Unwarranted variations in healthcare: the role of business intelligence

Healthcare is going through difficult time. Aging populations and rising prevalence of chronic diseases mandates higher quality and accessible care. Moreover, the substantially increasing health expenditure is forcing the healthcare policy makers and managers to do more with less resources. On the other hand, it is well known that healthcare systems suffer from service delivery variations known as unwarranted variations. These are the variations that are not explained by patients’ needs or preferences. Existence of such variations indicates that the best care has not been delivered and/or that resources have not been appropriately deployed in healthcare organizations. Therefore, detecting and reducing these variations specially trough policy interventions, is one of the main paths to decrease the healthcare expenditures without compromising the care quality. The correct identification of the unwarranted variations is the corner stone to detect the underlying factors and designing effective interventions to reduce the disparities. The proper detection of the unwarranted variations has two important antecedents: first, timely access to quality data and second, reliable risk adjustments. Business Intelligence (BI) is a prominent remedy for both of these vital issues. BI as a system that encompasses data collection, storage, analyses and reporting, has significant potentials in providing timely and quality data for unwarranted variations research. Moreover, BI can incorporate novel advanced analytics to better separate unwarranted variations from the total observed variations. However, literature reports that the success rate of BI in healthcare is significantly lower compared to other sectors. Moreover, health services research still needs more innovative analytical methods such as predictive models for hypotheses generation that can handle large health datasets. In order to cope with the above challenges, five studies (Appendices A-E), articulated in three phases, are developed in this thesis. In the first phase, the cross-regional variations in Spanish regions are assessed, examining patients’ average length of hospital stay, mortality rates, readmission rates and hospital-acquired infection rates for six different diagnostic categories. Our analyses suggest that the regional performances are similar across the diagnostic categories. This implies that influencing factors are common and healthcare decision-makers should pay more attention to indicator-specific interventions rather than the disease-specific ones. We also studied the Spanish regional variations in terms of the avoidable hospitalizations that are due to ambulatory care sensitive conditions. Among the influencing factors, general practitioners and specialists’ consultations per capita as well as the proportion of people visiting specialists are associated with reduced hospitalizations. This is an indication that primary care cannot be solely held accountable for reducing preventable hospitalizations. In the second phase, we developed a comprehensive maturity model that suggest the priorities to be followed for progressively developing a BI solution. Through collaborative research in several Italian hospitals, we demonstrated that the successful implementation of BI is an evolutionary and complex path. By developing a maturity model specific for BI in healthcare, we provide managers with means that guide this evolutionary implementation. We identified a comprehensive set of BI dimensions and indicators that should be considered during the implementations. Finally, in the third phase, we focused on advanced analytics that can be embedded in the BI systems and support the investigations in unwarranted variations. We first developed a novel Association Rules Mining (ARM) algorithm named Length-Sort that can discover the maximum-length rules more efficiently. Next, we demonstrate the application of Length-Sort on England Quality and Outcome Framework (QOF) dataset which contains general practices’ performances in terms of various evidence-based indicators. Our results show that Length-Sort can be an explorative alternative to the traditional risk adjustment method. Length-Sort can be used as a hypothesis generation tool to detect the unwarranted variations especially, in the more granular levels of analysis.

La Sanità sta attraversando un momento complesso. L'invecchiamento della popolazione e l'aumento di malattie croniche richiedono un'assistenza accessibile e di alta qualità. Inoltre, l'aumento sostanziale della spesa sanitaria sta costringendo i politici e i dirigenti sanitari a fare di più con meno risorse. D'altro canto, è ben noto che i sistemi sanitari risentano di variazioni nell'erogazione dei servizi, note come variazioni ingiustificate. Queste variazioni non sono spiegate dalle esigenze o dalle preferenze dei pazienti. L'esistenza di tali variazioni indica che non è fornita l'assistenza migliore e/o che le risorse non sono impiegate in modo appropriato nelle organizzazioni sanitarie. Pertanto, l'individuazione e la riduzione di queste variazioni, soprattutto attraverso interventi politici, è una delle sfide principali per ridurre la spesa sanitaria senza compromettere la qualità dell'assistenza. La corretta identificazione delle variazioni ingiustificate è la base per individuarne i fattori sottostanti e progettare interventi efficaci per ridurre le disparità. La corretta rilevazione delle variazioni ingiustificate ha due importanti antecedenti: in primo luogo, l’accesso tempestivo a dati di qualità e in secondo luogo, modifche affidabili del rischio. La Business Intelligence (BI) è un importante soluzione per entrambi gli aspetti. La BI, come sistema che comprende la raccolta, l'archiviazione, l'analisi e la reportistica dei dati, ha potenzialità significative nel fornire accesso tempestivo a dati di qualità per investigare le variazioni ingiustificate. Inoltre, la BI può incorporare nuovi e avanzati metodi di analisi per distinguere meglio le variazioni ingiustificate dalle variazioni totali osservate. Tuttavia, la letteratura riporta che il tasso di successo della BI nel settore sanitario è significativamente più basso rispetto ad altri settori. Infatti, la ricerca sui servizi sanitari necessita di metodi analitici più innovativi, come i modelli predittivi per la generazione di ipotesi in grado di gestire grandi dataset di dati sanitari. Per far fronte alle sfide sopra citate, in questo lavoro di tesi sono stati sviluppati cinque studi (Appendix A-E), articolati in tre fasi. Come prima fase, sono state valutate le variazioni interregionali nelle regioni spagnole, esaminando la durata media della degenza ospedaliera dei pazienti, i tassi di mortalità, i tassi di riammissione e i tassi di infezione acquisita in ospedale per sei diverse categorie diagnostiche. Le nostre analisi suggeriscono che le prestazioni regionali sono simili in tutte le categorie diagnostiche. Ciò implica che i fattori influenzanti sono comuni e che i manager sanitari dovrebbero dedicare maggiore attenzione agli interventi progettati per il miglioramento di specifici indicatori piuttosto che a quelli progettati sulla malattia. Inoltre sono state analizzate anche le variazioni regionali spagnole in termini di ricoveri ospedalieri evitabili dovute alle condizioni sensibili delle cure ambulatoriali. Tra i fattori influenzanti, le consultazioni dei medici di base e degli specialisti pro-capite e la percentuale di persone che consultano gli specialisti sono associate ad un numero ridotto di ricoveri. Questo indica che l'assistenza primaria non può essere ritenuta l’unica responsabile della riduzione dei ricoveri prevenibili. Nella seconda fase, è stato sviluppato un modello di maturità completo che identifica le priorità da seguire per sviluppare progressivamente una soluzione di BI. Attraverso la ricerca collaborativa in diversi ospedali Italiani, è stato dimostrato che l'implementazione corretta di BI è un percorso graduale e complesso. Di conseguenza, attraverso lo sviluppo di un modello di maturità specifico per la BI in ambito sanitario, questo lavoro fornisce ai manager la guida per l’implementazione graduale. Inoltre è stata identificata una serie completa di dimensioni e indicatori di BI che dovrebbe essere presa in considerazione durante le implementazioni di BI. Infine, la terza fase, è stata dedicata all'analisi avanzata che può essere integrata nei sistemi di BI e supportare le indagini delle variazioni ingiustificate. Come primo step, è stato sviluppato un nuovo algoritmo di Association Rules Mining (ARM) chiamato Length-Sort che può scoprire le regole di associazione “maximum-length” in modo più efficiente. Successivamente, è stato dimostrata l'applicazione del “Length-Sort” sul dataset “England Quality and Outcome Framework (QOF)” che contiene le prestazioni delle pratiche generali in termini di diversi indicatori evidence-based. I nostri risultati mostrano che Length-Sort può essere un'alternativa esplorativa al metodo tradizionale di regolazione del rischio. Length-Sort può essere utilizzato come strumento di generazione di ipotesi per rilevare le variazioni ingiustificate, soprattutto per dettagliati livelli di analisi.