PARTIE 4. CONSOMMATION DE SOINS APRÈS HOSPITALISATION POUR
4.8 Méthode : Consommation hospitalière post-hospitalisation
4.8.1 Durée d’hospitalisation post-hospitalisation
Afin d’estimer l’excès de jours d’hospitalisation induit par l’antibiorésistance, la durée d’hospitalisation cumulée (MCO, IMCO, SSR et HAD) a été comparée chez les cas et les témoins pour toutes activités hospitalières confondues et chaque activité hospitalière. À la différence de la partie 4.5.1, les hospitalisations de jour ont été décomptées comme une journée entière d’hospitalisation. La population d’analyse était l’échantillon global c’est-à-dire tous les patients, cas et témoins, avec ou sans hospitalisation au cours du suivi.
Au regard de la distribution des variables dépendantes étudiées (durées d’hospitalisation), le modèle linéaire n’est pas adapté [175]. En effet, elle présente une large proportion d’observations nulles (cf. Annexe 6) et une asymétrie avec un décalage vers la droite (un faible nombre de patients avec des durées d’hospitalisation très longues). Dans ce cadre, les modèles linéaires généralisés (MLG) sont bien adaptés et en particulier le modèle de Poisson. Les estimations des paramètres ont été réalisées par une méthode basée sur la quasi-vraisemblance [175,176].
Dans le cadre d’une approche incrémentale, une comparaison de moyennes prédites par un modèle multivarié a été effectuée. Les variables d’ajustement étaient :
- L’âge, 6 classes sont considérées, [18-35] ans; [36-55]; [56-65]; [66-75]; [76-85]; ≥ 86), - Le sexe,
- Le score de Charlson, 4 classes sont considérées : 0; [1–2]; [3–4]; ≥ 5,
- Le nombre d’hospitalisations (en MCO, SSR ou HAD) durant l’année avant l’hospitalisation de référence, 4 classes sont considérées : 0 hospitalisation ; 1 ; [2-3]; ≥ 4,
- Les catégories d’infection, 6 classes, cf. partie 4.3.1,
- Le germe identifié classé en famille de germes, 4 classes, cf. partie 4.3.1,
- Le statut juridique de l’établissement de l’hospitalisation de référence, 2 classes considérées : public ou privé.
119
Pour estimer le nombre de journées supplémentaires induit par l’antibiorésistance par catégorie d’infections, une interaction entre la résistance et la catégorie d’infections a été introduite dans le modèle. Enfin, l’hospitalisation dans les activités en MCO, SSR ou HAD étant exclusive, les analyses par activités ont pris en compte la durée cumulée d’hospitalisation dans les autres activités que celle d’intérêt. Par exemple, dans le modèle qui s’intéresse à la durée d’hospitalisation en MCO, nous avons ajusté sur la durée d’hospitalisation sur l’année de suivi en IMCO, SSR et HAD. Cette variable n’était pas incluse dans le modèle quand la variable à expliquer était la durée d’hospitalisation cumulée tous secteurs confondus.
À partir des estimations des paramètres du modèle, les différences associées à chaque variable par rapport à la catégorie de référence sont présentées. Elles sont obtenues en calculant les valeurs exponentielles des estimations des paramètres moins 1 et exprimées en pourcentage, et leur intervalle de confiance à 95 % ont aussi été présentés.
Le nombre de jours supplémentaires lié à la résistance pour chaque catégorie d’infections a été obtenu en calculant les valeurs exponentielles de l’estimation de la constante (intercept) additionnée à l’estimation du paramètre associé au terme d’interaction. La variance associée a été approchée par la Delta méthode [177,178] et a permis de calculer les intervalles de confiance à 95 %.
Une analyse de sensibilité a été effectuée où un modèle de Poisson zéro-inflaté a été réalisé afin de tenir de l’inflation de durée d’hospitalisation nulle. Ce modèle correspond à un modèle en deux parties, avec deux modèles distincts : un modèle logistique estimant la probabilité d’être réhospitalisé, et un modèle de Poisson pour estimer la durée d’hospitalisation sachant qu’elle est non nulle.
4.8.2 Dépense hospitalière post-hospitalisation
La dépense hospitalière attribuable à l’antibiorésistance après l’hospitalisation pour infection incidente a été estimée à partir de l’échantillon global. Les dépenses prises en compte étaient les dépenses cumulées en MCO, IMCO, HAD et leur total cumulé durant l’année de suivi. Les hospitalisations de jour ont été décomptées dans les postes de dépense. Le SSR n’étant pas valorisé par la T2A, cette activité n’a pas pu être prise en compte dans cette étude.
120
Dans notre échantillon, une majorité des patients n’ont pas été hospitalisés au cours de l’année de suivi, présentant donc une dépense hospitalière de 0 €. La distribution de la dépense hospitalière était donc une variable non nulle, avec une inflation en 0. C’est pourquoi nous avons utilisé un modèle en deux parties.
Le modèle en deux parties permet de traiter les observations à 0 € et les observations strictement supérieures à 0 € avec deux processus différents [179]. Le modèle global est composé d’un modèle qui permet l’analyse de la probabilité d’avoir une dépense hospitalière non nulle puis un autre modèle permet d’analyser les dépenses sachant qu’elles sont non nulles.
Dans notre étude, la première partie du modèle estime la probabilité d’être hospitalisé par un modèle de régression logistique, et la seconde partie qui estime le niveau de dépense estimé par un MLG avec fonction log-normal [175,176]. L’estimation de la dépense hospitalière moyenne correspond au produit des estimations de la probabilité d’être hospitalisé et du niveau de dépense comme montré dans l’équation 4.4 :
Équation 4.4 Estimation de la dépense hospitalière cumulée moyenne par un modèle en deux parties
(1) 𝐸(y
𝑖|𝑅𝑖, X
𝑗𝑖) = Pr (y
𝑖> 0 | R
𝑖, X
𝑗𝑖) E (y
𝑖|R
𝑖, X
𝑗𝑖, y
𝑖> 0)
Où :(2) 𝑃𝑟 (y
𝑖> 0 | R
𝑖, X
𝑗𝑖) = 1
1 + 𝑒𝑥𝑝{−(𝛼 + 𝛽𝑅
𝑖+ ∑
𝑘𝛾
𝑗𝑋
𝑗𝑖)}
𝑗=1(3) 𝐸(y
𝑖|R
𝑖, X
𝑗𝑖, y
𝑖> 0) = 𝑒𝑥𝑝(𝛼
∗+ 𝛽
∗𝑅
𝑖+ ∑ 𝛾
𝑗∗𝑋
𝑗𝑖 𝑘 𝑗=1)
Avec :i
, l’indice de l’individu (1, …, n)j,
indice de la covariable (1, …, k)𝑦
𝑖,
la dépense hospitalière cumulée de l’individu i𝑅
𝑖, l’indicateur du groupe de patients.𝑅
𝑖= 1
quand le patient est un cas (avec antibiorésistance) et𝑅
𝑖= 0
quand le patient est un témoin (sans antibiorésistance)121
𝑋
𝑗𝑖,
laco-variable j de l’individu i𝑃𝑟 (𝑦
𝑖> 0 | 𝑅
𝑖, 𝑋
𝑗𝑖),
la probabilité conditionnelle d’être hospitaliséα
, l’intercept du modèle logistique (constante)𝛽
, le paramètre associé à l’effet de l’antibiorésistance𝑅
𝑖 dans le modèle logistique𝛾
𝑗, le paramètre associé à l’effet de la covariable𝑋
𝑗,𝑖 dans le modèle logistique𝐸(𝑦
𝑖|𝑅
𝑖, 𝑋
𝑗𝑖, 𝑦
𝑖> 0),
l’espérance de la dépense de l’individu i sachant qu’elle est non-nul et connaissant𝑅
𝑖 et𝑋
𝑗𝑖𝛼
∗, l’intercept du modèle linéaire généralisé avec fonction log-normal (constante)𝛽
∗,
le paramètre associé à l’effet de l’antibiorésistance𝑅
𝑖 dans le modèle linéaire généralisé avec fonction log-normal𝛾
𝑗∗,
le paramètre associé à l’effet de la covariable𝑋
𝑗𝑖 dans le modèle linéaire généralisé avec fonction log-normalLes variables dépendantes
𝑦
𝑖 étaient les dépenses, tronqués à 1 an, en MCO, IMCO, HAD et leur total cumulé. Nous avons ajusté chaque modèle par les mêmes co-variables𝑋
𝑗𝑖 que dans la partie précédente (cf. 4.8.1), c’est-à-dire en prenant en compte l’âge, le sexe, le score de Charlson, le nombre d’hospitalisation en MCO, SSR ou HAD durant l’année précédant l’hospitalisation de référence, les catégories d’infections (6 classes, cf. partie 4.3.1), le germe identifié classé en famille de germes (4 classes, cf. partie 4.3.1), le statut juridique de l’établissement de l’hospitalisation de référence. Comme précédemment, nous avons introduit une variable relative à la durée cumulée d’hospitalisation dans les autres activités (4 classes : 1er quartile, 2ème, 3ème, 4ème) dans les modèles spécifiques à un secteur d’activité (MCO, IMCO, HAD) en prenant en compte la durée d’hospitalisation en SSR. L’interaction de la résistance et des catégories d’infection n’étant pas significative dans des analyses préliminaires, elle n’a pas été incluse dans le modèle.122