Publicerad: 14 oktober 2020

Kontakt

Tolkning av data

Skillnader i data kan ha många olika orsaker. Till exempel kan primärvårdens organisation, registrering av data och möjligheter att hämta data påverka. Tolkning av data behöver därför göras med försiktighet och med hänsyn till den lokala kontexten.

Orsaker till variation av data

Skillnader i data benämns här som variation och kategoriserats i fyra olika grupper nedan. Repsektive sorts variation påverkas av flera olika faktorer, varav några nämns i bilden. Bilden och texten nedan är tänkt som ett stöd för att kunna förstå data bättre och enklare kunna se vilka faktorer man kan påverka för att nå ett önskvärt resultat.

Faktorer som påverkar data

Slumpvariation

Slumpvariation beror på slumpmässiga förhållanden som alltid finns med som en förklaring till variation, speciellt i små populationer som vårdcentraler och rehabiliteringsenheter, där det ofta rör det sig om få patienter. Små skillnader kan då få stor betydelse för andelsvärden.

Variation i patientgrupper och uppdrag

Variationer i den listade befolkningen, så kallad case-mix, kan påverka utfallet för olika indikatorer. Intressanta aspekter att undersöka vidare är till exempel socioekonomiska förhållanden, åldersfördelning inom den aktuella gruppen och utbildningsnivå då detta är faktorer som har stor betydelse för hälsan. Åldersuppdelade resultat visas för många indikatorer, men övriga faktorer beaktas inte.

Även uppdragen för primärvårdens vårdenheter varierar, både mellan och inom regionerna. Uppdraget kan till exempel variera mellan städer och glesbygd, där primärvården i glesbygd ofta har ett bredare uppdrag och ansvarar för en större andel av svårare och akut sjuka än i storstadsområden. Mellan regionerna finns stora skillnader i uppdrag, till exempel ingår ansvar för hemsjukvården i vårdcentralernas uppdrag i Stockholm, som enda region. Även vad gäller uppdrag för lättare akut sjukdom, till exempel infektioner, kan utbud med närakuter påverka resultaten. I vissa regioner ingår rehabilitering med fysioterapi och arbetsterapi liksom psykoterapeutisk verksamhet i vårdcentralernas uppdrag, men i andra är de organiserade helt eller delvis som egna enheter.

Variation på grund av skillnader i registrering och tillgänglighet i data

Riktlinjer och tradition samt om, och hur, olika yrkesgrupper registrerar diagnoser och åtgärdskoder, varierar mellan såväl vårdcentraler som regioner. Ersättningssystem påverkar också registreringsmönstret genom att KVÅ-koder och diagnoskoder registreras i högre utsträckning när de är kopplade till ersättning, till exempel ACG (Adjusted Clinical Groups - ett mått på vårdtyngd). Eftersom data till PrimärvårdsKvalitet samlas med automatiska uttag direkt ur journalerna har också tekniska förutsättningar, som olika journalsystem och detaljer kring dataregistrering och datauttag, betydelse för vilka data man får ut.

Åtgärder samlas in från den enskilda vårdcentralen eller rehabenheten för de flesta indikatorerna i PrimärvårdsKvalitet, medan diagnoser oftast samlas från hela primärvården. För de indikatorer som är utformade för att följa vårdkedjor genom hela sjukvården (till exempel indikatorer kring samverkan) samlas data oftast från hela sjukvården. Dock har inte alla regioner möjlighet att hämta data från sjukhuskliniker och/eller privata vårdcentraler eller rehabenheter vilket gör att data skiljer sig. För flera privata vårdgivare är inte video- eller chatbesök sökbara. Video- och chatbesök hos sk webläkare (som ligger utanför vårdvalet) ingår inte alls.

I ett fåtal regioner inkluderas läkemedel från dosdispenserade läkemedel automatiskt. Från övriga regioner inkluderas dosdispenserade läkemedel endast om de även finns registrerade i journalen. Laboratoriesvar kan hämtas i de flesta regionerna, men inte alla.

Kvalitetsskillnader och kvalitetsförbättringar

De skillnader som till slut kvarstår behöver analyseras och diskuteras för att värdera om de står för förbättringar eller andra sorters skillnader som kanske behöver få ökat fokus. Det kan också vara så att skillnader inte beror på faktorer som nämns ovan. Ett exempel är skillnader i förekomst av en sjukdom, där såväl en låg som en hög siffra kan vara bra eller mindre bra. En hög siffra kan tyda på att man hittar en många som har sjukdomen, men skulle också kunna bero på överdiagnostik. Omvänt kan en låg siffra betyda att många är friska eller att man inte identifierat alla sjuka.

Hjälpte informationen på sidan dig?



Tack för att du hjälper oss!