UNIVERSIDAD DE LOS ANDES

PROYECTO DE GRADO

Evaluación de la calidad en la prestaciónde servicios de salud para enfermedadescrónicas en el régimen contributivo en

Colombia

Autora:Diana Catalina Solano Beltrán

Asesores:Ph.D. Camilo FRANCO,MSc. Adriana BELTRÁN

Jurados:Ph.D. Adriana ABREGO,Ph.D. Alejandro GAVIRIA

Departamento de Ingeniería Industrial

13 de diciembre de 2019

III

UNIVERSIDAD DE LOS ANDES

ResumenFacultad de Ingeniería

Departamento de Ingeniería Industrial

Evaluación de la calidad en la prestación de servicios de salud paraenfermedades crónicas en el régimen contributivo en Colombia

por Diana Catalina Solano Beltrán

En Colombia, la prestación de servicios de salud se encuentra regulada por la Políti-ca Nacional de Prestación de Servicios de Salud, a partir de la cual se establece comoobjetivo principal garantizar el acceso y la calidad en la prestación de servicios desalud, optimizar el uso de recursos y promover los enfoques de atención centradaen el usuario (MinSalud, 2019).

Con el objetivo de determinar el impacto de la prestación de servicios de saludmínimos aceptables para enfermedades crónicas, se desarrolló una herramienta desoftware que parte de la base de datos construida a partir de los estudios de sufi-ciencia y del ajuste de riesgo para el cálculo de la Unidad de Pago por Capitación(UPC) en el SGSSS colombiano, ejecuta el preprocesamiento de los datos, genera unconjunto de datos para el periodo de reclutamiento (2010-2011) y de seguimiento(2012-2016) de los pacientes de una enfermedad crónica específicada por el usuarioy, a partir de los conjutos de datos generados, se realiza un estudio de análisis deimpacto sobre desenlaces en salud y utilización de recursos del sistema de salud.

La metodología desarrollada para el análisis de impacto es el emparejamientopor índices de propensión y las variables de desenlace evaluadas son el número dehospitalizaciones, número de atenciones en urgencias y costos directos de la presta-ción de los servicios de salud.

V

Índice general

Resumen III

1. Introducción 11.1. Situación actual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11.2. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.2.1. Objetivo general . . . . . . . . . . . . . . . . . . . . . . . . . . . 21.2.2. Objetivos específicos . . . . . . . . . . . . . . . . . . . . . . . . . 2

2. Marco teórico 52.1. Sistema de aseguramiento en salud en Colombia . . . . . . . . . . . . . 52.2. Calidad de la atención en salud . . . . . . . . . . . . . . . . . . . . . . . 62.3. Comparación de desenlaces en salud basada en registros . . . . . . . . 62.4. Episodios de atención como indicador del proceso de la atención en

salud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72.5. Herramientas tecnológicas utilizadas para construir los episodios de

atención . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82.6. Estudios observacionales . . . . . . . . . . . . . . . . . . . . . . . . . . . 92.7. Emparejamiento por índices de propensión (PSM) . . . . . . . . . . . . 9

3. Metodología 133.1. Base de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133.2. Preprocesamiento de los datos . . . . . . . . . . . . . . . . . . . . . . . . 143.3. Etapa de reclutamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153.4. Índice de propensión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153.5. Emparejamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173.6. Evaluación de impacto . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

4. Caso de estudio 194.1. Caso de estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194.2. Análisis descriptivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204.3. Análisis estadístico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214.4. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 224.5. Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

5. Conclusiones y trabajo futuro 295.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295.2. Trabajo futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

Bibliografía 31

1

Capítulo 1

Introducción

1.1. Situación actual

En Colombia, la Política Nacional de Prestación de Servicios de Salud establececomo objetivo principal garantizar el acceso y la calidad en la prestación de servi-cios, optimizar el uso de recursos y promover los enfoques de atención centrada enel usuario (Ministerio de la Protección Social, 2005). Dicha política se enfoca en 3principios; accesibilidad, calidad y eficiencia de los servicios de salud en Colombia.Con respecto a estos 3 principios, se establecen las principales problemáticas de laprestación de servicios de salud. Entre las principales problemáticas se encuentra laausencia de un sistema de rendición de cuentas basado en los resultados en salud yen la gestión de la prestación de los servicios, este sistema debería permitir la eva-luación de las entidades territoriales, aseguradoras y prestadores. Adicionalmente,se establece que los mecanismos de pago utilizados entre aseguradores y prestado-res se basan en actividades históricas y precios indexados en vez de estudios querelacionen variables como calidad de los servicios y costo efectividad.

A partir de la ley de reforma a la salud -Ley 100 de 1993- se dio el tránsito en-tre un Sistema Nacional de Salud a un sistema basado en el aseguramiento -SistemaGeneral de Seguridad Social en Salud (SGSSS)- descentralizado, con cobertura uni-versal, cimentado en una redefinición de lo que significan los principios de equidad,solidaridad, eficiencia, calidad y participación comunitaria (Ministerio de la Protec-ción Social, 2005). Si bien se han realizado grandes avances en la cobertura en salud,obteniendo una cobertura nacional del 94 % en marzo de 2019, el sistema no ha lo-grado alcanzar la universalidad y se ha estancado en los temas de equidad y en elacceso a los servicios de salud (Homedes N., Ugalde A, 2005). Además, la estructu-ra administrativa en la prestación de servicios ha facilitado la creación de procesosde intermediación entre múltiples actores, donde el paciente debe enfrentar largastrayectorias al interior del sistema de salud, en muchos casos con la participaciónde múltiples proveedores sin una coordinación entre ellos generando un sistema deatención basado en múltiples atenciones independientes y no en resultados en salud(Yepes FJ, 2010).

Según la Organización Panamericana de la Salud la fragmentación en la atenciónde los pacientes con enfermedades crónicas genera un pobre desempeño del sistemade salud (Guerrero R, 2011). Este pobre desempeño se manifiesta como falta de coor-dinación entre los distintos niveles y sitios de atención, duplicación de los serviciose infraestructura, capacidad instalada ociosa, falta de acceso a los servicios de salud,pérdida de la continuidad de la atención y falta de congruencia de los servicios conlas necesidades de los usuarios (Abadía & Oviedo, 2009).

2 Capítulo 1. Introducción

Los esfuerzos actuales en la medición de la calidad de la atención en salud sehan enfocado en evaluar indicadores individuales de desempeño para un pacientecon una condición clínica o un grupo de factores de riesgo en momentos discretosen el tiempo (ej. Porcentaje de mujeres entre los 40-69 años a quienes se les realizómamografía). La medición generalmente se centra en las acciones de un único tipode proveedor, como el médico o el hospital, y hace hincapié en la evaluación de laprestación de servicios discretos en lugar del espectro completo de servicios presta-dos a un paciente para la atención de su condición.

Es por esta razón que varios sistemas de salud, incluido el Instituto de Medicinade los Estados Unidos, han enfocado sus esfuerzos en la medición de “episodios deatención” de los pacientes con el fin de cambiar la visión actual fragmentada, orien-tada en servicios, por una que tome en cuenta una visión integral de todo el procesode atención del paciente. Los “episodios de atención” se utilizan para comparar eldesempeño de diferentes proveedores o redes en la atención que prestan a pacientescon condiciones de salud.

En este estudio se desarrolló una herramienta de software que permite la evalua-ción de la calidad en la prestación de servicios de salud en términos de los desenlacesclínicos y los costos de los individuos para cualquier enfermedad crónica. Para cadaenfermedad se permite evaluar la definición de una atención clínicamente aceptable(ACA); la cual es el conjunto de atenciones mínimas que requiere un paciente condiagnóstico específico, en términos de consultas médicas, pruebas de laboratorio ymedicamentos. El detalle de la implementación se presenta a continuación. El docu-mento se encuentra organizado de la siguiente forma, en primer lugar se presentauna revisión de la literatura relacionada con el sistema de aseguramiento de saluden Colombia (Capítulo 2.1), la definición de calidad de la atención en salud (Capí-tulo 2.2), la comparación de desenlaces en salud basada en registros (Capítulo 2.3) yel estado del arte en el análisis de desenlaces de salud en estudios observacionales(Capítulos 2.4 a 2.7). Posteriormente, se detalla la metodología utilizada en el estudio(Capítulo 3). En el Capítulo 4 se propone un caso de estudio sobre la enfermedad Ar-tritis Reumatoide y para esta enfermedad se realiza un análisis donde se ejemplificala utilidad de la herramienta desarrollada. Por último, en el Capítulo 5 se presentanlas conclusiones y el trabajo futuro del estudio.

1.2. Objetivos

1.2.1. Objetivo general

Desarrollar una herramienta de software que permita analizar la calidad en elproceso de la atención y en la utilización de recursos en salud entre los presta-dores del servicio de salud para el tratamiento de enfermedades crónicas en elrégimen contributivo en Colombia.

1.2.2. Objetivos específicos

Analizar el estado actual de la prestación de servicios de salud para el trata-miento de enfermedades crónicas en el régimen contributivo en Colombia.

1.2. Objetivos 3

Descomponer, limpiar, procesar y entender la base de datos construida a partirde los estudios de suficiencia y del ajuste de riesgo para el cálculo de la Unidadde Pago por Capitación (UPC) en el SGSSS.

Desarrollar una metodología para evaluar las diferencias en los desenlaces ensalud para los pacientes que recibieron la atención mínima aceptable y los queno.

Desarrollar una aplicación que permita comparar municipios y entidades pres-tadoras de salud con respecto a la prestación de servicios para enfermedadescrónicas con respecto a un indicador de prestaciones mínimas por enfermedad.

Analizar y validar los resultados en los desenlaces de salud y en los costosdirectos para el sistema de salud para la enfermedad Artritis Reumatoide comocaso de estudio.

5

Capítulo 2

Marco teórico

2.1. Sistema de aseguramiento en salud en Colombia

En Colombia, a partir de la ley de la reforma a la salud -Ley 100 de 1993- se dio eltránsito entre un Sistema Nacional de Salud a un sistema basado en el aseguramien-to -Sistema General de Seguridad Social en Salud (SGSSS)- descentralizado, con elobjetivo de mejorar la equidad en el acceso a los servicios de salud. Esta reformaintrodujo una competencia tanto en el aseguramiento como en la provisión de laatención con una participación pública y privada.

A partir de dicha reforma, se generaron dos regímenes de aseguramiento quebuscan dar cobertura a toda la población: el régimen contributivo y el régimen sub-sidiado. Históricamente, los beneficiarios del régimen contributivo han tenido ac-ceso a un plan de beneficios amplio comparado con los beneficiarios del régimensubsidiado (Guerrero R, 2011), hasta el año 2015, cuando se unificó el plan de be-neficios para ambos grupos de beneficiarios. Como resultados de esta reforma, laprotección financiera del riesgo en salud ha mejorado a costa de un gasto públicoen salud considerable, reflejado en una cobertura de salud del 96,6 % y un gasto debolsillo moderado, cercano al 14 % (Protección Social, 2016). Donde el régimen sub-sidiado cubre al 45,4 % de la población, el régimen contributivo al 45,5 % y el 0,4 %está afiliado a regímenes especiales y de excepción (Protección Social, 2019).

Aunque, en teoría, los beneficiarios de ambos regímenes tienen acceso a un am-plio paquete de tratamientos y servicios médicos, en la práctica, las aseguradoraspueden limitar el acceso a la asistencia sanitaria, esto, combinado con una calidaden la atención moderada y largos tiempos de espera ofrecidos por proveedores quepertenecen a redes de aseguradoras de salud (Abadia CE, 2009).

Es por esto que, a pesar de haber logrado una cobertura de salud casi universal,Colombia sufre serios problemas en la accesibilidad a los servicios preventivos, dediagnóstico y tratamiento para diversas condiciones como por ejemplo en pacientescon cáncer (Vries, 2018). Entendiendo el acceso como la capacidad de la poblaciónpara buscar y obtener atención médica.

Desde el punto de vista de la demanda, parte de las explicaciones de la falta deaccesibilidad se deben a la pobreza, que limita el acceso real debido al tiempo y aldinero requeridos para la asistencia a programas o citas médicas, y parte radica en lafalta de alfabetización, creencias y conocimiento de los pacientes. Desde la perspec-tiva de la oferta, la disponibilidad y la asequibilidad parecen ser los determinantes

6 Capítulo 2. Marco teórico

más importantes de los indicadores de acceso, así como, la falta de una infraestructu-ra técnica que le permita al gobierno ejercer su actividad de control sobre las entida-des encargadas de proveer el servicio de salud, particularmente respecto a la calidadde la atención en salud y en los desenlaces en salud de la población atendida (Vries,2018).

2.2. Calidad de la atención en salud

La calidad de la atención en salud se define como el grado en el cual los servi-cios de salud provistos a los individuos incrementan la probabilidad de obtener losresultados en salud deseados y, son consistentes con el conocimiento actual (Lohr,1991).

De acuerdo con los aspectos de la atención que vayan a ser evaluados, el con-cepto de calidad de la atención se puede dividir en múltiples dimensiones. Estasdimensiones se pueden medir a través de la construcción de diferentes indicadores,los cuales se definen como medidas que permiten monitorear, evaluar y mejorar lacalidad de la atención, de los servicios de soporte clínico y la función organizacio-nal, los cuales afectan los desenlaces de los pacientes (Canadian Council on HealthServices Accreditation, 2010).

La medición y monitorización de indicadores sirve para múltiples propósitos;permite documentar la calidad de la atención, realizar comparaciones en el tiempoentre diferentes prestadores, priorizar servicios, entre otros. Sin embargo, ningún in-dicador es una medida directa de la calidad de la atención, debido a que la calidades multidimensional, por lo cual, para entender la calidad se requiere la medición devarios indicadores (Mainz, 2003).

2.3. Comparación de desenlaces en salud basada en registros

Una medida deseable que permita evaluar el desempeño en la atención en saludes aquella que en forma precisa y reproducible refleje el proceso, los costos y desen-laces de la atención provista por los diferentes prestadores. Estas medidas proveeninformación valiosa para mejorar el proceso del tratamiento y la distribución de re-cursos en salud y permiten realizar comparaciones reproducibles entre prestadoresde la atención en salud (Peltola, M. et al., 2011).

Estas medidas de desempeño se deben construir de forma cuidadosa para quesean comparables y útiles; existen numerosas recomendaciones metodológicas lascuales deben ser consideradas cuando se pretende utilizar bases de datos adminis-trativas como insumo para construir indicadores del desempeño en la atención ensalud (Wray, NP. et al., 1995).

El requisito fundamental es contar con bases de datos confiables con unos ade-cuados estándares de calidad los cuales permitan identificar todos los encuentroscon el sistema de salud que han tenido los individuos. Adicionalmente, se requieretener un conocimiento de la conformación de la base de datos sus posibilidades ylimitaciones y de un grupo interdisciplinario el cual incluya entre otros expertos en

2.4. Episodios de atención como indicador del proceso de la atención en salud 7

metodología y expertos clínicos (Wray, NP. et al., 1995).

2.4. Episodios de atención como indicador del proceso de laatención en salud

El concepto de episodios de atención se ha utilizado para distinguir entre aten-ciones en salud independientes y el grupo de atenciones dirigidas al tratamientoespecífico de una enfermedad.

La idea de un enfoque basado en episodios de atención no es nueva, sin embargo,su implementación en la práctica ha sido un reto y de hecho no se ha implementadoen forma global (Solon. JA, Feeney. JJ, Jones. SH, Rigg. RD, Sheps. CG, 1967). Algu-nos ejemplos de países en donde se ha utilizado esta metodología son Finlandia yEstados Unidos (Peltola, M. et al., 2011).

Un episodio de atención se refiere al conjunto de servicios de salud que recibe unindividuo desde el inicio de la enfermedad hasta que se completa el tratamiento dedicha condición específica, tomando en cuenta todos los prestadores que lo atendie-ron hasta resolver su condición de salud.

De tal forma que, la metodología para construir un episodio de atención incluyela definición de la fecha de inicio y finalización de la enfermedad, así como, criteriosde inclusión y de exclusión, los cuales son utilizados como reglas para la construc-ción del grupo de datos de una población de individuos con una enfermedad espe-cífica en la cual se calculan todos los indicadores.

Los datos que usualmente se utilizan para la construcción de los episodios deatención consisten en atenciones médicas en los ámbitos de hospitalización, con-sulta externa y del servicio de urgencias, procedimientos, prescripción de pruebasdiagnósticas y de medicamentos. Utilizando estos datos, es posible reconstruir la ru-ta de la atención de un paciente antes y después del tratamiento de una condiciónespecífica (Peltola, M. et al., 2011).

Con respecto a la fecha de inicio y finalización del episodio, esta puede ser clara-mente determinada en el caso de condiciones agudas por ejemplo una fractura, sinembargo, en el caso de enfermedades crónicas – por ejemplo diabetes mellitus- no esposible determinar estas fechas por lo que se construyen los episodios de atenciónen periodos de 365 días.

Es por esto, que para construir los episodios de atención y utilizarlos para eva-luar el desempeño, se debe conocer la naturaleza de la enfermedad y las caracte-rísticas de los pacientes, ya que estos son factores clave que afectan las decisionesterapéuticas y la implementación de la atención.

8 Capítulo 2. Marco teórico

2.5. Herramientas tecnológicas utilizadas para construir losepisodios de atención

Se han desarrollado algunas herramientas tecnológicas que permiten agrupar lasdiferentes atenciones en salud en episodios de atención. Este agrupamiento en epi-sodios permite crear una medida común de utilización y gasto de recursos para eltratamiento de diferentes condiciones médicas, permitiendo una comparación entreproveedores del servicio de salud a lo largo de una región, o para evaluar el desem-peño de diferentes proveedores en el tratamiento de pacientes con enfermedadesespecíficas.

No obstante, para la evaluación del desempeño individual, es necesario contro-lar por diversos factores por ejemplo, factores demográficos, por la severidad de laenfermedad, entre otros.

Las comparaciones basadas en episodios de atención ofrecen un posible marcode referencia para generar un esquema de pago por desempeño que genere incenti-vos a los proveedores para realizar un uso eficiente de los recursos.

Existen dos paquetes de software comercialmente disponibles que permiten rea-lizar los agrupamientos en episodios de atención a partir de la base de datos demedicare, el INGENIX symmetry episode treatment groups (ETG) y el Thomson medstatmedical episode grouper (MEG). En el estudio de MaCurdy et al (2008), se compararonlos dos software con respecto a la conformación de los episodios de atención, en elestudio, encontraron diferencias en la metodología para la construcción de los epi-sodios de atención las cuales probablemente obedecieron a los retos que implicanla construcción de los episodios de atención en el caso de enfermedades crónicas.Por ejemplo, dada la complejidad del estado de salud de muchos pacientes, ya quees frecuente que los pacientes padezcan de varias comorbilidades, la asignación decada prestación a un único episodio de atención resulta compleja, esta tarea requieredistinguir cuál condición de salud particular constituye la causa última de la provi-sión de cada servicio de salud (MaCurdy. T, et al., 2008).

Por otra parte, en el caso de enfermedades crónicas no existe una fecha de finali-zación del episodio ya que por definición estas enfermedades son progresivas y en lamayoría de los casos no se curan, es por esto que, para facilitar la creación del episo-dio, es necesario utilizar reglas administrativas para definir la duración del episodiode atención en el caso de estas enfermedades, por lo que se utilizan intervalos fijosde 12 meses.

Finalmente, teniendo en cuenta que la construcción de los episodios depende deldiagnóstico, la correcta selección de la población basada en el diagnóstico es funda-mental, sin embargo, los códigos diagnósticos en las bases de datos administrativasen muchos casos no son precisos, por lo que es necesario generar unos criterios cla-ros y confiables para seleccionar la población con una condición específica.

2.6. Estudios observacionales 9

2.6. Estudios observacionales

Los estudios observacionales o no experimentales son investigaciones cuyo obje-tivo es determinar relaciones causales cuando no es posible usar experimentos con-trolados y asignar aleatoriamente a los individuos a los programas (Guo S. Fraser.M, 2010). El problema principal al que se enfrentan los investigadores en la evalua-ción de impacto de un programa es identificar la diferencia en la variable de resul-tado del participante del programa en presencia del programa y la variable de re-sultado del mismo individuo en ausencia del programa (Bernal R. & Peña. X, 2017).Debido a que no es posible observar ambos resultados al mismo tiempo, el resultadodel individuo participante si el programa no existiera es hipotético y se denominacontrafactual (Bernal R. & Peña. X, 2017). De acuerdo con lo anterior, el impacto delprograma (τi) para un individuo se define en la ecuación 2.1, donde Yi(1) es la va-riable de resultado si el individuo i es tratado y Yi(0) es la variable de resultado si elindividuo i no es tratado.

τi = Yi(1)−Yi(0) (2.1)

Debido a que solo se conoce uno de los desenlaces del individuo, si fue tratado seconoce únicamente el desenlace de tratamiento y si no fue tratado solo se conoceel desenlace sin tratamiento, el resultado del individuo se define en la ecuación 2.2,donde Di toma el valor de 1 si el individuo fue tratado y 0 de lo contrario.

Yi = DiYi(1) + (1− Di)Yi(0) (2.2)

Por lo anterior, no es posible estimar el efecto individual del tratamiento (τi), sinoque el análisis se debe enfocar en el impacto promedio del programa en la población(Bernal R. & Peña. X, 2017). Así, el impacto promedio del programa sobre los indivi-duos que recibieron tratamiento se define en la Ecuación 2.3, donde E(Yi(1)|Di = 1)es el valor esperado de la variable de resultado para el grupo de tratamiento enpresencia de tratamiento y E(Yi(1)|Di = 0) es el valor esperado de la variable deresultado para el grupo de tratamiento en ausencia de tratamiento (contrafactual)(Bernal R. & Peña. X, 2017).

τATT = E(τi|Di = 1) = E(Yi(1)|Di = 1)−E(Yi(0)|Di = 1) (2.3)

Ya que el valor del contrafactual no es observable, es necesario elegir un sustituto deesta variable. Una aproximación sería sustituir el contrafactual por el promedio de lavariable de resultado de los individuos no participantes del programa, sin embargo,esta aproximación puede generar estimaciones inexactas ya que los participantes delprograma y los no participantes suelen ser diferentes, incluso en ausencia del pro-grama (Bernal R. & Peña. X, 2017). Esto implica que, las variables de resultado paralos individuos tratados y los no tratados podrían ser diferentes hasta en ausencia delprograma, este problema se denomina sesgo de autoselección y, se presenta cuandolas diferencias preexistentes entre los grupos de tratamiento y de control afectan,tanto la probabilidad de participación en el programa como, la variable de resultado(Bernal R. & Peña. X, 2017).

2.7. Emparejamiento por índices de propensión (PSM)

El método de emparejamiento por índices de propensión (Propensity Score Mat-ching, PSM) es una estrategia que permite controlar el sesgo de selección; la diferen-cia entre el contrafactual y la variable de resultado para el grupo de control (Bernal

10 Capítulo 2. Marco teórico

R. & Peña. X, 2017). Este método consiste en asumir que dado un conjunto de va-riables observables, no determinadas por el tratamiento, los resultados potencialesson independientes de la participación del programa (Bernal R. & Peña. X, 2017).Esto implica que se debe cumplir el supuesto de independencia condicional, el cualestablece que la participación en el programa no se determina por variables no ob-servadas y que todas las variables que afectan la asignación al tratamiento y losresultados potenciales son observadas (Bernal R. & Peña. X, 2017).

A partir de esta metodología, lo que se busca es encontrar conjuntos similares desujetos tratados y no tratados, a partir de las variables observables para estimar elefecto del tratamiento sobre la muestra emparejada (Faries, D. et al., 2010). EL índicede propensión se define como la probabilidad de que un individuo i reciba el trata-miento, calculado a partir de sus variables observables. Los pasos para hacer el PSMson: estimar el índice de propensión, emparejar a los individuos según un algoritmode emparejamiento, evaluar la calidad del emparejamiento y estimar el efecto deltratamiento sobre la muestra emparejada.

En primer lugar, con el objetivo de hacer el emparejamiento por índices de pro-pensión, se debe estimar la probabilidad de asignación de cada individuo al grupode tratamiento; es decir, se debe especificar un modelo como en la Ecuación 2.4, don-de X son las características observables de los individuos.

P(Di = 1|X) = f (X) (2.4)

Posteriormente, se realiza el emparejamiento de los individuos según el índicede propensión calculado. Para el emparejamiento se debe asegurar que se cumple lacondición de soporte común, la cual establece que solo se deben utilizar los indivi-duos del grupo de control que tengan probabilidades de participación en el progra-ma similares a las probabilidades de participación del grupo de tratamiento (BernalR. & Peña. X, 2017). Para garantizar esta condición se puede realizar una inspecciónvisual de las distribuciones del índice de propensión para el grupo de control y detratamiento y determinar la región donde existen observaciones para ambos grupos.Otra forma de garantizar esta condición es el criterio del mínimo y el máximo, apartir del cual se eliminan las observaciones inferiores al mínimo y al máximo delgrupo contrario, obteniendo así a la región de soporte común (Bernal R. & Peña. X,2017).

Después de determinar la región de soporte común se selecciona una estrate-gia de emparejamiento, algunas de estas estrategias son: emparejamiento por vecinomás cercano, emparejamiento de distancia máxima, estratificación, estimador porkernel y regresión lineal local. Con respecto al algoritmo de emparejamiento a ele-gir, según Bernal y Peña (2017) en muestras grandes todos los algoritmos de empa-rejamiento deben generar los mismos resultados ya que tienden a comparar parejasidénticas, sin embargo, en muestras pequeñas, la selección del algoritmo puede afec-tar los resultados.

Luego de realizar el emparejamiento se debe validar la calidad del mismo. Lacalidad del emparejamiento se determina como el balance logrado en las variablesobservables X para los grupos de control y experimental. Una manera de determi-nar la calidad del emparejamiento es hacer una regresión (Ecuación 2.5) por mínimoscuadrados ordinarios, donde la variable dependiente es la participación o no en el

2.7. Emparejamiento por índices de propensión (PSM) 11

programa (Di) y las variables independientes son las variables observables con lascuales se calculó el índice de propensión y se agrega como variable el índice de pro-pensión calculado (Bernal R. & Peña. X, 2017).

Di = β0 + β1P̂(Xi) + ~β~Xi (2.5)

Por último, se estima el efecto del tratamiento sobre las variables de desenlacey evaluar su significancia estadística. Existen múltiples técnicas para evaluar dife-rencias en los desenlaces dependiendo de la naturaleza de la variable a evaluar. Enel caso de variables continuas se puede calcular una diferencia de medias entre elgrupo de tratamiento y de control, si la variable sigue una distribución normal sepuede aplicar una prueba t pareada. Si la variable no tiene una distribución normalse pueden utilizar pruebas no paramétricas como la prueba de los rangos con signode Wilcoxon (Faries, D. et al., 2010). En el caso de variables de recuento; discretasy no negativas, algunos de los modelos que se pueden utilizar son: modelo de re-gresión de Poisson, modelo de regresión binomial negativa y modelo en dos partes,donde el modelos de regresión de Poisson y el modelo de regresión binomial nega-tivo son modelos lineales generalizados.

13

Capítulo 3

Metodología

En el desarrollo de la herramienta de software para evaluar los desenlaces clí-nicos y económicos de los pacientes que reciben la atención clínicamente aceptablepara su enfermedad crónica contra los que no la reciben, se definió como periodo dereclutamiento de los pacientes los años 2010 y 2011 y como periodo de seguimientose tomaron los años de 2011 a 2016.

A continuación se presenta la metodología que se implementó en la herramien-ta. En primer lugar, se presenta la descripción de la base de datos utilizada (Sección3.1), luego se describe el preprocesamiento inicial de los datos para los años de reclu-tamiento (Sección 3.2), a continuación se presenta el algoritmo para seleccionar lospacientes a incluir en el análisis según la enfermedad (Sección 3.3), posteriormen-te se detalla el calculo del índice de propensión para cada paciente (Sección 3.4), acontinuación se describe el emparejamiento según el índice de propensión (Sección3.5) y, por último, se evalúan los desenlaces clínicos y económicos entre el grupo detratamiento y grupo de control (Sección 3.6).

3.1. Base de datos

Se utilizó la base de datos construida a partir de los estudios de suficiencia ydel ajuste de riesgo para el cálculo de la Unidad de Pago por Capitación (UPC) enel SGSSS (Sistema General de Seguridad Social). La UPC es el valor anual que sereconoce por cada uno de los afiliados al SGSSS para cubrir las prestaciones delplan de beneficios financiado con recursos de UPC. En los regímenes contributivoy subsidiado- estas bases de datos son solicitadas y recolectadas por el Ministeriode Salud y Protección Social y contienen el detalle de todas las atenciones de saludrealizadas a usuarios del régimen contributivo en el periodo de referencia.

Dichas bases de datos son el insumo fundamental para estimar la suficiencia dela UPC y calcular el valor para el periodo siguiente, con un rezago de dos años debi-do a: la diferencia en los tiempos de facturación por parte de las IPS a las EPS por lasatenciones realizadas a los usuarios, la demora en el envío de información y la veri-ficación de la calidad de las bases de datos entregadas. Si bien todas las EPS tienen laobligación de reportar la información de la totalidad de atenciones realizadas a losusuarios afiliados, el Ministerio de Salud solo utiliza para el estudio de suficienciaaquellas que pasan un filtro de calidad y consistencia de los datos, denominado ma-llas de validación. Las bases de datos que han pasado por este filtro, en los periodoscomprendidos entre enero de 2010 a diciembre de 2016,son las que se utilizan en elestudio.

14 Capítulo 3. Metodología

Las variables disponibles en la base de datos son: identificación, sexo, municipio,edad, año de nacimiento, código de la administradora, diagnóstico, código del pro-cedimiento, medicamento y nombre del medicamento. En promedio, para los años2010 a 2012, cada 20 días se prestaron 19 millones de atenciones a 5,3 millones de pa-cientes, de las cuales 3 millones de atenciones fueron prestadas a menores de edad.El conjunto de archivos de texto de cada año pesa aproximadamente 40GB.

3.2. Preprocesamiento de los datos

En la Gráfica 3.1 se presenta la arquitectura de la solución desarrollada. En pri-mer lugar se pueden observar las fuentes de datos a partir de las cuales se crea labase de datos para el estudio de suficiencia, estas son: la Planilla Integrada de Liqui-dación de Aportes (PILA), el Registro Único de Afiliados (RUA), la Base de Datosúnica de Afiliados (BDUA) y los Registros Individuales de Prestación de Serviciosde Salud (RIPS).

Posteriormente se realiza la extracción, transformación y carga al clúster de laUniversidad de los Andes. El formato de los datos recibidos fue archivos de textopor trimestre desde 2010 hasta 2016, para la tranformación y carga de los datos seutilizó el API para Python de Apache Spark, un framework que permite la progra-mación en clúster con paralelismo de datos. Este framework, al igual que el uso de lalibrería Pandas de Python permitió la optimización del tiempo de ejecución del pro-cesamiento de datos. En esta fase se excluyeron los registros de pacientes menoresde edad, se transformaron los tipos de las variables, se excluyeron los valores nulos,se seleccionaron solo las variables de interés y se agregó la variable de índice de ne-cesidades básicas insatisfechas a partir del municipio. Por último, se serializaron losarchivos generados por año en formato Pickle de Python.

Dado a que el tamaño de las bases de datos para todos los años era de al rededorde 280GB se utilizó la infraestructura del Centro de Alto Computo de la Universidadde los Andes (HPC). La máquina en la que se procesaron los datos tenía las siguien-tes especificaciones: 300GB de disco duro, 8 CPUs, 64GB de memoria RAM y sistemaoperativo Ubuntu 18.04.

Debido a que ninguno de los archivos se podía cargar en memoria principal parael procesamiento, se desarrolló un algoritmo que realiza particiones de los archivosy luego los procesa en paralelo, creando hilos de ejecución correspondientes al nú-mero de núcleos de la máquina en la que se ejecutan, en el caso de la ejecución enel clúster de la universidad se crearon 8 hilos de ejecución paralela. Este algoritmose utiliza para la búsqueda de los pacientes que cumplen con la definición operativade la enfermedad en los años de reclutamiento y para la búsqueda de los pacientesseleccionados para los años de seguimiento. La optimización implementada redujoel tiempo de procesamiento de los datos lo cual genera una mejora significativa enla experiencia del usuario.

3.3. Etapa de reclutamiento 15

FIGURA 3.1: Arquitectura de solución

3.3. Etapa de reclutamiento

En la herramienta desarrollada se deben seleccionar los códigos de la enferme-dad que se quiere analizar, a partir de estos códigos se determinan los episodios deatención para cada paciente que cumpla con los criterios de inclusión en el análisis.Los criterios de inclusión también son parametrizables por el usuario, estas varia-bles consisten en un número de veces mínimo que se repita el código específico dela enfermedad y la formulación de un número de medicamentos específicos de laenfermedad durante el episodio de atención (1 año).

Luego de definir los parámetros, la herramienta encuentra todos los pacientesque entre los años 2010 y 2011 cumplieron con los criterios de inclusión y recopilala información de cada uno de ellos para su episodio de atención. En esta etapa secalculan las siguientes variables para los pacientes seleccionados: índice de comor-bilidad de Charlson y número de antibióticos recetados.

Posteriormente, el usuario debe ingresar la definición de atención clínicamenteaceptable (ACA) para la enfermedad a evaluar. A partir de esta definición, que pue-de incluir frecuencia de exámenes médicos específicos y citas médicas, se determinapara cada paciente si recibió al menos la atención clínicamente aceptable o no.

3.4. Índice de propensión

Como resultado de la etapa anterior se obtiene la base de datos de todos los pa-cientes que cumplieron los criterios de inclusión para el estudio de la enfermedadseleccionada. Esta base de datos cuenta con 1 registro por paciente el cual contienela información agregada de las siguientes variables durante el episodio de atención;sexo, entidad administradora de salud, índice de necesidades básicas insatisfechas

16 Capítulo 3. Metodología

del municipio de atención, edad, número de antibióticos recetados, índice de comor-bilidad de Charlson y si recibió ACA.

Posteriormente, se procede a estimar la probabilidad de participar en el progra-ma, es este caso se estima la probabilidad de recibir al menos la atención clínica-mente aceptable definida por el usuario. Las variables incluidas en el modelo son:edad, sexo, entidad prestadora de salud, número de antibióticos formulados duran-te el episodio de atención e índice de Charlson. Inicialmente se utilizó un modelode regresión logística para estimar la probabilidad de recibir ACA y se encontró quetodas las variables eran significativas.

En general, se pudo observar que la muestra de pacientes por enfermedad noes balanceada con respecto a la variable de ACA, para resolver este problema en elentrenamiento de los modelos estadísticos se utilizó la técnica de bootstraping conreemplazo.

La técnica de bootstraping es una técnica de remuestreo de datos sobre una mues-tra inicial de mayor tamaño. Se implementó la técnica bootstraping con reemplazo,la cual consiste en seleccionar aleatoriamente N registros del grupo de tratamientoy N registros del grupo de control creando subconjuntos balanceados de la muestrainicial, y con esta submuestra balanceada se entrena un modelo estadístico, este pro-ceso se repite un número X de iteraciones y posteriormente se selecciona el modelocon el mejor desempeño, en este caso la métrica seleccionada para elegir el mejormodelo es la exactitud (Ecuación 3.1): proporción de valores correctamente clasifi-cados sobre el total de la muestra, donde TP es el número de pacientes clasificadoscomo positivos para la atención clínicamente aceptable que efectivamente la recibie-ron, TN es el número de pacientes clasificados como negativos para ACA que no larecibieron, FP es el número de pacientes que fueron clasificados como que recibieronACA pero no la recibieron y FN es el número de pacientes que fueron clasificadoscomo que no recibieron ACA pero sí la recibieron.

exactitud =TP + TN

TP + TN + FP + FN(3.1)

Los modelos entrenados para calcular el índice de propensión utilizando la téc-nica de bootstraping con reemplazo fueron regresión logística y redes neuronales arti-ficiales. La variable dependiente de los modelos era si el paciente recibió la atenciónclínicamente aceptable y las variables dependientes son: sexo, edad, índice de co-morbilidad de Charlson, número de antibióticos recetados, si tiene diabetes, la enti-dad administradora de salud y el índice de Necesidades Básicas Insatisfechas (NBI)del municipio (Ecuación 3.2).

ACAi ∼ Sexoi +Edadi + Índice de Charlsoni + # antibióticosi +Diabetesi +EPSi +NBIi(3.2)

Las redes neuronales artificiales son ampliamente utilizadas para problemas declasificación y regresión debido a su capacidad para descubrir patrones. Además,las redes neuronales multicapa de propagación hacia adelante son capaces de apro-ximar cualquier función al nivel de precisión deseado, por lo cual son consideradas

3.5. Emparejamiento 17

aproximadores universales (Hornik, K., 1989).

La estructura de una red neuronal se compone por capas y neuronas. La capade entrada recibe los datos y los pasa a la primera capa oculta. En cada capa ocultase realizan cálculos matemáticos sobre las entradas y la capa de salida devuelve lapredicción realizada. Cada capa de entrada y oculta requiere de la especificación deuna función de activación, la cual determina el valor de salida del nodo.

Para el entrenamiento de las redes neuronales se definió una arquitectura de 1capa de entrada, 1 capa oculta y 1 capa de salida, utilizando el algoritmo de entre-namiento de propagación hacia adelante. La dimensión de la capa de entrada es elnúmero de variables independientes que se utilizan en el modelo. La función de ac-tivación de la capa de entrada es unidad lineal rectificada (ReLU, por sus siglas eninglés) y la función de activación de la capa oculta es sigmoide. En cada iteraciónde la muestra generada por bootstraping se entrenaron 15 modelos de red neuronalartificial con la especificación mencionada anteriormente, variando el número deneuronas del modelo entre 1 y 15 neuronas, y la red se optimiza minimizando elerror cuadrático medio.

3.5. Emparejamiento

A partir de los valores del índice de propensión, la herramienta hace un empare-jamiento por vecino más cercano con reemplazo, restringido por distancia máxima.Se decidió utilizar el método de vecino más cercano con reemplazo ya que la propor-ción de pacientes que reciben ACA suele ser mucho menor que los pacientes que nola reciben, debido a esto se quieren preservar los pacientes que recibieron ACA en elestudio. Adicionalmente, al permitir reemplazo se disminuye el sesgo pero tambiénse reduce el número de individuos diferentes que se usan para calcular el contrafac-tual, generando predicciones menos precisas. Con esta técnica de emparejamiento,todos los pacientes que se encuentren en el soporte común serán emparejados conun número K de pacientes no tratados, si cumplen con la restricción de distanciamáxima, lo cual mejora la calidad del emparejamiento. Los valores de número devecinos más cercanos a buscar (K) y distancia máxima, también son parametrizablespor el usuario.

3.6. Evaluación de impacto

La evaluación del impacto de recibir la atención mínima aceptable o no recibirlase dividen en dos tipos; desenlaces en salud y costos directos asociados. A conti-nuación se presenta la metodología que se implementó en la herramienta para laevaluación de cada tipo de variable.

En el análisis sobre los desenlaces clínicos de los individuos se tiene dos variablesque se quieren evaluar, el número de hospitalizaciones y el número de atenciones enurgencias durante el periodo de seguimiento, estas variables son variables de re-cuento; discretas y no negativas. Algunos de los modelos para analizar este tipo devariables son: modelo de regresión de Poisson, modelo de regresión binomial nega-tiva y modelo en dos partes, donde el modelos de regresión de Poisson y el modelode regresión binomial negativo son modelos lineales generalizados.

18 Capítulo 3. Metodología

En primer lugar,se analizó el modelo de regresión de Poisson, sin embargo no secumplía el supuesto de equidispersión, el cual establece que la media de la variablede desenlace debe ser igual que la varianza de la misma, a partir de los datos seencontró que la varianza era mayor que la media, por lo cual era un caso de sobre-dispersión.

Debido a lo anterior, se decidió utilizar un modelo de binomial negativa en laherramienta para evaluar los desenlaces clínicos de los pacientes. Con el objetivo dedisminuir el efecto de las covariables en el efecto de la atención clínicamente acep-table, se utiliza una ponderación de los registros por el inverso del índice de pro-pensión (IPTW). Este modelo se puede utilizar en presencia de sobredispersión. Lasvariables independientes incluidas en el modelo son: sexo, índice de necesidades bá-sicas insatisfechas del municipio, edad, índice de Charlson, número de antibióticosrecetados, diagnóstico de diabetes y si cumplió la atención mínima aceptable o no.La variable dependiente de cada modelo es el número de atenciones en urgencias yel número de hospitalizaciones en el periodo de seguimiento, las variables depen-dientes se calculan solo para el periodo de reclutamiento.

Por último, el costo directo total se calcula utilizando una regresión cuantil pon-derada por el inverso del índice de propensión (IPTW). Los costos se obtienen a par-tir de los datos de la fecha, número y valor de las facturas, correspondientes a todoslos contactos con el sistema que haya tenido el sujeto durante el año siguiente al pe-riodo de exposición. Se incluyen todos los encuentros del paciente con el sistema desalud registrados en la base de datos de la UPC; servicios hospitalarios, de urgenciasy ambulatorios, procedimientos, pruebas diagnósticas y medicamentos facturados.

19

Capítulo 4

Caso de estudio

Con el objetivo de evaluar la metodología y herramienta desarrollada, se anali-zará la funcionalidad de la herramienta en el caso de la enfermedad artritis reuma-toide.

4.1. Caso de estudio

La artritis reumatoide es una enfermedad crónica inflamatoria que genera altosniveles de dolor, discapacidad funcional, y mortalidad prematura (Pincus T, 1984).Existen estándares de calidad para la atención de los pacientes que padecen de estaenfermedad, entre ellos, la prescripción de medicamentos modificadores del cursode la enfermedad (FARMES) los cuales evitan la progresión de la enfermedad aldaño articular y en consecuencia reducen la discapacidad generada por esta enfer-medad (American College of Rheumatology, 1996). De hecho, diversas publicacioneshan documentado que demoras en el inicio de los medicamentos, tan cortas como detres meses desde el inicio de los síntomas, se pueden asociar a desenlaces adversos,entre ellos discapacidad importante (Munro, R. et al., 1998).

Para la definición de la enfermedad artritis reumatoide en la base de datos, se uti-lizó el algoritmo propuesto por Singh JA, Holmgren AR & Noorbaloochi S. (2004), elcual evidenció una prevalencia del 47 %, una especificidad del 82.7 %, sensibilidaddel 84.9 % y verdaderos positivos de 81.1 % en la población del estudio, el cual con-siste de la combinación de dos consultas en las que se haya clasificado el pacientecon los códigos CIE-10 relacionados con artritis reumatoide, más la prescripción deun medicamento modificador de la enfermedad (FARME).

Con respecto a la definición de la atención clínicamente aceptable para la artritisreumatoide se realizó un consenso con un grupo de expertos siguiendo la metodolo-gía de Delphi. A partir de este consenso se obtuvo el tipo y la frecuencia de serviciosde atención en salud mínimos (en términos de atenciones médicas, pruebas diagnós-ticas y medicamentos) que debe recibir un paciente adulto con diagnóstico de AR enremisión de su enfermedad, en tratamiento con FARMES sintéticos, en un periodode 365 días en el contexto colombiano.

En el marco del consenso, participaron 9 reumatólogos, los cuales ejercen lareumatología en 5 ciudades diferentes de Colombia, 3 trabajan en Hospitales Uni-versitarios, 3 son profesores universitarios, 7 atienden pacientes en Institucionesprestadoras de servicios de salud (IPS) dedicadas a la atención de pacientes conenfermedades autoinmunes, y 1 de ellos se desempeña en el área administrativa.

20 Capítulo 4. Caso de estudio

De los nueve reumatólogos al menos 1 atiende pacientes de los diferentes regíme-nes de aseguramiento (régimen contributivo, subsidiado y régimen especial) todoscon experiencia de más de 8 años en la atención de pacientes. Los 9 reumatólogoscompletaron las tres rondas de preguntas, relacionadas con la frecuencia de la pres-tación de servicios de salud, y se llegó a consenso en 8 de las recomendaciones endos rondas de preguntas, en una recomendación no se llegó a consenso después detres rondas.

4.2. Análisis descriptivo

Como se mencionó en el capítulo anterior, a partir de la definición ingresada porel usuario de la enfermedad, la cual incluye los códigos de la enfermedad, el nombrede los medicamentos específicos para la misma y la frecuencia que se debe encontrardel código de la enfermedad en el periodo de reclutamiento (2010-2011), se generael conjunto de datos que cumplieron con los criterios de inclusión en el estudio. Lasvariables disponibles en el conjunto de datos son edad, sexo, índice de comorbilidadde Charlson, entidad administradora de salud, número de antibióticos recetados enel periodo de reclutamiento y si la persona padece de diabetes o no. Adicionalmente,el usuario debe especificar la definición de la atención clínicamente aceptable (ACA)y a partir de esta definición se agrega la variable que indica si la persona recibió almenos esta atención mínima o no la recibió.

Para cada variable mencionada anteriormente el usuario puede observar y ana-lizar diversos gráficos y estadísticas de resumen que le permiten entender el estadode la población de acuerdo con su definición. En el caso de la artritis reumatoide sepuede observar que la distribución del índice de comorbilidad de Charlson es muysimilar para el grupo de control y el grupo que recibió tratamiento, sin embargo, elgrupo que recibió ACA presentó una mayor proporción de individuos con índice decomorbilidad mayor a 1 (Gráfica 4.1). Similarmente, en la Gráfica 4.2 se presenta ladistribución de la edad para el grupo de pacientes que recibieron ACA y para el gru-po de control, también se observa una distribución similar en los grupos de edad.Por último, en la Gráfica 4.3 se observa la distribución del número de antibióticosfacturados durante el periodo de reclutamiento para ambos grupos, se observa queen el grupo de tratamiento hay una mayor prevalencia de individuos que recibieronantibióticos.

Con respecto a la prestación de la atención clínicamente aceptable, en la Gráfi-ca 4.4 se presenta el número de pacientes seleccionados en el emparejamiento conrespecto a la entidad administradora de salud y se distingue entre si recibieron laatención clínicamente aceptable o no. En la figura superior de la Gráfica 4.4 se obser-va el número de pacientes por administradora, las EPSs que registraron un mayornúmero de pacientes son EPS013 (Saludcoop) y EPS037 (Nueva EPS) y en menorproporción la EPS010 (Su Salud) y EPS002 (Salud Total). En la parte inferior de lagráfica se presenta el porcentaje de pacientes que recibieron ACA, se evidencia quelas EPSs con mayor porcentaje de pacientes que recibieron ACA en el periodo dereclutamiento fueron la EPS017 (Famisanar) y EPS008 (Compensar). Sin embargo,ninguna EPS registró un porcentaje de pacientes que reciben ACA mayor al 7 %.

4.3. Análisis estadístico 21

FIGURA 4.1: Distribución del índice de comorbilidad de Charlson an-tes del emparejamiento

FIGURA 4.2: Distribución de la edad de los individuos antes del em-parejamiento

4.3. Análisis estadístico

Con el objetivo de determinar si la atención mínima aceptable (ACA) definidapor es usuario tiene un impacto en desenlaces de salud medidos como; número dehospitalizaciones y número de atenciones a urgencias o desenlaces económicos, segenera primero el cálculo del índice de propensión para la muestra de pacientes quecumplieron con la definición operativa de la Artritis reumatoide para los años 2010y 2012.

En la gráfica 4.5 se presenta la densidad de la distribución del índice de propen-sión para el grupo de control y experimental. Se puede observar que la región desoporte común abarca la mayor parte de las distribuciones, lo probablemente se en-contrara un alto porcentaje de individuos emparejados, lo que llevará a resultadoscalculados con mayor precisión.

Posteriormente, la herramienta realiza el emparejamiento por el método de veci-nos más cercanos con reemplazo, restringido por distancia máxima, para el área de

22 Capítulo 4. Caso de estudio

FIGURA 4.3: Distribución del número de antibióticos formulados alos individuos antes del emparejamiento

soporte común. En el caso de la Artritis Reumatoide se especificaron como paráme-tro 5 vecinos más cercanos para cada paciente que cumple con ACA y una distanciamáxima de 0.15, estos valores fueron definidos por el experto médico. Se tomó unnúmero de vecinos más cercanos mayor a 2 ya que se buscaba aumentar la proba-bilidad de encontrar parejas para comparar los individuos que recibieron ACA, sinembargo elegir un número grande de vecinos cercanos puede generar sesgo ya quese estará comparando al individuo con otros individuos que no se asemejan tantoen sus condiciones basales, debido a lo anterior se restringió la distancia máxima delíndice de propensión a 0.15.

En la gráfica 4.6 se puede observar la nueva distribución de densidad del índicede propensión para el grupo de tratamiento y de control después del emparejamien-to. Se evidencia que la distribución para ambos grupos después del emparejamientoes muy similar.

Como resultado del emparejamiento se obtuvieron 5 vecinos más cercanos paracada paciente con ACA, el tamaño de la muestra de pacientes con ACA fue 1015 yel tamaño de la muestra de pacientes sin ACA fue 3394 debido a que se permitíareemplazo. Luego se realiza el análisis de los desenlaces para los pacientes seleccio-nados durante los siguientes 4 años (2012-2015). Dado que para cada año se repite elanálisis, a continuación se presentarán los resultados para el año 2012.

4.4. Resultados

En primer lugar, de los 1015 pacientes que cumplieron con ACA seleccionadosen el emparejamiento, en el año 2012 se registraron atenciones para 906 de ellos, locual representa el 89 %. Por el lado de los pacientes que no recibieron ACA, de 3394seleccionados en el emparejamiento, 2932 recibieron atenciones en el año 2012, re-presentando un 86 %.

Adicionalmente, para los pacientes que no cumplieron con ACA se registraron155,094 atenciones, es decir que cada paciente recibió en promedio 45 atenciones,

4.4. Resultados 23

FIGURA 4.4: Distribución del número de antibióticos formulados alos individuos antes del emparejamiento

mientras que para los pacientes que cumplieron con ACA se registraron 61,900 aten-ciones, es decir que cada paciente recibió en promedio 68 atenciones en el año 2012.

Posteriormente, se realiza el análisis de impacto de la definición de atención mí-nima aceptable para la enfermedad. Las variables de desenlace son el número dehospitalizaciones y el número de atenciones en urgencias. Para evaluar las diferen-cias en estos valores para el grupo de control y experimental, se realiza y modelode regresión binomial negativa, donde la variable de desenlace es la variable depen-diente y la variable independiente es si el paciente recibió ACA o no.

Como resultado la herramienta reporta las estadísticas del modelo de regresióncomo se puede observar en la Figura 4.7. Se evidencia que todas las variables inclui-das en el modelo son significativas, sin embargo, los coeficientes que se observanel en resultado de la regresión binomial negativa son difíciles de analizar ya que laformula del valor predicho involucra la función exponencial, por lo cual el efecto decada coeficiente aplica sobre el logaritmo del valor esperado de la variable depen-diente. Debido a esto, en la Tabla 4.1 se calculó la tasa de incidencia de cada una delas variables sobre el número de hospitalizaciones.

Así, se observa que al recibir la atención clínicamente aceptable durante el pe-riodo de reclutamiento, se reduce entre 0.56 y 0.65 el valor esperado del número de

24 Capítulo 4. Caso de estudio

FIGURA 4.5: Distribución índice de propensión entre tratamiento ycontrol

FIGURA 4.6: Distribución índice de propensión del emparejamiento

hospitalizaciones requeridas al sistema. Además, el número de hospitalizaciones, enel caso de ser mujer, presenta una aumento de 1.15 sobre el valor esperado de hospi-talizaciones al año. Así mismo, si la persona presentó diabetes, durante el periodo dereclutamiento se incrementa en 1.21 el el número de hospitalizaciones en el periodode seguimiento. Por último, por cada punto de incremento del número de antibióti-cos recetados o del índice de comorbilidad de Charlson, se incrementa el número dehospitalizaciones en 1.1 y 1.09 respectivamente.

Por otro lado, con respecto al número de atenciones en urgencias (Figura 4.8),las únicas variables significativas en el modelo son la atención clínicamente acepta-ble y el índice de comorbilidad de Charlson. En este caso, con respecto a las tasasde incidencia (Tabla 4.2), para los pacientes que recibieron la atención cínicamen-te aceptable se redujo entre 0.58 y 0.76 el valor esperado del número de atencionesa urgencias. En contraste, por cada punto adicional del índice de comorbilidad deCharlson, se incrementa en 1.38 el valor esperado del número de atenciones a urgen-cias en el periodo de seguimiento.

Con respecto a las regresiones binomiales negativas implementadas se hizo un

4.4. Resultados 25

FIGURA 4.7: Regresión binomial negativa para la variable número dehospitalizaciones

CUADRO 4.1: Tabla tasa de incidencia sobre el número de hospitali-zaciones

Variable Coef. Exp. Coef. [0.025 0.975] Exp [0.025 Exp 0.975]β eβ x0,025 x0,975 ex0,025 ex0,975

Aceptable -0.51 0.60 -0.59 -0.43 0.56 0.65Sexo 0.14 1.15 0.04 0.24 1.04 1.26

Mun. NBI 0.02 1.02 0.02 0.03 1.02 1.03Diabetes 0.19 1.21 0.03 0.36 1.03 1.43

Antibióticos 0.10 1.10 0.09 0.10 1.10 1.11I. Charlson 0.08 1.09 0.05 0.11 1.05 1.12

análisis sobre los residuos de Anscombe a partir de los cuales se validó la convergen-cia de los residuales a cero, el supuesto de varianza constante y de independenciade los residuos.

Por último, a partir del modelo de regresión cuantil (4.9), para entender el efectode las variables sobre el costo directo de las atenciones en salud, se puede observarque todas las variables son significativas. Además, el efecto de recibir la atenciónclínicamente aceptable durante el periodo de reclutamiento genera una reducciónen los costos directos anuales de $152.000 pesos en promedio por paciente, siendoesta la variable que genera un mayor impacto sobre los costos. Por lo contrario, lasvariables asociadas a comorbilidades, como el el índice de Charlson y la diabetesgenerar un incremento sobre los costos anuales. En el caso del índice de Charlson,por cada punto adicional se incrementan los costos anuales en $83.900 pesos y encaso de padecer diabetes se incrementan los costos en $46.440 pesos. El efecto delnúmero de antibióticos sobre el incremento de los costos es de $5.891 pesos. Con

26 Capítulo 4. Caso de estudio

FIGURA 4.8: Regresión binomial negativa para la variable número deatenciones en urgencias

CUADRO 4.2: Tabla tasa de incidencia sobre el número de atencionesen urgencias

Variable Coef. Exp. Coef. [0.025 0.975] Exp [0.025 Exp 0.975]β eβ x0,025 x0,975 ex0,025 ex0,975

Aceptable -0.40 0.66 -0.54 -0.27 0.58 0.76Sexo -0.14 0.86 -0.32 0.03 0.72 1.03

Mun. NBI -0.00 0.99 -0.01 0.01 0.99 1.00Diabetes 0.06 1.06 -0.17 0.29 0.83 1.34

Antibióticos -0.01 0.98 -0.03 0.00 0.97 1.00I. Charlson 0.32 1.38 0.28 0.36 1.323 1.44

respecto a los supuestos de la regresión cuantil, esta no restringe la distribución dela variable objetivo y resiste la influencia de observaciones atípicas (IBM, 2019).

4.5. Discusión

En el estudio se documentó que en el grupo de pacientes que recibieron unaatención clínicamente aceptable se redujo el valor esperado del número de hospita-lizaciones en 0.60 y del logaritmo de consultas a urgencias en 0.66, controlando porlas covariables que afectan la utilización de servicios de salud utilizando la metodo-logía de los índices de propensión.

Si bien, en el estudio no se contaba con alguna variable que permitiera medirla actividad de la enfermedad, se consideró que aquel paciente que recibe unos mí-nimos de atención, incluida la prescripción de medicamentos para el tratamiento

4.5. Discusión 27

FIGURA 4.9: Regresión cuantil para la variable costos totales

específico de la enfermedad (independiente del tipo de medicamento), se deberíaasociar a un mejor control de la enfermedad lo cual debería impactar en una mejoraen los desenlaces en salud. También, a partir de los resultados se pudo relacionarla atención clínicamente aceptable con la menor utilización de recursos en salud eneste grupo de pacientes.

Estos resultados concuerdan con los resultados de otros estudios como el estu-dio de Barnabe. C, et al. (2013), en el cual se determinó el efecto del control de laactividad de la artritis reumatoide en la utilización de servicios de salud y en suscostos asociados. El mayor costo se relacionó con las hospitalizaciones, con un costopromedio bruto anual de $3.423 dólares canadienses en pacientes con actividad dela enfermedad alta o moderada contra $738 dólares canadienses en sujetos que al-canzaron remisión sostenida de la enfermedad. El efecto del control de la actividadde la enfermedad en los costos se observó para todas las categorías de utilización derecursos incluidas las consultas al servicio de urgencias, en esta categoría el efectofue más discreto documentándose un costo promedio bruto anual de $459 dólarescanadienses para actividad moderada o alta de la enfermedad, $235 para baja acti-vidad y $196 para remisión de la enfermedad.

En este estudio se documentó que el efecto de recibir la atención clínicamen-te aceptable durante el periodo de reclutamiento genera un ahorro promedio de$152.000 pesos anuales por paciente, a partir de este resultado se evidencian los be-neficios económicos de brindar la definición de prestación clínicamente en los pa-cientes con artritis reumatoide.

En el estudio de Barnabe. C, et al. (2013) lograron demostrar que al reducir elnivel de actividad de la actividad de la Artritis Reumatoide se genera una reduc-ción en los costos al sistema de salud. En nuestro estudio, al partir de una base dedatos administrativa, no es posible evaluar reducciones en costos por niveles de ac-tividad de la enfermedad pero sí logramos coincidir en que la adecuada prestaciónde servicios de de salud, medidos como el cumplimiento de la atención clínicamenteaceptable, genera una reducción de costos al sistema de salud.

29

Capítulo 5

Conclusiones y trabajo futuro

5.1. Conclusiones

Las metodologías basadas en la construcción de episodios de atención, permitena partir de un indicador compuesto, comparar prestadores del servicio de salud, conel fin de obtener una retroalimentación para mejorar la calidad del servicio, para eldiseño de políticas públicas, para implementar políticas de pago por desempeño ypara diseñar modelos de atención (Rosen AK, Mayer-Oakes A, 1999).

Se desarrolló una herramienta que, utilizando la base de datos construida a par-tir de los estudios de suficiencia y del ajuste de riesgo para el cálculo de la Unidad dePago por Capitación (UPC) en el SGSSS colombiano, permite agrupar las diferentesatenciones en salud en episodios de atención para enfermedades específicas.

A pesar de que, en otros países como Estados Unidos se está empezando a pro-poner esta metodología, para comparar la utilización de recursos y el desempeñoentre prestadores del servicio, las aplicaciones continúan siendo en su mayor parteconceptuales (Peltola, M. et al., 2011).

Por esta razón, en este estudio se decidió validar la herramienta, a partir de lamedición de unos desenlaces relacionados con la utilización de recursos y con loscostos asociados a recibir unos mínimos de atención comparado con no recibirlos,para el tratamiento de una enfermedad crónica, en este caso la artritis reumatoide.

Con respecto al caso de estudio, se desarrolló un indicador del proceso de laatención en salud el cual es una de las dimensiones del concepto de calidad de laatención en salud. En este estudio documentamos que el 29.9 % de los sujetos condiagnóstico de artritis reumatiode recibió ACA, es decir, solo en este grupo se cum-plió con el indicador, el 70 % de los sujetos no recibió una adecuada calidad de laatención evaluando la dimensión del proceso de la atención.

Con respecto al efecto de recibir ACA, se evidenció una menor utilización derecursos en salud medido por el numero de hospitalizaciones y de consultas a ur-gencias, así mismo se documentaron menores costos para el sistema a un año deseguimiento en este grupo de pacientes.

La herramienta desarrollada se podría utilizar por parte de las entidades guber-namentales para monitorizar y comparar la eficiencia de las prestaciones de saludcon respecto a algunos desenlaces en salud y sus costos directos asociados. Además,la metodología implementada puede ser utilizada para comparar el desempeño delos prestadores del servicio de salud, como parte de robustecer las metodologías de

30 Capítulo 5. Conclusiones y trabajo futuro

control y monitorización de la atención en salud en el contexto colombiano.

5.2. Trabajo futuro

Se requiere ampliar la fase de validación de la herramienta a través de otros casosde uso en enfermedades crónicas y condiciones agudas para calibrar la efectividadde la herramienta.

Adicionalmente, se puede evaluar la inclusión de bases de datos de los regíme-nes de salud faltantes, no contributivo y regímenes especiales con el objetivo de tenerun panorama completo de la prestación de servicios de salud en Colombia.

Por otro lado, se puede evaluar la inclusión de nuevas variables de desenlacecomo infecciones o enfermedades que se desarrollen en el periodo de seguimientoque se puedan relacionar con la atención clínicamente aceptable.

Con respecto al análisis de impacto de la atención clínicamente aceptable sobrelos costos directos en el periodo de seguimiento, este análisis se podría complemen-tar con un estudio de costo efectividad a partir del cual se pueda evaluar el costopara el sistema de salud de brindar la atención clínicamente aceptable.

También, se podrían implementar otros modelos estadísticos que permitan ana-lizar el efecto de las atención clínicamente aceptable y que se puedan comparar conlos modelos implementados en la versión actual de la herramienta. Con el objetivode dar la posibilidad al usuario de seleccionar el modelo que mejor se ajuste a losdatos. Por ejemplo, se podría incluir un modelo de regresión binomial negativa in-flada por ceros.

31

Bibliografía

Abadia CE, Oviedo DG. (2009). «Bureaucratic Itineraries in Colombia. A theoreticaland methodological tool to assess managed-care health care systems». En: SocialScience Medicine 68. URL: https://www.ncbi.nlm.nih.gov/pubmed/19178990#.

American College of Rheumatology (1996). «Guidelines for the management of rheu-matoid arthritis. American College of Rheumatology Ad Hoc Committee on Cli-nical Guidelines.» En: URL: https://www.ncbi.nlm.nih.gov/pubmed/8639167.

Bernal R. & Peña. X (2017). «Guia práctica para la evaluación de impacto». En:Canadian Council on Health Services Accreditation (2010). «A Guide to the Deve-

lopment and Use of Performance Indicators». En: QRB - Quality Review Bulletin.Faries, D. et al. (2010). «Analysis of Observational Health Care Data Using SAS». En:Guerrero R Gallego AI, Becerril-Montekio V Vásquez J (2011). «Sistema de salud de

Colombia». En: URL: https://www.redalyc.org/pdf/106/10619779010.pdf.Guo S. Fraser. M (2010). «Propensity score analysis: statistical methods and applica-

tions». En:Homedes N., Ugalde A (2005). «Neoliberal reforms in health services in Latin Ameri-

ca: a critical view from two case studies». En: URL: https://www.researchgate.net/publication/7911400_Neoliberal_reforms_in_health_services_in_Latin_America_A_critical_view_from_two_case_studies.

Hornik, K. (1989). «Multilayer Feedforward Networks are Universal Aproximators».En:

IBM (2019). «Regresión cuantil». En: URL: https://www.ibm.com/support/knowledgecenter/es/SSLVMB_sub/statistics_mainhelp_ddita/spss/regression/idh_quantile.html.

Lohr K. N., Harris-Wehling J (1991). «Medicare: A Strategy For Quality Assurance,I: A Recapitulation of the Study and a Definition of Quality of Care». En: QRB- Quality Review Bulletin. URL: https://doi.org/10.1016/j.jcpo.2018.01.003Get.

MaCurdy. T, et al. (2008). «Evaluating the Functionality of the Symmetry ETG andMedstat MEG Software in Forming Episodes of Care Using Medicare Data». En:URL: https : / / www . cms . gov / Research - Statistics - Data - and - Systems /Statistics-Trends-and-Reports/Reports/Downloads/MaCurdy.pdf.

Mainz, J (2003). «Defining and classifying clinical indicators for quality improve-ment». En: International Journal for Quality in Health Care.

Ministerio de la Protección Social (2005). «Política Nacional de Prestación de Servi-cios de Salud». En: URL: https://www.minsalud.gov.co/salud/PServicios/Paginas/Prestacion-servicios-home.aspx.

Munro, R. et al. (1998). «Improved functional outcome in patients with early rheu-matoid arthritis treated with intramuscular gold: results of a five year prospecti-ve study». En: URL: https://www.ncbi.nlm.nih.gov/pubmed/9613337.

Peltola, M. et al. (2011). «A methodological approach for register-based evaluationof cost and outcomes in health care». En: URL: https://www.tandfonline.com/doi/full/10.3109/07853890.2011.586364.

32 BIBLIOGRAFÍA

Pincus T Callahan LF, Sale WG Brooks AL Payne LE Vaughn WK (1984). «Seve-re functional declines, work disability, and increased mortality in seventy-fiverheumatoid arthritis patients studied over nine years». En: Arthritis Rheum.

Protección Social, Ministerio de Salud y (2016). «POLÍTICA DE ATENCIÓN INTE-GRAL EN SALUD». En: URL: https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/DE/modelo-pais-2016.pdf.

— (2019). «Cifras aseguramiento salud». En: URL: https://www.minsalud.gov.co/proteccionsocial/Paginas/cifras-aseguramiento-salud.aspx.

Rosen AK, Mayer-Oakes A (1999). «Episodes of care: theoretical frameworks ver-sus current operational realities». En: URL: https://www.ncbi.nlm.nih.gov/pubmed/10093017.

Solon. JA, Feeney. JJ, Jones. SH, Rigg. RD, Sheps. CG (1967). «Delineating episodesof medical care». En: URL: https://www.ncbi.nlm.nih.gov/pubmed/6066901.

Vries E. D., Buitrago G. Quitian H. Wiesner C. Castillo J. S (2018). «Access to cancercare in Colombia, a middle-income country with universal health coverage». En:Journal of Cancer Policy. URL: https://doi.org/10.1016/j.jcpo.2018.01.003Get.

Wray, NP. et al. (1995). «Using administrative databases to evaluate the quality ofmedical care: A conceptual framework». En: URL: https://www.ncbi.nlm.nih.gov/pubmed/7660184.

Yepes FJ Ramírez M, Sánchez LH Ramírez ML Jaramillo I (2010). «Luces y sombrasde la reforma de la salud en Colombia: Ley 100 de 1993». En: Revista Gerencia yPolíticas de Salud. URL: http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S1657-70272010000200015.