân. Đối với bảy BMC, tình trạng bệnh đã có sẵn thông qua thông tin tự báo cáo từ BHIS và các thuật toán dựa trên mã ATC của các loại thuốc đặc hiệu cho bệnh, được phát triển theo yêu cầu của Viện Quốc gia về Bảo hiểm Y tế và Tàn tật (NIHDI). Tỷ lệ mắc BMC từ cả hai nguồn dữ liệu đã được so sánh. Sự đồng thuận được đo lường bằng độ nhạy, độ đặc hiệu, giá trị dự đoán dương tính (PPV) và giá trị dự đoán âm tính (NPV), mặc định dữ liệu BHIS là tiêu chuẩn vàng. Thống kê Kappa cũng đã được tính toán. Các đặc điểm liên quan đến nhân khẩu học xã hội và tình trạng sức khỏe của người tham gia có liên quan đến sự đồng thuận đã được kiểm tra bằng hồi quy logistic cho từng BMC. Tỷ lệ mắc từ dữ liệu BCHI cao hơn đáng kể đối với các bệnh tim mạch (CVD) nhưng thấp hơn đáng kể đối với bệnh phổi tắc nghẽn mạn tính (COPD) và hen suyễn. Không tìm thấy sự khác biệt đáng kể giữa hai nguồn dữ liệu cho các BMC còn lại. Độ nhạy đạt 83% đối với CVD, 78% đối với tiểu đường và nằm trong khoảng từ 27 đến 67% cho các BMC khác. Độ đặc hiệu rất tốt cho tất cả các BMC (trên 98%) ngoại trừ CVD. PPV cao nhất được tìm thấy cho bệnh Parkinson (83%) và nằm trong khoảng từ 41 đến 75% cho các BMC còn lại. Không phụ thuộc vào các BMC, NPV rất tốt. Thống kê Kappa tốt cho tiểu đường, CVD, bệnh Parkinson và rối loạn tuyến giáp, vừa phải cho động kinh và công bằng cho COPD và hen suyễn. Sự đồng thuận giữa dữ liệu BHIS và BCHI bị ảnh hưởng bởi các đặc điểm nhân khẩu học xã hội và tình trạng sức khỏe của từng cá nhân, mặc dù những tác động này khác nhau theo từng BMC. Định nghĩa trường hợp BMC của NHIDI là một lựa chọn có thể chấp nhận để xác định các trường hợp tiểu đường, CVD, bệnh Parkinson và rối loạn tuyến giáp nhưng mang lại một số lượng bệnh nhân bị mắc bệnh hen suyễn và COPD bị đánh giá thấp đáng kể. Cần có thêm nghiên cứu để hoàn thiện các định nghĩa về BMC từ dữ liệu hành chính.
Từ khóa
#bệnh mãn tính #dữ liệu hành chính #bảo hiểm y tế #khảo sát sức khỏe #BỉTài liệu tham khảo
Chronic disease & Policy - European chronic disease alliance [Internet]. [cited 2020 Jun 4]. https://alliancechronicdiseases.org/chronic-disease-policy/ . Accessed 27 Aug 2020.
Smidth M, Sokolowski I. Developing an algorithm to identify people with Chronic Obstructive Pulmonary Disease (COPD) using administrative data. 2012;7:1–7.
Lix L, Shaw S, Burchill C, Metge C, Bond R. Population-based data sources for chronic disease surveillance. Chronic Dis Can. 2008;29:8.
CONSTANCES-Diab Group, Fuentes S, Cosson E, Mandereau-Bruno L, Fagot-Campagna A, Bernillon P, et al. Identifying diabetes cases in health administrative databases: a validation study based on a large French cohort. Int J Public Health. 2019;64:441–450.
Slobbe LCJ, Füssenich K, Wong A, Boshuizen HC, Nielen MMJ, Polder JJ, et al. Estimating disease prevalence from drug utilization data using the random Forest algorithm. Eur J Pub Health. 2019;29:615–21.
Vaes B, Ruelens C, Saikali S, Smets A, Henrard S, Renard F, et al. Estimating the prevalence of diabetes mellitus and thyroid disorders using medication data in Flanders,. Belgium. Eur J Public Health. 2018;28:193–8.
Gothe H, Rajsic S, Vukicevic D, Schoenfelder T, Jahn B, Geiger-Gritsch S, et al. Algorithms to identify COPD in health systems with and without access to ICD coding: a systematic review. BMC Health Serv Res. 2019;19:737.
Koller KR, Wilson AS, Asay ED, Metzger JS, Neal DE. Agreement between self-report and medical record prevalence of 16 chronic conditions in the Alaska EARTH study. J Prim Care Community Health. 2014;5:160–5.
Huber CA, Szucs TD, Rapold R, Reich O. Identifying patients with chronic conditions using pharmacy data in Switzerland: an updated mapping approach to the classification of medications. BMC Public Health. 2013;13:1030.
Orueta JF, Nuño-Solinis R, Mateos M, Vergara I, Grandes G, Esnaola S. Monitoring the prevalence of chronic conditions: which data should we use? BMC Health Serv Res. 2012;12:365.
van Walraven C. A comparison of methods to correct for misclassification bias from administrative database diagnostic codes. Int J Epidemiol. 2018;47:605–16.
Fosse-Edorh S, Rigou A, Morin S, Fezeu L, Mandereau-Bruno L, Fagot-Campagna A. Algorithmes basés Sur les données médico-administratives dans le champ des maladies endocriniennes, nutritionnelles et métaboliques, et en particulier du diabète. Rev Epidemiol Sante Publique. 2017;65:S168–73.
Chini F, Pezzotti P, Orzella L, Borgia P, Guasticchi G. Can we use the pharmacy data to estimate the prevalence of chronic conditions? A comparison of multiple data sources. BMC Public Health. 2011;11:688.
IMA Atlas [Internet]. http://atlas.aim-ima.be/base-de-donnees. Accessed 27 Aug 2020.
EPS R13 - FLAGS Release 20190201 FR.pdf. https://aim-ima.be/IMG/pdf/eps_r13_-_flags_release_20190201_fr_-_vs2.pdf. Accessed 27 Aug 2020.
Demarest S, Van der Heyden J, Charafeddine R, Drieskens S, Gisle L, Tafforeau J. Methodological basics and evolution of the Belgian health interview survey 1997–2008. Arch Public Health. 2013;71:24.
AIM-IMA [Internet]. https://aim-ima.be/Donnees-141. Accessed 27 Aug 2020.
World health Organization (last). WHO Collaborating Centre for Drug Statistics Methodology: ATC classification index with DDDs and Guidelines for ATC classification and DDD assignment [Internet]. Oslo, Norway:; 2006. https://www.whocc.no/atc_ddd_index_and_guidelines/guidelines/. Accessed 27 Aug 2020.
Oehlert GW. A note on the delta method. Am Stat. 1992;46(1):27-29.
Lix L, Yogendran M, Mann J. Defining and validating chronic diseases: an administrative data approach an update with ICD-10-CA [internet]. 2008 Available from: http://umanitoba.ca/faculties/health_sciences/medicine/units/chs/departmental_units/mchp/projects/media/ICD10_Final.pdf.
Landis JR, Koch GG. The measurement of observer agreement for categorical data. Biometrics. 1977;33:159.
Stock SAK, Redaelli M, Wendland G, Civello D, Lauterbach KW. Diabetes-prevalence and cost of illness in Germany: a study evaluating data from the statutory health insurance in Germany. Diabet Med. 2006;23:299–305.
de Lagasnerie G, Aguadé A-S, Denis P, Fagot-Campagna A, Gastaldi-Menager C. The economic burden of diabetes to French national health insurance: a new cost-of-illness method based on a combined medicalized and incremental approach. Eur J Health Econ. 2018;19:189–201.
Weidinger P, Nilsson JLG, Lindblad U. Medication prescribing for asthma and COPD: a register-based cross-sectional study in Swedish primary care. BMC Fam Pract. 2014;15:54.
on behalf of the “CRD Real-World Evidence” scientific board, Biffi A, Comoretto R, Arfè A, Scotti L, Merlino L, et al. Can healthcare utilization data reliably capture cases of chronic respiratory diseases? a cross-sectional investigation in Italy. BMC Pulm Med. 2017;17:20.
Corser W, Sikorskii A, Olomu A, Stommel M, Proden C, Holmes-Rovner M. Concordance between comorbidity data from patient self-report interviews and medical record documentation. BMC Health Serv Res. 2008;8:85.
Martin LM, Leff M, Calogne N, Garrett C, Nelson DE. Validation of self-reported chronic conditions and health services in a managed care population. Am J Prev Med. 2000;18:215–18.
Muggah E, Graves E, Bennett C, Manuel DG. Ascertainment of chronic diseases using population health data: a comparison of health administrative data and patient self-report. BMC Public Health. 2013;13:16.
Singh JA. Accuracy of Veterans Affairs databases for diagnoses of chronic diseases. Prev Chronic Dis. 2009;6(4).
Okura Y, Urban LH, Mahoney DW, Jacobsen SJ, Rodeheffer RJ. Agreement between self-report questionnaires and medical record data was substantial for diabetes, hypertension, myocardial infarction and stroke but not for heart failure. J Clin Epidemiol. 2004;57:1096–103.
Nooney JG, Kirkman MS, Bullard KM, White Z, Meadows K, Campione JR, et al. Identifying optimal survey-based algorithms to distinguish diabetes type among adults with diabetes. J Clin Transl Endocrinol. 2020;21:100231.
Van der Heyden J, De Bacquer D, Tafforeau J, Van Herck K. Reliability and validity of a global question on self-reported chronic morbidity. J Public Health. 2014;22:371–80.