Year: 2008
Type: dissertation
Study design: Observational Study
Abstract: TIIVISTELMÄTämä tutkimus on monografian muotoon tehty väitöskirja, joka koostuu systemaattisesta kirjallisuuskatsauksesta ja oman havaintoaineiston analyysistä.Tavoitteena tutkimuksessa on analysoida terveyspalveluiden suurkäyttöön liittyviä teorioita, suurkäyttäjien ennustetta ja ennusteeseen vaikuttavia tekijöitä pitkittäisasetelmassa.Systemaattisessa kirjallisuuskatsauksessa arvioidaan vain seuranta-ajan sisältäneitä pitkittäistutkimuksia ja interventiotutkimuksia, koska tämän tutkimuksen kiinnostuksen kohde on terveyspalveluiden pitkäaikainen suurkäyttö.Omana aineistonani on 85 terveyspalveluiden suurkäyttäjää Tampereen terveyskeskuksesta.Neljän vuoden seurannan perusteella arvioidaan niitä tekijöitä, jotka vaikuttivat terveyskeskuksen lääkäripalveluiden suurkäytön kroonistumiseen.Johtopäätöksiä tehdessä otettiin huomioon myös kirjallisuuskatsauksessa tehdyt havainnot.Aineiston mallintaminen tehtiin bayesilaisella P-course -nimisellä verkkokehitin-ohjelmalla.Bayes-mallilla on visuaalinen verkkorakenne, jonka avulla pystytään havainnollistamaan lopputilaan vaikuttavia tekijöitä ja niiden suhteita.Bayes-mallit tarjoavat suoran todennäköisyystulkinnan ilman p-arvon tulkintaongelmaa.Mallintamisen päätetapahtumana oli terveyspalveluiden pitkäaikainen suurkäyttö (TPS).TPS:n kriteeri täyttyi, jos neljän seurantavuoden aikana potilas kävi vähintään niistä kolmena vuonna vuosittain vähintään kahdeksan kertaa vuodessa terveyskeskuslääkärillä.TPS:ä ennustavat aineiston mallintamisessa naissukupuoli, potilaan korkea painoindeksi, aiempi runsas terveyspalveluiden käyttö, raittius, heikko asiakastyytyväisyys, ärtyvä paksusuoli -oireyhtymä ja kuolemanpelko.Mallintamisen tulokset ovat osin uusia.Näitä uusia tai aiemmin vähäisesti raportoituja havaintoja ovat korkean painoindeksin, raittiuden, ärtyvä paksusuoli -oireyhtymän, kuolemanpelon ja heikon asiakastyytyväisyyden liittyminen päätetapahtumaan.Tutkimusaineistosta rakennetun Bayes-mallin ennustekyky on 83,5 %, eli kun tulosta verrataan suurimman luokan toteutumiseen (terveyspalveluiden lyhytaikaiset suurkäyttäjät, 69,4 %:a tutkimuspotilaista), tämä mallii ennustaa 20 %:a paremmin potilaan lopputilan, mikä on hyvä tulos.Bayes-mallin luokittelun tarkkuus on samaa tasoa kuin logistisella regressioanalyysillä tehdyn vertailumallin, mutta Bayes-mallin etu on sen parempi kattavuus, ja sitä käytettiin myös onnistuneesti päätetapahtuman selittävien muuttujien esikarsimiseen.Bayes-mallin spesifisyys on 95 %, mutta sensitiivisyys vain 58 %, joten se on tarkka varmistamaan terveyspalveluiden suurkäytön, mutta ei kovin herkkä poissulkemaan sitä.Mallin ulkoisessa testauksessa ilmeni, että ennen sen yleistämistä laajempaan käyttöön, tarvittaisiin sen lisävalidoimista.Mallia voidaan pitää kuitenkin käytännössä hyödyllisenä, jos se saa päätöksentekijän ottamaan huomioon päätöksentekoon liittyviä asioita, joita muuten ei olisi tullut otettua huomioon.Tutkimuksessa rakennettua Bayes-mallia voisi tulevaisuudessa käyttää terveyspalveluiden pitkäaikaisen suurkäytön tunnistamiseen silloin, kun hoitavalla lääkärillä on tästä epävarmuutta.Malli olisi melko yksinkertaisesti jatkokehiteltävissä työkaluksi terveyskeskuslääkärin pöytätietokoneelle päätöksenteon tukivälineeksi.Ennen mallin laajempaa käyttöä sen ulkoista validiteettia ja reliabiliteettia tulisi kuitenkin parantaa soveltamalla ja kehittämällä sitä ensin erilaisissa potilasaineistoissa.
Author: T. Koskela
Language: Finnish
Subfield: Epidemiology
Field: Medicine
Domain: Health Sciences
Open Access status: green
OpenAlex ID: W3169558222
