Hospitals Standardiserede Mortalitets Ratioer (HSMR) Baggrund

Relaterede dokumenter
Udvikling af den danske HSMR model. DSKS årsmøde den 15. januar 2010 Malene Cramer Engebjerg

Kort- og langtidsoverlevelse efter indlæggelse for udvalgte kræftsygdomme i Region Midtjylland og Region Nordjylland

Aggregerede mål for klinisk kvalitet: proces og mortalitet

Når patienten fejler andet end kræft hvad betyder det for prognosen?

Af Malene Cramer Engebjerg, biostatistiker og Mette Nørgaard, overlæge, PhD, Klinisk Epidemiologisk Afdeling, Aarhus Universitetshospital

Andre sygdommes betydning for overlevelse efter indlæggelse for seks kræftsygdomme i Nordjyllands, Viborg, Ringkjøbing og Århus amter

Komorbiditet og øvre GI-cancer. Mette Nørgaard, Klinisk Epidemiologisk Afdeling Aarhus Universitetshospital Danmark

Overordnet bilagstabel - resultat på lands-, regions- og sygehusniveau

Komorbiditet og operation for tarmkræft

Afdeling for Sundhedsanalyser 26. oktober Sammenhæng mellem komorbiditet og behandling inden for standardforløbstiderne i pakkeforløb

Bilag til Årsrapport Dansk Apopleksiregister

ØGET FOKUS PÅ GODE RESULTATER PÅ SYGEHUSENE. Danske Regioner Ministeriet for Sundhed og Forebyggelse

Ny måling af produktivitet i sygehusvæsenet

Det Nationale Indikatorprojekt. Dansk Lunge Cancer Register

Sundheds- og Forebyggelsesudvalget SUU Alm.del endeligt svar på spørgsmål 258 Offentligt

Landsdækkende database for kræft i tykog endetarm (DCCG) Addendum til National a rsrapport januar december 2012

SYGEHUSENES VIRKSOMHED 2004 (foreløbig opgørelse) Nye tal fra Sundhedsstyrelsen 2005 : 11

Sygehusenes virksomhed 1. kvartal 1998 (foreløbig opgørelse).

Dansk Intensiv Database

Udvikling i sygefravær i regionerne

Service og kvalitet Aalborg Universitetshospital

Ny måling af produktivitet i sygehusvæsenet

Dansk Intensiv Database

Service og kvalitet Sygehus Himmerland

Dansk Intensiv Database Årsrapport 2011

Dansk Intensiv Database

! "##$% ! " %! & '()* + ),!!* + - ).* + / 0!!* + 1 0!* + 2 #$%& * + - 4,,+)&+ 5 &!.* + / # '!! 7!*!!!, 7!!! %,!! 84 #$%8 #!!!!!!!! *!!!! $ %,!!!!!

Pædiatri - specialeresultat på lands-, regions- og afdelingsniveau

Bilagstabel. Patienter fra akutmodtagelsernes oplevelser: LUP 2015 Den Landsdækkende Undersøgelse af Patientoplevelser

Øget fokus på gode resultater og bedste praksis på sygehusene

Evaluering af tilbud i Sundhedscenter for Kræftramte Resultater: Karakteristik af brugere i perioden januar december 2008, p. 1

Sammenhængende indsats i sundhedsvæsenet synlige resultater 2015 for Frederikshavn Kommune

Aktionsdiagnoser for nyfødte

Service og kvalitet Sygehus Thy-Mors

Onkologi - specialeresultat på lands-, regions- og afdelingsniveau

DrKOL, standardrapport, 28. august 2013

Dansk Apopleksiregister

Anvendelsen af tvang i psykiatrien er blevet

Bilag: Kræftpakker 1.halvår 2012, data trukket 27. august fra InfoRM

Patienters oplevelser på landets sygehuse

Notat: Om HSMR (hospitalsbaseret mortalitetsratio) som indikator for at monitorere kvalitet af indsats

Service og kvalitet Sygehus Vendsyssel

Bilag 2: Sygehusspecifikke nøgletal. Sygefravær blandt ansatte på sygehusene

Nye tal fra Sundhedsstyrelsen. Kræftstatistik baseret på landpatientregisteret 2003:8

Monitorering af indlæggelse af nyfødte metodebeskrivelse

Udvikling i sygefravær i regionerne

Sundhedsudvalget SUU alm. del Svar på Spørgsmål 876 Offentligt

Q1 Har I på sygehuset skriftlige retningslinjer for hvem posten vedrørende et barns indkaldelse til sygehuset stiles til?

Ny måling af produktivitet i sygehusvæsenet

Dansk Apopleksiregister

Overordnet bilagstabel - resultat på lands-, regions- og fødestedsniveau

Medicinsk Endokrinologi - specialeresultat på lands-, regions- og afdelingsniveau

Dansk Intensiv Database

A N A LYSE. Sygehusenes udskrivningspraksis

Overordnet bilagstabel - resultat på lands-, regions- og fødestedsniveau

Det Nationale Indikatorprojekt. Dansk Lunge Cancer Register

Bilag 1: Forløbsdiagrammer, enheder

Overordnet bilagstabel

Det Nationale Indikatorprojekt. Dansk Lunge Cancer Register

OMKOSTNINGER FORBUNDET MED

Kort- og langtidsoverlevelse efter hospitalsbehandlet kræft i Region Midtjylland og Region Nordjylland

Sundhedsområdets finansiering og de interne betalingsstrømme

Oversigt over hospitalsindberetninger Nedenstående 6 diagrammer viser fordelingen af bivirkningsindberetninger i hele Danmark og pr. region.

Notat til FU om den månedlige overholdelse af standardforløbstider, August 2015

Bopælsregion, sygehusstørrelse, og dødeligheden efter kirurgisk behandlet kolorektal kræft hos danske KOL-patienter

Patienters oplevelser i Region Nordjylland Spørgeskemaundersøgelse blandt indlagte og ambulante patienter

Overordnet bilagstabel - resultat på lands-, regions- og sygehusniveau

Kort- og langtidsoverlevelse efter hospitalsbehandlet kræft i Region Midtjylland og Region Nordjylland

Nye tal fra Sundhedsstyrelsen 2005 : 4

National rapport for borgere om kvaliteten i behandlingen af patienter med hoftebrud

Svarprocent. Akut indlagte patienters oplevelser: LUP 2018 Den Landsdækkende Undersøgelse af Patientoplevelser

BOLIG&TAL 7 BOLIGØKONOMISK VIDENCENTER. Et nyhedsbrev, der præsenterer tendenser, de seneste tal og oversigter om boligmarkedet 1

Det Nationale Indikatorprojekt. Dansk Lunge Cancer Register

Dansk Anæstesi Database. National Årsrapport 2013

Skæg med tal. De bugter sig i bakkedal. Jacob Anhøj Overlæge, DIT Rigshospitalet , LKT antibiotika

Alment praktiserende lægers kontakt med patienter med type-2 diabetes

Udvikling i sygefravær i regionerne

Dansk Lunge Cancer Gruppe. Dansk Lunge Cancer Register

Dansk Apopleksiregister

BOLIG&TAL 9 BOLIGØKONOMISK VIDENCENTER. Et nyhedsbrev, der præsenterer tendenser, de seneste tal og oversigter om boligmarkedet 1

MONITORERING AF FORLØBSTIDER PÅ KRÆFTOMRÅDET

Svarprocent. Akut indlagte patienters oplevelser: LUP 2017 Den Landsdækkende Undersøgelse af Patientoplevelser

DaTeCadata. (Dansk Testis Cancer database) Datadefinitioner

INTERN VENTETID TIL SYGEHUSBEHANDLING *

Patienter med type-2 diabetes kontaktforbrug i det regionale sundhedsvæsen 1

National Database for Søvnapnø National årsrapport 2013

Årsrapport Landsdækkende database for kræft i tyk- og endetarmen. Dansk Kolorektalcancer Database

Hospitalsstandardiseret Mortalitetsratio (HSMR) Mortalitets audit 50 seneste dødsfald

Status for genoptræning, 2007 og 1. kvartal 2008

Udvikling i sygefravær i regionerne

Dansk Skulderalloplastik Register Årsrapport 2012

Monitorering af forløbstider på kræftområdet

UDVALG FOR KVALITETSFORBEDRINGER Tirsdag den 13. marts Kl til på Regionsgården lokale H3. Møde nr. 2. Mødet slut kl.

Dansk Hjertesvigtdatabase

Ledelsesoverblik. Sundhedsaftaler 2012

Dansk Kvalitetsdatabase for Fødsler

Dansk Knæalloplastikregister. Kvalitetsindikatorer

Dødelighed i ét tal giver det mening?

Svarprocent. Akut indlagte patienters oplevelser: LUP 2016 Den Landsdækkende Undersøgelse af Patientoplevelser

Transkript:

Hospitals Standardiserede Mortalitets Ratioer (HSMR) Baggrund Som led i den løbende monitorering af kvaliteten af sundhedsvæsenets indsats, er der siden 2007 hvert kvartal blevet beregnet Hospitals-Standardiseret Mortalitets Ratioer (HSMR) for de danske sygehuse. Denne metode blev introduceret i 1999 af Sir Brian Jarman (Jarman B. BMJ, 1999; 318: 1515-20) og er siden blevet benyttet som et mål for hospitalernes kliniske kvalitet i lande som USA, England, Holland og Danmark. Død under eller efter hospitalsindlæggelse har nogle fordele som mål for kvaliteten af sygehusvæsenets samlede indsats, idet 1) død er en fast defineret enkeltstående begivenhed i modsætning til sygelighed, som ændres over tid, og dermed er sværere at registrere med tilfredsstillende datakvalitet 2) det er lovpligtigt at registrere dødsfald, hvilket øger kompletheden og specificiteten af registreringen 3) dødelighed forstås af lægfolk 4) en lav dødelighed er formentlig korreleret til mindre sygelighed blandt overlevende patienter Der er dog også fortolkningsmæssige problemer med dette mål, som vil blive diskuteret nedenfor. Den seneste HSMR model blev udviklet i 2009 og 2008 siden da været reference-år for beregningerne. Imidlertid har sundhedsvæsnet udviklet sig meget siden 2009 og at der er derfor opstår en række forældelsesproblemer med modellen over tid. Disse problemer omfatter ændring i kodepraksis over tid, hvor indførelse af akutte modtage afsnit har medført en stigning i brugen af uspecifikke observationskoder som første diagnosekode i et indlæggelsesforløb. For at adressere sådanne problemer har det været nødvendigt at opdatere modellen. Hvad er HSMR? HSMR er antallet af dødsfald på et sygehus som procent af det forventede antal dødsfald beregnet ud fra landsgennemsnittets dødelighed: HSMR = (antal observerede dødsfald/antal forventede dødsfald) x 100% I beregningen indgår imidlertid kun patienter, der har en af de diagnoser, der omfatter 80% af alle dødsfald i hele sygehusvæsenet. I 2008 var der fx i Danmark i alt 80 diagnoser, som var ansvarlige for 80% af alle hospitalsrelaterede dødsfald med sygdomme som lungebetændelse, blodprop i hjertet og visse kræftsygdomme som nogle af de hyppigste. Alle patienter, der bliver indlagt på et af de danske sygehuse (se tabel 1 for inkluderede sygehuse) med en af de udvalgte diagnoser, indgår i beregningen af HSMR. Det observerede antal dødsfald findes som det antal patienter, der dør inden for 30 dage efter indlæggelse med en af de inkluderede diagnoser. 1

Det forventede antal dødsfald beregnes ud fra 30-dages dødeligheden blandt alle danske patienter, der blev indlagt med disse diagnoser i det givne reference-år. Referenceåret vil i den opdaterede model blive udskiftet årligt. For 2014 vil referenceåret blive 2013 og så fremdeles. For at sikre kontinuitet i beregningerne genberegnes HSMR, hver gang der skiftes reference-år, så der altid foreligger beregninger med samme reference-år for en periode på minimum 4 år. Dvs for referenceåret 2013, bliver der beregnet HSMR værdier for perioden 2010-2014. I beregningen af det forventede antal dødsfald tages højde for indlæggelseskvartal, alder, køn, indlæggelsesmåde (akut/elektiv), komorbidtet, ægteskabelig status, overflytning mellem to regioner, samt hvilken af de udvalgte diagnoser patienterne indlægges med (se modelbeskrivelse nedenfor). HSMR er et overordnet mål for dødeligheden efter indlæggelse på de enkelte hospitaler. HSMR influeres således ikke alene af den medicinske behandling, men også organisation af patientforløb, interne ventetider på undersøgelser, samarbejde mellem afdelinger og pleje i form af bl.a. ernæring og mobilisering, samt udskrivningsforløb. På denne måde er HSMR fundamentalt forskellig fra diagnose- og procedurespecifikke kvalitetssikringsprogrammer som f.eks. de kliniske kvalitetsdatabaser. I HSMR beregningen indgår desuden en række diagnoser på hyppige tilstande som fx lungebetændelse, som ikke monitoreres i de gængse kvalitetssikringsprogrammer. Tabel 1. Inkluderede hospitaler med tilhørende SKS -kode. Region SKS kode Afdeling Navn Hovedstaden 1301 1309, 1401 1330 1351 Rigshospitalet Bispebjerg Hospital, Frederiksberg Hospital Hvidovre Hospital, Amager Hospital 1501 Gentofte Hospital 1502 Glostrup Hospital 1516 Herlev Hospital 2000 0,1,2,3,8,9 Sygehusene Nordsjælland 4001 Bornholms Centralsygehus Midtjylland 6006, 6002 6501, 6502, 6503, 6504, 6505, 6650 Regionshospitalet Horsens Regionshospitalet Brædstrup Regionshospitalet Odder Hospitalsenheden Vest 6620 6620a Aarhus Universitetshospital 2

Region SKS kode Afdeling Navn 6630 7601 7002 7005, 7009 6630a 7005a Hospitalsenhed Midt Regionshospitalet Randers Regionshospitalet Grenaa Nordjylland 7603 7603a Sygehus Thy-Mors 8001 8001a Aalborg Sygehus 8003 Sygehus Vendsyssel 8005 Sygehus Himmerland Sjælland 3800 A,B,C Roskilde Sygehus 3800 D,E,F Køge Sygehus 3800 H,J,K Holbæk Sygehus 3800 N,P,Q Næstved Sygehus 3800 R,S,T Slagelse Sygehus 3800 V,W,X Nykøbing Falster Sygehus Syddanmark 4202 Odense Universitetshospital, 5001, 5002, 5003, 5004 5001a Sygehus Sønderjylland 5501 Sydvestjysk Sygehus 6003 6007 Sygehus Lillebælt 6007 Vejle Sygehus 6008 6004 6008a Sygehus Lillebælt, Vejle og Give Sygehus 3

Den danske HSMR model 2014 Identifikation af patienter Ud fra alle indlæggelser registreret i Landspatientregisteret (LPR) i 2013 identificerede vi de aktionsdiagnoser, der var relateret til 80% af alle dødsfald, der opstod inden for 30 dage efter en indlæggelse. Vi udelod i denne beregning aktionsdiagnosen DR99 (anden død og ikke specificeret død) samt DZ38 (levendefødt barn efter fødested). HSMR modellen er baseret på den første diagnose, som patienten får under et indlæggelsesforløb. Imidlertid er der siden seneste reference-år (2008) sket en stigning i brugen af uspecifkke diagnosekoder som Z03 som første diagnose. Vi har tilskrevet denne stigning regionernes indførelse af Akut Modtage Afdelinger (AMA), fordi patienternes indlæggelsesforløb nu ofte starter med et kort AMA ophold, hvor der evt anvendes en uspecifik diagnosekode, inden patienten eventuelt overflyttes til specialeafdeling og får en sygdomsspecifik diagnosekode. For at tage højde for dette, har vi ændret modellen således at for patienter, som indlægges med diagnosekoderne Z03, eller Z04, og hvor der på samme eller efterfølgende indlæggelsesdøgn optræder en specifik diagnosekode, vil den specifikke diagnosekode erstatte den uspecifikke kode. I 2013 var der i alt 77 diagnoser, der var knyttet til 80% af de dødsfald der sker indenfor 30 dage efter en indlæggelse. Dvs. at vi en gang i kvartalet identificerer alle patienter, som er registreret i Landspatientregisteret med en indlæggelse med en af de udvalgte 77 diagnoser på et af landets offentlige hospitaler inden for det foregående kvartal. Disse patienter udgør det grundlag, HSMR beregnes på. Kun indlagte patienter indgår i beregningen. Dødelighed I nogle af de udenlandske modeller har man kun mulighed for at se på dødsfald under indlæggelse. I den danske HSMR-model indgår derimod alle dødsfald op til 30 dage efter indlæggelse. På denne måde inkluderer modellen også dødsfald, der sker kort tid efter udskrivelse. Dødeligheden er fundet ved kobling til Det Centrale Personregister (CPR-registeret). Dette register indeholder bl.a. dagligt opdaterede informationer om vitalstatus for alle danske indbyggere siden 1968. Overflytninger Omkring 3-5% af patienterne med en af de udvalgte diagnoser vil inden for de første 30 dage blive overflyttet fra et hospital til et andet. Disse patienter håndteres på følgende måde: Hvis patienten har været indlagt på mere end en afdeling eller mere end et hospital inden for samme eller næste dags dato kobles disse indlæggelser sammen til et samlet indlæggelsesforløb. Diagnosetype og indlæggelsesmåde defineres ud fra den første indlæggelse i forløbet (undtagen hvis indlæggelsesdiagnosen var Z03 eller Z04). Selve indlæggelsen og dermed det eventuelle dødsfald tilskrives den sidste afdeling patienten var indlagt på inden for 30 dage efter indlæggelsen. Hvis patienten fortsat er indlagt 30 dage efter indlæggelsen, er det den afdeling, hvor patienten er indlagt dag 30, der får tildelt indlæggelsen. Hvis en patient overflyttes mellem to regioner inden for de første 30 dage efter indlæggelsen, tages der højde for dette i den model, der bruges til at beregne den forventede dødelighed (se senere). Alder Patienternes alder er beregnet ud fra CPR-nummeret og kategoriseret som 0-9 år, 10-19 år, 20-29 år, 30-39 år, 40-49 år, 50-59 år, 60-69 år, 70-79 år, 80-89 år eller 90+ år. 4

Civilstand Civilstandsoplysninger (gift, ugift, fraskilt, enke, ukendt) på indlæggelsestidspunktet er fundet via CPR registeret. Komorbiditet Komorbiditet angiver tilstedeværelsen af andre kroniske sygdomme udover den aktuelle sygdom patienten er indlagt med. For at kunne inddrage komorbiditet i analyserne har vi anvendt Charlsons komorbiditetsindeks (Charlson et al. J Chronic Dis. 1987;40:373-83). Dette er et internationalt anerkendt klassifikationsindeks, der inkluderer 19 forskellige kroniske tilstande, som har betydning for patienters overlevelse. Tilstandene har fået tildelt en værdi i forhold til deres prognostiske betydning (se tabel 2). Ved at lægge de forskellige værdier sammen kan man opnå en samlet score for patienterne. Indekset er valideret på mange forskellige diagnoser og er anvendt i en lang række studier. I beregninger baseret på Charlsons komorbiditetsindeks har vi anvendt alle diagnosekoder, der er registreret på et eller andet tidspunkt i LPR enten ved indlæggelse (siden 1977) eller ved ambulant kontakt (siden 1995) forud for det tidspunkt, hvor en patient indgår i HSMR beregningerne. Hvis patientens aktionsdiagnose er en af de 19 sygdomme i Charlsons komorbiditetsindex, har vi ikke ladet den pågældende diagnose tælle med ved beregningen af komorbiditetsscoren. Den beregnede score er kategoriseret i tre komorbiditetsgrupper: 0 ( lav ) svarende til patienter uden registreret komorbiditet; 1-2 ( mellem ); samt 3 og derover ( høj ). Tabel 2: Oversigt over sygdomsgrupper i Charlsons komorbiditetsindeks samt de tilhørende værdier og diagnosekoder. Sygdom Værdi ICD-8 koder ICD-10 koder Akut myokardieinfarkt 1 410 I21;I22;I23 Hjerteinsufficiens 1 427.09; 427.10; 427.11; 427.19; 428.99; 782.49 I50; I11.0; I13.0; I13.2 Karsygdomme 1 440; 441; 442; 443; 444; 445 I70; I71; I72; I73; I74; I77 Cerebrovaskulære sygdomme 1 430-438 I60-I69; G45; G46 Demens 1 290.09-290.19; 293.09 F00-F03; F05.1; G30 Kroniske lungesygdomme 1 490-493; 515-518 J40-J47; J60-J67; J68.4; J70.1; J70.3; J84.1; J92.0; J96.1; J98.2; J98.3 Bindevævssygdomme 1 712; 716; 734; 446; 135.99 M05; M06; M08; M09;M30;M31; M32; M33; M34; M35; M36; D86 Ulcussygdomme 1 530.91; 530.98; 531-534 K22.1; K25-K28 Milde leversygdomme 1 571; 573.01; 573.04 B18; K70.0-K70.3; K70.9; K71; K73; K74; K76.0 5

Diabetes type1 1 249.00; 249.06; 249.07; 249.09 E10.0, E10.1; E10.9 Diabetes type2 1 250.00; 250.06; 250.07; 250.09 E11.0; E11.1; E11.9 Hemiplegi 2 344 G81; G82 Nyresygdomme 2 403; 404; 580-583; 584; 590.09; 593.19; 753.10-753.19; 792 I12; I13; N00-N05; N07; N11; N14; N17-N19; Q61 Diabetes med komplikationer type1 2 249.01-249.05; 249.08 E10.2-E10.8 type2 2 250.01-250.05; 250.08 E11.2-E11.8 Solide kræftformer 2 140-194 C00-C75 Leukæmi 2 204-207 C91-C95 Lymfomer 2 200-203; 275.59 C81-C85; C88; C90; C96 Moderate til svære leversygdomme 3 070.00; 070.02; 070.04; 070.06; 070.08; 573.00; 456.00-456.09 B15.0; B16.0; B16.2; B19.0; K70.4; K72; K76.6; I85 Metastaserende cancer 6 195-198; 199 C76-C80 AIDS 6 079.83 B21-B24 Hospitalets størrelse Usikkerheden på den beregnede HSMR-værdi vil afhænge af hospitalets størrelse, og dermed kan (hvis alt andet er lige) et lille hospital med en HSMR på 125 måske reelt have samme kvalitet som et stort hospital med en HSMR på 108. Dette kan illustreres ved et såkaldt funnel plot som viser HSMR i forhold til forventet antal døde. Funnel plot af HSMR for 2. kvartal 2009 6

Ovenstående plot viser 95% og 99% sikkerhedsgrænserne for HSMR afhængig af hvor mange dødsfald et hospital forventes at have. Det ses, at sygehuse med et lavt antal forventede døde kan have meget større variation på deres HSMR uden at dette repræsenterer en reel ændring. For at reducere små sygehuses risiko for at blive udpeget udelukkende på grund af deres størrelse er der i den forrige model justeret for hospitalets størrelse ved hjælp af Bayes Empirisk adjustment). En sådan justering retfærdiggør dog ikke, at HSMR sammenlignes mellem hospitaler (se afsnittet Hvordan skal HSMR fortolkes? ). En konsekvens af justeringen var, at hvis man så på en hel region, ville summen af de enkelte sygehuses forventede antal dødsfald ikke længere svare til den samlede regions antal forventede dødsfald. Dermed gjorde justeringen modellen væsentlig mindre gennemsigtig uden at i nævneværdig grad at bidrage til at give et retvisende billede. Da ulemperne ved justeringen blev vurderet at være større end fordelene, har vi i den opdaterede model ikke foretaget denne justering. De mindre sygehuse vil derfor kunne opleve at deres HSM værdier måske flytter længere væk fra værdien 100 end tidligere. Statistisk analyse Til at forudsige det forventede antal dødsfald anvender vi en matematisk prediktionsmodel baseret på logistisk regressions analyse. Lad p i være den i te patients sandsynlighed for død indenfor 30 dage efter indlæggelse. Da modelleres logit(p i ) = log(p i /(1-p i )) = l i, hvor l i afhænger af den i te patients aktionsdiagnose, alder, køn, indlæggelsesmåde, komorbiditetsscore, overflytningsstatus, civilstand og det kvartal patienten er indlagt. I denne model prædikteres på denne måde hver patients sandsynlighed for at dø inden for 30 dage efter indlæggelse ud fra patientens kombination af følgende variable: 7

aktionsdiagnose, alder, køn, indlæggelsesmåde, komorbiditetsscore, overflytningsstatus, civilstand og det kvartal patienten er indlagt. Det forventede antal dødsfald svarer til summen af de predikterede sandsynligheder for alle de inkluderede patienter. Hvordan skal HSMR fortolkes? Det er vigtigt at understrege, at HSMR ikke er et mål der endegyldigt kan skelne god klinisk kvalitet fra dårlig klinisk kvaliteten. HSMR er et værktøj der kan bruges til overvågning formål, når informationen betragtes sammen andre oplysninger og data. En væsentlig svaghed ved modellen er at man ikke kan skelne mellem forebyggelige dødsfald og uundgåelige dødsfald og de fleste dødsfald i hospitalsregis er ikke forebyggelige eller en konsekvens af suboptimal behandling. Det nationale niveau for HSMR i reference-året (2013) er pr. definition 100 (%). Et hospitals HSMR er et udtryk for, hvordan dødeligheden er i forhold til det nationale niveau. En HSMR over 100 betyder, at hospitalets dødelighed på de patienter, hospitalet har behandlet inden for de udvalgte diagnoser ligger over landsgennemsnittets dødelighed i 2013. Tilsvarende vil en HSMR-værdi under 100 betyde, at hospitalets dødelighed på de patienter, hospitalet har behandlet inden for de udvalgte diagnoser ligger lavere end landsgennemsnittets dødelighed i 2013. Den nationale dødelighed for en given diagnose beregnes på alle patienter med denne diagnose. Hvis det for eksempel er en kræftsygdom vil patienterne være på forskellige steder i sygdomsforløbet. Nogle vil være indlagt til kurativ behandling andre til palliativ behandling og nogle endda til palliativ pleje. Hvis et sygehus ikke tilbyder kurativ kræftbehandling, men kun modtager kræftpatienter til palliativ eller terminal pleje, vil dette sygehus alene pga. denne patient-sammensætning og uanset om kvaliteten af behandlingen er høj, have en højere dødelighed (og dermed også højere HSMR) indenfor denne kræftdiagnose end sygehuse, der giver kurativ behandling. Det er oplagt direkte at sammenligne HSMR tal på tværs af hospitaler. Der er dog flere grunde til at dette kan være en dårlig idé: HSMR beregnes ved hjælp af indirekte standardisering, som er en veletableret epidemiologisk metode med det formål at sammenligne et hospital med landsgennemsnittet for den gruppe patienter, som hospitalet har behandlet. Dette betyder imidlertid, at hvert hospital bliver vurderet på dets egen patientfordeling, og at visse omstændigheder skal være opfyldt for, at der kan foretages direkte sammenligning mellem hospitalerne, fx hvis deres patientfordeling er sammenlignelig. Organiseringen af sundhedsvæsenet i de forskellige regioner kan betyde, at hospitaler ikke er sammenlignelige. Fx hvis et enkelt hospital i højere grad end gennemsnitligt modtager døende patienter. Der er ikke i modellen taget højde for sygdommens sværhedsgrad. Selv om metoden tager højde for forskelle i faktorer som køn, alder, ægteskabelig status og komorbiditet, kan der stadig være faktorer, som er skævt fordelt på landets hospitaler, og som har betydning for dødeligheden. Dette kan fx være livsstilsfaktorer og kropsbygning, og der bliver som ovenfor nævnt heller ikke taget højde for sværhedsgraden af indlæggelsessygdommen. 8

Derfor bør HSMR ikke bruges til at sammenligne sygehuse, men det skal bruges til at se på ændringer for det enkelte sygehus over tid. Hvis et sygehus HSMR stiger bør det således tages som et signal på at der kan være sket en ændring i kvalitetsniveauet. Offentliggørelse af data HSMR værdier offentliggøres hvert kvartal på Sundhed.dk. På sygehusniveau får man således adgang til egne kvartals HSMR og CUSUM plot med relevante kontrolgrænser. CPR lister på de døde patienter genereres og kan rekvireres via fildelingsserveren i RKKPS Fællessekretariat i Region Midtjylland. Desuden beregnes fremadrettet månedlige CUSUM plots og disse vil ligeledes være tilgængelige via fildelingsserveren. Overlæge, PhD Mette Nørgaard & Boistatistiker cand.scient Thomas Bøjer Rasmussen Klinisk Epidemiologisk Afdeling, Århus Universitetshospital. 9