Stratifica PDTA

["\n\n\n\n L\u2019ESPERIENZA DELLA REGIONE LOMBARDIA 39\n\n\n ziosi elementi programmatori attraverso un\u2019immagine det-\n tagliata dei bisogni assistenziali. In sintesi, la Regione\n Lombardia ha sviluppato e validato uno score prognostico\n derivato dai dati dei flussi correnti, fortemente correlato\n con la mortalit\u00e0 a breve e lungo termine, i ricoveri e i co-\n sti sanitari di ogni singolo beneficiario del SSR. CReSc pu\u00f2\n rappresentare uno strumento utile per epidemiologi (che\n necessitano di strumenti per l\u2019aggiustamento del rischio\n negli studi clinici ed epidemiologici), medici (che neces-\n sitano di rilevare e gestire i pazienti fragili nella pratica\n clinica quotidiana) e soprattutto policy makers (che ne-\n cessitano di valutare le politiche del sistema sanitario e\n disporre di adeguati strumenti di pianificazione). In par-\n ticolare, l\u2019introduzione dello strumento di stratificazione\n del rischio CReSc, unitamente all\u2019incentivo monetario per\n i servizi che concordano con la gestione proattiva dei pa-\n zienti ad alto rischio, pu\u00f2 generare effetti clinicamente e\n operativamente importanti.\n\n \u00c8 opportuno sottolineare che la metodologia adottata per\n la costruzione dell\u2019indice deve essere considerata partico-\n larmente flessibile perch\u00e9 si adatta a contesti pi\u00f9 specifici\n rispetto a quelli considerati in questo capitolo. Ad esem-\n pio, il progetto \u201cStratificazione del rischio clinico nel corso\n dell\u2019epidemia da covid-19\u201d (STRESS) ha consentito di co-\n struire uno score prognostico in grado di attribuire a ogni\n cittadino di et\u00e0 compresa tra 18 e 79 anni un indice di\n fragilit\u00e0 rispetto al rischio di sperimentare forme cliniche\n critiche e\/o fatali dell\u2019infezione da SARS-CoV-2. La logi-\n ca sottesa alla costruzione del punteggio denominato CVS\n (acronimo di Covid-19 Vulnerability Score) non differisce\n da quella descritta per la costruzione di CReSc. Si tratta di\n identificare i predittori indipendenti di un esito (in que-\n sto caso la manifestazione clinica severa o fatale dell\u2019in-\n fezione) tra le informazioni disponibili dai flussi correnti.\n","\n\n\n\n 40 STRATIFICA PDTA\n\n\n Lo score CVS, sviluppato dall\u2019Universit\u00e0 di Milano-Bicocca,\n coordinato dalla Direzione Generale Welfare della Regione\n Lombardia, costruito a partire dai dati della Regione Lom-\n bardia e validato in quattro Regioni italiane (Valle d\u2019Aosta,\n Marche, Puglia e Sicilia), \u00e8 stato adottato da una specifica\n 40\n deliberazione della Giunta regionale, ed \u00e8 stato attiva-\n mente utilizzato per pianificare le priorit\u00e0 nell\u2019offerta vac-\n cinale durante la campagna in corso.\n\n Infine, si segnala che la Regione sta attivamente lavorando\n alla costruzione di score prognostici che migliorino le capa-\n cit\u00e0 predittive negli anziani (popolazione degli ultra ottan-\n tacinquenni) e in specifiche condizioni fisiologiche (rischio\n di parto pretermine misurato nelle donne all\u2019inizio della gra-\n vidanza).\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n L\u2019esperienza della Regione Puglia\n","\n\n\n\n\n\n\n\n 4.\n L\u2019esperienza della\n\n Regione Puglia: lo strumento\n di stratificazione del\n\n rischio e il suo impiego nel\n programma \u201cCare Puglia 3.0\u201d\n\n\n A cura di Vito Lepore, Ettore Attolini, Marco Benvenuto\n\n\n\n Il presente capitolo ha lo scopo di illustrare la stratificazione\n della popolazione adulta affetta dalle patologie croniche di\n interesse attraverso l\u2019utilizzo del Drug Derived Complexity\n Index (DDCI) quale proxy di gravit\u00e0 clinica, terminalit\u00e0,\n 41\n ricorso e consumo di risorse sanitarie.\n\n Un concetto fondamentale quando si confrontano risultati di\n salute tra diversi gruppi di assistiti \u00e8 quello di garantire che\n le popolazioni siano bilanciate per i loro rischi al baseline.\n Nel campo della ricerca osservazionale, per eseguire tale ag-\n giustamento del rischio, viene comunemente proposto l\u2019uso\n di codici diagnostici per identificare le condizioni di comor-\n bilit\u00e0 degli individui. Dal loro sviluppo nel 1987 e nel 1998,\n i punteggi di comorbilit\u00e0 di Charlson ed Elixhauser sono\n 43\n 42\n 44\n stati utilizzati in migliaia di indagini per tali scopi.\n Queste e altre misure basate sulla diagnosi sono ampiamen-\n te utilizzate perch\u00e9 sono facilmente applicabili, funzionano\n bene in un\u2019ampia variet\u00e0 di aree cliniche e sono state larga-\n mente convalidate. Tuttavia, le misure di aggiustamento del\n rischio basate sulla diagnosi hanno dei limiti, incluso il fatto\n\n\n L\u2019esperienza della Regione Puglia\n","\n\n\n\n 42 STRATIFICA PDTA\n\n\n che sono soggette a bias di codifica e non possono essere\n applicate a soggetti privi di informazioni diagnostiche.\n\n In parte per affrontare queste carenze, sono stati sviluppa-\n ti diversi indici di rischio basati su dati di prescrizione di\n farmaci, in cui la presenza e la gravit\u00e0 delle condizioni di\n comorbilit\u00e0 sono dedotte in base ai modelli di utilizzo dei\n farmaci. Il primo di questi indici, il Chronic Disease Score\n (CDS), \u00e8 stato sviluppato nel 1992 e comprendeva 26 classi\n di farmaci in grado di identificare 17 condizioni di malattia\n cronica ed \u00e8 stato convalidato come predittore di ospedaliz-\n zazione, mortalit\u00e0, gravit\u00e0 della malattia, stato di salute e\n 44\n disabilit\u00e0 funzionale. Da allora, sono stati proposti ulterio-\n ri indici basati sui farmaci soggetti a prescrizione in grado di\n stimare misure di rischio che prevedono i costi, l\u2019utilizzo di\n 44\n risorse sanitarie e altri risultati relativi allo stato di salute.\n Sulla base di tali premesse, il gruppo di lavoro collaborativo\n AReSS Puglia e Fondazione Mario Negri Sud svilupparono e\n convalidarono un nuovo e originale strumento di stratifica-\n zione denominato Drug Derived Complexity Index (DDCI),\n utilizzando un modello predittivo derivato dalle prescrizio-\n ni di farmaci, in grado di stratificare la popolazione adulta\n pugliese in base a rischio di morte, ospedalizzazione e ri-\n ospedalizzazione precoce, confrontato con il Charlson Co-\n morbidity Index (CCI) in termini di discriminazione e riclas-\n sificazione. In particolare, tassi di mortalit\u00e0 a un anno e fino\n a sette anni, tassi di ospedalizzazione non programmata e\n di riammissione ospedaliera aumentavano progressivamente\n con l\u2019incremento nelle 11 classi di punteggio DDCI. 41\n\n La disponibilit\u00e0 di uno strumento di stratificazione appro-\n priato, consolidato e gi\u00e0 validato sulla popolazione adulta\n pugliese, si \u00e8 rivelata particolarmente utile per una sua ap-\n plicazione nell\u2019ambito del programma \u201cCare Puglia 3.0\u201d per\n","\n\n\n\n L\u2019ESPERIENZA DELLA REGIONE PUGLIA 43\n\n\n la presa in carico delle cronicit\u00e0, il cui modello prevedeva,\n per le quattro patologie croniche di interesse (ipertensio-\n ne arteriosa, diabete mellito di tipo 2, broncopneumopatia\n cronico-ostruttiva e cardiopatia ipertensiva con scompenso\n cardiaco), una prima fase di stratificazione e targeting della\n popolazione assistita (si veda anche quanto gi\u00e0 presentato\n 3\n nel booklet Organizza PDTA ).\n Il modello di presa in carico intende definire percorsi indi-\n viduali appropriati ed efficaci in ogni fase dell\u2019evoluzione\n della cronicit\u00e0, in funzione delle condizioni di salute degli\n assistiti, in una logica di integrazione funzionale ma anche\n strutturale attraverso l\u2019implementazione dei nuovi modelli\n organizzativi dell\u2019assistenza primaria e specialistica nonch\u00e9\n dei Presidi Territoriali di Assistenza (PTA).\n\n In assenza di malattia ma in presenza di fattori di rischio\n \u2013 individuali e collettivi \u2013 il medico di assistenza prima-\n ria attiva gli interventi di prevenzione e promozione del-\n la salute, anche attraverso il ricorso ai servizi distrettuali\n (centri per la disassuefazione al fumo, per la dipendenza da\n alcol e di dietologia).\n\n In presenza di sospetto clinico di malattia, il medico invia\n il paziente in regime di day service allo specialista ambu-\n latoriale per l\u2019inquadramento diagnostico e la definizione\n dell\u2019approccio terapeutico. Ne assicura il follow-up per tutto\n il percorso di vita del paziente, attraverso l\u2019interlocuzione\n con i servizi sanitari (territoriali e ospedalieri) quando ne-\n cessario, con l\u2019obiettivo di mantenere il pi\u00f9 a lungo possibile\n la persona nel suo domicilio, riducendo al massimo il rischio\n di istituzionalizzazione (figura 4.1).\n\n L\u2019obiettivo principale del progetto \u00e8 il mantenimento in\n buona salute della popolazione: considerando come proxy\n","\n\n\n\n 44 STRATIFICA PDTA\n\n\n\n Figura 4.1 Care Puglia 3.0, approccio assistenziale\n in funzione delle cinque classi DDCI di rischio\n\n\n >10 \u2022 Cure palliative\n Terminalit\u00e0\n \u2022 Case management\n 6-9 \u2022 ADI\/strutture Rischio alto\n intermedie\/ospedale\n \u2022 Disease management Rischio medio:\n 3-5 \u2022 PAI: follow-up\n specialistico patologia conclamata\n \u2022 Self management Rischio basso:\n 1-2 \u2022 PAI: empowerment, fasi iniziali della patologia\n follow-up\n Assenza di malattia:\n 0 \u2022 PAI: prevenzione presenza di fattori di rischio\n primaria\n\n\n\n dell\u2019impegno assistenziale i valori tariffari delle prestazioni\n sanitarie erogate e guardando l\u2019evoluzione della coorte dei\n pazienti cronici pugliesi dal 2012 al 2016, si osserva che il\n maggiore differenziale in termini proporzionali, dal punto di\n vista dell\u2019impegno assistenziale e del correlato assorbimen-\n to di risorse, si ottiene dal passaggio dalla classe \u201cassenza\n di malattia\u201d alla classe \u201cmalattia lieve\u201d, con un incremento\n della spesa pari a tre volte (tabella 4.1).\n\n Lo sforzo pi\u00f9 rilevante nell\u2019implementazione del modello di\n presa in carico non pu\u00f2 quindi che concentrarsi sulle clas-\n si di rischio lievi-moderate, dove le prospettive di guada-\n gno di salute sono pi\u00f9 favorevoli, con una strategia fondata\n sull\u2019alleanza tra professionisti, collegati tra loro in rete, e\n pazienti. Per le fasi successive di malattia, il sistema assi-\n cura comunque una risposta: tuttavia, i dati che registriamo\n raccontano ancora di setting inappropriati, di frammentazio-\n","\n\n\n\n L\u2019ESPERIENZA DELLA REGIONE PUGLIA 45\n\n\n Tabella 4.1. Consumo medio annuale per assistito per classi\n DDCI\n Classi DDCI\n Classe DDCI \u226510 4668,6\n x1,4\n Classe DDCI 6-9 3320,2\n x1,5\n Classe DDCI 3-5 2142,7\n x1,7\n Classe DDCI 1-2 1295,5\n x3\n Classe DDCI \u226410 389,8\n Totale 1703,3\n\n\n\n ne dei percorsi e delle responsabilit\u00e0, di mancato governo\n 45\n dei tempi. Sulla base di tali evidenze il programma \u201cCare\n Puglia\u201d ha prioritariamente proposto come popolazione tar-\n get, nell\u2019ambito del sistema di cure primarie, gli assistiti che\n rientravano nella classe DDCI di rischio pi\u00f9 bassa.\n\n In chiusura, si \u00e8 ritenuto utile riportare alcune conclusio-\n 46\n ni tratte dal Libro bianco sulla diffusione e l\u2019impiego dei\n metodi di stratificazione, elaborato nell\u2019ambito del progetto\n europeo \u201cActivation of Stratification Strategies and Results\n of the interventions on frail patients of Healthcare Services\u201d\n 47\n (ASSEHS), che ha visto la partecipazione della Regione Pu-\n glia insieme a Lombardia, Catalogna e Paesi Baschi.\n Il progetto ASSEHS ha inteso contribuire al processo di\n 47\n innovazione e di sviluppo di nuovi modelli di cura nella\n popolazione anziana europea attraverso la produzione di\n conoscenze sull\u2019uso di strumenti di stratificazione del ri-\n schio clinico a livello di politiche sanitarie, programma-\n zione delle cure e pratica clinica quotidiana. L\u2019analisi dei\n fattori facilitanti e\/o delle barriere che contribuiscono e\/o\n ostacolano l\u2019implementazione, lo sviluppo e la diffusione di\n","\n\n\n\n 46 STRATIFICA PDTA\n\n\n strumenti e strategie di stratificazione negli attuali model-\n li organizzativi sanitari \u00e8 stata una prima e fondamentale\n tappa del progetto ASSEHS.\n\n Di seguito riportiamo le nozioni apprese dal progetto ASSEHS.\n n La prima decisione da prendere \u00e8 tra \u201cbuy or build\u201d (ac-\n quisire uno strumento disponibile o costruirsene uno pro-\n prio): lo sviluppo di una soluzione proprietaria in-house ri-\n chiede manutenzione e aggiornamento. L\u2019acquisto si riduce\n all\u2019acquisizione di una licenza commerciale per poter uti-\n lizzare lo strumento. Tuttavia, si pu\u00f2 ricorrere, nella fase\n iniziale di esplorazione in cui si implementa un modello, a\n una soluzione commerciale come prova, per poi effettuare\n un passaggio pi\u00f9 consapevole a una soluzione in-house.\n Evidentemente ci\u00f2 richiede sostanzialmente risorse profes-\n sionali e fondi.\n n Scarse performance delle soluzioni di Stratificazione del\n Rischio (SdR) disponibili sul mercato: le soluzioni esi-\n stenti sono simili in termini di prestazioni, ma manca un\n vincitore assoluto. Per migliorare le performance occorre\n una localizzazione dei modelli. Tuttavia, le performan-\n ce necessarie possono variare a seconda delle esigenze\n specifiche: ad esempio bassi tassi di falsi positivi sono\n accettabili qualora si tratti di interventi vantaggiosi per\n una coorte ristretta di soggetti.\n n \u00c8 fondamentale reperire dati da fonti eterogenee in con-\n comitanza con l\u2019implementazione della SdR verso tutti\n gli attori coinvolti: pazienti ricoverati, pazienti ambula-\n toriali, farmacia, medici di famiglia, richieste di risarci-\n mento e altre fonti.\n n Identificazione dell\u2019esigenza e della portata della SdR.\n Individuazione dei casi (case finding), adeguamento in\n base al rischio e pianificazione delle risorse sono esi-\n genze diverse che in tutta probabilit\u00e0 sono soddisfatte\n al meglio con soluzioni diverse. Inoltre, \u00e8 fondamentale\n","\n\n\n\n L\u2019ESPERIENZA DELLA REGIONE PUGLIA 47\n\n\n selezionare attentamente il modello predittivo pi\u00f9 ido-\n neo sulla base dell\u2019obiettivo del programma clinico. Il\n successo di un programma clinico non risiede esclusiva-\n mente nelle performance del modello di rischio. In realt\u00e0\n si basa sulla combinazione dell\u2019accuratezza del modello e\n dell\u2019appropriatezza degli interventi e il buon rapporto di\n costo-efficacia.\n n La validazione delle soluzioni di SdR interna ed esterna\n \u00e8 di vitale importanza per dare la sicurezza nelle per-\n formance e assicurare la generalizzabilit\u00e0\/trasferibilit\u00e0 in\n diverse popolazioni e condizioni.\n n L\u2019uso di metriche di misurazione delle performance con-\n sente un\u2019analisi comparativa (benchmarking) delle solu-\n zioni di SdR, sebbene sia comunque necessaria una stan-\n dardizzazione delle metriche.\n n L\u2019aggiornamento periodico di una soluzione di SdR risulta\n necessario ed \u00e8 svolto con il monitoraggio dei risulta-\n ti stimati e reali sulla popolazione, sugli andamenti de-\n mografici, sulle questioni sanitarie pi\u00f9 prominenti o su\n eventuali modifiche ai sistemi sanitari. Il monitoraggio\n si riduce a una valutazione a cadenza regolare (ad esem-\n pio, semestrale) delle variazioni nella popolazione (ad\n esempio, nuovi soggetti nella Regione non ancora classi-\n ficati, soggetti in trasferimento da uno strato all\u2019altro...).\n L\u2019aggiornamento riguarda una procedura di ri-taratura dei\n parametri del modello di SdR sottostante o la generazio-\n ne di un nuovo modello.\n n In fase di implementazione della SdR possono emergere\n questioni etiche fra cui:\n \u2022 accesso equo alle cure;\n \u2022 vantaggi e rischi della stratificazione dei pazienti;\n \u2022 considerazioni etiche della medicina personalizzata per\n pazienti anziani. A titolo esemplificativo: \u00e8 riconosciu-\n ta l\u2019esigenza di stratificazione? Ci sono interventi bene-\n fici dopo la stratificazione?\n","\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n L\u2019esperienza della Regione Veneto\n","\n\n\n\n\n\n\n\n 5.\n L\u2019esperienza della\n\n Regione Veneto:\n l\u2019utilizzo del sistema ACG\n\n (Adjusted Clinical Groups)\n\n\n A cura di Cristina Basso, Francesco Avossa\n\n\n\n\n\n Il tema della misurazione della prevalenza delle patologie\n cronico-degenerative in un territorio e soprattutto l\u2019impatto\n della multi-morbilit\u00e0 sul carico assistenziale della popola-\n zione rappresenta un ambito di indagine particolarmente ri-\n levante per la programmazione dell\u2019assistenza sanitaria. Per\n questo motivo, da alcuni anni la Regione Veneto \u00e8 impegna-\n ta nell\u2019analisi del case-mix di malattia della popolazione uti-\n lizzando il sistema di classificazione Adjusted Clinical Groups\n (ACG) che, integrando i dati dei flussi informativi sanitari\n correnti, consente di suddividere l\u2019intera popolazione in un\n numero limitato di categorie simili per carico di malattia\n e conseguente impatto assistenziale. Si tratta di una me-\n todologia applicabile all\u2019intera popolazione poich\u00e9 prevede\n categorie diagnostiche sia per l\u2019et\u00e0 adulta che per quella\n infantile e considera condizioni sia acute che croniche.\n\n Il sistema ACG, sviluppato dalla Johns Hopkins University\n di Baltimora, \u00e8 un sistema di classificazione della popola-\n zione per livello di complessit\u00e0 assistenziale che utilizza le\n combinazioni di diagnosi per produrre categorie di malattia\n e di carico assistenziale. Si caratterizza pertanto sia come\n uno strumento di misurazione e di analisi delle condizioni\n\n L\u2019esperienza della Regione Veneto\n","\n\n\n\n 50 STRATIFICA PDTA\n\n\n di salute della popolazione, sia come uno strumento di risk\n adjustment che consente il confronto tra popolazioni tenen-\n do conto del profilo di morbilit\u00e0 e di rischio.\n\n La logica del sistema ACG si basa essenzialmente sulle dia-\n gnosi di malattia e non sulle prestazioni erogate: per questo\n motivo nell\u2019esperienza del Veneto sono stati elaborati con\n ACG tutti i flussi informativi correnti che prevedono la codi-\n fica delle diagnosi: non solo Scheda di Dimissione Ospedalie-\n ra quindi, ma anche pronto soccorso, cure domiciliari, salute\n mentale, residenzialit\u00e0 extra-ospedaliera, con il vantaggio di\n intercettare problemi di salute tipicamente trattati in spe-\n cifici setting assistenziali. Una criticit\u00e0 di questo approccio\n tuttavia \u00e8 che un\u2019importante fonte informativa come il flus-\n so dell\u2019assistenza specialistica ambulatoriale non pu\u00f2 essere\n utilizzata in quanto non prevede la codifica della diagnosi a\n valle della prestazione erogata.\n\n Il sistema ACG \u00e8 stato utilizzato per la mappatura dello stato\n di salute della popolazione del Veneto e in particolare per\n descrivere la prevalenza delle specifiche malattie nella po-\n polazione, la copresenza di altre malattie (multimorbilit\u00e0) e\n il relativo carico assistenziale.\n\n Le informazioni generate dal sistema ACG sono state uti-\n lizzate anche a supporto della formulazione di alcuni PDTA\n della Regione Veneto, come il PDTA della sclerosi multipla\n 48\n del 2015 e quello delle demenze del 2019. 49\n Il PDTA \u00e8 uno strumento operativo trasversale che \u201cconsente\n di creare collegamenti tra i ruoli e le funzioni individuate nella\n 50\n rete garantendo continuit\u00e0 assistenziale\u201d. Il PDTA regionale\n per le demenze si inserisce pertanto nel contesto di modelli\n organizzativi e di governance del SSN; punta all\u2019appropriatez-\n za degli interventi e alla continuit\u00e0 delle cure attraverso il\n","\n\n\n\n L\u2019ESPERIENZA DELLA REGIONE VENETO 51\n\n\n 51\n sistema di reti cliniche che facilitano la presa in carico e la\n tracciabilit\u00e0 delle prestazioni fornite in relazione al profilo di\n cura e inoltre, identificandosi come strumento di gestione dei\n processi, contempla strumenti metodologici e tecnico-scienti-\n fici adatti alla riorganizzazione degli interventi sanitari.\n\n La stesura del PDTA delle demenze della Regione Veneto na-\n sce dalla necessit\u00e0 di applicare modelli omogenei e integrati\n di presa in carico delle persone affette da declino cognitivo\n e demenze che puntino al coordinamento dell\u2019assistenza per\n garantire continuit\u00e0, omogeneit\u00e0, equit\u00e0 ed essere in grado\n di superare la frammentazione delle cure. La demenza \u00e8 una\n malattia cronica ad alto impatto socio-sanitario in cui, per\n le importanti conseguenze per il paziente e per il pesante\n coinvolgimento della famiglia, sono necessarie risposte che\n tengano conto del modificarsi delle condizioni complessive\n della persona malata e del caregiver, per garantire cura e\n assistenza appropriata nelle diverse fasi della malattia. L\u2019a-\n nalisi dei bisogni assistenziali, la necessit\u00e0 di ottimizzare le\n risorse disponibili, gli esiti attesi e il principio di sostenibi-\n lit\u00e0, sono i punti su cui si incardina la necessit\u00e0 di riorganiz-\n zare nuovi percorsi assistenziali.\n\n Utilizzando il sistema ACG, attraverso la misurazione del case -\n mix del territorio \u00e8 stato possibile descrivere i percorsi di\n cura per i pazienti affetti da declino cognitivo e demenza e\n valorizzare il ruolo della co-multimorbilit\u00e0 e del consumo di\n risorse, quantificando la prevalenza di soggetti con demenza\n che presentano un carico assistenziale moderato (45%) ele-\n vato (26%) e molto elevato (23%).\n\n La misurazione della prevalenza delle persone in fase ini-\n ziale di malattia con complessit\u00e0 assistenziale bassa, che\n si rivolge prevalentemente alle strutture specialistiche\n ambulatoriali, risulta alquanto difficoltosa stante l\u2019attuale\n","\n\n\n\n 52 STRATIFICA PDTA\n\n\n disponibilit\u00e0 di dati proveniente dai flussi informativi cor-\n renti, in quanto il flusso della specialistica ambulatoriale\n non dispone di diagnosi; per questo motivo nella Regione\n 52\n Veneto \u00e8 stato istituito, con DGR 653\/2015 il flusso in-\n formativo della Cartella Clinica Elettronica per le Demenze\n (CaCEDem), che in prospettiva potr\u00e0 fornire dati rilevanti\n a supporto della definizione di percorsi appropriati per le\n persone con demenza.\n\n Analizzando il case-mix della popolazione con un approccio\n di risk adjustment, \u00e8 stato possibile elaborare valutazioni\n prospettiche e retrospettive sulla prevalenza della malattia\n nel territorio e sull\u2019impatto della complessit\u00e0 sull\u2019utilizzo\n delle risorse sanitarie, legata all\u2019alto grado di comorbilit\u00e0\n che caratterizza questa patologia. Utilizzando lo strumento\n di case-mix come sistema di pesatura e aggiustamento, \u00e8\n stato possibile valutare i costi attesi pesando i costi osser-\n vati per il carico di comorbilit\u00e0, al fine di ottenere confronti\n pi\u00f9 equi e di programmare in modo pi\u00f9 appropriato la ripar-\n tizione territoriale delle risorse.\n\n Per garantire modelli organizzativi pi\u00f9 idonei per rispondere\n con efficacia ed efficienza alla richiesta di presa in carico\n continuativa e integrata delle persone con demenza, dalla\n diagnosi al fine vita, risulta fondamentale la condivisione e\n l\u2019applicazione del PDTA regionale, elemento fondamentale di\n governance della rete per le demenze.\n\n A tal fine \u00e8 stata realizzata una \u201cmappa per le demenze\u201d,\n 53\n uno strumento regionale facilmente consultabile, che attra-\n verso il web fornisce all\u2019utente e ai professionisti le cono-\n scenze indispensabili per muoversi nella rete dei servizi in\n modo coordinato e consapevole. La mappa permette inoltre di\n acquisire indicazioni di percorso coerenti e integrate per ogni\n bisogno, sia della persona con demenza che dei professionisti.\n","\n\n\n\n L\u2019ESPERIENZA DELLA REGIONE VENETO 53\n\n\n Il valore aggiunto di questo PDTA \u00e8 non solo quello di aver\n considerato ogni fase di malattia, dalla diagnosi alla presa\n in carico sino alle cure palliative, ma anche di aver utilizzato\n uno strumento come il sistema ACG per descrivere la com-\n plessit\u00e0 assistenziale nell\u2019ottica di favorire coordinamento\n e condivisione tra servizi\/unit\u00e0 operative ospedaliere e ter-\n ritoriali coinvolte nel PDTA, in accordo con quanto previsto\n dal Piano socio-sanitario 2019-2023 della Regione Veneto,\n con un approccio multidisciplinare che permette la valoriz-\n zazione delle buone pratiche presenti nel territorio regiona-\n le, al fine di garantire a tutti i cittadini le migliori cure e una\n buona qualit\u00e0 di vita.\n","\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n L\u2019esperienza della Regione Emilia-\n\n Romagna\n","\n\n\n\n\n\n\n\n 6.\n L\u2019esperienza della\n\n Regione Emilia-Romagna:\n \u201cRisk-ER\u201d, un modello\n\n statistico per la stratificazione\n della popolazione\n\n\n A cura di Immacolata Cacciapuoti e Antonio Brambilla\n\n\n\n Il modello organizzativo della Regione Emilia-Romagna tiene\n conto:\n n delle indicazioni della Commissione europea sull\u2019assisten-\n za primaria come un insieme di servizi universalmente ac-\n cessibili, erogati da team multidisciplinari di professioni-\n sti in partnership con pazienti e caregiver che rispondono\n alla maggioranza dei problemi di salute della comunit\u00e0 e\n che svolgono un ruolo centrale nel coordinamento e nella\n continuit\u00e0 dell\u2019assistenza;\n n della legge n. 189\/2012 e dei \u201cPatti per la Salute\u201d che\n 54\n impongono alle Regioni di definire l\u2019organizzazione dei\n servizi di assistenza primaria promuovendo lo sviluppo di\n un modello interdisciplinare;\n 1\n n del Piano Nazionale Cronicit\u00e0 (PNC) e del recepimento\n dei nuovi Livelli Essenziali di Assistenza (LEA) (DPCM\n del 12 gennaio 2017) che valorizzano la valutazione\n 55\n multidimensionale, i percorsi assistenziali integrati e il\n sistema delle cure domiciliari;\n 56\n 57\n n del Decreto Rilancio e della legge attuativa n. 77\/2020\n che impone alle Regioni l\u2019adozione di piani di potenzia-\n mento e riorganizzazione della rete assistenziale e l\u2019isti-\n tuzione degli infermieri di comunit\u00e0;\n L\u2019esperienza della Regione Emilia-\n\n Romagna\n","\n\n\n\n 56 STRATIFICA PDTA\n\n\n 5\n n dell\u2019investimento del PNRR sulle strutture di prossimit\u00e0\n come le Case della comunit\u00e0 e gli Ospedali di comunit\u00e0 e\n le cure domiciliari.\n\n Nell\u2019ambito delle politiche di sviluppo di strumenti nuovi di\n prossimit\u00e0 e di integrazione dei servizi sanitari e sociali, la\n Regione Emilia-Romagna sta realizzando su tutto il territorio\n le Case della salute (126 Case delle salute, ad agosto 2021).\n Queste rappresentano la struttura per l\u2019integrazione e il coordi-\n namento di tutti i servizi e i professionisti dell\u2019assistenza ter-\n ritoriale (del sanitario e del sociale), garantendo al cittadino\n prossimit\u00e0 ed equit\u00e0 di accesso ai servizi, accoglienza e presa\n in carico, continuit\u00e0 dell\u2019assistenza (territorio-ospedale). Le\n Case della salute sono parte integrante dell\u2019identit\u00e0 della co-\n munit\u00e0, un luogo di partecipazione e di valorizzazione di tutte\n le sue risorse, in cui \u00e8 possibile sviluppare empowerment di\n comunit\u00e0. Questo processo richiede un profondo cambiamento\n culturale da parte delle istituzioni, dei professionisti e della\n popolazione stessa.\n\n Uno studio condotto dalla Agenzia Sanitaria e Sociale Regio-\n nale (ASSR) della Regione Emilia-Romagna ha dimostrato che\n le Case della salute fanno bene al SSR. I dati dei primi 10\n 58\n anni di funzionamento su tutto il territorio parlano chiaro: tra\n il 2009 e il 2018, laddove presenti, si sono ridotti del 21,1%\n gli accessi al pronto soccorso per cause che non richiedevano\n un intervento urgente, i cosiddetti \u201ccodici bianchi\u201d. E sono\n calati contemporaneamente (-3,6%) i ricoveri ospedalieri per\n le patologie trattabili a livello ambulatoriale, come diabete,\n scompenso cardiaco, broncopneumopatia cronica ostruttiva,\n polmonite batterica: in questo caso l\u2019effetto \u00e8 ancora maggio-\n re (-5,5%) se presente il medico di medicina generale (MMG).\n Non solo, perch\u00e9 nei territori serviti dalle Case della salute si\n \u00e8 intensificata nel tempo (+9,5%) l\u2019assistenza domiciliare al\n paziente, sia infermieristica che medica.\n","\n\n\n\n L\u2019ESPERIENZA DELLA REGIONE EMILIA-ROMAGNA 57\n\n\n Nell\u2019ottica dell\u2019integrazione ospedale-territorio e della conti-\n nuit\u00e0 dell\u2019assistenza, al fine di costituire una rete delle cure\n intermedie, la Regione ha investito nella realizzazione di:\n n centrali operative\/punti unici di coordinamento sanitari\n e sociali per la continuit\u00e0 dell\u2019assistenza, per l\u2019organiz-\n zazione dei diversi percorsi dei pazienti, sia nella fase di\n dimissione ospedaliera che su segnalazione del MMG o del\n paziente\/caregiver o degli altri professionisti;\n n Ospedali di comunit\u00e0, strutture intermedie tra l\u2019assisten-\n za domiciliare e l\u2019ospedale (a oggi sono attive 23 struttu-\n re di Ospedale di comunit\u00e0 di cui la met\u00e0 hanno sede in\n una Casa della salute).\n\n 1\n Il PNC ha individuato le diverse fasi principali del percorso\n assistenziale della persona con patologia cronica, su cui in\n questi ultimi anni la Regione sta gi\u00e0 lavorando: stratificazione\n e targeting della popolazione, promozione della salute, me-\n dicina di iniziativa e presa in carico e gestione del paziente\n attraverso il piano di cura, valutazione della qualit\u00e0 delle cure\n erogate. Le azioni necessarie riguardano principalmente:\n \u2022 l\u2019applicazione di modelli predittivi (art. 7 D.L. Rilancio,\n 56\n 2020 ) che consentono di identificare e stratificare la po-\n polazione;\n \u2022 il monitoraggio della popolazione per fattori di rischio;\n \u2022 la gestione integrata di patologie croniche e situazioni\n complesse.\n\n In coerenza con gli obiettivi del PNC e ponendosi l\u2019obiettivo\n dell\u2019identificazione precoce di cittadini a rischio di cronici-\n t\u00e0\/fragilit\u00e0 per definire interventi mirati di medicina di ini-\n ziativa, la Regione ha elaborato e validato una metodologia\n 59\n statistica (Risk-ER) che permette di stratificare la popola-\n zione sulla base del profilo di rischio di fragilit\u00e0, espresso\n in termini di rischio per problemi di salute la cui ospeda-\n lizzazione o progressione sono potenzialmente evitabili, at-\n","\n\n\n\n 58 STRATIFICA PDTA\n\n\n traverso cure appropriate a livello territoriale. L\u2019algoritmo si\n chiama Risk-ER e permette di calcolare il livello di fragilit\u00e0\n nella salute di una persona, incrociando variabili demogra-\n fiche (et\u00e0, sesso, residenza per zona altimetrica), morbilit\u00e0\n (ad esempio, presenza di una o pi\u00f9 patologie croniche, altre\n condizioni cliniche), gravit\u00e0 delle condizioni cliniche, con-\n sumo di farmaci e appropriatezza nella terapia farmacologi-\n ca, non ultima l\u2019aderenza ai PDTA.\n\n Il progetto Risk-ER \u00e8 implementato nella quasi totalit\u00e0 delle\n Case della salute con il coinvolgimento di circa 1.500 MMG,\n infermieri, assistenti sociali, specialisti, fisioterapisti e altri\n professionisti sulla base dello specifico bisogno.\n\n \u00c8 del tutto evidente che anche le strategie di intervento (e\n quindi i percorsi assistenziali) devono essere differenziate a\n seconda dei differenti bisogni dei sottogruppi (sub-target),\n in particolare per quelli a maggiore complessit\u00e0, come in\n quel 7% di pazienti pi\u00f9 complessi posti all\u2019apice della pira-\n mide riportata nella figura 6.1, che rappresenta il target a\n \u201cmaggiori costi\u201d, di salute ed economici.\n\n La Casa della salute \u00e8 individuata quale luogo privilegiato per\n intervenire sulla fragilit\u00e0 in modo proattivo, che meglio riesce\n a utilizzare le informazioni che vengono dai modelli predittivi,\n e progettare strategie di interventi pesati sulla base delle reali\n esigenze dell\u2019utente e della sua famiglia\/caregiver.\n\n Alla base della piramide (figura 6.1) si trovano gli interventi\n rivolti alla popolazione sana, a basso rischio. Oltre alle nu-\n merose iniziative sui corretti stili di vita, si cita il progetto\n per la prevenzione del rischio cardiovascolare che si rivolge\n alla popolazione sana, nei soggetti maschi dai 45 anni e\n femmine dai 55 anni. Pi\u00f9 di 18.000 cittadini sani sono stati\n valutati attraverso la chiamata attiva, l\u2019intervista sui corretti\n","\n\n\n\n L\u2019ESPERIENZA DELLA REGIONE EMILIA-ROMAGNA 59\n\n\n\n Figura 6.1 Interventi di medicina di iniziativa nei\n diversi livelli di rischio individuati con il sistema\n Risk-ER 2020\n\n\n \u2022 Rischio molto alto (\u226525%)\n 3,2%\n 128.868\n \u2022 Presa in carico\n Case\/Disease management complessit\u00e0 (PAI) 3,8% \u2022 Rischio alto (15-24%)\n 147.524\n 10,6% \u2022 Rischio moderato (6-14%)\n 402.915\n \u2022 PDTA\n Self management Prevenzione primaria \u2022 Rischio basso (\u22645%)\n 82,4%\n 3.199.308\n\n\n\n\n\n\n stili di vita, gli esami ematici, la carta del rischio, la valu-\n tazione congiunta (MMG+infermiere), la rivalutazione a un\n anno. Questo ha permesso l\u2019individuazione precoce di alcune\n condizioni metaboliche e cardiovascolari.\n\n Per il livello intermedio della piramide (figura 6.1) lo stru-\n mento pi\u00f9 appropriato \u00e8 il PDTA, che, nella Regione, ha por-\n tato a un significativo miglioramento negli esiti di salute\n di alcune patologie croniche, tra cui diabete, scompenso,\n post-IMA. Vengono differenziati, in base al contesto assi-\n stenziale di riferimento, i relativi meccanismi operativi, gli\n specifici processi e i percorsi clinico-assistenziali (sia in re-\n lazione agli aspetti organizzativi che, in particolare, a quelli\n diagnostico-terapeutici), il cambio setting (modalit\u00e0 e re-\n lativa tempistica), compresi i sistemi di monitoraggio della\n qualit\u00e0 e della sicurezza delle attivit\u00e0 erogate e i processi di\n supporto (formazione e aggiornamento).\n","\n\n\n\n 60 STRATIFICA PDTA\n\n\n All\u2019apice della piramide (figura 6.1) troviamo la multimorbi-\n lit\u00e0, in cui lo strumento di presa in carico pi\u00f9 appropriato \u00e8\n il PAI nei cittadini con profilo di rischio alto e molto alto di\n Risk-ER. Il PDTA non \u00e8 lo strumento pi\u00f9 utile per rispondere\n ai molteplici e complessi bisogni del paziente che ha pi\u00f9 di\n una patologia cronica, pi\u00f9 di un PDTA e a cui si aggiungono\n numerose fragilit\u00e0 sociali. I pazienti che hanno un profilo\n di rischio alto necessitano di interventi multidisciplinari e\n multiprofessionali. Le schede di epidemiologia individuale\n vengono valutate all\u2019interno dell\u2019\u00e9quipe della Casa della co-\n munit\u00e0, con i medici di famiglia, gli infermieri e, a seconda\n del bisogno emergente, l\u2019assistente sociale e lo specialista\n (ad esempio, diabetologo, psichiatra, cardiologo, pneumolo-\n go, ecc.), con la collaborazione attiva dei pazienti competen-\n ti e delle associazioni di volontariato. L\u2019\u00e9quipe procede, poi,\n alla definizione e realizzazione degli interventi ritenuti mag-\n giormente appropriati alla condizione di fragilit\u00e0 identificata,\n come ad esempio, invitare l\u2019assistito ad aderire a un percorso\n assistenziale strutturato, educare la persona per migliorare la\n sua adesione alle cure, attivare l\u2019assistenza domiciliare, riva-\n lutare la terapia farmacologica. Sono gli infermieri in stretta\n collaborazione con i medici di famiglia a chiamare attivamen-\n te i pazienti e ad avviare il percorso concordato.\n\n 60\n Uno studio di coorte (2017) realizzato con il coinvolgi-\n mento delle Regioni Toscana, Veneto e Sardegna, che ha\n coinvolto 976 assistiti emiliano-romagnoli, ha dimostrato\n che questa modalit\u00e0 di lavoro porta a una riduzione si-\n gnificativa degli accessi impropri al pronto soccorso e dei\n ricoveri inappropriati.\n\n Il progetto Risk-ER \u00e8 stato presentato anche in Commissione\n Salute europea che ha voluto conoscere e approfondire que-\n sta buona pratica, che permette di intervenire in modo pre-\n coce per migliorare la qualit\u00e0 della vita e ridurre il rischio di\n","\n\n\n\n L\u2019ESPERIENZA DELLA REGIONE EMILIA-ROMAGNA 61\n\n\n avere un evento avverso e di essere ricoverati in ospedale in\n modo inappropriato. Successivamente, anche il Parlamento\n europeo ha voluto approfondire il progetto, per il suo orien-\n tamento alla prevenzione realizzato attraverso il coinvolgi-\n mento diretto delle strutture e degli stessi cittadini. \u00c8 stato\n utilizzato Risk-ER anche nella selezione dei pazienti per l\u2019u-\n tilizzo della telemedicina. Il progetto prevede l\u2019erogazione di\n servizi di teleassistenza, telemonitoraggio, telerefertazione,\n teleconsulto, per il tramite delle Case della salute, a favore\n dei pazienti con patologie croniche (soprattutto anziani in\n condizioni di fragilit\u00e0 e in zone disagiate).\n\n Durante la fase pandemica da covid-19 il modello di cure\n regionali \u00e8 stato impiegato in due fasi distinte:\n n la prima \u00e8 concentrata principalmente sulla rete ospe-\n daliera;\n n la seconda, che tuttora stiamo vivendo, vede invece pro-\n tagonisti i servizi di assistenza territoriale.\n\n\n Si \u00e8 attivato quindi un maggior coinvolgimento diretto di\n MMG, Unit\u00e0 Speciali di Continuit\u00e0 Assistenziale (USCA),\n infermieri di comunit\u00e0 delle Case della salute e specialisti\n ospedalieri e territoriali. Anche la telemedicina era gi\u00e0 par-\n zialmente in uso e in questa fase la distanza \u00e8 stata fonda-\n mentale. Per questa tipologia di pazienti occorre utilizzare\n anche sistemi di telemedicina per mantenere attivi servizi\n e azioni a loro dedicati, modificandone le procedure al fine\n di ottenere anche a distanza la pi\u00f9 ampia accessibilit\u00e0 e\n fruibilit\u00e0 di tali attivit\u00e0. I nostri professionisti, pertanto,\n hanno dovuto utilizzare una modalit\u00e0 nuova di lavoro a di-\n stanza, che si aggiunge alle altre attivit\u00e0 consolidate, pur\n nella consapevolezza che essa non sostituisce ma qualifica\n ulteriormente il loro lavoro.\n","\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n L\u2019esperienza del Gruppo di Lavoro PDTA\n","\n\n\n\n\n\n\n\n 7.\n L\u2019esperienza del Gruppo\n\n di Lavoro PDTA nel Nuovo\n Sistema di Garanzia LEA per\n\n il monitoraggio dell\u2019assistenza\n sanitaria del Ministero\n\n della Salute: il Multisource\n Comorbidity Score\n\n\n A cura di Giovanni Corrao e Flavia Carle\n\n\n Premessa\n\n Esistono almeno tre motivi che suggeriscono di concludere\n la trattazione con una sintesi dell\u2019unica esperienza nazionale\n sul tema oggetto di questo quarto booklet.\n Il primo motivo riguarda il tentativo di sistematizzare una\n materia gi\u00e0 di per s\u00e9 complessa e sempre pi\u00f9 eterogenea,\n considerato il proliferare di esperienze regionali che da sole\n rendono pressoch\u00e9 impraticabile il monitoraggio, il con-\n fronto e la valutazione dei bisogni assistenziali dal punto\n di vista del Ministero della Salute. Stiamo cio\u00e8 pensando a\n un modello che, coerentemente con la ripartizione tra lo\n Stato e le Regioni delle responsabilit\u00e0 della tutela della\n salute (Titolo V, art. 117, comma 2, lett. m):\n n metta lo Stato nelle condizioni di garantire che i citta-\n dini siano equamente trattati in base ai loro bisogni su\n tutto il territorio nazionale;\n\n\n L\u2019esperienza del Gruppo di Lavoro PDTA\n","\n\n\n\n 64 STRATIFICA PDTA\n\n\n n metta le Regioni e le Province Autonome (PA) nelle con-\n dizioni di programmare e gestire in piena autonomia la\n 37\n sanit\u00e0 nell\u2019ambito territoriale di loro competenza.\n Il modello al quale pensiamo necessita di essere armoniz-\n zato, di trovare cio\u00e8 un quadro generale al quale ispirarsi\n che sappia generare una visione di insieme e prestarsi a\n ramificazioni regionali. E il quadro generale non pu\u00f2 che\n fare riferimento alle buone pratiche per la costruzione del\n modello di stratificazione della popolazione. Spostandoci\n all\u2019oggetto di questo capitolo, ovvero la stratificazione\n dall\u2019ottica del Ministero, il quadro di insieme che si vuole\n realizzare potrebbe ispirarsi alla visione del nostro piane-\n ta da un satellite. Ne riceviamo un\u2019immagine sfocata nei\n contorni, ma che mantiene il carattere di visione generale\n e complessiva. \u00c8 ci\u00f2 di cui il Ministero necessita. Il suo\n compito non \u00e8 quello di programmare e gestire l\u2019erogazione\n dei servizi, ma quello di garantire l\u2019equit\u00e0 dell\u2019assistenza\n sanitaria di qualit\u00e0 ai cittadini, mettendo le Regioni e le\n PA nelle condizioni di poter esercitare le proprie funzioni\n disponendo di adeguate risorse per garantire il funziona-\n mento del sistema. Sotto questo punto di vista, il confron-\n to quantitativo dei bisogni assistenziali tra Regioni e PA \u00e8\n uno strumento fondamentale per il Governo centrale della\n salute, il cui utilizzo pu\u00f2 contribuire in modo sostanziale\n alla definizione dei criteri per la ripartizione equa e razio-\n nale del Fondo Sanitario Nazionale.\n\n\n Il secondo motivo riguarda l\u2019opportunit\u00e0 di dotarsi di uno\n standard in grado di orientare la prioritizzazione degli in-\n terventi. Il processo di personalizzazione dei percorsi as-\n sistenziali non ha solo un incontestabile indirizzo etico,\n ma riconosce un razionale imposto dalla limitatezza delle\n risorse. Lavorare sui cosiddetti \u201ctarget prioritari\u201d equivale\n a identificare i cittadini\/pazienti verso i quali le cure e i\n","\n\n\n\n L\u2019ESPERIENZA DEL GRUPPO DI LAVORO PDTA 65\n\n\n percorsi di cura, caratterizzate\/i \u201cin media\u201d da efficacia\n accertata, abbiano maggiore probabilit\u00e0 di successo. Con\n questa seconda ragione, ci siamo implicitamente spostati\n da un obiettivo inquadrabile nella gestione generale del si-\n stema a uno rivolto alla generazione di evidenze tratte dal\n mondo reale (real world evidence) che potrebbero aiutare a\n migliorare le nostre conoscenze. Stiamo cio\u00e8 entrando in\n un campo inquadrabile nella ricerca traslazionale finalizza-\n ta all\u2019identificazione di indirizzi generali per la costruzione\n e valutazione dei PDTA. Di nuovo, la materia necessit\u00e0 di\n una trattazione che consideri la visione globale del territo-\n rio italiano organizzato nelle sue componenti regionali, e\n quindi di strumenti e metodi validati a livello nazionale e\n applicabili anche nelle singole Regioni.\n\n Il terzo e ultimo motivo \u00e8 rivolto allo specifico target\n di epidemiologi, biostatistici e ricercatori clinici. Abbia-\n mo un\u2019ampia disponibilit\u00e0 di strumenti di stratificazio-\n ne (score) funzionali all\u2019aggiustamento del rischio (risk\n adjustment). Ad esempio, gli indici di comorbilit\u00e0 noti\n 42\n come Charlson Comorbidity Index (CCI), Elixhauser Index\n 43\n 61\n (EI), e Chronic Disease Score (CDS) sono i pi\u00f9 utilizzati\n nel mondo. Almeno tre ragioni tuttavia suggeriscono cau-\n tela nel loro utilizzo:\n 1. sono basati su una parte dell\u2019informazione disponibile\n (diagnosi ospedaliere il CCI e l\u2019EI, prescrizioni di farmaci\n il CDS);\n 2. sono costruiti con i dati desunti da popolazioni selezio-\n nate (per lo pi\u00f9 ospedalizzate) rendendone critica l\u2019ap-\n plicazione a \u201cqualsiasi beneficiario del Servizio Sanitario\n Nazionale\u201d;\n 3. essendo basati sull\u2019assistenza sanitaria ricevuta in conte-\n sti diversi da quello italiano, la loro capacit\u00e0 di adattarsi\n al nostro sistema \u00e8 per lo meno da verificare.\n","\n\n\n\n 66 STRATIFICA PDTA\n\n\n Ne deriva che, anche per questa terza ragione, immaginare\n uno strumento di stratificazione basato su dati relativi a tut-\n ti gli assistiti e disponibili in tutte le Regioni e PA, e valida-\n to su scala nazionale, \u00e8 non solo giustificato, ma soprattutto\n fortemente auspicabile.\n\n Per tutte queste ragioni considerate nel loro complesso,\n il Gruppo di Lavoro PDTA nell\u2019ambito del Nuovo Sistema\n 62\n di Garanzia per il monitoraggio dell\u2019assistenza sanitaria\n della Direzione della Programmazione sanitaria del Mini-\n stero della Salute, alcuni anni fa ha deciso di avviare un\n progetto teso alla costruzione, validazione e applicazione\n di un indice di comorbilit\u00e0 denominato Multisource Comor-\n bidity Score (MCS), applicabile a livello centrale e dalle\n 63\n singole Regioni. Nei prossimi paragrafi verranno forniti\n alcuni dettagli metodologici (costruzione, validazione) e\n applicativi (eterogeneit\u00e0 tra Regioni e tra pazienti).\n\n\n Costruzione\n\n Il razionale sotteso alla costruzione di un indice di stratifica-\n zione \u00e8 piuttosto semplice. Si tratta di identificare i caratteri\n degli individui che costituiscono la popolazione in studio\n che, nel loro complesso, siano in grado di predire un certo\n esito. In questa definizione sono compresi i tre elementi sui\n quali dovremmo concentrarci.\n\n 1. La popolazione in studio. Poich\u00e9 la stratificazione deve\n poter essere applicata all\u2019intera popolazione dei beneficiari\n del SSN su tutto il territorio italiano, lo studio che ne con-\n sente la costruzione deve basarsi sull\u2019intera popolazione, o\n su un campione di essa (population-based). Nel caso specifi-\n co: in una prima fase abbiamo estratto un campione casuale\n di 500.000 individui (training set) di et\u00e0 \u226550 anni benefi-\n","\n\n\n\n L\u2019ESPERIENZA DEL GRUPPO DI LAVORO PDTA 67\n\n\n *\n ciari del SSR della Regione Lombardia da almeno due anni\n rispetto a una certa data indice (ovvero la data di inizio\n dell\u2019osservazione, quella alla quale \u00e8 riferito il tracciamento\n dei predittori [candidati] e da cui inizia l\u2019osservazione pro-\n spettica per l\u2019identificazione degli individui che sperimenta-\n no l\u2019esito); successivamente abbiamo esteso l\u2019osservazione\n a campioni di popolazione della stessa Regione Lombardia,\n cos\u00ec come di altre Regioni italiane (validation set).\n\n 2. I candidati predittori, ossia i caratteri su cui investi-\n ghiamo. Nel caso del MCS, siamo partiti dalla lista delle\n 46 condizioni cliniche considerate dagli indici CCI, EI e\n **\n CDS. Ogni condizione \u00e8 stata tracciata dai codici diagno-\n stici (ICD-9) dei pazienti ricoverati (18 condizioni), dai\n codici (ATC) dei farmaci prescritti ai pazienti ambulatoriali\n (6), da entrambi i codici diagnostici e terapeutici (22),\n per ciascun individuo che costituisce la popolazione target.\n Questo modo di operare garantisce che l\u2019indice di stratifica-\n zione utilizzi l\u2019intero spettro delle informazioni disponibili\n in tutte le Regioni e le PA. ***\n\n\n * Il vincolo dei due anni \u00e8 spiegato dalla necessit\u00e0 che l\u2019informazione\n sulle malattie di cui ogni beneficiario del SSN soffre sia rintracciabile\n dalle \u201cimpronte\u201d (i contatti) che negli ultimi due anni ogni singolo\n beneficiario del SSN ha lasciato negli archivi elettronici di interesse\n (ad esempio, ricovero ospedaliero, ritiro di un farmaco in una\n farmacia territoriale).\n ** Le 46 condizioni si riferiscono a malattie infettive e parassitarie\n (2), neoplasie (4), malattie endocrine, nutrizionali e metaboliche\n e disturbi dell\u2019immunit\u00e0 (6), malattie del sangue e degli organi che\n formano il sangue (2), disturbi mentali (7), malattie dei sistemi\n nervoso (5), circolatorio (9), respiratorio (2), digestivo (3),\n genitourinario (3), malattie del sistema muscoloscheletrico e del\n tessuto connettivo (1), e altre condizioni (2). Si veda il riferimento\n bibliografico 63 per consultare l\u2019intera lista e i relativi codici per il\n tracciamento delle condizioni selezionate.\n *** Bisognerebbe enfatizzare che per la costruzione del MCS non \u00e8\n stato utilizzato l\u2019intero spettro delle informazioni desumibili dai flussi\n","\n\n\n\n 68 STRATIFICA PDTA\n\n\n 3. L\u2019esito di interesse. Nel caso del MCS, abbiamo verificato se\n ognuno dei 46 candidati fosse in grado di predire il rischio\n di morte a breve termine (a un anno dalla data indice, esito\n principale), salvo poi valutare in fase di verifica delle proprie-\n t\u00e0 dell\u2019indice la sua capacit\u00e0 predittiva di altri esiti (mortalit\u00e0,\n ospedalizzazione e costi a breve e medio termine).\n\n Si tratta a questo punto di selezionare tra i 46 candidati pre-\n dittori quelli che, almeno nel training set, sono in grado di\n predire il verificarsi dell\u2019esito principale in studio. A tal fine\n \u00e8 stato interpolato un modello di sopravvivenza parametrico\n basato sulla distribuzione di Weibull che ha incluso come va-\n riabili indipendenti il sesso, l\u2019et\u00e0 e ognuna delle 46 malattie\n e condizioni riportate in nota (indicizzate nel modello come\n 0 o 1 a seconda che la condizione fosse o meno rilevata dai\n contatti con il SSN nei due anni precedenti), e come variabi-\n le dipendente la data dell\u2019eventuale decesso. Il metodo Least\n Absolute Shrinkage and Selection Operator (LASSO) \u00e8 sta-\n to applicato per selezionare le malattie\/condizioni in grado\n 39\n di prevedere la mortalit\u00e0 a un anno. Infine, i coefficienti\n stimati dal modello sono stati utilizzati per assegnare un\n punteggio a ogni covariata selezionata, moltiplicandone il\n 64\n valore per 10 e arrotondandolo al numero intero pi\u00f9 vicino;\n i punteggi delle covariate sono stati sommati sequenzial-\n mente per produrre un punteggio totale aggregato per ogni\n\n\n\n\n correnti e disponibili in tutte le Regioni\/PA. Mancano all\u2019appello, ad\n esempio, il flusso ambulatoriale e quello su emergenza\/urgenza. La\n scelta, temporanea, \u00e8 motivata dall\u2019eterogeneit\u00e0 attesa di qualit\u00e0 e\n completezza delle relative rilevazioni sul territorio nazionale, oltre che\n dalla solo parziale applicazione a livello regionale del nomenclatore\n nazionale per il flusso delle prestazioni ambulatoriali. \u00c8 scontato che\n MCS verr\u00e0 aggiornato confidando in un pi\u00f9 adeguato tracciamento delle\n condizioni in studio, e quindi presumibilmente in una migliore capacit\u00e0\n predittiva, non appena i due flussi mancanti offriranno prova di pieno\n funzionamento a regime in tutte le Regioni.\n","\n\n\n\n L\u2019ESPERIENZA DEL GRUPPO DI LAVORO PDTA 69\n\n\n soggetto. La tabella 7.1 riporta l\u2019elenco delle 34 malattie\/\n condizioni selezionate e i relativi punteggi (pesi).\n\n Per semplificare il sistema, cio\u00e8 con lo scopo di rendere con-\n to dell\u2019eccessiva eterogeneit\u00e0 del punteggio aggregato to-\n tale, quest\u2019ultimo \u00e8 stato categorizzato assegnando i valori\n\n\n\n Tabella 7.1. Assegnazione dei pesi nella costruzione del\n MCS attraverso un modello Weibull multivariato di tempo\n alla morte\n Malattia\/Condizione Coefficiente di regressione Peso\n (errore standard)\n Tumore metastatico 1,63 (0,04) 18\n Abuso di alcol 0,99 (0,16) 11\n Tumore (senza metastasi) 0,91 (0,03) 10\n Tubercolosi 0,88 (0,28) 10\n Psicosi 0,77 (0,05) 8\n Malattie del fegato 0,72 (0,05) 8\n Ansia 0,52 (0,23) 6\n Perdita di peso 0,51 (0,12) 6\n Demenza 0,51 (0,06) 6\n Terapie oncologiche 0,49 (0,05) 5\n Morbo di Parkinson 0,49 (0,09) 5\n Linfoma 0,46 (0,08) 5\n Emiplegia ed emiparesi 0,46 (0,09) 5\n Difetti della coagulazione 0,43 (0,10) 5\n Squilibri elettrolitici 0,40 (0,06) 4\n Malattie renali 0,39 (0,04) 4\n Dialisi 0,36 (0,17) 4\n Arresto cardiaco 0,35 (0,02) 4\n Segue\n","\n\n\n\n 70 STRATIFICA PDTA\n\n\n Tabella 7.1. Segue\n Malattia\/Condizione Coefficiente di regressione Peso\n (errore standard)\n Altri disturbi neurologici 0,32 (0,07) 3\n Artrite reumatoide 0,27 (0,11) 3\n Anemia 0,26 (0,04) 3\n Malattia cerebrovascolare 0,25 (0,03) 3\n Diabete 0,20 (0,02) 2\n Malattie vascolari 0,20 (0,05) 2\n Gotta 0,18 (0,03) 2\n Epilessia 0,18 (0,03) 2\n Malattia polmonare cronica 0,16 (0,02) 2\n Ulcera peptica 0,16 (0,02) 2\n Infarto miocardico acuto 0,11 (0,04) 1\n Malattie coronariche e 0,11 (0,02) 1\n vascolari periferiche\n Valvulopatie 0,10 (0,06) 1\n Aritmie 0,09 (0,02) 1\n Obesit\u00e0 0,08 (0,10) 1\n Ipotiroidismo 0,07 (0,09) 1\n Modificata da Corrao et al. 2017. 63\n\n\n\n crescenti di 0, 1, 2, 3, 4 e 5 alle categorie del punteggio\n aggregato di 0, 1-4, 5-9, 10-14, 15-19 e \u226520, rispettivamen-\n te. L\u2019indice cos\u00ec ottenuto \u00e8 stato denominato Multisource Co-\n morbidity Score (MCS). L\u2019MCS cos\u00ec costruito \u00e8 per definizione\n associato al rischio di morte a breve termine (un anno), es-\n sendo stato modellato a questo fine. La figura 7.1 illustra la\n progressiva e importante riduzione della sopravvivenza a un\n anno man mano che aumenta il punteggio MCS.\n","\n\n\n\n L\u2019ESPERIENZA DEL GRUPPO DI LAVORO PDTA 71\n\n\n\n Figura 7.1 Curve di sopravvivenza Kaplan-Meier\n a un anno secondo il valore del MCS\n\n 100\n\n Probabilit\u00e0 di sopravvivenza cumulativa 90\n\n\n\n\n\n\n\n 80\n\n\n\n\n 70\n 0 3 6 9 12\n Mesi\n Punteggio MCS 0 1 2 3 4\n\n Modificata da Corrao et al. 2017. 63\n\n\n\n Validazione\n\n\n Poich\u00e9 lo score che deriva da questa procedura, per avere\n un\u2019utilit\u00e0 pratica, deve essere applicato a popolazioni diver-\n se da quella con il quale \u00e8 stato costruito, \u00e8 buona norma\n verificarne le capacit\u00e0 predittive ricorrendo a diversi set di\n validazione che, idealmente, simulino i setting ai quali lo\n score stesso dovr\u00e0 essere applicato.\n Nello specifico caso del MCS, \u00e8 stato innanzitutto estratto\n un secondo campione casuale di 500.000 individui di et\u00e0\n \u226550 anni beneficiari del SSR della Regione Lombardia da\n","\n\n\n\n 72 STRATIFICA PDTA\n\n\n almeno due anni. Il potere discriminatorio dell\u2019indice (ov-\n vero la capacit\u00e0 di distinguere tra i componenti del cam-\n pione che sperimenteranno l\u2019esito, moriranno, e quelli che\n sopravvivranno almeno un anno dalla data indice) \u00e8 stato\n misurato costruendo la cosiddetta curva \u201cReceiver Opera-\n ting Characteristic\u201d (ROC) e calcolandone l\u2019area sottesa, la\n Area Under the ROC Curve (AUC). Al fine di verificare se\n l\u2019uso di MCS comporti un miglioramento della capacit\u00e0 di-\n scriminatoria rispetto agli altri indici di comorbilit\u00e0 pi\u00f9\n diffusi, le curve ROC di MCS sono state confrontate con\n quelle di CCI, EI e CDS.\n\n La figura 7.2 mostra che MCS ha una capacit\u00e0 discriminante\n (AUC=0,78; intervallo di confidenza al 95%: 0,77, 0,79) deci-\n samente migliore rispetto a CCI (0,69; 0,68, 0,70), EI (0,65;\n 0,64, 0,66) e CDS (0,69; 0,68, 0,70). Essendo stato costruito\n utilizzando i dati del sistema sanitario italiano, il suo migliore\n adattamento al nostro contesto non \u00e8 sorprendente.\n\n\n Poich\u00e9 MCS \u00e8 stato costruito con lo scopo di stratificare e\n confrontare le popolazioni regionali, sono stati selezionati\n tre set di validazione esterni, ciascuno composto da 500.000\n beneficiari del SSN di una Regione dell\u2019Italia settentriona-\n le (Emilia-Romagna), una dell\u2019Italia centrale (Lazio) e una\n dell\u2019Italia meridionale (Sicilia), che sono stati considerati\n insieme al set di validazione interno (secondo campione\n lombardo). Ne emergono capacit\u00e0 discriminanti straordina-\n riamente sovrapponibili con valori (e intervalli di confidenza\n al 95%) di 0,78 (0,77, 0,79), 0,78 (0,77, 0,79), 0,77 (0,76,\n 0,78), e 0,78 (0,77, 0,79) rispettivamente in Lombardia,\n Emilia-Romagna, Lazio e Sicilia (figura 7.3).\n","\n\n\n\n L\u2019ESPERIENZA DEL GRUPPO DI LAVORO PDTA 73\n\n\n\n Figura 7.2 Curve ROC che confrontano il potere\n discriminante di MCS e i tre indici di comorbilit\u00e0\n pi\u00f9 diffusi (Charlson Comorbidity Index [CCI],\n Elixhauser Index [EI] e Chronic Disease Score\n [CDS]) nel predire la mortalit\u00e0 a un anno tra i\n beneficiari del SSN\n 100\n\n\n Tasso dei veri positivi (sensibilit\u00e0) 60\n 80\n\n\n\n\n 40\n\n\n 20\n\n 0\n 0 20 40 60 80 100\n Tasso dei falsi positivi (1-specificit\u00e0)\n MCS CCI EI CDS\n Modificata da Corrao et al. 2017. 63\n\n\n\n Generalizzazione ad altri esiti clinici\n\n Anche se non direttamente costruito a questo fine, MCS ri-\n sulta associato ad altri esiti quali la mortalit\u00e0 a medio termi-\n ne (cinque anni), l\u2019ospedalizzazione a breve e medio termine\n e il costo per le ospedalizzazioni a due anni dalla data indice\n (figura 7.4).\n","\n\n\n\n 74 STRATIFICA PDTA\n\n\n\n Figura 7.3 Curve ROC che confrontano il potere\n discriminante di MCS nel predire la mortalit\u00e0\n a un anno tra i beneficiari del SSN di quattro\n Regioni italiane\n 100\n\n\n 80\n Tasso dei veri positivi (sensibilit\u00e0) 60\n\n\n\n\n 40\n\n\n 20\n\n\n 0\n 0 20 40 60 80 100\n Tasso dei falsi positivi (1-specificit\u00e0)\n Lombardia Emilia-Romagna Lazio Sicilia\n\n Modificata da Corrao et al. 2017. 63\n\n\n Variabilit\u00e0 tra Regioni\n\n Poich\u00e9 MCS ha mostrato un\u2019impressionante stabilit\u00e0 della\n performance discriminante nella predizione degli esiti cli-\n nici tra le Regioni, il suo utilizzo per confrontare l\u2019impatto\n delle comorbilit\u00e0 tra le Regioni dovrebbe essere appropria-\n to. Con queste premesse, un\u2019indagine multiregionale molto\n ampia che copre il 63,1% della popolazione italiana di et\u00e0\n compresa tra i 50 e gli 85 anni \u00e8 stata condotta all\u2019inter-\n no del citato gruppo di lavoro del Ministero della Salute\n italiano con l\u2019obiettivo di misurare le differenze interre-\n","\n\n\n\n L\u2019ESPERIENZA DEL GRUPPO DI LAVORO PDTA 75\n\n\n\n Figura 7.4 Tassi di mortalit\u00e0, ricoveri ospedalieri\n e costi ospedalieri secondo il valore del MCS\n Mortalit\u00e0 a cinque anni\n 80\n 60\n Percentuale 40\n\n 20\n 0\n 0 1 2 3 4\n Multisource Comorbidity Score\n Ospedalizzazione a un anno\n 1200\n Ricoveri ospedalieri ogni 1.000 anni-persona 900\n\n 600\n 300\n 0\n 0 1 2 3 4\n Multisource Comorbidity Score\n Ospedalizzazione a cinque anni\n 1200\n Ricoveri ospedalieri ogni 1.000 anni-persona 900\n\n 600\n 300\n 0\n 0 1 2 3 4\n Multisource Comorbidity Score\n Costi ospedalieri a due anni\n 6000\n Migliaia di euro ogni 1.000 anni-persona 4000\n\n 2000\n\n 0\n 0 1 2 3 4\n Multisource Comorbidity Score\n Modificata da Corrao et al. 2017. 63\n","\n\n\n\n 76 STRATIFICA PDTA\n\n\n 65\n gionali nella distribuzione delle comorbilit\u00e0. Le Regioni\n coinvolte sono cos\u00ec localizzate: tre nel Nord (Lombardia,\n Friuli-Venezia-Giulia ed Emilia-Romagna), tre nel Centro\n (Marche, Toscana e Lazio) e quattro nel Sud Italia (Puglia,\n Basilicata, Sicilia e Sardegna).\n\n Sebbene il profilo della distribuzione del MCS sia apparen-\n temente simile per et\u00e0, sesso e ripartizione geografica, in\n realt\u00e0 il carico di comorbilit\u00e0 \u00e8 assai variabile. L\u2019et\u00e0 mediana\n variava da 60 anni (Centro e Sud) a 68 anni (Nord) nelle\n donne e da 63 anni (Centro e Sud) a 68 anni (Nord) negli\n uomini. La percentuale di popolazione con almeno una con-\n dizione che contribuisce all\u2019indice di comorbilit\u00e0 \u00e8 inferiore\n al 50% per la popolazione del Nord, mentre \u00e8 intorno al 60%\n per le popolazioni del Centro e del Sud (figura 7.5).\n\n La percentuale di beneficiari appartenenti alle categorie MCS\n \u00e8 stata calcolata per ogni singola et\u00e0 e per le corrispondenti\n distribuzioni stratificate per sesso e partizioni geografiche.\n Ogni distribuzione consiste in un rettangolo all\u2019interno del\n quale l\u2019area \u00e8 suddivisa in sotto-aree con diverse tonalit\u00e0 di\n blu che diventano gradualmente pi\u00f9 scure secondo i valori\n progressivamente crescenti del MCS. L\u2019et\u00e0 mediana MCS (cio\u00e8\n l\u2019et\u00e0 al di sopra della quale la met\u00e0 dei beneficiari soffre di\n almeno una comorbilit\u00e0) e la percentuale di popolazione con\n comorbilit\u00e0 (cio\u00e8 la parte dell\u2019area del rettangolo coperta\n da beneficiari che soffrono di almeno una comorbilit\u00e0) sono\n rappresentate per ogni partizione di genere\/area.\n\n\n Variabilit\u00e0 tra pazienti\n\n\n Un secondo esempio applicativo del MCS riguarda la sua\n capacit\u00e0 di identificare le categorie di pazienti verso le\n quali gli interventi curativi dovrebbero essere indirizzati\n","\n\n\n\n L\u2019ESPERIENZA DEL GRUPPO DI LAVORO PDTA 77\n\n\n\n Figura 7.5 Distribuzione del MCS tra i beneficiari\n del SSN del Nord, Centro e Sud Italia in base al\n sesso e all\u2019et\u00e0\n\n Donne Uomini\n 100 100\n settentrionale 60 68 anni 60 68 anni\n 80\n 80\n Italia 40 48% 40 46%\n 20\n 0 20 0\n 50 55 60 65 70 75 80 85 50 55 60 65 70 75 80 85\n Et\u00e0\n 100 100\n 80 80\n Italia centrale 60 60 anni 60 63 anni\n 40\n 40\n 20 56% 20 60%\n 0 0\n 50 55 60 65 70 75 80 85 50 55 60 65 70 75 80 85\n Et\u00e0\n 100 100\n 80\n 80\n meridionale 60 60 anni 60 63 anni\n Italia 40 40\n 20\n 0 57% 20 0 61%\n 50 55 60 65 70 75 80 85 50 55 60 65 70 75 80 85\n Et\u00e0\n Valore MCS\n 0 1-4 5-9 10-14 15-19 \u226520\n Modificata da Corrao et al. 2020. 65\n\n\n\n in via prioritaria. Si consideri a titolo esemplificativo una\n situazione gi\u00e0 considerata nel booklet Valuta PDTA. Il con-\n 4\n testo \u00e8 quello della validazione degli indicatori di aderenza\n alle raccomandazioni per il controllo del paziente diabeti-\n co. In quell\u2019occasione abbiamo verificato che il controllo\n dell\u2019emoglobina glicata (almeno due volte l\u2019anno) e della\n","\n\n\n\n 78 STRATIFICA PDTA\n\n\n microalbuminuria, del profilo lipidico e della funzionalit\u00e0\n renale (almeno una volta l\u2019anno) \u00e8 efficace (effective) e co-\n sto-efficace (cost-effective), ovvero \u00e8 in grado sia di ridurre\n 66\n il rischio di ospedalizzazione per complicanze del diabete\n che di generare un risparmio della spesa sostenuta dal SSN\n 67\n per la cura dei pazienti presi in carico per diabete. La\n questione che ora dovremmo verificare \u00e8 se l\u2019intervento che\n ne deriva come logica conseguenza, ovvero l\u2019indirizzo di\n avviare azioni in grado di massimizzare l\u2019aderenza alle rac-\n comandazioni, abbia performance indipendenti dal profilo\n clinico complessivo, o se si possono identificare catego-\n rie verso cui ci si aspetta che le azioni siano pi\u00f9 efficaci\n e costo-efficaci. In realt\u00e0, \u00e8 chiaramente atteso un netto\n vantaggio nell\u2019indirizzare gli interventi verso i pazienti con\n profilo clinico pi\u00f9 svantaggiato (figura 7.6).\n\n Ciascuno dei tre piani cartesiani riporta la distribuzione\n dell\u2019efficacia (giorni liberi da ospedalizzazione per compli-\n cazioni del diabete) e dei costi differenziali (sostenuti dal\n SSN per la cura dei pazienti presi in carico) risparmiati\n per effetto dell\u2019aumentata aderenza alle raccomandazioni.\n Il quadrante in cui si collocano parzialmente (prime due\n rappresentazioni) o totalmente (rappresentazione pi\u00f9 a de-\n stra) i punti indica che l\u2019alta aderenza alle raccomandazioni\n \u00e8 sempre efficace (le complicanze sono ritardate) e meno\n costosa (la spesa complessiva \u00e8 ridotta) rispetto alla bassa\n aderenza. Lo stato clinico dei pazienti \u00e8 stato misurato con\n il MCS categorizzato in tre categorie di profilo clinico: pi\u00f9\n lieve (MCS=0), medio (1\u2264 MCS \u22642) e pi\u00f9 grave (3\u2264 MCS \u22644).\n Il profilo costo-efficacia \u00e8 molto pi\u00f9 favorevole nei pazienti\n con stato clinico pi\u00f9 grave.\n","\n\n\n\n L\u2019ESPERIENZA DEL GRUPPO DI LAVORO PDTA 79\n\n\n\n Figura 7.6 Profili costo-efficacia che confrontano\n i pazienti con alta aderenza rispetto a quelli\n con scarsa aderenza alle raccomandazioni per il\n controllo del paziente preso in carico per diabete,\n in funzione del profilo clinico del paziente stesso\n\n Profilo clinico pi\u00f9 lieve\n 2000 0 Meno efficace Pi\u00f9 efficace\n Differenza di costo (euro) -2000\n e pi\u00f9 costoso\n e pi\u00f9 costoso\n\n\n\n -4000\n e meno costoso\n e meno costoso\n -6000 Meno efficace Pi\u00f9 efficace\n 0 100 200 300\n Differenza di efficacia (giorni)\n Profilo clinico medio\n 2000\n Meno efficace Pi\u00f9 efficace\n e pi\u00f9 costoso\n Differenza di costo (euro) -2000\n e pi\u00f9 costoso\n 0\n -4000\n e meno costoso\n e meno costoso\n -6000 Meno efficace Pi\u00f9 efficace\n 0 100 200 300\n Differenza di efficacia (giorni)\n Profilo clinico pi\u00f9 grave\n 2000 0 Meno efficace Pi\u00f9 efficace\n Differenza di costo (euro) -2000\n e pi\u00f9 costoso\n e pi\u00f9 costoso\n\n\n -4000\n e meno costoso\n e meno costoso\n -6000 Meno efficace Pi\u00f9 efficace\n 0 100 200 300\n Differenza di efficacia (giorni)\n","\n\n\n\n 80 STRATIFICA PDTA\n\n\n Prospettive\n\n 68\n \u201c\u00c8 dall\u2019alto che si capiscono le distanze.\u201d \u00c8 con questa\n affermazione, una volta tanto tratta dalla recente lettera-\n tura italiana di qualit\u00e0, piuttosto che dal freddo linguaggio\n scientifico, che traiamo spunto per considerare il punto di\n osservazione del Ministero nella stratificazione dei benefi-\n ciari del SSN. L\u2019esperienza nazionale qui presentata mostra\n che un semplice punteggio basato su diagnosi ospedalie-\n re e prescrizioni di farmaci derivate da dati amministrativi\n \u00e8 in grado di stratificare i beneficiari del SSN italiano in\n base al loro rischio di morte a un anno. Il punteggio MCS\n ha migliorato significativamente il potere discriminatorio e\n la riclassificazione dei punteggi prognostici comunemente\n usati, cio\u00e8 gli indici CCI, EI e CDS. Oltre alla mortalit\u00e0 a un\n anno, il punteggio MCS ha mostrato buone prestazioni per\n la previsione della mortalit\u00e0 a lungo termine, del numero di\n ricoveri ospedalieri a breve e lungo termine, cos\u00ec come del\n costo biennale dei ricoveri dalla prospettiva del SSN. L\u2019appli-\n cazione del MCS pu\u00f2 essere utile per misurare e confrontare\n bisogni di assistenza differenziali tra Regioni e tra categorie\n di pazienti.\n\n Come sempre, c\u2019\u00e8 ancora molto lavoro da fare in questo cam-\n po. Innanzitutto, MCS, bench\u00e9 gi\u00e0 in uso, dovrebbe essere\n considerato un punto di partenza, perch\u00e9 andrebbe raffina-\n to man mano che i dati\/le informazioni\/i flussi diventano\n pi\u00f9 completi e paragonabili tra Regioni. L\u2019integrazione tra\n flussi sanitari e informazioni socio-economiche \u00e8 un campo\n promettente ma allo stato attuale non esplorabile se non\n in alcune Regioni (si veda, ad esempio, l\u2019esperienza della\n Regione Lazio). Da queste esplorazioni possono derivare\n importanti indicazioni metodologiche sia per definire nuovi\n flussi informativi a valenza nazionale e pertanto attivati in\n tutte le Regioni e nelle PA, che per interconnettere flussi gi\u00e0\n","\n\n\n\n L\u2019ESPERIENZA DEL GRUPPO DI LAVORO PDTA 81\n\n\n esistenti presso enti e strutture diversi dal Ministero della\n Salute, come, solo per citarne alcuni, l\u2019Istat, i Registri tumo-\n ri, i database dei MMG. In secondo luogo, la presa d\u2019atto che\n i bisogni assistenziali sono drammaticamente eterogenei tra\n le Regioni dovrebbe di per s\u00e9 avviare una profonda riflessio-\n ne che preveda l\u2019applicazione di modelli adeguati all\u2019analisi\n dei determinanti di questa eterogeneit\u00e0 e la conseguente re-\n visione dei criteri di distribuzione del Fondo sanitario tra le\n Regioni. Una medesima attenta riflessione dovrebbe essere\n indirizzata all\u2019identificazione di adeguati e dinamici sistemi\n di individuazione delle priorit\u00e0 d\u2019intervento, basati su solide\n evidenze scientifiche e su altrettanto validi sistemi di rileva-\n zione dei bisogni di salute e di valutazione dell\u2019assistenza.\n Infine, dovrebbe essere rivolto un invito esplicito agli epide-\n miologi italiani a utilizzare strumenti di risk adjustment pi\u00f9\n adeguati al contesto italiano.\n Nel frattempo, le esperienze regionali riportate nel presente\n booklet e quelle in via di sviluppo rappresentano da un lato\n approfondimenti degli strumenti nazionali, necessari per\n ogni singola realt\u00e0 regionale, e dall\u2019altro proposte metodo-\n logiche da condividere, confrontare e coordinare in modo\n sinergico, allo scopo di produrre e sviluppare strumenti uti-\n lizzabili da tutte le Regioni e quindi anche dal livello cen-\n trale. In tale ottica, le Regioni forniscono una straordinaria\n occasione di crescita della sanit\u00e0 nazionale, intesa nella sua\n organizzazione ripartita, ma sinergica, tra Stato e Regioni.\n"," ","\n\n\n\n\n\n\n\n Bibliografia\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n 1. Ministero della Salute. Direzione Generale della Programmazione Sani-\n taria. Piano Nazionale Cronicit\u00e0. 2016.\n 2. MaCroScopio (Osservatorio sulla Cronicit\u00e0). Costruisci PDTA. Roma: Il\n Pensiero Scientifico Editore, 2020.\n 3. MaCroScopio (Osservatorio sulla Cronicit\u00e0). Organizza PDTA. Roma: Il\n Pensiero Scientifico Editore, 2021.\n 4. MaCroScopio (Osservatorio sulla Cronicit\u00e0). Valuta PDTA. Roma: Il Pen-\n siero Scientifico Editore, 2021.\n 5. Governo Italiano. Presidenza del Consiglio dei Ministri. Piano Naziona-\n le di Ripresa e Resilienza (PNRR) #NextGenerationItalia. 2021.\n 6. Agenzia Nazionale per i Servizi Sanitari Regionali (AGENAS). Monitor\n 45 - Piano Nazionale di Ripresa e Resilienza - Missione Salute. 2021.\n 7. Agenzia Nazionale per i Servizi Sanitari Regionali (AGENAS). Modelli e\n standard per lo sviluppo dell\u2019assistenza territoriale nel Sistema Sanita-\n rio Nazionale [bozza]. 2021.\n 8. Istituto Nazionale di Statistica (Istat). Il censimento permanente della\n popolazione e delle abitazioni. Prima diffusione dei dati definitivi\n 2018 e 2019. 2020.\n 9. Di Martino M, Lallo A, Davoli M, Fusco D. [Adherence to chronic poly-\n therapy in secondary prevention of myocardial infarction: limits and\n perspectives]. Recenti Prog Med 2019; 110(1):7-9.\n 10. Trinchero E. Case management: approccio sistemico alla gestione del\n paziente. MECOSAN 1992; 32(Sez. 1a).\n","\n\n\n\n 84 STRATIFICA PDTA\n\n\n 11. Ouwens M, Wollersheim H, Hermens R, Hulscher M, Grol R. Integrated\n care programmes for chronically ill patients: a review of systematic\n reviews. Int J Qual Health Care 2005; 17(2):141-6.\n 12. Vuik SI, Mayer E, Darzi A. A quantitative evidence base for population\n health: applying utilization-based cluster analysis to segment a pa-\n tient population. Popul Health Metr 2016; 14:44.\n 13. Lynn J, Straube BM, Bell KM, Jencks SF, Kambic RT. Using population\n segmentation to provide better health care for all: the \u201cBridges to\n Health\u201d model. Milbank Q 2007; 85(2):185-208; discussion 209-12.\n 14. Newman WC, Neal DW, Hoh BL. A new comorbidities index for risk stra-\n tification for treatment of unruptured cerebral aneurysms. J Neurosurg\n 2016; 125(3):713-9.\n 15. Chong JL, Lim KK, Matchar DB. Population segmentation based on\n healthcare needs: a systematic review. Syst Rev 2019; 8(1):202.\n 16. Chong JL, Matchar DB. Benefits of population segmentation analysis\n for developing health policy to promote patient-centred care. Ann\n Acad Med Singap 2017; 46(7):287-9.\n 17. Sosto G. Una popolazione a strati. Modelli previsionali, population\n health management, stratificazione e targeting della popolazione.\n Strumenti integrati per la governance in sanit\u00e0. Catanzaro: Rubbettino\n Editore, 2020.\n 18. Morando V, Tozzi V. Population health management e PDTA: \u201cProve\n tecniche di implementazione\u201d. In: Rapporto OASI 2015. Milano: SDA\n Bocconi, Centro di Ricerche sulla Gestione dell\u2019Assistenza Sanitaria e\n Sociale (CERGAS), 2016.\n 19. Istituto Nazionale di Statistica (Istat). Condizioni di salute e ricorso ai\n servizi sanitari. Anno 2013. Indagine Multiscopo sulle Famiglie, 2014.\n 20. Regione Lazio. Decreto del Commissario ad Acta 25 giugno 2020, n.\n U00081. Piano di riorganizzazione, riqualificazione e sviluppo del Ser-\n vizio Sanitario Regionale 2019-2021. 2020.\n 21. Onder G, Bonassi S, Abbatecola AM, et al. High prevalence of poor\n quality drug prescribing in older individuals: a nationwide report from\n the Italian Medicines Agency (AIFA). J Gerontol A Biol Sci Med Sci\n 2014; 69(4):430-7.\n 22. Di Martino M, Alagna M, Lallo A, et al. Chronic polytherapy after\n myocardial infarction: the trade-off between hospital and community-\n based providers in determining adherence to medication. BMC Cardio-\n vasc Disord 2021; 21(1):180.\n","\n\n\n\n BIBLIOGRAFIA 85\n\n\n 23. Jenks GF. The data model concept in statistical mapping. International\n Yearbook of Cartography 1967; 7:5.\n 24. Heinze G, Wallisch C, Dunkler D. Variable selection. A review and recom-\n mendations for the practicing statistician. Biom J 2018; 60(3):431-49.\n 25. Mehta HB, Mehta V, Girman CJ, Adhikari D, Johnson ML. Regression\n coefficient-based scoring system should be used to assign weights to\n the risk index. J Clin Epidemiol 2016; 79:22-8.\n 26. Rosano A, Pacelli B, Zengarini N, Costa G, Cislaghi C, Caranci N. [Upda-\n te and review of the 2011 Italian deprivation index calculated at the\n census section level]. Epidemiol Prev 2020; 44(2-3):162-70.\n 27. Presidenza del Consiglio dei Ministri, Conferenza Permanente per i\n Rapporti tra lo Stato, le Regioni e le Province Autonome di Trento e\n Bolzano. Piano Nazionale della Prevenzione 2005-2007. 2005.\n 28. Ministero della Salute. Guadagnare salute: rendere facili le scelte salu-\n tari. DPCM 4 maggio 2007.\n 29. Thompson JE. Airborne particulate matter: human exposure and health\n effects. J Occup Environ Med 2018; 60(5):392-423.\n 30. Dipartimento di Epidemiologia del Servizio Sanitario Regionale - Re-\n gione Lazio (DEP Lazio). Epidemiologia ambientale e occupazionale.\n https:\/\/www.deplazio.net\/it\/attivita\/9-epidemiologia-ambientale-\n e-occupazionale\n 31. Regione Lombardia. Deliberazione Giunta Regionale n. IX\/973. Allega-\n to 14 (Cronicit\u00e0 e CReG). Seduta del 1\/12\/2010.\n 32. Regione Lombardia. Deliberazione Giunta Regionale n. IX\/1479. Sedu-\n ta del 30\/03\/2011.\n 33. Regione Lombardia. Decreto Dirigente Struttura Giunta Regionale n.\n 4383 del 2011.\n 34. Palmer G, Reid B. Evaluation of the performance of diagnosis-related\n groups and similar casemix systems: methodological issues. Health\n Serv Manage Res 2001; 14(2):71-81.\n 35. National Center for Health Statistics (NCHS), Centers for Medicare &\n Medicaid Services (CMS). The International Classification of Diseases,\n 9th revision, Clinical Modification (ICD-9-CM). Sixth edition, 2008.\n http:\/\/icd9.chrisendres.com\/\n 36. World Health Organization (WHO). ATC\/DDD Index 2021. https:\/\/www.\n whocc.no\/atc_ddd_index\/\n 37. Decreto del Presidente del Consiglio dei Ministri 12 gennaio 2017.\n Definizione e aggiornamento dei livelli essenziali di assistenza, di cui\n","\n\n\n\n 86 STRATIFICA PDTA\n\n\n all\u2019articolo 1, comma 7, del decreto legislativo 30 dicembre 1992, n.\n 502. G.U. Serie Generale n. 65 del 18-03-2017 - Supplemento Ordinario\n n. 15.\n 38. Rea F, Corrao G, Ludergnani M, Cajazzo L, Merlino L. A new popu-\n lation-based risk stratification tool was developed and validated for\n predicting mortality, hospital admissions, and health care costs. J Clin\n Epidemiol 2019; 116:62-71.\n 39. Tibshirani R. The lasso method for variable selection in the Cox model.\n Stat Med 1997; 16(4):385-95.\n 40. Regione Lombardia. Deliberazione n. XI\/4353. Seduta del 24\/02\/2021.\n 41. Robusto F, Lepore V, D\u2019Ettorre A, et al. The Drug Derived Complexity In-\n dex (DDCI) predicts mortality, unplanned hospitalization and hospital\n readmissions at the population level. PloS One 2016; 11(2):e0149203.\n 42. Charlson ME, Pompei P, Ales KL, MacKenzie CR. A new method of clas-\n sifying prognostic comorbidity in longitudinal studies: development\n and validation. J Chronic Dis 1987; 40(5):373-83.\n 43. Elixhauser A, Steiner C, Harris DR, Coffey RM. Comorbidity measures for\n use with administrative data. Med Care 1998; 36(1):8-27.\n 44. Mehta HB, Wang L, Malagaris I, Duan Y, Rosman L, Alexander GC. More\n than two-dozen prescription drug-based risk scores are available for\n risk adjustment: a systematic review. J Clin Epidemiol 2021; 137:113-\n 25.\n 45. Hodgson A, Bernardin T, Westermeyer B, Hagopian E, Radtke T, Noman\n A. Development of a specialty intensity score to estimate a patient\u2019s\n need for care coordination across physician specialties. Health Sci Rep\n 2021; 4(2):e303.\n 46. ASSEHS. White Paper on deployment of stratification methods. Acti-\n vation of Stratification Strategies and Results of the interventions on\n frail patients of Healthcare Services, 2016. http:\/\/assehs.eu\/\n 47. ASSEHS - Activation of Stratification Strategies and Results of the in-\n terventions on frail patients of Healthcare Services. http:\/\/assehs.eu\/\n 48. Regione Veneto. DGR n.758 del 14 maggio 2015 - Percorso Diagnostico\n Terapeutico Assistenziale (PDTA) per la Sclerosi Multipla nella Regione\n del Veneto, 2015.\n 49. Regione Veneto. DGR n. 570 del 09 maggio 2019 - Il Percorso Diagno-\n stico Terapeutico Assistenziale (PDTA) delle Demenze, 2019.\n 50. Regione Veneto. DGR n. 13\/DDL del 28 maggio 2018 - Allegato B 3.1\n \u201cI percorsi diagnostici terapeutici assistenziali\u201d, 2018.\n","\n\n\n\n BIBLIOGRAFIA 87\n\n\n 51. Ministero della Salute. Decreto Ministeriale n. 70 aprile 2015. Re-\n golamento recante definizione degli standard qualitativi, strutturali,\n tecnologici e quantitativi relativi all\u2019assistenza ospedaliera. 2015.\n 52. Regione Veneto. DGR n. 653 del 28 aprile 2015 - Costituzione della\n Rete regionale per l\u2019Alzheimer. LR 23\/2012. Primo provvedimento:\n recepimento del Piano Nazionale Demenze e definizione dei primi\n adempimenti, 2015.\n 53. Regione Veneto. Una mappa per le demenze. https:\/\/demenze.regione.\n veneto.it\/\n 54. Legge 8 novembre 2012, n. 189. Conversione in legge, con modificazioni,\n del decreto-legge 13 settembre 2012, n. 158. Disposizioni urgenti per\n promuovere lo sviluppo del Paese mediante un pi\u00f9 alto livello di tutela\n della salute. G.U. Serie Generale n. 263 del 10-11-2012 - Supplemento\n Ordinario n. 201.\n 55. Ministero della Salute. Cosa sono i LEA: il DPCM 12 gennaio 2017.\n https:\/\/www.salute.gov.it\/portale\/lea\/dettaglioContenutiLea.jsp?area\n =Lea&id=1300&lingua=italiano&menu=leaEssn\n 56. Decreto-legge 19 maggio 2020, n. 34. Misure urgenti in materia di\n salute, sostegno al lavoro e all\u2019economia, nonch\u00e9 di politiche sociali\n connesse all\u2019emergenza epidemiologica da COVID-19 (20G00052). G.U.\n Serie Generale n. 128 del 19-05-2020 - Supplemento Ordinario n. 21.\n 57. Legge 17 luglio 2020, n. 77. Conversione in legge, con modificazioni,\n del decreto-legge 19 maggio 2020, n. 34, recante misure urgenti in\n materia di salute, sostegno al lavoro e all\u2019economia, nonch\u00e9 di politi-\n che sociali connesse all\u2019emergenza epidemiologica da COVID-19. G.U.\n Serie Generale n.180 del 18-07-2020 - Supplemento Ordinario n. 25.\n 58. Nobilio L, Berti E, Moro ML, Cacciapuoti I, Donatini A, Barbieri L.\n Dossier n. 269\/2020. Valutazione di impatto delle Case della salute su\n indicatori di cura, 2009-2019. 2020.\n 59. Nobilio L, Sforza S, Berti E, Moro ML. Guida alla stratificazione del\n rischio della popolazione residente in Emilia-Romagna con dati am-\n ministrativi: l\u2019algoritmo riskER. Agenzia Sanitaria e Sociale Regionale\n dell\u2019Emilia-Romagna, 2021.\n 60. Francesconi P, Bellini I, Profili F, Gualdani E, eds. La gestione del\n paziente complesso nel territorio. Collana dei Documenti ARS n. 98,\n 2018.\n 61. Von Korff M, Wagner EH, Saunders K. A chronic disease score from\n automated pharmacy data. J Clin Epidemiol 1992; 45(2):197-203.\n","\n\n\n\n 88 STRATIFICA PDTA\n\n\n 62. Ministero della Salute. D.M. 12 marzo 2019. Nuovo sistema di garanzia\n per il monitoraggio dell\u2019assistenza sanitaria (19A03764). G.U. Serie\n Generale n. 138 del 14-06-2019.\n 63. Corrao G, Rea F, Di Martino M, et al. Developing and validating a novel\n multisource comorbidity score from administrative data: a large popu-\n lation-based cohort study from Italy. BMJ Open 2017; 7(12):e019503.\n 64. Gagne JJ, Glynn RJ, Avorn J, Levin R, Schneeweiss S. A combined\n comorbidity score predicted mortality in elderly patients better than\n existing scores. J Clin Epidemiol 2011; 64(7):749-59.\n 65. Corrao G, Rea F, Carle F, et al. Measuring multimorbidity inequality\n across Italy through the multisource comorbidity score: a nationwide\n study. Eur J Public Health 2020; 30(5):916-21.\n 66. Corrao G, Rea F, Di Martino M, et al. Effectiveness of adherence to\n recommended clinical examinations of diabetic patients in preven-\n ting diabetes-related hospitalizations. Int J Qual Health Care 2019;\n 31(6):464-72.\n 67. Corrao G, Rea F, Mancia G, et al. Adherence with recommendations for\n clinical monitoring of diabetic patients is effective and cost-effective.\n Evidence from a large real-life Italian investigation. Diabetes Obes\n Metab 2021;[in press].\n 68. De Giovanni M. Una sirena a settembre. Torino: Einaudi Editore, 2021.\n"]