Dødsfald er ikke egnede til monitorering af kvalitet og patientsikkerhed i sygehusvæsenet

Der dør årligt ca. 28.500 patienter under og op til 30 dage efter indlæggelse på danske sygehuse. En del af disse dødsfald kan tilskrives problemer med kvaliteten af patientbehandlingen (health care ) og patientsikkerheden, dvs. at: 1) Der dør patienter, som ikke ville være døde, hvis kvaliteten af patientbehandlingen og patientsikkerheden var optimal, dvs. der forekommer et vist antal potentielt forebyggelige patientdødsfald, og 2) en kvalitetsforbedring vil kunne reducere dette antal og dermed også den samlede risiko for at dø i forbindelse med en indlæggelse.

Da et dødsfald er en ultimativ afslutning på et sygdomsforløb og er let at registrere, kan det være nærliggende at bruge dødsfald i konstruktionen af indikatorer til monitorering af kvalitetsudvikling eller mangel på samme, også fordi dødsfald og risiko for død altid har offentlighedens bevågenhed og har slagkraft i sundhedspolitiske sammenhænge [1].

Vi vil i denne artikel imidlertid argumentere for ekstrem forsigtighed med at bruge instrumenter (indikatorer) baseret på dødsfald til monitorering af kvalitet og patientsikkerhed i sygehusvæsenet.

Skønt dødsfald er udtryk for alvorlige problemer, er antallet af forebyggelige dødsfald ikke ret højt, dvs. at det er svært at spore ændringer, og især ændringer i den samlede dødelighed i sygehusvæsenet.

Begge de målemetoder, der p.t. anvendes, nemlig hospitalsstandardiseret mortalitetsratio (HSMR) og strukturerede gennemgange af journaler på afdøde patienter, giver af forskellige årsager ofte både skæve og upræcise resultater.

Det er indlysende uheldigt: Selv hvis kvaliteten og sikkerheden ændres betragteligt i sygehusvæsenet, vil det sandsynligvis ikke kunne ses i måleresultaterne. Eller omvendt: Der kan i måleresultaterne ses ændringer, som ikke afspejler virkeligheden.

HVOR MANGE HOSPITALSDØDSFALD ER FOREBYGGELIGE?

Det er besnærende enkelt, som vi gjorde ovenfor, at definere det forebyggelige antal dødsfald i sygehusvæsenet som differencen mellem det antal, der observeres, og det lavere antal, der kunne forekomme under ideale omstændigheder.

Tingene bliver imidlertid hurtigt komplicerede, hvis man i praksis vil forsøge at estimere antallet af forebyggelige dødsfald. Der er dels nogle uklarheder (eller inkonsistente variationer) med hensyn til, hvordan både systemet og den betragtede patientpopulation kan afgrænses i rum og tid [2], og dels nogle måletekniske problemer (se afsnittet om journalgennemgange nedenfor). Tingene er også kompliceret af, at mange dødsfald i sygehusvæsenet indtræffer som afslutning på længerevarende og ofte komplekse patientforløb, og især blandt ældre mennesker med alvorlige og/eller multiple sygdomme [3]. Og endelig kan resultater fra forskellige typer og varianter af undersøgelser sammenregnes og ekstrapoleres på forskellige måder.

Det kan derfor ikke undre, at man i litteraturen kan støde på endog meget forskellige estimater. En oversigt over resultaterne af danske undersøgelser fra perioden 2006-2008 viser f.eks. variationer på 6-20% af alle dødsfald [4], svarende til hvad man også kan se rapporteret fra tidligere udenlandske undersøgelser [2, 5].

I et nyere studium fra Nederlandene, baseret på retrospektive gennemgange af ca. 8.000 journaler (heraf 4.000 på afdøde patienter), blev procentdelen af forebyggelige dødsfald estimeret til at være 4,1 (95% konfidens-interval (KI) 3,5-4,8) af alle hospitalsdødsfald [5], og i et nyligt publiceret engelsk studium af 1.000 journaler fandt man 5,2 (95% KI 3,8-6,6) [6]. Der blev i begge studier inddraget forhold vedrørende patientsikkerheden og kvaliteten af patientbehandlingen i almindelighed.

Ekstrapoleret til danske forhold betyder det, at der i runde tal årligt indtræffer ca. 1.500 forebyggelige patientdødsfald op til 30 dage efter en indlæggelse (5% af i alt 30.000 dødsfald). Det er alt for mange, skønt betydeligt færre end de 5.000 dødsfald, der tidligere er skønnet at skyldes utilsigtede hændelser med fatale konsekvenser [7].

Spørgsmålet er nu: Hvis kvaliteten og sikkerheden forbedres i det danske sygehusvæsen i de kommende år, vil man så kunne måle et fald i patientdødeligheden?

Vi vil begynde med at se på brugen af en metode, der blev introduceret i Danmark i forbindelse med Operation Life-kampagnen i 2007-2008 [8].

HOSPITALSSTANDARDISET MORTALITETSRATIO

Vi har tidligere publiceret en statusartikel om HSMR [9].

Kort forklaret er HSMR en brøk (multipliceret med 100), hvor tælleren er det observerede antal dødsfald efter indlæggelse på et sygehus i en periode, og nævneren er det estimerede antal. I Danmark anvendes dødsfald inden for 30 dage efter en heldøgnsindlæggelse, men kun blandt patienter med en af de 80 indlæggelsesdiagnoser, som i 2008 var knyttet til 80% af alle dødsfald i hele landet. De estimerede antal dødsfald beregnes som summen af de indlagte patienters sandsynligheder for at dø, beregnet ved hjælp af en logistisk regressionsmodel. De prædiktive variable er indlæggelsesdiagnosen, patientens køn, alder og civilstand, tidligere og nuværende andre sygdomme (udtrykt i en såkaldt komorbiditetsscore), indlæggelsesmåden (akut eller planlagt), overflytningsstatus og kvartal. HSMR-værdier kan aggregeres for grupper af sygehuse, f.eks. i regioner og for et helt land.

Brugen af HSMR har altid været kontroversiel [10], men kritikken er tiltaget i de seneste år [9, 11, 12]. Kritikerne fremhæver især, at HSMR har et lavt signal-støj-forhold: Signalet, som skal være ændringer i antallet af forebyggelige dødsfald som funktion af ændringer i kvaliteten af patientbehandlingen eller -sikkerheden, er svagt. Og støjen, som bl.a. skyldes variationer i validiteten af de anvendte patientadministrative data og matematisk-statistiske modeller, er kraftig.

Vi illustrerede problemet ved at vise, hvordan værdierne af HSMR for alle danske sygehuse i perioden 2007-2011 og for sygehusene i hver af de fem regioner kan springe 5-15% fra kvartal til kvartal og hverken er synkrone eller korrelerede mellem regionerne, ud over at springene overvejende skyldes variationer i de estimerede antal dødsfald, dvs. nævneren i beregningen af HSMR, og ikke i de observerede antal dødsfald.

Hvis de ovenstående estimater af de potentielt forebyggelige dødsfald er blot nogenlunde valide (svarende til omkring 5% af alle dødsfald), kan HSMR ikke bruges til monitorering: Signalet drukner i støj.

Pointen kan endog skærpes. Der er både i det nederlandske [5] og i det engelske studium [6] medregnet dødsfald, hvor evidensen for potentiel forebyggelighed efter lægelige skøn var »afgjort« eller »stærk«, men også dødsfald, som blev skønnet at være probably preventable, more than 50-50, but close call. Da de sidstnævnte blev udeladt, faldt estimatet af forebyggelige dødsfald i det engelske studium fra 5,3% til 2,3% [6], dvs. at sikre ændringer kan være endnu sværere at måle.

Dertil kommer, at den skønnede restlevetid for patienter, der dør af potentielt forebyggelige årsager, ofte ikke er ret lang [2, 5, 6], dvs. at en forebyggelse af et dødsfald kan være en relativt kortvarig udsættelse, hvilket ikke kan ses i en HSMR.

Endelig er der det forstyrrende forhold, at dødeligheden i befolkningen er faldende i disse år. Det vil antageligt også ses blandt indlagte patienter og vil medføre faldende HSMR-værdier, fordi beregningen af de forventede antal dødsfald er låst til data fra 2008 og i stigende grad bliver overestimerende.

Vi vil nu se på den anden metode (eller gruppe af metoder), som ud over at være den, der bruges, når man forsøger at estimere hyppigheden af forebyggelige dødsfald, i princippet også kan bruges til monitorering af udvikling.

STRUKTUREREDE GENNEMGANGE AF JOURNALER PÅ AFDØDE PATIENTER

Der kan fås værdifuld indsigt i baggrunden, for at en patient dør under en indlæggelse på et sygehus, ved at gennemgå alt journalmateriale og lede efter tegn på svigt i patientbehandlingen (f.eks. dårlig overvågning og diagnostiske fejl) og forekomsten af skadevoldende utilsigtede hændelser, som kan have bidraget til dødsfaldet eller have fremskyndet det. Hvis sådanne journalgennemgange (gennemsyn, granskninger, review) foretages systematisk, f.eks. på et bestemt antal tilfældigt udtrukne journaler hver måned, og på en struktureret måde, kan resultaterne aggregeres og analyseres på afdelings- og sygehusniveau til identifikation af de almindeligste typer og mønstre af svigt, utilsigtede hændelser og skader samt de særligt problematiske faser og processer i patientforløbene.

Både processen og resultaterne kan være lærende og befordrende for iværksættelse af fokuserede og prioriterede tiltag til forbedring af kvaliteten og sikkerheden [4, 6, 13, 14], og gentagne undersøgelser kan i princippet også anvendes til monitorering af udviklingen.

Der findes forskellige protokoller og instrumenter til formålet, se f.eks. [5, 6, 14-16], men et fællestræk er, at journalgennemgangene foretages af sundhedsfagligt personale, som kan forstå og fortolke det faglige indhold i en ofte kompleks sammenhæng, og som bliver trænet i at udtrække informationer som strukturerede data.

Varianter vedrører f.eks. systematikken og principperne for udvælgelsen af journaler til gennemgang, herunder om der fokuseres på bestemte patient- eller diagnosegrupper, karakteren og omfanget af de skabeloner, der bruges til strukturering, hvad der betragtes som problems of care [6], samt hvordan data analyseres, herunder forsøges korrigeret for diverse usikkerheder etc. [2].

Til vurdering af forebyggelighed af hændelser, skader og dødsfald anvendes der typisk subjektive, semikvantitative sandsynligheder. For dødsfald kan vurderinger af forebyggeligheden eventuelt relateres til generelle vurderinger af kvaliteten af patientbehandlingen [6]. Der kan også inkluderes subjektive prognoser for, hvor længe og i hvilke tilstande afdøde patienter ville kunne have levet, hvis de ikke havde været udsat for problematiske forløb [2, 5, 6].

Et velkendt problem ved retrospektive journalgennemgange er bagklogskab (hindsight bias), især når man ved, at et forløb endte med, at patienten døde [17]. Man kan f.eks. være tilbøjelig til at fremhæve betydningen af hændelser, som reelt ikke har spillet nogen rolle, og kan i det hele taget have sine vurderinger indsnævret til spekulationer i simple årsagssammenhænge [18, 19].

Sammenholdt med, at data er baseret på implicitte og notorisk divergerende faglige vurderinger og skøn, og at der ofte er forskelle i både omfanget og kvaliteten af journalmaterialer, er det ikke overraskende, at resultaterne både kan være biased og upræcise, dvs. at retrospektive journalgennemgange som instrument til monitorering betragtet ikke har ret gode egenskaber [2, 20, 21].

Konklusionen må være, at også denne metode er uegnet til monitorering, og af samme grund som for HSMR: Signal-støj-forholdet er for lavt.

PERSPEKTIVER

Vi har argumenteret for, at hverken HSMR eller strukturerede gennemgange af journaler på afdøde patienter er velegnede instrumenter til monitorering af kvalitetsudvikling og patientsikkerhed i sygehusvæsenet, fordi signal-støj-forholdene er for lave.

Spørgsmålet er, om metoderne kan udvikles og modificeres og eventuelt kombineres og suppleres med andre metoder [20], så det måske alligevel kan lade sig gøre at få brugbare monitoreringsinstrumenterer baseret på registrerede dødsfald.

De data, der anvendes til beregning af HSMR-værdier, kan f.eks. bruges til beregning af diagnose- eller diagnosegruppespecifikke standardiserede mortalitetsratioer, dvs. fokuserede HSMR-værdier, og til udarbejdelse af såkaldte risk-adjusted cumulative sum charts (CUSUM-kort); se en kort beskrivelse af princippet i [11] eller [22].

Lokal anvendelse af CUSUM-kort, f.eks. i en sygehusenhed, kan gå fint i spænd med tilbagevendende strukturerede journalgennemgange, hvor man f.eks. kan fokusere på tidsperioder, hvor CUSUM-resultaterne tyder på mulige problemer (eller det modsatte), men det vides ikke, hvor velegnet kombinationen er til monitorering.

Vi vil også pege på mulighederne for at udvikle monitoreringsinstrumenter baseret på samkørsel og analysering af de enorme informationsmængder, der findes i diverse sundheds-it-systemer og tilknyttede kliniske kvalitetsdatabaser, dvs. ikke kun i patientadministrative systemer. Teknologien til at gøre det findes, både hvad angår computerkraft og avancerede programmer til data mining, herunder text mining af informationer i fritekster [23].

Men uanset hvad, der måtte tegne sig af muligheder, er det indlysende vigtigt, at de instrumenter, der implementeres til måling og monitorering af kvalitet, er af høj kvalitet [24].

src="/LF/images_ufl/ufl_bla.gif">
Lars Ulrik Gerdes, Center for Kvalitet, Region Syddanmark, P.V. Tuxensvej 5, 5500 Middelfart. E-mail: ulrik.gerdes@dadlnet.dk

ANTAGET: 24. september 2012

INTERESSEKONFLIKTER: ingen

1. Shekelle PG, Pronovost PJ, Wachter RM et al. Advancing the science of patient safety. Ann Intern Med 2011;154:693-6.
2. Hayward RA, Hofer TP. Estimating hospital deaths due to medical errors: preventability is in the eye of the reviewer. JAMA 2001;286:415-20.
3. Schiøler T, Lipczak H, Pedersen BL et al. Forekomsten af utilsigtede hændelser på sygehuse. Ugeskr Læger 2001;163:5370-8.
4. Mortalitetsanalyser - en metode til at identificere indsatsområder for patientsikkerhed. Hvidovre: Dansk Selskab for Patientsikkerhed, Operation Life, 2008.
5. Zegers M, de Bruijne M C, Wagner C et al. Adverse events and potentially preventable deaths in Dutch hospitals: results of a retrospective patient record review study. Qual Saf Health Care 2009;18:297-302.
6. Hogan H, Healey F, Neale G et al. Preventable deaths due to problems in care in English acute hospitals: a retrospective case record review study. BMJ Qual Saf 2012;21:737-45.
7. Schiøler T, Pedersen BL, Mogensen TS et al. Utilsigtede hændelser på sygehuse. Ugeskr Læger 2000;162:2719-22.
8. Christensen S, Jacobsen J, Bartels P et al. Beregning af standardiseret mortalitet efter hospitalsindlæggelse. Ugeskr Læger 2007;169:2767-72.
9. Gerdes LU, Poulstrup A. Hospitalsstandardiseret mortalitetsration kan ikke sikkert relateres til kvaliteten af patientbehandlingen. Ugeskr Læger 2012;174:1590-4.
10. Bottle A, Jarman B, Aylin P. Strengths and weaknesses of hospital standardised mortality ratios. BMJ 2011;342:c7116.
11. Penfold RB, Dean S, Flemons W et al. Do hospital standardized mortality ratios measure patient safety? HSMRs in the Winnipeg Regional Health Authority. Healthc Pap 2008;8:8-24, 69-75.
12. van Gestel YR, Lemmens VE, Lingsma HF et al. The hospital standardized mortality ratio fallacy: a narrative review. Med Care 2012;50:662-7.
13. Engel C, Rasmussen LL, Nielsen JB et al. Potentielt forebyggelige dødsfald på et mellemstort centralsygehus. Ugeskr Læger 2007;169:2630-3.
14. Lau H, Litman KC. Saving lives by studying deaths: using standardized mortality reviews to improve inpatient safety. Jt Comm J Qual Patient Saf 2011;37:400-8.
15. Parry G, Cline A, Goldmann D. Deciphering harm measurement. JAMA 2012;307:2155-6.
16. Higginson J, Walters R, Fulop N. Mortality and morbidity meetings: an untapped resource for improving the governance of patient safety? BMJ Qual Saf 2012;21:576-85.
17. Hayward RA, McMahon LF Jr., Bernard AM. Evaluating the care of general medicine inpatients: how good is implicit review? Ann Intern Med 1993;118:550-6.
18. Lundberg J, Rollenhagen C, Hollnagel E. What-you-look-for-is-what-you-find - the consequences of underlying accident models in eight accident investigation manuals. Saf Sci 2009;47:1297-311.
19. Hollnagel E, Poulstrup A. Sikkerhedstænkning og sikkerhedsstyring er patientsikkerhed i et nyt perspektiv. Ugeskr Læger 2012;174:XX-XX.
20. Brown C, Hofer T, Johal A et al. An epistemology of patient safety research: a framework for study design and interpretation. Part 3. End points and measurement. Qual Saf Health Care 2008;17:170-7.
21. Landrigan CP, Parry GJ, Bones CB et al. Temporal trends in rates of patient harm resulting from medical care. N Engl J Med 2010;363:2124-34.
22. Noyez L. Control charts, Cusum techniques and funnel plots. 2009;9:494-9.
23. Miner G, Elder J, Hill T et al. Practical text mining and statistical analysis for non-structured text data applications. Oxford: Elsevier Science, 2012.
24. Pronovost PJ, Lilford R. Analysis & commentary: a road map for improving the performance of performance measures. Health Aff (Millwood) 2011;30:569-73.