MÅLRETTET EVIDENSBASERET SYGEFRAVÆRSINDSATS o Analytisk segmentering af ny-sygemeldte borgere i Odense Kommune Thomas Terkelsen, Analysekonsulent Odense Kommune
BAGGRUND Odense Kommune opsamler meget viden om borgere og ydelser i fælles DWH Bl.a. på grund af ansvar for forebyggelse på sundhedsområdet er proaktiv indsats interessant Hvordan kan vi udnytte viden om borgeren bedst muligt?
PROAKTIV INDSATS KRÆVER INDSIGT Beskæftigelse Rygere KOL Langtidssyge Sygedagpenge Genindlæggelser Udsatte børn og unge Fedme Stress
MULIGHEDER FOR PRIORITERING 3 % fremskrivning Budgetbesparelse Analytisk segmentering Social samvittighed Alle borgere behandles objektivt/tilbydes samme ydelser indenfor et givent segment
ANALYTISK INDSIGT Odense Kommunes vision: Fra BI til BA Business Analytics Business Intelligence
HVORFOR? Sygdom koster - både for borgere, arbejdsgivere og samfundet Jo længere tid på SDP desto større risiko for raskmelding til ledighed eller overgang til hel eller delvis permanent forsørgelse Jo tidligere indsats og jo bedre fortsat tilknytning til arbejdspladsen, desto større sandsynlighed for tilbagevenden til beskæftigelse
OVERLEVELSESKURVE OG AFGANG FRA SYGEDAGPENGE
MOD EVIDENSBASERET TILGANG HVOR ER VI I DAG? Indsats på arbejdspladsen Datagrundlag Kommunal indsats Erfaringsgrundlag Nedbringe sygefraværet
HVOR VIL VI GERNE HEN? Digital selvbetjeningsvæ rktøj Udvidet datagrundlag Analyser Aktiv indsats på arbejdspladsen Segmenterings model Evidens- og videngrundlag Kommunal indsats Nedbringe sygefraværet
Forebyggelsestiltag? Snitflade til borger? Hvem får en lang sygedagpengeperiode? STATISTISK MODELLERING Modellere historiske data Score seneste data Karakteristika Adfærd Borgere der sygemelder sig får beregnet en risikoprofil Tid Observations-periode Targetperiode
TID SYGDOM Bred/smal vurdering Gennemgang af sagen (møde) Gennemgang af sagen (møde) Vurdering af om der skal forlænges (møde) SYGEDAGPENGEFORLØB Målsætning 1. samtale Indsatser Møde Anmeldelse til kommunen 8 uger 16 uger 22 uger 30 uger 40 uger 52 uger 13 uger
GRUNDLAG FOR DATAANALYSE Sygedagpengesager med første fraværsdag i 2011 og 2012 Alle borgere 16+ år inklusiv start/stop sager, barselssager ikke medtaget Antal sager 25.692 Antal langvarige sager 3.540 Andel 13,8 % Samme borger kan optræde flere gange -> Fokus på sag fremfor borger Sager for borgere i flexjob eller med 56-sag ekskluderes fra stikprøve
400 350 300 250 200 150 100 50 FORDELING AF NY-SYGEMELDTE Vi ønsker at forudsige de realiserede defaults Absolutte værdier over sagstal og targets - 2012 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 Antal obs Realiseret defaults
VIDEN OM NY-SYGEMELDTE A-kasse Flexjob Forsørgelse Virksomhedstilknytning Uddannelse Arbejdsskade 0 Delvis raskmelding 56 sag Tilflytter Flytninger Køn/alder Børn Oprindelse
MODELLERINGSTILGANG På baggrund af data og formål arbejdede vi ud fra to tilgange Lineær regression Identificerer signifikante risikoparametre der gælder samtlige sager Beslutningstræer Ved split-search algoritme udvælges inputvariable Resulterer i flere forskellige risikoprofiler
VURDERINGSKRITERIE Logistisk regressionsmodel fundet til at have bedste statistiske model-fit Modellerne vurderes ud fra diskriminationsevne Minimering af falsk-positive og falsk-negative forudsigelser (Type-I og Type-II fejl) Modellens klassificering Faktisk længde af sygedagpengeforløb Kort forløb 0 (kort forløb) Korrekt klassificering (sand negativ) 1 (langt forløb) Type 2 fejl (falsk positiv) Langt forløb Type 1 fejl (falsk negativ) Korrekt klassificering (sand positiv)
RISIKOPARAMETRE Virksomhedstilknytnin g Børn i husstanden Boligtype Alder Aktiv børnesa g Antal tidligere sager over 5 mdr. Primær forsørgelse i foregående 26 uger Arbejdsskadesa g Uddannelse Oprindelse Bor borgeren alene Køn Tidligere delvis raskmelding fra sygedagpengesag Antal flytninger de seneste 2 år Antal tidligere sager over 30 dage
VALIDERINGSTEST AF MODEL Backtest simulerer driftssituation Undersøger hvor god modellen er i virkeligheden, og på en anden tidsperiode 35 Antal langvarige sager fordelt på segmenter - 1. halvår 2013 30 25 20 15 10 5 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 Segment 1 Segment 2
ANVENDELSE I SAGSBEHANDLING Segmenteringstankegang kan anvendes på flere tidspunkter Anmeldelse til kommunen (30 dage) Scoring ved første kontakt Realtime scoring Første fraværsdag 8 uger (første samtale) Selvscoring for borgeren Scoring inden første samtale
YDERLIGERE ANVENDELSESMULIGHEDER Effektanalyser Hvad karakteriserer borgerne i de pågældende segmenter? Særligt karakteristika for højrisiko-sager er interessante ift. indsatsdel Hvordan matcher risikoscore med faktisk længde på sygedagpengesag? Kan vi identificere en bestemt type sager som modellen performer dårligt på?
TILPASNING TIL WORKFLOW Hvis segmentering skal fungere optimalt skal viden gøres let tilgængelig og anvendelig
HVAD GØR ODENSE FREMADRETTET? Strategisk fokus på analyser gennem Værdiskabelse I Analyse (VIA) projekt Skabe governance omkring analyse som disciplin Arbejde på at gøre Odense Kommune til en analytisk organisation Husk på hvad modeller ikke kan!