Laste ned presentasjonen
Presentasjon lastes. Vennligst vent
PublisertJon Arntzen Endret for 9 år siden
1
GODT NOK? Hvordan vi jobber med datakvalitet i NOIS Hege Line Løwer seniorrådgiver Nasjonalt folkehelseinstitutt Avdeling for infeksjonsovervåking
2
Så langt… Norsk overvåkingssystem for infeksjoner i sykehustjenesten NOIS-POSI (postoperative sårinfeksjoner) 2005 – 2011 September-november Minimum ett inngrep 2005-2009 Minimum to inngrep 2010-2011
3
Kan vi stole på NOIS-data? Dere og vi har sjekket: Antall inngrep i NOIS mot operasjonslister Infeksjonsdiagnoser Uoverenstemmelser i dataene –røde bokser- eg. operasjonsdato før innleggelsesdato Skjevhet i dataene –for mye/lite av visse typer informasjon- eg. koding av sårkontaminasjon ift. gjennomsnittet
4
Hva har vi visst hittil om datakvalitet?
5
Manglende data (missing)
6
Oppfølging av pasientene etter utskrivelse
7
Hvor stor andel sykehus leverer data fra hvilke inngrep?
8
Hva mer kan vi gjøre for å kontrollere at NOIS har god kvalitet? "Koblingsprosjektet" Trinn 1: avidentifiserte data fra NPR skal sammenlignes med NOIS på "overordnet" nivå –Kompletthet – har vi alle operasjonene? –Representativitet – er det vi har i overenstemmelse med det som er i NPR? –Hvor mange infeksjoner finnes i NOIS sammenlignet med NPR? Trinn 2: NOIS- og NPR-data "hektes" på hverandre vha. personnummer –Finnes det pasienter med infeksjon i NPR som vi ikke har fått med oss i NOIS? –Har vi ellers korrekte opplysninger om hver pasient?
9
Hvor komplette er så NOIS-data? Sammenligne sykehus i NOIS- med tilsvarende i NPR Telle opp antall operasjoner i NPR og NOIS Forbehold: mulighet for feil – dette er første gjennomgang av disse dataene
10
NOIS vs NPR kompletthet
11
Hva sier så komplettheten oss? NOIS har minst 92% av alle operasjoner som vi finner hos NPR – Dette er kjempebra! Burde vi likevel ha 100%? –Hvor "glipper" det? –Har NOIS for få eller NPR for mange?
12
Hvor representative er NOIS-data? Fordeler det som er i NOIS seg på samme måte som i NPR? Kjønn Alder Regionsvis Diagnoser Operasjonskoder
13
Representativitet Kjønn og region - Bypass NOTE: PRELIMINARY DATA
14
Representativitet Alder og region - Bypass NOTE: PRELIMINARY DATA
15
Representativitet Alder og region - Keisersnitt NOTE: PRELIMINARY DATA
16
Representativitet Kjønn og region - Hofteprotese NOTE: PRELIMINARY DATA
17
Representativitet Alder og region - Hofteprotese NOTE: PRELIMINARY DATA
18
Oppsummering NOIS-data ser ut til å være nokså komplette –godt over 90% på det vi har sett på hittil NOIS-data ser ut til å være ganske representative –Kjønn fordeler seg svært likt i NOIS og NPR, både sammenlignet med samme periode (3mnd) og med resten av året (i NPR) –Alder fordeler seg nokså likt, men her må vi se nærmere på tallene –Jobbe videre med: de andre inngrepene de andre variablene som finnes i begge systemene
19
Neste skritt Da har vi kontrollert "nevner" i NOIS Hvordan kontrollerer vi så "teller", altså antall infeksjoner? –Sammenligne antall infeksjoner i NOIS (før utskrivelse) med infeksjoner i NPR på de avidentifiserte datasettene –Sammenligne infeksjonstype mm i de koblede datasettene –Sjekke diagnosesettingen og kodingen på sykehusene mot "gullstandard"
20
Hvorfor gjør vi alt dette? Høy datakvalitet – pålitelige data –Viktig for Pasientene Kirurgisk team Sykehuseier Samfunnet –korrigere kursen der det trengs
21
Dere gjør en kjempejobb!
Liknende presentasjoner
© 2024 SlidePlayer.no Inc.
All rights reserved.