< naar blogoverzicht

Ziekenhuiszorggebruik te voorspellen op basis van DBC-registraties uit het verleden?

2018-09-13 16:22:25 / by bebright

De zorgvraag neemt toe en wordt complexer, waardoor kosten stijgen en een tekort aan arbeidskrachten ontstaat. Inzicht in hoeveel en welke zorg er de komende jaren nodig is, helpt ziekenhuizen om de strategische koers te bepalen. In dit blogartikel presenteren wij de inzichten die zijn verkregen door het toepassen van een voorspelmodel voor gebruik van ziekenhuiszorg op basis van de DBC-systematiek.

DBC-systematiek als basis voor voorspelmodel

In Nederland wordt ziekenhuiszorg geregistreerd en gedeclareerd aan de hand van de zogeheten DBC-systematiek. DBC staat voor diagnose-behandelcombinatie en een DBC geeft informatie over het totale behandeltraject. De DBC-registraties van alle Nederlandse ziekenhuizen worden door de Nederlandse Zorgautoriteit verzameld en opgeslagen in één grote dataset. In deze set is voor iedere DBC, per jaar, genoteerd hoeveel mensen gebruik hebben gemaakt van deze zorg. DBC’s kunnen gegroepeerd worden in zogenoemde DBC-groepen. Deze DBC-groepen corresponderen in veel gevallen met een specifieke aandoening. De DBC-dataset geeft dus een goed beeld van het zorggebruik per aandoening, per jaar. Deze dataset is gebruikt als basis voor een voorspelmodel. Het is belangrijk om op te merken dat bij het voorspellen van zorggebruik op basis van DBC-registraties geen rekening wordt gehouden met invloeden van buitenaf, zoals bewegingen in de markt en substitutie van tweedelijnszorg naar de eerste lijn. De DBC-dataset bevat alleen registraties uit de medisch specialistische zorg, waardoor ook alleen het zorggebruik binnen het ziekenhuis wordt voorspeld.

Voorspelmodel: een multilevel model waarborgt de hiërarchische structuur van de DBC-systematiek

Er zijn veel verschillende statistische modellen die gebruikt kunnen worden als voorspelmodel. Om het zorggebruik te voorspellen hebben wij gebruik gemaakt van een linear mixed-effects multilevel model.  De belangrijkste reden om te kiezen voor dit type model, is de aanname dat DBC’s binnen een DBC-groep gecorreleerd zijn en zo ook DBC-groepen binnen eenzelfde DBC-cluster. Anderzijds blijkt dat DBC’s binnen een DBC-groep niet altijd hetzelfde gedrag vertonen. In Figuur 1 is dit geïllustreerd voor drie DBC’s binnen DBC-groep 040201 (Diabetes). Voor de ene DBC (040201016) is het zorggebruik gestegen over de afgelopen jaren, waar het voor een andere DBC (040201004) is gedaald. Om zowel de afhankelijkheid van DBC’s binnen DBC-groepen en DBC-groepen binnen DBC-clusters, maar ook het individuele gedrag van de DBC’s en DBC-groepen te waarborgen, wordt gebruik gemaakt van een linear mixed-effects multilevel model. De effecten van de verschillende levels worden zo verwerkt in één analyse. Op deze manier wordt zoveel mogelijk informatie uit de dataset gebruikt.

Resultaten: grote toename verwacht binnen Nieuwvormingen, afname binnen Oogziekten

De uiteindelijke output van het model is voor iedere DBC, DBC-groep en DBC-cluster een uniek startgetal en hellingsgetal. Versimpeld weergegeven, kan het zorggebruik voor een bepaalde DBC, DBC-groep of DBC-cluster dan op de volgende manier bepaald worden: zorggebruik = startgetal + jaar * hellingsgetal, waarbij jaar = 0 correspondeert met 2012. Om het zorggebruik in bijvoorbeeld 2019 te voorspellen, moet jaar = 7 ingevuld worden.

Het totale zorggebruik binnen de ziekenhuiszorg zal volgens het model naar de toekomst toe toenemen. In Figuur 2 is te zien dat het zorggebruik sterker toeneemt dan de bevolkingsgroei. Dit impliceert dat de komende jaren mensen relatief meer gebruik maken van medisch-specialistische zorg. De vergrijzende bevolking en toename in multimorbiditeit zouden deze toename in zorggebruik kunnen verklaren. Dit verband is terug te zien in de lijn die de groei van de 65+-bevolking weergeeft ten opzichte van het zorggebruik.

De geschatte hellingsgetallen per DBC-groep brengen in beeld voor welke DBC-groepen de grootste toename in zorggebruik te verwachten is en voor welke de grootste afname. Deze resultaten zijn weergegeven in de figuren 3 en 4.

Opvallend is dat zes van de tien DBC-groepen met de grootste stijging behoren tot het cluster Nieuwvormingen. Daarentegen, behoren zes van de tien DBC-groepen met de grootste daling tot het cluster Oogziekten. De algehele toename van zorggebruik wordt voornamelijk veroorzaakt door een toename binnen Nieuwvormingen en andere hoogcomplexe zorg. Afname in zorggebruik wordt veelal veroorzaakt door een afname in het aantal ligdagen, polikliniekbezoeken en zorggebruik binnen laagcomplexe zorg. De verwachte afname van zorggebruik voor diabetes mellitus kan bijvoorbeeld verklaard worden door het substitueren van deze zorg naar de eerste lijn.

Regionale en ziekenhuisspecifieke inzichten stuurinformatie voor strategische keuzes

Door het model toe te passen op de DBC-dataset van een ziekenhuis, worden de ontwikkelingen in zorggebruik voor alle DBC-groepen verkregen op regionaal niveau. Regionale of ziekenhuisspecifieke inzichten kunnen gebruikt worden als stuurinformatie voor strategische keuzes met betrekking tot bijvoorbeeld specialisatie, samenwerkingsverbanden, innovatie en organisatie-inrichting. Op regionaal niveau moet wel sterk rekening gehouden worden met interne en externe factoren. Intern beïnvloeden bijvoorbeeld capaciteit, expertise en omvang van personeel de uitkomsten. Extern moet onder meer rekening gehouden worden met het concurrentieveld en het regionale demografische profiel. De resultaten van het voorspelmodel brengen de grove regionale ontwikkelingen in zorggebruik in kaart. In combinatie met de interne en externe factoren, kan deze informatie samen gebruikt worden bij het maken van strategische keuzes.

Kanttekening: registraties van beperkt aantal jaren beschikbaar als basis voor model en dataset geanonimiseerd

De DBC-systematiek is pas volledig ingevoerd in 2012. Hierdoor zijn er ‘slechts’ gegevens beschikbaar van de afgelopen zes jaar. Alhoewel zes jaar voldoende is om een model te creëren, neemt de betrouwbaarheid en kracht van het voorspelmodel toe wanneer er over meer jaren gegevens beschikbaar zijn. Daarnaast zijn nog niet alle gegevens over de laatste twee jaar verzameld. Deze onvolledigheid is gecorrigeerd, maar vanzelfsprekend zal de betrouwbaarheid van het model toenemen wanneer de registraties voor alle jaren volledig zijn. Tot slot is het model gebaseerd op een geanonimiseerde dataset. Het toevoegen van patiëntgegevens aan de DBC-registraties kan leiden tot nieuwe inzichten en wellicht de factoren blootleggen die de ontwikkelingen in zorggebruik bepalen.

Dit model is ontwikkeld in opdracht van Tilburg University en BeBright Analytics en wordt uitgebreid toegelicht in de masterscriptie ‘Predicting the Utilisation of Health Care – Based on DBC Registrations from the Past’ van Loes van Erp, geschreven voor het masterprogramma Business Analytics and Operations Research.