Epidemiologia descrittiva e gestione di sistemi complessi Cesare Cislaghi Università di Milano e ARS toscana Marco Marchi, Università di Firenze.

Presentazione sul tema: "Epidemiologia descrittiva e gestione di sistemi complessi Cesare Cislaghi Università di Milano e ARS toscana Marco Marchi, Università di Firenze."— Transcript della presentazione:

1 Epidemiologia descrittiva e gestione di sistemi complessi Cesare Cislaghi Università di Milano e ARS toscana Marco Marchi, Università di Firenze

2 premessa: non parleremo di cibi o di ricette raffinate ma solo della “cucina” di tutti i giorni …

3 premessa: non parleremo di cibi o di ricette raffinate ma solo della “cucina” di tutti i giorni … NO SI

4 decisioni con uso di dati con uso di metodi non elementari Decisioni con o senza informazione?

5 sperimentale osservazionale decisionale descrittiva statistica

6 osservazionale decisionale descrittiva E’ precostituito un modello decisionale legato ai risultati dell’osservazione Prescinde da qualsiasi modello decisionale legato al risultati dell’osservazione

7 descrittiva Prescinde da qualsiasi modello decisionale legato al risultati dell’osservazione Anche se, come qualsiasi informazione, essa è tale solo se “capace” di influenzare l’azione

8 descrizione analisi decisionale

9 dato statistico realtà modello rilevazione modello analisi descrizione modello lettura informazione

10 dato statistico realtà modello rilevazione modello analisi descrizione modello lettura informazione contano?

11 L’utopia: i modelli non devono distorcere la descrizione … … ma come ?

12 L’utopia: i modelli non devono distorcere la descrizione … … ma come ? La realtà: i modelli distorcono sempre la descrizione … … ma se trasparenti e conosciuti possono esser controllati !

13 è il paradosso di Trilussa sul “modello” media: 2

14

15 Ogni descrizione è condizionata dal modello descrittivo che la sostanzia. Il modello permette la conoscenza ma anche distorce la realtà; più questa è complessa, più il modello è invadente e quindi la descrizione può risultare distorta.

16

17 Come riuscirà la foto? Il file digitale non sarà “manipolato”? Avrò una buona “descrizione”? Modello e Realtà

18 modello: files digitali

19 modello: files grafici

20 Qual’è’ la foto più “vera”? È una buona “descrizione”? E’ attendibile? ?

21 Per limitare la distorsione del modello è innanzitutto essenziale che il lettore possa controllare il modello e quindi questo deve essere trasparente, esplicito e comprensibile da parte del lettore stesso. Modelli difficili, seppur “ottimi” in senso tecnico, rischiano di produrre descrizioni cattive

22

23 a)Modelli conosciuti dal lettore; le “novità” creano spesso rigetto e quindi devono essere usate solo se necessarie b)Modelli comprensibili per il lettore, o almeno intuibili. Tra due modelli con simile capacità espressiva scegliere il più accessibile c)Modelli “ripetibili” anche per il lettore

24 Per limitare la distorsione del modello può anche essere utile presentare più descrizioni dello stesso fenomeno che utilizzano diversi modelli si rilevazione e di descrizione Se i modelli sono controllabili il lettore coglierà come segnale ciò che hanno in comune le due descrizioni

25

26

27

28 Principali problemi Stima dell’errore Correzione confondenti Fallacia ecologica Forza della struttura Non trasparenza del modello False immagini

29

30 La ricerca delle dimensioni della complessità di un fenomeno

31 ?

32 Corrispondenze multiple Componenti principali Path analysis Struttura latente Scaling ottimale Analisi fattoriale

33 … molto utili ed eleganti nella campo della ricerca ma poco usufruibili nella “cucina” quotidiana delle decisioni …

34 La ricerca delle frontiere della efficienza produttiva ed allocativa

35 DEA (Data Envelopment analysis) VRS (Variable returns to Scale Model)

36 DEA (Data Envelopment analysis) CRS (Constant Return to Scale Model)

37 Esempi di indici sintetici che cercano di cogliere la complessità di un fenomeno

38 Indice di cronicità dato w p = RR p ( di star male o molto male se si è affetti da p ) I.C. =  p (w p – 1 )

39 [1][1] L’OR stimato è inferiore ad uno e sottointende un, seppur minimo, ruolo protettivo delle malattie della pelle. Nel presente lavoro tale OR è stato posto pari ad uno e cioè il peso relativo di tale patologia è stato annullato.

40

41

42

43

44 Indice di ricorso ai servizi: I.R.S. =  s (w s * f s * 12 / t s ) dato w s = valore della prestazione unitaria “s” f s = frequenza della prestazione unitaria “s” t s = mesi su cui è stimata la frequenza di “s”

45

46

47

48

49

50 esempi di analisi della complessità alla ricerca di analogie e differenze strutturali al suo interno

51 il ricorso ai servizi è tipologicamente diverso tra le varie regioni ?

52 Tasso di ospedalizzazione per 1.000 abitanti (standardizzato per sesso ed età) <160 160-190 190-210 >210

53 <30% 30%-34% 34%-36% >36% % popolazione che ha utilizzato farmaci nei due giorni precedenti l’intervista (standardizzato per sesso ed età)

54 Numero medio di visite odontoiatriche a pagamento per 100 abitanti (standardizzato per sesso ed età) <5 5-6 6-7 >7 <12 12-13.3 13.3-14 >14 Percentuale di persone che hanno effettuato analisi del sangue o delle urine (standardizzato per sesso ed età)

55 <13.2 13.2-14 14-14.5 >14.5 Percentuale di persone che hanno effettuato la vaccinazione antinfluenzale (standardizzato per sesso ed età)

56 Variabili considerate nell’analisi: Visite mediche totali e a pagamento (per 1.000 abitanti) generiche pediatriche cardiologiche odontoiatriche (solo a pagamento) Altro … Ospedalizzazione negli ultimi tre mesi Intervento Chirurgico durante l’ultimo ricov. Ricorso al pronto soccorso negli ultimi tre mesi Ricorso a vaccinazione antinfluenzale Farmaci negli due giorni precedenti l’intervista Ricorso a Agopuntura negli ultimi tre anni Ricorso a Omeopatia negli ultimi tre anni Accertamenti diagnostici totali e a pagamento (per 1.000 abitanti) sangue o urine di alta specializzazione (ecografia, tac, …) radiografici pap test o mammografia (solo per le femmine) elettocardiogramma

57

58 Analisi dei Cluster Piemonte, Val D’Aosta, Liguria, Lombardia, Trentino AA Veneto, Friuli VG, Emilia Romagna, Toscana, Umbria, Lazio Marche, Abruzzo, Molise, Sardegna Campania, Calabria, Basilicata, Puglia, Sicilia

59  Vicinanza geografica delle regioni Come si caratterizzano i cluster?  % con risorse economiche insufficienti  % con salute male o molto male

60

61

62

63

64 esempi di analisi di un fenomeno complesso descritto con diversi modelli: l’attrazione ospedaliera

65 L’attrazione come bilancio dei flussi di mobilità

66 attrazionefugasaldo entro regione fuori regione

67 L’attrazione come misura della funzione di utilità

68 pisa firenze siena

69 L’attrazione come forza gravitazionale

70

71 Lo stesso fenomeno, tre modelli descrittivi diversi, tre descrizioni differenti ma convergenti. Quale la più adeguata? L’attrazione come forza gravitazionale L’attrazione come misura della funzione di utilità L’attrazione come bilancio dei flussi di mobilità

72 La complessità di un fenomeno difficilmente rappresentabile sinteticamente bensì separandone i diversi aspetti: geografia della cataratta

73 Ospedalizzazione per cataratta Toscana 2001 Tasso di ospedalizzazione standardizzato per età Valore medio unitario per ricovero Percentuale di ricoveri in Day Hospital Percentuale di ricoveri di una giornata Percentuale di ricoveri in strutture private

74 Età mediana di ospedalizzazione Percentuale di ricoveri fuori Area Vasta Percentuale di ricoveri fuori Regione L’immagine complessa si forma in modo “non statistico” dalla lettura di immagini intermedie

75 esempi di fenomeni complessi dove si deve considerare non solo media e variabilità ma soprattutto la concentrazione: il caso della spesa attribuibile ai Medici di Medicina Generale

76

77

78 ospedalizzazionefarmaceutica specialisticacomplessiva Differenze per medico dei costi medi trimestrali per assistito

79

80

81 Dimenticavo … La descrizione era “buona”, più per quello di destra che per quello di sinistra …