Dans le tableau 4.4, les résultats des estimations sont reportés pour la spécification sans variable instrumentale pour les modèles n’ayant pas de problème d’endogénéité, soient ceux pour les accidents et les décès. On remarque d’ailleurs l’absence de la variable ResidusHS. Ce qui est intéressant dans les coefficients des variables de contrôle estimés dans cette spécification, c’est que la plupart conservent sensiblement la même valeur, le même signe de même que le même niveau de significativité que leur estimation par la méthode des variables instrumentales. Ces coefficients sont donc robustes à la spécification.
Pour ce qui est de notre variable d’intérêt, les heures supplémentaires, ont voit que dans les deux cas, la spécification sans variable instrumentale trouve un effet positif et significatif des heures supplémentaires sur la probabilité de subir un accident ou de décéder. Cet effet est toutefois à considérer avec précaution pour les décès, puisque le signe de même que l’ampleur du coefficient a changé passablement avec le changement de spécification. Il est donc possible que ce paramètre soit plus sensible. D’ailleurs, la mort d’un enfant étant un évènement non négligeable, il est plus probable qu’un décès soit expliqué par des variables plus importantes que des fluctuations dans les heures supplémentaires.
Cependant, pour les accidents, le coefficient reste stable alors qu’uniquement son niveau de significativité change. Ce résultat pourrait laisser penser que cet effet est plus fiable, et que le changement du niveau de significativié est causé par un phénomène de forte colinéarité. En
Table 4.4: Résultats : Sans variables instrumentales
Accident Décès
Variable Coefficient (Écart-type) Coefficient (Écart-type) Heures_Sup 0.003∗∗∗ (0.001) 0.003∗∗ (0.001) Poids 0.000 (0.000) 0.000 (0.000) Cesarienne 0.009 (0.038) -0.089 (0.081) Feminin 0.019 (0.032) 0.011 (0.064) Jumeau -0.102∗∗ (0.044) -0.142 (0.098) GA -0.018∗∗ (0.008) 0.009 (0.017) NouveauNe -0.159∗∗∗ (0.045) -0.277∗∗∗ (0.074) Soir -0.043 (0.039) 0.109 (0.078) Nuit 0.026 (0.041) 0.159∗∗ (0.078) FDS -0.010 (0.054) -0.199∗ (0.119) Fev -0.070 (0.092) 0.090 (0.174) Mar -0.009 (0.086) 0.098 (0.165) Avr -0.037 (0.095) 0.150 (0.161) Mai 0.072 (0.080) 0.196 (0.152) Jun 0.117 (0.080) 0.100 (0.166) Jul 0.053 (0.079) 0.111 (0.158) Aou 0.005 (0.077) 0.041 (0.164) Sep 0.021 (0.077) 0.066 (0.161) Oct 0.037 (0.082) -0.007 (0.181) Nov 0.012 (0.079) -0.072 (0.184) Dec 0.055 (0.082) -0.024 (0.179) NbrInfect 0.021 (0.038) 0.044 (0.080) NbrAcc 0.048∗∗ (0.024) 0.051 (0.052) Occupation -0.006 (0.008) -0.065∗∗∗ (0.013) Adm_Trans 0.005 (0.007) 0.028∗∗ (0.013) Heures_Reg 0.000 (0.001) 0.002∗∗ (0.001) MOcc -0.008 (0.011) 0.049∗∗ (0.025) MAdm -0.015 (0.026) 0.040 (0.065) MHReg 0.005∗∗∗ (0.001) -0.003∗∗ (0.001) Intercept -3.610∗∗∗ (0.459) -2.279∗∗ (1.057) Niveau de significativité : ∗ : 10% ∗∗ : 5% ∗ ∗ ∗ : 1%
effet, en introduisant les résidus de la première étape, il est possible que leurs variations suivent de près celles des heures supplémentaires et donc captent une part importante de ces dernières sans apporter plus d’information au modèle. Leur retrait aurait ainsi permis de résoudre le problème. Enfin, pour ce qui est des effets partiels aux moyennes, nous les présentons dans le tableau 4.5.
Les effets partiels aux moyennes présentés dans ce chapitre sont à considérer avec attention. À première vue, ils peuvent sembler faibles. Cependant, il faut d’une part rappeler que ces effets sont ceux des heures supplémentaires sur la probabilité de subir un évènement indé-
Table 4.5: Effets partiels : Sans variables instrumentales Modèle dydx Écart-type z p-value Accident 0.000043 8.90e-06 4.83 0.000
Décès 7.63e-06 3.55e-06 2.15 0.032
sirable lorsque l’ensemble des variables explicatives sont à leur moyenne. De l’hétérogénéité existe donc nécessairement parmi ceux-ci en fonction de la valeur que prennent ces différentes variables explicatives. D’autre part, ces effets reportent l’effet de la hausse d’une heure supplé- mentaire travaillée dans une journée sur la probabilité pour un enfant de subir un évènement indésirable cette même journée. Un enfant demeure toutefois plusieurs jours en unité, en com- pagnie de nombreux autres nouveau-nés. Ces effets, une fois considérés pour tous les enfants durant la totalité de leur séjour, pourraient s’avérer plus important qu’il n’y parait.
Ces résultats semblent donc bien établir qu’il existe un lien entre les heures supplémentaires travaillées par le personnel infirmier en unité de néonatalogie et la santé des nouveau-nés qui y sont admis. Une hausse de ces heures est associée à une hausse de la probabilité de subir un accident et de contracter une infection nosocomiale. Il est intéressant de noter que nos critiques faites à l’endroit de la littérature qui ne considérait jusqu’à présent que très peu le problème d’endogénéité étaient fondées, au moins du côté des infections. Une explication de cette présence d’endogénéité uniquement du côté des infections est que le fait de contracter une infection est expliqué en partie par l’état de santé d’un enfant. Un enfant plus malade risque d’avoir à la fois un système immunitaire moins développé et plus en demande. Ainsi, il risque également de nécessiter plus de soins, et donc d’être exposé à davantage d’heures supplémentaires. Par contre, subir un accident dépend moins de l’état de santé de l’enfant. Conséquemment, les heures supplémentaires auxquelles l’enfant est exposé ne sont pas elles- mêmes sensibles à la santé de l’enfant. Pour ce qui est des décès, le retrait des enfants étant décédés dans un délai de trois jours ou moins ne permet pas d’expliquer l’absence d’endogé- néité, puisque des résultats similaires à ceux présentés sont obtenus lorsque nous réintégrons les enfants retirés de l’analyse.
4.3
Limites
Notre modèle n’est évidemment pas parfait et s’expose à certaines critiques. Nous en revoyons trois en terminant ce chapitre et tentons d’y répondre. Premièrement, comme nous l’avons indiqué plus haut, les heures supplémentaires que nous observons sont celles travaillées par l’ensemble du personnel de l’unité de façon quotidienne. Cependant, chaque jour, un enfant en unité est assigné à une infirmière en particulier. Il est donc possible que les heures supplé- mentaires que nous utilisons pour un enfant ne soient pas celles travaillées spécifiquement par l’infirmière à laquelle il est assigné. Cependant, si le processus d’assignation est la façon dont
l’unité fonctionne en théorie, le travail d’équipe est en réalité partie intégrante du bon fonc- tionnement de l’unité. Comme exemple, on peut penser à une infirmière qui, lorsque l’un des enfants dont elle doit prendre soin tombe en détresse et nécessite de l’assistance immédiate, laisse temporairement à la charge de ses collègues le reste des enfants qu’elle doit surveiller. Un autre exemple est simplement le fait que lorsqu’une pause est prise, les enfants de l’une sont assignés à une collègue pour cette période.
Une autre critique envisageable concerne le modèle portant sur les infections. Comme date d’infection, nous avons utilisé la date à laquelle le test de bactériémie a été effectué. Cepen- dant, rien n’indique que c’est à cette date précise que l’infection a été contractée réellement. L’infection aurait pu avoir lieu dans une fenêtre de 2 ou 3 jours précédant cette date. Tout d’abord, il faut signaler que cette date est celle utilisée par les médecins dans leur analyse. Ce que nous faisons n’est donc pas particulièrement hétérodoxe. Également, pour capter un effet possible des quelques jours précédant l’infection, nous avons introduit dans notre modèle des variables quotidiennes retardées pour un, deux et trois jours. Dans aucun des cas les variables retardées ne se sont avérées significatives. Également, les effets trouvés dans les spécifications sont toujours restés les mêmes que ce soit selon le signe ou le niveau de significativité de leurs coefficients.
Enfin, il n’est pas impossible que notre modèle souffre d’un problème de variable omise. En effet, nous n’avons aucune information sur les mères de même que la période in utero précé- dant la naissance. Certaines de ces informations pourraient être pertinentes comme variables explicatives de la santé des enfants. Pour notre recherche, nous devons faire l’hypothèse que l’information que nous ne possédons pas est contenue dans les caractéristiques observées de l’enfant, notamment le poids à la naissance de même que l’âge gestationnel.
Conclusion
En somme, ce que nous avons tenté de déterminer dans ce travail, c’est qu’il existe une relation causale entre le nombre d’heures supplémentaires travaillées dans une unité de néonatalogie et la santé des patients dans cette unité. Craignant un problème d’endogénéité entre les heures supplémentaires et la santé des enfants, nous avons utilisé une spécification par variables ins- trumentales. Nous avons trouvé que les heures supplémentaires avaient un impact positif sur la probabilité de contracter une infection nosocomiale, mais ne semblaient pas avoir d’impact sur les accidents et les décès. Cependant, certains tests indiquaient que la spécification par variables instrumentales n’était pas la plus adéquate pour ces deux indicateurs. En réestimant nos modèles sans cette spécification, nous avons trouvé que les heures supplémentaires avaient également un impact positif sur la probabilité de subir un accident.
Une fois cette relation établie, il serait à présent intéressant de voir comment ces évènements indésirables affectent la durée de séjour des nouveau-nés de même que les soins qui doivent leur être prodigués. Les retours en unité seraient également intéressants à considérer. De la sorte, nous serions mieux à même d’estimer les coûts dissimulés qui sont associés aux heures supplémentaires effectuées par le personnel infirmier. Également, une étude à long terme des effets d’évènements indésirables dans les premiers instants de vie permettrait de dégager les impacts sur le développement à long terme des enfants.
Bibliographie
Aiken, L. H., Clarke, S. P., Sloane, D. M., Sochalski, J. et Sibler, J. H. (2002) ‘Hospital nurses staffing and patient mortality, nurse burnout, and job dissatisfaction’, Journal of American Medical Association, vol. 288, no. 16, Octobre, pp. 1987-1993.
Almond, D., Doyle Jr, J. J., Kowalski, A. E. et Williams, H. (2010) ‘Estimating marginal returns to medical care : Evidence from at-risk newborns’, The Quarterly Journal of Econo- mics, vol. 125, no. 2, Mai, pp. 591-634.
Bae, S.-H. (2013) ‘Presence of nurse mandatory overtime regulations and nurse and patient outcomes’, Nursing Economics, vol. 31, no. 2, Mars-Avril, pp. 59-89.
Bae, S.-H., et Fabry, D. (2013) ‘Assessing the relationships between nurse and work hours/overtime and nurse and patient outcomes : Systematic literature review’, Nursing Outlook, vol. 62, no. 2, pp. 1-19.
Berney, B. et Needleman, J. (2006) ‘Impact of Nursing Overtime on Nurse-Sensitive Patient Outcomes in New York Hospitals, 1995-2000’, Policy, Politics and Nursing, vol. 7, no. 2, pp.87- 100.
Cameron, A. C. et Trivedi, P. K. (2005) Microeconometrics : Methods and applications, Cam- bridge : Cambridge University Press.
Canadian Patient Safety Institute (2012) L’aspect économique de la sécurité des patients dans un établissement de soins de courte durée : rapport technique, Ottawa.
Chaiking, S. et Corman, H. (1991) ‘The impact of low birthweight on special education costs’, Journal of Health Economics, vol. 10, no. 3, pp. 291–311.
Cimiotti, J. P., Aiken, L. H., Sloane, D. M. et Wu. E. S. (2012) ‘Nurse staffing, burnout, and health care-associated infection’, American Journal of Infection Control, vol. 40, pp.486- 490.
Cook, A., Gaynor, M., Stephens Jr, M. et Taylor, L. (2012) ‘The effect of hospital nurse staffing mandate on patient health outcomes : Evidence from California’s minimum staffing regulation’, Journal of Health Economics, vol. 31, pp. 340-348.
Currie, J., Stabile, M., Phongsack, M. et Roos, L. L. (2010) ‘Child Health and Young Adult’, The Journal of Human Resources, vol. 45, n. 3, pp.517-548.
Deaton, A. (2013) The great escape : Health, wealth, and the origins of inequality, Prince- ton : Princeton University Press.
Dembe, A. E., Erickson, J. B., Delbos, R. G. et Banks, S. M. (2005) ‘The impact of overtime and long work hours on occupational injuries and illnesses : new evidence from the United States’, Occupational and Environmental Medicine, vol. 62, pp. 588-597.
Dorrian J., Lamond, N., van den Heuzel, C., Pincombe, J., Rogers A. E. et Dawson, D. (2006) ‘A pilot study of the safety implications of Australian nurses’ sleep and work hours’, Chronobiology International, vol. 23, no. 6, pp. 1149-1163.
Drebit, S., Ngan, K., Hay, M. et Alamgir, H. (2010) ‘Trends and costs of overtime among nurses in Canada’, Health Policy, vol. 96, pp. 28-35.
Duffield, C., Diers, D., O’Brien-Pallas, L., Aisbett, C., Roche, M., King, M., et Aisbett, K. (2011) ‘Nursing staffing, nursing workload, the work environment and patient outcomes’, Ap- plied Nursing Research, vol. 24, pp. 244-255.
Evans, W. N. et Kim, B. (2006) ‘Patient outcomes when hospitals experience a surge in admissions’, Journal of Health Economics, vol. 25, pp. 365-288.
Figlio, D., Guryan, J., Karbownik, K. et Roth, J. (2014) ‘The effects of poor neonatal health on children’s cognitive development’, American Economic Review, vol. 104, no. 12, pp. 3921-3955.
Greene, W. (2011) Économétrie, Montreuil : Pearson Education France.
Guillot, M., Gerland, P., Pelletier, F. et Saabneh, A. (2012) ‘Child mortality estimation : A global overview of infant and child mortality age patterns in light of new empirical data’, PLOS Medicine, vol. 9, iss. 8.
Hansen, L. P. (1982) ‘Large sample properties of generalized method of moments estima- tors’, Econometrica, vol. 50, no. 4, Juillet, pp. 1029-1054.
Hausman, J. A. (1978) ‘Specification tests in econometrics’, Econometrica, vol. 46, pp. 1251- 1271.
Kane, R. L., Shamliyan, T. A., Mueller, C., Duval, S. et Wilt, T. J. (2007) ‘The association of registered nurse staffing level and patient outcomes : Systematic review and meta-analysis’, Medical Care, vol. 45, no. 12, Décembre, pp. 1195-1204.
Kleibergen, F. et Paap, R. (2006) ‘Generalized reduced rank tests using the singular value decomposition’, Journal of Econometrics, vol. 133, no. 1, Juillet, pp. 97-126.
Lilley, R., Feyer, A.-M., Kirk, P. et Gander, P. (2002) ‘A survey of forest workers in New Zealand : Do hours of work, rest, and recovery play a role in accidents and injury ?’, Journal
of Safety Research, vol. 33, pp. 53-71.
Lin., H. (2014) ‘Revisiting the relationship between nurse staffing and quality of carein nursing homes : An instrumental variables approach’, Journal of Health Economics, vol. 37, pp. 13-24.
Liu, L.-F., Lee, S., Chia, P.-F., Shi, S.-C. et Yin, Y.-C. (2012) ‘Exploring the association between nurse and workload and nurse-sensitive patient safety outcome indicators’, The Jour- nal of Nursing Research, vol. 20, no. 4, Décembre, pp. 300-308.
McCormick, M. C., Brooks-Gunn, J., Workman-Daniels, K. Turner, J., et Peckham, G. J. (1992) ‘The health and developmental status of very-low-birth-weight children at school age’, Journal of the American Medical Association, vol. 267, pp. 2204-2208.
Mundlak, Y. (1978) ‘On the pooling of time series and cross section data’, Econometrica, vol. 46, pp. 69-85.
Olds, D. M. et Clarke, S. P. (2010) ‘The effect of work hours on adverse events and errors in health care’, Journal of Safety Research, vol. 41, pp.153-162.
Olshansky, S. J. et Ault, B. (1986) ‘The fourth stages of the epidemiologic transition : The age of delayed degenerative diseases’, The Milbank Quarterly, vol. 64, no. 3, pp. 355-391.
Oreopoulos, P., Stabile, M., walld, R. et Roos, L. L. (2008) ‘Short-, medium-, and long-term consequences of poor infant health’, The Journal of Human Resources, vol. 43, no. 1, pp. 88- 138.
Papke, L. E. et Wooldridge, J. M. (2008) ‘Panel data methods for fractional response va- riables with an application to test pass rates’, Journal of Econometrics, vol. 145, pp. 121-133.
Petrou, S. (2005) ‘The economic consequences of preterm birth during the first 10 years of life’, BJOG : an International Journal of Obstetrics and Gynaecology, vol. 112, Mars, pp.10-15.
Rogers, A. E., HWanh, W.-T., Scott, L. D., Aiken, L. H. et Dinges, D. F. (2004) ‘The working hours of hospital staff nurses and patient safety’, Health Affairs, vol. 23, no. 4, Juillet-Aout, pp. 202-212.
Russell, R. B., Green, N. S., Steiner, C. A., Meikle, S., Howse, J. L., Poschman, K., Dias, T., Potetz, L., Davidoff, M. J., Damus, K. et Petrini, J. R. (2007) ‘Cost of hospitalization for preterm and low birth weight infants in the United States’, Pediatrics, vol. 120, no. 1, Juillet, pp. e1-e9.
Sargan, J. D. (1958) ‘The estimation of economic relationships using instrumental variables’, Econometrica, vol. 26, no. 3, Juillet, pp. 393-415.
Scott, L. D., Rogers, A. E., HWanh, W.-T. et Zhang, Y. (2006) ‘Effects of critical care nurses’ work hours on vigilance and patients’ safety’, American Journal of Critical Care, vol. 15, no. 1, Janvier, pp. 30-37.
Shields, M. (1999) ‘Long working hours and health : 1994-1997 data’ Health Reports, vol. 11, no. 2, pp. 33-48.
Stock, J. et Yogo, M. (2005) ‘Testing for weak instruments in linear IV regression’, in Andrews, D. W. K. (ed.) Identification and inference for econometric models, New-York : Cambridge University Press.
Stone, P. W., Mooney-Kane, C., Larson, E. L., Horan, T., Glance, L. G., Zwanziger, J. et Dick, A. W. (2007) ‘Nurse working conditions and patient safety outcomes’, Medical Care, vol. 45, no. 6, Juin, pp. 571-578.
Stone P. W., Pogorzelska, M., Kunches, L. et Hirschhom, L. R. (2008) ‘Hospital staffing and health care-associated infections : A systematic review of the literature’, Clinical Infectious Diseases, vol. 47, no. 7, Octobre, pp. 937-944.
Terza, J. V., Basu, A. et Rathouz, P. J. (2008) ‘Two-stage residual inclusion estimation : Addressing endogeneity in health econometric modeling’, Journal of Health Economics, vol. 27, pp. 531-543.
Trinkoff, A. M., Johantgen, M., Storr, C. L., Gurses, A. P., Liang, Y. et Han, K. (2011) ‘Nur- ses’ work schedule characteristics, nurse staffing, and patient mortality’, Nursing Research, vol. 60, no. 1, Janvier-Février, pp. 1-8.
Wooldridge, J. M. (2002) Econometric analysis of cross section and panel data, Cambridge : The MIT Press.
Annexe
Table 4.6: Modèle linéaire en probabilité : Accident Variable Coefficient (Std. Err.) ResiduHS 0.000 (0.000) Heures_Sup 0.000 (0.000) Poids 0.000 (0.000) Cesarienne 0.000 (0.000) Feminin 0.000 (0.000) Jumeau -0.001∗∗ (0.001) GA 0.000∗∗ (0.000) NouveauNe -0.002∗∗∗ (0.001) Soir 0.000 (0.000) Nuit 0.000 (0.001) FDS 0.000 (0.001) Fev -0.001 (0.001) Mar 0.000 (0.001) Avr 0.000 (0.001) Mai 0.001 (0.001) Jun 0.001 (0.001) Jul 0.001 (0.001) Aou 0.000 (0.001) Sep 0.000 (0.001) Oct 0.001 (0.001) Nov 0.000 (0.001) Dec 0.001 (0.001) NbrInfect 0.000 (0.001) NbrAcc 0.001∗ (0.001) Occupation 0.000 (0.000) Adm_Trans 0.000 (0.000) Heures_Reg 0.000 (0.000) MOcc 0.000 (0.000) MAdm 0.000 (0.000) MHReg 0.000∗∗∗ (0.000) Intercept -0.004 (0.006) Niveau de significativité : ∗ : 10% ∗∗ : 5% ∗ ∗ ∗ : 1%
Table 4.7: Modèle linéaire en probabilité : Infection Variable Coefficient (Std. Err.) ResiduHS 0.000∗∗ (0.000) Heures_Sup 0.000∗∗∗ (0.000) Poids 0.000 (0.000) Cesarienne 0.000 (0.000) Feminin 0.000 (0.000) Jumeau -0.001 (0.000) GA 0.000∗∗∗ (0.000) NouveauNe 0.000 (0.000) Soir 0.000 (0.000) Nuit 0.000 (0.000) FDS 0.000 (0.001) Fev 0.001 (0.001) Mar -0.001 (0.001) Avr 0.000 (0.001) Mai 0.001 (0.001) Jun 0.000 (0.001) Jul 0.002∗ (0.001) Aou -0.001 (0.001) Sep 0.001 (0.001) Oct 0.001 (0.001) Nov 0.001 (0.001) Dec 0.000 (0.001) NbrInfect -0.002∗∗∗ (0.001) NbrAcc 0.000 (0.000) Occupation 0.000∗∗ (0.000) Adm_Trans 0.000 (0.000) Heures_Reg 0.000∗ (0.000) MOcc 0.000 (0.000) MAdm -0.001∗∗∗ (0.000) MHReg 0.000∗∗ (0.000) Intercept 0.018∗∗∗ (0.004) Niveau de significativité : ∗ : 10% ∗∗ : 5% ∗ ∗ ∗ : 1%
Table 4.8: Modèle linéaire en probabilité : Décès Variable Coefficient (Std. Err.) ResiduHS 0.000 (0.000) Heures_Sup 0.000 (0.000) Poids 0.000 (0.000) Cesarienne 0.000 (0.000) Feminin 0.000 (0.000) Jumeau 0.000 (0.000) GA 0.000 (0.000) NouveauNe -0.001∗∗∗ (0.000) Soir 0.000 (0.000) Nuit 0.000∗ (0.000) FDS 0.000∗∗ (0.000) Fev 0.000 (0.000) Mar 0.000 (0.000) Avr 0.000 (0.000) Mai 0.001 (0.000) Jun 0.000 (0.000) Jul 0.000 (0.000) Aou 0.000 (0.000) Sep 0.000 (0.000) Oct 0.000 (0.000) Nov 0.000 (0.000) Dec 0.000 (0.000) NbrInfect 0.000 (0.000) NbrAcc 0.000 (0.000) Occupation 0.000∗∗ (0.000) Adm_Trans 0.000∗∗ (0.000) Heures_Reg 0.000∗∗ (0.000) MOcc 0.000∗ (0.000) MAdm 0.000 (0.000) MHReg 0.000∗∗ (0.000) Intercept 0.003 (0.003) Niveau de significativité : ∗ : 10% ∗∗ : 5% ∗ ∗ ∗ : 1%