Development of Two Morbidity Indices in the French National Health Data System (SNDS) - Application to Case-Identification and to Prospective Payment Models

La mesure pronostique de l’état de santé constitue un enjeu important dans de nombreux domaines liés aux soins, à la recherche ou à la décision publique en santé. Une approche commune à ces différents domaines est de synthétiser l’information disponible sur la morbidité d’une population sous la forme d’indices, appelés parfois scores, en faisant appel à des méthodes de modélisation prédictive. La disponibilité croissante de données médico-administratives et l’essor de leur utilisation à des fins de recherche ou d’aide à la décision ont souligné l’importance de ce type de mesures pronostiques. En France, les données du SNDS et en particulier la « cartographie des pathologies et des dépenses » développée par l’Assurance Maladie, permettent la mesure de la morbidité, un suivi individuel longitudinal sur plusieurs années et l’étude de différents résultats de santé. Nous proposons deux indices de morbidité élaborés en appliquant des méthodes de modélisation prédictive aux données médico-administratives françaises et nous illustrons leur apport par deux études d’application.Les deux indices proposés sont élaborés et validés en appliquant un cadre méthodologique commun à une population nationale de personnes âgées de 65 ans ou plus. L’indice MRMI (Mortality-Related Morbidity Index) est prédictif de la mortalité à deux ans et l’indice ERMI (Expenditure-Related Morbidity Index) est prédictif des dépenses de soins remboursées sur deux ans et reflète l’intensité du recours au système de santé. Leur performance prédictive est supérieure aux indices comparables les plus communément utilisés, indices de Charlson et mesures d’Elixhauser.Dans une première étude d’application, nous étudions le risque de réhospitalisation pour les patients atteints d’insuffisance cardiaque (IC), en utilisant des méthodes adaptées à la prise en compte du risque compétitif de décès. Nous distinguons la stabilité de l’IC de la sévérité globale de l’état de santé, mesurée à travers les deux indices proposés. Ces deux informations, disponibles à l’admission d’un séjour pour IC, permettent de segmenter la population en groupes de risque avec un écart de 40% d’incidence cumulée de réhospitalisation pour IC au bout d’un an de suivi.Pour la deuxième étude d’application, nous comparons différents modèles prédictifs afin de quantifier l’apport des indices de morbidité dans la prédiction des dépenses individuelles. Nous étudions trois périmètres de dépenses : totales, hospitalières et ambulatoires, parmi deux populations différentes : l’ensemble des personnes âgées de 65 ans ou plus et les personnes âgées de 65 ans ou plus et atteintes d’IC. Nous illustrons les enjeux de la définition de paiements populationnels prospectifs de type capitation, en comparant les dépenses observées aux dépenses prédites par ces modèles à l’échelle des départements métropolitains. La sévérité de l’état de santé, mesurée à travers les deux indices proposés, est le déterminant le plus important de la performance prédictive des dépenses, aussi bien au niveau individuel que départemental.Les indices MRMI et ERMI sont des outils performants pour prendre en compte la sévérité de l’état de santé dans les travaux basés sur des données du SNDS et de manière adaptée au résultat étudié. Ils peuvent servir de variables de stratification ou d’ajustement, ou être inclus parmi d’autres variables dans des modèles prédictifs.The accurate characterization of health-state severity has been a central concern in most health-related research or policy fields. A common approach to take into account health-state severity is the use of summary measures, usually referred to as indices or scores, based on predictive modeling methods. With the increasing availability of routinely collected standardized data in medico-administrative databases, such summary measures are more widely used for research purposes or to inform policy making. The French national health data system (SNDS) is particularly adapted to predictive modeling as it allows morbidity measurement, longitudinal follow-up and the study of health-related outcomes. We propose two morbidity indices developed using SNDS data and illustrate their utilization in two application studies.We developed and validated two outcome-specific morbidity indices in a nationwide population of people aged 65 years or older: the Mortality-Related Morbidity Index (MRMI) predictive of 2-year mortality and the Expenditure-Related Morbidity Index (ERMI) predictive of healthcare expenditure over 2 years and reflecting the intensity of healthcare utilization. The MRMI and ERMI indices have better overall performance and better calibration than comparable Charlson indices.As an application of the morbidity indices to case-identification, we studied the risk of readmission in heart failure (HF) patients. To analyze readmission predictors, we distinguished HF severity from overall morbidity measured through the MRMI and ERMI indices and took into account the competing mortality risk. Risk-groups defined upon HF severity and overall morbidity, available at admission, have a 40% separation in HF readmission incidence and specific patterns of risk over the 1-year follow-up period.As an application to payment models, we compared the performance of the MRMI and ERMI indices, among other predictors, for expenditure prediction. Models were applied to prediction of overall, inpatient and outpatient individual expenditure, for people aged 65 or older and for HF patients aged 65 or older. To illustrate the use of predictive models for prospective resource allocation, we compared predicted with observed mean individual expenditure at the area of residence level. Health-state severity measured through the MRMI and ERMI was the most important predictor, both at the individual and area of residence level.The MRMI and ERMI indices are performant tools for outcome-specific severity adjustment in studies using SNDS data. They can be used as stratification or adjustment variables, or among other predictors in predictive models