Yearly transitions of Iso-SMAF

disability profiles:

A help for home services planning

Michel Raîche, PhD(c) Hébert R, Dubuc N,

Dubois MF, Gueye NR

Research Center on Aging, Sherbrooke University Geriatrics Institute

Faculty of Medicine and Health Sciences, Université de Sherbrooke

Québec, Canada

Introduction

• To plan health services for older people:

– Knowledge of the needs and their evolution

• The needs in long term care home/institution:

– Strongly related to disabilities, in older people:

• Explain 85% of the variance of nursing care time (Hébert et al,

2001)

• Explain 55% of the variance of costs at home (Hébert et al, 2001)

(Hébert et al, 1984-2002)

Housekeeping

Meal preparation

Shopping

Laundry

Telephone

Transportation

Medication use

Budgeting

Vision

Hearing

Speaking

29 Disabilities in SMAF IADL

Eating

Washing

Dressing

Grooming

Urinary function

Bowel function

Toileting

ADL

Memory

Orientation

Comprehension

Judgement

Behavior

Mental

functions

Transfers

Walking inside

Installing prosth/orth

Propelling wheelchair

inside

Negotiating stairs

Getting around

outside

Mobility Communication

(Hébert et al, 1984-2002)

Alzheimer vs arthritis : may have the same

disability score, but different profiles

Home /

intermediate

facilities

LTCF

Autonomy levels 5 dimensions

Iso-SMAF Profiles (Dubuc et al, 2002-2006)

Known in

transversal

Profile 1

Profile 2

Profile 3

Profile 9

Profile 12 Etc.

• Autonomy profiles

• Needs for each profiles • Required services

• Profiles Transitions

{

LTCF

Unknown in

longitudinal

?

P 9

P 4

P 6

P 11

P 12

P 2

P 1

P 3

P 14

P 13

P 8

P 5

P 7

P 10

0

100

200

300

400

500

600

700

800

LTCF

Cognitive

slopes

Mobility

slopes

What are the

transitions ?

(from one trail

to another)

Iso-SMAF Profiles (Dubuc et al, 2002-2006) :

Analogy with ski

trails

Methodology and data source

• Multi-state Markov model in continuous time

– Allow to estimate transitions between states – evolution in continuous time but collected in discrete time (with snapshots): “trajectory of states”

• PRISMA Study in Québec, Canada

– 1501 people aged +75 community-dwelling

• Mean age = 83, 62% women

– Max 4 years follow-up; yearly evaluation with SMAF (and so, Iso-SMAF profile)

– Approval of Ethic committee

39% 20% 7% 10% 7% 7%

0% 20% 40% 60% 80% 100%

% of Iso-SMAF profiles

Profile 1

Profile 2

Profile 3

Profile 4

Profile 5

Profile 6

Profile 7

Profile 8

Profile 9

Profile 10

Profile 11

Profile 12

Profile 13

Profile 14

P-1 P-2 P-3 P-4 P-5 P-6

Distribution of Iso-SMAF profiles at baseline

Results : yearly transitions probabilities + CI

• Detailed results available

From

Profile 10,75 0,80 0,03 0,05 0,02 0,04 0,04 0,07 ≤0,01 0,03 0,02 0,04

Profile 20,06 0,10 0,58 0,67 0,07 0,12 0,04 0,07 0,02 0,05 0,02 0,04 0,05 0,09

Profile 30,02 0,07 0,02 0,04 0,46 0,58 0,02 0,06 0,07 0,14 0,06 0,12 ≤0,01 0,04 0,03 0,07 0,07 0,12

Profile 40,03 0,08 0,02 0,05 0,03 0,07 0,44 0,55 0,02 0,06 0,11 0,18 0,02 0,05 0,03 0,07 0,07 0,12

Profile 50,04 0,14 0,37 0,51 0,05 0,13 0,04 0,11 ≤0,01 0,09 0,02 0,06 0,05 0,11 0,09 0,16

Profile 6≤0,01 0,05 0,02 0,10 0,03 0,05 0,04 0,06 0,42 0,54 ≤0,01 0,07 0,02 0,07 ≤0,01 0,04 0,07 0,13 0,11 0,18

Profile 7≤0,01 0,19 0,03 0,08 ≤0,01 0,04 0,27 0,53 ≤0,01 0,12 0,06 0,20 0,10 0,25 0,09 0,23

Profile 80,02 0,11 0,02 0,10 ≤0,01 0,04 ≤0,01 0,80 ≤0,01 0,09 ≤0,01 0,19 0,04 0,29 0,08 0,22

Profile 9≤0,01 0,11 0,03 0,09 0,32 0,52 0,03 0,13 0,10 0,26 0,16 0,33

0,44 0,06 0,17 0,230,060,02

0,05 0,12 0,22 0,150,03 0,02 0,03 0,36

0,12 0,16 0,140,04 ≤0,01 0,46 0,050,02

0,04 0,02 0,10 0,140,05 0,50 0,040,02 0,03 0,04

0,03 0,07 0,120,47 0,08 0,07 0,050,05

0,03 0,05 0,090,03 0,140,05 0,03 0,03 0,52

0,05 0,090,10 0,08 0,020,04 0,02 0,54 0,03

0,060,03 0,020,07 0,64 0,09 0,05

0,030,020,79 0,04 0,03 0,05

Profile 9

ABSORBING:

10-11-12-13-14ABS: INST

DeathProfile 5 Profile 6 Profile 7 Profile 8Profile 1 Profile 2 Profile 3 Profile 4

T

o

To

Profiles

IADL

1, 2, 3

Profiles

Mobility

4, 6, 9

Profiles

Mental

5,7,8,10

0.79

0.50

0.58

0.09

0.10

Highlights of results: yearly transition probabilities

Profiles

Severe

11 to 14

+ INST

0.75

0.02

0.05

0.14 0.13

0.25

DCD

DCD

DCD

DCD

Discussion

• Required services are known for each profile

• Knowledge of transition probabilities from a

profile to another: help to plan services

– Probable level of future required services then known

• Differences for stability or deterioration for

IADL / Mobility / Mental Profiles :

– Could help to plan availability of facilities

• Intermediate or LTCF

Discussion • Limits

– Few information available for severe profiles 11-14

– No comparison possible: 1st study of this type

• Strengths

– Exhaustive measure of disability / profiles

– 1387 persons for transition analysis, follow-up max 4 years

– Statistical method consider evolution in continuous time

• Next work: associated factors for transitions

Thanks to

Question period (2-3 min.)

“Aging is like climbing a mountain,

you are out of breath, but what a view !”

- Ingmar Bergman

Supplementary slides

in case of need

• Save in format including polices

P-2 P-6 P-9

Used to

estimate

transitions

from P-2

Here,

P-2 toward P-6

Prob. stay in P-

6 (T- 2)

And to go to P-

9 (T-3)

T-0 T-1 T-2 T-3

Transitions

from P-6

Transitions

from P-9

Prob.

death P-9

Multi-state analysis

N subjects and observations

• Initial database: 1501 subjects / 5344 observations

• Removed from analysis:

– P11-14 grouped and as absorbing state

– INST as absorbing state

– Subjects starting study in P 11-14: n=12

– Subjects with only 1 observation

• Used for transition analysis :

1387 subjects with 4981 observations

T-2-B T-3-B T-4-B

111 91 78

58 53 43

58 45 36

.

171 143 113

97 88 82

86 66 55 .

+581 +486 +407

1224 993 829 Données basées sur nombre sujets évalués à domicile

Total of 2 cohorts : 920 (2001) + 581 (2003) = 1501

Sherbrooke 205 171 149 118 97

Coaticook 142 114 100 84 67

Granit 154 135 112 92 74

.

Lévis 176 139 123 88 75

L’Islet 123 93 79 60 55

Montmagny 120 95 80 65 54

.

TOTAL: 920 747 643 507 422

Schema of study

2001 2002 2003 2004

T-1

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

T-3 T-2 T-4

2005

T-0

Implementation of RISPA

2003-4 2004-5 2005-6

Other tools : longitudinal studies ?

• 7 other types of classifications, for use at home

• 5 / 7 = No longitudinal study :

Tool / Profile :

1- Géronte / AGGIR

2- FIM / FIM-FIS

3- OASIS / HHRGs

4- DataPACE / PACE profiles

5- MDS - RAI / RUG-III :

MDS-HC (Home care) or RUG-III/HC

6. Work of KG Manton :

– 6 profiles (+1-NH) based on 27 measures (Manton et al, 1998)

• Transitions of profiles – 1 article 2008 / data 1982-1984, cohort effect

– Stochastic process (« extended Fokker-Planck equations » with « Brownians » terms)

– Calculation method for coefficients includes term of method for profiles (GoM)

– Generate transitions coefficients (≠probs) over 2 years, NO: death, CI, associate factors

Other tools : longitudinal studies ?

? ?

Other tools : longitudinal studies ?

7. Health states profiles : (Lafortune et al, 2009a)

– 4 profiles (disability measures + 16 health

measures): not usable or useful in clinic

– 1 study on profiles transitions (Lafortune et al, 2009b);

transitions probabilities not stable in time

Profil

3

Profil

3

Profil

3 0.64 0.48

Diff: 0.16

Constats

• Pas encore possible : planifier services santé

soutien autonomie, basé sur données probantes

évolution profils autonomie

• Auteurs 8 outils: essentiel à planification

services

• Important : connaître évolution dans le temps

→ planification clinique + populationnelle

P-1 P-2 P-3 P-4 P-5 P-6 P-7 P-8 P-9 P-10 P-11 P-12 P-13 P-14 INST Décès

P-1

P-2

P-3

P-4

P-5

P-6

P-7

P-8

P-9

P-10

P-11

P-12

P-13

P-14

À partir de cet état, quelle est la probabilité de se retrouver dans l'état … 1 an plus tard ?

0.90 0.50 0.30 0.15 0.05

Méthodologie:

1. Source des données

Étude PRISMA

• 1501 personnes âgées, intervention dans un

groupe: implantation réseau intégré de services

• Suivi 4 ans

– Incapacités et handicaps (SMAF) + profils autonomie

Iso-SMAF mesuré /an à domicile

PRISMA Study

• Suivi 4 ans (suite)

– Services de santé utilisés

• Publics, privés (ex. résidence privée PA) et bénévoles (ex.

aide transport RV)

– Recueilli / téléphone aux 2 mois

• Nombre et coût des médicaments (fichier RAMQ) : total

dans l’année

Considérations éthiques

• Étude PRISMA : approbation éthique CÉR

CSSS-IUGS

• Participants: formulaire consentement

• Données dénominalisées

Méthodologie:

2. Devis d’analyse

Devis d’analyse

• Données PRISMA: quelle analyse pour

transitions, facteurs associés, liens avec services

santé?

• Les modèles multi-états (MMÉ) (Multi-State Models) Kay 1986, Andersen et al 1988-2002, Gentleman et al 1994, Marshall & Jones 1995,

Commenges 1999a,b-2002, Hougaard 1999, Therneau & Grambsch 2000, Keiding et al 2001,

Jackson et al 2003

• Développement marqué méthodes et outils

d’analyses – 15 ans

Les modèles multi-états : MMÉ

MMÉ le plus simple = 2 états :

• Cela revient à analyse de survie: quand transition survient-elle?

vivant mort

*

*

Pro

bab

ilit

é

Temps

Fonction de survie

Mont Autonomie / Pente SMAF

-900

-800

-700

-600

-500

-400

-300

-200

-100

0

1 2 3 4 5 6 7 8 9 10 11 12 13 14

Temps

Alt

itu

de

-870

1ère étape:

Mesurer hauteur de

montagne

Validité, fidélité, descente

moyenne / année, présence

remonte-pente, facteurs

associés

(SMAF: Hébert, 1988-2002)

Δ SMAF = 25m (2.5pts)/an en moyenne

Vue de côté Mont autonomie / pente SMAF

P 9

P 4

P 6

P 11

P 12

P 2

P 1

P 3

P 14

P 13

P 8

P 5

P 7

P 10

0

100

200

300

400

500

600

700

800

CHSLD

Versant

cognitif

Versant

mobilité

2ème étape:

Quelles sont les

différentes pistes

empruntées

(Profils Iso-SMAF: Dubuc,

2002-2006)

3ème étape:

Quels sont les

changements

de pistes?

Vue de face

Temps

DCD

Reste un profil 1

Mental

Profils 2-3

Mobilité

• Survie dans un profil :

– Pas seulement transition vers décès, mais vers tout autre profil

• Estimer intensité de transition: potentiel instantané transition en fonction du temps

Ce qu’on cherche

P-2 P-6 P-9

Utilisé pour

estimer

transitions à

partir du P-2

Dans ce cas-ci,

contribue à prob.

de transition

P-2 vers P-6

Prob. rester

dans P-6 (T- 2)

et de passer à

P-9 (T-3)

T-0 T-1 T-2 T-3

Transitions à

partir P-6

Transitions à

partir P-9

Prob.

décès P-9

Analyse multi-états qui examine > 1 transition

Calcul des intensités de transition • En partant d’une paire d’états r et s

• Au temps t sujet est dans un état S(t)

• Prochain état + temps du changement état : gouvernés par série intensités transitions qrs(t, z(t)) pour chaque paire états r et s

• Intensités peuvent aussi dépendre série variables explicatives z(t): spécifiques – chaque sujet ou varient dans temps

• Intensité représente risque instantané de passer état r à état s

1 Profils

AVD

1, 2, 3

2 Profils

Mobilité

4, 6, 9

3 Profils

Mentaux

5,7,8,10

4 Profils

lourds

11 à 14

et INST

Exemple modèle et matrice à 5 états (incluant décès)

5

5

5

5

La matrice Q

• Intensités forment matrice Q : exemple à 5 états

Q =

• Lignes ont somme = zéro, donc entrées diagonales

définies par:

00000

000

)(

)(

)(

4545

3534353432313231

2524232524232121

1514131215141312

qq

qqqqqqqq

qqqqqqqq

qqqqqqqq

Ajustement du modèle

• Pour ajuster modèle multi-états aux

données :

(= approche Bayesienne)

￫ Estimer cette matrice d’intensité de

transition Q

Postulat de Markov

Évolution future dépendra uniquement de état

actuel :

qrs (t, z(t), Ft) indépendant de Ft, histoire observation

Ft du processus jusqu’au temps précédant t

– C’est état présent qui est le + utile pour déterminer

quel sera état futur

Andrei Andreevich Markov (1856–1922)

Mathématicien russe

Probabilités et vraisemblance

• À partir matrice intensité de transition :

exponentielle (Kolmogorov) → calcul

matrice probabilités de transitions P(t),

utilisable sur plan clinique

• Estimation des matrices : par itérations

jusqu’à obtention maximum de vraisemblance

Particularités – source de données :

Distribution de départ – cohorte 1

0 10 20 30 40 50 60 70 80 90 100

X

n=501

T

n=419

Gro

up

e

Pourcentage

profil 1

profil 2

profil 3

profil 4

profil 6

profil 9

profil 5

profil 7

profil 8

profil 10

profil 11

profil 12

profil 13

profil 14

AVD MOB MEN M-L

Particularités – source de données

• Sujets pas tous début processus (=censure à g.)

ou à la fin, distribués dans tous les profils mais

surtout légers/intermédiaires: normal

• Suivi 4 ans → processus entier: les personnes

vont effectuer transitions

• Pas toutes qui auront complété processus ou

décédées : censure à droite

Autres éléments à considérer

• Abandons: considéré comme censure à droite;

examiner si effet différentiel (avec/sans)

• Données manquantes: pas nombreuses dans

étude, mais examen de effet

• Propriété markovienne, homogénéité : intensité

doit être constante alors que temps varie, à

vérifier

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Illustration : intensité de transition homogène ou

non-homogène avec intensité constante par morceaux

Sélection du modèle et convergence

• Modèle le + exhaustif et parcimonieux à la

fois recherché

• Modèle extrêmement détaillé : grande qté

personnes dans chacun des états +

effectuent transitions les plus probables

• Sinon modèle ≠ converger, ≠ bien s’ajuster

données : regroupements états requis

Taille d’échantillon

• 1501 sujets – banque données utilisée en entier

• Étude exploratoire pour estimer probabilités

• Difficile effectuer a priori calcul précision

probabilités estimées

– n états et transitions possibles : n suffisant survenues

pour estimer intensité avec IC largeur acceptable

• Largeur IC = bon indicateur a posteriori de

précision des estimés

Facteurs associés aux transitions

Facteurs associés aux transitions

• Variables fixes dans temps : • Sexe, groupe X ou T, vague recrutement 1 ou 2

• Variables qui varient dans temps, au temps de

mesure : • Âge, handicaps, santé auto-perçue, fonctions cognitives

T-0 T-1 T-2 T-3 T-4

Logiciel utilisé

• Dans R, routine « msm » (multi-state modelling)

• Analyses MMÉ Markov temps continu

– Covariables

– *décès

– Modèles homogènes ou non

• * Documentation, depuis 2003, utilisé plusieurs

études, MAJs 2009 (26 nov)

Profils

AVD

1, 2, 3

Profils

Mobilité

4, 6, 9

Profils

Mentaux

5,7,8,10

0.75

0.45

0.54

0.10

0.09

Exemple représentation

visuelle résultats

Différenc

e H vs F

Services de santé

influencent

transition?

Profils

lourds

11 à 14

et INST

0.72

0.05

0.05

0.16 0.12

0.28

DCD

DCD

DCD

DCD

Forces, limites, retombées

Forces de mon étude

• Source de données:

– Mesure exhaustive incapacités et profils autonomie

– Cadre recherche / évaluateurs formés

– Distribution initiale + suivi 4 ans : tout le processus

• Méthode analyse :

– Tient compte évolution temps continu

– Rassemble info base annuelle

– Détermination facteurs associés et liens avec services

santé

Limites de mon étude

• Nécessairement liées – données utilisées

• Informations abondantes, mais insuffisantes pour

estimer transitions moins fréquentes; regroupements

profils probables * profils 11-14

• Variables non mesurées: dépression, diagnostics (ex.

démence)

• 2 vagues recrutement et intervention dans 1 groupe

Retombées anticipées

• Services à domicile: développement ++, soutien à autonomie

• Pronostic évolution patient et ajustement probable services requis

• Planification populationnelle

• Si facteurs affectent certaines transitions : mieux comprendre différences évolution

Supplementary slides

in case of need

Population totale

personnes âgées non-institutionnalisées

Échantillons

aléatoires personnes âgées 75 ans et +

Technique du questionnaire postal

pour identifier PA à risque perte autonomie

Sélection 6 échantillons - liste RAMQ

6 territoires d’étude

En identifiant PA qui vont perdre autonomie : vont faire

des transitions d’états

6 Cohortes de PA

qui sont évaluées à domicile chaque année

Schéma de sélection de la population

d’étude – 2001 et 2003

19 981

7790

1501

T-2-B T-3-B T-4-B

111 91 78

58 53 43

58 45 36

.

171 143 113

97 88 82

86 66 55 .

+581 +486 +407

1224 993 829 Données basées sur nombre sujets évalués à domicile

Total des 2 cohortes : 920 (2001) + 581 (2003) = 1501

Sherbrooke 205 171 149 118 97

Coaticook 142 114 100 84 67

Granit 154 135 112 92 74

.

Lévis 176 139 123 88 75

L’Islet 123 93 79 60 55

Montmagny 120 95 80 65 54

.

TOTAL: 920 747 643 507 422

Schéma de l'étude

2001 2002 2003 2004

T-1

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

T-3 T-2 T-4

2005

T-0

Implantation du RISPA

2003-4 2004-5 2005-6

• Types d’états: transitoire ou absorbant

• Illustration modèle progressif et irréversible, ex. stades arthrite:

• Connaissances actuelles sur évolution de autonomie nous obligent à utiliser modèle qui tient compte :

– Non séquentiel: commence pas nécessairement à 1 pour passer à 2 à 3

– Décès peut survenir peu importe l’état

– Réversibilité (récupération autonomie survient fréquemment)

• Conditionne matrice de transitions instantanées

1 2 3

Types d’états et d’évolution

Aspects à considérer

• Matrice de transitions instantanées : transitions

possibles, allouées dans modèle, i.e. flèches entre

quels états et dans quelles directions

• Si quelqu’un passe du P-1 à P-10, est-il passé

nécessairement par P-5 entre ces 2 mesures?

• Récupération autonomie survient, mais jamais

entendu parler d’une personne passée du P-14 au

P-1 (pas remonte-pente sur toute la longueur)

Matrice de transitions instantanées (ex. si on mesurait tous les jours)

P-1 P-2 P-3 P-4 P-5 P-6 P-7 P-8 P-9 P-10 P-11 P-12 P-13 P-14 INST Décès

P-1

P-2

P-3

P-4

P-5

P-6

P-7

P-8

P-9

P-10

P-11

P-12

P-13

P-14

Autres types de Markov

• Semi-Markov: le temps depuis le début de la

« maladie » est également pris en compte:

– tient compte temps passé dans état, mais pas

utilisable dans notre cas : pas idée assez précise

temps exact transitions à cause des mesures

annuelles, donc calcul du temps dans état trop

imprécis

Autres types de Markov

• Markov caché : Hidden Markov

– Exemple séquence de mesure d’un modèle:

• 1-1-1 -2-1- 2-2-2 -3-3-3-3

– 2 suivi de 1 = impossible si progressif et irréversible

– Markov caché devient « utilisable »

CIDIH

ICF- International Classification of

Functionning, Disability and Health

Problèmes avec analyses latentes

• n catégories au départ, classes latentes visent 4-5 classes max (Lafortune et al, 2009)

• Analyse de transitions latentes (LTA): faisable avec 16 états?

– n paramètres à estimer

– Repose sur analyse en t discret, ne tient pas compte processus évoluant en t continu

• Développé initialement avec modèles progressifs: si pas de réversibilité, moins de paramètres à estimer

• Permet pas de rassembler plusieurs années de mesure ensemble • Que faire si non-homogène? LTA permettent pas de tenir

compte

Améliorations

• Plus grand n (pour ↑ exhaustivité)

• Mesures plus rapprochées (6 mois, rêve de 2-3

mois), semi-Markov « possible »

• Diagnostics (démence, dépression), comorbidité

• Autres facteurs associés (IMC, lim MI)

• Profil lorsque INST, 1 seule vague recrutement,

pas d’intervention dans un groupe