Les données de routine des séjours d’hospitalisation pour évaluer la sécurité des patients : études de la qualité des données et perspectives de validation d’indicateurs de la sécurité des patients

Routine data from hospital stays for assessing patient safety : studies on data quality and Patient Safety Indicators validation prospects

• Auteur / Autrice : Jean-Marie Januel
• Direction : Cyrille Colin, Bernard Burnand
• Type : Thèse de doctorat
• Discipline(s) : Sciences du Vivants Épidémiologie et Santé Publique
• Date : Soutenance le 22/12/2011
• Etablissement(s) : Lyon 1
• Ecole(s) doctorale(s) : École doctorale Interdisciplinaire Sciences-Santé (Villeurbanne ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Science, Santé, Individu. SIS
• Jury : Président / Présidente : Anne-Marie Schott-Pethelaz
• Jury : Examinateurs / Examinatrices : Pierre Lombrail, Philippe Vanhems
• Jury : Rapporteurs / Rapporteuses : Nathalie Jetté, Niek Klazinga, Patrick S. Romano

Mots clés

Mots clés contrôlés

Fiabilité -- Méthodes statistiques

Mesures de sécurité

Hospitalisation

Mots clés libres

Sécurité des patients

Indicateurs de résultats

CIM-9-CM

CIM-10

Fiabilité

Validité

Patient safety

Outcome indicators

ICD-9-CM

ICD-10

Reliability

Validity

Résumé

Évaluer la sécurité des patients hospitalisés constitue un enjeu majeur de la gestion des risques pour les services de santé. Le développement d’indicateurs destinés à mesurer les événements indésirables liés aux soins (EIS) est une étape cruciale dont le défi principal repose sur la performance des données utilisées. Le développement d’indicateurs de la sécurité des patients – les Patient Safety Indicators (PSIs) – par l’Agency for Healthcare Research and Quality (AHRQ) aux Etats Unis, utilisant des codes de la 9ème révision (cliniquement modifiée) de la Classification Internationale des Maladies (CIM) présente des perspectives intéressantes. Nos travaux ont abordé cinq questions fondamentales liées au développement de ces indicateurs : la définition du cadre nosologique, la faisabilité de calcul des algorithmes et leur validité, la qualité des données pour coder les diagnostics médicaux à partir de la CIM et leur performance pour comparer plusieurs pays, et la possibilité d’établir une valeur de référence pour comparer ces indicateurs. Certaines questions demeurent cependant et nous proposons des pistes de recherche pour améliorer les PSIs : une meilleure définition des algorithmes et l’utilisation d’autres sources de données pour les valider (i.e., données de registre), ainsi que l’utilisation de modèles d’ajustement utilisant l’index de Charlson, le nombre moyen de diagnostics codés et une variable de la valeur prédictive positive, afin de contrôler les variations du case-mix et les différences de qualité du codage entre hôpitaux et pays.

Assessing safety among hospitalized patients is a major issue for health services. The development of indicators to measure adverse events related to health care (HAE) is a crucial step, for which the main challenge lies on the performance of the data used for this approach. Based on the limitations of the measurement in terms of reproducibility and on the high cost of studies conducted using medical records audit, the development of Patient Safety Indicators (PSI) by the Agency for Healthcare Research and Quality (AHRQ) in the United States, using codes from the clinically modified 9th revision of the International Classification of Diseases (ICD) shows interesting prospects. Our work addressed five key issues related to the development of these indicators: nosological definition; feasibility and validity of codes based algorithms; quality of medical diagnoses coding using ICD codes, comparability across countries; and possibility of establishing a benchmark to compare these indicators. Some questions remain, and we suggest several research pathways regarding possible improvements of PSI based on a better definition of PSI algorithms and the use of other data sources to validate PSI (i.e., registry data). Thus, the use of adjustment models including the Charlson index, the average number of diagnoses coded and a variable of the positive predictive value should be considered to control the case-mix variations and differences of quality of coding for comparisons between hospitals or countries.