Caterina Fanizza, Agenzia Regionale Strategica per la Salute ed il Sociale (AReSS) Puglia – Area di Epidemiologia e Care Intelligence
c.fanizza@aress.regione.puglia.it
Alessandro Musa, Agenzia Regionale Strategica per la Salute ed il Sociale (AReSS) Puglia – Area di Epidemiologia e Care Intelligence; Cinzia Tanzarella, Agenzia Regionale Strategica per la Salute ed il Sociale (AReSS) Puglia – Area di Epidemiologia e Care Intelligence; Vito Lepore, Agenzia Regionale Strategica per la Salute ed il Sociale (AReSS) Puglia – Area di Epidemiologia e Care Intelligence; Fabio Robusto, Agenzia Regionale Strategica per la Salute ed il Sociale (AReSS) Puglia – Area di Epidemiologia e Care Intelligence; Pietro Magnoni, Agenzia di Tutela della Salute della Città Metropolitana di Milano – Unità di Epidemiologia; Adele Zanfino, Agenzia di Tutela della Salute della Città Metropolitana di Milano – Unità di Epidemiologia; Deborah Testa, Agenzia di Tutela della Salute della Città Metropolitana di Milano – Unità di Epidemiologia; Alberto Milanese, Agenzia di Tutela della Salute della Città Metropolitana di Milano – Unità di Epidemiologia; Cristina Mazzali, Agenzia di Tutela della Salute della Città Metropolitana di Milano – Unità di Epidemiologia; Antonio Giampiero Russo, Agenzia di Tutela della Salute della Città Metropolitana di Milano – Unità di Epidemiologia; Paola Rebora (Università Milano Bicocca – Dipartimento di Medicina e Chirurgia e Centro Interdipartimentale Bicocca Bioinformatics Biostatistics and Bioimaging Centre (B4)); Lucia Bisceglia, Agenzia Regionale Strategica per la Salute ed il Sociale (AReSS) Puglia – Area di Epidemiologia e Care Intelligence;
- Categoria Primaria: Epidemiologia valutativa
- Categoria Secondaria: Malattie cronico-degenerative e tumori
Introduzione La conoscenza del profilo epidemiologico delle popolazioni con malattie croniche, caratterizzate da un elevato carico di comorbilità, mortalità e consumo di risorse sanitarie, risulta fondamentale per la pianificazione di interventi di politica sanitaria. Si rende così necessario sviluppare e validare algoritmi diagnostici basati su dati amministrativi. Obiettivi Validare gli algoritmi di identificazione dei casi di diabete, scompenso cardiaco, broncopneumopatia cronica ostruttiva (Bpco) precedentemente sviluppati all’interno del progetto Care Puglia. Metodi Tutti gli assistiti ultra 40-enni, residenti nel comune di Statte, sono stati inclusi nello studio. Sono stati considerati affetti dalle patologie in esame, i soggetti che hanno soddisfatto i criteri specifici di ciascun algoritmo, definiti sulla base dei flussi informativi sanitari. Nello specifico, gli algoritmi assegnano la condizione di malattia al verificarsi di almeno una delle seguenti condizioni: uso cronico di farmaci traccianti di patologia, ricovero ospedaliero o esenzione per patologia durante l’anno 2022. La validazione è avvenuta attraverso il confronto con quanto riportato nelle cartelle cliniche dei medici di medicina generale (MMG). La performance degli algoritmi diagnostici è stata riportata in termini di sensibilità (Se), specificità (Sp), valore positivo predittivo (VPP), valore negativo predittivo (VNP), accuratezza, mentre la concordanza è stata valutata attraverso l’indice Kappa di Cohen. Infine è stata condotta un’analisi stratificata per complessità clinica. Risultati Sono stati inclusi nello studio 7990 assistiti (il 53% di sesso femminile, il 48.7% ultra 60-enne, il 25.4% a complessità clinica medio-alta): il 6.3% presenta scompenso cardiaco, il 9.6% Bpco, il 17.4% diabete. Gli indici di performance degli algoritmi diagnostici presentano i seguenti valori: BPCO (Se 43.1%, Sp 97%, VPP 60.0%, VNP 94.1%), scompenso cardiaco (Se 58.3%, Sp 90.1%, VPP 28.2%, VNP 97.0%), diabete (Se 82.4%, Sp 98.6%, VPP 92.6%, VNP 96.4%). L’indice Kappa di concordanza e l’accuratezza sono risultati pari a 0.32 e 88.1% per lo scompenso, 0.46 e 91.8% per la BPCO, 0.85 e 95.8% per il diabete. Stratificando per complessità clinica, la performance degli algoritmi risulta essere più alta nel sottogruppo a media-alta complessità rispetto a quello a bassa complessità: Bpco (Se 54.3% vs 28.9%, Sp 91.2% vs 98.6%, VPP 62.0% vs 55.7%, VNP 88.3% vs 95.8%), scompenso cardiaco (Se 76.7% vs 9.5%, Sp 58.9% vs 99.0%, VPP 28.8% vs 18.8%, VNP 98.0% vs 97.9%), diabete (Se 91.8% vs 64.2%, Sp 95.1% vs 99.3%, VPP 93.9% vs 89.2%, VNP 93.4% vs 97.0%). Conclusioni Rispetto a quanto riportato dai MMG, gli algoritmi hanno mostrato un accordo molto alto per il diabete, moderato per la Bpco, discreto per lo scompenso cardiaco. E’ in corso l’analisi dei motivi di discordanza tra gli algoritmi diagnostici e quanto riportato dai MMG al fine di migliorare l’accuratezza degli algoritmi stessi.