Développement et validation d’indicateurs de qualité des soins et des organisations pour les structures d’urgences automatisables et généralisables à l’ensemble des structures d'urgences françaises

Problématique : 

La saturation des structures d’urgences (SU) est croissante et son impact négatif sur la qualité des soins et la mortalité est démontré. Cette situation interroge les politiques publiques dans le but d’améliorer la prise en charge des patients requérant le plateau technique des SU et plus largement sur l’organisation de l’offre de soins non programmée. Pour l’amélioration de la qualité des soins et pour l’évaluation de l’impact des politiques publiques menées dans le domaine de la médecine d’urgence, des indicateurs sont nécessaires. Des indicateurs de qualité des soins et des organisations (IQSO) déductibles des bases de données (BDD) sont utilisés dans plusieurs pays comme au Royaume-Uni. En France, ces indicateurs n’existent pas alors que des données nationales de qualité Résumés de Passages aux Urgences (RPU) et Programme de Médicalisation des Systèmes d’Information (PMSI) sont disponibles pour le faire. Depuis 2003, le réseau OSCOUR collecte les Résumés de Passages aux Urgences (RPU) devenus obligatoires depuis 2014. Ils sont depuis 2021 utilisés dans le cadre d’un financement sur la qualité.

Objectifs : 

Principal : développer un panel d’IQSO pour les SU déductibles des bases de données actuelles (RPU et PMSI).
Secondaire : identifier des IQSO consensuels pour les SU (déductibles ou non des BDD).

Méthodologie : 

- Approche quantitative (objectif principal) : développer des IQSO actuellement déductibles des RPU et du PMSI avec une étape d’analyse de qualité des données et une étape de construction d’IQSO avec une standardisation pour permettre une approche comparative entre SU ;
- Approche qualitative (objectif secondaire) visant à identifier des IQSO consensuels, déductibles ou non des bases de données nationales.

État d'avancement : 

- La phase d'analyse de la qualité des données des RPU est finalisée. Le groupe de travail Fédération des Observatoires Régionaux des Urgences (FEDORU) a retenu, au vu des éléments de la littérature, 4 composantes pour l’analyse de la qualité des données comprenant des indicateurs de qualité des données (IQD) : continuité du flux (1 IQD), exploitabilité (11 IQD), cohérence inter-champ (2 IQD) et crédibilité (41 IQD). Un score de qualité des données RPU (SQD-RPU) sur 100 a été développé avec le seuil de 95 définis comme le seuil de haute qualité (SHQ). En 2021 le score moyen calculé parmi 708 SSU était de 91,0. En 2021, 31,8% des SU avaient atteint ce seuil de haute qualité contre 24,8% en 2018 (+ 7 pts). La progression la plus forte concernait l’exploitabilité (de 17,5% en 2018 à 28,7% en 2021 ; + 11,2 pts). Entre les régions, en 2021, le score moyen de qualité globale variait de 81 à 94. Un code SAS/R permettant la construction d’un tableau de bord de qualité des données est disponible et rapporte par SU et par année le SQD-RPU, des sous scores par composante et l’ensemble des IQD.
- Les indicateurs de qualité des soins et des organisations (IQSO) suivants, construits à partir des bases de données nationales, ont été retenus : durée de passage aux urgences (DPU) ; re-consultation non programmée, indicateurs d’adaptabilité à la charge de travail, sortie non convenue.
- L’IQSO décliné de la DPU correspond au ratio entre la DPU observé dans un SU et la DPU prédite au vu du case-mix des patients reçus, des caractéristiques de l’établissement et de caractéristiques du territoire de l’établissement de santé. Les facteurs d’ajustements se rapportent. Le modèle prédictif retenu est le Radom Forest (RF). Selon le ratio et le nombre de passages dans le SU, les SU sont positionnés sur des funnels plot (graphiques en entonnoir) permettant d’identifiés les SU ayant une DPU annuelle atypiquement haute. La méthodologie est réplicable pour des sous-groupes comme celui des personnes âgées hospitalisées. Un travail de clustering des diagnostics de sortie des urgences est un axe actuellement travaillé pour améliorer la robustesse des modèles.
Les analyses se poursuivront en 2023.