Millora de la qualitat assistencial a les unitats de cures intensives. El programa PADRIS a la Tarragona Datathon 2018 (segona part)

14 febr.

Avui continuem amb l’entrevista a Maria  Bodí (@mariabodi23), metge del servei de Medicina Intensiva i Josep Gómez (@JosepGomezAlvarez), doctor en Biotecnologia, de l’Hospital Universitari de Tarragona Joan XXIII, experts en gestió clínica i aspectes de qualitat i seguretat de l’atenció sanitària.

Josep Gómez, María Bodí

En la vostra opinió, quin balanç de beneficis i de riscos en termes de seguretat dels pacients plantegen els estudis fets amb dades reals, els anomenats Real World Data?

Beneficis? Tots. És necessària la informació derivada de l’entorn assistencial real per prendre decisions. Els assajos clínics aleatoritzats, com a Gold Standard de la millor evidència científica han estat els que fins ara han definit l’eficàcia i la seguretat de les intervencions terapèutiques. Però suposen un cost molt elevat i, a més a més, van dirigits a grups molt seleccionats de pacients. Els estudis i les anàlisis derivades del món real, els coneguts com a Real World Data, permeten conèixer l’efectivitat i la seguretat de les intervencions en grups de pacients que normalment s’exclouen dels assajos (embarassades, gent gran, pacients amb moltes comorbiditats que són la majoria…).

Hi ha una sèrie de limitacions i obstacles que impedeixen que els Real World Data substitueixin els assajos clínics. D’una banda, aspectes legals i ètics i de garantia de qualitat de les dades. D’altra banda, no es pot assumir el biaix que suposa no aleatoritzar en el cas dels Real World Data. Abans de prendre decisions, ens hem d’assegurar que no hi ha factors de confusió.

Els Real World Data complementen la informació dels assajos clínics en la pràctica clínica habitual.

Fa unes setmanes vam comptar amb la visita de Lucian Leape, autor del famosíssim llibre “To Err is Human” a Barcelona. Vam tenir la sort de poder sentir-lo en una xerrada a AQuAS, vau poder escoltar-lo?

No, malauradament no vam poder assistir-hi. Llàstima perquè ens consta que va ser una bona revisió del que hem après en les darreres dos dècades en l’àmbit de la seguretat clínica i es van apuntar bones recomanacions de futur.

Què us sembla que va aportar l’informe To Err is Human, publicat ara ja fa 20 anys?

Va ser la revolució en l’àmbit de la seguretat. Un canvi de paradigma que es manté avui en dia.

L’informe To Err is Human denunciava  els milers de morts als Estats Units degudes a esdeveniments adversos que es podien prevenir! Persones que morien als hospitals per motius aliens a la malaltia que havia motivat el seu ingrés. El més importat és que aquests esdeveniments, aquestes morts, es podien prevenir. Una millor formació, una millor organització del treball, conèixer i analitzar els riscos, el treball en equip, entre d’altres factors, està demostrat que són elements que contribueixen a disminuir la taxa d’esdeveniments i la seva severitat.

De quina manera el programa PADRIS ha tingut impacte en el vostre dia a dia?

L’any 2016 es va publicar MIMIC-III, una gran base de dades desidentificada de pacients d’UCI de l’Hospital Universitari de Harvard generada i mantinguda per investigadors del Massachusetts Institute of Technology. Ells van publicar aquesta base de dades amb l’objectiu de democratitzar la recerca. La idea és que després de realitzar un curs de formació sobre el tractament de dades per recerca, s’acrediti que ets un investigador en actiu i signis un document d’ús; en definitiva fer que un investigador pugui accedir a una gran base de dades per fer recerca. A més, ells animen els investigadors a compartir el codi (la metodologia informàtica) que han aplicat a les dades per arribar als resultats que publiquen. Tot plegat fa que els estudis siguin més transparents i reproduïbles, cosa que incrementa l’excel·lència de la producció científica.

Gràcies a la nostra experiència en extreure dades del sistema d’informació clínica per desenvolupar la nostra eina de gestió de la unitat, ens vam plantejar el repte de generar la nostra pròpia base de dades per fer recerca. Un cop generada, vam contactar amb el programa PADRIS perquè ens assessorés en temes de protocols d’anonimització de les dades i metodologies per accedir-hi per fer recerca. En tot moment van mostrar un gran interès pel projecte i ens van ajudar a dur-lo a terme, de manera que el paper del programa PADRIS va ser determinant per poder fer possible el Datathon Tarragona 2018. I actualment seguim en contacte per definir estratègies de futur sobre com donar accés a aquestes dades per projectes de recerca sense violar cap llei de protecció de dades i com aconseguir ampliar la base amb dades d’altres UCIs del territori català.

Si tinguessiu l’oportunitat de fer una recomanació a uns altres investigadors que volguessin fer recerca, quina recomanació li faríeu?

Li recomanaríem que col·laborés amb experts en altres àmbits, sobretot relacionats amb la tecnologia de dades i l’estadística. Estem arribant a un punt de sofisticació i volum de dades que fa necessari treballar amb equips multidisciplinaris per poder treure el màxim profit i el millor coneixement possible de les dades. Els datathons són un gran exemple d’això, el paper del clínic és determinant per definir l’objectiu i anar validant els resultats que van apareixent quan s’apliquen els algoritmes d’avantguarda per part dels científics de dades. Al mateix temps, el paper dels científics de dades és també determinant a l’hora de suggerir i aplicar metodologies complexes i allunyades de l’estadística tradicional aplicada dins de l’entorn clínic.

Quin repte professional us agradaria assolir durant aquest 2019?

El repte professional últim per al 2019 és el mateix que el de cada any: millorar l’assistència als pacients que ingressin a la UCI. Per aconseguir-ho, tenim alguns reptes molt concrets a la nostra unitat. D’una banda, seguir desenvolupant la nostra eina d’explotació de dades que permet fer una anàlisi dels processos i resultats que anem obtenint en el dia a dia, i així ser conscients d’on hem de focalitzar l’atenció per millorar. D’altra banda, aprofitar l’ús secundari de les dades per fer recerca i generar algoritmes d’aprenentatge automàtic que siguin capaços d’ajudar el metge a prendre les decisions més encertades, més adequades, segons el perfil de cada malalt.

(Podeu llegir la primera part d’aquesta entrevista aquí)

Millora de la qualitat assistencial a les unitats de cures intensives. El programa PADRIS a la Tarragona Datathon 2018 (primera part)

7 febr.

El passat mes de novembre, AQuAS va tenir un rol rellevant amb el programa PADRIS a la Critical Care Data Analysis Summit and Tarragona Datathon 2018. Teníem pendent de parlar-ne des d’aleshores.

El programa PADRIS contribueix a la millora de la salut de les persones facilitant als investigadors dels centres de recerca de Catalunya la reutilització de la informació anonimitzada de salut d’acord amb el marc legal i els principis establerts.

Ho veiem a la pràctica, a partir de l’experiència d’un professional?

Avui entrevistem Maria  Bodí (@mariabodi23), metge del servei de Medicina Intensiva i Josep Gómez (@JosepGomezAlvarez), doctor en Biotecnologia, de l’Hospital Universitari de Tarragona Joan XXIII, experts en gestió clínica i aspectes de qualitat i seguretat de l’atenció sanitària. Com molts professionals de la salut, combinen l’activitat assistencial amb la recerca.

María Bodí

Com és el teu dia a dia?

Com a cap de Servei de Medicina Intensiva de l’hospital, en el meu dia a dia, la tasca fonamental se centra en la direcció del servei i l’organització de l’assistència al pacient crític, coordinant el treball dels professionals implicats. En el servei treballen més de 150 persones incloent professionals de medicina (especialistes en medicina intensiva, metges interns residents), infermeria, auxiliars d’infermeria, zeladors, fisioterapeutes i secretaria. Es tracta, a més, d’un servei que participa i col·labora en la docència dels graus de medicina, infermeria i fisioteràpia.

Tracto de facilitar que els professionals participin en l’estratègia del servei i tot això requereix articular i coordinar tots els esforços, amb un objectiu clar, i donar una assistència de qualitat als nostres pacients. És necessari facilitar i coordinar que els professionals participin en l’assistència, la gestió, la docència i la recerca en major o en menor grau. Això garantirà el compromís del treballador en l’estratègia del servei i de l’organització.

Si ens centrem en el col·lectiu mèdic, cada membre de l’equip es responsabilitza d’una àrea en concret de la nostra especialitat, de manera que facilitem la formació continuada de tot l’equip, l’avaluació dels resultats i el compromís en tirar endavant les accions que derivin de l’anàlisi dels nostres resultats.

L’experiència del format de Datathon que es va fer, què et va semblar?

La Datathon va ser el resultat de tot un recorregut fet en els darrers anys en el camp de l’ús secundari de les dades de la història clínica dels pacients per a la gestió i per a la recerca de primer nivell. L’experiència va ser molt bona. Ciència pura. Metges, tecnòlegs i tecnologia al servei de l’anàlisi de les dades de la vida real, per buscar la millor evidència científica.

En els darrers tres anys, el nostre grup ha aprofundit en l’estudi de les dades i també en l’avaluació de la qualitat i la seguretat de les dades per al seu ús secundari. Els nostres avenços ens han permès col·laborar amb altres equips punters, com ara l’equip del Dr. Leo Celi del Massachusetts Institute of Technology amb qui vam organitzar aquest esdeveniment.

De quina manera penses que es pot millorar la qualitat assistencial en les unitats de cures intensives?

Hem d’anar cap a la excel·lència. Abordar totes les dimensions de la qualitat assistencial. Millorar l’efectivitat, la seguretat i l’eficiència. Però si parlem de bons resultats i eficients, no parlem en termes de número d’actuacions a un cost determinat. Parlem d’aportar valor al pacient, a l’equip de treball, a l’organització, al sistema sanitari, i a la societat. Com fer-ho?

El nostre grup ha treballat en desenvolupar la metodologia per poder disposar d’indicadors de qualitat automàtics. Això ha estat possible perquè tots els dispositius de capçalera del pacient (ventilació mecànica, monitorització, màquines de diàlisi, etc.) estan connectats al sistema d’informació clínica, on s’integra també la informació de la història clínica de l’hospital, del laboratori, de les proves d’imatge, i on els professionals inclouen tota la informació de forma ordenada.

D’aquesta manera, mitjançant aquests indicadors dissenyats amb tecnologia innovadora, és possible avaluar processos assistencials i resultats. Si el professional participa en el disseny del procés assistencial, en la planificació, i coneix com s’estan fent les coses i quins resultats tenim, s’implica i es compromet amb els objectius del servei i de l’organització.

Així mateix, es requereix passar de la medicina reactiva cap a la medicina predictiva, preventiva i personalitzada. Tenim dades per començar a treballar en aquesta línia. Malgrat això, la dimensionalitat i la complexitat d’aquestes dades impedeix que els mètodes d’intel·ligència artificial siguin fàcils de traduir en models clínicament rellevants. L’aplicació de mètodes predictius d’avantguarda i la manipulació de dades requereix habilitats de col·laboració entre professionals experts del domini mèdic i del tecnològic i nous models de tractament i anàlisi de dades.

Hem llegit que es pot avaluar, en temps real, el risc en una unitat de cures intensives. Sembla difícil d’imaginar, què ens en pots dir?

Així és. Partim de la base que disposem de les dades emmagatzemades de tots els pacients que han ingressat en una UCI, o en més d’una UCI. Si la combinació d’un grup de variables (demogràfiques, clíniques, resultats de laboratori) ha suposat l’aparició d’una complicació o d’un esdeveniment advers, un model informàtic entrenat amb aquestes dades pot predir, si detecta de nou la combinació d’aquest grup de variables, el risc que aparegui la mateixa complicació o esdeveniment. Aquesta és la base de la medicina predictiva.

D’acord, però, per a què serveix, a la pràctica, l’avaluació d’aquest càlcul del risc?

Pot anar des d’analitzar el risc o predir l’aparició d’una complicació en el curs d’una malaltia, un problema relacionat amb la seguretat, un esdeveniment advers, la necessitat o l’increment de la dosi d’un determinat fàrmac o una teràpia específica. Pot predir la probabilitat de milloria o d’empitjorament, i fins i tot, el risc de morir d’un pacient per una malaltia.

La medicina ja disposava de calculadores de risc de morir per una malaltia basant-se en bases de dades completades a través del registres manuals per part del professional. Però ara, l’automatització del registre de les dades -i un exemple d’això són els sistemes d’informació clínica a les nostres UCIs-, la metodologia actual basada en big data i la intel·ligència artificial permet un detall molt superior a l’hora d’avaluar riscos.

Quan es parla de passar a un model sanitari basat en valor, què vol dir exactament?

Es tracta d’una organització del treball al voltant de les condicions específiques del pacient i que optimitza la seva cura. Es tracta de pagar a les organitzacions i als hospitals pel valor que aporten. Els resultats i el seu cost són els components clau del valor que el sistema sanitari i els professionals aportem als pacients. Però si parlem de resultats no considerem únicament si el pacient surt viu de la UCI, o no. Els resultats es mesuren en termes de qualitat, de capacitat de tornar a incorporar-se a la seva vida, al seu treball, etc.

Per això, per impulsar l’esforç de millora, ens hem de basar en el treball multidisciplinari i el model sanitari basat en valor suposa canviar el model de negoci de l’organització i fer una inversió en sistemes de mesurament, d’anàlisi de resultats clínics i de costos.

Quina importància li dones al fet que les dades s’obtinguin automàticament i no manualment?

Permet analitzar-les des d’una única font de dades, minimitza els errors i no requereix temps del professional en la introducció d’aquestes dades.

Com s’inclouen automàticament les dades?

A la UCI, els sistemes d’informació clínica han permès integrar tota la informació, a més de les dades que els professionals inclouen de forma ordenada durant el procés d’atenció al pacient crític, s’integren resultats de laboratori, de proves d’imatge, informació de la història clínica, i les dades de tots els dispositius de capçalera del pacient (ventilació mecànica, monitorització, màquines de diàlisi, etc.).

Què entenem per “ús secundari de les dades”?

L’ús primari és el que es fa dia a dia, a la capçalera del pacient, per prendre decisions quant a diagnòstic, tractament i planificació del procés d’atenció. Per exemple, d’acord a uns resultats de laboratori es determina si augmento la dosi d’un fàrmac.

Parlem d’ús secundari quan parlem d’utilitzar les dades per a la gestió o per a la recerca. L’objectiu final continua sent millorar l’atenció al pacient, evidentment.

(Continuarà…)

La salut i la pobresa són hereditàries: intentem posar-hi remei?

17 maig
Anna Garcia-Altés
Anna García-Altés

En els darrers anys la pobresa infantil ha augmentat a Catalunya com a conseqüència de la crisi econòmica. Segons dades de l’Idescat de 2016 -les darreres disponibles-,i des del 2009, els infants són el col·lectiu amb un major risc de pobresa, per sobre de la població adulta i per sobre també de la població de 65 anys i més.

“Salut i pobresa infantil. Què ens diuen les dades?” va ser el nom de la conferència que es va impartir en el marc de l’Acte de celebració del Dia Mundial de la Salut 2018.

A la conferència es van posar de relleu les dades relatives als infants del darrer informe sobre els efectes de la crisi en la salut de la població publicat per l’Observatori del Sistema de Salut de Catalunya: els infants amb menor nivell socioeconòmic presenten fins a 5 vegades més morbiditat, consumeixen més fàrmacs (el triple de psicofàrmacs) que la resta de la població infantil, visiten amb més freqüència els centres de salut mental (5,9% de les nenes i un 11,4% dels nens enfront de l’1,3 i del 2,2% en les nenes i nens de major nivell socioeconòmic) i ingressen més als hospitals (45 nenes i 58 nens per cada 1.000 enfront de 13 i 26, respectivament) i especialment per causes psiquiàtriques.

L’estat de salut dels infants depèn en bona part de l’economia dels seus progenitors i els que pertanyen a famílies amb menor nivell socioeconòmic presenten més problemes de salut, un fet que pot tenir conseqüències nefastes en altres àmbits com l’educatiu i el social, i que condiciona el seu futur. Aquest fet s’agreuja en el cas dels infants que tenen discapacitats o malalties cròniques i que encara pateixen més l’impacte de la pobresa en la seva salut perque en alguns casos la seva cura requereix de productes específics que les famílies no poden comprar.

Aquest és un dels problemes que tenim ara mateix sobre la taula. Hi ha evidència científica creixent, tant des de la biologia com des de les ciències socials, de la importància dels primers anys de vida (inclosa l’exposició a l’úter) en la formació de les capacitats que promouen el benestar al llarg del cicle de vida. La infància també és un transmissor estructural de les desigualtats, tant des del punt de vista de la salut com des del vessant socioeconòmic. Els nens i nenes que pertanyen a famílies amb pocs recursos, si no s’actua, corren el risc d’arribar a adults amb pitjor salut, menor nivell educatiu i socioeconòmic que la resta.

Què podem fer? Per descomptat cal enfortir l’estat de benestar, amb reformes estructurals i institucionals que ara més que mai són necessàries. La política educativa és fonamental, sobretot reforçant l’educació primària, garantint la igualtat d’oportunitats i posant el focus en aquells infants en situacions desavantatjoses. Un cop a l’edat adulta, calen també polítiques actives de treball. I des de les polítiques de salut, tot i el seu caràcter eminentment pal·liatiu, és especialment important l’atenció primària i comunitària, i garantir l’atenció a tots els infants.

Entrada elaborada per Anna García-Altés (@annagaal).

Els grups de morbiditat ajustats: un nou agrupador de morbiditat poblacional

2 febr.
Foto Emili Vela
Emili Vela

En l’actualitat, les patologies cròniques s’han convertit en un repte pels sistemes sanitaris dels països desenvolupats. La majoria de pacients que utilitzen els serveis sanitaris presenten multimorbiditat i aquesta augmenta amb l’edat. La presència de multimorbiditat està associada a una major utilització de recursos assistencials (tant sanitaris com socials) i a una pitjor qualitat de vida.

En aquest context, es fa necessari mesurar la multimorbiditat per tal de poder determinar el seu impacte. Hi ha dos grans grups de mesures: per una banda el simple comptatge de patologies (habitualment cròniques) de cada subjecte i, per altra banda, els índexs que proporcionen la càrrega de morbiditat dels individus a partir de la jerarquització de les patologies atorgant un pes diferencial a cada una d’elles a partir de criteris clínics proporcionats per grups d’experts i/o d’anàlisis estadístiques basades en la mortalitat o en la utilització de serveis sanitaris.

En aquest darrer grup s’inclouen els Grups de Morbiditat Ajustats (GMA), l’única d’aquests eines desenvolupada a Europa sobre la base d’un sistema sanitari públic, de caràcter universal i eminentment gratuït.

Los grupos de morbilidad ajustados

Les característiques i el funcionament dels GMA es poden trobar detallades en aquest article. A tall de resum, podem mencionar que els GMA han estat validats estadísticament analitzant la seva capacitat explicativa predictiva. En aquesta validació, els GMA han presentat millor resultats que altres eines en la majoria d’indicadors estudiats, inclosos els relatius a l’atenció social i sanitària.

Concordancia y utilidad sistema estratificación

També han estat validats clínicament per metges d’atenció primària, tant a Catalunya com a la Comunitat de Madrid. Els principals resultats d’aquestes validacions són que els GMA mostren una bona classificació dels pacients en funció del seu risc, que aquesta bona classificació s’incrementa amb la complexitat del pacient, la preferència dels clínics per aquesta eina respecte d’altres agrupadors de morbiditat i, finalment, que es tracta d’una eina útil per a l’assignació del nivell d’intervenció adequat a les necessitats dels pacients.

Els GMA han estat desenvolupats, a partir de l’any 2012, en el marc d’un conveni de col·laboració entre el CatSalut i l’Institut Català de la Salut. Posteriorment, han estat implementats, a nivell estatal, en 13 comunitats autònomes gràcies a un conveni entre el CatSalut i el Ministeri de Sanitat, Serveis Socials i Igualtat. Un cop realitzades aquestes implementacions l’any 2015, s’han agrupat uns 38 milions d’habitants de la població espanyola. L’objectiu últim d’aquest conveni és el desenvolupament conjunt d’una eina d’estratificació de la població que pugui ser aplicable a la totalitat del Sistema Nacional de Salut, mitjançant l’adaptació dels GMA.

Proposals enhanced health risk

També cal destacar que els GMA s’estan utilitzant en diferents projectes europeus relatius a l’estratificació i a la integració de l’assistència sanitària i social.

En resum, podem afirmar que els GMA són un nou agrupador de morbiditat que presenta uns resultats -com a mínim- equiparables als que proporcionen altres agrupadors. Per altra banda, com que han estat desenvolupats a partir de la informació del nostre sistema sanitari (universal i eminentment gratuït), és possible l’adaptació a nous requeriments o estratègies de les nostres organitzacions però també a d’altres sistemes sanitaris o a d’altres àmbits o poblacions específiques. Mostra d’això últim és el fet que conjuntament amb el Pla Director de Salut Mental i Addiccions del Departament de Salut, en aquests moments, estem en una fase molt avançada en el desenvolupament d’un agrupador específic per als pacients amb problemes de salut mental i addiccions.

Entrada elaborada per David Monterde (Oficina d’Estadística. Sistemes d’Informació. Institut Català de la Salut), Emili Vela (Àrea d’Atenció Sanitària. Servei Català de la Salut) i Montse Clèries (Àrea d’Atenció Sanitària. Servei Català de la Salut).

Estratificació i bases de dades de morbiditat (2a part)

31 març
Emili Vela

(Aquest post és la continuació d’aquest altre post)

Un element fonamental per tal de poder dur a terme l’estratificació de la població per grups de risc són els sistemes d’informació. Cal, doncs, disposar d’una base de dades que integri la informació recollida en els diferents registres sanitaris i per donar resposta a aquesta demanda, es va crear la base de dades de morbiditat poblacional.

La qüestió és que cada cop es fa més èmfasi en la necessitat de proporcionar als pacients una atenció social i sanitària integral i integrada, però l’anàlisi i l’avaluació d’aquesta atenció no es pot dur a terme correctament amb uns sistemes d’informació fragmentats, sinó que s’ha de fer a partir de la integració de les dades que contenen.

Estructura de la base de dades de morbiditat poblacional

La base de dades de morbiditat poblacional es fonamenta sobre un sistema de taules relacionades que pivoten al voltant de la taula d’usuaris, que recull les principals dades de l’assegurat (demogràfiques o estat de salut, per posar dos exemples).

Actualment hi ha tres taules més, la taula de diagnòstics, la de contactes amb serveis sanitaris i la de farmàcia, però aquest tipus d’estructura permet, amb relativa facilitat, incorporar tant informació de nous registres (consultes externes, diàlisi, teràpia respiratòria, etc.), com noves taules amb altra informació rellevant, com per exemple de resultats de determinacions clíniques:

Figura 1. Estructura i contingut de la base de dades de morbiditat poblacional. La taula de determinacions clíniques, en gris, encara no està implementada.

Taula d'assegurats

La base de dades de morbiditat poblacional integra la informació dels següents registres:

  • Registre Central d’Assegurats (RCA): gestionat des de la Gerència d’atenció ciutadana del CatSalut. Aquest registre proporciona fonamentalment tota la informació de residència, sociodemogràfica i de l’estat vital dels assegurats.
  • Registres del conjunt mínim bàsic de dades (CMBD): gestionats per la Divisió d’anàlisi de la demanda i l’activitat del CatSalut. Aquests registres alimenten tant la taula de diagnòstics com la de contactes. Existeixen diferents registres per recollir la informació de les línies assistencials:
  • Hospitalització (CMBD-HA): informació proporcionada pels hospitals generals d’aguts (ingressos, cirurgia major ambulatòria, hospitalitzacions domiciliàries, hospital de dia) del període 2005-2014
  • Sociosanitari (CMBD-SS): informació de l’atenció proporcionada pels centres sociosanitaris d’internament (llarga i mitja estada i UFISS) i equips d’atenció ambulatòria (PADES) del període 2005-2014.
  • Hospitalització psiquiàtrica (CMBD-SMH): informació de l’atenció proporcionada pels hospitals monogràfics psiquiàtrics del període 2005-2014.
  • Salut mental ambulatòria (CMBD-SMP): informació de l’atenció proporcionada pels centres de salut mental ambulatòria del període 2005-2014.
  • Atenció primària (CMBD-AP): informació de l’atenció proporcionada pels equips d’atenció primària del període 2010-2014.
  • Urgències (CMBD-UR): informació de l’atenció a urgències (hospital i CUAP) del període 2013-2014.
  • Registre d’activitat de farmàcia (RAF): gestionat per la Gerència de farmàcia i del medicament del CatSalut. Aquest registre proporciona tota la informació de dispensació farmacèutica ambulatòria del període 2011-2014.
  • Registre de facturació de serveis sanitaris (RF): gestionat per la divisió de provisió de serveis assistencials. Aquest registre proporciona informació de tota aquella activitat finançada pel CatSalut, però que no compta amb un registre específic: consultes externes hospitalàries, diàlisi, oxigenoteràpia domiciliaria, rehabilitació o transport sanitari no urgent. Aquest registre proporciona fonamentalment informació a la taula de contactes pel període 2011-2014.

Les utilitats de la base de dades de morbiditat poblacional són múltiples, l’estratificació poblacional, l’anàlisi específic de determinats problemes de salut (fractura de fèmur, IC, MPOC,…), l’elaboració d’indicadors poblacionals d’eficiència en la utilització de recursos, etc.

Podem concloure que, pel volum de dades que integra, aquesta base de dades té les característiques d’un “big data” estructurat, amb una considerable capacitat de creixement i d’adaptació a nous requeriments i fonts de dades i ofereix unes enormes possibilitats d’anàlisi.

Entrada elaborada per Emili Vela, responsable dels Mòduls per al Seguiment d’Indicadors de Qualitat (MSIQ). Àrea d’Atenció Sanitària. CatSalut.