Visuaalinen prosessin kontrollointi perusterveydenhuollon vertaiskehittämisessä
– esimerkkinä tyypin 2 diabeteksen hoitotulosten vertailu
Lähtökohdat Tutkimuksen tavoitteena oli havainnollistaa visuaalisen prosessin kontrollointimenetelmän käyttöä palveluiden vertaiskehittämisen tukena vertailemalla tyypin 2 diabetespotilaiden hoitotuloksia eri terveysasemilla.
Menetelmät Tutkimuskohortin muodostivat vuosina 2014–2018 Siun soten alueen terveysasemilla asioineet tyypin 2 diabetespotilaat. Vuosittaiset tutkimuskohortit koostuivat 7 119–7 946 potilaasta. Terveysasemia vertailtiin vuosittain keskimääräisten vakioitujen HbA 1c -arvojen sekä hyvässä (HbA 1c < 53 mmol/mol) ja erityisen huonossa (HbA 1c > 75 mmol/mol) hoitotasapainossa olevien potilaiden osuuksien perusteella.
Tulokset Vuosina 2015–2017 keskimääräisissä vakioiduissa HbA 1c -arvoissa havaittiin useilla terveysasemilla systemaattista poikkeamaa tavoitetasosta. Terveysasemien hyvässä (65,7–68,4 %) ja erityisen huonossa (5,6–7,2 %) hoitotasapainossa olevien potilaiden osuudet pysyivät tarkasteluajanjaksolla kuitenkin suhteellisen samoina.
Päätelmät Visuaalinen Funnel Plot -menetelmä tarjoaa helposti tulkittavan tavan tosielämän hoitotulosten vertailuun hoitoyksikköjen tasolla sekä palveluiden laadun, vaikuttavuuden ja kustannusvaikuttavuuden kehittämiseen vertaiskehittämisen avulla.
Sosiaali- ja terveydenhuollon palveluiden vaikuttavuuden parantaminen edellyttää, että vaikuttavat toimintatavat tunnistetaan. Potilastietojärjestelmistä saatava potilastason aineisto mahdollistaa erilaisten tilastollisten menetelmien hyödyntämisen palveluiden vaikuttavuusperusteisen kehittämisen tukena.
Yksi tällainen menetelmäryhmä ovat tilastolliset prosessin kontrolloinnin menetelmät (1,2,3), joita on perinteisesti käytetty prosessiteollisuuden laadunvalvonnassa (4,5,6). Terveydenhuollossa näitä menetelmiä on sovellettu erityisesti erikoissairaanhoidon palveluiden laadun ja vaikuttavuuden kontrolloinnissa (7,8). Perusterveydenhuollon sovellutukset sen sijaan ovat olleet tähän saakka vähäisempiä muun muassa potilastason aineistojen saatavuuteen liittyvien rajoitusten takia.
Funnel Plot -menetelmä (7) on yksi aikaisemmin terveydenhuollossa sovelletuista tilastollisista prosessin kontrolloinnin menetelmistä. Tämän tutkimuksen tavoitteena oli tarkastella kyseisen menetelmän käyttöä perusterveydenhuollon vertaiskehittämisen apuna. Aineistona käytettiin tyypin 2 diabetesta sairastavien potilaiden terveysasemakohtaisia hoitotuloksia.
Aineisto ja menetelmät
Vuosikohorttien määrittäminen
Tutkimuksessa käytetyn tutkimuskohortin muodostivat vuosina 2014–2018 Pohjois-Karjalan Siun soten alueen terveysasemilla asioineet tyypin 2 diabetespotilaat (ICD-10 E11) (n = 13 728), joilta löytyi joltakin seurantavuodelta vähintään yksi pitkän verensokeriarvon (sokerihemoglobiini, HbA 1c ; mmol/mol) mittaus ja asiakaskontakti johonkin alueen terveysasemista. Tällaisia potilaita poiminnassa oli yhteensä 12 662. Siun soten alueella diagnoosien kirjausaste on avoterveydenhuollon lääkärikäynneillä lähes 100 % (9), jolloin käytetyistä poimintakriteereistä johtuva kato oli noin 8 %.
Muodostuneelle potilaskohortille poimittiin potilastietojärjestelmästä laboratoriomittaustiedot sekä taustamuuttujina ikä, sukupuoli ja diabeteksen kesto. Sairastumisajankohta määriteltiin hyödyntäen aiemmin poimittua 1.1.2011 alkavaa avointa potilaskohorttia. Ennen vuotta 2011 sairastuneiden potilaiden sairauden kesto varmistettiin Kelan rekisteritietojen perusteella. Vuosittaisia vertailuja varten kohortista muodostettiin vuosille 2015–2018 vuosikohortit, joissa edellisen vuoden taustatietoja käytettiin tarkasteluvuoden vakioivina lähtötilannetietoina.
Terveysasemien määrittäminen
Kunkin potilaan hoitovastuulliseksi terveysasemaksi määritettiin hänen eniten käyttämänsä terveysasema. Jos kahdella terveysasemalla oli yksittäisen tarkasteluvuoden aikana yhtä paljon käyntejä, potilaan terveysasema määritettiin viimeisimmän käynnin perusteella. Lopullisen tutkimusaineiston muodostivat 23 Siun soten alueen terveysasemaa (juokseva numerointi 1–23).
Vaikuttavuusmittareiden määrittelyt
Hoidon vaikuttavuuden mittarina käytettiin sokerihemoglobiini- eli HbA 1c -arvoa (mmol/mol), joka kuvastaa hoidon onnistumista edeltävien 2–8 viikon aikana. Mitatut HbA 1c -arvot poimittiin tutkimuskohorttiin kuuluville potilaille Siun soten potilastietojärjestelmästä, johon laboratorioanalyysien tulokset siirretään rakenteisessa muodossa suoraan alueella analyysit suorittavan laboratorion (ISLAB) tietojärjestelmistä. Analyysissa huomioitiin HbA 1c -arvojen sekä pika- että laboratoriomittaukset. Tutkimuksessa terveysasemia vertailtiin vuositasolla terveysasemien keskimääräisten HbA 1c -arvojen, hoitotavoitteessa (HbA 1c < 53 mmol/mol) olevien potilaiden osuuksien ja merkittävästi koholla olevien sokeriarvojen (HbA 1c > 75 mmol/mol) potilasosuuksien perusteella (10).
Tilastollinen prosessin kontrolloinnin menetelmä
Funnel Plot -menetelmä (7) tarjoaa visuaalisen työkalun arvioida ja vertailla hoitoyksikkötasoisia tosielämän hoitotuloksia suhteessa asetettuihin hoitotavoitteisiin. Vertailujen tavoitteena oli tunnistaa terveysasemia, joiden keskimääräiset hoitotulokset eroavat systemaattisesti vertailuyksiköistä (eivät selity tilastollisella satunnaisvaihtelulla palveluiden volyymi huomioiden).
Menetelmä mahdollistaa samanaikaisen palveluiden volyymin (tässä tapauksessa potilaiden määrä vuotta kohden) ja potilaiden taustaominaisuuksien huomioimisen vertailussa, mikä on olennaista tulosten luotettavuuden kannalta. Palveluiden volyymin (hoidettujen potilaiden määrän) ja keskimääräisten hoitotulosten välisen suhteen huomiointi vertailuissa on olennaista, koska palveluiden volyymin ja hoitotulosten välillä voidaan olettaa olevan positiivinen tilastollinen riippuvuus. Lisäksi voidaan odottaa, että satunnaisvaihtelun vaikutus keskimääräiseen hoitotulokseen on isommassa potilasmäärässä pieni, kun taas pienemmissä hoitoyksiköissä yksittäisen potilaan poikkeavat arvot voivat vaikuttaa merkittävästi keskiarvoon.
Vertailutulosten visualisoinnin olennainen osa ovat palveluiden volyymin suhteen määritellyt 95 %:n (2 SE) ja 99,7 %:n (3 SE) kontrollirajat, joiden määrittämiseen käytettiin keskimääräisissä HbA 1c -arvoissa normaalijakaumaoletukseen pohjautuvaa estimointia ja hoitotasapaino-osuuksissa Wilsonin estimointia (11). Kontrollirajojen avulla voidaan tunnistaa niiden sisäpuolelle jäävä tilastollinen satunnaisvaihtelu ja niiden ulkopuolelle jäävä erityisen syyn systemaattinen vaihtelu, joka ei selity tilastollisella satunnaisvaihtelulla.
Terveysasemien välisen vertailun luotettavuuden parantamiseksi terveysasemakohtaiset hoitotulokset vakioitiin poimittujen taustamuuttujien suhteen. Keskimääräisten HbA 1c -arvojen vakioinnissa käytettiin lineaarista regressiomallia. Hoitotavoitteessa olevien tai erittäin huonossa hoitotasapainossa olevien potilaiden terveysasemakohtaisten osuuksien vakioinnissa taustatekijöiden suhteen käytettiin logistista regressiomallia. Tilastolliset analyysit toteutettiin R-tilasto-ohjelmistolla.
Tulokset
Vuosittaisten tutkimuskohorttien koko oli 7 119–7 946 potilasta vuosina 2014–2018. HbA 1c :n mittauskertoja näiltä vuosilta löytyi yhteensä 95 927 kappaletta. Potilaiden vuosittaiset terveysasemakohtaiset taustatiedot on esitetty liitetaulukossa 1.
Kuviossa 1 on kuvattu terveysasemakohtaiset hoitotulokset vuosina 2015–2018. Kuvioissa punaisella (vihreällä) värillä on merkitty ne terveysasemat, joissa keskimääräiset HbA 1c -arvot eroavat systemaattisesti huonompaan (parempaan) suuntaan asetetusta hoitotavoitetasosta. Vuosien 2015–2017 terveysasemakohtaisissa hoitotuloksissa on havaittavissa merkittävää vaihtelua, joka kuitenkin tasoittuu vuoden 2018 aikana, jolloin ainoastaan yhden terveysaseman (#13) hoitotulokset erosivat systemaattisesti edukseen alueen muista terveysasemista alempi 99,7 %:n kontrolliraja huomioiden.
Terveysasemien hyvässä hoitotasapainossa olevien potilaiden osuudet (kuvio 2) pysyivät tarkasteluajanjaksolla (2015–2018) lähes samoina (65,7–68,4 %). Tarkasteluajanjaksolla systemaattisesti keskimääräistä suurempaan hoitotasapainossa olevien potilaiden osuuteen pystyi 2–3 terveysasemaa, joista kaksi terveysasemaa (#15 ja #13) poikkesivat systemaattisesti muista paremmilla hoitotuloksillaan kaikkina tarkasteluvuosina (99,7 %:n kontrolliraja huomioiden).
Erityisen huonossa hoitotasapainossa olevien potilaiden osuudet (kuvio 3) pysyivät tarkasteluajanjaksolla myös samankaltaisina (5,6–7,2 %). Vuosina 2016 ja 2017 kaksi terveysasemaa poikkesi systemaattisesti suuremmilla osuuksillaan alueen keskimääräisestä osuudesta ylempi 99,7 %:n kontrolliraja huomioiden.
Viimeisenä tarkasteluvuonna (2018) mukana olleista terveysasemista yksi terveysasema (#13) poikkesi (99,7 %:n kontrolliraja huomioiden) systemaattisesti edukseen käytetystä vaikuttavuusmittarin määrittelystä riippumatta. Tällä terveysasemalla hoidettujen potilaiden keskimääräinen HbA 1c -arvo oli keskimääräistä pienempi, keskimääräistä suuremmalla osalla potilaista hoito oli hyvässä tasapainossa ja myös erityisen huonossa tasapainossa olevien potilaiden osuus oli keskimääräistä pienempi.
Päätelmät
Tässä artikkelissa kuvattu Funnel Plot -menetelmä tarjoaa visuaalisen ja helposti tulkittavan tavan, jota voidaan käyttää hoitotulosten vertailun ja vaikuttavuusperusteisen toiminnan kehittämisen tukena. Esimerkkinä käytetyssä potilasaineistossa oli havaittavissa seuranta-aikana terveysasemia, joiden hoitotulokset olivat systemaattisesti parempia kuin Siun soten alueella keskimäärin. Tutustumalla tarkemmin näiden terveysasemien toimintaan ja resursointiin on mahdollista tunnistaa ja oppia toimintatavoista sekä muista tekijöistä, jotka ovat mahdollistamassa systemaattisesti paremmat terveysasemakohtaiset hoitotulokset.
Käytetyssä esimerkissä vertailujen luotettavuutta parannettiin huomioimalla eri terveysasemilla asioivien asiakkaiden keskeisiä ominaisuuksia, kuten ikä, sukupuoli ja sairauden kesto. Vakioitavien tekijöiden valintaan on syytä kiinnittää erityistä huomiota. Terveysasemien välisessä vertailussa on keskeistä vakioida eli tilastollisesti samankaltaistaa eri terveysasemilla asioivien potilaiden ominaisuudet, jotka voivat vaikuttaa potilaiden ennusteeseen tai muovata odotettavissa olevaa hoitovastetta.
Tässä tutkimuksessa käytettyjen vakioivien tekijöiden vaikutusta tuloksiin on havainnollistettu dynaamisen kuvion avulla (liitekuvio 1). Sen perusteella käytössä olleista vakioivista tekijöistä sairauden keston huomioinnilla on suurin yksittäinen vaikutus tässä artikkelissa esitettyihin tuloksiin ja niiden perusteella tehtyihin päätelmiin.
Tilastollisten analyysien yhteydessä on syytä välttää vakioimasta palveluiden tuottajiin liittyviä ominaisuuksia, koska juuri ne voivat olla tekijöitä, jotka synnyttävät systemaattisia eroja eri palveluiden tuottajien välillä. Yksi käytännönläheinen menetelmä systemaattisten erojen juurisyiden selvittämiseen on pyramidimalli (kuvio 4). Siinä juurisyitä etsitään askeltavasti lähtien liikkeelle vertailuun käytettävissä olevasta aineistosta ja päätyen yksittäisiin palveluiden tuottajien ominaisuuksiin ja toimintatapoihin.
Suomessa on aikaisemmin raportoitu esimerkiksi terveysasemien työyhteisöihin liittyvien tekijöiden, kuten lähijohtamisen laadun, olevan yhteydessä niissä hoidettujen diabetespotilaiden hoitotasapainoon (12). Työntekijöiden motivoituneisuus voi olla merkittävässä roolissa esimerkiksi potilaiden hoitoon sitoutumiseen kannustamisessa. Hoitoon sitoutumisella itsellään on osoitettu olevan merkittävä vaikutus odotettavissa oleviin hoitotuloksiin tyypin 2 diabeteksen hoidossa (13,14).
Tässä artikkelissa hoidon laatua ja vaikuttavuutta kuvaavana indikaattorina käytettiin HbA 1c -arvoa. Samaa menetelmää voidaan kuitenkin soveltaa myös muiden pitkän aikavälin vaikuttavuusmittareiden, kuten eri komplikaatioiden ilmaantuvuuksien, vertailuun eri terveysasemien välillä. Menetelmä sopii myös erilaisten potilaiden itsensä raportoimien (Prom) elämänlaatumittareiden tulosten terveysasemakohtaiseen vertailuun. Jatkossa tarvitaan kuitenkin lisää tutkimustietoa erilaisten menetelmien hyödynnettävyydestä, käytettävyydestä ja niiden välisestä paremmuudesta hoidon laadun ja vaikuttavuuden kehittämisessä (15,16,17).
Monipuolinen vertailuanalyysi on tärkeä osa hoidon laadun parantamista ja toiminnan kehittämistä (18,19). Toiminnan tulosten helppo, visuaalinen ja luotettava vertailu toisten toimintayksikköjen tuloksiin mahdollistaa vertaiskehittämisen ja laadun jatkuvan parantamisen (20). Vertailuanalyysejä varten tarvitaan kuitenkin kattavasti luotettavaa ja vertailukelpoista hoidon vaikuttavuutta ja terveyshyötyä kuvaavaa tietoa.
Suomessa haasteena on toistaiseksi ollut tiedon saannin hankaluus koskien erityisesti perusterveydenhuoltoa (21,22). Potilastietojärjestelmien ja terveydenhuollon rekisterien viime vuosina tapahtunut kehittämistyö mahdollistaa vähitellen sekä alueellisten että kansallisten laaturaportointijärjestelmien ja -rekisterien kehittämistyön.
Terveydenhuollossa laatua ja vaikuttavuutta ei voi tuottaa hinnalla millä hyvänsä rajallisista resursseista ja niiden käytön vaihtoehtoiskustannuksista johtuen. Siten tulevaisuudessa vertailuanalyysiin tarvitaan tietoa myös hoidon toteuttamiseen käytetyistä resursseista ja niiden käytöstä aiheutuvista kustannuksista. Tällöin päästään lähemmäksi vaikuttavuusperusteisen terveydenhuollon tavoitteita vertaamalla toiminnasta aiheutuvia kustannuksia aikaansaatuihin terveyshyötyihin.
Suomessa on Terveyden ja hyvinvoinnin laitoksen koordinoimana aloitettu vuonna 2018 useita laaturekisteripilotteja, joista yksi koskee diabeteksen hoitoa (23). Yksinkertaisenkin vertailutiedon esittäminen hoidon laadun ja vaikuttavuuden kuvaajiksi määritellyistä indikaattoreista on hyödyllistä, mutta luotettavampaa vertailua varten voisi laaturekistereissäkin hyödyntää esimerkiksi tässä tutkimuksessa käytettyä tilastollista prosessin kontrolloinnin menetelmää, jossa voidaan samanaikaisesti huomioida eroja sekä potilaiden ominaisuuksissa että palveluiden tuottajien volyymeissä.
Tutkimusta rahoittivat strategisen tutkimuksen neuvosto (Impro-konsortio, 312703) ja Diabetesliitto.
Liitetaulukko 1. Siun soten terveysasemien potilaiden taustatiedot vuosina 2015–2018
Janne Martikainen: Johtokunnan/hallituksen jäsenyys (Hallituksen jäsen ESiOR Oy, Siltana Oy ja Vaikuttavuusseura ry.), asiantuntijalausunto (Kuwait Foundation for the Advancement of Sciences), apurahat (Tutkimusrahoitusta Suomen Akatemia, Kela, Apteekkariliitto, International Association for Cereal Science and Technology Service, Lääketeollisuuden tutkimussäätiö, Sitra, MSD Finland Oy), luentopalkkiot (Farmasian oppimiskeskus, Motiva Oy, Dieettimedia Oy, Pohjois-Pohjanmaan shp), osakkeet/optiot (Perustajaosakas ESiOR Oy).
Tiina Laatikainen: Apurahat (Strategisen tutkimuksen neuvosto, Suomen Akatemia).
Kari Jalkanen, Jari Heiskanen, Piia Lavikainen, Petri Kivinen: Ei sidonnaisuuksia.
Tämä tiedettiin
Vaikuttavuusperusteisessa terveydenhuollossa tosielämän hoitotulokset ovat palveluiden kehittämisen lähtökohta.
Sosiaali- ja terveydenhuollon tietojen toissijainen käyttö tarjoaa nykyistä laajemmat mahdollisuudet palveluiden aineistolähtöiselle laadun ja vaikuttavuuden kehittämiselle.
Tutkimus opetti
Tilastollinen prosessin kontrolloinnin Funnel Plot -menetelmä mahdollistaa visuaalisen ja helposti tulkittavan tavan hoitotulosten vertailuun hoitoyksiköiden tasolla sekä toiminnan vaikuttavuusperusteiseen kehittämiseen.
Funnel Plot -menetelmällä voidaan samanaikaisesti huomioida hoitoyksikkökohtaiset erot sekä potilaiden taustatekijöissä että palveluiden tarjonnan laajuudessa.
Tässä tutkimuksessa vertailtiin eri terveysasemilla hoidettujen tyypin 2 diabetespotilaiden hoitotasapainoa, mutta käytetty menetelmä on sovellettavissa esimerkiksi pitkän aikavälin komplikaatioiden ilmaantuvuuksien ja potilaan itsensä raportoimien mittaustulosten (Prom) vertailuun eri sairauksissa.
- 1
- Shewhart WA. Economic control of quality of manufactured product. J Am Stat Assoc 1932;27:215–7.
- 2
- Shewhart WA, Deming EW. Statistical method from the viewpoint of quality control. J Am Stat Assoc 1940;35:426–7.
- 3
- Deming WE. Out of the crisis. Cambridge, Mass. : Massachusetts Institute of Technology, Center for Advanced Engineering Study; 1986.
- 4
- Shaw JA. Statistical Process Control for the Process Industries. ISA Trans 1991;30(1).
- 5
- Vanli OA, Del Castillo E. Statistical process control in manufacturing. Encycl Syst Control 2014;1–7.
- 6
- Tsung F, Li Y, Jin M. Statistical process control for multistage manufacturing and service operations: a review and some extensions. Int J Serv Oper Informatics 2008;3:191–204.
- 7
- Spiegelhalter DJ. Funnel plots for comparing institutional performance. Stat Med 2005;24:1185–202.
- 8
- Noyez L. Control charts, Cusum techniques and funnel plots. A review of methods for monitoring performance in healthcare. Interact Cardiovasc Thorac Surg 2009;9:494–9.
- 9
- THL. Avohilmo-tietojen tarkastus. Käyntisyiden kirjausasteet: Siun sote – Pohjois-Karjalan sosiaali- ja terveyspalvelujen ky / terveydenhuolto (90758). sampo.thl.fi/pivot/prod/fi/avopika/pikarap02/summary_kayntisyyt?vuosi_0=429307&palveluntuottaja_0=349196&ammatti_0=110048&palvelumuoto_0=33780&yhteystapa_0=226693&kirjausasteet_0=3&icd_lkm_0=6&icpc_lkm_0=7
- 10
- American Diabetes Association. Glycemic targets: standards of medical care in diabetes − 2021. Diabetes Care 2021;44(suppl 1):S73–84.
- 11
- Wallis S. Binomial confidence intervals and contingency tests: Mathematical fundamentals and the evaluation of alternative methods. J Quant Linguist 2013;20:178–208.
- 12
- Virtanen M, Oksanen T, Kawachi I, Subramanian S, Elovainio M, Suominen S ym. Organizational justice in primary-care health centers and glycemic control in patients with type 2 diabetes. Med Care 2012;50:831–5.
- 13
- Carls GS, Tuttle E, Tan RD ym. Understanding the gap between efficacy in randomized controlled trials and effectiveness in real-world use of GLP-1 RA and DPP-4 therapies in patients with type 2 diabetes. Diabetes Care 2017;40:1469–78.
- 14
- Valle T. Diabeetikkojen hoitotasapaino Suomessa vuosina 2009–2010. DEHKO-raportti 2010:5.
- 15
- Fraze TK, Lewis VA, Tierney E, Colla CH. Quality of care improves for patients with diabetes in medicare shared savings accountable care organizations: Organizational characteristics associated with performance. Popul Health Manag 2018;21:401–8.
- 16
- Laine M, Järveläinen H, Vielma M, Varjonen J-M, Grönfors M, Rautava P. Diabeteksen hoidon toteutuminen ja kustannukset perusterveydenhuollossa; Esimerkkinä Paimion–Sauvon kansanterveyskuntayhtymä. Suom Lääkäril 2020;75:818–826.
- 17
- De Berardis G, Pellegrini F, Franciosi M ym. Quality of care and outcomes in type 2. Diabetes Care 2004;27:398–406.
- 18
- Kay JF. Health Care Benchmarking. Med Bull Hong Kong Med Diary 2007;12:22–7.
- 19
- Malmivaara A. Real-effectiveness medicine – pursuing the best effectiveness in the ordinary care of patients. Ann Med 2013;45:103–6.
- 20
- Ettorchi-Tardy A, Levif M, Michel P. Benchmarking: A method for continuous quality improvement in health. Healthc Policy 2012;7:101–19.
- 21
- Laatikainen T, Koponen P, Reinikainen J ym. Mitä tietoa Suomessa saadaan hoitoilmoitusrekistereistä ja mitä väestötutkimuksista? Suom Lääkäril 2020;75:1853–8.
- 22
- Laatikainen T, Tirkkonen H, Niemi A ym. Potilastietojärjestelmästä tuki laadun arviointiin. Suom Lääkäril 2013;68:1986–8.
- 23
- Tiirinki H, Jonsson PM. Geneerinen elämänlaadun mittari kansallisissa laaturekistereissä. Suom Lääkäril 2020;75:1232–4.
- 24
- Mohammed MA, Booth K, Marshall D ym. A practical method for monitoring general practice mortality in the UK: Findings from a pilot study in a health board of Northern Ireland. Br J Gen Pract 2005;55:670–6.
– illustrated by benchmarking of real-world treatment outcomes in type 2 diabetes
Background Value-based health care shifts the focus to real-world treatment outcomes. The aim of the study was to illustrate how use of the funnel plot method (FPM) can contribute to the value-based improvement of primary care services. Benchmarking of real-world health-centre-specific treatment outcomes in type 2 diabetes is used as an example.
Methods The study cohort consisted of patients with type 2 diabetes who had visited health centres in the Siun sote area in 2014–2018 (n = 7,119 to 7,946). The outcome indicators used were adjusted health-centre-specific mean HbA 1c values (mmol/mol), and the proportion of patients with HbA1c < 53 mmol/mol and HbA 1c > 75 mmol/mol.
Results Special cause variation from the treatment target level was observed in the period studied. However, the proportions of patients with good glycaemic control (i.e. 65.7% to 68.4%) and with particularly poor glycaemic control (i.e. 5.6% to 7.2%) stayed relatively constant.
Conclusions The FPM provides a visual and easy-to-interpret way to compare health-centre-specific real-world treatment outcomes, as well as to improve the quality, effectiveness, and cost-effectiveness of services.
Janne Martikainen
Professor
University of Eastern Finland, School of Pharmacy, Pharmacoeconomics & Outcomes Research Unit
Kari Jalkanen, Jari Heiskanen, Piia Lavikainen, Petri Kivinen, Tiina Laatikainen
