Institut biostatistiky a analýz Lékařské fakulty Masarykovy univerzity Institute of Biostatistics and Analyses of the Faculty od Medicine of the Masaryk University Ústav zdravotnických informací a statistiky České republiky Institute of Health Information and Statistics of the Czech Republic Adobe Systems mamo.cz - Kontakt Data mining administrativních dat zdravotních pojišťoven Úvod do matematické biologie II, jaro 2021 Mgr. Klára Benešová (benesova@iba.muni.cz) Jaká analyzujeme data? Národní zdravotnický informační systém (NZIS) obsahuje řadu databází sbírajících dat o různých aspektech zdravotního stavu obyvatel a kapacitách zdravotního systému. • NZIS Národní zdravotní registry a další registry zařazené do NZIS Výkazy programu statistických zjišťování Ostatní datové zdroje (např. ISIN) databáze shromažďující údaje na úrovni jednotlivých pacientů, popřípadě poskytovatelů zdravotních služeb údaje sbírané agregovaně za poskytovatele zdravotních služeb v dané oblasti zdravotnictví, sledovány jsou jak klinické, tak administrativní údaje data přebíraná z jiných institucí (ČSU, SZU atd.), jednorázové sběry dat NRHZS (Národní registr hrazených zdravotních služeb) administrativní data získaná od zdravotních pojišťoven Parametrická strukturovaná data Parametrická, nestrukturovaná data •NRHZS = Národní registr hrazených zdravotních služeb •zřízen v roce 2016, v produkčním provozu od roku 2018 •shromažďuje data zdravotních pojišťoven o poskytnuté péči jednotlivým obyvatelům ČR • •111 Všeobecná zdravotní pojišťovna ČR •201 Vojenská zdravotní pojišťovna ČR •205 Česká průmyslová zdravotní pojišťovna •207 Oborová zdravotní pojišťovna zaměstnanců bank, pojišťoven a stavebnictví •209 Zaměstnanecká pojišťovna Škoda •211 Zdravotní pojišťovna ministerstva vnitra ČR •213 Revírní bratrská pokladna, zdrav. pojišťovna • •data kompletně dostupná v letech 2010–2020 Jaká analyzujeme data? •ambulantní péče •např.: návštěva praktického lékaře •Který den? U kterého lékaře? S jakým onemocněním? Prováděl lékař nějaké vyšetření? Předepsal nějaký recept? •hospitalizační péče •např.: hospitalizace se zlomeninou nohy •Od kdy do kdy? Ve které nemocnici? Na jakém oddělení? Byl pacient operován? Jaké výkony mu byly provedeny? •výjezdy záchranné služby, počet úvazků lékařských pracovníků, odbornosti, počet lůžek, přístrojové vybavení, ordinační doba aj. •Jak často a jak daleko jezdí sanitky? Je v okrese dostatek lékařů? Kolik obyvatel připadá na jednoho praktického lékaře? Kolik chybí v které nemocnici zdravotních sester? Jaká je obsazenost nemocničních lůžek? Co lze v registru nalézt za informace? ID dokladu datum (rok, měsíc, den), pacient (ID pacienta, pohlaví, věk, bydliště, diagnóza), druh dokladu (ambulantní péče, hospitalizační péče, recept, výjezd záchranky aj.) poskytovatel zdravotní péče (IČP, sídlo, odbornost) sloupce (sledované parametry) Každoročně průměrně 432 milionů dokladů! (ČR – 10,7 milionu obyvatel, tj. průměrně okolo 40 dokladů na osobu za rok) Jaká je struktura registru? – doklady Doklad č. 1 Položka č. 1 Položka č. 2 Položka č. 7 ... Doklad č. 2 Položka č. 1 Položka č. 2 Doklad č. 3 Položka č. 1 Položka č. 2 Položka č. 42 ... ... Jaká je struktura registru? – doklady vs. položky Doklady Položky + desítky dalších tabulek, které je možno vzájemně propojovat Návštěva diabetologa Proveden výkon 13023 = kontrolní vyšetření diabetologem Proveden výkon 01445 = stanovení glykovaného hemoglobinu HBA1C v ambulanci Vykázána vedlejší diagnóza I10 = Primární hypertenze (vysoký krevní tlak) Doklady vs. položky – příklady Recept Předepsáno léčivo A10AC01 = střednědobě působící inzulin, k injekční aplikaci Limitace: administrativní data → lékař vykazuje poskytnutou péči k úhradě, data neobsahují výsledky vyšetření ani jiné klinické údaje •výkony: pětimístné číslo •vyšetření specialistou, laboratorní měření, operační výkony atd. •např. 00921 ošetření zubního kazu – stálý zub • 00922 ošetření zubního kazu – dočasný zub • •diagnózy: MKN-10 (Mezinárodní klasifikace nemocí, 10. revize) •např. E11.5 = Diabetes mellitus 2. typu, s periferními oběhovými komplikacemi • •léčiva: ATC-klasifikace (Anatomicko-terapeuticko-chemická klasifikace léčiv) •např. A10BA02 = Metformin • • Používané číselníky •teoretické znalosti z oblasti biologie/medicíny •práce s datovými soubory •možnosti vizualizace •znalost pokročilých statistických metod •analýza přežití •analýza kompetitivních rizik •vícerozměrné predikční modely •časové řady, predikce vývoje •analytické myšlení • Jak to souvisí s matematickou biologií? •1) Národní diabetologický registr •2) Preventivní prohlídka u praktického a zubního lékaře •3) Dostupnost stomatologické péče •4) COVID-19: analýza dat z Informačního systému infekčních nemocí (ISIN) Konkrétní příklady již proběhlých analýz Roční výkaz – diabetologie (A004) •agregovaná a informačně omezená data Incidence, prevalence, úmrtnost (dle typu DM, věku a pohlaví) Výskyt vybraných komplikací (dle typu DM, věku a pohlaví) Léčba – PAD, inzulin (dle typu DM, věku a pohlaví) Jak se pozná diabetik v datech NRHZS? Pacient s DM je identifikován na základě splnění alespoň 1 z následujících kritérií: 1) Vykázaní vybraných diagnóz: E10–E14 diabetes mellitus E15–E16 jiné poruchy regulace glukózy a vnitřní sekrece slinivky břišní G59.0 diabetická mononeuropatie G63.2 diabetická neuropatie H28.0 diabetická katarakta H36.0 diabetická retinopatie M14.2 diabetická artropatie N08.3 glomerulární poruchy při diabetes mellitus Y42.3 nežádoucí účinky léčby – inzulin a perorální antidiabetika 2) Vykázání vybraných výkonů: 01201 péče o stabilizovaného kompenzovaného diabetika 06145 reedukace pacienta s DM a jemu blízkých osob 13051 cílená edukace diabetika 13055 ošetření pacienta se syndromem diabetické nohy lékařem (1 noha) 3) Vykázání vybraných léčiv: jakákoliv léčiva ze skupiny ATC A10 – antidiabetika 4) Vykázání vybraných prostředků: pomůcky pro diabetiky ze skupiny 05 (ZP pro pacienty s diabetem a s jinými poruchami metabolismu; v minulosti skupina 11 – pomůcky pro diabetiky) Odhad prevalence diabetes mellitus z dat NRHZS Celkový počet diabetiků a počet osob s antidiabetickou léčbou* v ČR v letech 2010–2019: *Antidiabetická léčba: vykázání léčiva z ATC skupiny A10 = antidiabetika Celkový počet diabetiků zahrnuje všechny osoby, které na základě vykázaných dat splnily definiční kritérium pro DM. Za léčené diabetiky považujeme pacienty, kteří mají v daném roce záznam o léčbě inzulínem a/nebo perorálními antidiabetiky (léčiva z ATC skupiny A10A a/nebo A10B). Osoby, u kterých není dostupný žádný záznam o antidiabetické léčbě, mohou být léčeny pouze dietou a/nebo se jedná o prediabetes. Podíl léčených (%) 67,6 70,0 71,0 72,0 72,9 73,7 74,2 74,4 74,7 74,9 Amputace dolní končetiny u diabetiků Kód výkonu Popis výkonu 66679 exartikulace (amputace metatarzální) falangeální - jedna 66681 exartikulace (amputace metatarzální) falangeální - za každou další přičti 66683 amputace jednoho paprsku dolní končetiny 66685 amputace v tarzu 66695 excize/exstirpace falangy na noze 66697 excize/exstirpace hlavičky metatarsu 66699 excize/exstirpace falangy na noze nebo hlavičky metatarsu - za každou další přičti 66851 amputace dlouhé kosti ... ... Nutnost konzultace s odborníky, jakými všemi způsoby může být zkoumaná věc vykazována! Počet diabetiků se syndromem diabetické nohy a počet diabetiků s amputací DK v daném roce: Počet diabetiků s amputací dolní končetiny v daném roce: Zdroj dat: NRHZS 2010–2019; Syndrom diabetické nohy je u pacienta v daném roce definován vykázáním alespoň jedné diagnózy z následujícího seznamu diagnóz: E10.5, E11.5, E12.5, E13.5, E14.5. Amputace dolní končetiny je u pacienta v daném roce definována vykázáním alespoň jednoho výkonu z následujícího seznamu výkonů: 66851, 66685, 66683, 66679, 66681, 66695, 66697, 66699. Amputace dolní končetiny u diabetiků Poznámka: součet nízkých a vysokých amputací převyšuje celkový součet (u pacienta se mohou v průběhu roku vyskytnout oba typy amputace) •1) Národní diabetologický registr •2) Preventivní prohlídka u praktického a zubního lékaře •3) Dostupnost stomatologické péče •4) COVID-19: analýza dat z Informačního systému infekčních nemocí (ISIN) Konkrétní příklady již proběhlých analýz Jak se pozná preventivní prohlídka v datech NRHZS? Preventivní prohlídky u praktického lékaře Preventivní + pracovní prohlídky: 01021 KOMPLEXNÍ VYŠETŘENÍ PRAKTICKÝM LÉKAŘEM 01022 OPAKOVANÉ KOMPLEXNÍ VYŠETŘENÍ PRAKTICKÝM LÉKAŘEM 02021 KOMPLEXNÍ VYŠETŘENÍ PRAKTICKÝM LÉKAŘEM PRO DĚTI A DOROST - DÍTĚ DO 6 LET 02022 OPAKOVANÉ KOMPLEXNÍ VYŠETŘENÍ PRAKTICKÝM LÉKAŘEM PRO DĚTI A DOROST - DÍTĚ DO 6 LET 02031 KOMPLEXNÍ VYŠETŘENÍ PRAKTICKÝM LÉKAŘEM PRO DĚTI A DOROST - DÍTĚ NAD 6 LET 02032 OPAKOVANÉ KOMLEXNÍ VYŠETŘENÍ PRAKTICKÝM LÉKAŘEM PRO DĚTI A DOROST - DÍTĚ NAD 6 LET Podíl obyvatel jednotlivých krajů (2018), kteří absolvovali preventivní prohlídku u praktického lékaře: Zdroj: NRHZS 2010–2018 Preventivní prohlídky jsou hodnoceny v rámci dvouletého intervalu (± 90denní tolerance), jelikož osoba má nárok na všeobecnou preventivní prohlídku u praktického lékaře 1x za dva roky. Věk Podíl obyvatel daného věku (populace ČR 2018), kteří absolvovali preventivní prohlídku u praktického lékaře: Česká republika Preventivní prohlídky u praktického lékaře Rozsah krajů (min.–max.) Podíl obyvatel jednotlivých krajů s preventivní zubní prohlídku u stomatologa v roce 2018: Zdroj: NRHZS 2010–2018 Definice: Osoby s vykázaným výkonem 00900, 00901 nebo 00946 u odbornosti 014 = praktické zubní lékařství. Preventivní prohlídky jsou hodnoceny v rámci jednoletého intervalu (± 90denní tolerance), jelikož osoba má nárok na preventivní zubní prohlídku u stomatologa 1x ročně (děti a těhotné ženy 2x ročně). Věk Podíl obyvatel daného věku (populace ČR 2018), kteří absolvovali preventivní zubní prohlídku u stomatologa: Česká republika Preventivní zubní prohlídky u stomatologa Rozsah krajů (min.–max.) •1) Národní diabetologický registr •2) Preventivní prohlídka u praktického a zubního lékaře •3) Dostupnost stomatologické péče •4) COVID-19: analýza dat z Informačního systému infekčních nemocí (ISIN) Konkrétní příklady již proběhlých analýz Podíl obyvatel daného okresu, u kterých byla v roce 2016 zaznamenána návštěva stomatologa: Okres N Okres N Okres N Semily 88,0 % Svitavy 57,5 % Chrudim 53,3 % Opava 76,2 % Trutnov 57,4 % Jihlava 53,1 % Nový Jičín 74,7 % Louny 57,3 % Brno-město 52,8 % Frýdek-Místek 71,7 % Pardubice 57,1 % Teplice 52,6 % Vsetín 71,1 % Prostějov 56,9 % Český Krumlov 52,4 % Zlín 69,7 % Příbram 56,8 % Liberec 52,2 % Praha-západ 69,3 % Bruntál 56,7 % Znojmo 51,8 % Praha-východ 67,8 % Kladno 56,0 % Kutná Hora 51,6 % Hodonín 66,8 % Přerov 55,9 % Plzeň-sever 51,5 % Břeclav 66,0 % Litoměřice 55,8 % Havlíčkův Brod 51,1 % Šumperk 65,9 % Most 55,3 % Hlavní město Praha 50,6 % Beroun 65,0 % Jičín 55,1 % Písek 50,5 % Ostrava-město 63,8 % Mladá Boleslav 54,9 % Ústí nad Labem 50,0 % Uherské Hradiště 63,4 % Vyškov 54,6 % Rakovník 49,5 % Jeseník 63,0 % Hradec Králové 54,5 % Jablonec nad Nisou 48,5 % Brno-venkov 62,3 % Rokycany 54,4 % Cheb 48,4 % Kroměříž 60,2 % Žďár nad Sázavou 54,4 % Jindřichův Hradec 48,2 % Rychnov nad Kněžnou 59,8 % Chomutov 54,2 % Klatovy 48,0 % Olomouc 59,5 % Karlovy Vary 54,2 % Tachov 47,4 % Ústí nad Orlicí 59,2 % Nymburk 54,1 % Pelhřimov 46,6 % Mělník 58,8 % Benešov 54,1 % Prachatice 45,5 % Sokolov 58,5 % Česká Lípa 54,0 % Tábor 44,6 % Kolín 58,0 % Plzeň-jih 53,7 % Třebíč 43,9 % Plzeň-město 57,8 % Blansko 53,6 % Domažlice 41,5 % Náchod 57,8 % České Budějovice 53,5 % Strakonice 40,4 % Karviná 57,7 % Děčín 53,4 % Dostupnost stomatologické péče > 13,0 10,6–13,0 8,1–10,5 ≤ 8,0 Zátěž stomatologických ambulancí v jednotlivých okresech Počet ošetřených pacientů připadajících na 1 pracovní den stomatologa: Počet úvazků stomatologů na 1 000 obyvatel v okrese Počet úvazků stomatologů na 1 000 obyvatel vs. počet ošetřených pacientů připadajících na 1 pracovní den stomatologa v jednotlivých okresech: AB Hlavní město Praha BE Beroun BK Blansko BM Brno-město BN Benešov BO Brno-venkov BR Bruntál BV Břeclav CB České Budějovice CK Český Krumlov CL Česká Lípa CR Chrudim CV Chomutov DC Děčín DO Domažlice FM Frýdek-Místek HB Havlíčkův Brod HK Hradec Králové HO Hodonín CH Cheb JC Jičín JE Jeseník JH Jindřichův Hradec JI Jihlava JN Jablonec nad Nisou KH Kutná Hora KI Karviná KL Kladno KM Kroměříž KO Kolín KT Klatovy KV Karlovy Vary LB Liberec LN Louny LT Litoměřice MB Mladá Boleslav ME Mělník MO Most NA Náchod NB Nymburk NJ Nový Jičín OL Olomouc OP Opava OV Ostrava-město PB Příbram PE Pelhřimov PH Praha-východ PI Písek PJ Plzeň-jih PM Plzeň-město PR Přerov PS Plzeň-sever PT Prachatice PU Pardubice PV Prostějov PZ Praha-západ RA Rakovník RK Rychnov nad Kněžnou RO Rokycany SM Semily SO Sokolov ST Strakonice SU Šumperk SY Svitavy TA Tábor TC Tachov TP Teplice TR Třebíč TU Trutnov UH Uherské Hradiště UL Ústí nad Labem UO Ústí nad Orlicí VS Vsetín VY Vyškov ZL Zlín ZN Znojmo ZR Žďár nad Sázavou Souvislost zátěže ambulancí s dostupností stomatologů > 35,0 % 25,1–35,0 % 15,1–25,0 % ≤ 15,0 % Migrace za péčí – % ošetření mimo okres bydliště pacienta Podíl ošetření, která proběhla mimo okres bydliště pacienta: •1) Národní diabetologický registr •2) Preventivní prohlídka u praktického a zubního lékaře •3) Dostupnost stomatologické péče •4) COVID-19: analýza dat z Informačního systému infekčních nemocí (ISIN) Konkrétní příklady již proběhlých analýz Adobe Systems Individualizovaná predikce pravděpodobnosti vzniku těžkého stavu u pacientů s COVID-19 Informační systém infekčních nemocí (ISIN) v kombinaci s daty NRHZS Výběr kohorty pacientů pro tvorbu modelu Pacienti s pozitivním výsledkem testu na COVID-19 (stav k 17. 5. 2020) Vyloučeni pacienti bez propojení na data NRHZS Pacienti s pozitivním výsledkem testu na COVID-19 a s propojením na data NRHZS Vyloučeni pacienti s dobou sledování kratší než 2 týdny (osoby diagnostikované po 4. 5. 2020) Finální soubor pacientů jako vstup pro tvorbu predikčního modelu Nehospitalizovaní, naživu Hospitalizovaní v těžkém stavu / UPV / ECMO / úmrtí během i mimo hospitalizaci 8 475 -464 8 011 -556 7 455 6 990 (93,8 %) 465 (6,2 %) Datovým zdrojem pro analýzu rizikových faktorů pro těžký průběh COVID-19 je Národní registr hrazených zdravotních služeb (NRHZS), který obsahuje data zdravotních pojišťoven v hospitalizační i ambulantní oblasti včetně kompletních dat o vykázaných diagnózách, procedurách a léčbě; v současnosti jsou data k dispozici v letech 2010–2019. Seznam uvažovaných prediktorů Seznam prediktorů, které byly uvažovány při tvorbě vícerozměrných rizikových modelů: 1.Demografické charakteristiky (pohlaví, věk) 2.Přidružená onemocnění / komplikace zdravotního stavu •Onkologické onemocnění (protinádorová léčba) •Kardiovaskulární onemocnění (hypertenze, fibrilace síní, chronická ischemická choroba srdeční, chronické srdeční selhání, historie akutního infarktu myokardu nebo PCI, historie cévní mozkové příhody) •Onemocnění dýchací soustavy (astma, chronická obstrukční plicní nemoc) •Nemoci ledvin (selhání ledvin a jiná onemocnění, dialýza) •Nemoci trávicí soustavy (nemoci gastroduodena, střev, jater, žlučníku a slinivky břišní) •Diabetes mellitus 3.Užívaná léčiva jako proxy proměnná přítomnosti vybraných onemocnění •Antiastimatika, antidiabetika, antihypertenziva (ACEI/ARB, betablokátory, blokátory kalciového kanálu, diuretika), antikoagulancia/antitrombotika, antacida, glukokortikoidy, léky pro úpravu funkce štítné žlázy, statiny Jaká je pravděpodobnost, že se u osoby pozitivně testované na COVID-19 rozvine těžký stav / UPV / ECMO / úmrtí? Statistická metoda: vícerozměrná logistická regrese Prediktor OR (95% IS) P hodnota Pohlaví Žena Reference Muž 2,10 (1,68; 2,62) < 0,001 Věk < 40 let Reference 40–49 let 3,41 (1,37; 8,48) 0,008 50–59 let 11,92 (5,30; 26,81) < 0,001 60–69 let 30,68 (14,04; 67,04) < 0,001 70–79 let 60,89 (27,93; 132,73) < 0,001 80–89 let 112,68 (51,48; 246,63) < 0,001 ≥ 90 let 200,12 (86,50; 462,97) < 0,001 Komorbidity Chronické onemocnění ledvin 1,97 (1,45; 2,68) < 0,001 Astma / CHOPN 1,55 (1,17; 2,05) 0,002 Protinádorová léčba v posledních 5 letech 1,54 (1,05; 2,25) 0,026 Chronické srdeční selhání 1,50 (1,09; 2,08) 0,014 Onemocnění spojená s poruchou acidity 1,47 (1,16; 1,85) 0,001 Diabetes mellitus 1,38 (1,07; 1,78) 0,012 Zhodnocení modelu: AUC = 0,893 (95% IS: 0,880–0,907) Senzitivita: 85,8 % Specificita: 80,3 % Křížová validace (k = 10): AUC = 0,819 (rozsah 0,856–0,943) Model je kromě demografických charakteristik (pohlaví, věk) postaven na běžných, chronicky se vyskytujících onemocněních s vysokou prevalencí v populaci, o nichž je známo, že mohou mít vazbu na průběh onemocnění COVID-19. Individuální míra rizika pacienta může být ovlivněna dalšími faktory, které nebylo možné při tvorbě modelu zohlednit z důvodu nižší prevalence v populaci. Model nezohledňuje aktuální klinický stav pacienta, u konkrétního pacienta je nutné posoudit riziko individuálně. Jaká je pravděpodobnost, že se u osoby pozitivně testované na COVID-19 rozvine těžký stav / UPV / ECMO / úmrtí? *Tíže přidružených onemocnění je dána součtem bodů za přítomnost jednotlivých komorbidit: Muži – predikovaná pravděpodobnost (95% interval spolehlivosti) Věk Tíže přidružených onemocnění* 0 1 2 3 4+ < 40 0,3 (0,2; 0,7) 0,5 (0,2; 1,1) 0,8 (0,4; 1,7) - - 40–49 1,1 (0,7; 1,9) 1,7 (1,0; 2,9) 2,7 (1,5; 4,5) 4,1 (2,3; 7,2) - 50–59 3,7 (2,7; 5,2) 5,7 (4,1; 7,8) 8,7 (6,2; 12,0) 12,9 (9,0; 18,3) - 60–69 8,9 (7,0; 11,3) 13,3 (10,8; 16,3) 19,4 (15,7; 23,7) 27,3 (21,7; 33,8) 37,0 (28,8; 46,1) 70–79 16,4 (13,1; 20,3) 23,5 (19,7; 27,8) 32,5 (27,8; 37,6) 43,0 (36,7; 49,5) 54,1 (46,0; 62,0) 80–89 26,7 (21,6; 32,5) 36,3 (30,8; 42,2) 47,2 (41,0; 53,4) 58,3 (51,1; 65,1) 68,6 (60,7; 75,6) 90+ 39,9 (30,5; 50,2) 51,0 (41,1; 60,8) 62,0 (52,1; 70,9) 71,8 (62,3; 79,7) 80,0 (71,2; 86,5) Ženy – predikovaná pravděpodobnost (95% interval spolehlivosti) Věk Tíže přidružených onemocnění* 0 1 2 3 4+ < 40 0,2 (0,1; 0,3) 0,3 (0,1; 0,5) 0,4 (0,2; 0,8) - - 40–49 0,5 (0,3; 0,9) 0,8 (0,5; 1,4) 1,3 (0,7; 2,2) 2,0 (1,1; 3,6) - 50–59 1,8 (1,3; 2,6) 2,8 (2,0; 3,9) 4,3 (3,0; 6,2) 6,6 (4,4; 9,7) - 60–69 4,5 (3,4; 5,9) 6,8 (5,3; 8,7) 10,2 (7,9; 13,2) 15,2 (11,4; 19,9) 21,8 (15,9; 29,2) 70–79 8,5 (6,6; 11,0) 12,7 (10,3; 15,7) 18,6 (15,2; 22,5) 26,4 (21,4; 32,0) 35,9 (28,6; 43,9) 80–89 14,8 (11,7; 18,5) 21,3 (17,7; 25,5) 29,8 (25,1; 34,9) 39,9 (33,6; 46,5) 50,9 (42,7; 59,1) 90+ 24,0 (17,6; 31,8) 33,1 (25,5; 41,7) 43,6 (34,8; 52,9) 54,8 (44,8; 64,4) 65,5 (54,8; 74,8) 0 % 10 % 20 % 30 % 40 % 50 % 60 % 70 % 80 % 90 % 100 % 1 bod – Chronické onemocnění ledvin 1 bod – Chronické srdeční selhání 1 bod – Astma / CHOPN 1 bod – Onemocnění spojená s poruchou acidity 1 bod – Protinádorová léčba v posledních 5 letech 1 bod – Diabetes mellitus Adobe Systems Prediktivní model epidemie COVID-19 v ČR Predikce aktuálního počtu hospitalizovaných pacientů / pacientů na JIP Predikce ve čtyřech scénářích Scénáře vývoje dle hodnoty reprodukčního čísla Rizikový scénář, R = 1,10 Scénář zpomalení (R = 0,75) Denní počet osob s nově prokázanou nákazou COVID-19 Epidemická křivka odpovídající R = 1,10 Data z IS IN Epidemická křivka odpovídající R = 0,95 Epidemická křivka odpovídající R = 0,85 30.4.2021 13 582 predikovaných 6 038 predikovaných 3 305 predikovaných 1 708 predikovaných Epidemická křivka odpovídající R = 0,75 (scénáře ze dne 1. 4. 2021) 15.4.2021 10 388 predikovaných 6 824 predikovaných 4 987 predikovaných 3 524 predikovaných Počet dní od prvního pozitivního výsledku pacienta Pozitivně testovaní pacienti – čas od prvního pozitivního výsledku do zahájení hospitalizace; N = 75 122 (data za 08/2020–10/2020) Hospitalizace (95% interval spolehlivosti) Aplikována byla Kaplanova-Meierova metoda odhadu. Tato metoda zohledňuje kromě výskytu sledované události i délku sledování pacientů a může tak dávat mírně odlišné výsledky od kumulativních podílů pacientů s událostí. Počet dní od prvního pozitivního výsledku pacienta Pravděpodobnost hospitalizace (95% interval spolehlivosti) 1. den 2.78 % (2.66 %; 2.90 %) 5. den 4.59 % (4.44 %; 4.75 %) 10. den 5.30 % (5.14 %; 5.47 %) 15. den 5.53 % (5.36 %; 5.70 %) 20. den 5.61 % (5.44 %; 5.79 %) 30. den 5.63 % (5.46 %; 5.81 %) Pravděpodobnost potřeby hospitalizace při léčbě COVID-19 Pozitivně testovaní pacienti – čas od prvního pozitivního výsledku do zahájení hospitalizace; N = 75 122 (data za 08/2020–10/2020) Počet dní od prvního pozitivního výsledku pacienta Aplikována byla Kaplanova-Meierova metoda odhadu. Tato metoda zohledňuje kromě výskytu sledované události i délku sledování pacientů a může tak dávat mírně odlišné výsledky od kumulativních podílů pacientů s událostí. Věk pacienta Pravděpodobnost těžkého průběhu COVID-19 (JIP / UPV / ECMO) v průběhu 30 dní od diagnózy (95% interval spolehlivosti) < 65 let 2.32 % (2.20 %; 2.44 %) 65 a více let 31.86 % (30.79 %; 32.93 %) Pravděpodobnost potřeby hospitalizace při léčbě COVID-19 dle věku Hospitalizovaní pacienti: pravděpodobnost změny stavu v čase dle věku Počet dní od zahájení hospitalizace Aplikována byla metoda kumulativní incidence zohledňující přítomnost kompetitivních rizik i délku sledování jednotlivých pacientů. Výsledek analýzy udává, jaká je pravděpodobnost jednotlivých stavů, ve kterých se pacient může nacházet po určitém počtu dní od zahájení hospitalizace. Počet dní od zahájení hospitalizace 2,3 % 95,1 % 3,7 % 20,6 % 75,7 % Věk < 65 let, N = 1 398 (data za 08/2020–10/2020) Věk ≥ 65 let, N = 2 524 (data za 08/2020–10/2020) U osob mladších 65 let po 30 dnech od hospitalizace setrvává v tomto stavu 2,3 % osob, 2,6 % osob umírá a stav 95,1 % osob se zlepšuje. U osob starších 65 let po 30 dnech zůstává hospitalizováno 3,7 % osob, 20,6 % osob umírá a stav 75,7 % osob se zlepšuje. 2,6 % Vývoj nemoci u pacientů hospitalizovaných při léčbě COVID-19 Predikce aktuálního počtu hospitalizovaných Česká republika Datum Predikce počtu hospitalizovaných pacientů na základě modelů při parametrech nemoci z období 02/2021–03/2021 pro různé scénáře Aktuální volná kapacita lůžek s kyslíkem: 6 546 Reálné hodnoty R = 1,10 R = 0,95 R = 0,85 R = 0,75 Maximální počet pacientů s COVID-19 na lůžkách za období říjen/listopad 2020 Počet dní od prvního pozitivního výsledku pacienta Pozitivně testovaní pacienti – čas od prvního pozitivního výsledku do rozvinutí těžkého průběhu COVID-19 vyžadujícího intenzivní péči (JIP / UPV / ECMO); N = 75 122 (data za 08/2020–10/2020) Intenzivní péče (JIP / UPV / ECMO) (95% interval spolehlivosti) Aplikována byla Kaplanova-Meierova metoda odhadu. Tato metoda zohledňuje kromě výskytu sledované události i délku sledování pacientů a může tak dávat mírně odlišné výsledky od kumulativních podílů pacientů s událostí. Počet dní od prvního pozitivního výsledku pacienta Pravděpodobnost těžkého průběhu COVID-19 (JIP / UPV / ECMO) (95% interval spolehlivosti) 1. den 0.40 % (0.36 %; 0.45 %) 5. den 0.90 % (0.83 %; 0.97 %) 10. den 1.18 % (1.10 %; 1.26 %) 15. den 1.27 % (1.19 %; 1.36 %) 20. den 1.31 % (1.22 %; 1.40 %) 30. den 1.32 % (1.23 %; 1.41 %) Pravděpodobnost potřeby intenzivní péče při léčbě COVID-19 Pozitivně testovaní pacienti – čas od prvního pozitivního výsledku do rozvinutí těžkého průběhu COVID-19 vyžadujícího intenzivní péči (JIP / UPV / ECMO); N = 75 122 (data za 08/2020–10/2020) Počet dní od prvního pozitivního výsledku pacienta Aplikována byla Kaplanova-Meierova metoda odhadu. Tato metoda zohledňuje kromě výskytu sledované události i délku sledování pacientů a může tak dávat mírně odlišné výsledky od kumulativních podílů pacientů s událostí. Věk pacienta Pravděpodobnost těžkého průběhu COVID-19 (JIP / UPV / ECMO) v průběhu 30 dní od diagnózy (95% interval spolehlivosti) < 65 let 0.48 % (0.42 %; 0.53 %) 65 a více let 8.17 % (7.52 %; 8.83 %) Pravděpodobnost potřeby intenzivní péče při léčbě COVID-19 dle věku Pacienti s těžkým průběhem COVID-19 (JIP / UPV / ECMO): pravděpodobnost změny stavu v čase dle věku (za zlepšení stavu je považována situace, kdy pacient opustí JIP / UPV / ECMO) Počet dní od zahájení intenzivní péče Aplikována byla metoda kumulativní incidence zohledňující přítomnost kompetitivních rizik i délku sledování jednotlivých pacientů. Výsledek analýzy udává, jaká je pravděpodobnost jednotlivých stavů, ve kterých se pacient může nacházet po určitém počtu dní od zahájení intenzivní péče. Počet dní od zahájení intenzivní péče 5,5 % 13,1 % 81,5 % 3,3 % 38,2 % 58,6 % Věk < 65 let, N = 271 (data za 08/2020–10/2020) Věk ≥ 65 let, N = 593 (data za 08/2020–10/2020) U osob mladších 65 let po 30 dnech od zahájení intenzivní péče setrvává v tomto stavu 5,5 % osob, 13,1 % osob umírá a stav 81,5 % osob se zlepšuje. U osob starších 65 let po 30 dnech setrvává v intenzivní péči 3,3 % osob, 38,2 % osob umírá a stav 58,6 % osob se zlepšuje. Vývoj nemoci u pacientů vyžadujících intenzivní péči při léčbě COVID-19 Predikce aktuálního počtu pacientů na JIP Česká republika Datum Predikce počtu hospitalizovaných pacientů na základě modelů při parametrech nemoci z období 02/2021–03/2021 pro různé scénáře Aktuální volná kapacita lůžek JIP: 1 311 Reálné hodnoty R = 1,10 R = 0,95 R = 0,85 R = 0,75 Maximální počet pacientů s COVID-19 na lůžkách za období říjen/listopad 2020 •NRHZS = gigabyty dosud neanalyzovaných zdravotnických dat s velkým potenciálem •Další národní registry •NRHOSP = Národní registr hospitalizovaných •NOR = Národní onkologický registr •IS LPZ = Informační systém List o prohlídce zemřelého •ISIN = Informační systém infekčních nemocí •aj. Shrnutí