Astma är en av de viktigaste kroniska sjukdomarna inom barnmedicinen och drabbar sju miljoner barn i USA. Enligt en studie står astmaexacerbation för ”uppskattningsvis 14 miljoner missade skoldagar och mer än 1,8 miljoner besök på akutmottagningen varje år”.1

De viktigaste icke-fysiologiska bestämningsfaktorerna för flera besök på akutmottagningen (ED) och intagningar på grund av astma hos barn är bland annat ras, etnicitet och socioekonomiska skillnader. Kopplingarna mellan astma hos barn och sociala och miljömässiga skillnader har fastställts i årtionden. Tyvärr har förmågan att införliva dessa faktorer i en individs eller befolknings hälso- och sjukvårdsresa varit sporadisk.

Däremot har viktiga tekniska framsteg och den branschgemensamma förskjutningen mot värdebaserad vård gett vårdgivarna möjlighet att utnyttja data för att se bortom patientens medicinska journal och titta på de socioekonomiska omständigheterna som påverkar hälsokvaliteten.

Dessa icke-medicinska element grupperas under begreppet sociala bestämningsfaktorer för hälsa (SDOH). ”Att förstå patientens historia är inte bara att identifiera medicinsk historia, det är att identifiera deras sårbarhet”, säger Michael A. Simon, PhD, huvuddataforskare på Arcadia.io, ett företag för hantering av folkhälsa som specialiserar sig på dataaggregering, analys och arbetsflödesprogramvara för värdebaserad vård. ”Det finns en möjlighet att använda data för att hjälpa till att dra slutsatser inte bara om den typiska medicinska kausaliteten som vi tilldelar kroniska tillstånd, utan också för att titta på de faktorer som kan påverka dem.”

Med andra ord berättar medicinska data i sig själva en ofullständig historia.

”Avsikten är att ha en bred uppsättning data att arbeta utifrån”, säger Rich Parker, MD, Chief Medical Officer, på Arcadia.io. ” är ett specifikt exempel där informationstekniken identifierar patienter som är i behov av specifik vårdhantering eller en social intervention. Det är här vi verkligen kan komma ner till nivån för att identifiera samspelet mellan kliniska data och sociala bestämningsfaktorer. Skapa ett register över astmapatienter och korsa det med uppgifter om sociala bestämningsfaktorer. Titta på patienter som kommer in på akutmottagningen flera gånger om året. Kanske ser du att de bor i ett fattigare kvarter eller att de bor i hus med mer damm och dammkvalster.”

Det faktum att SDOH-data läggs till berättar en mer komplett patienthistoria, menar Parker, och kommer att påverka hur en vårdgivare närmar sig behandling, utbildning och vårdhantering. Ur HIM-perspektivet (Health Information Management) innebär SDOH utmaningar som sträcker sig långt bortom kodning. HIM-personal måste hitta kreativa och innovativa sätt att samla in, analysera och tillämpa SDOH-data på hälso- och sjukvård för hela människan.

”Hälsoinformationsansvariga vet hur man rapporterar om anspråk och hur man arbetar med mycket strikta datastandarder”, säger Claire Zimmerman, vice vd för produktinnovation på HealthBI, ett teknikföretag som fokuserar på vårdkoordinering. ”Men möjligheten och utmaningen i dag är att tänka lite annorlunda på de informationsresurser som finns tillgängliga och sätta ihop dem med den strukturerade informationen för att berätta personens historia.”

En ny gammal idé

Varför har SDOH, en idé som har funnits sedan grekisk forntid, plötsligt fångat den amerikanska sjukvårdsbranschens kollektiva fantasi? En del av orsaken är den tio år långa övergången till värdebaserade vårdmodeller, enligt Zimmerman.

”Leverantörerna hålls alltmer ansvariga för både resultat och kostnader”, säger Zimmerman. ”Om jag har tagit på mig risken för resultaten för en viss population, och 60 eller 80 procent av det som driver dessa resultat faktiskt inte direkt kan påverkas av mig, måste jag se till att jag har resurser och verktyg tillgängliga för att hjälpa till att driva fram lämpliga resultat.”

En undersökning från Deloitte Center for Health Solutions visade att det fanns en hög korrelation mellan hälso- och sjukvårdssystem som undersökte sociala bestämningsfaktorer och de som var involverade i betalningsmodeller för riskfyllda resultat.2 Men trots att det finns en hel del innovationer är klyftan mellan potentialen hos SDOH och de faktiska resultaten betydande. Enligt resultat som publicerades i september 2019 i Journal of the American Medical Association rapporterade endast 24 procent av sjukhusen och 16 procent av läkarmottagningarna att de screenade för SDOH-faktorer.3

”Du kan hitta läkare som gör det och i bitar här och där baserat på vilken typ av program de kanske är med i”, säger Sita Kapoor, informationschef på HealthEC, ett företag som arbetar med teknik för befolkningshälsa. ”Men på ett holistiskt plan är det ingen som verkligen samlar in de dataelement om SDOH som vi behöver för att kunna driva på hälsoresultaten.”

Lås upp datapusslet

Ett av de största hindren för att SDOH ska kunna användas på ett allmänt plan är data – hur man skaffar dem, hur man analyserar dem och hur man gör dem användbara.

”Den dagliga medicinska verksamheten kräver att man följer avtalen, och de avtalen har mycket specifika mål när det gäller kvalitetsmått och användning. Det finns inga specifika mål i dessa kontrakt som rör SDOH”, säger Parker. ”Läkare kan träffa patienter som är fattiga, har suttit i fängelse eller har osäkra matförhållanden, men de kan inte göra så mycket åt det.”

”För att effektivt införa värdebaserad vård och upprätthålla den tror jag att man måste fokusera på hälsa utöver hälso- och sjukvård. För att kunna fokusera på hälsa tror jag att man måste flytta uppströms för att utöka sin räckvidd i samhället”, säger Steve Miff, PhD, VD och koncernchef för Parkland Center for Clinical Innovation (PCCI), en icke vinstdrivande organisation för forskning och utveckling av analys inom hälso- och sjukvården.

”För att kunna göra det tror jag att vi måste förstå vårt samhälle, våra patienter, från flera olika håll, inte bara hälso- och sjukvården, utan också deras liv, deras miljö”, säger Miff. ”Och för att kunna göra det behöver vi mycket mer sofistikerade dataanalyser och sätt att digitalt dela dem med enheter i hela samhället för att samordna dessa insatser.”
Det finns data att tillgå – det är bara inte lätt att komma åt. Enligt en undersökning från 2019 års eHealth Initiative är data om SDOH och beteendehälsa de svåraste typerna av information att samla in och dela med sig av.4

”Utmaningen med detta är att det finns i mycket mer isolerade, mindre sofistikerade system”, säger Miff. ”Den finns i system i våra lokala kommuner, i ett Excel-ark, i matbufferten eller på ett härbärge för hemlösa. Vi måste ta reda på hur vi kan sammanföra denna information. Och för att verkligen börja ta itu med de sociala bestämningsfaktorerna för hälsa måste vi utnyttja avancerad analys för att förstå dessa uppgifter.”

Detta leder till frågan om vad man ska göra med uppgifterna när de väl har samlats in. ”Ska organisationer bara hämta uppgifterna och lägga dem i en mapp på en dator någonstans och ta fram dem närhelst de behövs? Eller har de en genomtänkt designsession eller ett tillfälle att diskutera hur denna information ska införlivas i deras större planer för hälso- och IT-frågor?” Simon frågar. ”I vilken utsträckning folk tänker i förväg på hur de vill att informationen ska användas kan göra stor skillnad för hur väl de kan agera på den och hur mycket de kan få feedback från den och rapportera om den.”

Ideer om förvärv

En forskningsrapport från Dell EMC och forskningsanalytikern IDC förutspår att det digitala universumet kommer att innehålla 44 triljoner gigabyte data i slutet av 2020, varav en tredjedel kommer att samlas in och lagras av hälso- och sjukvårdsbranschen.5

Utmaningen är att cirka 80 procent av dessa hälso- och sjukvårdsdata är ostrukturerade.6 Eftersom dessa ”mörka data” är svåra att identifiera och tillämpa på affärsmässiga eller kliniska utmaningar har de ett litet inneboende värde. Av denna anledning menar Joe Nicholson, DO, en styrelsecertifierad läkare och medicinsk chef för CareAllies, ett dotterbolag till Cigna som samarbetar med leverantörer i övergången till värdebaserad vård, att leverantörsorganisationer som precis tar steget in i ett SDOH-initiativ kan börja med att titta på det hav av data som de redan har.

Komplexa organisationer som går in i värdebaserade betalningsmodeller behöver en sammanlänkande infrastruktur för att stödja nätverksövergripande prestationer. Detta inkluderar underliggande teknik för att samla och analysera data från en rad olika källor, inklusive elektroniska patientjournaler (EHR), laboratorieresultat, betalarflöden som är baserade på krav och realtidsmeddelanden om intagning, utskrivning och förflyttning (ADT). Avancerade analysmöjligheter skapar nya möjligheter för vård av hela människan.

”För HIM-personal är SDOH ett samtal om hantering av stora datamängder”, säger Nicholson. ”Jag skulle leta efter alla beröringspunkter – läkemedelsdata, EHR-data, data från patientundersökningar – som bättre kan informera en algoritm och göra det möjligt för organisationer att gå in i något som känns mer som en prediktiv modellering.”

Tänk till exempel på den avgörande faktorn för trygghet i boendet. På Arcadia.io antog en av Simons leverantörskunder att hemlöshet skulle läggas till i ett av organisationens kontrakt. Vilken typ av historia skulle kunna berättas från organisationens egna data?

”Vi grävde igenom en massa pseudo- och halvstrukturerad information för att försöka tilldela dem begrepp. Vi hittade direkta hänvisningar till hemlöshet, men också till att bo på härbärgen, tillfälliga bostäder, bo med familjen – alla dessa typer av begrepp som kretsar kring idén om otrygghet i boendet”, förklarar Simon. ”Det fanns inget starkt arbetsflöde eller engagemang för kodning i samband med uppgifterna. Men när informationen kom in i EHR kunde vi börja kodifiera och formalisera informationen för att möjliggöra bättre rapportering.”

I slutändan kommer huvuddelen av SDOH-data att härröra från källor utanför leverantörsorganisationen. En viktig del av datainsamlingen är att förstå vilka typer av information som är avgörande för ett SDOH-programs framgång. HIM-personal bör utbildas i sociala frågor och jämlikhet i hälsa samt förstå hur leverantörerna kan agera på informationen.

”Den anslutna samhällskomponenten börjar med en bedömning, för att förstå och skapa en ledningsstruktur”, säger Miff. ”Hur prioriterar man faktiskt och börjar använda några av dessa komponenter? Vilka är ankarorganisationerna? De måste till en början vara en del av ledningsstrukturen och sedan börja kunna använda dessa arbetsprocesser.”

Mått att integrera data och göra dem användbara

Ansamling av SDOH-information betyder inte mycket om den inte kan användas för att betjäna patientpopulationer eller samarbeta med externa serviceenheter. Vissa organisationer, t.ex. Gravity Project, håller på att utveckla användningsområden för screening av SDOH-data för att identifiera osäker livsmedelsförsörjning, bostadsstabilitet och tillgång till transporter, samt för att definiera och standardisera definitioner på fältnivå.

Standardiseringen av kodningsbara SDOH-data är dock fortfarande i sin linda. Vissa leverantörsorganisationer försöker standardisera inom EHR.

”Vi måste vara säkra på att SDOH-data alltid kommer att finnas på exakt samma plats och att de alltid kommer att fyllas i på exakt samma sätt”, säger Catrena Smith, CCS, CCS-P, CHTS-PW, CPC-I, CPC, ordförande för Access Quality Coding & Consulting. ”I det elektroniska datoriserade journalen ser vi till att informationen finns i samma del av journalen och att den indexeras på samma sätt. Så att det för en patient inte finns i vårdanteckningarna, och för en annan patient är det blandat med läkarens framstegsanteckningar, och för en annan patient är det över i någon fallförvaltningsanteckning.”

För HIM-professionella innebär komplexiteten i detta samspel att SDOH i hög grad är en lagsport. ”När HIM-teamet tar itu med dessa data kommer det att handla om att samla ihop ett team, helst ett disparat team av apotekare, socialarbetare och läkare, för att skapa den typ av datadrivna möjligheter att identifiera patienter som löper störst risk”, säger Nicholson.

För att koppla ihop patienterna med de lämpliga samhällsresurserna, och sedan utvärdera resultaten av dessa hänvisningar, krävs både interoperabilitet och analys. För att ett SDOH-initiativ ska vara hållbart är det viktigt att skapa en datadriven återkopplingsslinga mellan vårdgivare, patienter och organisationer som tillhandahåller samhällstjänster.

”Centralt i detta är en ledningsstruktur”, säger Miff. ”För att möjliggöra den här datavisionen måste vi arbeta med flera enheter i hela samhället, oavsett om det är andra leverantörer och betalare, lokala filantropiska organisationer, samhällsbaserade organisationer över hela spektrumet av matkök, transporter, dagvård och lokala kommuner.”

En annan pusselbit är att integrera patienten i denna infrastruktur för datainsamling och analys.

”Det räcker inte att bara skapa dessa anslutna samhällen för att ta itu med de sociala bestämningsfaktorerna för hälsa, för att ta itu med en del av de underliggande miljöfaktorer som är förknippade med dessa tillstånd”, säger Miff. ”Att engagera individerna själva är nästa nivå som jag är övertygad om att vi måste gå mot, oavsett om det är sociala bestämningsfaktorer för hälsa eller om det är den bredare komponenten av värdebaserad vård.”

Putting It Together

Nyligen presenterade Miff resultaten av ett SDOH-pilotprogram som lanserades 2018 och som var inriktat på att minska för tidiga födslar.
”En av de viktigaste sakerna för befolkningshälsa är att kunna identifiera vilka som är högriskpersoner och prioritera dina aktiviteter och dina resurser för att kunna nå ut till dem där du kan påverka mest”, säger Miff. ”I det här fallet ville vi minska antalet för tidiga förlossningar och arbeta uppströms. En av de viktigaste delarna var att öka närvaron vid förlossningsbesöken och sedan genom detta minska och förlänga graviditeten, minska antalet för tidiga födslar, minska kostnaderna per medlem per månad och i slutändan totalt sett minska mödradödligheten efter förlossningen.”

PcCI:s program för förebyggande av för tidiga födslar drevs på av prediktiva modeller som kombinerade noggrann riskförutsägelse, meddelande till vårdgivaren, riskdriven och skräddarsydd patientutbildning via digital teknik och omarbetning av arbetsflöden för att förbättra förlossningsresultatet och minska antalet för tidiga födslar.

Förutsägelsemodellen innehöll flera datakällor, däribland uppgifter om anspråk, behörighet, EHR och samhälle samt demografiska, kliniska och socioekonomiska uppgifter, för att förutsäga risken för för tidig förlossning vid vilken tidpunkt som helst under graviditeten.
”Vi infiltrerade den informationen i förutsägelsemodellen eftersom vi riskstratifierar 26 000 graviditeter per år”, förklarar Miff. ”Om man kan kartlägga sociala bestämningsfaktorer på kvartersnivå och sedan geokartlägga individer till specifika kvarter och använda detta som en mycket stark proxy för de behov som de troligen upplever i sitt dagliga liv, kan man införliva dessa modeller mycket effektivt i dessa prediktiva algoritmer.”

De primära interventionerna var textmeddelanden, inklusive påminnelser om möten, näringstips och andra skräddarsydda meddelanden. Under det första interventionsåret riskstratifierades över 21 000 unika graviditeter prospektivt, med cirka 7 000 graviditeter riskstratifierade varje månad.

Mer än 800 riskpatienter fick SMS-interventioner, och mer än 75 procent av patienterna rapporterade att de var nöjda med programmet. Jämfört med matchade kontroller såg patienter som fick textmeddelanden en 24-procentig ökning i närvaro vid prenatala besök och en 27-procentig minskning av tidig för tidig förlossning, säger Miff.

Den tekniska infrastrukturen i bakgrunden som drev initiativet var en egen skapelse som heter Isthmus, en molnbaserad plattform för att samla in och harmonisera data från olika källor för att skapa en plattform för samhällsdata för att få insikter på befolknings- och patientnivå för SDOH.

”En del av vår resa bestod i att försöka utnyttja befintlig teknisk infrastruktur eller licensiera befintliga plattformar, men i slutändan bestämde vi oss för att bygga vår egen tekniska infrastruktur för back-end”, säger Miff.

I samband med skapandet av tekniken för detta initiativ kom PCCI fram till att den måste vara molnbaserad, möjliggöra maskininlärning och ha API-baserad integration med arbetsflödesverktyg.

”Vi var mycket noga med att använda så mycket öppen källkod som möjligt, eftersom det underlättar samarbetet och översättningen av kunskap på ett mycket effektivare sätt”, säger Miff.

Inom programmet för förebyggande av för tidiga födslar har Isthmus använts för andra SDOH-ramverk. Bland dessa finns ett initiativ för befolkningshälsa vid astma hos barn som:

• Reducerade besöken på akutmottagningen med 30 procent
• Reducerade astmarelaterade inläggningar i slutenvården med 42 procent
• Redovisade en 36-procentig minskning av kostnaderna för astmabehandling, vilket innebar en besparing på 12 miljoner dollar

PCCI har också utvecklat en prediktiv modell som på två år har hjälpt till att förhindra mer än 2,000 negativa läkemedelshändelser (ADE) för patienter på sjukhus, vilket ger en potentiell besparing på över 17 miljoner dollar genom att minska återinläggningar och ADE.
Under de två år som programmet har genomförts på Parkland har mer än 87 000 patienter undersökts och 8 731 högriskpatienter har identifierats. Av högriskpatienterna fick 16 procent apoteksinterventioner i rätt tid och mer än 2 000 ADE förhindrades. För högriskpatienter som fick en konsultation minskade återinskrivningsfrekvensen efter 30 dagar med 23,5 procent.

Closing the Loop on SDOH

För många vårdgivare utgör SDOH den bästa chansen att bygga upp ett mer effektivt, ändamålsenligt och holistiskt hälso- och sjukvårdssystem. Data – och hur de används – kommer att spela en central roll för att varje SDOH-initiativ ska lyckas, vilket innebär att HIM-personal är viktiga intressenter.

”Vi vet att vi just nu, åtminstone ur kodningssynpunkt, inte kan fånga upp allt som har med SDOH att göra genom en ICD-10-CM Z-kod. Vi kan fånga upp mycket, men inte allt”, säger Smith. ”Det betyder att vi – om inget förändras – inte kommer att kunna förlita oss på ICD-10 Z-koder som en datapunkt för alla sociala faktorer. Vi måste hitta andra sätt att avgöra om patienten har uppnått målet för en viss social bestämningsfaktor för hälsa.”

HIM-personal måste tänka långt bortom kodningsfrågorna när det gäller SDOH och var de måste vara involverade. Det finns många fler frågor än svar just nu:

• Hur ser vi till att rätt information samlas in?
• Hur kommer uppgifterna att analyseras/kontrolleras?
• Vilka SDOH-dataelement samlas in och varför?
• Prioriteras SDOH-dataelement i termer av att de är de som mest sannolikt kommer att påverkas för vårdleverans och vårdsamordning?
• Är intressenterna (t.ex, hälso- och sjukvårdsinstitutioner, myndigheter, kliniker, betalare, organisationer med flera intressenter) standardiserar de viktigaste SDOH-koderna att samla in?
• Insisterar man om vilka dataelement som bör samlas in?
• Privatlivet – vilken är patientens roll i allt detta? Bör minimala nödvändiga standarder tillämpas? Krävs patientens samtycke?

Detta är verkligen inte en uttömmande lista över frågor som organisationer och branschen måste ta ställning till. Det är mycket tydligt att HIM-personal kan förbättra och informera intressenternas diskussioner om SDOH.

Från sin expertis inom dataintegritet och sina insikter om personen bakom uppgifterna kan HIM hjälpa till att se till att de bästa besluten fattas och att rätt frågor ställs. Se upp för löpande innehåll som tar upp frågor som de som anges ovan – och mer – när tidningen fördjupar sig i SDOH.

Notiser

1. Johnson, Laurie H., Patricia Chambers och Judith W. Dexheimer. ”Astma-related emergency department use: current perspectives”, Open Access Emergency Medicine 8:2016, pp. 47-55.
2. Deloitte. ”Addressing social determinants of health in hospitals.” www2.deloitte.com/us/en/pages/life-sciences-and-health-care/articles/addressing-social-determinants-of-health-hospitals-survey.html.
3. Fraze, Taressa K. et al. ”Prevalence of Screening for Food Insecurity, Housing Instability, Utility Needs, Transportation Needs, and Interpersonal Violence by US Physician Practices and Hospitals”. JAMA Network Open 2, nr 9: 2019. https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2751390.
4. eHealth Initiative. ”2019 Survey on HIE Technology Priorities”. 15 maj 2019. www.ehidc.org/resources/2019-survey-hie-technology-priorities.
5. IDC. ”Det digitala universumet av möjligheter: Rich Data and the Increasing Value of the Internet of Things”. April 2014. www.emc.com/leadership/digital-universe/2014iview/executive-summary.htm.
6. Tolson, Bill. ”Var bör hälso- och sjukvårdsdata lagras 2018 – och därefter?” Health IT Outcomes. February 20, 2018. www.healthitoutcomes.com/doc/where-should-healthcare-data-be-stored-in-and-beyond-0001.

Matt Schlossberg ([email protected]) är redaktör på Journal of AHIMA.

Impact Area

Connection: Underlättar optimalt utbyte av data mellan leverantörer, konsumenter, hälsoinformationsnätverk och hälsoplaner genom teknikstödd, säker tillgång till elektronisk hälsoinformation

.