Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Filomena Morsillo
Lucia Nobilio
Maria Luisa Moro
Agenzia sanitaria e sociale regionale dell’Emilia-Romagna
Copia del documento può essere scaricata dal sito Internet http://assr.regione.emilia-romagna.it/
Chiunque è autorizzato per fini informativi, di studio o didattici, a utilizzare e duplicare i contenuti di questa
pubblicazione, purché sia citata la fonte.
Indice
Introduzione .................................................................................................. 5
Metodi ............................................................................................................ 7
Fonti informative utilizzate .............................................................................................7
Variabile dipendente ......................................................................................................7
Variabili indipendenti e metodi di calcolo ......................................................................8
Costruzione del modello e valutazione ....................................................................... 10
Validazione del modello statistico ............................................................................... 10
Bontà di adattamento e performance (capacità discriminante) del modello ............. 11
Risultati ........................................................................................................ 13
Distribuzione della popolazione per profilo di rischio ................................................. 13
Validazione del modello RiskER ................................................................................... 15
Valutazione del modello .............................................................................................. 15
Calibrazione ................................................................................................................. 17
Discriminazione ........................................................................................................... 18
Analisi dei pazienti classificati in categorie di rischio diverse dai due modelli............ 18
Conclusioni ............................................................................................... 21
Riferimenti bibliografici ........................................................................... 23
Allegato. Coefficienti di regressione del modello logistico RiskER per fasce
di età e sesso............................................................................................ 25
Introduzione
Per essere realmente efficaci, i servizi sanitari devono essere in grado di gestire la salute dell’intera
popolazione e non solo di coloro che richiedono attivamente una prestazione sanitaria o sociale. Tale
approccio viene definito population health management - PHM e ha l’obiettivo di mantenere quanto più
possibile la popolazione in buone condizioni di salute e minimizzare il ricorso a prestazioni sanitarie
costose (Hibbard et al., 2017), adattando gli interventi offerti alle persone in ragione del livello di rischio
di utilizzo dei servizi sanitari. Le persone a rischio più elevato di utilizzo inappropriato dei servizi sanitari
(accessi al Pronto soccorso o ricovero in ospedale) vengono prioritariamente assegnate a un successivo
intervento, in particolare la presa in carico individuale.
Negli ultimi anni sono stati messi a punto numerosi modelli per predire nella popolazione il rischio di
accessi inappropriati al Pronto soccorso o ricoveri in ospedale, utilizzando tre principali categorie di fonti
informative:
• dati riferiti dal paziente sulla base di questionari o interviste; in questo caso vengono rilevate anche
informazioni non sanitarie, quali lo stato funzionale e i supporti sociali;
• dati amministrativi correnti o registri di popolazione;
• dati rilevati dalle cartelle cliniche o altri documenti sanitari.
Una recente revisione sistematica della letteratura (Wallace et al., 2014) ha analizzato 27 modelli di
predizione del rischio (Tabella 1).
Tabella 1. Caratteristiche dei modelli inclusi nella revisione sistematica di Wallace et al., 2014
5
La revisione sistematica conclude che i modelli sviluppati sulla base di dati amministrativi o dati clinici
hanno una migliore performance rispetto a quelli basati su dati riferiti dal paziente.
In un articolo successivo, l’autrice della revisione sistematica sottolinea come siano migliori i modelli -
basati su dati amministrativi o clinici - che siano però focalizzati a identificare non tutti i ricoveri o gli
accessi al Pronto soccorso, ma solo quelli prevenibili attraverso interventi più intensivi di assistenza
territoriale (Wallace et al., 2016).
Uno dei modelli incluso nella revisione della Wallace (2014) è stato sviluppato dall’Agenzia sanitaria e
sociale della Regione Emilia-Romagna in collaborazione con la Jefferson University di Philadelphia, USA.
Il modello, pubblicato nel 2014 (Louis et al., 2014), si basava su dati amministrativi regionali
opportunamente linkati, ha incluso l’intera popolazione adulta di 18 anni o più residente in regione, ha
utilizzato come variabile di esito tutti i ricoveri ospedalieri o decessi per problemi potenzialmente
evitabili, ha mostrato una buona performance (c-statistics = 0.856).
Questo modello si basa solo su dati sanitari (mortalità, ricoveri, accessi in Pronto soccorso, assistenza
domiciliare integrata, prescrizioni o distribuzione di farmaci); ciò può rappresentare in prospettiva un
limite alla capacità di identificazione proattiva di pazienti con bisogni combinati sanitari e sociali. Un
analogo studio condotto a Bologna (Pandolfi et al., 2016), che ha incluso anche determinanti sociali
(quali l’indice di deprivazione e il reddito familiare), ha evidenziato infatti come il rischio di
ospedalizzazione in urgenza o decesso sia significativamente e indipendentemente aumentato nelle
persone con reddito basso e/o che abitano in aree deprivate.
Nel 2016 si è ritenuto opportuno rivedere il modello originariamente sviluppato in collaborazione con la
Jefferson University, con l’obiettivo di rendere possibile un processo mirato ad aggiornare il modello e
arricchirlo con variabili aggiuntive di carattere socioeconomico.
Poiché il modello originale utilizzava un algoritmo che prevedeva l’utilizzo del disease staging (Gonnella
et al., 1984, 2012), sistema sviluppato dalla Jefferson University, la prima fase è consistita nel riprodurre
il modello senza l’utilizzo di questo sistema verificando tuttavia che la performance del modello fosse
sempre elevata e che non ci fossero discordanze nella identificazione delle diverse categorie di rischio.
In questo documento vengono presentati i metodi utilizzati per costruire il modello RiskER e per valutarlo
comparativamente, e i risultati di tale confronto.
6
Metodi
Fonti informative utilizzate
Per la costruzione del modello sono stati utilizzati i dati amministrativi forniti dal sistema infomativo della
Regione Emilia-Romagna opportunamente linkati su base individuale (circa 4 milioni di assistiti). In
particolare, si è fatto riferimento ai seguenti flussi:
• Anagrafe sanitaria per l’identificazione della popolazione in analisi, le caratteristiche demografiche e
lo stato in vita (ANAG)
• Archivio delle schede di dimissione ospedaliera (SDO) per identificare i problemi di salute dei soggetti
in anagrafe (codici diagnosi ICD9-CM) e gli accessi in ospedale
• Archivio degli accessi in Pronto soccorso (flusso PS) per identificare i problemi di salute dei soggetti
in anagrafe (codici diagnosi ICD9-CM) e gli accessi in Pronto soccorso
• Archivio dei pazienti in assistenza domiciliare integrata (flusso ADI) per identificare i problemi di
salute dei soggetti in anagrafe (codici diagnosi ICD9-CM)
• Archivio dell’assistenza specialistica ambulatoriale (flusso ASA) per identificare la presenza di
malattia tumorale (T1-radioterapia/chemioterapia), malattie genitourinarie (99.25) e dialisi (T2-
dialisi)
• Prescrizioni farmaceutiche dei soggetti in anagrafe (codice ATC): Archivio farmaceutica territoriale
(AFT) e Archivio distribuzione diretta farmaci e distribuzione per conto (FED)
Variabile dipendente
In analogia al modello sviluppato in collaborazione con la Jefferson University, la variabile dipendente è
stata definita come ospedalizzazione per problemi potenzialmente evitabili o decesso per qualsiasi tipo
di causa.
L’elenco dei ricoveri inclusi consiste di circa 1.500 codici di patologia (codifica ICD-9-CM) individuati in
diagnosi principale che, nella versione sviluppata inizialmente, era basata sulla classificazione disease
staging.1 Oltre a tutte le condizioni definite prevenibili se trattate con appropriate forme di assistenza
territoriale, la lista di ricoveri comprende: alcuni ricoveri programmati allo scopo di identificare problemi
di salute gestibili dal medico di medicina generale se trattati tempestivamente; i ricoveri per specifiche
tipologie di tumore, nella categoria dei tumori del colon e della cervice, perché considerati
potenzialmente evitabili se gestiti con appropriatezza. Sono stati esclusi i ricoveri per parto, per problemi
odontoiatrici e i ricoveri per segni e sintomi mal definiti.
Sono stati inclusi anche i decessi per tenere conto di eventi potenzialmente prevenibili che hanno
preceduto il probabile ricovero in opedale (ad esempio, malattia coronarica che esita in decesso per
infarto miocardico acuto).
1 La documentazione sul lavoro di decodifica dal disease staging ai codici ICD-9-CM è disponibile su richiesta.
7
Variabili indipendenti e metodi di calcolo
Le variabili indipendenti per predire il rischio di ospedalizzazione e decesso sono quelle incluse nel
modello messo a punto in collaborazione con la Jefferson University, con l’unica differenza che nella
definizione della/delle patologie non è stato utilizzata la codifica disease staging; per identificare le
patologie, è stata invece utilizzata la classificazione major diagnostic category (MDC - categoria
diagnostica principale) prevista dal sistema DRG.2
La Tabella 2 riporta le diverse variabili utilizzate e il metodo di calcolo.
Accesso ai servizi: ricovero ospedaliero SDO Numero di ricoveri in regime ordinario o day hospital
nell’anno
Accesso ai servizi: accessi in PS PS Numero di accessi al PS nell’anno con codici giallo e rosso
al quale non è seguito il ricovero
Patologie che hanno portato a un SDO Categoria diagnostica principale di ogni ricovero in regime
ricovero ordinario nell’anno
Patologia tumorale o insufficienza ASA Utilizzo di specialistica ambulatoriale nell’anno per codice
renale prestazione Radioterapia/chemioterapia (codice 99.25) o
dialisi (T2)
Patologie che hanno portato ad ADI Patologia prevalente in tutti gli episodi di accesso in ADI
assistenza domiciliare nell’anno
Tutte le malattie escluso le malattie AFT/FED Utilizzo di farmaci nell’anno per una specifica malattia
cardiovascolari cronica oltre una soglia definita*
(continua)
2 Il sistema DRG prevede un livello superiore di raggruppamento basato su un criterio di rilevanza clinica
(anatomico o eziologico): in base alla diagnosi principale riportata nella scheda di dimissione ospedaliera viene
assegnata la categoria MDC; successivamente, viene attribuito uno specifico DRG fra quelli appartenenti alla
MDC selezionata.
8
Variabile Fonte Definizione
informativa
Farmaci inappropriati nella AFT/FED Esposizione a farmaci da non usare nelle persone con ≥65
popolazione anziana anni, classificati in:*
• da evitare sempre
• raramente appropriati
• presenza di alcune precise indicazioni d’uso, ma
spesso non usati correttamente
• uno più di uno dei precedenti
Interazione tra farmaci AFT/FED Uso simultaneo, nelle persone con ≥65 anni, di una coppia
di farmaci che interagiscono, per almeno 5 giorni
consecutivi. Stima della durata sulla base delle DDD.
(codici ATC delle coppie di farmaci)* nella popolazione con
≥65 anni
I farmaci inappropriati nella popolazione anziana sono stati definiti come tali sulla base della durata di
somministrazione o delle dosi prescritte. Sono stati considerati inappropriati in base alla durata di
somministrazione i seguenti farmaci:
• Ketorolac, prescritto in una quantità che supera le due scatole in un arco di 4 giorni;
• FANS, se prescritti in una quantità >2 scatole per oltre 15 giorni;
• inibitori di pompa, più di 360 gg di DDD di tutte le prescrizioni di inibitori di pompa nell’anno.
Sono stati invece definiti inappropriati in relazione alle dosi prescritte i seguenti farmaci:
• Spironolattone, >25 mg/die: calcolo del rapporto fra la somma delle DDD di tutte le prescrizioni di
Spinorolattone nell’anno di misurazione fra la prima prescrizione e la penultima prescrizione
moltiplicato per 3, diviso i giorni intercorrenti fra la dispensazione della prima e dell’ultima
prescrizione. Se il rapporto è superiore a 1, il soggetto è stato esposto a inappropriatezza
prescrittiva;
• Escitalopram, >10 mg/die: calcolo del rapporto fra la somma delle DDD di tutte le prescrizioni di
Escitalopram nell’anno di misurazione fra la prima prescrizione e la penultima prescrizione, diviso i
giorni intercorrenti fra la dispensazione della prima e dell’ultima prescrizione. Se il rapporto è uguale
o superiore a 1, la prescrizione viene considerata inappropriata;
• Citalopram, >20mg/die: calcolo del rapporto fra la somma delle DDD di tutte le prescrizioni di
Citalopram fra la prima prescrizione e la penultima prescrizione, diviso i giorni intercorrenti fra la
dispensazione della prima e dell’ultima prescrizione. Se il rapporto è uguale o superiore a 1, la
prescrizione viene considerata inappropriata.
9
La prescrizione di farmaci che possono dare interazione negli anziani è stata definita come due farmaci
interagenti prescritti contemporaneamente per almeno 5 giorni consecutivi. La durata dell'uso da parte
del paziente di ogni principio attivo viene stimata in base alle DDD.
10
regione al 31/12/2014 (3.858.077 persone), definita popolazione di validazione (variabili predittive
relative all’anno 2014 e storia del paziente costruita nei cinque anni precedenti - dati 2009-2013).
Applicando alle variabili della popolazione di validazione i coefficienti di regressione del modello stimato
sulla popolazione di sviluppo, sono stati stimate le probabilità facendo una previsione di rischio per
l’anno successivo (anno 2015). La valutazione della performance del modello è avvenuta confrontando
le probabilità stimate con l’effettivo evento di ospedalizzazione o morte nell’anno 2015.
11
Lo score di Brier è stato utilizzato come misura della performance complessiva del modello sulla base
della distanza tra l’esito osservato e l’esito stimato. Calcolato come media dei quadrati delle differenze
tra le probabilità stimate e quelle effettivamente osservate, lo score varia tra 0 e 1, con i valori più bassi
indicativi di modello migliore dal punto di vista della calibratura dei dati (Gerds et al., 2008; Hosmer,
Lemeshow, 2000; Redelmeier et al., 1991; Tjur, 2009).
12
Risultati
Distribuzione della popolazione per profilo di rischio
La Tabella 3 descrive il profilo di rischio della popolazione adulta emiliano-romagnola secondo il nuovo
modello messo a punto (RiskER). Nelle classi a rischio alto e molto alto sono rappresentate soprattutto
le persone nelle fasce di età più elevata, con comorbidità e politerapia.
La distribuzione della popolazione per categorie di rischio è omogenea nelle diverse Aziende sanitarie
della regione (Tabella 4).
Tabella 3. Profilo demografico e clinico della popolazione totale e per profilo di rischio alto e molto
alto
Anno 2015 Popolazione ≥14 anni Molto alto (≥25%) Alto (15-24%)
N = 3.864.586 N=125.958 & N=139.771 &
n % n % n %
Sesso
Maschi 1.856.557 48,04 57.939 46,00 64.158 45,90
Femmine 2.008.029 51,96 68.019 54,00 75.613 54,10
Età
14-24 409.008 10,58 194 0,15 190 0,14
25-34 450.870 11,67 276 0,22 275 0,20
35-44 673.295 17,42 687 0,55 782 0,56
45-54 722.398 18,69 2.332 1,85 2.287 1,64
55-64 558.981 14,46 4.723 3,75 5.199 3,72
65-74 487.328 12,61 12.010 9,53 15.033 10,76
75-84 384.149 9,94 35.524 28,20 47.211 33,78
85+ 178.557 4,62 70.212 55,74 68.794 49,22
Numero di condizioni
croniche
0 2.146.676 55,55 3.178 2,52 8.509 6,09
1 772.010 19,98 7.353 5,84 16.421 11,75
2 o più 945.900 24,47 115.427 91,63 114.841 82,16
5 o più 89.367 2,31 43.118 34,23 18.901 13,52
(continua)
13
Anno 2015 Popolazione ≥14 anni Molto alto (≥25%) Alto (15-24%)
N = 3.864.586 N=125.958 & N=139.771 &
n % n % n %
Condizioni croniche
Cardiovascolari 959.369 24,82 103.845 82,44 107.740 77,08
Endocrine 449.412 11,63 43.622 34,63 41.585 29,75
Respiratorie 176.270 4,56 39.264 31,17 20.800 14,88
Psichiatriche 288.239 7,46 44.952 35,69 33.716 24,12
Muscoloscheletriche 370.684 9,59 44.056 34,98 40.181 28,75
Gastrointestinali 590.825 15,29 81.140 64,42 70.503 50,44
Ematologiche 35.752 0,93 11.852 9,41 4.431 3,17
Neurologiche 161.648 4,18 32.077 25,47 23.256 16,64
Epatiche 18.119 0,47 5.094 4,04 2.951 2,11
Tumorali 75.464 1,95 18.375 14,59 11.302 8,09
Genitourinarie 32.200 0,83 15.436 12,25 5.106 3,65
Ginecologiche 23.858 1,19 452 0,67 454 0,60
Immunologiche 9.400 0,24 3.268 2,59 1.093 0,78
Infettive 6.661 0,17 3.840 3,05 922 0,66
Dermatologiche 36.858 0,95 6.676 5,30 3.648 2,61
Oftalmologiche 110.996 2,87 10.676 8,48 13.534 9,68
Otorinolaringoiatriche 17.656 0,46 965 0,77 775 0,55
Sistema genitale maschile 147.327 7,94 18.223 31,45 19.854 30,95
Legenda
& Sono stati definiti come “A rischio molto alto” i pazienti con un rischio predetto di ospedalizzazione o decesso
nell’anno successivo pari a ≥25%; sono stati definiti “Ad alto rischio” i pazienti con un rischio predetto di
ospedalizzazione o decesso del 15-24%.
* La politerapia è definita come l’utilizzo simultaneo di 5 o più principi attivi per almeno 15 giorni consecutivi.
** La lista di farmaci potenzialmente inappropriati può essere essere fornita a richiesta.
14
Tabella 4. Profili di rischio per Azienda USL di residenza, modello RiskER
Totale RER 3.207.461 83,0 391.396 10,1 139.771 3,6 125.958 3,3 3.864.586 100,0
15
Figura 1. Proporzioni di eventi osservati vs stimati dal modello con disease staging
0,9
Probabilità di ospedlaizzazione o morte
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0-10% 11%-20% 21%-30% 31%-40% 41%-50% 51%-60% 61%-70% 71%-80% 81%-90% 91%-100%
Fasce di rischio
osservata stimata
0,9
0,8
Probabilità di ospedlaizzazione o morte
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0-10% 11%-20% 21%-30% 31%-40% 41%-50% 51%-60% 61%-70% 71%-80% 81%-90% 91%-100%
Fasce di rischio
osservata stimata
16
Calibrazione
Il modello dimostra un buon adattamento ai dati (Figura 3), lo score di Brier corrispondente risulta pari
a 0,0016, il test di Kolmogorov-Smirnov risulta significativo (p<0.0001) e il valore della statistica D pari
a 0,59.
>10,4% 24,05%
24,24%
2,10%
<0,47% 0,41%
0,41%
17
Discriminazione
La Tabella 5 riporta i dati relativi all’accuratezza del modello con disease staging e quello senza (modello
RiskER) per i due strati più a rischio. Il modello RiskER presenta valori superiori di sensibilità rispetto al
modello con disease staging, soprattutto quando si considerano le due classi a rischio assieme (0,491
vs 0,471), con un valore predittivo positivo sostanzialmente sovrapponibile (0,292 vs 0,298).
Il valore di AUC è leggermente superiore per il modello RiskER rispetto a quello con Disease Staging
(0,864 vs 0,853).
Tabella 5. Accuratezza predittiva entro gli strati più a rischio (alto e molto alto).
Legenda
* Modello stimato su dati 2014/2015, ospedalizzazione o morte anno 2016
18
Le differenze nelle stime di rischio sono da attribuire ai diversi coefficienti di regressione stimati dai due
modelli. In Allegato sono disponibili le tabelle con in coefficienti di regressione stimati dal modello
RiskER; in Louis et al., 20143 sono consultabili quelli relativi al modello con disease staging.
La Figura 4 confronta, nelle diverse fasce di rischio, gli esiti osservati e gli eventi attesi per i due modelli
sia considerando gli esiti globali, sia osservando separatamente i ricoveri ospedalieri per cause
prevenibili e i decessi. Il modello con disease staging nelle fasce di rischio più elevate identifica più
accuratamente il rischio di decesso; al contrario il modello RiskER identifica più accuratamente il rischio
di ricovero ospedaliero.
Tabella 7. Concordanza tra le stime dei due modelli nelle diverse categorie di rischio
Molto alto 227 (0,01%) 3.544 (0,09%) 25.026 (0,65%) 97.161 (2,51%)
19
Tabella 8. Proporzione di pazienti classificati dai due modelli in categorie diverse e non contigue e
proporzione di ricovero/decesso nell’anno successivo
basso alto 660 92 13,94 4,37 0,92 6,00 18,42 15,01 24,93
basso molto alto 115 19 16,52 4,41 1,60 5,92 31,88 25,09 62,13
medio molto alto 1.526 399 26,15 11,66 6,00 14,99 32,63 25,01 72,26
alto basso 1.094 136 12,43 18,02 15,00 25,00 4,61 0,87 6,00
molto alto basso 227 51 22,47 36,95 25,05 99,84 4,29 0,38 5,97
molto alto medio 3.544 896 25,28 31,50 25,00 99,77 12,05 6,01 15,00
Figura 4. Eventi attesi e osservati nei due modelli RiskER e on disease staging
1
soglia di definizione di
rischio molto alto >=25%
0,9
0,8
0,7
0,6
Probabilità di ospedalizzazione o morte
0,5
0,4
0,3
0,2
0,1
0
0-10% 11-20% 21-30% 31-40% 41-50% 51-60% 61-70% 71-80% 81-90% 91-100%
20
Conclusioni
Il modello RiskER, in tutto analogo al modello originariamente sviluppato in collaborazione con la
Jefferson University tranne che per l’utilizzo del disease staging, risulta avere una performance analoga
se non leggermente superiore al modello originario: l’AUC è infatti superiore all’80%, livello che viene
considerato come indicativo di una buona performance ed è pari a 0,864 in confronto a 0,853 del
modello con disease staging.
Nelle fasce alte di rischio nel modello con disease staging gli eventi osservati si avvicinano di più a quelli
attesi rispetto al modello RiskER, ma ciò è da attribuire soprattutto alla maggiore capacità del modello
originario di catturare la severità della malattia e, quindi, il rischio di decesso nell’anno successivo. Il
modello RiskER al contrario, predice meglio gli esiti di ricovero ospedaliero per cause prevenibili nelle
fasce alte di rischio.
In generale i due modelli classificano la popolazione in classi di rischio analoghe: solo lo 0,47% della
popolazione è stata infatti classificata in classi di rischio non uguali e neanche contingue.
La possibilità di stratificare la popolazione sulla base dell’algoritmo RiskER, utilizzando quindi
informazioni come la categoria diagnostica principale disponibili a tutti, rende questa metodologia
potenzialmente utilizzabile per operare confronti tra Regioni e Aziende sanitarie diverse, stratificando la
popolazione adulta in ragione del rischio di ricovero o decesso per condizioni prevenibili.
In prospettiva sarà inoltre possibile arricchire ulteriormente l’algoritmo RiskER, integrandolo con variabili
in grado di catturare altri determinanti del rischio di ospedalizzazione prevenibile, quali quelli socio-
economici.
21
Riferimenti bibliografici
• Gerds TA, Cai T, Schumacher M. The performance of risk prediction models. Biometrical Journal, 50
(4): 457-479, 2008.
• Gonnella JS, Hornbrook MC, Louis DZ. Staging of disease: a case-mix measurement. JAMA, 251: 637-
644, 1984.
• Gonnella JS, Louis DZ, Gozum ME, et al. (eds.) Clinical Criteria for Disease Staging. 6th edn. Ann
Arbor, MI: Truven Health Analytics, 2012.
• Hibbard JH, Greene J, Sacks R, Overton V, Parrotta C. Improving Population Health Management
Strategies: Identifying patients who are more likely to be users of avoidable costly care and those more
likely to develop a new chronic disease. Health Service Research, 52 (4): 1297-1309, 2017.
• Hosmer DW, Lemeshow S. Applied logistic regression. Second edition, 2000.
• Louis DZ, Robeson M, McAna J, Maio V, Keith SW, Liu M, Gonnella JS, Grilli R. Predicting risk of
hospitalisation or death: a retrospective population-based analysis. BMJ Open, 4: e005223, 2014.
http://bmjopen.bmj.com/content/4/9/e005223 (ultimo accesso febbraio 2018)
• Pandolfi P, Collina N, Marzaroli P, Stivanello E, Musti MA, Giansante C, Perlangeli V, Pizzi L, De Lisio
S, Francia F. Sviluppo di un modello predittivo di decesso o ricovero d’urgenza per l’individuazione degli
anziani fragili. Epidemiologia e Prevenzione, 40 (6): 395-403, 2016.
• Redelmeier D, Bloch D, Hickam D. Assessing predictive accuracy: how to compare Brier scores.
Journal of Clinical Epidemiology, 44: 1141-1146, 1991.
• Slabaugh L, Maio V, Templin M, Abouzaid S. Prevalence and risk of polypharmacy among elderly in
an outpatient setting. A retrospective cohort study in the Emilia-Romagna Region, Italy. Drugs Aging,
27 (12): 1-10, 2010.
• Tjur T. Coefficients of Determination in Logistic Regression Models — A New Proposal: The Coefficient
of Discrimination. The American Statistician, 63 (4): 366-372, 2009.
• Wallace E, Smith S, Fahey T, Roland M. Reducing emergency admissions through community based
intervention. BMJ, 352: h6817, 2016.
• Wallace E, Stuart E, Vaughan N, Bennett K, Fahey T, Smith SM. Risk prediction models to predict
emergency hospital admission in Community-dwelling adults. A systematic review. Med Care, 52 (8):
751-765, 2014.
23
Allegato.
Coefficienti di regressione del modello
logistico RiskER per fasce di età e sesso
Males 14-24
25
Females 14-24
26
Males 25-34
27
Females 25-34
(continua)
28
Variables level Estimate ProbChiSq
Day hospitalization (1,0) -0,6543 0,0154
Endocrine (ccdg) -1,1472 0,021
Respiratory (any source) -2,2352 <.0001
29
Males 35-44
30
Females 35-44
(continua)
31
Variables level Estimate ProbChiSq
Gynecological (any source) -0,7251 <.0001
Endocrine (sdo) -0,8876 0,0076
Ear, nose, throat (any source) -0,9602 <.0001
Alfa-blockers -1,1809 0,0017
Endocrine (ccdg) -1,58 <.0001
32
Males 45-54
33
Females 45-54
(continua)
34
Variables Level Estimate ProbChiSq
Number of ER visits labeled 'yellow' -0,2147 0,0301
Number of chronic diseases (ccdg) 1 -0,2609 0,0105
Cardiovascular (any source) -0,2813 0,006
Number of chronic diseases (ccdg) 2 -0,3407 0,0449
Musculoskeletal (sdo) -0,3621 0,0006
Gynecological (any source) -0,5744 <.0001
Ear, nose, throat (any source) -0,5849 0,0015
Skin (any source) -0,671 <.0001
Mental disorders (adi) -0,9155 0,0357
Endocrine (ccdg) -1,0976 <.0001
Hepatobiliary (any source) -1,9141 0,0001
35
Males 55-64
(continua)
36
Variables Level Estimate ProbChiSq
Number of ordinary hospitalizations 0,135 <.0001
History* of gastrointestinal (sdo) 0,133 <.0001
History* of other CVS drugs 0,0986 0,0062
History* of musculoskeletal (sdo) 0,0943 0,0033
History* of statins 0,0794 0,0359
Age (continuous variable) 0,0313 <.0001
Reside in hill area -0,1443 0,0032
37
Females 55-64
(continua)
38
Variables Level Estimate ProbChiSq
Number of day hospitalizations 0,1937 <.0001
History* of gastrointestinal (sdo) 0,1804 0,0004
History* of polypharmacy 0,1576 <.0001
History* of musculoskeletal (sdo) 0,1545 <.0001
History* of cancer (ccdg) 0,1355 0,0182
History* of neurologic (ccdg) 0,1252 0,019
Number of ordinary hospitalizations 0,1173 0,0011
Beta-blockers 0,0781 0,0321
Age (continuous variable) 0,0352 <.0001
Statins -0,1139 0,0438
Musculoskeletal (any source) -0,2628 0,0141
Gastrointestinal (any source) -0,2925 0,0052
Endocrine (ccdg) -0,2962 0,0048
Number of ER visits labeled 'yellow' -0,3317 0,0002
Number of chronic diseases (ccdg) 1 -0,3351 0,0017
Neurologic (ccdg) -0,3561 0,0073
Cancer (any source) -0,3816 0,0124
Musculoskeletal (sdo) -0,387 <.0001
Eye (any source) -0,4508 0,0002
Number of chronic diseases (ccdg) 2 -0,4523 0,0105
Number of chronic diseases (ccdg) 3 -0,4754 0,0555
Ear, nose, throat (any source) -0,67 0,0002
Respiratory (any source) -0,7206 0,0001
Gynecological (any source) -0,7704 <.0001
Cardiovascular (any source) -0,7711 0,0002
Infectious disease (adi) -2,0294 0,0564
Blood diseases (adi) -2,1986 0,0426
Skin (any source) -2,2064 0,0092
Immunologic (any source) -3,5373 0,0262
39
Males 65-74
(continua)
40
Variables Level Estimate ProbChiSq
History* of other CVS drugs 0,1224 <.0001
Anti-platelets 0,1217 <.0001
Number of ordinary hospitalizations 0,1166 <.0001
History* of psychological (ccdg) 0,112 <.0001
History* of skin (sdo) 0,1023 0,027
Potentially inappropriate prescribing - always to be 0,095 0,0022
avoided drugs
History* of respiratory (ccdg) 0,0783 0,0064
Diuretics 0,0776 0,0047
Number of the other 9 drugs 0,0654 <.0001
Age (continuous variable) 0,0388 <.0001
Alfa-blockers -0,0806 0,0347
History* of male genital (sdo) -0,0936 0,0046
Reside in mountain area -0,0998 0,0069
41
Females 65-74
(continua)
42
Variables Level Estimate ProbChiSq
History* of endocrine (sdo) 0,1829 0,0004
History* of infectious disease (sdo) 0,1749 0,0401
History* of cancer (ccdg) 0,1598 <.0001
Number of day hospitalizations 0,1505 0,0001
Anti-platelets 0,1357 <.0001
Diuretics 0,102 0,0014
History* of psychological (ccdg) 0,0924 0,0047
History* of musculoskeletal (sdo) 0,0912 0,0003
History* of endocrine (ccdg) 0,0827 0,0311
Number of ordinary hospitalizations 0,0638 0,0196
Number of the other 9 drugs 0,0606 0,0002
History* of other CVS drugs 0,0605 0,0466
Age (continuous variable) 0,0452 <.0001
ACE/ARB -0,0855 0,0034
Eye (any source) -0,1516 0,005
Statins -0,1742 <.0001
Neurologic (ccdg) -0,2469 0,0102
Number of chronic diseases (ccdg) 1 -0,2709 0,0043
Cardiovascular (ccdg) -0,3102 0,0232
Musculoskeletal (sdo) -0,3232 <.0001
Number of chronic diseases (ccdg) 2 -0,4198 0,0035
Number of chronic diseases (ccdg) 3 -0,4336 0,0249
Gynecological (any source) -0,4814 <.0001
Ear, nose, throat (any source) -0,5005 0,0004
Skin (sdo) -0,6154 <.0001
Immunologic (ccdg) -0,835 0,0124
43
Males 75-84
(continua)
44
Variables Level Estimate ProbChiSq
Diuretics 0,1958 <.0001
History* of other CVS drugs 0,1658 <.0001
Digitalis glycosides 0,1382 0,0032
Polypharmacy 0,1363 <.0001
History* of endocrine (ccdg) 0,1335 <.0001
History* of oral anti-coagulants 0,1216 0,0002
History* of respiratory (ccdg) 0,1202 <.0001
History* of hepatobiliary (sdo) 0,1146 0,0014
History* of statins 0,1139 <.0001
Number of day hospitalizations 0,1105 0,0387
Anti-platelets 0,1089 <.0001
Psychological (any source) 0,0999 0,0126
History* of skin (sdo) 0,0909 0,008
History* of polypharmacy 0,0732 0,0041
Potentially inappropriate prescribing - always to be avoided drugs 0,0654 0,0144
Age (continuous variable) 0,0601 <.0001
Beta-blockers 0,0499 0,0058
History* of gastrointestinal (sdo) 0,0453 0,0264
Number of ER visits labeled 'yellow' -0,0786 0,0339
History* of male genital (sdo) -0,0951 0,0009
ACE/ARB -0,1233 <.0001
Skin (any source) -0,1815 0,0305
Statins -0,2115 <.0001
Male genital (any source) -0,2283 <.0001
Respiratory (any source) -0,2763 0,0004
Cancer (any source) -0,3567 <.0001
Number of chronic diseases (ccdg) 1 -0,3993 <.0001
Eye (any source) -0,4508 0,0151
Gastrointestinal (any source) -0,5431 <.0001
Number of chronic diseases (ccdg) 2 -0,6228 <.0001
Number of chronic diseases (sdo predictyear) 3 -0,6688 0,0017
Number of chronic diseases (ccdg) 3 -0,7307 <.0001
Number of chronic diseases (ccdg) 4 -0,7643 <.0001
Number of chronic diseases (ccdg) 5+ -0,7655 0,0006
Infectious disease (any source) -2,4801 0,0368
45
Females 75-84
(continua)
46
Variables Level Estimate ProbChiSq
History* of neurologic (ccdg) 0,1227 <.0001
History* of polypharmacy 0,0972 <.0001
History* of skin (sdo) 0,0919 0,004
History* of psychological (ccdg) 0,0914 <.0001
Digitalis glycosides 0,0911 0,0293
History* of musculoskeletal (sdo) 0,0864 <.0001
History* of drug-drug interaction 0,0849 0,0055
Potentially inappropriate prescribing - always to be avoided drugs 0,0808 0,0002
Age (continuous variable) 0,0728 <.0001
Number of the other 9 drugs 0,0553 <.0001
History* of respiratory (ccdg) 0,0512 0,0247
Diuretics 0,0503 0,0218
Calcium channel blockers -0,0449 0,0275
ACE/ARB -0,1212 <.0001
Number of ER visits labeled 'yellow' -0,1232 0,0031
Endocrine (any source) -0,143 0,0002
Musculoskeletal (any source) -0,1722 <.0001
Statins -0,1739 <.0001
Eye (ccdg) -0,2131 <.0001
Day hospitalization (1,0) -0,2154 0,0173
Gastrointestinal (any source) -0,2163 0,0081
Respiratory (any source) -0,2194 0,0053
Cardiovascular (any source) -0,2894 <.0001
Musculoskeletal (sdo) -0,3502 <.0001
Ear, nose, throat (any source) -0,4215 0,0004
Blood diseases (adi) -0,4225 0,0014
Gynecological (any source) -0,4595 <.0001
Skin (any source) -0,528 <.0001
Number of chronic diseases (ccdg) 1 -0,5461 <.0001
Eye (sdo) -0,5478 <.0001
Number of chronic diseases (ccdg) 2 -0,6915 <.0001
Number of chronic diseases (ccdg) 3 -0,7516 <.0001
Number of chronic diseases (ccdg) 5+ -0,7868 <.0001
Number of chronic diseases (ccdg) 4 -0,8006 <.0001
47
Males 85+
(continua)
48
Variables Level Estimate ProbChiSq
Age (continuous variable) 0,0561 <.0001
Calcium channel blockers -0,0514 0,0322
Circulatory (adi) -0,1053 0,0249
Gastrointestinal (any source) -0,1182 <.0001
Musculoskeletal (any source) -0,1258 <.0001
ACE/ARB -0,1316 <.0001
Statins -0,1487 <.0001
Gastrointestinal (sdo) -0,1691 0,0044
Number of ER visits labeled 'yellow' -0,2149 0,0004
Eye (any source) -0,2201 <.0001
Male genital (ccdg) -0,2554 <.0001
Skin (sdo) -0,2738 0,0005
Number of chronic diseases (ccdg) 2 -0,2823 0,0073
Number of chronic diseases (ccdg) 1 -0,2905 0,0005
Cardiovascular (ccdg) -0,3217 <.0001
Blood diseases (adi) -0,5728 <.0001
49
Females 85+
(continua)
50
Variables Level Estimate ProbChiSq
Number of ordinary hospitalizations -0,1091 0,0001
Oral anti-coagulants -0,0792 0,02
ACE/ARB -0,1005 <.0001
Calcium channel blockers -0,0698 0,0006
Digitalis glycosides 0,096 0,0036
Nitrates 0,1651 <.0001
Diuretics 0,0777 0,0005
Statins -0,1998 <.0001
Number of the other 9 drugs 0,0281 0,0192
Polypharmacy 0,097 <.0001
History* of polypharmacy 0,0445 0,0477
History* of oral anti-coagulants 0,14 <.0001
History* of other CVS drugs 0,1437 <.0001
History* of endocrine (ccdg) 0,1366 <.0001
History* of neurologic (ccdg) 0,0753 0,0038
History* of psychological (ccdg) 0,1168 <.0001
History* of respiratory (ccdg) 0,0488 0,0294
History* of neurologic (sdo) 0,2123 <.0001
History* of respiratory (sdo) 0,3559 <.0001
History* ofcirculatory (sdo) 0,2302 <.0001
History* of gastrointestinal (sdo) 0,1017 <.0001
History* of hepatobiliary (sdo) 0,1122 0,0032
History* of musculoskeletal (sdo) 0,0618 0,0006
History* of endocrine (sdo) 0,1716 <.0001
History* of genitourinary (sdo) 0,2373 <.0001
History* of hematological and immunologic (sdo) 0,3012 <.0001
History* of infectious disease (sdo) 0,2204 <.0001
History* of mental disorders (sdo) 0,1283 0,0063
Number of ER visits labeled 'yellow' -0,2205 <.0001
Total number of ER visits 0,5173 <.0001
51