Upload
vankhanh
View
218
Download
0
Embed Size (px)
Citation preview
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
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