ARCHIVÉ - Maladies chroniques au Canada

 

Volume 30, no. 4, Septembre 2010

Incidence de l’infarctus du myocarde et validation des données de facturation des médecins et des données d’hospitalisation à partir des dossiers médicaux électroniques

K. Tu, M.D. (1,2,3); T. Mitiku, M. Sc. (1); H. Guo, M. Sc. (1); D. S. Lee, M.D., Ph. D. (1,4); J.V. Tu, M.D., Ph. D. (1,5)

 

Rattachement

  1. Institut de recherche en services de santé (IRSS), Toronto, Canada
  2. Département de médecine familiale et communautaire, Université de Toronto, Toronto, Canada
  3. Équipe de santé familiale de l’Hôpital Toronto Western, Réseau universitaire de santé, Toronto, Canada
  4. Département de médecine, Réseau universitaire de santé, Université de Toronto, Toronto, Canada
  5. Département de médecine, Centre Sunnybrook des sciences de la santé, Université de Toronto, Toronto, Canada

Correspondance : Karen Tu a/s de IRSS, bureau G1 06, 2075, avenue Bayview, Toronto, Ontario M4N 3M5; tél. : 416-480-4055 poste 3871; téléc. : 416-480-6048; courriel : karen.tu@ices.on.ca.

Résumé

Objectif : La détection au sein d’une population des personnes qui ont subi un infarctus du myocarde ne repose actuellement que sur la liste des patients en phase aiguë se présentant à l’hôpital. Nous voulons déterminer si, en combinant les données de facturation des médecins aux données sur les congés d’hôpital, nous obtiendrions une meilleure détection.

Méthodologie : Nous avons utilisé comme échantillon de référence 969 patients adultes, choisis au hasard à partir de dossiers médicaux électroniques fournis par des médecins de première ligne en Ontario (Canada).

Résultats : Un algorithme fondé sur trois facturations de médecins au cours d’une période d’un an, dont au moins une provenait d’un spécialiste ou d’une consultation dans un centre hospitalier ou une salle d’urgence, et sur un dossier de congé d’hôpital a permis d’obtenir une sensibilité de 80,4 % (IC à 95 % : 69,5-91,3), une spécificité de 98,0 % (IC à 95 % : 97,19-8,9), une valeur prédictive positive de 69,5 % (IC à 95 % : 57,7-81,2), une valeur prédictive négative de 98,9 % (IC à 95 % : 98,2-99,6) et une valeur kappa de 0,73 (IC à 95 % : 0,63-0,83).

Conclusion : L’utilisation combinée des dossiers de congé d’hôpital et des données de facturation des médecins pourrait être la meilleure façon d’évaluer les tendances sur une longue période de la fréquence des infarctus du myocarde, car elle permet de détecter davantage de cas que la méthode fondée sur les seules données d’hospitalisation.

Mots-clés : infarctus du myocarde, données de facturation des médecins, dossier médical électronique, données de congé d’hôpital, méthodes de validation, Ontario.

Introduction

L’estimation du nombre de patients ayant subi un infarctus du myocarde (IM) varie selon si elle s’appuie sur les données de facturation des frais hospitaliers ou sur les données des dossiers d’hospitalisation. Ces variations sont fonction du lieu de validation, du code d’hôpital et du type de sélection des patients1a-5a. De même, il y a de grandes variations entre les estimations fondées sur les données de facturation des frais hospitaliers et celles fondées sur les registres hospitaliers6-11. De plus, au moins le quart des IM seraient silencieux ou non diagnostiqués12-15. Certains patients subissant un IM alors qu’ils se trouvent à l’étranger ou dans une autre province, ils ne figurent pas dans la base de données des congés des hôpitaux de leur province. Cette situation a des répercussions cliniques importantes car le pronostic des IM silencieux ou non diagnostiqués est plus défavorable que celui des IM diagnostiqués de la même sévérité 14b,16a,17a. Les études antérieures de validation des données administratives n’ont utilisé ni les données des consultations externes en soins de première ligne ou de médecine familiale, ni les données de facturation des médecins correspondantes pour repérer les patients ayant subi un IM. Par conséquent, la production des rapports sur la fréquence des IM dans une province ou dans l’ensemble du pays repose sur les méthodes de signalement des cas se limitant aux cas d’IM aigu pour lesquels les patients ont été admis à l’hôpital ou sont décédés.

Toutes les provinces canadiennes possèdent des données sur l’hospitalisation et sur la facturation par les médecins. Toutefois, les médecins ne peuvent faire figurer sur leur dossier de facturation qu’un seul code de diagnostic pour chaque consultation, alors que les patients se présentent souvent pour de multiples raisons et ont divers problèmes de santé. Des algorithmes fiables ayant recours à la fois aux données de facturation des médecins et à celles des dossiers de congé d’hôpital ont été utilisés avec succès pour repérer les patients atteints de maladies chroniques ne requérant pas nécessairement une hospitalisation, comme l’hypertension18aet le diabète19a.

Dans ce contexte, nous avons entrepris de déterminer si le fait d’ajouter les données de facturation provenant des dossiers médicaux électroniques (DME) de plusieurs médecins de famille aux données des dossiers de congé d’hôpital permet de mieux détecter les patients ayant subi un IM, ce qui pourrait servir à déterminer la fréquence des IM dans l’ensemble de la population.

Méthodologie

Nous avons créé un échantillon de référence à partir des données des DME de 17 médecins de famille ayant utilisé le logiciel DME de Solutions cliniquesMD pendant au moins 2 ans. Tous les patients de ces médecins possédaient un DME. Nous avons extrait les données portant sur la période allant de juin à décembre 2007, nous les avons anonymisées, chiffrées, puis transférées par voie électronique sécurisée à l’Institut de recherche en services de santé (IRSS). L’IRSS étant une entité visée la Loi sur la protection des renseignements personnels sur la santé20, les données ont été traitées conformément à la méthode de fonctionnement uniformisée de l’organisme afin d’assurer le respect de la vie privée et la confidentialité21.

Sur les 17 médecins, 29,4 % étaient des femmes, 41,7 % étaient établis en milieu rural et tous, sauf un, exerçaient en groupe. Le nombre moyen d’années d’exercice s’établissait à 20,5 ans (écart type = 10,2) et la durée moyenne d’utilisation des DME se situait à 7,4 ans (écart type = 7,3). L’âge moyen de notre cohorte de patients s’établissait à 49,0 ans (écart type = 17,2) et 53,7 % étaient des femmes.

Nous avons pris un échantillon aléatoire de 5 % des patients âgés de 20 ans et plus au 31 décembre 2006, dont le numéro de carte santé était valide et pour lesquels au moins deux notes d’évolution avaient été entrées au cours des trois années précédant la date de téléchargement des données. Les dossiers des 969 patients de cet échantillon ont été vérifiés jusqu’au 31 mars 2007. Pour chaque entrée, on a indiqué s’il y avait présence d’IM, possibilité d’IM , antécédents familiaux d’IM, ou bien absence d’IM. La preuve d’IM pouvait être apportée par le signalement d’un IM dans le profil cumulatif du patient, une note d’évolution, un électrocardiogramme (ECG), une procédure ou un test de diagnostic, un sommaire de congé d’hôpital, un dossier du service des urgences, une lettre de consultation ou une note de chirurgie. Lors de la compilation des données, le patient était classé dans cette première catégorie lorsqu’une ou plusieurs entrées prouvaient la présence d’un IM. Lorsque les entrées notaient la présence possible d’un IM mais sans preuve, le patient était classé dans la catégorie d’un IM « possible ». L’évaluation a été réalisée par trois personnes ayant reçu une formation sur l’extraction de données de dossiers médicaux. La fidélité intraobservateur a permis d’obtenir des valeurs kappa supérieures à 0,80, ce qui indique une très grande concordance. L’évaluation de la fidélité interobservateurs a quant à elle permis d’obtenir des valeurs kappa supérieures à 0,85 pour toutes les comparaisons entre les trois personnes chargées de l’extraction, ce qui indique là aussi une très grande concordance.

Par la suite, tous les cas d’IM classés comme prouvés ou possibles ont été analysés par un médecin expert de l’équipe de recherche et classés en fonction de la qualité des preuves : 1) preuves solides d’IM — un sommaire de congé d’hôpital ou une lettre de consultation décrivant un IM ou indiquant un IM dans les antécédents médicaux, ou encore un rapport de cathétérisme décrivant l’occlusion complète d’une artère coronaire; 2) IM signalé uniquement par le médecin de famille dans le profil cumulatif du patient; 3) faible preuve d’IM — un IM présent dans un test de diagnostic comme un échocardiogramme (« anomalies du mouvement des parois compatible avec un infarctus ») ou une scintigraphie myocardique au sestamibi, mais non interprété comme un IM dans une lettre de consultation; 4) preuve d’IM à l’ECG sans autre document à l’appui. Nous avons établi cette classification afin d’évaluer la qualité des preuves d’IM extraites des DME et nous avons effectué une analyse de sensibilité en utilisant différentes qualités de preuve d’IM comme échantillon de référence.

Le numéro de carte santé des patients a été remplacé par un numéro d’identification unique, puis couplé de façon anonyme au fonds de données administratives de l’Ontario hébergé à l’IRSS. Ce fonds contient la Base de données sur les congés des patients (BDCP) de l’Institut canadien d’information sur la santé (ICIS), dans laquelle sont consignés le diagnostic principal lié à l’hospitalisation ainsi qu’un nombre maximal de quinze affections comorbides, en conformité avec la Classification internationale des maladies et des problèmes de santé connexes, 9e et 10e révisions (codes 410 et 412 de la CIM9 jusqu’à l’année financière 2002, et codes I21, I22 et I25.2 de la CIM10 après 2002). Nous avons étudié les données de l’ICIS portant sur la période 1988-2006 en sélectionnant le code du diagnostic principal ou de l’un des diagnostics secondaires indiquant un IM.

L’échantillon aléatoire de 969 patients est devenu notre échantillon de référence pour la comparaison entre les diverses définitions de cas s’appuyant sur des combinaisons de données provenant des bases de données de l’ICIS, du Régime de l’assurance maladie de l’Ontario (RAMO), du Système national d’information sur les soins ambulatoires (SNISA) et des chirurgies d’un jour (SDS). Les données du RAMO sur la facturation par les médecins couvrent plus de 95 % des consultations externes des résidants de l’Ontario22 et indiquent le type de médecin faisant la demande de remboursement (par exemple, type 00 = généraliste ou médecin de famille) et le lieu de la consultation (hôpital, salle d’urgence, service de consultation externe ou maison de soins infirmiers); elles s’étendent du milieu de l’année 1991 au plus récent trimestre. Le SNISA est un outil de collecte de données qui a recueilli, de juillet 2000 à mars 2007, des renseignements sur les consultations dans les hôpitaux, les centres communautaires de soins ambulatoires, les centres de consultation externe et les services des urgences. Il contient aussi les données sur les chirurgies d’un jour effectuées à partir d’avril 2003 (avant cette date, c’est la base SDS qui recensait cette information).

Nous avons également tenté de déterminer si le fait de ne retenir que les demandes de remboursement faites par des spécialistes ou par des généralistes/médecins de famille travaillant en milieu hospitalier ou en salle d’urgence modifierait les résultats.

Nous avons défini la sensibilité des données administratives en comparant les patients ayant subi un IM et repérés grâce à l’extraction manuelle de données des DME (échantillon de référence) avec ceux repérés uniquement au moyen de l’algorithme fondé sur les données administratives. La spécificité a été calculée de la même façon, sauf qu’elle portait sur les personnes n’ayant pas subi d’IM. Nous avons défini la valeur prédictive positive (VPP) comme étant la proportion de patients repérés grâce à l’algorithme comme ayant subi un IM et qui étaient classés de la même manière dans l’échantillon de référence, tandis que la valeur prédictive négative (VPN) a été définie comme la proportion de patients repérés comme n’ayant subi d’IM selon l’extraction manuelle de données des DME. Comme les deux sources de données comportent des limites, nous avons calculé la concordance kappa entre les données des DME et les données administratives. Toutes les proportions ont été calculées avec des intervalles de confiance (IC à) à 95 % à l’aide de la méthode d’approximation binomiale du SAS, version 9.1. Toutes les analyses ont été faites à l’aide du logiciel SAS, version 9.1.

Cette étude a été approuvée sur le plan de l’éthique par le conseil sur l’éthique en recherche du Centre Sunnybrook des sciences de la santé.

Résultats

Parmi les 969 patients de notre échantillon de référence, 58 avaient une preuve quelconque d’IM consignée dans leur DME. Après avoir examiné la qualité des preuves d’IM , nous avons constaté que le fait d’exclure les patients pour lesquels les preuves étaient faibles ou dont l’unique preuve était le tracé de l’ECG permettait d’obtenir la sensibilité la plus élevée (60,8 %, IC à 95 % : 47,474,2) tout en sacrifiant le moins la VPP (88,6 %, IC à 95 % : 78,099,1) (tableau 1). Par conséquent, nous avons adopté ce degré de qualité pour les preuves provenant des DME afin de comparer leur exactitude avec celle d’autres sources de données administratives servant également à repérer les patients ayant subi un IM (tableau 2). De manière générale, les résultats obtenus en utilisant uniquement les dossiers de congé d’hôpital pour repérer les patients ayant subi un IM ne semblent pas assez sensibles et entraînent probablement une sousestimation du nombre réel d’IM dans la population. Ainsi, seuls 31 des 51 patients repérés dans notre échantillon de référence comme ayant subi un IM avaient un congé portant cette mention.

 

Tableau 1
Tests utilisant diverses qualités de preuves d’IM extraites des DME pour établir l’échantillon de référence
Qualité des preuves extraites des DME Nombre de patients Sensibilité % (IC à 95 %) Spécificité % (IC à 95 %) VPP % (IC à 95 %) VPN % (IC à 95 %)
Patients ayant une preuve quelconque d’IM 58 53,4 (40,6 - 66,3) 99,6 (99,1 - 100,0) 88,6 (78,0 - 99,1) 97,1 (96,0 - 98,2)
Patients ayant subi un IM, à l’exclusion de ceux dont l’unique preuve est le tracé de l’ECG 56 55,4 (42,3 - 68,4) 99,6 (99,1 - 100,0) 88,6 (78,0 - 99,1) 97,3 (96,3 - 98,4)
Patients ayant subi un IM, à l’exclusion de ceux dont l’unique preuve est le tracé de l’ECG et de ceux dont la preuve d’IM est faible 51 60,8 (47,4 - 74,2) 99,6 (99,1 - 100,0) 88,6 (78,0 - 99,1) 97,9 (96,9 - 98,8)
Patients ayant subi un IM, à l’exclusion de ceux dont l’unique preuve est le tracé de l’ECG, de ceux dont la preuve d’IM est faible et de ceux dont l’IM est signalé uniquement dans le profil cumulatif 45 62,2 (48,1 - 76,4) 99,2 (98,7 - 99,8) 80,0 (66,7 - 93,3) 98,2 (97,3 - 99,0)

Abbreviations: DME, dossier médical électronique; ECG, électrocardiogramme; IC, intervalle de confiance; IM, infarctus du myocarde; VPN, valeur prédictive négative; VPP, valeur prédictive positive.

Note : N = 969 (échantillon de référence)

 

Tableau 2
Comparaison des fréquences d’infarctus du myocarde chez les patients en fonction des données extraites des DME (échantillon de référence) et celles extraites des congés d’hôpital
  Patients dont la preuve d’IM repose sur les données extraites des DME, à l’exception de ceux dont l’unique preuve est le tracé de l’ECG et de ceux dont la preuve d’IM est faible  
Avec preuve d’IM Sans preuve d’IM
Patients dont la preuve d’IM repose sur les données d’un dossier de congé d’hôpital Avec preuve d’IM 31 4 88,6% VPP
Sans preuve d’IM 20 914 97,9% VPN
  60,8% Sensibilité 99,6% Spécificité  

Abréviations : DME, dossier médical électronique; ECG, électrocardiogramme; IM, infarctus du myocarde; VPN, valeur prédictive négative; VPP, valeur prédictive positive.

Note : N = 969 (effectif de l’échantillon de référence)

 

Les résultats des tests de fiabilité effectués en utilisant les sources administratives secondaires en plus des données des congés sont présentés dans le tableau 3. Le faible gain de sensibilité obtenu par l’ajout des données du SNISA ou du SDS (62,7 %, IC à 95 % : 49,5-76,0) se traduisait par une baisse semblable de la VPP (84,2 %, IC à 95 % : 72,6-95,8), ce qui montre que l’utilisation de ces bases de données administratives n’améliore pas l’exactitude des calculs.

 

Tableau 3
Tests d’exactitude pour l’ajout d’une demande du SNISA ou du SDS à un dossier de congé d’hôpital*
Algorithme fondé sur les données administratives Sensibilité % (IC à 95 %) Spécificité % (IC à 95 %) VPP % (IC à 95 %) VPN % (IC à 95 %) Valeur kappa (IC à 95 %)
Dossier de congé d’hôpital ou SNISA 62,7 (49,5 - 76,0) 99,3 (98,8 - 99,9) 84,2 (72,6 - 95,8) 98,0 (97,1 - 98,9) 0,71 (0,60 - 0,82)
Dossier de congé d’hôpital ou SDS 60,8 (47,4 - 74,2) 99,6 (99,1 - 100,0) 88,6 (78,0 - 99,1) 97,9 (96,9 - 98,8) 0,71 (0,60 - 0,82)
Dossier de congé d’hôpital ou SNISA ou SDS 62,7 (49,5 - 76,0) 99,3 (98,8 - 99,9) 84,2 (72,6 - 95,8) 98,0 (97,1 - 98,9) 0,71 (0,60 - 0,82)

Abréviations : IC, intervalle de confiance; IM, infarctus du myocarde; SDS , chirurgies d’un jour; SNISA, Système national d’information sur les soins ambulatoires; VPN, valeur prédictive négative; VPP, valeur prédictive positive.

* Échantillon de référence : preuve d'IM consignée dans le dossier DME par une note d'un spécialiste du cœur, un sommaire de congé d'hôpital ou le profil cumulatif du patient (prévalence = 5,3 %).

 

L’ajout d’une seule demande augmentait la sensibilité de façon importante (86,3 %, IC à 95 % : 76,8-95,7), mais faisait chuter la VPP à un niveau inacceptable (41,5 %, IC à 95 % : 32,1-50,9) (tableau 4). Le fait d’ajouter deux demandes de remboursement des médecins pour des IM augmentait la sensibilité de 20 points (82,4 %, IC à 95 % : 71,9-92,8), mais faisait baisser la VPP de plus de 25 points (60,9 %, IC à 95 % : 49,4-72,4) par rapport à la seule utilisation du dossier de congé d’hôpital. L’ajout d’une année supplémentaire pour la deuxième demande de remboursement afin de respecter la définition de cas n’a pas amélioré la sensibilité (82,4 %, IC à 95 % : 71,9-92,8) et a fait baisser légèrement la VPP (59,2 %, IC à 95 % : 47,7-70,6) par rapport à l’utilisation de deux demandes de remboursement au cours d’une période d’un an. Le fait d’ajouter une troisième demande de remboursement a réduit la sensibilité de 2 points (80,4 %, IC à 95 % : 69,5-91,3), mais a fait croître la VPP de 6 points (66,1 %; IC à 95 % : 54,3-77,9) par rapport à l’utilisation de deux demandes au cours d’une période d’un an ou d’un dossier de congé d’hôpital.

 

Tableau 4
Tests d’exactitude pour l’ajout des demandes de remboursement des médecins aux dossiers de congé d’hôpital
Algorithme fondé sur les données administratives Sensibilité % (IC à 95 %) Spécificité % (IC à 95 %) VPP % (IC à 95 %) VPN % (IC à 95 %) Valeur kappa (IC à 95 %) Estimation de la prévalence %
Référence : dossier de congé d’hôpital seul* 60,8 (47,4 - 74,2) 99,6 (99,1 - 100,0) 88,6 (78,0 - 99,1) 97,9 (96,9 - 98,8) 0,71 (0,60 - 0,82) 5,3
1 demande de remboursement ou un dossier de congé d'hôpital 86,3 (76,8 - 95,7) 93,2 (91,6 - 94,9) 41,5 (32,1 - 50,9) 99,2 (98,6 - 99,8) 0,53 (0,43 - 0,62) 10,9
2 demandes de remboursement en 1 an ou un dossier de congé d'hôpital 82,4 (71,9 - 92,8) 97,1 (96,0 - 98,2) 60,9 (49,4 - 72,4) 99,0 (98,3 - 99,7) 0,68 (0,58 - 0,78) 7,1
2 demandes de remboursement en 2 ans ou un dossier de congé d'hôpital 82,4 (71,9 - 92,8) 96,8 (95,7 - 98,0) 59,2 (47,7 - 70,6) 99,0 (98,3 - 99,6) 0,67 (0,57 - 0,77) 7,3
3 demandes de remboursement en 1 an ou un dossier de congé d'hôpital 80,4 (69,5 - 91,3) 97,7 (96,7 - 98,7) 66,1 (54,3 - 77,9) 98,9 (98,2 - 99,6) 0,71 (0,61 - 0,81) 6,6
1 demande de remboursement, à l'hôpital ou en salle d'urgence ou par un spécialiste, ou un dossier de congé d'hôpital 84,3 (74,3 - 94,3) 95,1 (93,7 - 96,5) 48,9 (38,4 - 59,3) 99,1 (98,5 - 99,7) 0,59 (0,49 - 0,69) 9,1
2 demandes de remboursement en 1 an, à l'hôpital ou en salle d'urgence ou par un spécialiste, ou un dossier de congé d'hôpital 80,4 (69,5 - 91,3) 97,6 (96,6 - 98,6) 65,1 (53,3 - 76,9) 98,9 (98,2 - 99,6) 0,70 (0,60 - 0,80) 6,5
2 demandes de remboursement en 1 an, dont au moins une à l'hôpital ou en salle d'urgence ou par un spécialiste, ou un dossier de congé d'hôpital 82,4 (71,9 - 92,8) 97,6 (96,6 - 98,6) 65,6 (54,0 - 77,3) 99,0 (98,4 - 99,7) 0,71 (0,62 - 0,81) 6,6
3 demandes de remboursement en 1 an, à l'hôpital ou en salle d'urgence ou par un spécialiste, ou un dossier de congé d'hôpital 78,4 (67,1 - 89,7) 98,1 (97,3 - 99,0) 70,2 (58,3 - 82,1) 98,8 (98,1 - 99,5) 0,73 (0,63 - 0,82) 5,9
3 demandes de remboursement en 1 an, dont au moins une à l'hôpital ou en salle d'urgence ou par un spécialiste, ou un dossier de congé d'hôpital 80,4 (69,5 - 91,3) 98,0 (97,1 - 98,9) 69,5 (57,7 - 81,2) 98,9 (98,2 - 99,6) 0,73 (0,63 - 0,83) 6,1

Abréviations : IC, intervalle de confiance; IM, infarctus du myocarde; VPN, valeur prédictive négative; VPP, valeur prédictive positive.

* Échantillon de référence : preuve d'IM consignée dans le DME par une note d'un spécialiste du cœur, un sommaire de congé d’hôpital ou le profil cumulatif du patient (prévalence = 5,3 %) comme étalon de référence.

 

Le fait d’exiger que la demande de remboursement du médecin provienne d’un spécialiste ou d’un généraliste/médecin de famille ayant vu le patient en milieu hospitalier ou en salle d’urgence a fait baisser légèrement la sensibilité (84,3 %, IC à 95 % : 74,3-94,3), mais a fait croître la VPP de façon légèrement supérieure (48,9 %, IC à 95 % : 38,4-59,3) par rapport à l’utilisation de demande de remboursement sans égard au lieu ou au type de médecin. Le fait d’exiger qu’une seule demande de remboursement sur les deux (cas de deux demandes) réponde à ce critère augmentait légèrement la VPP (65,6 %, IC à 95 % : 54,0-77,3) tout en sacrifiant peu la sensibilité (82,4 %, IC à 95 % : 71,9-92,8). C’est finalement en utilisant trois demandes de remboursement en un an, dont au moins une provenait d’un spécialiste ou d’une consultation en milieu hospitalier ou en salle d’urgence, que nous avons obtenu la plus forte augmentation de sensibilité (80,4 %, IC à 95 % : 69,591,3) tout en sacrifiant le moins la spécificité (98,0 %, IC à 95 % : 97,1-98,9) et la VPP (69,5 %, IC à 95 % : 57,7-81,2) par rapport à la seule utilisation d’un dossier de congé d’hôpital pour identifier les patients qui avaient subi un IM.

Analyse

Comme c’était le cas pour le recensement d’autres maladies chroniques telles que le diabète19b et l’hypertension18b, cette étude de validation montre que les données de facturation des médecins aident à repérer les patients ayant subi un IM non consigné dans les données de congé des hôpitaux et qui ne pourraient autrement être recensés. Compte tenu des effets néfastes des IM silencieux ou non diagnostiqués sur la mortalité à long terme et sur les événements cardiaques graves14c,16b,17b, le fait de mieux connaître le taux d’incidence des IM dans une population a des conséquences importantes sur la planification des services de santé et sur l’évaluation des stratégies de prévention et de traitement secondaires et des mesures de la qualité. Nos résultats indiquent que l’ajout des dossiers des services d’urgence ne permet pas de repérer avec plus d’exactitude les patients ayant subi un IM. C’est pourquoi les provinces ne possédant pas de tels dossiers pourront néanmoins repérer les patients touchés à partir de leurs données administratives.

De manière générale, les données administratives permettent de mieux évaluer la fréquence des IM au sein d’une population. Il convient de souligner que la VPP des algorithmes fondés sur les données administratives utilisant les demandes de remboursement des médecins pourrait ne pas être suffisamment élevée pour empêcher l’accumulation des faux positifs. Cela pourrait entraîner une surestimation du nombre réel d’IM dans une population. Cependant, comme la sensibilité de ces algorithmes se situait dans les 80 % — ce qui indique que tous les cas ne sont pas recensés — la surdéclaration possible pourrait ne pas être très élevée. De plus, les données administratives se limitent aux patients qui ont eu un contact avec le système de santé : il se peut qu’au sein de la population générale certaines personnes aient subi un IM sans consulter un médecin ou sans qu’un médecin leur ait diagnostiqué un IM.

Il s’avère difficile de comparer les résultats que nous avons obtenus aux études de validation antérieures, car ces dernières se servaient d’un échantillon de référence fondé sur les dossiers hospitaliers ou sur les registres cliniques de patients ayant été hospitalisés mais aucune ne s’est penchée sur l’utilisation des demandes de remboursement des médecins pour repérer les patients ayant subi un IM sans avoir été hospitalisés. Une étude de validation effectuée en Ontario a retenu le code I21 de la CIM10 pour repérer les diagnostics principaux ou secondaires d’IM aigu et a obtenu une sensibilité de 89 % et une VPP de 87 % pour le diagnostic principal, et une sensibilité de 78 % et une VPP de 76 % en utilisant le dossier hospitalier comme échantillon de référence. Ces résultats sont plus élevés que les nôtres, car les sources de données se limitaient aux patients hospitalisés pour un IM 1b. Nos résultats, fondés sur une comparaison entre les données de facturation des médecins travaillant en milieu hospitalier, les dossiers de congé d’hôpital et un échantillon de référence fondé sur la facturation par les médecins de famille, sont semblables à ceux obtenus dans une étude australienne qui a utilisé les données des registres comme échantillon de référence et dont la sensibilité s’est établie à 79 % et la VPP à 66 % pour les cas d’IM aigu repérés à l’aide des codes diagnostiques des hôpitaux.10b. Notre étude a aussi obtenu des résultats similaires à ceux d’une étude effectuée aux États-Unis dans laquelle on comparait les données provenant des codes fournis par les médecins de l’hôpital aux dossiers de congé d’hôpital comme échantillon de référence : la sensibilité était de 81 % et la VPP de  55 %5b.

Limites

Nous avons utilisé les données d’un échantillon aléatoire de dossiers provenant de médecins qui se servaient d’un logiciel de DME bien précis. Nous ne savons pas si ces médecins attribuaient les codes de la même façon que leurs collègues se servant d’un autre logiciel de DME ou n’en utilisant aucun. Toutefois, il est peu probable que la population de patients ou la fréquence de la maladie soient différentes pour les médecins qui utilisent un logiciel par rapport à ceux qui n’en utilisent pas.

Deuxièmement, il se peut que certaines des preuves faibles d’IM ou des preuves révélées uniquement par un ECG deviennent, avec le temps, des IM avérés ou des IM silencieux. La consignation de ces cas dans les DME peut dépendre de la durée du recours à un DME pour un patient, de la façon dont le médecin a consigné les antécédents médicaux des patients dans les DME ou encore du moment où les anomalies ont été consignées par rapport à la date du téléchargement des données pour l’étude.

Troisièmement, nous n’avons pas été en mesure de respecter entièrement les critères de l’OMS relatifs aux IM, car seule l’interprétation des formes d’ondes de l’ECG est habituellement consignée dans les DME (les valeurs de troponine ne le sont pas).

Quatrièmement, les données de l’ICIS n’étaient disponibles que depuis 1988 et celles du RAMO depuis 1991. Les patients ayant subi un IM avant ces dates pourraient donc ne pas figurer dans les données administratives.

Enfin, nous n’avons pas tenu compte dans notre analyse des 52,1 personnes pour 100 000 mortes d’un IM au cours de leur transport vers l’hôpital 23, car nos données se limitaient aux patients inscrits dans les DME des médecins et les dossiers des patients décédés pourraient avoir été retirés de la base.

Malgré ces limites, les données consignées dans les DME semblent être assez nombreuses et raisonnablement complètes pour servir à valider des algorithmes de détermination de cas à l’aide de données administratives. L’utilisation combinée des dossiers de congé des hôpitaux et des données de facturation des médecins permet de repérer un plus grand nombre de cas d’IM que si on se limite aux seuls patients ayant été hospitalisés : elle pourrait donc être utile pour mieux évaluer l’incidence globale des IM et son évolution.

Remerciements

Ces travaux ont bénéficié d’une subvention d’équipe pour la recherche sur les maladies cardiovasculaires, attribuée par les Instituts de recherche en santé du Canada à l’Équipe canadienne de recherche sur les résultats des interventions en santé cardiovasculaire, ainsi que d’une subvention de l’Agence de la santé publique du Canada. L’étude a aussi bénéficié du sou- tien de l’Institut de recherche en services de santé (IRSS), qui est financé par une subvention annuelle du ministère de la Santé et des Soins de longue durée de l’Ontario (MSSLDO).

Les opinions, résultats et conclusions de l’étude n’engagent cependant que les auteurs et sont indépendants des sources de financement. Ils ne sont pas le reflet de la position de l’IRSS ou de celle du MSSLDO.

Le Dr Douglas Lee est clinicienchercheur aux Instituts de recherche en santé du Canada. Le Dr Jack Tu bénéficie d’une chaire de recherche du Canada sur les services de santé et d’une bourse de chercheur de carrière de la Fondation des maladies du cœur de l’Ontario.

Références

  1. a,b Juurlink D, Preyra C, Croxford R, Chong A, Austin P, Tu J, Laupacis A. Canadian Institute for Health Information Discharge Abstract Database: a validation study. Toronto (ON): Institute for Clinical Evaluative Sciences; 2006 Jun.
  2. ^ Humphries KH, Rankin JM, Carere RG, Buller CE, Kiely FM, Spinelli JJ. Co-morbidity data in outcomes research: are clinical data derived from administrative databases a reliable alternative to chart review? J Clin Epidemiol. 2000;53:343-9.
  3. ^ Quan H, Li B, Saunders LD, Parsons GA, Nilsson CI, Alibhai A, Ghali WA; IMECCHI Investigators. Assessing validity of ICD-9-CM and ICD-10 administrative data in recording clinical conditions in a unique dually coded database. Health Serv Res. 2008;43:1424-41.
  4. ^ Kennedy GT, Stern MP, Crawford MH. Miscoding of hospital discharges as acute myocardial infarction: implications for surveillance programs aimed at elucidating trends in coronary artery disease. Am J Cardiol. 1984;53:1000-2.
  5. a,b Pladevall M, Goff DC, Nichaman MZ, Chan F, Ramsey D, Ortiz C, Labarthe DR. An assessment of the validity of ICD Code 410 to identify hospital admissions for myocardial infarction: The Corpus Christi Heart Project. Int J Epidemiol. 1996;25:948-52.
  6. ^ Tu JV, Austin P, Naylor CD, Iron K, Zhang H. Acute myocardial outcomes in Ontario. In: Naylor CD, Slaughter PM, editors..Cardiovascular health and services in Ontario: an ICES atlas. Toronto (ON): Institute for Clinical Evaluative Sciences; 1999. p. 25-9.
  7. ^ Austin PC, Daly PA, Tu JV. A multicenter study of the coding accuracy of hospital discharge administrative data for patients admitted to cardiac care units in Ontario. Am Heart J. 2002;144:290-6.
  8. ^ Madsen M, Davidsen M, Rasmussen S, Abildstrom SZ, Osler M. The validity of the diagnosis of acute myocardial infarction in routine statistics: a comparison of mortality and hospital discharge data with the Danish MONICA registry. J Clin Epidemiol. 2003;56:124-30.
  9. ^ Lindblad U, Rastam L, Ranstam J, Peterson M. Validity of register data on acute myocardial infarction and acute stroke: the Skaraborg Hypertension Project. Scand J Soc Med. 1993;21:3-9.
  10. a,b Boyle CA, Dobson AJ. The accuracy of hospital records and death certificates for acute myocardial infarction. Aust N Z J Med. 1995;25:316-23.
  11. ^ Beaglehole R, Stewart AW, Walker P. Validation of coronary heart disease hospital discharge data. Aust N Z J Med. 1987;17:43-6.
  12. ^ Kannel WB, Abbott RD. Incidence and prognosis of unrecognized myocardial infarction. An update on the Framingham study. N Engl J Med. 1984;311:1144-7.
  13. ^ Sheifer SE, Manolio TA, Gersh BJ. Unrecognized myocardial infarction. Ann Intern Med. 2001;135:801-11.
  14. a,b,c Feringa HH, Karagiannis SE, Vidakovic R, Elhendy A, ten Cate FJ, Noordzij PG, van Domburg RT, Bax JJ, Poldermans D. The prevalence and prognosis of unrecognized myocardial infarction and silent myocardial ischemia in patients undergoing major vascular surgery. Coron Artery Dis. 2007;18:571-6.
  15. ^ de Torbal A, Boersma E, Kors JA, G van Herpen G, Deckers JW, van der Kuip DA, Stricker BH, Hofman A, Witteman JC. Incidence of recognized and unrecognized myocardial infarction in men and women aged 55 and older: the Rotterdam Study. Eur Heart J. 2006;27:729-36.
  16. a,b Sheifer SE, Gersh BJ, Yanez ND, Ades PA, Burke GL, Manolio TA. Prevalence, predisposing factors and prognosis of clinically unrecognized myocardial infarction in the elderly. J Am Coll Cardiol. 2000;35:119-26.
  17. a,b Kim HW, Klem I, Shah DJ, Wu E, Meyers SN, Parker MA, Crowley AL, Bonow RO, Judd RM, Kim RJ. Unrecognized non-Q-wave myocardial infarction: prevalence and prognostic significance in patients with suspected coronary disease. PLoS Medicine. 2009;6:e1000057.
  18. a,b Tu K, Campbell NRC, Chen Z, Cauch-Dudek KJ, McAlister FA. Accuracy of administrative databases in identifying patients with hypertension. Open Med. 2007;1:e18-26.
  19. a,b Hux JE, Ivis F, Flintoft V, Bica A. Diabetes in Ontario: determination of prevalence and incidence using a validated administrative data algorithm. Diabetes Care. 2002;25:512-6.
  20. ^ Loi de 2004 sur la protection des renseignements personnels sur la santé. L. O. 2004, chap.3, Annexe A [Internet]. [Citée le 17 juin 2009] Consultable en ligne à la page : http://www.e-laws.gov.on.ca/html/statutes/french/elaws_statutes_04p03_f.htm.
  21. ^ Institute for Clinical Evaluative Sciences. Privacy code: protecting personal health information at ICES. Toronto (ON): Institute for Clinical Evaluative Sciences; 2008 Sep[Cité le 17 juin 2009] PDF téléchargeable à partir de la page : http://www.ices.on.ca/file/ICES%20Privacy%20Code%20Version%204.pdf
  22. ^ Chan BT, Schultz SE. Supply and utilization of general practitioner and family physician services in Ontario. ICES Investigative Report. Toronto (ON): Institute for Clinical Evaluative Sciences; 2005 Aug.
  23. ^ Nichol G, Thomas E, Callaway CW, Hedges J, Powell JL, Aufderheide TP, Rea T, Lowe R, Brown T, Dreyer J, Davis D, Idris A, Stiell I; Resuscitation Outcomes Consortium Investigators. Regional variation in out-of-hospital cardiac arrest incidence and outcome. JAMA. 2008;300:1423-31.
Signaler un problème ou une erreur sur cette page
Veuillez sélectionner toutes les cases qui s'appliquent :

Merci de votre aide!

Vous ne recevrez pas de réponse. Pour toute question, contactez-nous.

Date de modification :