Source: ADH/SHA+ICD10 2019-2021
6 Soins intensifs
Sur la base des séjours analysés, nous constatons que l’utilisation postopératoire de l’unité de soins intensifs (lits portant la lettre distinctive « I ») varie d’un centre à l’autre pour un même code de nomenclature.
Pour cette analyse, les éléments suivants ont été pris en compte:
- Les patients qui séjournaient aux soins intensifs avant l’intervention n’ont pas été inclus.
- Les patients qui ont séjourné aux soins intensifs le jour de l’intervention ou les jours suivants ont été inclus.
- Les patients décédés le jour de l’intervention ou le jour suivant n’ont pas été inclus.
Pour chaque groupe de prestations (code de nomenclature), l’utilisation des soins intensifs est représentée par hôpital1, sur la base de la politique appliquée au cours des années analysées. Dans Figure 6.1 les hôpitaux sont affichés sur l’axe Y et les différents groupes de prestations selon le code de nomenclature sur l’axe X. Plus le carré à chaque intersection est rouge, plus l’utilisation des soins intensifs est élevée dans ce groupe de prestations. Plus le carré est grand, plus le nombre de patients dans ce groupe est important. En plaçant le curseur sur un carré, les détails apparaissent.
Comme le montre Figure 6.2, dans trois hôpitaux, les patients sont moins souvent admis en unité de soins intensifs après l’opération — c’est-à-dire le jour de l’intervention ou le premier jour postopératoire.
Cette observation est expliquée lors des entretiens. Certains hôpitaux disposent d’un service de de « middle care », ce qui réduit le nombre d’admissions postopératoires en soins intensifs.
Source: ADH/SHA+ICD10 2019-2021
Source: ADH/SHA+ICD10 2019-2021
Formellement, le modèle pour cela peut s’exprimer comme suit \(log\left(\frac{P_{IC}}{1-P_{IC}}\right)= \alpha + \beta_1 age + \beta_2 man + \beta_3 pref + \mu_{h}\) où \(h\) représente l’hôpital concerné. Les effets sont donc ajustés pour l’âge, le sexe et le régime préférentiel de remboursement du patient. Cela permet de prendre partiellement en compte les différences de case-mix entre les hôpitaux. Les éléments \(\mu_h\) sont des estimations dites empirical Bayes : elles garantissent que les hôpitaux avec un nombre relativement faible de patients sont attirés par le modèle général, ce qui réduit leur possibilité de s’écarter fortement des autres hôpitaux.↩︎