Afin de prendre leurs décisions, les professionnels de la santé ont besoin d’outils pour planifier, tester et évaluer les nouvelles technologies et interventions. Les structures, interactions et processus complexes impliqués dans les soins de santé créent un défi permanent lorsqu’il faut effectuer des changements et innover. Patrick Einzinger et Christoph Urach de DWH Simulation Services et de l’Université de technologie de Vienne, en partenariat avec l’Association autrichienne des assurances sociales (AASI), ont pu analyser les données publiques afin de prendre des décisions critiques pour le futur.
L’AASI a rassemblé les statistiques standards de soins en s’appuyant sur les remboursements des prestataires de soins de santé, ce qui incluait les médicaments prescrits, les services rendus et les diagnostiques. Les consultants ont choisi les statistiques habituelles et la modélisation mathématique comme outil pour analyser les données, mais la simulation a été retenue pour s’assurer que la masse des données pourrait être pleinement analysée, afin d’augmenter l’exactitude de l’analyse et des résultats. Le logiciel Simulation and Modeling d’AnyLogic a depuis été sélectionné pour ses capacités d’analyse multi-méthodes. Les modèles élaborés incluent une simulation à base d’agents de plusieurs schémas de remboursement dans le domaine des soins de santé extra-muros, un modèle à base de dynamique système pour les conséquences des cabinets de groupe, et un modèle de micro-simulation pour évaluer les technologies de la santé dans le dépistage des Anévrismes de l’aorte abdominale (AAA).
Comparaison des systèmes de remboursement
PROBLÈME:
Les patients reçoivent parfois des procédures inutiles du fait du système actuel de remboursement de l’AASI qui rembourse le médecin pour des services isolés. L’AASI envisage éventuellement d’utiliser d’autres systèmes de remboursement, par exemple par visite, par épisode de maladie ou par épisode de soins. Cependant, avant que tout changement ne soit mis en application, les options doivent être testées afin de réaliser les conséquences impliquées par ces systèmes de remboursement.
Solution:
Les consultants ont élaboré un modèle qui inclut les imports de données concernant les patients, les problèmes médicaux, les prestataires de soins médicaux, les services médicaux et les types de remboursement à l’aide du logiciel Simulation and Modeling d’AnyLogic. AnyLogic a été choisi en raison de sa fonction de modélisation basée sur les agents, qui permet d’incorporer différents paramètres pour un grand nombre de sous-groupes, à la différence d’une approche « de haut en bas » dans laquelle il serait nécessaire de diviser les populations de patients en sous-groupes. Dans AnyLogic, les agents sont dotés d’attributs qui déterminent le sous-groupe, et par conséquent le paramètre. Ensuite, tandis que plusieurs simulations sont lancées, les conséquences de chaque système de remboursement peuvent être mises en évidence.
RÉSULTATS:
Du fait du grand nombre de maladies analysées, il n’est pas possible de mener des recherches exhaustives dans la littérature et de rassembler les opinions des experts sur chaque affection. L’approche utilisée montre comment l’analyse des statistiques standard sur les soins de santé peuvent servir de données d’entrée dans une structure de modèle complexe et exhaustive car ces données fournissent des taux de prévalence et d’incidence précis pour chaque affection. Même si les hypothèses sont nécessaires pour certaines portions de la recherche (à savoir les itinéraires de traitement), la sélection optimale de prestataires pour leur portefeuille de services génère des résultats plausibles et raisonnables.
Le modèle ne sert pas uniquement à comparer des systèmes de remboursement, mais également à poser des hypothèses de test, et il va permettre de formuler les nouveaux systèmes de remboursement, grâce aux effets qui sont logiquement inhérents et apparaissent rapidement dans les simulations, mais qui d’ordinaire ne sont pas directement perceptibles ou immédiatement évidents.
Conséquence des cabinets de groupe
PROBLÈME:
L’AASI voulait connaître les effets de l’administration de soins dans des cabinets de groupe, dans lesquels des médecins de différentes spécialités combinent leurs services, par exemple un pneumologue et un médecin traitant. Le cabinet de groupe est plus complexe du fait du nombre de cas et de consultations ou services individuels qui, en fonction du médecin, peuvent être remboursés d’une autre manière. Est-ce que les médecins vont augmenter ou réduire la quantité de services prodigués en fonction de leur charge de travail et des salaires ? Comment le comportement des cabinets médicaux de groupe diffère-t-il des médecins qui exercent de manière indépendante?
Solution:
Afin de proposer une analyse pertinente à l’AASI, les consultants ont développé un modèle à base de dynamique système à l’aide du logiciel de simulation et de modélisation AnyLogic, dans lequel presque chaque variable est une variable matricielle en raison des 4 groupes de médecins (pneumologue en cabinet indépendant, médecin traitant en cabinet indépendant, pneumologues en cabinet de groupe et médecins traitants en cabinet de groupe). Les valeurs d’entrée du modèle incluent des paramètres fixes, (analyse de données, OOEGKK et médecins traitants/ pneumologues), des hypothèses stratégiques et elles supposent que le nombre de patients recommandés et de cas nouveaux va augmenter.
RÉSULTATS:
Les paramètres du modèle ont été remis à l’AASI pour effectuer des simulations, mais DWH n’a pas pu visualiser les résultats en raison des politiques de confidentialité. Les résultats des simulations incluent le total des honoraires versés, le nombre de cas, le nombre de consultations, le nombre de services spéciaux, le nombre de services en double et la valeur de chaque cas. Le modèle permet également à L’AASI de modifier les variables d’entrée et d’exécuter des scénarios multiples.
Dépistage de l'anévrisme de l'aorte abdominale
PROBLÈME:
L’Anévrisme de l’aorte abdominale (AAA) est fréquent dans la population masculine autrichienne de plus de 65 ans. S’il est détecté à un stade précoce, son incidence et le risque de rupture sont réduits de manière significative, par rapport à une détection à un stade plus avancé, où l’on s’achemine probablement vers une intervention chirurgicale dangereuse. L’ultrasonographie est utilisée pour la détection précoce des AAA, une technique non invasive et peu coûteuse.
L’AASI a fait appel à DWH pour analyser les points suivants:
- Que se passerait-il dans la population autrichienne si l’on organisait un dépistage chez les individus de plus de 65 ans?
- Quelles personnes bénéficieraient le plus d’un dépistage organisé?
- Quelles sont les autres stratégies de dépistage optimales, par exemple, une fois par an ou tous les deux ans?
- Pouvons-nous modifier l’approche du dépistage en fonction des facteurs de risque de la personne et augmenter la fréquence du dépistage lorsque d’autres facteurs de risque sont présents?
Solution:
Les consultants utilisent une modélisation basée sur les agents dans le logiciel AnyLogic, en affectant à chaque personne une aorte dont la croissance dépend de l’âge, du sexe, des habitudes de fumeur, de l’historique et des autres maladies. De plus, ils lancent des simulations à stratégies multiples afin de trouver la solution optimale.
RÉSULTATS:
Si l’on introduit un dépistage régulier au-dessus de 65 ans pour environ 40 % de la population, le taux de mortalité diminue d’environ un tiers. La prise d’autres mesures de lutte contre l’AAA a également été envisagée. Par exemple, si le nombre de fumeurs dans la population autrichienne diminue de 38 % à 20 %, on obtient une diminution du nombre d’AAA similaire à la diminution constatée lorsque l’on met en œuvre un processus de dépistage régulier.
Sa conception modulaire permet d’intégrer des connaissances supplémentaires sur l’AAA pour les analyses et évaluations futures des stratégies de dépistage ou d’autres interventions à court terme, et le module de progression de la maladie peut être adapté sans modifier la totalité de la structure du modèle.
Une étude de cette amplitude sur des patients s’avère souvent impossible pour des raisons temporelles, logistiques, éthiques ou autres. L’utilisation de la modélisation de simulation donne une meilleure analyse des conséquences possibles des interventions, résultats qui servent à leur tour de support à la décision pour les décideurs du domaine de la santé; la conception du modèle peut être adaptée pour évaluer d’autres maladies subissant la même progression.
Afin d’en savoir davantage sur les travaux d’Einzinger et Urach avec le logiciel AnyLogic, visualisez la présentation de la conférence AnyLogic de 2013:
