Wetenschap

Langdurig frequent bezoek aan de huisarts moeilijk te voorspellen

Samenvatting

Smits FThM, Brouwer HJ, Van Weert HCPM, Schene AH, Ter Riet G. Langdurig frequent bezoek aan de huisarts moeilijk te voorspellen. Huisarts Wet 2009;52(3):166-72. Doel Wanneer een patiënt de huisarts gedurende een bepaalde periode vaak bezoekt, heeft dat in de meeste gevallen een duidelijke oorzaak. Slechts weinig patiënten blijven hun huisarts vaak bezoeken. Voor dit langdurig frequent bezoek ontbreekt dikwijls een duidelijke verklaring. Mogelijk is een interventie nuttig bij patiënten die de huisarts vaak blijven consulteren. We moeten dan wel kunnen voorspellen wie dat zullen zijn. Wij probeerden aan de hand van informatie uit het Elektronisch Medisch Dossier te voorspellen welke patiënten vaak blijven komen. Methode We gebruikten de gegevens van 28.860 patiënten die gedurende 3 jaar (2003-2005) bij dezelfde huisarts waren ingeschreven. Frequente bezoekers definieerden wij als patiënten met een bezoekfrequentie die zich bevond in de top 10% bezoekers (voor leeftijd en geslacht gecorrigeerd). We maakten daarbij onderscheid tussen een periode van 1 jaar (kortdurend frequente bezoekers) en 3 jaar (langdurig frequente bezoekers). We probeerden met behulp van logistische regressieanalyse een model te ontwikkelen dat kan voorspellen welke kortdurend frequente bezoekers ook op de lange termijn de huisarts vaak blijven consulteren. Resultaten Van de 3045 kortdurend frequente bezoekers werden 470 (15,4%) een langdurig frequente bezoeker. Met ons model konden we de voorafkans verhogen van 3,3% (laagste waarde) tot 43,3% (hoogste waarde). Het 10e en 90e percentiel van de achterafkansverdeling waren respectievelijk 7,4% en 26,3%. De area under the receiver operating characteristics curve was 0,67 (95%-BI 0,64-0,69). Conclusie Van alle kortdurend frequente bezoekers blijft 1 op de 7 vaak komen. Op grond van in de huisartsenpraktijk beschikbare standaardgegevens voorspelt ons model slechts matig het risico op langdurig frequent bezoek.

Wat is bekend?

  • Onderzoek naar frequent consulterende patiënten beperkt zich meestal tot een periode van één jaar.
  • Enkele interventieonderzoeken bij deze kortdurend frequente bezoekers lieten tegenstrijdige resultaten zien wat betreft het effect op de kwaliteit van leven van deze patiënten. Geen enkele onderzochte interventie had effect op de consultfrequentie.

Wat is nieuw?

  • Slechts 1 op de 7 kortdurend frequente bezoekers blijft frequent komen.
  • Met behulp van standaardgegevens uit het Elektronisch Patiënten Dossier kunnen we niet goed voorspellen wie frequent blijft komen.
  • We definieerden frequente bezoekers op grond van hun contactfrequentie gedurende drie jaar.

Inleiding

Volgens schattingen besteedt een huisarts 80% van zijn tijd aan slechts 20% van zijn patiënten en betreft 1 op de 7 consulten een patiënt die behoort tot de 3% meest frequente bezoekers. Vaak is voor de huisarts onduidelijk waarom deze patiënt zo vaak het spreekuur bezoekt. Frequente bezoekers (in de Engelstalige literatuur: frequent attenders) definieert men meestal als de 10% meest frequent consulterende patiënten, gecorrigeerd voor leeftijd en geslacht, gedurende 1 jaar. Men heeft veel gepubliceerd over de eigenschappen en morbiditeit van frequente bezoekers. Veel beschrijvende literatuur over frequente bezoekers is afkomstig uit landen met een gezondheidssysteem waarbij patiënten zijn ingeschreven bij een vaste huisarts: het Verenigd Koninkrijk, de Scandinavische landen en Health Maintenance Organizations in de Verenigde Staten. Voor zover wij weten is er in Nederland geen onderzoek gedaan naar frequente bezoekers van de huisarts. Het meeste onderzoek naar frequente bezoekers is cross-sectioneel en betreft slechts een korte periode (meestal 1 jaar). Kortdurend frequente bezoekers gebruiken meer pijnstillers, antibiotica en tranquilizers. Een hoge contactfrequentie vindt men bij patiënten met medisch onverklaarde klachten en angstklachten, en bij patiënten die een matige gezondheid ervaren. De paar longitudinale onderzoeken laten zien dat de contactfrequentie van frequente bezoekers daalt naar het gemiddelde en dat slechts 20-30% de volgende jaren frequent blijft komen. Langdurig frequente bezoekers verschillen van kortdurend frequente bezoekers: zij hebben meer chronische somatische aandoeningen (in het bijzonder diabetes mellitus), sociale problemen, psychische problemen (vooral angst) en lichamelijk onverklaarde klachten. De onderzoeken naar langdurig frequent bezoek gebruiken verschillende definities en hebben onvoldoende power om factoren te ontdekken die bepalen of frequente bezoekers hun gedrag voortzetten. In één onderzoek vond men dat psychische stress, gemeten met twee psychometrische vragenlijsten, de kans op frequent huisartsbezoek vergrootte. Frequente bezoekers hebben een lagere kwaliteit van leven en vormen een grote belasting voor het zorgsysteem. Daarom heeft men geprobeerd om zowel de morbiditeit als het gebruik van zorgvoorzieningen door frequente bezoekers te beïnvloeden. Trials die het effect van (voornamelijk psychiatrische) interventies op de morbiditeit en de bezoekfrequentie onderzochten leverden tegenstrijdige resultaten op. Geen enkel onderzoek toonde overtuigend aan dat het mogelijk was de kwaliteit van leven of de morbiditeit van frequente bezoekers in de eerste lijn te verbeteren. Alleen voor een subgroep van frequente bezoekers met een depressie kon men aantonen dat een interventie de kwaliteit van leven verbeterde (gemiddeld 47 meer depressievrije dagen; 95%-BI 27-68). Geen enkele interventie verminderde het bezoek aan de huisarts. Op één na includeerden alle trials kortdurend frequente bezoekers. Een recent klein Spaanse onderzoek liet wel een effect zien van een multidisciplinaire interventie op bezoekfrequentie en kwaliteit van leven. Omdat frequent bezoek aan de huisarts meestal tijdelijk is en gezien het geringe resultaat van bovengenoemde interventieonderzoeken, lijkt het niet verstandig en efficiënt om uitgebreide diagnostiek, monitoring en interventies te doen in de groep van kortdurend frequente bezoekers. Patiënten die vaak blijven komen verdienen echter mogelijk wel onze aandacht. Door ons op deze patiënten te richten kunnen we wellicht langdurig frequent bezoek voorkomen. We moeten dan wel weten welke patiënt een langdurig frequente bezoeker zal worden. Met gebruik van direct beschikbare gegevens uit het Elektronisch Patiënten Dossier stelden wij een model op. Het was de bedoeling dat huisartsen daarmee uit de groep van patiënten die gedurende één jaar frequent op het spreekuur komt, degenen selecteren bij wie de kans groot is dat ze vaak blijven komen. Een dergelijk voorspellingsmodel kan zinvol zijn in de dagelijkse klinische praktijk. Onderzoekers kunnen het ook gebruiken om meer homogene groepen patiënten te selecteren voor deelname aan toekomstig interventieonderzoek onder (subgroepen van) frequente bezoekers.

Methoden

Onderzoekspopulatie

De gegevens voor dit onderzoek zijn afkomstig uit vijf gezondheidscentra in Amsterdam-Zuidoost. Deze gezondheidscentra participeren in het huisartsenregistratienetwerk (HAG-net-AMC) van de afdeling Huisartsgeneeskunde van het Academisch Medisch Centrum van de Universiteit van Amsterdam. In dit netwerk extraheert men ten behoeve van wetenschappelijk onderzoek geanonimiseerde gegevens uit het Elektronisch Patiënten Dossier van de deelnemende huisartsen. Vergeleken met de gemiddelde Nederlandse patiënt (Nationale Studie 2) hebben de patiënten in dit netwerk een lagere sociaal-economische status. Verder zijn ze gemiddeld iets jonger en vaker van niet-Nederlandse afkomst. De deelnemende huisartsen hanteren een probleemgeoriënteerde wijze van registreren. Voor dit onderzoek gebruikten wij het aantal vis-à-vis contacten met de huisarts, de probleemlijsten (geregistreerd en gecodeerd door de huisartsen met behulp van de International Classification of Primary Care (ICPC)) en het aantal medicatievoorschriften van bepaalde medicijnen vanaf 1 januari 2003 tot en met 31 december 2005.

Selectie van kortdurend en langdurig frequente bezoekers

We definieerden frequente bezoekers als alle patiënten van wie de contactfrequentie het meest overeenkwam met de top 10% van hun leeftijds- (15-30, 31-45, 46-60 en 60+) en geslachtsgroep. We bepaalden retrospectief het aantal frequente bezoekers voor de jaren 2003, 2004 en 2005. Als startpopulatie namen we de frequente bezoekers in 2003 (kortdurend frequente bezoekers). Langdurig frequente bezoekers definieerden we als alle patiënten die gedurende drie jaar waren ingeschreven én een frequente bezoeker waren. We telden alleen daadwerkelijke contacten met de huisarts (consulten en visites). Contacten met andere praktijkmedewerkers namen we niet mee. Deze contacten worden meestal geïnitieerd door de huisarts en betreffen vooral controles/monitoring van chronische ziekten (onder andere diabetes). We bepaalden het gemiddelde aantal contacten per leeftijds- en geslachtsgroep voor frequente bezoekers en niet-frequente bezoekers.

Definitie en extractie van voorspellende informatie

Bij het probleemgeoriënteerd registreren houdt de huisarts voor elke patiënt een lijst met medische problemen bij, de zogenaamde probleemlijst. In het HAG-net-AMC definieert men als een probleem:

  • elk medisch probleem (klacht of ziekte) dat langdurige medische aandacht en/of monitoring vergt;
  • elke klacht of ziekte die langer dan zes maanden bestaat.
De huisarts codeert elk probleem op de probleemlijst volgens de ICPC. Eind 2003 extraheerden we de probleemlijst en de prescriptiegegevens over 2003, die we als voorspellende informatie gebruikten. Uit het Elektronisch Patiënten Dossier haalden we alleen die problemen en medicatie waarvan de literatuur meldt dat kortdurend en langdurig frequente bezoekers er het meest in verschillen: chronische somatische ziekten (diabetes, hart- en vaatziekten, chronische longaandoeningen), angst(stoornissen), somberheid en depressie, alle psychologische/psychiatrische problemen, alle sociale problemen, lichamelijk onverklaarde klachten (LOK) en het aantal voorschriften voor pijnstillers, tranquillizers, antidepressiva en antibiotica. LOK definieerden wij volgens Robbins et al. (Zie tabel 1 voor de geselecteerde ICPC-codes.)
Tabel1Geselecteerde problemen en aandoeningen met ICPC-code
GroepPrevalentie*ICPCProbleemdefinitie
Diabetes 60,3T90Diabetes mellitus type 1 en 2
Chronische cardiovasculaire ziekten14,6
10,5
6,1
6,6
8,1
0,1
7,6
78,6
16,8

5,5
10,2
1,6
8,1
K74
K75
K76
K77
K78
K82
K83
K86
K87

K89
K90
K91
K92
Angina pectoris
Acuut myocardinfarct
Andere/chronische ischemische hartziekte
Decompensatio cordis
Boezemfibrilleren, -fladderen
Cor pulmonale
Niet-reumatische klepaandoening
Essentiële hypertensie zonder orgaanbeschadiging
Hypertensie met orgaanbeschadiging/secundaire hypertensie
Passagère cerebrale ischemie/TIA
Cerebrovasculair accident (CVA)
Atherosclerose
Andere ziekte perifere arteriën
Chronische respiratoire problemen0,7
2,4
16,8
40,9
49,3
R70
R91
R95
R96
R97
Tuberculose luchtwegen
Chronische bronchitis/bronchiëctasieën
Emfyseem/COPD
Astma
Hooikoorts/allergische rinitis
Psychologische/psychiatrische problemen















5,8
11,0
0,3
0,7
0,8
0
0
0,9
0
0
0,2
0
0
0
0,2

2,1
29,0

8,1
0,5
1,0
1,9
3,2
P01
P74
P09
A-Y27
A-D26
L26
N26
R-Y26
A25
B25
K24
K25
X23/Y25
X24/Y2
X25

P03
P76

P15
P16
P17
P18
P19
Angstig/nerveus/gespannen gevoel
Angststoornis/angsttoestand
Bezorgdheid over seksuele voorkeur
Angst voor andere … ziekte
Angst voor … kanker
Angst voor kanker bewegingsapparaat
Angst voor kanker zenuwstelsel
Angst voor … kanker
Angst voor de dood
Angst voor aids
Angst voor hartaanval
Angst voor hoge bloeddruk
Angst voor geslachtsziekte
Angst voor seksueel disfunctioneren
Angst voor kanker geslachtsorganen

Down/depressief gevoel
Depressie

Chronisch alcoholmisbruik
Acuut alcoholmisbruik
Tabaksmisbruik
Geneesmiddelmisbruik
Drugsmisbruik
Sociale problemen15,6Hst. ZAlle Z-codes
Lichamelijk onverklaarde klachten (LOK)4,1
2,7
18,0
1,8
0,8
3,9
4,8
2,3
2,1
2,1
0
0
0,3
0
0,4
0,5
2,3
0,5
1,1
0
0,4
0
3,4
1,9
10,7
L01
L02
L03
L04
L18
N01
N02
A04
P06
P20
T03
T07
T08
P04
R02
K04
N17
R21
N06
D09
D11
D08
D12
D01
D93
Nek symptomen/klachten (exclusief hoofdpijn)
Rug symptomen/klachten
Lagerugpijn zonder uitstraling
Borstkas symptomen/klachten
Spierpijn
Hoofdpijn
Spanningshoofdpijn
Moeheid/zwakte
Slapeloosheid/andere slaapstoornis
Geheugen-/concentratie-/oriëntatiestoornissen
Verminderde eetlust
Gewichtstoename
Gewichtsverlies
Prikkelbaar/boos gevoel/gedrag
Dyspneu/benauwdheid
Hartkloppingen/bewust van hartslag
Vertigo/duizeligheid
Symptomen/klachten keel
Andere sensibiliteitsstoornis
Misselijkheid
Diarree
Flatulentie/meteorisme/boeren
Obstipatie
Gegeneraliseerde buikpijn/buikkrampen
Spastisch colon/IBS
* Prevalentie: eind eerste jaar (2003) (n/1000, > 14 jaar)

Statistische analyse

Ten behoeve van een multivariabele analyse gebruikten we de hierboven genoemde informatie als voorspellers van langdurig frequent bezoek (zie kader 1). Nadat we hadden getest op fouten en consistentie bepaalden we de selectiebias ten gevolge van loss to follow-up en overlijden. We gebruikten een logistische regressieanalyse om de variabelen te selecteren die bruikbaar waren voor ons voorspellende model. Kader 1 bevat een gedetailleerde beschrijving van onze analyse. Wij analyseerden de gegevens met Stata (versie 9.2).

Kader 1 De multivariabele analyse

Loss to follow-up Twaalf procent van de patiënten (n = 365) konden we gedurende de tweejarige follow-upperiode niet vervolgen. Het is mogelijk dat een potentiële frequente bezoeker zich uitschrijft omdat hij of zij ontevreden is over de huisartsenzorg. De selectiebias die hierdoor kan zijn ontstaan, heeft mogelijk gevolgen voor het verband tussen de voorspellers en frequent bezoek. Wij testten deze hypothese in een multivariabele logistische regressieanalyse, waarbij we als afhankelijke indicatoren namen ‘1 = uitgeschreven uit de praktijk‘ en ‘0 = anderszins’ en 9 onafhankelijke indicatoren (zie verderop). Onze hypothese werd niet bevestigd. Integendeel: we vonden enig bewijs dat de kans dat patiënten met ten minste 1 chronische lichamelijke ziekte zich zouden uitschrijven, juist kleiner was (odds ratio 0,73; 95%-BI 0,54-0,99). Alle andere verbanden waren niet sterk en niet significant. Deze resultaten ondersteunen het idee dat het erg onwaarschijnlijk is dat er een selectiebias is ontstaan doordat patiënten zich hebben uitgeschreven. Eenenzeventig patiënten (2,2%) stierven gedurende de tweejarige follow-upperiode. Om vast te stellen in welke mate deze overlijdensgevallen tot selectiebias (informative censoring) hebben geleid, deden we een sensitiviteitsanalyse:

  • We repareerden het gehele cohort (gebruikmakend van inverse probability weighting), waarbij het gewicht werd ontleend aan een logistisch regressiemodel met overlijden als de afhankelijke variabele.
  • We veronderstelden dat alle 71 overledenen langdurig frequente bezoekers zouden zijn.
De statische resultaten van deze twee aanvullende analyses kwamen vrijwel overeen met de analyse waarin we aannamen dat alle overledenen geen frequente bezoeker zouden worden. De AUC’en (area under the receiver operating characteristics curve) van de betreffende twee aanvullende analyses waren respectievelijk 0,662 (0,635-0,688) en 0,672 (0,646-0,698). Om vast te stellen of frequent bezoek een voorteken is van een terminale ziekte gingen we na hoeveel van de frequente bezoekers in de twee jaar na onze analyse overleden: van de 470 langdurig frequente bezoekers overleden er 6 in 2006 (1%) en 10 in 2007 (2,1%).

Keuze van de variabelen Frequent bezoek gedurende 3 jaar (aanwezig: code 1; afwezig: code 0) was de afhankelijke variabele. Bij continue onafhankelijke variabelen (leeftijd en het aantal problemen op de probleemlijst van de huisarts) keken we of hun verband met de afhankelijke variabele bij benadering lineair was door gebruik te maken van een grafische methode zoals voorgesteld door Harrell. Aanwezigheid van diabetes mellitus en/of chronische longziekten en/of chronische hart- en vaatziekten codeerden we als 1, afwezigheid van één van deze aandoeningen als 0 (52 hadden alledrie, 316 hadden er 2, 891 hadden er 1 en 1786 geen). Op dezelfde manier werd de aanwezigheid van psychologische en/of sociale problemen (inclusief (gevoelens van) depressie, (gevoelens van) angst) en/of verslaving gecombineerd (0 patiënten hadden allevijf, 1 had er 4, 33 hadden er 3, 371 hadden er 2, 285 hadden er 1 en 2355 geen). Het gebruik van antidepressiva, anxiolytica en/of slaapmiddelen combineerden we op dezelfde wijze (118 patiënten gebruikten alle 3, 290 gebruikten er 2, 408 gebruikten er 1 en 2107 geen). Samenvattend modelleerden we de 9 kandidaat-voorspellers als 11 variabelen:

  • leeftijd bij de start (continu);
  • geslacht;
  • aantal problemen op de probleemlijst (continu);
  • een van de drie chronische somatische ziektegroepen (ja/nee);
  • een van de sociaalpsychologische problemen (ja/nee);
  • een van de lichamelijk onverklaarde aandoeningen (ja/nee);
  • psychoactieve medicatie (ja/nee);
  • gemiddeld aantal antibioticavoorschriften per maand (0 = referentie; 1-2 en > 2);
  • gemiddeld aantal voorschriften voor pijnstillers (0 = referentie; 1-4 en > 4).
Een definitief model selecteerden we door 100 keer gebruik te maken van bootstrapped forward stepwise logistische regressieanalyse. De p-waarden voor toelaten of verwijderen van de variabelen waren respectievelijk 0,10 en 0,15. Kandidaat-voorspellers werden tot het uiteindelijke model toegelaten als ze ten minste 70 keer werden geselecteerd. De kalibratie van het uiteindelijke model testten we met behulp van de hosmer-lemeshow-test (10 groepen). Eventuele intraclustercorrelatie binnen huisartsenpraktijken verdisconteerden we met behulp van de robuuste variantieschatter van Huber en White. Na toevoeging van interactietermen aan het eindmodel testten we op subgroepeffecten in de volgende subgroepen, met als voorwaarde een p-waarde van &lt 0,10:
  • samengaan van een somatisch en een psychologisch probleem;
  • samengaan van een psychologisch probleem en een voorschrift voor pijnstillers;
  • vrouwelijk geslacht;
  • een voorschrift voor pijnstillers.
We gebruikten de regressiecoëfficiënten van het eindmodel om te bepalen hoe groot de kans was dat een patiënt een langdurig frequente bezoeker zou worden. De AUC ROC berekenden we als een samenvattende maat voor de voorspellende kracht van het model (0 = er zijn geen goede voorspellingen, 1 = er zijn geen foute voorspellingen). Het eindmodel werd 500 maal gebootstrapt om een robuust betrouwbaarheidsinterval te construeren rond de AUC ROC. Daarmee probeerden we de invloed van observaties die uniek zijn voor onze gegevens zoveel mogelijk te beperken.

Resultaten

(Langdurig) frequente bezoekers

Van alle 3045 frequente bezoekers uit 2003 die alledrie onderzoeksjaren ingeschreven waren (2609 patiënten), bleven 1008 patiënten (38,6%) ook in 2004 en 470 (18,0%) in 2005 frequent komen. Deze langdurig frequente bezoekers vormden 1,6% van alle ingeschreven patiënten van 15 jaar en ouder in 2003 (zie figuur 1) We konden geen selectiebias vaststellen wat betreft verhuizingen of sterfte (zie kader 1). Tabel 2 laat zien dat de verschillen tussen de frequente en niet-frequente bezoekers aanzienlijk zijn.

Voorspellen van langdurig frequent bezoek

Tabel 3 toont de univariabele verbanden van alle onderzochte voorspellende indicatoren met de afhankelijke variabele langdurig frequent bezoek. Vijf indicatoren hielden stand in het uiteindelijke model: leeftijd, het aantal problemen op de probleemlijst, minimaal één chronische ziekte (diabetes mellitus, hart- en vaatziekten en longaandoeningen), psychologisch/psychiatrisch probleem en het gebruik van pijnmedicatie (tabel 4). Geen enkele indicator was significant op 10%-niveau. De voorafkans van 15% op langdurig frequent bezoek (470 uit 3045) konden wij met ons voorspellende model verbeteren tot 3,3% (laagste waarde; geen enkele positieve indicator) en 43,3% (hoogste waarde; alle indicatoren positief). Het 10e en 90e percentiel van de achterafkansverdeling waren respectievelijk 7,4% en 26,3%. Deze resultaten wijzen erop dat ons model langdurig frequent bezoek zowel matig kan voorspellen als uitsluiten. De Hosmer-Lemeshow-test had een p-waarde van 0,254. Dit geeft aan dat ons model redelijk goed bij de gegevens past. Samenvattend was de AUC 0,67 (bootstrapped bias corrected 95%-BI 0,64-0,69).

Tabel3Univariabel verband tussen kandidaat-voorspellers en langdurig frequent bezoek als afhankelijke variabele
Voorspeller(ruwe) Odds ratio95%-betrouwbaarheidsinterval
Leeftijd*1,0111,005-1,0166
Vrouwelijk geslacht1,4621,143-1,870
Aantal actieve problemen*1,2071,162-1,254
Minimaal één van de lichamelijke aandoeningen1,9731,669-2,334
Minimaal één van de psychologische aandoeningen2,1831,730-2,756
Lichamelijk onverklaarde klachten2,0181,552-2,623
Minimaal een psychoactief voorschrift1,5041,213-1,865
Gemiddeld aantal recepten voor pijnstillers per maand: geen1referentiecategorie
1-41,8281,483-2,254
> 42,5561,981-3,298
Gemiddeld aantal voorschriften voor antibiotica per maand: geen1referentiecategorie
1-21,2110,988-1,484
> 21,4600,979-2,175
Gebaseerd op 3045 observaties; 470 langdurig frequente bezoekers (afhankelijke variabele = 1) * Gemodelleerd als een continue variabele. Alle andere variabelen modelleerden we als dummy’s.
Tabel4Verband tussen de vijf voorspellers van het uiteindelijke model en langdurig frequent bezoek als afhankelijke variabele
Voorspeller(aangepaste) Odds ratio95%-betrouwbaarheidsinterval
Leeftijd 0,9890,979-0,998
Aantal actieve problemen 1,1331,054-1,218
Minimaal een van de lichamelijke aandoeningen1,5511,249-1,927
Minimaal een van de psychologische aandoeningen1,7181,302-2,267
Gemiddeld aantal recepten voor pijnstillers per maand: geen1referentiecategorie
1-41,7721,406-2,233
> 42,0631,595-2,665
Gebaseerd op 3045 observaties; 470 langdurig frequente bezoekers (afhankelijke variabele = 1) * Gemodelleerd als een continue variabele. Alle andere variabelen modelleerden we als dummy’s.

Discussie

Samenvatting van de belangrijkste bevindingen

In een historisch cohortonderzoek met een duur van drie jaar stelden wij vast dat 15,4% van de frequente bezoekers uit het eerste jaar frequent bleven komen gedurende de twee daaropvolgende jaren. Minder dan 2% van alle ingeschreven patiënten ouder dan 15 jaar werd een langdurig frequente bezoeker. Het bleek moeilijk om met direct beschikbare informatie uit het Elektronisch Patiënten Dossier te voorspellen welke kortdurend frequente bezoeker dit gedrag blijft vertonen.

Sterke en zwakke punten van het onderzoek

Een belangrijk sterk punt van dit onderzoek betreft de omvang en het longitudinale karakter van de gegevens, en de langdurige ervaring van de deelnemende huisartsen met het vastleggen en coderen van de probleemlijst. Het aantal voorschriften dat uit het HIS wordt geëxtraheerd, is een goede weergave van het reële aantal voorschriften. Prescriptiegegevens uit de huisartsenpraktijk zijn over het algemeen betrouwbaarder dan gegevens met betrekking tot de diagnose. Ons onderzoek maakte gebruik van gegevens die huisartsen routinematig registreren. Deze gegevens zijn hierdoor een reële afspiegeling van de dagelijkse praktijkvoering in Nederland. Voor zover wij weten is dit het eerst onderzoek dat met direct beschikbare gegevens uit het Elektronisch Patiënten Dossier probeert te voorspellen welke frequente bezoekers vaak blijven komen. Routinematig verzamelde gegevens kennen beperkingen. De betrouwbaarheid van de probleemlijst kan bijvoorbeeld afnemen doordat huisartsen inmiddels opgeloste problemen niet verwijderen of inactiveren, of doordat ze aanwezige problemen ten onrechte niet registreren. Er zijn echter geen redenen om te veronderstellen dat iets dergelijks selectief plaatsvindt bij frequente bezoekers van de huisarts. Als patiënten waren uitgeschreven uit de praktijk was dat reden voor exclusie, omdat dit follow-up onmogelijk maakte. De deelnemende praktijken registreerden etnische afkomst en sociaaleconomische status niet of niet voldoende, waardoor we geen analyse konden maken van de interactie van deze factoren met andere voorspellers. Patiënten met een lagere sociaale-conomische status en met een niet-westerse afkomst vertonen meer morbiditeit en daarom kan in ons onderzoek het contrast tussen frequente bezoekers en niet-frequente bezoekers groter zijn dan in de algemene Nederlandse bevolking.

Vergelijking met de literatuur

Er is ons één onderzoek bekend dat probeert langdurig frequent bezoek aan de huisarts te voorspellen. In dit onderzoek vond men dat psychische stress, vastgesteld door middel van twee psychometrische vragenlijsten, de kans op frequent huisartsbezoek vergrootte. Een ander onderzoek vond dat een leeftijd boven de vijftig en eerder frequent bezoek voorspellers waren voor toekomstig frequent bezoek aan de huisartsenpost.

Consequenties voor toekomstig onderzoek of de medische praktijk

Huisartsen hebben op dit moment vanuit klinisch perspectief geen reden om diagnostische of therapeutische interventies te doen bij kortdurend frequente bezoekers. Zowel psychologische als somatische chronische aandoeningen en klachten zijn slechts matige voorspellers van voortgezet frequent bezoek. Gezien de geringe voorspellende waarde van ons model (zowel om in te sluiten als om uit te sluiten) kunnen er andere, nog onbekende redenen zijn voor langdurig frequent bezoek. Omdat ons onderzoek niet prospectief was, konden we niet gebruikmaken van een gestandaardiseerd instrumentarium. We kunnen niet uitsluiten dat er onder langdurig frequente bezoekers sprake is geweest van onontdekte morbiditeit. Verder onderzoek zal dit moet aantonen. Dan wordt ook duidelijk of we aan de hand van meer patiëntgegevens of diagnostische tests een model kunnen ontwikkelen dat voldoende voorspellend vermogen heeft.

Conclusie

Van alle kortdurend frequente bezoekers blijft één op de zeven de twee opeenvolgende jaren frequent komen. Informatie uit het Elektronisch Patiënten Dossier van de huisarts zou gebruikt kunnen worden om de patiënten te vinden die een kleine of juist een grote kans lopen om frequente bezoeker te blijven. De momenteel beschikbare indicatoren uit het Elektronisch Patiënten Dossier voorspellen slechts matig welke patiënten frequent zullen blijven komen.

Literatuur

Reacties

Er zijn nog geen reacties

Verder lezen