Bonjour. Remercier toi pour adhésion nous aujourd'hui
pour notre présentation sur,
« Mesurer Changement dans Médicaments assistés Traitement
pour Participants dans projet ÉCHO En utilisant Administratif Soins de santé Réclamations"
Nous sont excité à partager comment nous utiliser JMP comme a clé outil dans notre analytique travail.
Suivant glisser, s'il te plaît.
Mon nom est Érica plantes et I suis a senior scientifique données analyste
à le Institut pour Santé Politique et Pratique
à le Université de Nouveau Hampshire.
I suis a rejoint par Dr. Michelle Capozzoli, Senior Conférencier
dans le Département de Mathématiques et Statistiques,
aussi à le Université de Nouveau Hampshire.
Ni l'un ni l'autre Michelle ni I avoir conflits de intérêt à divulguer.
Suivant glisser, s'il te plaît.
Avant nous décrire notre travail,
I serait comme à fournir a bref aperçu sur Projet ÉCHO.
Projet ÉCHO était fondé dans 2003 par Dr. Sanjeev Arora
à le Université de Nouveau Mexique.
Dr. Arora est a Médecin spécialisation dans Gastro-entérologie et Hépatologie.
Il était vision patients avec Hépatite C le à alarmant taux
parce que ils pourrait pas accéder soins
pour ce traitable maladie dans a opportun manière.
Il recherché à apporter fournisseurs ensemble à formulaire a 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 a clé problème ou condition.
Le Université de Nouveau Hampshire lancé c'est projet ÉCHO moyeu dans 2018
et a depuis produit a 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
à 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 AVEC.
En second lieu, le projet cherche à augmenter fournisseur soi- efficacité
dans gérant patients avec Substance- utiliser Trouble.
Le programme développé a apprentissage communauté
que activé a culture que compris dépendance
comme a chronique maladie et était préparé à adresse
le gamme de problèmes que émergé pendant le processus de traitement.
Spécifiquement, ce programme concentré sur tous participants devenir compétent
et culturellement compétent dans prescription et traitement SUD,
comme Bien comme amélioration capacité et qualités de services disponible
à 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 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 à capturer données antérieures à et après le d'abord PACT-MAT ÉCHO session.
Le projet était financé
par le Substance Abus et Mental Santé Services Administration ( SAMHSA),
comme partie de 150 000 $ sur 3 ans accorder.
Le projets principal enquêteur était Dr. Marcy Doyle.
Nous étaient désirant à demander a peu questions à propos le réel ÉCHO programme
et comment nous étaient capable à voir si fournisseur 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 heureux assez à avoir accéder à soins de santé, administratif réclamations,
et inscription données pour commercial et Nouveau Hampshire Medicaid politiques.
Donc, le CHA équipe était apporté dans le recherche projet
à collecter et agrégat le données,
et L'UNH Département de Mathématiques et Statistiques était apporté dans
à construire modèles et effectuer analyse.
Suivant glisser, s'il te plaît.
Et ces sont le questions que nous demandé comme notre cœur recherche questions.
A fait le PACT-MAT ÉCHO Série avoir un impact
sur participants AVEC prescription pratiques ?
Et peut nous avec succès effectuer a cas/ contrôle étude sur fournisseurs
en utilisant administratif réclamations données?
Suivant glisser, s'il te plaît.
Quand collecte santé soins réclamations,
nous compris tous membres, âge zéro à 64 OMS avait médical
et pharmacie inscription dans le mois de intérêt.
PACT-MAT participants soi- signalé leur nom, titres, NPI,
l'organisation nom et adresse, et leur renoncer statut.
Nous croix- référence que données contre CMS National Plan
et Fournisseur Énumération Système, aussi connu comme le NPPES Enregistrement.
Dans le cas de a inadéquation entre le soi- signalé données
et le NPPES enregistrement, le soi signalé données était considéré
le la plupart en haut à date et était utilisé pour le analyse.
Information sur notre contrôle groupe était source seulement depuis le NPPES.
Suivant glisser, s'il te plaît.
Et réclamations refléter si un ou plus service lignes compris
un AVEC procédure code ou médicament code,
ils étaient aussi signalé
si un Lié aux opioïdes Trouble diagnostic code était trouvé.
Médical fournisseurs étaient choisi comme ayant facturé pour AVEC si à moins
un service doubler compris leur NPI ou un de le AVEC CPT codes.
Prescription fournisseurs étaient choisi comme ayant prescrit AVEC si au moins
un pharmacie service doubler compris leur NPI comme le prescripteur
et à moins un de le AVEC CND 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 compris là le fournisseurs NPI et information,
comme Bien comme total agrégats par mois de tous fournisseurs,
patients et réclamations.
Les patients avec Opioïde- Utiliser Trouble (VIEUX),
patients avec n'importe lequel médicament assisté traitement,
et patients avec les deux VIEUX et AVEC.
Le deuxième ensemble de données fourni le même ensemble 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 à le statisticiens.
Maintenant Je suis en allant à passer le présentation à mon collègue, Dr. Capozzoli.
Remercier toi, Érica.
Une fois nous obtenir le données.
Le données était en fait analysé par Rebecca L. Park.
Elle était a UNH maîtrise étudiant sous le surveillance de moi-même
et Dr. Philippe Ramsey.
Nous reçu le trois données ensembles.
Un était le praticiens données démographiques tel comme nom,
National Fournisseur Identifiant, titre, pratique adresse.
Le autre deux étaient le réclamations ensembles de données.
Un pour le Medicaid et un pour le commercial.
Donc le original données était extrêmement grand
pour les deux le commercial et pour Medicaid
pour chaque praticien, il suivi chaque de leur AVEC patients histoire
sur le étude période.
Donc le original pensée était essayer à...
Utiliser leur modèle de comportement de leur patients sur temps.
Assez rapidement, il devenu apparent que ce approche était a petit peu problématique
et aussi nous couru dans quelques confidentialité lois dans en essayant à faire bien sûr
que tous identifier marqueurs étaient pas disponible.
Donc quoi nous a fait était nous aiguisé dans
sur plusieurs de le variables pour le Données démographiques.
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 pistes quoi mois et année
que nous étaient regarder à.
Le phase de le programme était le Pré,
donc ce est Pré avant ÉCHO,
En cours est pendant ÉCHO, Post est évidemment après ÉCHO.
Donc alors nous agrégé le données et donc plutôt de regarder à
chaque célibataire visite, quoi nous regardait à étaient mois
et nous regardait à patient totaux.
Donc le d'abord, nous évidemment regardait à était le nombre de patients total
pour que praticien pendant que mois,
le nombre de patients avec Opioïde-U avec Trouble,
le nombre de patients OMS avait n'importe lequel AVEC,
le nombre de patients avec VIEUX OMS avait n'importe lequel AVEC.
Plus loin, quand regarder à le Medicaid
contre le commercial soins, pendant le exploratoire analyse,
il devenu apparent que nous étaient en allant à besoin à se concentrer dans sur le Medicaid données
exigible à le faible patient Nombres dans le commercial soins.
Donc ici pour exemple, quand nous étaient regarder à il,
il devenu apparent;
donc sur moyenne ils avait un patient par mois avec n'importe quel MAT.
Et donc quoi nous étaient faire était il y a a parcelle de clairsemé données ici
et il était juste pas propice à en essayant à ajuster modèles.
Donc nous concentré dans sur le Medicaid données.
Plus loin, nous initialement avait 20 fournisseurs,
lequel nous avait à réduire vers le bas à neuf fournisseurs.
Et le raison être est que quelques de le fournisseurs
avait aussi beaucoup mois de manquant données.
Quelques de eux, nous avait à éliminer
parce que le majorité de le mois, ils n'a pas avoir n'importe lequel patients OMS avait AVEC.
Et alors plus loin, comme nous commencé à ajuster le modèles,
il devenu apparent que nous aussi nécessaire a minimum de 10 total patients par mois.
Donc nous a fait fin en haut avec a très plus petit échantillon taille
que nous avait initialement pensée nous serait avoir.
Le autre morceau, comme nous étaient explorer le données,
en utilisant quelques de le outils que John fournit,
nous remarqué que le neuf praticiens avait sur moyenne le nombre de patients
ou nombre de total patients différaient.
Donc pour exemple, ils pourrait avoir,
I pense il était entre a total gamme de un à 161 patients.
Donc entre que et alors regarder à le s'orienter sur temps,
donc nous regardait à le moyenne nombre de patients total
et comme toi avis ce, le bleu doubler,
toi avis que juste dans général il y a un augmenter de patients sur temps.
Nous aussi regardait à le moyenne nombre de patients
avec le Utilisation d'opioïdes D est l'ordre
et ceux OMS avait n'importe lequel MAT, et ceux OMS étaient diagnostiqué
avec VIEUX et avait n'importe lequel AVEC.
Et si toi avis, tous quatre avoir a similaire s'orienter de un croissant s'orienter.
Donc à combat que, parce que quoi nous vouloir à savoir est,
sont les praticiens croissant leur prescrire ?
Pas que ils sont ayant plus chez les patients sur temps,
nous normalisé le données par créer a nouveau variable.
Donc quoi nous créé était le proportion de patients
OMS avait n'importe lequel AVEC dans comparaison à le total nombre de patients.
Et le raison que nous a fait utiliser le patients OMS avait n'importe quel MAT
est dû à le fait que a diagnostic de un VIEUX fait avoir a certain stigmatisation.
Et donc nous feutre que il serait être mieux à regarder à n'importe lequel AVEC.
Donc Analyse Considérations.
Depuis le début nous savait que nous avait
a petit échantillon taille de praticiens, seulement neuf.
Le autre chose que devenu apparent
à travers a parcelle de le graphique représentations de le données
était que nous avait a parcelle de bruit.
Et donc dans prise ce dans considération,
nous décidé à tentative plusieurs différent approches.
Le d'abord approche était essentiellement, ton moyens comparaison:
ANOVA et appariement paires.
Alors nous pensée à propos apporter dans que 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 Modèles.
Dr. Laura Castro- Shiloh depuis JMP avait viens à un de Dr. Les cours de Ramsey
et donné une conversation sur ces modèles.
Donc initialement, quand...
Nous étaient regarder à le données, nous pensée que ces modèles
pourrait être approprié.
Mais il devenu apparent rapidement parce que de le problèmes que nous avait
que ils juste étaient pas fonctionnement pour nous.
Donc le suivant, nous travail avec Régression segmentée.
Que était choisi
parce que dans quelques précédent travail avec réclamations données ,
il était apporté en haut que peut être le Régression segmentée serait travail Bien
parce que nous avait données que était regarder à pré et poste.
Donc nous pensée que avec notre avant, pendant et après,
que peut être le Régression segmentée serait être approprié.
Nous aussi regardait à Exponentiel Régression et Logistique Régression.
Nous aussi regardait à leur Généralisé Régression Modèles
et y compris juste le régulier et alors zéro- gonflé Poisson,
Binôme, et Négatif Binôme Modèles.
Et le raison pourquoi nous décidé à regarder à le Poisson,
et Binôme et Négatif Binôme est
le données est inhérent que il a comptes et donc nous pensée que peut être
ces pourrait être approprié.
Et donc quoi Je suis en allant à se concentrer sur aujourd'hui sont le Moyens Comparaison,
le Régression segmentée et le zéro- gonflé Poisson
et ce est en allant à être pour les deux juste regarder à le ÉCHO groupe
et alors le Correspondance Paires comparer le contrôle groupe à le ÉCHO groupe.
Donc le d'abord analyse ignore le temps variable
et étaient juste regarder à moyennes.
Qu'est-ce que le moyenne proportion de patients dans ton pré, en cours, et poste.
Et juste depuis le moyens, il est rapidement apparent et depuis le graphique
que notre pré phase est certainement inférieur que le en cours et poster.
Nous aussi testé pour le...
Parce que nous avoir petit échantillon avec praticiens,
nous a fait regarder à le variance et nous noté que nous a fait avoir un problème
avec non- égal variance et donc nous a fait utiliser Welch's test
plutôt de le traditionnel ANOVA
à conduire à voir si nous avait différences entre le phases et évidemment nous faire.
Et alors à déterminer statistiquement lequel ceux étaient différent,
nous a fait regarder à le Tous Paires Tukey- Kramer Test.
Et il a fait confirmer que 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 que nous faire avoir quelques différences.
Le ÉCHO programme est fabrication a différence.
Donc ce Régression segmentée, comme I noté avant,
était suggéré parce que nous faire avoir le trois phases : pré, en cours, et poste.
Et nous étaient capable...
Dr. Ramsey avait suggéré que nous utiliser a scénario
que est fait par David Burnham, par Poignée Analytique.
Si toi sont intéressé dans ce scénario, le lien est ici sur le site web,
il donne toi le code et il aussi donne toi
a très détaillé description depuis doubler à doubler,
quoi il est faire dans ce code.
Et donc qu'est-ce que événement ici, quand nous couru le scénario,
Nous étaient capable à ajuster séparé régressions à le trois différent phases
comme Bien comme obtenir le ajuster,
un R², et test le importance de le pente.
Et donc encore, étaient vision ce modèle que nous scie avec le ANOVA.
Toi faire voir que le pré est certainement inférieur que le en cours et poster.
Malheureusement, le pentes pour tous de le trois phases
étaient pas significatif.
Toi peut aussi voir que nous faire avoir a significatif montant de variabilité.
Donc Ensuite, quoi ? nous considéré était le fait que nous avait deux types...
Ou deux catégories de praticiens;
nous avait ceux OMS étaient infirmière praticiens, médecin assistants;
et alors nous avait le médecins.
Même cependant ils étaient petit échantillon tailles.
Nous décidé à voir, "D'accord, peut nous voir quelques gentil de a signal?"
"Quoi est en allant sur ici?"
Et quand nous regardait à le infirmière praticiens encore,
toi voir que comportement de le pré être inférieur que le en cours et le poste.
Et quoi nous noté est que pour le pré phase,
nous sont vision a petit peu de a importance même cependant il est 0,07,
il est adage que là est a signal ici et nous faire avoir quelque chose en allant sur.
Malheureusement pour le en cours et poste,
étaient pas vision que importance mais encore nous sont vision que s'orienter.
Qu'est-ce que intéressant est quand nous regardait à le positions.
Et nous noté que évidemment nous faire pas avoir...
Le pentes sont certainement pas de importance
et là n'a pas sembler à être n'importe lequel différence
si ils sont dans le pré, en cours, ou poste.
Donc il semble alors que il peut pas être a pratique importance,
je suis sérieux peut pas être a statistique importance
de pratique intérêt est le fait que le ÉCHO groupe fait sembler à être
bénéficier ce infirmière praticien, médecins assistants groupe.
Donc le suivant chose nous essayé était le Zéro Inflation Poisson modèle.
Nous choisi le Poisson Modèle exigible à le fait que nous avait comptes
et nous aussi choisi le Zéro Inflation...
Nous a fait les deux le régulier et le Zéro Inflation
et nous choisi le Zéro Inflation parce que nous a fait avoir a parcelle de zéros
dans notre données.
Et donc quand nous a fait il,
vous allez avis que nous faire avoir ce léger s'orienter
de augmentation de proportion de Patients sous MAT au fil du temps.
Et en regardant à le P aramètre Estimations, mois est significatif.
Note que le Inflation nulle est zéro.
Donc si toi regarder à il, ce n'était pas vraiment faire beaucoup pour il
à avoir le Inflation nulle mais...
Il était informatif pour nous.
Malheureusement, quand nous est allé à évaluer le ajuster de le modèle,
il devenu rapidement apparent que il était a pauvre ajuster.
Donc pour exemple, quand nous regardait à ton généralisé R², c'est très faible.
Et alors nous avoir ce...
Quand nous regardait à le réel contre prédit parcelle,
qu'est-ce que événement est que
ici sont le prédit valeurs
et ils sont vraiment allant entre 0,1 et 0,4
où le réel données est allant entre zéro et un.
Donc qu'est-ce que événement est que le données entre ici est vraiment pousser ce modèle.
Et donc évidemment, quoi nous serait avoir j'aurais aimé voir
à avoir est plus de le prédictions suivant ce doubler.
Ayant dit que, nous a fait voir quelques tendances et même cependant nous n'a pas avoir peut être
a statistique morceau, nous a fait avoir quelques pratique interprétation.
Donc mobile sur, nous a fait avoir a contrôle groupe.
Et donc quoi nous a fait
est que nous a pris le neuf contrôle fournisseurs
étaient directement comparé à le neuf ÉCHO fournisseurs
et ils étaient équivalent dans titre et ville.
Donc nous étaient en essayant à correspondre si ils étaient a infirmière praticien,
médecin assistant ou a médecin,
et alors où leur pratique principalement était, leur primaire ville.
Et le morceau de que est que là est a très différent démographique quand nous aller
depuis le Sud de Nouveau Hampshire en haut à le Nord de Nouveau Hampshire.
Donc nous recherché à faire bien sûr que nous capturé n'importe lequel de ceux.
Donc quand nous a fait le Correspondance Paires Test, nous créé a confiance intervalle
pour le proportion de patients OMS avait n'importe lequel MAT à le total nombre de patients.
Nous regardait à le différence
entre notre contrôle et notre fournisseurs
et nous savoir dans que...
D'abord désactivé, quand toi regarder à le confiance, zéro est pas dans là.
Donc nous faire avoir a différence.
Et nous note que quand nous regardait à le réel moyens
toi avoir à propos ton traitement, ÉCHO est environ 0,2...
Avoir 0,2 proportion de patients avoir AVEC.
Et alors pour le contrôle était seulement 0,13.
Donc nous faire avoir a différence de 0,07 .
Donc nous sont vision que notre ÉCHO groupe est
prescription AVEC plus fréquemment que notre contrôle groupe.
Donc le suivant était à essayer à apporter dans que encore,
que temps variable.
Et donc nous regardait à le Inflation nulle 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 regarder à il graphiquement, nous sont vision un augmenter dans temps.
Il est évident que le ÉCHO groupe est légèrement plus haut dans prescription,
a proportion de prescription que notre contrôle groupe.
Encore regarder à le paramètres dans notre modèle, ils sont significatif.
Malheureusement quand nous déplacé encore à évaluer notre modèle,
nous avait a très similaire
résultat comme nous a fait avec juste regarder à le ÉCHO,
lequel est quelque peu pas surprenant dans le sens que nous sont en utilisant
le similaire données.
Et donc encore tu es regarder à ton Généralisé R², c'est très faible,
et encore étaient notant que notre réel contre prédit,
notre modèle est prédiction probablement entre maintenant 0,05 et 0,4,
alors que nous étaient espérant que il serait prédire le long de
le gamme depuis zéro à un.
Donc résultats.
Donc globalement nous étaient capable à détecter
le différence dans fournisseur diagnostique motifs
avant et après ils prédit dans projet ÉCHO.
Nous a fait voir a petit différence dans fournisseur diagnostique motifs
entre le fournisseurs que a fait participer dans projet ÉCHO
et ceux OMS a fait pas.
Un de le des choses que nous a fait pas contrôle sur était le nombre de total patients.
Donc que peut être quelque chose à considérer plus tard.
Et alors nous aussi noté que là peut être a différence sur le impact de projet ÉCHO
depuis le différent fournisseur niveau titre.
Et nous besoin à peut être plus loin creuser dans que.
Donc suivant mesures, ce est un en cours projet.
Ces sont le suivant mesures que nous sont en réfléchissant.
Donc d'abord désactivé, quoi nous serait comme à faire est à inclure supplémentaire fournisseurs
à augmenter le taille de le base de données.
Et un de le façons que nous sont regarder à faire que est à inclure
quelques plus de le ÉCHO périodes.
Donc nous faire avoir un que était finition en haut ce année.
Donc étaient espérant à ajouter praticiens dans depuis que période.
Et nous aussi peut vouloir à considérer le méthodologie pour détection AVEC
et le médical et pharmacie réclamations données.
Aussi nous serait comme à analyser à le pratique niveau
avec cas contrôle études à aide combat le petit échantillon taille.
Et encore, le dans l'ensemble but est à ajuster un approprié modèle.
Donc nous recherché à remercier toi pour prise le temps à écouter à notre présentation
sur le PACT-MAT ÉCHO.
Si toi avoir n'importe lequel questions, s'il te plaît contact nous à notre suivant courriels.
Apprécier le repos de ton conférence.
Remercier toi.
Remercier toi.
