Zin en mogelijkheden van een classificatie

Inzicht in ongeplande heropnames

Onderzoek
Coen J.T. Stevering
Rianne S. Ruitenbeek
H.J.J.M. (Bart) Berden
Citeer dit artikel als
Ned Tijdschr Geneeskd. 2016;160:A9373
Abstract
Download PDF

Samenvatting

Doel

Wij onderzochten of een in Engeland ontwikkelde classificatie van klinische heropnames ook op Nederlandse opnamegegevens toepasbaar is.

Opzet

Retrospectieve analyse van administratieve opnamegegevens geleverd aan de Landelijke Medische Registratie (LMR).

Methode

Heropnames zijn urgente klinische opnames binnen 30 dagen na ontslag uit een eerdere opname in datzelfde ziekenhuis – de indexopname. Uitgaand van het Engelse onderzoek onderscheiden we 7 categorieën heropnames: (A) complicatie na indexopname; (B) verwachte maar onvoorspelbare ziekenhuiszorg; (C) voorkeur van patiënt of zorgverlener; (D) artefact; (E) gerelateerd aan een ander orgaansysteem; (F) gerelateerd aan hetzelfde orgaansysteem; (G) sociaal-economische, psychosociale of andere indicatie. Deze classificatie pasten wij toe op de opnamegegevens van 18 Nederlandse ziekenhuizen in de periode 2009-2013.

Resultaten

Van de 1.633.466 opnames werden er 120.343 (7,37%) gevolgd door een heropname. De grootste categorie betrof heropnames gerelateerd aan hetzelfde orgaansysteem (categorie F, 44,07%), gevolgd door heropnames gerelateerd aan ander orgaansysteem (categorie E, 27,85%). Op de derde en vierde plaats volgden de categorieën met waarschijnlijk de grootste vermijdbaarheid, te weten complicatie na indexopname (categorie A, 17,66%) en verwachte ziekenhuiszorg (categorie B, 5,31%). Het gezamenlijke aandeel van de categorieën C, D en G was 5,55%. Deze verdeling was in grote lijnen gelijk in academische, topklinische en algemene ziekenhuizen. Wel vonden wij grote verschillen tussen specialismen.

Conclusie

Onze classificatie van heropnames is goed toepasbaar op Nederlandse opnamegegevens en biedt inzicht in patronen van opname en heropname. Nader dossieronderzoek zal moeten uitwijzen of deze classificatie suboptimale zorg en verminderde patiëntveiligheid daadwerkelijk kan opsporen.

Leerdoelen
  • Heropname binnen 30 dagen na ontslag uit een ziekenhuis wordt internationaal gebruikt als indicator voor de patiëntveiligheid en voor mogelijke besparingen.
  • In 2015 is deze indicator voor het eerst opgenomen in de Basisset Kwaliteitsindicatoren ziekenhuizen, ondanks methodische bezwaren.
  • In Engeland is een classificatiesysteem ontwikkeld om heropnames in te delen op basis van de relatie met de indexopname
  • Een aangepaste classificatie met 7 categorieën, gebaseerd op reeds beschikbare administratieve gegevens, kan ook in Nederlandse ziekenhuizen toegepast worden.
  • Ongeveer 1 op de 5 heropnames valt in de categorie ‘complicatie na indexopname’.
  • De verschillende typen heropnames zijn ongeveer gelijk verdeeld tussen algemene, topklinische en academische ziekenhuizen, maar de verschillen per specialisme zijn groot.
  • De classificatie kan ziekenhuizen helpen de aard van interventies aan te passen om heropnames terug te dringen.

artikel

Inleiding

Heropname binnen 30 dagen na een eerdere klinische opname in hetzelfde ziekenhuis – de zogeheten indexopname – geldt internationaal als indicator voor de patiëntveiligheid en voor mogelijke besparingen.1 Bij sommige heropnames is er een duidelijk oorzakelijk verband tussen de indexopname en de heropname, en aangezien heropnames een kostenpost zijn en de patiënt veel ongemak bezorgen is het van belang die heropnames te identificeren die vermeden hadden kunnen worden. Men vermoedt dat ongeveer een kwart (23,1%) van alle heropnames vermijdbaar is; zij zijn het gevolg van medische fouten, suboptimale zorg of slechte ontslagvoorbereiding tijdens de oorspronkelijke opname.2

Engelse onderzoekers hebben recentelijk een classificatie van heropnames opgesteld op basis van het verband met de indexopname. Zij onderscheiden 6 categorieën.3 In een retrospectieve analyse van Nederlandse opnamegegevens onderzochten wij of deze classificatie ook bruikbaar is in Nederlandse ziekenhuizen. Inzicht in de patronen van heropname en in de relaties tussen heropname en indexopname zou het mogelijk maken gericht dossieronderzoek te doen naar vermijdbare heropnames en naar die plekken in de ziekenhuiszorg en -organisatie waar verbetering mogelijk is.

Methode

Criteria

Wij analyseerden uitsluitend klinische opnames. Als heropname beschouwden wij elke urgente opname binnen 30 dagen na ontslag uit hetzelfde ziekenhuis, ongeacht diagnose of specialisme. De definitie van urgentie ontleenden we aan de Landelijke Medische Registratie (LMR). Ervan uitgaande dat een urgente heropname in principe niet gepland is, beschouwden wij de kwalificaties ‘urgent’ en ‘ongepland’ als uitwisselbaar.

Classificatie

In de Engelse classificatie waren op basis van literatuuronderzoek 6 hypothetische hoofdoorzaken voor een heropname geformuleerd en voorzien van een operationele definitie. Nadat deze beoordeeld waren door 6 ervaren medisch specialisten uit 5 disciplines werden deze definities vertaald naar relevante sets van ICD-10-diagnosecodes, zowel voor de combinatie van indexopname-heropname als voor patronen van opeenvolgende heropnames.3 Wij voegden een 7e categorie toe voor opnames met als hoofddiagnose een code uit ICD-10-hoofdstuk Z, sociaal-economische of psychosociale omstandigheden. In England worden Z-codes nagenoeg niet als hoofddiagnose gebruikt. Tabel 1 geeft een overzicht van de 7 categorieën, met hun subcategorieën. Tabel 2 geeft uit iedere categorie een voorbeeld. In de analyse hebben wij elke heropname exclusief toebedeeld aan 1 categorie, met uitzondering van heropnames in de subcategorieën C2 en D2. Deze zijn apart geanalyseerd op basis van een opnamepatroon en niet op basis van een diagnose.

Gegevens

De gegevens voor ons onderzoek zijn afkomstig uit een database voor de monitoring van sterftecijfers, lange verpleegduur en heropnames, aangelegd in het kader van de Landelijke Medische Registratie (LMR). Deze database bevat opnamegegevens over de periode 2009-2013 uit 2 academische, 9 topklinische en 7 algemene ziekenhuizen, en geeft naar wij veronderstellen een representatief beeld van de Nederlandse situatie. Per ziekenhuis hebben we het laatste volledig beschikbare kwartaal alleen gebruikt om heropnames te identificeren. Eventuele indexopnames in dit kwartaal zijn buiten beschouwing gelaten omdat niet bekend is of ze tot heropname hebben geleid. Per ziekenhuis zijn gemiddeld 17 aaneengesloten kwartalen geanalyseerd (spreiding: 9-19 kwartalen). We excludeerden 2,8% van alle opnames omdat de hoofddiagnose onduidelijk was of duidde op psychische problemen. Heropnames includeerden we ongeacht de uitkomst, dus ook als de patiënt tijdens de opname overleed.

Analyse

We classificeerden de heropnames aan de hand van diagnosecodes en patronen in de tijd, zoals beschreven in tabel 1. Per categorie berekenden we het percentage ten opzichte van het totaal aantal heropnames, met een 95%-betrouwbaarheidsinterval op basis van de poissonverdeling.

Resultaten

Van de in totaal 1.633.466 opnames hadden er 120.343 een heropname tot gevolg, dat is 7,37% (95%-BI: 7,33-7,41). Daarbij ging het om respectievelijk 1.042.255 en 88.289 unieke patiënten. Figuur 1 en tabel 3 laten zien hoe de heropnames zijn verdeeld over de 7 categorieën.

Categorie A: complicatie na indexopname

Categorie A bevat 21.250 heropnames, 17,66% van het totaal. Deze heropnames waren noodzakelijk als gevolg van een gecompliceerd beloop na de indexopname. In subcategorie A1 vallen 8849 heropnames (7,35%) waarbij de hoofddiagnose duidt op een sterk verband met een eerdere chirurgische procedure of medische zorg. Subcategorie A2, waarbij de hoofddiagnose duidt op een mogelijk verband, bevat 12.401 heropnames (10,3%) met verschillende verschijningsvormen:

  • de indexopname had een symptoom als hoofddiagnose terwijl de heropname een specifieke diagnosecode bevat (4981 heropnames, 4,14%);
  • veel voorkomende, vermijdbare complicaties (3544 heropnames, 2,94%);
  • patiënten met een enkele heropname, maar met dezelfde hoofddiagnose als de indexopname (1641 heropnames; 1,36%)
  • heropnames op dezelfde dag (2235 heropnames; 1,86%).

Categorie B: verwachte maar onvoorspelbare ziekenhuiszorg

Deze categorie omvat 6387 heropnames, 5,31% van het totaal. Het aantal heropnames in subcategorie B1, zieke maar stabiele patiënten, is verwaarloosbaar: 34 heropnames. Subcategorie B2, instabiele patiënten, bevat 4449 heropnames (3,7%) en subcategorie B3, niet-medische risicofactoren, bevat 1904 heropnames (1,58%).

Categorie C: voorkeur van patiënt of zorgverlener

Categorie C bevat 174 heropnames, 0,14% van het totaal. Al deze heropnames vallen in subcategorie C1: de patiënt had tegen het advies van de zorgverlener in het ziekenhuis verlaten. Subcategorie C2 blijft leeg: het aantal heropnames rondom feestdagen wijkt niet significant af van het verwachte aantal.

Categorie D: artefact

Categorie D bevat 961 heropnames, 0,8% van het totaal. De hoofddiagnose of de timing wijst op verwachte en geplande routinezorg, en de heropname is waarschijnlijk ten onrechte als urgent gecodeerd. De verdeling over de beide subcategorieën is ongeveer fiftyfifty: de hoofddiagnose duidt op routinematige follow-up zoals een orthopedische nabehandeling (ICD-10-code Z09), of de heropname vond plaats op dag 7, 14, 21 of 28 na de indexopname. Zoals de frequentieverdeling in figuur 2 laat zien, valt de piek in het aantal heropnames (9%) op dag 1 na de indexopname en neemt de kans op heropname in de daaropvolgende periode geleidelijk af.

Categorie E: ongeval of diagnose gerelateerd aan een ander orgaansysteem

Categorie E is de op één na grootste categorie met 33.514 heropnames (27,85%). Deze heropnames hebben een hoofddiagnose in een ander ICD-hoofdstuk dan de indexopname en staan dus waarschijnlijk los van de indexopname.

Categorie F: in grote lijnen gerelateerd (hetzelfde orgaansysteem)

Categorie F is de grootste categorie, met 53.034 opnames (44,07%). Heropnames in deze categorie hebben een hoofddiagnose in hetzelfde ICD-10-hoofdstuk als de indexopname.

Categorie G: overig

Categorie G bevat 5544 heropnames (4,61%). Zij omvat heropnames met als hoofddiagnose een sociaal-economisch of psychosociaal probleem (ICD-10-hoofdstuk Z).

Vergelijking tussen ziekenhuizen en specialismen

Het percentage heropnames varieert enigszins per type ziekenhuis: academische ziekenhuizen 5,8%, topklinische ziekenhuizen 8,1%, algemene ziekenhuizen 6,6%. Dit patroon houdt mogelijk verband met het aandeel urgente opnames: academische ziekenhuizen 40,8%, topklinische ziekenhuizen 57,5%, algemene ziekenhuizen 53,4%. De verdeling van heropnames is op het oog voor alle drie de types ziekenhuizen grofweg hetzelfde (figuur 3), maar nagenoeg alle verschillen zijn statistisch significant. Academische ziekenhuizen hebben relatief minder heropnames in de categorieën B en G. Een groot deel van de heropnames in categorie G bij topklinische ziekenhuizen en algemene ziekenhuizen is voor reconvalescentie na een behandeling – meestal een operatie – of houdt verband met geboortezorg.

De verdeling van heropnames verschilt sterk per medisch specialisme. Zo heeft longgeneeskunde relatief veel heropnames in categorie B, terwijl bij chirurgie categorie A relatief groot is (figuur 4).

Vergelijking met het eerdere Engelse onderzoek

De verdeling van heropnames over de verschillende categorieën wijkt in ons onderzoek af van die in Engeland: de categorieën A en B zijn kleiner, de categorieën E en F juist groter.3 Voor een deel zijn de verschillen het gevolg van het feit dat de Engelse onderzoekers over een completere dataset beschikten die ook een grotere periode besloeg. Daardoor konden zij per patiënt meer heropnames identificeren en dat zorgt voor meer heropnames in categorie B. Daarnaast bevatten de Engelse data ook heropnames in andere ziekenhuizen dan de indexopname, waardoor categorie A groter is. Weliswaar vonden wij een groter percentage heropnames dan de Engelse onderzoekers (7,4 versus 7,0%), maar deze percentages zijn relatief laag en kunnen gebaseerd zijn op onderregistratie. In de Verenigde Staten zijn percentages ongeplande heropnames geconstateerd van 12,3-16%.4-6

Beschouwing

Heropname als indicator van patiëntveiligheid en kostenbewustzijn

In de Verenigde Staten en het Verenigd Koninkrijk worden heropnames al geruime tijd gebruikt als indicator voor patiëntveiligheid, als aangrijpingspunt voor kostenreductie en, meer recent, als variabele in ‘pay for performance’.1 In de Verenigde Staten is daar echter ook kritiek op.7 In Europa is nog relatief weinig onderzoek gedaan naar de validiteit van heropnames als kwaliteitsindicator.8 Heropnames lijken zich op het eerste gezicht daarvoor goed te lenen, maar er zijn nog wel methodische zorgen: over de kwaliteit van de basisregistratie, de precieze definiëring van de indicator, de casemixcorrectie en de combinatie met andere kwaliteitsindicatoren.9 Toch heeft de Inspectie voor de Gezondheidszorg in de Basisset Kwaliteitsindicatoren ziekenhuizen 2015 heropnames geïntroduceerd als indicator voor patiëntveiligheid, hoewel de gebruikswaarde in deze vorm zeer gering is en er nog geen aanvullend instrumentarium beschikbaar is.10

Een classificatie van heropnames op basis van de relatie met de indexopname geeft inzicht in de aard van de heropname en in de prevalentie van de verschillende soorten heropnames. Daardoor krijgt heropname als kwaliteitsindicator meer inhoudelijke aangrijpingspunten en wordt het ook mogelijk die prevalenties te vergelijken tussen en binnen ziekenhuizen en specialismen.

Een classificatie van heropnames kan ziekenhuizen helpen de aard van interventies aan te passen om het aantal heropnames terug te dringen. Naar gelang van het type heropname kan een ziekenhuis of specialisme voor gerichte aanpassingen kiezen. Bij heropnames van categorie A, die een rechtstreeks gevolg zijn van de indexopname, zal men het ontstaan van de complicaties analyseren en interne zorgprocessen doorlichten. Een voorbeeld: van de patiënten die na een eerste opname voor chirurgie werden heropgenomen, had 53% minstens 1 complicatie, van de patiënten zonder urgente heropname kregen, was dit slechts 16%.11

Naar verwachting zullen vermijdbare heropnames vooral voorkomen in categorie A, maar ook in andere categorieën kunnen heropnames mogelijk voorkómen worden. Bij heropnames in categorie B, ‘verwachte maar onvoorspelbare ziekenhuiszorg’, gaat het vaak om patiënten met een chronische ziekte zoals COPD, hartfalen en diabetes. Wellicht zijn er aanknopingspunten om de zorgorganisatie en de transitie naar de eerste lijn te verbeteren, zodat het aantal ongeplande urgente heropnames van deze patiënten kan afnemen. Dat vereist wel zeer intensieve interventies die gecoördineerd worden door een verpleegkundige, uitstekende communicatie tussen de eerste en de tweede lijn, en huisbezoeken binnen 3 dagen na ontslag.12 Of er ook in andere categorieën heropnames voorkomen die daadwerkelijk het gevolg zijn van suboptimale zorg en dus vermijdbaar zijn, is alleen met gestructureerd dossieronderzoek te achterhalen. Ook de validiteit van de door ons opgestelde categorieën en subcategorieën zal met behulp van dossieronderzoek verder onderzocht moeten worden.

Andere methoden

Wij hebben in de literatuur geen vergelijkbare classificatiemethode aangetroffen die gebaseerd is op diagnosecodes en patronen van opnames en heropnames. Er zijn veel modellen en screeningsinstrumenten ontwikkeld voor de inschatting van het risico op heropname, op basis van klinische gegevens, administratieve gegevens of combinaties daarvan.5,6,13-16 De meeste van die modellen en instrumenten presteren echter slecht.17 Zelfs zorgverleners schijnen het risico op heropname slecht te kunnen inschatten.18

Sterke en zwakke kanten van het onderzoek

De Engelse classificatie kan, met beperkte aanpassingen, worden toegepast op de reeds beschikbare administratieve gegevens zoals vastgelegd in de LMR, die in 2014 is opgegaan in de Landelijke Basisregistratie Ziekenhuiszorg. Dit heeft als voordeel dat er geen extra registratie nodig is om de classificatie te kunnen toepassen, als nadeel dat de onderzoeker afhankelijk is van de juiste codering van hoofddiagnose en urgentie. Onderzoek uit 2001 laat zien dat bij 84% van de opnames de hoofddiagnose correct wordt gecodeerd.19 Uit de LMR komen geen aanwijzingen voor grote verschillen tussen de ziekenhuizen in de codering voor urgentie.20 Heropnames in een ander ziekenhuis dan waar de indexopname plaatsvond, hebben wij niet opgenomen in onze analyse. In de LBZ wordt dat wel mogelijk door de verplichte aanlevering van een gepseudonimiseerd burgerservicenummer. Verder dossieronderzoek zal moeten uitwijzen of onze classificatie ook daadwerkelijk helpt bij het verbeteren van de patiëntveiligheid en het reduceren van vermijdbare heropnames.

Conclusie

In de dataset van 18 Nederlandse ziekenhuizen volgt op 120.343 van de 1.633.466 opnames (7,4%) een ongeplande heropname.

Heropnames met een hoofddiagnose in hetzelfde orgaansysteem als bij de indexopname komen het vaakst voor (44%); daarna volgen heropnames waarvan de hoofddiagnose een ander orgaansysteem betreft (34%). De derde categorie van enige omvang, met 17%, wordt gevormd door heropnames die verband houden met een complicatie na de indexopname en dus wellicht vermijdbaar waren. De overige categorieën zijn relatief klein (0,14-5,31%).

De verdeling van categorieën verschilt relatief weinig per type ziekenhuis, maar er zijn soms grote verschillen tussen specialismen.

De Engelse classificatie is, met een beperkt aantal aanpassingen, goed toepasbaar op Nederlandse opnamegegevens en biedt inzicht in de verschillende typen heropname en in patronen van opname en heropname. Nader dossieronderzoek zal moeten uitwijzen of zij ook daadwerkelijk geschikt is om suboptimale zorg en verminderde patiëntveiligheid op te sporen.

Literatuur
  1. Burgess JF, Hockenberry JM. Can all cause readmission policy improve quality or lower expenditures? A historical perspective on current initiatives. Health Econ Policy Law 2014;9:193-213. Medline

  2. van Walraven C, Jennings A, Forster AJ. A meta-analysis of hospital 30-day avoidable readmission rates. J Eval Clin Pract 2012;18:1211-8.

  3. Blunt I, Bardsley M, Grove A, Clarke A. Classifying emergency 30-day readmissions in england using routine hospital data 2004-2010: What is the scope for reduction? Emerg Med J 2015;32:44-50. doi:10.1136/emermed-2013-202531Medline

  4. Vashi AA, Fox JP, Carr BG, et al. Use of hospital-based acute care among patients recently discharged from the hospital. JAMA 2013;309:364-71.

  5. Gruneir A, Dhalla IA, van Walraven C, et al. Unplanned readmissions after hospital discharge among patients identified as being at high risk for readmission using a validated predictive algorithm. Open Med 2011;5:e104-11. Medline

  6. Bradley EH, Yakusheva O, Horwitz LI, Sipsma H, Fletcher J. Identifying patients at increased risk for unplanned readmission. Med Care 2013;51:761-6.

  7. Joynt KE, Jha AK. Thirty-day readmissions--truth and consequences. N Engl J Med 2012;366:1366-9.

  8. Fischer C, Anema HA, Klazinga NS. The validity of indicators for assessing quality of care: A review of the european literature on hospital readmission rate. Eur J Public Health 2012;22:484-91.

  9. Fischer C, Lingsma HF, Marang-van de Mheen PJ, Kringos DS, Klazinga NS, Steyerberg EW. Is the readmission rate a valid quality indicator? A review of the evidence. PLoS One. 2014;9:e112282. Medline

  10. Inspectie voor de Gezondheidszorg. Basisset kwaliteitsindicatoren ziekenhuizen 2015. Utrecht: IGZ; 2014.

  11. Lawson EH, Hall BL, Louie R, et al. Association between occurrence of a postoperative complication and readmission: Implications for quality improvement and cost savings. Ann Surg 2013;258:10-8.

  12. Verhaegh KJ, MacNeil-Vroomen JL, Eslami S, Geerlings SE, de Rooij SE, Buurman BM. Transitional care interventions prevent hospital readmissions for adults with chronic illnesses. Health Aff (Millwood) 2014;33:1531-9.

  13. Goldfield N. How important is it to identify avoidable hospital readmissions with certainty? CMAJ 2011;183:E368-9.

  14. Shulan M, Gao K, Moore CD. Predicting 30-day all-cause hospital readmissions. Health Care Manag Sci 2013;16:167-75.

  15. Donzé J, Aujesky D, Williams D, Schnipper JL. Potentially avoidable 30-day hospital readmissions in medical patients: Derivation and validation of a prediction model. JAMA Intern Med 2013;173:632-8.

  16. Gildersleeve R, Cooper P. Development of an automated, real time surveillance tool for predicting readmissions at a community hospital. Appl Clin Inform 2013;4:153-69.

  17. Kansagara D, Englander H, Salanitro A, et al. Risk prediction models for hospital readmission: A systematic review. JAMA 2011;306:1688-98.

  18. Allaudeen N, Schnipper JL, Orav EJ, Wachter RM, Vidyarthi AR. Inability of providers to predict unplanned readmissions. J Gen Intern Med 2011;26:771-6.

  19. Paas GRA, Veenhuizen KCW. Onderzoek naar de betrouwbaarheid van de LMR, rapportage voor de ziekenhuizen. Utrecht: Prismant; 2002.

  20. van der Laan J. Quality of the dutch medical registration (LMR) for the calculation of the hospital standardised mortality ratio. Den Haag: CBS; 2013.

Auteursinformatie

Elisabeth-TweeSteden Ziekenhuis, Bureau Bestuursondersteuning, Tilburg.

C.J.T. Stevering, arts en bedrijfskundige.

De Praktijk Index, Bilthoven.

R.S. Ruitenbeek, MSc, data-analist.

TIAS Business School, Centrum voor het Bestuur van de Maatschappelijke Onderneming, Tilburg.

Prof.dr. H.J.J.M. Berden, arts en bedrijfskundige.

Contact C.J.T. Stevering

Belangenverstrengeling

Belangenconflict en financiële ondersteuning: geen gemeld.

Auteur Belangenverstrengeling
Coen J.T. Stevering ICMJE-formulier
Rianne S. Ruitenbeek ICMJE-formulier
H.J.J.M. (Bart) Berden ICMJE-formulier
Ongeplande heropname

Ook interessant

Reacties