Behandeluitkomsten worden gezien als een van de meest relevante kwaliteitsindicatoren voor de gezondheidszorg (Porter, 2010). De ggz is in 2010 begonnen met het structureel meten van behandeluitkomsten met Routine Outcome Monitoring (ROM). Met ROM worden periodiek de klachten, het functioneren en het welbevinden van de patiënt in kaart gebracht. Hiermee krijgen de patiënt en zijn of haar behandelaar (beter) inzicht in het verloop van de klachten. Aan het begin, gedurende en na afloop van de behandeling vullen de patiënt en/of behandelaar een gevalideerde vragenlijst in, waarmee het klachtenniveau of het functioneren van de patiënt wordt vastgesteld. Sinds 2010 worden ROM-gegevens aangeleverd bij de Stichting Benchmark GGZ (SBG).
Een van de doelen van ROM is het verzamelen van uitkomstgegevens ten behoeve van benchmarken, een strategie voor het ontdekken van best practices en kwaliteitsverbetering (Barendregt, 2015).
Verschillen in behandeluitkomsten duiden op kwaliteitsverschillen tussen instellingen als de variatie in uitkomsten zo min mogelijk het gevolg is van verschillen in patiëntkenmerken of meetmethodiek (verschillen in meetmethodiek blijven in deze studie buiten beschouwing).
Als er sprake is van verschillen in patiëntkenmerken tussen ggzinstellingen die de behandeluitkomst beïnvloeden, dan is het wenselijk daarmee rekening te houden voor een eerlijke onderlinge vergelijking van de behandeluitkomsten van die ggz-instellingen. Dat wordt ook wel casemixcorrectie of ‘risk adjustment’ genoemd (Lezzoni, 2013).
Voor het toepassen van een casemixcorrectie is het allereerst belangrijk om te weten welke patiëntkenmerken samenhangen met de behandeluitkomst. Internationale studies laten zien dat de score op de voormeting een belangrijke voorspeller is van de behandeluitkomst. Andere klinische kenmerken voegen weinig verklaarde variantie toe (Dow e.a., 2001; Rosen e.a. 2010).
De relatie tussen de ernst van de klachten in de voormetingen en de behandeluitkomst is echter niet eenduidig (Van e.a., 2008). Dit heeft onder andere te maken met grote verschillen in de operationalisatie van behandeluitkomsten in onderzoek (Jacobson & Truax, 1991).
Pilot zorgverzekeraar Achmea
In het kader van het programma ‘Kwaliteit van Zorg’ heeft zorgverzekeraar Achmea samen met zes ggz-instellingen en SBG een pilot opgezet om ervaring op te doen met het vergelijken van uitkomstmetingen van ggz-instellingen. Met een steekproef van zeshonderd ambulante patiënten (N = 600 zorgtrajecten) met angst en/of depressie is daarin de volgende centrale vraag beantwoord: welke invloed hebben patiëntkenmerken op de behandeluitkomst?
Methode
Steekproef en procedure
De SBG ontvangt maandelijks ROM-gegevens van ggz-instellingen over DBC-trajecten (Diagnose Behandel Combinatie). Op basis daarvan worden behandeluitkomsten op geaggregeerd niveau inzichtelijk gemaakt. In dit pilotonderzoek is uit de patiëntenpopulatie van elke deelnemende ggz-instelling een random steekproef getrokken van honderd zorgtrajecten (N=100); uit alle in 2013 afgesloten zorgtrajecten voor mensen met een stemmingsof angststoornis als primaire diagnose. De totale steekproef bestaat zodoende uit 600 zorgtrajecten.
Tabel 1:
Verdeling van patiëntkenmerken
Patiëntkenmerk | Niveau | % | patiëntkenmerk | Niveau | % |
|---|---|---|---|---|---|
Geslacht (N=598) | man | 38.1 | Nevendiagnose (N=597) | ||
Leeftijd (N=598) | 39.3* | As1 | aanwezig | 47.9 | |
SES (N=593) | Laag 1 | 37.8 | As2 | aanwezig | 14.4 |
2 | 22.0 | As3 | aanwezig | 24.1 | |
3 | 13.3 | As4 | aanwezig | 81.7 | |
4 | 13.1 | GAF score (N=591) | 58.4* | ||
Hoog 5 | 13.8 | Score voormeting (N=598) | 51.6* | ||
Urbanisatie (N=598) | Stad 1 | 29.7 | Score nameting (N=598) | 40.4* | |
2 | 24.2 | Episode (N=478) | 1e episode | 52.5 | |
3 | 19.7 | 2e episode | 25.9 | ||
4 | 14.7 | Chronisch | 21.5 | ||
Platte land 5 | 11.8 | Duur klachten (N=419) | ≤ 6 maanden | 39.9 | |
Opleiding (N=461) | Basis/vmbo | 23.2 | 7 t/m 12 maanden | 31.7 | |
Havo, vwo, mbo | 44.7 | >12 maanden | 28.4 | ||
Bachelor/Master | 32.1 | Eerdere behandeling (N=568) | Ja | 46.5 | |
Partnersituatie (N=535) | Met partner | 53.8 | ZVZ indicator (N=590) | 4.2* | |
Primaire diagnose (N=598) | Angst | 45.7 | |||
Depressie | 54.3 |
Noot: ten behoeve van de steekproef heeft de SGB de databestanden van de afzonderlijke steekproeven (N = 100) eerst naar de zes ggz-instellingen gestuurd die via dossieronderzoek de bijbehorende patiëntkenmerken hebben opgezocht. Vervolgens stuurden de instellingen de databestanden ingevuld terug naar SBG waar ze werden samengevoegd en geanalyseerd.
Tabel 1
Tabel 1 geeft een overzicht van de verdeling van de kenmerken van de patiënten in de steekproef.
Het merendeel van de patiënten is vrouw, heeft een lage sociaaleconomische status (SES), heeft een lage tot middelbare opleiding genoten en komt uit regio’s waarin de mate van urbanisatie vrij groot is. De primaire diagnose depressieve stoornis komt net wat vaker voor dan een angststoornis. Comorbiditeit op As 4 komt regelmatig voor. Voor ongeveer de helft van de patiënten geldt dat de klachten een eerste episode betreffen en voor de meerderheid van hen geldt dat de klachten voorafgaand aan de behandeling minder lang duurden dan twaalf maanden.
Meetinstrumenten
De ROM metingen zijn verricht met de Symptom Checklist-90 (SCL-90; Arrindell & Ettema, 2003), de Brief Symptom Inventory (BSI; De Beurs, 2008), de Outcome Questionnaire (OQ; De Jong e.a., 2008), de Depression Anxiety Stress Scales (DASS; De Beurs e.a., 2001) en de Clinical Outcomes in Routine Evaluation (CORE; Barkham e.a., 2005). Dit zijn allemaal betrouwbare, valide en responsieve meetinstrumenten voor het meten van symptomen van psychopathologie (Van Beljouw & Verhaak, 2010). Omdat verschillende vragenlijsten zijn gebruikt, zijn de begin- en eindscores statistisch omgezet naar een genormaliseerde T-score, zodat de scores van de verschillende vragenlijsten vergeleken konden worden (De Beurs, 2010). Een hogere T-score duidt op meer klachten.
Patiëntkenmerken
De onderzochte patiëntkenmerken zijn onderverdeeld in achtergrondkenmerken en klinische kenmerken.
Achtergrondkenmerken
Onder achtergrondkenmerken vallen:
-
leeftijd (in jaren);
-
geslacht (man/vrouw)
-
hoogst afgeronde opleiding (Basisonderwijs/voorbereidend middelbaar beroepsonderwijs (vmbo); Hoger algemeen voortgezet onderwijs (havo), Voorbereidend wetenschappelijk onderwijs (vwo), Middelbaar beroepsonderwijs (mbo); en Bachelor/Master).
-
partnersituatie;
-
sociaaleconomische status (SES);
-
urbanisatiegraad.
Noot: SES en urbanisatiegraad hebben allebei vijf niveaus, naar de postcode-codering van het Sociaal Cultureel Planbureau (SCP). Voor SES geldt: hoe hoger het niveau, hoe hoger de SES. Voor urbanisatie geldt: hoe hoger het niveau hoe lager de mate van urbanisatie.
Klinische kenmerken
Onder klinische kenmerken vallen:
-
primaire diagnose volgens de DSM-IV classificatie (angst- of depressieve stoornis);
-
nevendiagnose op As 1, 2, 3 en 4 (wel/niet aanwezig);
-
Global Assessment of Functioning (GAF-score = As 5 DSM-IV);
-
ernst van de klachten (T-score op de voormeting);
-
episode van de klachten (1e episode; 2e episode/recidive; chronische fase);
-
eerdere behandeling (ja/nee);
-
duur van de aandoening (aantal maanden).
Noot: gegevens over de klinische kenmerken episode van de klachten, eerdere behandeling en duur van de behandeling zijn in het kader van de huidige studie verzameld. Gegevens over de andere klinische kenmerken worden al samen met de ROM-gegevens regulier aangeleverd aan SBG.
×
![]()
Op grond van een aantal klinische kenmerken is de zorgvraagzwaarte indicator (ZVZ-indicator) bepaald. Die is ontwikkeld door de werkgroep Zorgvraagzwaarte om beter grip te krijgen op de complexiteit van de problematiek (Werkgroep zorgzwaarte, 2013). De ZVZ-indicator geeft aan hoeveel behandelinzet er wordt verwacht voor een patiënt, gegeven diens patiëntkenmerken. In deze studie is (exploratief) onderzocht wat de invloed van de ZVZ-indicator is op de behandeluitkomst. De volgende vier elementen vormen samen de ZVZ-indicator:
-
de zwaarte van de primaire diagnose (licht, matig, zwaar);
-
de aanwezigheid van nevendiagnose(s);
-
de aanwezigheid van psychosociale factoren (As IV);
-
de GAF-score.
Noot: voor de berekening van de ZVZ-indicator wordt aan deze vier afzonderlijke elementen een score toegekend, waarna die scores bij elkaar worden opgeteld. De score van de ZVZ-indicator varieert van 1 (laag) tot 7 (hoog).
Uitkomstmaat
De behandeluitkomst wordt door SBG gedefinieerd als Delta T, een verschilscore voor de verandering in klachten en symptomen tussen de pre- en posttest. Statistisch is onderzocht welke variabelen (patiëntkenmerken) een voorspellende waarde hebben voor de ernst van de klachten in de posttest.
Door het onderzoeken van de relatie tussen patiëntkenmerken en de posttest sluit deze studie aan bij de methode die gehanteerd wordt bij casemix correctie op basis van Patient Reported Outcome Measures (PROMs; Nuttall e.a., 2013).
Analyses
Enkelvoudige regressieanalyses zijn uitgevoerd om te bepalen of er samenhang is tussen de patiëntkenmerken en de uitkomstmaat. (P-waarde ≤.05). In het meervoudige sequentiële regressie model zijn de significante kenmerken in ‘blokken’ opgenomen; eerst een blok klinische kenmerken, gevolgd door een blok achtergrondkenmerken. Binnen de blokken zijn de variabelen via de methode ‘Forward’ aan het model toegevoegd.
In een controle-analyse is de volgorde van de blokken omgedraaid (sociaal demografische kenmerken, gevolgd door de klinische kenmerken) en zijn de variabelen binnen de blokken tegelijkertijd (via de methode ‘enter’) aan het model toegevoegd. In een aparte meervoudige regressieanalyse is de ZVZ-indicator opgenomen (zonder blokken, via de methode ‘enter’), samen met de andere significante variabelen, uitgezonderd van de variabelen waaruit de ZVZ-indicator is opgebouwd. In alle regressieanalyses zijn de leeftijd, SES, urbanisatiegraad, GAFscore en duur van de behandeling als continue variabelen opgenomen, de andere variabelen als categoriale variabelen. Er is niet gecorrigeerd voor missende waarden; de analyses zijn uitgevoerd op zorgtrajecten met informatie over de betreffende patiëntkenmerken. De meervoudige analyses zijn uiteindelijk uitgevoerd voor 304 zorgtrajecten (N = 304).
Tabel 2:
Enkelvoudige regressie analyses met de nameting als uitkomstmaat
Patiëntkenmerk | Niveau | B (SE) | 95% betrouwbaarheidsinterval | P | R2
| |
|---|---|---|---|---|---|---|
Geslacht (N=598) | man | -.60 (.87) | -2.30 | 1.11 | .49 | 0.1% |
Leeftijd (N=598) | .10 (.03) | 0.03 | 0.17 | <.01 | 1.5% | |
SES (N=593) | -.39 (.29) | -0.97 | 0.19 | .19 | 0.3% | |
Opleiding (N=461) | ||||||
Basis/vmbo | 2.10 (1.29) | -0.43 | 4.63 | .10 | 0.6% | |
Havo, vwo, mbo | 1.51 (1.09) | -0.64 | 3.66 | .17 | 0.4% | |
Bachelor/master | REF* | |||||
Partnersituatie (N=535) | geen | .05 (.88) | -1.68 | 1.79 | .95 | 0.0% |
Voormeting (N=598) | .55 (.04) | 0.47 | 0.64 | <.001 | 23.1% | |
Hoofddiagnose (N=598) | angst | -.11 (.85) | -1.77 | 1.55 | .90 | 0.0% |
Nevendiagnose as 1 (N=597) | nee | -3.34 (.83) | -4.97 | -1.71 | <.001 | 2.6% |
Nevendiagnose as 2 (N=597) | nee | -2.2 (1.20) | -4.49 | 0.20 | .07 | 0.5% |
Nevendiagnose as 3 (N=597) | nee | -2.1 (.98) | -4.00 | -0.16 | .03 | 0.8% |
Nevendiagnose as 4 (N=597) | nee | -4.8 (1.07) | -6.95 | -2.75 | <.001 | 3.3% |
GAF-score (n=591) | -.26 (.05) | -0.35 | -0.17 | <.001 | 5.4% | |
Episode (n=478) | chronisch | 2.65 (1.19) | 0.30 | 4.99 | <.05 | 1.0% |
2e episode | -.63 (1.12) | -2.83 | 1.57 | .58 | 0.1% | |
1e episode | REF | |||||
Duur klachten (maanden) (N=417) | .03 (.01) | 0.00 | 0.06 | <.05 | 1.0% | |
Eerdere behandeling (N=568) | nee | -2.1 (.86) | -3.81 | -0.44 | <.05 | 1.1% |
ZVZ indicator (N=590) | 2.80 (.40) | 2.02 | 3.58 | <.001 | 7.8% | |
Resultaten
Samenhang patiëntkenmerken en behandeluitkomst
Op grond van enkelvoudige regressieanalyses zijn de volgende variabelen geselecteerd (p ≤.05) voor het meervoudige regressiemodel (tabel 2):
-
leeftijd;
-
urbanisatie;
-
de score op de voormeting;
-
de duur van de behandeling;
-
de nevendiagnoses op As 1, 3 en 4;
-
de GAF-score;
-
het ziektestadium;
-
de duur van de klachten;
-
eerdere behandeling;
-
de ZVZ-indicator.
×
![]()
Deze variabelen zijn vervolgens opgenomen in een meervoudig regressiemodel (N=304), met uitzondering van de ZVZ-indicator. De resultaten van het meervoudig regressiemodel staan weergegeven in Tabel 3.
Het opnemen van de klinische variabelen (blok 1) in het regressiemodel leidde ertoe dat als eerste de score op de voormeting werd geselecteerd, met een verklaarde variantie van 24.2 procent. Deze score hangt significant samen met de score op de nameting; hoe meer klachten op de voormeting, des te meer klachten op de nameting.
Van de overige klinische variabelen is alleen de duur van de aandoening significant gerelateerd aan de behandeluitkomst (blok 2); hoe langer de aandoening aanwezig is hoe hoger de score op de nameting. De duur van de klachten verklaart nog eens 2,1% van de variantie in score bij de nameting.
Ook analyses waarbij de volgorde van de blokken werd omgedraaid of waarbij een andere methode van toevoegen van de variabelen binnen de blokken werd toegepast (‘enter’), leidden tot dezelfde resultaten; binnen elke analyse bleken de voormeting en duur van de klachten de belangrijkste voorspellers van de score op de nameting. Een meervoudige regressieanalyse met de ZVZindicator leidde eveneens tot dezelfde resultaten.
Tabel 3:
Resultaten meervoudige sequentiële regressie analyse (N=304)
B(SE) | 95% betrouwbaarheids- interval | P | |||
|---|---|---|---|---|---|
Blok 1 | Voormeting | .56 (.06) | .45 | .67 | <.001 |
Blok 2 | Voormeting | .57 (.06) | .43 | .67 | <.001 |
Duur klachten | .04 (.01) | .01 | .06 | <.0 | |
Discussie
Samenvattend blijkt uit deze studie dat het ernstniveau van de klachten bij de voormeting de belangrijkste voorspeller is van de score op de nameting. De aanvullende klinische variabelen in dit onderzoek (duur, episode, eerdere behandeling) verklaren weinig extra variantie in behandeluitkomst. De gevonden relatie tussen ernst van de klachten op de voormeting en de behandeluitkomst is overeenkomstig met eerder onderzoek (Rosen e.a., 2010).
Dat er relatie bestaat tussen de duur van de klachten en de behandeluitkomst viel te verwachten omdat de duur van de klachten ook als een ernstindicator beschouwd kan worden. Opvallend is verder dat andere kenmerken die indicatief zijn voor de ernst of complexiteit van de klachten, zoals comorbiditeit, in een meervoudig model niet overeind blijven als voorspellers van de behandeluitkomst.
De score bij baseline zal doorgaans de beste voorspeller zijn voor de score van de nameting zolang de behandeluitkomst en baseline ernst worden gemeten met hetzelfde meetinstrument. De kans is dan klein dat een andere variabele een hogere samenhang vertoont met de score op de nameting vanwege de autocorrelatie tussen scores op voor- en nameting (Lezzoni 2013).
Daarom is het belangrijk dat er ook andere uitkomstmaten binnen de ggz worden ontwikkeld. Dit kunnen uitkomstmaten zijn die met een andere methode dan vragenlijsten zijn verkregen, meer objectieve maten, of uitkomstmaten die niet alleen zijn gebaseerd op het oordeel van de patiënt maar ook op dat van belangrijke derden.
Beperkingen
Onderzocht is of het aantal zorgtrajecten in de meervoudige analyse op face value representatief is op een aantal casemix-variabelen (leeftijd, geslacht, score voormeting en GAF), in vergelijking tot de zorgtrajecten met een complete pre-post meting van alle zorgaanbieders die bij SBG aanleveren. Hierbij kwamen geen noemenswaardige verschillen naar voren op de genoemde kenmerken. De steekproef is echter aselect getrokken uit zorgtrajecten van de zes deelnemende instellingen met een complete pre-post meting; incompleet gemeten zorgtrajecten zijn niet in het onderzoek meegenomen. Zo kan het zijn dat de uitkomsten van succesvolle behandelingen vaker zijn nagemeten en dus over gerepresenteerd zijn in de steekproef. Verder zullen langere behandeltrajecten ondervertegenwoordigd zijn. De onderzoeksresultaten kunnen dus niet worden gegeneraliseerd naar alle zorgtrajecten van patiënten met stemmings- en/of angststoornissen. Voordat harde conclusies kunnen worden getrokken, is replicatie van het onderzoek dan ook gewenst.
Een andere beperking betreft het type onderzoek. Dat is observationeel van aard, het is niet opgezet om confounders van de behandeluitkomst experimenteel te onderzoeken. Hiervoor moet bij voorkeur gerandomiseerd gecontroleerd onderzoek worden verricht.
Tenslotte kunnen ook verschillen in meetmethodiek de behandeluitkomsten beïnvloeden. Daar is in het huidige onderzoek geen aandacht aan besteed. Het gebruik van verschillende vragenlijsten kan echter wel problemen opleveren als deze verschillen in responsiviteit (De Beurs e.a., 2012).
Conclusie
Uit deze pilotstudie blijkt dat met name het klachtenniveau bij aanvang van de behandeling samenhangt met de behandeluitkomst. Op basis van de relevante patiëntkenmerken die bij SBG in voldoende mate aanwezig zijn (o.a. klachtenniveau bij aanvang) is het mogelijk om een eerste casemixcorrectie toe te passen. Tegelijkertijd is het van belang om meer en gedegen onderzoek te blijven doen naar patiëntkenmerken die de behandeluitkomst het beste kunnen voorspellen. Na correctie voor patiëntkenmerken en het uniformiseren van de meetmethodiek duiden verschillen in behandeluitkomsten tussen instellingen op kwaliteitsverschillen. Om kwaliteitsverschillen zichtbaar te maken is het wenselijk om deze kwaliteitsaspecten te meten. Hiermee wordt inzichtelijk welke kwaliteitsaspecten een rol spelen en welke aspecten samenhangen met de behandeluitkomst, zodat op basis van de behandeluitkomsten kan worden ingezet op een kwaliteitsverbetering van de zorg.
Acknowledgements
Wij danken de ggz-instellingen Stichting Arkin, GGZ-Drenthe, HSK, Lentis, Max Ernst GGZ en Mentaal Beter voor het beschikbaar stellen van hun gegevens, het verzamelen van aanvullende informatie en voor hun bijdrage aan de discussie die ten grondslag lag aan dit paper.