Bonjour. Remercier toi pour joindre nous aujourd'hui
pour notre présentation sur,
"Mesure Changement dans Médicaments assistés Traitement
pour Intervenants dans projet ÉCHO En utilisant Administratif Soins de santé Réclamations"
Nous sont excité pour partager comment nous utiliser JMP comme un clé outil dans notre analytique travail.
Suivant glisser, s'il te plaît.
Mon nom est Érica Plante et je suis un senior scientifique données analyste
à le Institut pour Santé Politique et Pratique
à le Université de Nouveau Hampshire.
je suis rejoint par Dr. Michelle Capozzoli, Senior Maître de conférences
dans le Département de Mathématiques et Statistiques,
aussi à le Université de Nouveau Hampshire.
Ni Michelle ni je ont conflits de intérêt pour divulguer.
Suivant glisser, s'il te plaît.
Avant nous décrire notre travail,
je serait comme pour fournir un bref aperçu sur Projet ÉCHO.
Projet ÉCHO était fondé dans 2003 par Dr. Sanjeev Arora
à le Université de Nouveau Mexique.
Dr. Arora est un Médecin spécialisation dans Gastro-entérologie et Hépatologie.
Il était voyant les patients avec Hépatite C mourir à alarmant les taux
parce que ils pourrait pas accès se soucier
pour ce traitable maladie dans un opportun manière.
Il recherché pour apporter fournisseurs ensemble pour former un communauté de pratique
où médecins et autre spécialistes peut apprendre depuis chaque autre.
ÉCHO est un "tous enseigner, tous apprendre" modèle,
et le séances sont souvent centré autour un clé problème ou condition.
Le Université de Nouveau Hampshire lancé c'est projet ÉCHO moyeu dans 2018
et a depuis produit un nombre de ÉCHO programmes,
y compris le Partenariat pour Académique Clinique Télépratique, Médicaments
pour Dépendance Traitement, ou PACT-MAT.
Suivant glisser, s'il te plaît.
Le primaire but de PACT-MAT ÉCHO est
pour augmenter le nombre de infirmière praticien étudiants
dans diplômé et de troisième cycle programmes OMS recevoir renoncer entraînement,
appliquer pour le renoncer, et ensuite prescrire TAPIS.
Secondairement, le projet cherche pour augmenter fournisseur soi- efficacité
dans gérant les patients avec Substance- utiliser Désordre.
Le programme développé un apprentissage communauté
ce activé un culture ce compris dépendance
comme un chronique maladie et était préparé pour adresse
le gamme de questions ce a émergé pendant le processus de traitement.
Spécifiquement, ce programme concentré sur tous participants devenir compétent
et culturellement compétent dans prescrire et traiter SUD,
comme Bien comme améliorer capacité et qualités de prestations de service disponible
pour les patients dans leur communautés à travers leur fournisseurs.
Suivant glisser, s'il te plaît.
Après le achèvement de le d'abord PACT-MAT session,
le équipe était intéressé dans répondre quelques des questions
à propos le PACT-MAT ÉCHO à travers Réclamations Données Analyse.
Mais voici quelques cœur information à propos le analytique projet.
Le analytique période de intérêt était depuis 2018 à travers Juin 2020.
Ce était pour capture données avant et après le d'abord PACT-MAT ÉCHO session.
Le projet était financé
par le Substance Abus et Mental Santé Prestations de service Administratif ( SAMHSA),
comme partie de 150K 3 ans accorder.
Le projets principal enquêteur était Dr. Marcy Doyle.
Nous étaient vouloir pour demander un peu des questions à propos le réel ÉCHO programme
et comment nous étaient capable pour voir si fournisseur les pratiques avait modifié
après en fait participant dans le ÉCHO.
Et le Centre pour Santé Analytique de Informatique
à le Institut pour Santé Politique et Pratique à UNH.
Étaient chanceux assez pour ont accès pour soins de santé, administratif réclamations,
et inscription données pour commercial et Nouveau Hampshire Aide médicale Stratégies.
Donc, le CHA équipe était apporté dans le recherche projet
pour collecter et agrégat le données,
et UNH Département de Mathématiques et Statistiques était apporté dans
pour construire des modèles et effectuer analyse.
Suivant glisser, s'il te plaît.
Et ces sont le des questions ce nous demandé comme notre cœur recherche des questions.
A fait le PACT-MAT ÉCHO Série ont un impact
sur participants' TAPIS prescrire les pratiques?
Et peut nous avec succès effectuer un cas/ contrôle étude sur fournisseurs
en utilisant administratif réclamations données?
Suivant glisser, s'il te plaît.
Quand collecte santé se soucier réclamations,
nous inclus tous membres, âge zéro pour 64 OMS avait médical
et pharmacie inscription dans le mois de intérêt.
PACT-MAT participants soi- signalé leur nom, titres, NPI,
de l'organisation nom et adresse, et leur renoncer statut.
Nous croix- référencé ce données contre CMS National Plan
et Fournisseur Énumération Système, aussi connu comme le NPES Enregistrement.
Dans le cas de un décalage entre le soi- signalé données
et le NPES enregistrement, le soi signalé données était considéré
le la plupart en haut pour date et était utilisé pour le analyse.
Information sur notre contrôle groupe était provenant seul depuis le NPES.
Suivant glisser, s'il te plaît.
Et réclamations refléter si un ou plus service lignes inclus
un TAPIS procédure code ou médicament code,
ils étaient aussi signalé
si un Liés aux opioïdes Désordre diagnostic code était trouvé.
Médical fournisseurs étaient choisi comme ayant facturé pour TAPIS si à moins
un service doubler inclus leur NPI ou un de le TAPIS CPT codes.
Prescrire fournisseurs étaient choisi comme ayant prescrit TAPIS si au moins
un pharmacie service doubler inclus leur NPI comme le prescripteur
et à moins un de le TAPIS CDN codes.
Le cas et contrôle populations chaque avait deux paires de ensembles de données.
Suivant glisser, s'il te plaît.
Un paire pour chaque assurance taper, commercial ou Nouveau Hampshire Medicaid.
Le d'abord date inclus là le fournisseurs NPI et information,
comme Bien comme total agrégats par mois de tous fournisseurs,
les patients et réclamations.
Les patients avec Opioïde- Utiliser Désordre (OUD),
les patients avec n'importe quel médicament assisté traitement,
et les patients avec les deux OUD et TAPIS.
Le deuxième base de données fourni le même base de données comme le d'abord données ensemble...
Même données comme le d'abord données ensemble, avec l'agrégation
à le membre démographique niveau,
tel comme âge, catégorie, comté, et sexe.
Non identifiable membre données était appliqué pour le statisticiens.
Maintenant Je suis en allant pour passer le présentation pour mon collègue, Dr. Capozzoli.
Remercier toi, Érica.
Une fois nous obtenir le données.
Le données était en fait analysé par Rébecca LParc.
Elle était un UNH maîtrise étudiant sous le surveillance de moi-même
et Dr. Philippe Ramsey.
Nous reçu le trois données ensembles.
Un était le praticiens démographie tel comme nom,
National Fournisseur Identifiant, titre, pratique adresse.
Le autre deux étaient le réclamations ensembles de données.
Un pour le Aide médicale et un pour le commercial.
Donc le original données était extrêmement grand
pour les deux le commercial et pour Aide médicale
pour chaque praticien, il suivi chaque de leur TAPIS les patients' histoire
sur le étude période.
Donc le original pensée était essayer pour...
Utiliser leur modèle de comportement de leur les patients sur temps.
Assez rapidement, il devenu apparent ce ce approche était un petit bit problématique
et aussi nous couru dans quelques confidentialité lois dans en essayant pour faire bien sûr
ce tous identifier Marqueurs étaient pas disponible.
Donc quoi nous a fait était nous aiguisé dans
sur plusieurs de le variables pour le démographie.
Donc nous aiguisé dans sur le National Fournisseur Identifiant,
leur titre, et le ville de leur pratique.
Et alors depuis le réclamations données, nous concentré dans sur le mois et année.
Donc ce des pistes quoi mois et année
ce nous étaient en regardant à.
Le phase de le programme était le Pré,
donc ce est Pré avant ÉCHO,
En cours est pendant ÉCHO, La poste est évidemment après ÉCHO.
Donc alors nous agrégé le données et donc plutôt de en regardant à
chaque seul visite, quoi nous regardé à étaient mois
et nous regardé à patient totaux.
Donc le d'abord, nous évidemment regardé à était le nombre de les patients total
pour ce praticien pendant ce mois,
le nombre de les patients avec Opioïde-U se Désordre,
le nombre de les patients OMS avait n'importe quel TAPIS,
le nombre de les patients avec OUD OMS avait n'importe quel TAPIS.
Plus loin, quand en regardant à le Aide médicale
contre le commercial se soucier, pendant le exploratoire analyse,
il devenu apparent ce nous étaient en allant pour besoin pour se concentrer dans sur le Aide médicale données
exigible pour le faible patient Nombres dans le commercial se soucier.
Donc ici pour exemple, quand nous étaient en regardant à il,
il devenu apparent;
donc sur moyenne ils avait un patient par mois avec n'importe quel MAT.
Et donc quoi nous étaient action était il y a un parcelle de clairsemé données ici
et il était juste pas propice pour en essayant pour adapter des modèles.
Donc nous concentré dans sur le Aide médicale données.
Plus loin, nous initialement avait 20 fournisseurs,
qui nous avait pour réduire bas pour neuf fournisseurs.
Et le raison être est ce quelques de le fournisseurs
avait aussi beaucoup mois de manquant données.
Quelques de eux, nous avait pour éliminer
parce que le majorité de le mois, ils n'a pas ont n'importe quel les patients OMS avait TAPIS.
Et alors plus loin, comme nous commencé pour adapter le des modèles,
il devenu apparent ce nous aussi nécessaire un le minimum de dix total les patients par mois.
Donc nous a fait fin en haut avec un très plus petit goûter taille
que nous avait initialement pensée nous serait ont.
Le autre pièce, comme nous étaient explorant le données,
en utilisant quelques de le outils ce John fournit,
nous remarqué ce le neuf praticiens avait sur moyenne le nombre de les patients
ou nombre de total les patients différait.
Donc pour exemple, ils pourrait ont,
je penser il était entre un total gamme de un pour 161 les patients.
Donc entre ce et alors en regardant à le s'orienter sur temps,
donc nous regardé à le moyenne nombre de les patients total
et comme toi avis ce, le bleu doubler,
toi avis ce juste dans général il y a un augmenter de les patients sur temps.
Nous aussi regardé à le moyenne nombre de les patients
avec le Utilisation d'opioïdes D dans l'ordre
et ceux OMS avait n'importe quel MAT, et ceux OMS étaient diagnostiqué
avec OUD et avait n'importe quel TAPIS.
Et si toi avis, tous quatre ont un similaire s'orienter de un en augmentant s'orienter.
Donc pour combat ce, parce que quoi nous vouloir pour savoir est,
sont les praticiens en augmentant leur prescrire ?
Pas ce ils sont ayant plus chez les malades sur temps,
nous normalisé le données par créer un nouveau variable.
Donc quoi nous créé était le proportion de les patients
OMS avait n'importe quel TAPIS dans comparaison pour le total nombre de les patients.
Et le raison ce nous a fait utiliser le les patients OMS avait n'importe quel tapis
est dû pour le fait ce un diagnostic de un OUD fait ont un certain stigmatisme.
Et donc nous feutre ce il serait être mieux pour regarder à n'importe quel TAPIS.
Donc Analyse Considérations.
Depuis le début nous connaissait ce nous avait
un petit goûter taille de praticiens, seul neuf.
Le autre chose ce devenu apparent
à travers un parcelle de le graphique représentations de le données
était ce nous avait un parcelle de bruit.
Et donc dans prise ce dans considération,
nous décidé pour tentative plusieurs différent approches.
Le d'abord approche était essentiellement, ton moyens comparaison:
ANOVA et Apparié paires.
Alors nous pensée à propos apportant dans ce temps variable.
Et donc nous a fait regarder à eux dans plusieurs différent façons,
depuis juste simple Régression linéaire, depuis le début.
Nous a fait considérer De construction Équation Des modèles.
Dr. Laura Castro- Shilo depuis JMP avait venir pour un de Dr. Les cours de Ramsey
et donné une conversation sur ces des modèles.
Donc initialement, quand...
Nous étaient en regardant à le données, nous pensée ce ces des modèles
pourrait être approprié.
Mais il devenu apparent rapidement parce que de le des difficultés ce nous avait
ce ils juste étaient pas fonctionnement pour nous.
Donc le suivant, nous travaillé avec Régression segmentée.
Ce était choisi
parce que dans quelques précédent travail avec réclamations données ,
il était apporté en haut ce peut être le Régression segmentée serait travail Bien
parce que nous avait données ce était en regardant à pré et poste.
Donc nous pensée ce avec notre avant, en cours et après,
ce peut être le Régression segmentée serait être approprié.
Nous aussi regardé à Exponentiel Régression et La logistique Régression.
Nous aussi regardé à leur Généralisé Régression Des modèles
et y compris juste le régulier et alors zéro- gonflé Poisson,
Binôme, et Négatif Binôme Des modèles.
Et le raison pourquoi nous décidé pour regarder à le Poisson,
et Binôme et Négatif Binôme est
le données est inhérent ce il a compte et donc nous pensée ce peut être
ces pourrait être approprié.
Et donc quoi Je suis en allant pour se concentrer sur aujourd'hui sont le Moyens Comparaison,
le Régression segmentée et le zéro- gonflé Poisson
et ce est en allant pour être pour les deux juste en regardant à le ÉCHO groupe
et alors le Apparié Paires comparant le contrôle groupe pour le ÉCHO groupe.
Donc le d'abord analyse ne tient pas compte le temps variable
et étaient juste en regardant à moyennes.
Qu'est-ce que le moyenne proportion de les patients dans ton pré, en cours, et poste.
Et juste depuis le moyens, il est rapidement apparent et depuis le graphique
ce notre pré phase est certainement inférieur que le en cours et poste.
Nous aussi testé pour le...
Parce que nous ont petit goûter avec praticiens,
nous a fait regarder à le variance et nous indiqué ce nous a fait ont un problème
avec non- égal variance et donc nous a fait utiliser Welch's test
plutôt de le traditionnel ANOVA
pour conduire pour voir si nous avait différences entre le phases et évidemment nous faire.
Et alors pour déterminer statistiquement qui ceux étaient différent,
nous a fait regarder à le Tous Paires Tukey- Kramer Test.
Et il a fait confirmer ce notre pré phase était différent que le en cours et poste,
mais le en cours et poste étaient très similaire.
Et donc ce a donné nous quelques...
Ce évidemment est indiquant ce nous faire ont quelques différences.
Le ÉCHO programme est fabrication un différence.
Donc ce Régression segmentée, comme je indiqué avant,
était suggéré parce que nous faire ont le trois étapes : pré, en cours, et poste.
Et nous étaient capable...
Dr. Ramsey avait suggéré ce nous utiliser un scénario
ce est fait par David Burnham, par Péga Analytique.
Si toi sont intéressé dans ce scénario, le lien est ici sur le site Internet,
il donne toi le code et il aussi donne toi
un très détaillé description depuis doubler pour doubler,
quoi il est action dans ce code.
Et donc qu'est-ce que c'est événement ici, quand nous couru le scénario,
Nous étaient capable pour adapter séparé régressions pour le trois différent étapes
comme Bien comme obtenir le adapter,
un R², et test le importance de le pente.
Et donc encore, étaient voyant ce modèle ce nous scie avec le ANOVA.
Toi faire voir ce le pré est certainement inférieur que le en cours et poste.
Malheureusement, le pentes pour tous de le trois phases
étaient pas important.
Toi peut aussi voir ce nous faire ont un important montant de variabilité.
Donc ensuite quoi nous considéré était le fait ce nous avait deux les types...
Ou deux catégories de praticiens ;
nous avait ceux OMS étaient infirmière praticiens, médecin adjoints ;
et alors nous avait le médecins.
Même mais ils étaient petit goûter tailles.
Nous décidé pour voir, "D'accord, peut nous voir quelques type de un signal?"
"Quoi est en allant sur ici?"
Et quand nous regardé à le infirmière praticiens encore,
toi voir ce comportement de le pré être inférieur que le en cours et le poste.
Et quoi nous indiqué est ce pour le pré phase,
nous sont voyant un petit bit de un importance même mais il est 0,07,
il est en disant ce là est un signal ici et nous faire ont quelque chose en allant sur.
Malheureusement pour le en cours et poste,
étaient pas voyant ce importance mais encore nous sont voyant ce s'orienter.
Qu'est-ce que intéressant est quand nous regardé à le postes.
Et nous indiqué ce évidemment nous faire pas ont...
Le pentes sont certainement pas de importance
et là n'a pas sembler pour être n'importe quel différence
si ils sont dans le pré, en cours, ou poste.
Donc il semble alors que il peut pas être un pratique importance,
je suis sérieux peut pas être un statistique importance
de pratique intérêt est le fait ce le ÉCHO groupe fait sembler pour être
bénéficiant ce infirmière praticien, médecins assistants groupe.
Donc le suivant chose nous essayé était le Zéro Inflation Poisson modèle.
Nous a choisi le Poisson Modèle exigible pour le fait ce nous avait compte
et nous aussi a choisi le Zéro Inflation...
Nous a fait les deux le régulier et le Zéro Inflation
et nous a choisi le Zéro Inflation parce que nous a fait ont un parcelle de des zéros
dans notre données.
Et donc quand nous a fait il,
tu vas avis ce nous faire ont ce léger s'orienter
de augmentation de proportion de patients MAT au fil du temps.
Et regardant à le P paramètre Estimations, mois est important.
Note ce le Zéro Inflation est zéro.
Donc si toi regarder à il, ce n'était pas vraiment action beaucoup pour il
pour ont le Zéro Inflation mais...
Il était informatif pour nous.
Malheureusement, quand nous est allé pour évaluer le adapter de le modèle,
il devenu rapidement apparent ce il était un pauvre adapter.
Donc pour exemple, quand nous regardé à ton généralisé R², c'est très faible.
Et alors nous ont ce...
Quand nous regardé à le réel contre prédit parcelle,
qu'est-ce que c'est événement est ce
ici sont le prédit valeurs
et ils sont vraiment variant entre 0,1 et 0,4
où le réel données est variant entre zéro et un.
Donc qu'est-ce que c'est événement est ce le données entre ici est vraiment pousser ce modèle.
Et donc évidemment, quoi nous serait ont aimé avoir vu
pour ont est plus de le prédictions suivant ce doubler.
Ayant a dit ce, nous a fait voir quelques les tendances et même mais nous n'a pas ont peut être
un statistique pièce, nous a fait ont quelques pratique interprétation.
Donc en mouvement sur, nous a fait ont un contrôle groupe.
Et donc quoi nous a fait
est ce nous a pris le neuf contrôle fournisseurs
étaient directement par rapport pour le neuf ÉCHO fournisseurs
et ils étaient équivalent dans titre et ville.
Donc nous étaient en essayant pour correspondre si ils étaient un infirmière praticien,
médecin assistant ou un médecin,
et alors où leur pratique principalement était, leur primaire ville.
Et le pièce de ce est ce là est un très différent démographique quand nous aller
depuis le Sud de Nouveau Hampshire en haut pour le Nord de Nouveau Hampshire.
Donc nous recherché pour faire bien sûr ce nous capturé n'importe quel de ceux.
Donc quand nous a fait le Apparié Paires Test, nous créé un confiance intervalle
pour le proportion de les patients OMS avait n'importe quel MAT à le total nombre de les patients.
Nous regardé à le différence
entre notre contrôle et notre fournisseurs
et nous savoir dans ce...
D'abord désactivé, quand toi regarder à le confiance, zéro est pas dans là.
Donc nous faire ont un différence.
Et nous note ce quand nous regardé à le réel moyens
toi ont à propos ton traitement, ÉCHO est environ 0,2...
Avoir 0,2 proportion de les patients ont TAPIS.
Et alors pour le contrôle était seul 0,13.
Donc nous faire ont un différence de 0,07 .
Donc nous sont voyant ce notre ÉCHO groupe est
prescrire TAPIS plus fréquemment que notre contrôle groupe.
Donc le suivant était pour essayer pour apporter dans ce encore,
ce temps variable.
Et donc nous regardé à le Zéro Inflation Poisson Modèle
et donc quoi nous voir ici,
donc d'abord désactivé le ÉCHO groupe est dans rouge
et alors le contrôle groupe est dans bleu.
Donc en regardant à il graphiquement, nous sont voyant un augmenter dans temps.
Il est évident ce le ÉCHO groupe est légèrement plus haut dans prescrire,
un proportion de prescrire que notre contrôle groupe.
Encore en regardant à le paramètres dans notre modèle, ils sont important.
Malheureusement quand nous déplacé encore pour évaluer notre modèle,
nous avait un très similaire
résultat comme nous a fait avec juste en regardant à le ÉCHO,
qui est quelque peu pas surprenant dans le sens ce nous sont en utilisant
le similaire données.
Et donc encore tu es en regardant à ton Généralisé R², c'est très faible,
et encore étaient notant ce notre réel contre prédit,
notre modèle est prédire probablement entre maintenant 0,05 et 0,4,
alors que nous étaient en espérant ce il serait prédire le long de
le gamme depuis zéro pour un.
Donc résultats.
Donc dans l'ensemble nous étaient capable pour détecter
le différence dans fournisseur diagnostique motifs
avant et après ils prédit dans projet ÉCHO.
Nous a fait voir un petit différence dans fournisseur diagnostique motifs
entre le fournisseurs ce a fait participer dans projet ÉCHO
et ceux OMS a fait pas.
Un de le choses ce nous a fait pas contrôle sur était le nombre de total les patients.
Donc ce peut être quelque chose pour considérer plus tard.
Et alors nous aussi indiqué ce là peut être un différence sur le impact de projet ÉCHO
depuis le différent fournisseur niveau titre.
Et nous besoin pour peut être plus loin creuser dans ce.
Donc suivant pas, ce est un en cours projet.
Ces sont le suivant pas ce nous sont considérant.
Donc d'abord désactivé, quoi nous serait comme pour faire est pour inclure supplémentaire fournisseurs
pour augmenter le taille de le base de données.
Et un de le façons ce nous sont en regardant à action ce est pour inclure
quelques plus de le ÉCHO périodes.
Donc nous faire ont un ce était finition en haut ce année.
Donc étaient en espérant pour ajouter praticiens dans depuis ce période.
Et nous aussi peut vouloir pour considérer le méthodologie pour détecter TAPIS
et le médical et pharmacie réclamations données.
Aussi nous serait comme pour analyser à le pratique niveau
avec cas contrôle études pour aider combat le petit goûter taille.
Et encore, le global but est pour adapter un approprié modèle.
Donc nous recherché pour remercier toi pour prise le temps pour écouter pour notre présentation
sur le PACT-MAT ÉCHO.
Si toi ont n'importe quel des questions, s'il te plaît contact nous à notre suivant e-mails.
Apprécier le repos de ton conférence.
Remercier toi.
Remercier toi.
