Hola. Agradecer tú para unión a nosotros hoy
para nuestro presentación en,
"Medición Cambiar en Administración asistida de medicamentos Tratamiento
para Participantes en proyecto ECO Usando Administrativo Cuidado de la salud Reclamos"
Nosotros son entusiasmado a compartir cómo nosotros usar JMP como a llave herramienta en nuestro analítico trabajar.
Próximo deslizar, por favor.
Mi nombre es Erica plantas y I soy a sénior científico datos analista
en el Instituto para Salud Política y Práctica
en el Universidad de Nuevo Hampshire.
I soy unido por Dr. Michelle Capozzoli, Sénior Profesor
en el Departamento de Matemáticas y Estadística,
también en el Universidad de Nuevo Hampshire.
Ni Michelle ni I tener conflictos de interés a revelar.
Próximo deslizar, por favor.
Antes nosotros describir nuestro trabajar,
I quería como a proporcionar a breve descripción general en Proyecto ECO.
Proyecto ECO era fundado en 2003 por Dr. Sanjeev Arora
en el Universidad de Nuevo México.
Dr. Arora es a Médico especializándose en Gastroenterología y Hepatología.
Él era vidente pacientes con Hepatitis C el en alarmante tasas
porque ellos podría no acceso cuidado
para este tratable enfermedad en a oportuno manera.
Él buscado a traer proveedores juntos a forma a comunidad de práctica
dónde médicos y otro especialistas poder aprender de cada otro.
ECO es un "todo enseñar, todo aprender" modelo,
y el sesiones son a menudo centrado alrededor a llave asunto o condición.
El Universidad de Nuevo Hampshire lanzado es proyecto ECO centro en 2018
y tiene desde producido a número de ECO programas,
incluido el Asociación para Académico Clínico Telepráctica, Medicamentos
para Adicción Tratamiento, o PACTO-MAT.
Próximo deslizar, por favor.
El primario meta de PACT-MAT ECO es
a aumentar el número de enfermero facultativo estudiantes
en graduado y graduado programas OMS recibir exención capacitación,
aplicar para el exención, y después prescribir JUNTO CON.
En segundo lugar, el proyecto busca a aumentar proveedor ser- eficacia
en gerente pacientes con Sustancia- usar Trastorno.
El programa desarrollado a aprendiendo comunidad
eso activado a cultura eso comprendido adicción
como a crónico enfermedad y era preparado a DIRECCIÓN
el rango de asuntos eso surgió durante el proceso de tratamiento.
Específicamente, este programa enfocado en todo participantes devenir competente
y culturalmente competente en prescribir y tratamiento SUR,
como Bueno como mejorando capacidad y cualidades de servicios disponible
a pacientes en su comunidades a través de su proveedores.
Próximo deslizar, por favor.
Después el terminación de el primero PACT-MAT sesión,
el equipo era interesado en respondiendo alguno preguntas
acerca de el PACT-MAT ECO a través de Reclamos Datos Análisis.
Pero aquí está alguno centro información acerca de el analítico proyecto.
El analítico período de interés era de 2018 a través de Junio 2020.
Este era a captura datos anteriores a y después el primero PACT-MAT ECO sesión.
El proyecto era fundado
por el Sustancia Abuso y Mental Salud Servicios Administración ( SAMHSA),
como parte de 150.000 dólares a 3 años conceder.
El del proyecto principal investigador era Dr. Marcy Doyle.
Nosotros eran falto a preguntar a pocos preguntas acerca de el actual ECO programa
y cómo nosotros eran capaz a ver si proveedor prácticas tenía cambió
después de hecho participativo en el ECO.
Y el Centro para Salud Analítica de Informática
en el Instituto para Salud Política y Práctica en UNH.
Eran afortunado suficiente a tener acceso a cuidado de la salud, administrativo reclamos,
y inscripción datos para comercial y Nuevo Hampshire Seguro de enfermedad políticas.
Por lo tanto, el CHA equipo era trajo en el investigación proyecto
a recolectar y agregar el datos,
y de UNH Departamento de Matemáticas y Estadística era trajo en
a construir modelos y llevar a cabo análisis.
Próximo deslizar, por favor.
Y estos son el preguntas eso nosotros preguntó como nuestro centro investigación preguntas.
Hizo el PACT-MAT ECO Serie tener un impacto
en participantes JUNTO CON prescribir ¿prácticas?
Y poder nosotros exitosamente llevar a cabo a caso/ control estudiar en proveedores
usando administrativo reclamos ¿datos?
Próximo deslizar, por favor.
Cuando coleccionismo salud cuidado reclamos,
nosotros incluido todo miembros, siglos cero a 64 OMS tenía médico
y farmacia inscripción en el mes de interés.
PACT-MAT participantes ser- informado su nombre, títulos, NPI,
organización nombre y DIRECCIÓN, y su exención estado.
Nosotros cruz- referenciado eso datos contra CMS Nacional Plan
y Proveedor Enumeración Sistema, también conocido como el NPPES Registro.
En el casos de a desajuste entre el ser- informado datos
y el NPPES registro, el ser informado datos era consideró
el mayoría arriba a fecha y era usado para el análisis.
Información en nuestro control grupo era fuente solo de el NPPES.
Próximo deslizar, por favor.
Y reclamos reflejar si uno o más servicio pauta incluido
un JUNTO CON procedimiento código o droga código,
ellos eran también marcado
si un Relacionado con los opioides Trastorno diagnóstico código era encontró.
Médico proveedores eran seleccionado como teniendo facturado para JUNTO CON si en el menos
uno servicio línea incluido su NPI o uno de el JUNTO CON CPT códigos.
Prescripción proveedores eran seleccionado como teniendo prescrito JUNTO CON si al menos
uno farmacia servicio línea incluido su NPI como el prescriptor
y en el menos uno de el JUNTO CON NDC códigos.
El caso y control poblaciones cada tenía dos pares de conjuntos de datos.
Próximo deslizar, por favor.
Uno par para cada seguro tipo, comercial o Nuevo Hampshire Seguro de enfermedad.
El primero fecha incluido allá el proveedores NPI y información,
como Bueno como total agregados por mes de todo proveedores,
pacientes y reclamos.
Pacientes con Opioides- Usar Trastorno (VIEJO),
pacientes con cualquier medicamento asistido tratamiento,
y pacientes con ambos VIEJO y JUNTO CON.
El segundo conjunto de datos proporcionó el mismo conjunto de datos como el primero datos colocar...
Mismo datos como el primero datos colocar, con la agregación
en el miembro demográfico nivel,
semejante como edad, categoría, condado, y sexo.
No identificable miembro datos era aplicado a el estadísticos.
Ahora Soy yendo a aprobar el presentación a mi colega, Dr. Capozzoli.
Agradecer tú, Erica.
Una vez nosotros obtener el datos.
El datos era de hecho analizado por Rebecca L. Parque.
Ella era a UNH maestría alumno bajo el supervisión de mí mismo
y Dr. Felipe Ramsey.
Nosotros recibió el tres datos conjuntos.
Uno era el profesionales demografía semejante como nombre,
Nacional Proveedor Identificador, título, práctica DIRECCIÓN.
El otro dos eran el reclamos conjuntos de datos.
Uno para el Seguro de enfermedad y uno para el comercial.
Entonces el original datos era extremadamente grande
para ambos el comercial y para Seguro de enfermedad
para cada facultativo, él rastreado cada de su JUNTO CON pacientes historia
encima el estudiar período.
Entonces el original pensamiento era intentar a...
Usar su patrón de comportamiento de su pacientes encima tiempo.
Bastante rápidamente, él convertirse aparente eso este acercarse era a pequeño poco problemático
y también nosotros corrió en alguno privacidad leyes en intentando a hacer seguro
eso todo identificar marcadores eran no disponible.
Entonces qué nosotros hizo era nosotros afilado en
en varios de el variables para el datos demográficos.
Entonces nosotros afilado en en el Nacional Proveedor Identificador,
su título, y el ciudad de su práctica.
Y entonces de el reclamos datos, nosotros enfocado en en el mes y año.
Entonces este pistas qué mes y año
eso nosotros eran mirando en.
El fase de el programa era el Pre,
entonces este es Pre antes ECO,
En curso es durante ECO, El puesto es obviamente después ECO.
Entonces entonces nosotros agregado el datos y entonces en cambio de mirando en
cada soltero visita, qué nosotros miró en eran meses
y nosotros miró en paciente totales.
Entonces el primero, nosotros obviamente miró en era el número de pacientes total
para eso facultativo durante eso mes,
el número de pacientes con Opioid-U con Trastorno,
el número de pacientes OMS tenía cualquier JUNTO CON,
el número de pacientes con VIEJO OMS tenía cualquier JUNTO CON.
Más, cuando mirando en el Seguro de enfermedad
versus el comercial cuidado, durante el exploratorio análisis,
él convertirse aparente eso nosotros eran yendo a necesidad a enfocar en en el Seguro de enfermedad datos
pendiente a el bajo paciente números en el comercial cuidado.
Entonces aquí para ejemplo, cuando nosotros eran mirando en él,
él convertirse aparente;
entonces en promedio ellos tenía uno paciente por mes con cualquier MAT.
Y entonces qué nosotros eran haciendo era hay a lote de escaso datos aquí
y él era justo no conducente a intentando a adaptar modelos.
Entonces nosotros enfocado en en el Seguro de enfermedad datos.
Más, nosotros inicialmente tenía 20 proveedores,
cual nosotros tenía a reducir abajo a nueve proveedores.
Y el razón ser es eso alguno de el proveedores
tenía también muchos meses de desaparecido datos.
Alguno de a ellos, nosotros tenía a eliminar
porque el mayoría de el meses, ellos no tener cualquier pacientes OMS tenía JUNTO CON.
Y entonces más, como nosotros comenzó a adaptar el modelos,
él convertirse aparente eso nosotros también necesario a mínimo de 10 total pacientes por mes.
Entonces nosotros hizo fin arriba con a muy menor muestra tamaño
que nosotros tenía originalmente pensamiento nosotros quería tener.
El otro pedazo, como nosotros eran explorador el datos,
usando alguno de el herramientas eso John proporciona,
nosotros observó eso el nueve profesionales tenía en promedio el número de pacientes
o número de total pacientes diferían.
Entonces para ejemplo, ellos podría tener,
I pensar él era entre a total rango de uno a 161 pacientes.
Entonces entre eso y entonces mirando en el tendencia encima tiempo,
entonces nosotros miró en el promedio número de pacientes total
y como tú aviso este, el azul línea,
tú aviso eso justo en general hay un aumentar de pacientes encima tiempo.
Nosotros también miró en el promedio número de pacientes
con el Consumo de opioides D esorden
y aquellos OMS tenía cualquier MAT y aquellos OMS eran diagnosticado
con VIEJO y tenía cualquier JUNTO CON.
Y si tú aviso, todo cuatro tener a similar tendencia de un creciente tendencia.
Entonces a combatir eso, porque qué nosotros desear a saber es,
son los profesionales creciente su ¿Prescribir?
No eso ellos son teniendo más en pacientes encima tiempo,
nosotros normalizado el datos por crear a nuevo variable.
Entonces qué nosotros creado era el proporción de pacientes
OMS tenía cualquier JUNTO CON en comparación a el total número de pacientes.
Y el razón eso nosotros hizo usar el pacientes OMS tenía cualquier MAT
se debe a el hecho eso a diagnóstico de un VIEJO hace tener a cierto estigmatismo.
Y entonces nosotros sintió eso él quería ser mejor a mirar en cualquier JUNTO CON.
Entonces Análisis Consideraciones.
De el comienzo nosotros sabía eso nosotros tenía
a pequeño muestra tamaño de profesionales, solo nueve.
El otro cosa eso convertirse aparente
a través de a lote de el gráfico representaciones de el datos
era eso nosotros tenía a lote de ruido.
Y entonces en tomando este en consideración,
nosotros decidido a intentar varios diferente aproches.
El primero acercarse era básicamente, su medio comparación:
ANOVA y emparejamiento pares.
Entonces nosotros pensamiento acerca de traer en eso tiempo variable.
Y entonces nosotros hizo mirar en a ellos en varios diferente maneras,
de justo simple Regresión lineal, de el comienzo.
Nosotros hizo considerar Estructural Ecuación Modelos.
Dr. Laura Castro- Shiloh de JMP tenía venir a uno de Dr. Las clases de Ramsey
y dado una charla en estos modelos.
Entonces originalmente, cuando...
Nosotros eran mirando en el datos, nosotros pensamiento eso estos modelos
podría ser adecuado.
Pero él convertirse aparente rápidamente porque de el dificultades eso nosotros tenía
eso ellos justo eran no laboral para a nosotros.
Entonces el próximo, nosotros trabajó con Regresión segmentada.
Eso era preferido
porque en alguno anterior trabajar con reclamos datos ,
él era trajo arriba eso tal vez el Regresión segmentada quería trabajar Bueno
porque nosotros tenía datos eso era mirando en pre y correo.
Entonces nosotros pensamiento eso con nuestro antes, durante y después,
eso tal vez el Regresión segmentada quería ser adecuado.
Nosotros también miró en Exponencial Regresión y Logístico Regresión.
Nosotros también miró en su Generalizado Regresión Modelos
y incluido justo el regular y entonces cero- inflado Poisson,
Binomio, y Negativo Binomio Modelos.
Y el razón por qué nosotros decidido a mirar en el Poisson,
y Binomio y Negativo Binomio es
el datos es inherente eso él tiene recuentos y entonces nosotros pensamiento eso tal vez
estos podría ser adecuado.
Y entonces qué Soy yendo a enfocar en hoy son el Medio Comparación,
el Regresión segmentada y el cero- inflado Poisson
y este es yendo a ser para ambos justo mirando en el ECO grupo
y entonces el Coinciden Pares comparando el control grupo a el ECO grupo.
Entonces el primero análisis ignora el tiempo variable
y eran justo mirando en promedios.
Qué el promedio proporción de pacientes en su pre, en curso, y correo.
Y justo de el medio, él es rápidamente aparente y de el gráfico
eso nuestro pre fase es definitivamente más bajo que el en curso y publicación.
Nosotros también probado para el...
Porque nosotros tener pequeño muestra con profesionales,
nosotros hizo mirar en el diferencia y nosotros anotado eso nosotros hizo tener un asunto
con no- igual diferencia y entonces nosotros hizo usar Welch's prueba
en cambio de el tradicional ANOVA
a conducta a ver si nosotros tenía diferencias entre el fases y obviamente nosotros hacer.
Y entonces a determinar estadísticamente cual unos eran diferente,
nosotros hizo mirar en el Todo Pares Turquía- Kramer Prueba.
Y él hizo confirmar eso nuestro pre fase era diferente que el en curso y correo,
pero el en curso y correo eran muy similar.
Y entonces este dio a nosotros alguno...
Este obviamente es indicando eso nosotros hacer tener alguno diferencias.
El ECO programa es haciendo a diferencia.
Entonces este Regresión segmentada, como I anotado antes,
era sugerido porque nosotros hacer tener el tres fases: pre, en curso, y correo.
Y nosotros eran capaz...
Dr. Ramsey tenía sugerido eso nosotros usar a guion
eso es hecho por David Burnham, por Manejar Analítica.
Si tú son interesado en este guion, el enlace es aquí en el sitio web,
él da tú el código y él también da tú
a muy detallado descripción de línea a línea,
qué él es haciendo en este código.
Y entonces qué acontecimiento aquí, cuando nosotros corrió el guion,
Nosotros eran capaz a adaptar separado regresiones a el tres diferente fases
como Bueno como conseguir el adaptar,
un R² y prueba el significado de el pendiente.
Y entonces de nuevo, eran vidente este patrón eso nosotros sierra con el ANOVA.
Tú hacer ver eso el pre es definitivamente más bajo que el en curso y publicación.
Desafortunadamente, el pendientes para todo de el tres fases
eran no significativo.
Tú poder también ver eso nosotros hacer tener a significativo cantidad de variabilidad.
Entonces A continuación, ¿qué? nosotros consideró era el hecho eso nosotros tenía dos tipos...
O dos categorías de profesionales;
nosotros tenía aquellos OMS eran enfermero profesionales, médico asistentes;
y entonces nosotros tenía el médicos.
Incluso aunque ellos eran pequeño muestra tamaños.
Nosotros decidido a ver, "Bueno, poder nosotros ver alguno amable de a ¿señal?"
"Qué es yendo en ¿aquí?"
Y cuando nosotros miró en el enfermero profesionales de nuevo,
tú ver eso comportamiento de el pre ser más bajo que el en curso y el correo.
Y qué nosotros anotado es eso para el pre fase,
nosotros son vidente a pequeño poco de a significado incluso aunque él es 0,07,
él es dicho eso allá es a señal aquí y nosotros hacer tener algo yendo en.
Desafortunadamente para el en curso y correo,
eran no vidente eso significado pero de nuevo nosotros son vidente eso tendencia.
Qué interesante es cuando nosotros miró en el puestos.
Y nosotros anotado eso obviamente nosotros hacer no tener...
El pendientes son definitivamente no de significado
y allá no parecer a ser cualquier diferencia
si ellos son en el pre, en curso, o correo.
Entonces él parece mientras él puede no ser a práctico significado,
Lo digo en serio puede no ser a estadístico significado
de práctico interés es el hecho eso el ECO grupo hace parecer a ser
beneficiando este enfermero facultativo, médicos asistentes grupo.
Entonces el próximo cosa nosotros intentó era el Cero Inflación Poisson modelo.
Nosotros Elegí el Poisson Modelo pendiente a el hecho eso nosotros tenía recuentos
y nosotros también Elegí el Cero Inflación...
Nosotros hizo ambos el regular y el Cero Inflación
y nosotros Elegí el Cero Inflación porque nosotros hizo tener a lote de ceros
en nuestro datos.
Y entonces cuando nosotros hizo él,
tú lo harás aviso eso nosotros hacer tener este leve tendencia
de aumento de proporción de Pacientes con MAT a lo largo del tiempo.
Y mirando en la P arácmetro Estimaciones, mes es significativo.
Nota eso el Inflación cero es cero.
Entonces si tú mirar en él, no lo era en realidad haciendo mucho para él
a tener el Inflación cero pero...
Él era informativo para a nosotros.
Desafortunadamente, cuando nosotros fue a evaluar el adaptar de el modelo,
él convertirse rápidamente aparente eso él era a pobre adaptar.
Entonces para ejemplo, cuando nosotros miró en su generalizado R², es muy bajo.
Y entonces nosotros tener este...
Cuando nosotros miró en el actual versus previsto trama,
qué acontecimiento es eso
aquí son el previsto valores
y ellos son en realidad que abarca entre 0.1 y 0,4
dónde el actual datos es que abarca entre cero y uno.
Entonces qué acontecimiento es eso el datos entre aquí es en realidad emprendedor este modelo.
Y entonces obviamente, qué nosotros quería tener Me hubiera gustado ver
a tener es más de el predicciones siguiente este línea.
Teniendo dicho eso, nosotros hizo ver alguno tendencias y incluso aunque nosotros no tener tal vez
a estadístico pedazo, nosotros hizo tener alguno práctico interpretación.
Entonces emocionante en, nosotros hizo tener a control grupo.
Y entonces qué nosotros hizo
es eso nosotros tomó el nueve control proveedores
eran directamente comparado a el nueve ECO proveedores
y ellos eran equivalente en título y ciudad.
Entonces nosotros eran intentando a fósforo si ellos eran a enfermero facultativo,
del médico asistente o a médico,
y entonces dónde su práctica principalmente era, su primario ciudad.
Y el pedazo de eso es eso allá es a muy diferente demográfico cuando nosotros ir
de el Sur de Nuevo Hampshire arriba a el Norte de Nuevo Hampshire.
Entonces nosotros buscado a hacer seguro eso nosotros capturado cualquier de aquellos.
Entonces cuando nosotros hizo el Coinciden Pares Prueba, nosotros creado a confianza intervalo
para el proporción de pacientes OMS tenía cualquier MAT a el total número de pacientes.
Nosotros miró en el diferencia
entre nuestro control y nuestro proveedores
y nosotros saber en eso...
Primero apagado, cuando tú mirar en el confianza, cero es no en allá.
Entonces nosotros hacer tener a diferencia.
Y nosotros nota eso cuando nosotros miró en el actual medio
tú tener acerca de su tratamiento, ECO es aproximadamente 0,2...
Tener 0.2 proporción de pacientes tener JUNTO CON.
Y entonces para el control era solo 0,13.
Entonces nosotros hacer tener a diferencia de 0,07 .
Entonces nosotros son vidente eso nuestro ECO grupo es
prescribir JUNTO CON más frecuentemente que nuestro control grupo.
Entonces el próximo era a intentar a traer en eso de nuevo,
eso tiempo variable.
Y entonces nosotros miró en el Inflación cero Poisson Modelo
y entonces qué nosotros ver aquí,
entonces primero apagado el ECO grupo es en rojo
y entonces el control grupo es en azul.
Entonces mirando en él gráficamente, nosotros son vidente un aumentar en tiempo.
Él es evidente eso el ECO grupo es levemente más alto en prescribir,
a proporción de prescribir que nuestro control grupo.
De nuevo mirando en el parámetros en nuestro modelo, ellos son significativo.
Desafortunadamente cuando nosotros emocionado de nuevo a evaluar nuestro modelo,
nosotros tenía a muy similar
resultado como nosotros hizo con justo mirando en el ECO,
cual es un poco no sorprendente en el sentido eso nosotros son usando
el similar datos.
Y entonces de nuevo estás mirando en su Generalizado R², es muy bajo,
y de nuevo eran nota eso nuestro actual versus previsto,
nuestro modelo es predicción probablemente entre ahora 0,05 y 0,4,
mientras nosotros eran esperante eso él quería predecir a lo largo de
el rango de cero a uno.
Entonces recomendaciones.
En resumen nosotros eran capaz a detectar
el diferencia en proveedor diagnóstico patrones
antes y después ellos previsto en proyecto ECO.
Nosotros hizo ver a pequeño diferencia en proveedor diagnóstico patrones
entre el proveedores eso hizo participar en proyecto ECO
y aquellos OMS hizo no.
Uno de el cosas eso nosotros hizo no control en era el número de total pacientes.
Entonces eso puede ser algo a considerar más tarde.
Y entonces nosotros también anotado eso allá puede ser a diferencia en el impacto de proyecto ECO
de el diferente proveedor nivel título.
Y nosotros necesidad a tal vez más ahondar en eso.
Entonces próximo pasos, este es un en curso proyecto.
Estos son el próximo pasos eso nosotros son en vista de.
Entonces primero apagado, qué nosotros quería como a hacer es a incluir adicional proveedores
a aumentar el tamaño de el base de datos.
Y uno de el maneras eso nosotros son mirando en haciendo eso es a incluir
alguno más de el ECO períodos.
Entonces nosotros hacer tener uno eso era refinamiento arriba este año.
Entonces eran esperante a agregar profesionales en de eso período.
Y nosotros también puede desear a considerar el metodología para detector JUNTO CON
y el médico y farmacia reclamos datos.
También nosotros quería como a analizar en el práctica nivel
con caso control estudios a ayuda combatir el pequeño muestra tamaño.
Y de nuevo, el en general meta es a adaptar un adecuado modelo.
Entonces nosotros buscado a agradecer tú para tomando el tiempo a escuchar a nuestro presentación
en el PACT-MAT ECO.
Si tú tener cualquier preguntas, por favor contacto a nosotros en nuestro siguiente correos electrónicos.
Disfrutar el descansar de su conferencia.
Agradecer tú.
Agradecer tú.
