1 Behovsanalyse for somatikk

1.1 Datagrunnlag – forbruk av tjenester

Behovsnøkkel og behovsindeks for somatikk baseres på en analyse av forbruk for alle individer bosatt i Norge i 2016 og 2017. Analysen omfatter helseforetak og behandling hos private som er en del av den offentlig finansierte spesialisthelsetjenesten ved private ideelle sykehus, avtalespesialister og private opptreningsinstitusjoner. Aktivitetsdata for 2016 og 2017 er innhentet fra Norsk pasientregister, og aktiviteten er målt som DRG-poeng. Ved beregning av DRG-poeng for 2016 er kostnadsvekter og DRG-logikk for 2016 benyttet, tilsvarende er kostnadsvekter og DRG-logikk for 2017 benyttet ved beregning av DRG-poeng for 2017.

For avtalespesialister er ikke datagrunnlaget slik at det kan beregnes DRG-poeng. Aktiviteten er regnet om til DRG-poeng på følgende måte: Forholdet mellom gjennomsnittlig kostnad per konsultasjon (sum kostnader avtalespesialister dividert med antall konsultasjoner) og enhetsprisen i ISF-ordningen i 2016 gir en «kostnadsvekt» for konsultasjoner hos avtalespesialister. Denne multipliseres med antall konsultasjoner, og gir et estimat på antall DRG-poeng, Det er benyttet samme vekt for 2016 og 2017.

Heller ikke for private opptreningsinstitusjoner er det registrert DRG-poeng. Etter samme prinsipp som for avtalespesialister er det laget «kostnadsvekter» for tre omsorgsnivå; polikliniske konsultasjoner, dagrehabilitering og døgnrehabilitering. Kostnadsvekt for polikliniske konsultasjoner er beregnet som gjennomsnittlig kostnad per konsultasjon (på somatiske sykehus) i 2016 dividert med enhetsprisen i ISF-ordningen i 2016. Kostnadsvekt for dagrehabilitering på private opptreningsinstitusjoner er beregnet som gjennomsnittlig kostnad per dagopphold (på somatiske sykehus) i 2016 dividert med enhetsprisen i ISF i 2016. Døgnopphold på private rehabiliteringsinstitusjoner kan ha ulik varighet slik at det er ønskelig med en vekt som gjenspeiler ulik ressursinnsats eller ulikt behov for tjenester. Kostnadsvektene for døgnopphold er estimert som 0.886*LIGGEDØGN/PASIENT+0.099*LIGGEDØGN1. Dette gir en fast innvekting av private opptreningsinstitusjoner over de to årene analysene utføres på. Totalt antall DRG-poeng for private rehabiliteringsinstitusjoner er deretter justert slik at sum DRG-poeng for rehabilitering har samme forhold til sum DRG-poeng sykehus som sum kostnader rehabiliteringsinstitusjoner og sum totale somatiske kostnader.

Samlet utgjør somatiske sykehus 91 pst. av antall estimerte DRG-poeng for årene 2016 og 2017. Private avtalespesialister utgjør 6 pst., mens private rehabiliteringsinstitusjoner utgjør 3 pst.

Om lag 43 pst. av befolkningen var pasienter i 2016 og i 2017.

Forklaringsvariabler

Data om befolkningen er innhentet fra ulike databaser i Statistisk sentralbyrå. Et prosjektspesifikt løpenummer er laget av Statistisk sentralbyrå for prosjektet slik at data fra Norsk pasientregister kan kobles til befolkningsdataene. Koblinger på kommunenivå er utført av sekretariatet.

I analysene benyttes fire typer forklaringsvariabler:

• Alder og kjønn

• Sosioøkonomiske variabler

• Helserelaterte variabler

• Variabler som beskriver bosted

I analysene kontrolleres det for forskjeller i kapasitet i den kommunale helse- og omsorgstjenesten og spesialisthelsetjenesten.

Demografi

Alder er inkludert som 13 dummyvariabler for følgende alderskategorier: 0 til 5 år, 6 til 12 år, 13 til 17 år, 18 til 29 år, 30 til 39 år, 40 til 49 år, 50 til 59 år, 60 til 69 år, 70 til 79 år, 80 til 89 år og 90 år og eldre. Alder er beregnet som år (2016 eller 2017) minus fødselsår, slik at hvert individ i analysene kan være i to ulike aldersgrupper i hvert av årene analysene gjennomføres på.

Kjønn er inkludert i analysene som en dummyvariabel kodet 1 for menn.

Sosioøkonomiske forhold

Utdanningsnivået er målt som en lineær effekt av høyeste oppnådde utdanning på individnivå. Variabelen er innhentet fra Nasjonal utdanningsdatabase hos Statistisk sentralbyrå. Det forventes en negativ sammenheng slik at høyere utdanning gir lavere behov for helsetjenester. Derfor er variabelen snudd. Variabelen har fått verdien 0 for individer med kun grunnskole eller ikke kjent utdanningsnivå, verdien -1 for fullført videregående, verdien -2 for fullført fagskole, verdien -3 for kort utdanning på universitets- og høyskolenivå og verdien -4 for lang utdanning på universitets- og høyskolenivå. Variabelen har kun verdier for individer i alderen 25 til 66 år, alle andre har fått verdien 0. Fra informasjon om utdanningsnivå er det også avledet en egen dummyvariabel for de med grunnskole som høyeste oppnådde utdanning. Utdanningsvariablene varierer over år.

Fra A-ordningen hos Statistisk sentralbyrå er det innhentet informasjon om arbeidsmarkedstilknytning. Arbeidsmarkedsstatus er en gruppering av om individene er 1) lønnstakere, 2) helt ledig, 3) ikke lønnstakere eller 4) ukjent status. Fra denne opplysningen er det avledet en variabel ikke i arbeid for personer som ikke har status som 1) lønnstaker på noe tidspunkt i perioden, og som er i aldersspennet 18 til 66 år. Individer uten opplysninger om arbeidsmarkedsstatus har fått verdien 0 på variabelen. Stillingsprosent er utlevert fra samme database hos Statistisk sentralbyrå og det er i analysene målt som gjennomsnittlig stillingsprosent over perioden, dvs. månedlige målinger gjennom 2016 og 2017. Andel av tiden som lønnstaker er hvor mange måneder i perioden 2016 og 2017 individet har vært gruppert i arbeidsmarkedsstatuskategori 1) lønnstaker.

Samlet inntekt er innhentet fra A-ordningen hos Statistisk sentralbyrå og omfatter yrkesinntekt, kapitalinntekt, skattepliktige og skattefrie overføringer mottatt i løpet av et kalenderår. Opplysningene om inntekt er koblet på fra foregående år. For individer i 2016 er dermed inntekt for 2015 koblet på, og for 2017 er inntekt for 2016 koblet på. Lavinntekt er avledet fra samme data og er dummykodet for individer med registrert inntekt (ikke 0 eller missing) som er lavere enn de laveste 9 pst.2

Innvandringsdata er innhentet fra befolkningsstatistikk hos Statistisk sentralbyrå. Alle individer er i statistikken gruppert i en av seks grupper A) født i Norge med to norskfødte foreldre, B) innvandrere, C) norskfødte med innvandrerforeldre, E) utenlandsfødte med en norskfødt forelder, F) norskfødte med en utenlandsfødt forelder og G) utenlandsfødte med to norskfødte foreldre. I analysene er det laget dummy for kategori B. I tillegg er det konstruert en interaksjon mellom denne kategorien på individnivå og andel av innvandrere befolkningen i hver kommune med ikke-vestlig bakgrunn.

Alle individer er i Statistisk sentralbyrås befolkningsstatistikk tilordnet en familiekategorisering per år. Vi har brukt opplysningene til å lage dummykode for enpersonfamilie basert på individer som er kategorisert i Statistisk sentralbyrås familietyper 1.1.1 til 1.1.4 (enpersonfamilie under 30 år, 30 til 44 år, 45 til 66 år og 67 år eller over). Dummy for aleneforsørger er for individer over 18 år som er gruppert i en av følgende fire familietyper: 2.3 (mor/far med små barn/yngste barn 0 til 5 år) og 2.4 (mor/far med store barn/yngste barn 6 til 17 år). Siden barn er gruppert sammen med sine foreldre i klassifiseringen har vi laget en egen variabel for aleneforsørget som er samme avgrensning som aleneforsørger, men kun for individer i alderen 0 til 17 år.

Helsetilstand

Dødelighet er målt per individ som en dummy for om individet dør samme år eller neste år som analysen gjennomføres på (Befolkningsstatistikk fra Statistisk sentralbyrå). For data fra 2016 er dødelighet da målt for individer som dør i løpet av 2016 eller 2017. For data fra 2017 er dødelighet målt for individer som dør i løpet av 2017 eller 2018. Dødelighet er laget i fire aldersgrupper; 0 til 19 år, 20 til 39 år, 40–79 år og 80 år og eldre.

For individer på enten uføretrygd eller arbeidsavklaringspenger i løpet av et år er det laget en felles dummy. Opplysninger om dette er innhentet fra FD-trygd hos Statistisk sentralbyrå, og er kun testet for individer i alderen 18 til 66 år. Basert på de samme data er det også laget en variabel som måler varigheten et individ har mottatt uføretrygd basert på tiden trygdeordningen ble iverksatt og eventuell avgang fra trygdeordningen. Tilsvarende er også generert for varighet av arbeidsavklaringspenger.

Opplysninger om sykefravær er innhentet fra Statistisk sentralbyrå via A-ordningen og Sykemeldingsregisteret. Sykefravær er i analysene definert som andel av totalt antall dager i løpet av et år som er legemeldt sykefravær. Opplysningene er kun kodet for individer i alderen 18 til 66 år.

Variabler som beskriver bosted

I tillegg til individnivåvariablene er flere forhold samlet på kommunenivå for å beskrive bostedet til individet. Dette er kontrollvariabler som kan antas å påvirke etterspørselen etter tjenester (for eksempel klima- og breddegradsindeks).

I NOU 2008: 2 ble en klima- og breddegradsindeks bestående av fire deler foreslått. Delene var breddegrad, nedbør, sommer- og vintertemperaturer. Hver delindeks sorterte kommunene fra minst til mest langs en skala fra 0 til 1 etter forventet retning på sammenhengen med behov (nordlig breddegrad, mye nedbør, varm vinter og kald sommer). Den samlede indeksen ble beregnet som et uvektet gjennomsnitt av disse fire delindeksene. Indeksen har nå blitt oppdatert med nye meteorologiske data om nedbør, sommer- og vintertemperaturer fra Meteorologisk institutt. De kommuner som ikke har målestasjoner har fått tilordnet klimadata fra nærmeste kommune.

Arbeidsledighet er innsamlet fra Statistisk sentralbyrås arbeidskraftsundersøkelse (statistikkbanken tabell 10540). Registrerte arbeidsledige i alderen 15 til 74 år. Dette er en annen kilde enn arbeidsledighetsstatistikk fra NAV og gir et annet nivå på tallene, men formålet med analysene her er å vise til forskjeller mellom kommuner, ikke nivået i seg selv.

Voldskriminalitet er målt som antall anmeldte lovbrudd for vold og mishandling per 1000 innbyggere. Disse data er samlet inn fra Statistisk sentralbyrå (statistikkbanken tabell 08487).

Ikke-vestlige innvandrere er innbyggere som innvandringskategori B, dvs. førstegenerasjons innvandrere. Ikke-vestlig er definert som ikke å være fra Vest-Europa, Amerika og Oseania. Andel av innvandrere med ikke-vestlig bakgrunn er summert i kommuner basert på befolkningsstatistikk fra Statistisk sentralbyrå.

Data om antall asylsøkere i 2016 (gruppert etter kommuner med asylmottak) per innbyggere er delvis innhentet fra UDI (antall ved mottak), og fra et pågående (upublisert) forskningsprosjekt ved NTNU (informasjon om kommuner med asylmottak i 2016).

Basert på individnivåvariabler har vi også konstruert variabler på kommunenivå som gjennomsnitt per kommune: andel av innbyggerne som har kun grunnskole, andel av innbyggerne som har mottatt sosialhjelp og andel av innbyggerne som har uføretrygd.

Manglende opplysninger (på grunn av endring i kommunestruktur) er satt lik fylkesgjennomsnitt.

Tilbudet av helsetjenester

Reisetid er definert som gjennomsnittlig antall timer reisetid til nærmeste somatiske akuttsykehus. Reisetiden er beregnet av Statistisk sentralbyrå fra hver bostedsadresse til nærmeste akuttsykehus og gruppert på kommunenivå. Akuttsykehus er definert fra Nasjonal helse- og sykehusplan (2016–2019). Populasjonen består av alle som bor innenfor 100 meter av vegnettet, og reisetiden er beregnet på grunnlag av vegsegmentets lengde og fartsgrense, uten vekting for eventuell trafikk eller trafikklys.

Plassdekning i kommunene er målt som andel plasser i kommunal helse og omsorg per innbygger i kommunen som er 81 år og eldre. Dette omfatter både plasser på sykehjem, aldershjem, barnebolig, avlastningsbolig og eventuelle private institusjoner som er en del av det offentlige tilbudet. Antall akutt/øyeblikkelig hjelp døgnplasser er imidlertid ikke en del av dette antallet. Data er innsamlet fra Statistisk sentralbyrå (statistikkbanken tabell nummer 11875). Fra Statistisk sentralbyrås KOSTRA-database er det også med kostnader per innbygger til øyeblikkelig hjelp døgnopphold i kommunene (Kostra-funksjon 261) og kostnader per innbygger til helse og omsorg (Kostra-funksjon FGK9).

Manglende opplysninger (på grunn av endring i kommunestruktur) er satt lik fylkesgjennomsnitt.

Regionale forskjeller på forklaringsvariablene

Her presenteres gjennomsnittsverdier for hver region på de ulike forklaringsvariablene. Det er ikke hensyntatt hvilken aldersinteraksjon variabelen gjelder. Det betyr for eksempel at gjennomsnittlig utdanningsnivå er beregnet for alle innbyggere i hver region, selv om variabelen kun har verdier for innbyggere mellom 25 til 66 år. Dummyvariabler er fremstilt som prosent.

Valgt metode

Formålet med analysene er å etablere en sammenheng mellom faktorer som påvirker forbruk av tjenester (for eksempel alder) og størrelsen på forbruket. Denne sammenhengen kan beskrives i to ledd; for det første i hvilken grad en faktor påvirker sannsynligheten for at individet har forbruk av tjenester, for det andre hvordan faktoren påvirker størrelsen på dette forbruket. Metodisk kan dette gjøres gjennom å estimere i to steg. I steg en estimeres sannsynligheten for at individet har forbruk. I steg to kombineres dette med estimatet på sammenhengen mellom kriteriet og størrelsen på forbruket. Når det er mange faktorer som dels virker alene og dels virker i et samspill, viser det seg at en slik to-stegs modell imidlertid ikke alltid gir stabile resultater, og i noen tilfeller heller ikke lar seg estimere. Det har vært gjennomført analyser ved hjelp av en slik to-stegs metode. Når disse gjøres på samlede data fra 2016 og 2017 konvergerer ikke modellen. Det er derfor valgt å ikke benytte denne tilnærmingen i beregning av behovsnøkler og behovsindekser.

Det er deretter benyttet to alternative tilnærminger. Den ene er å estimere sammenhengen mellom behov og for eksempel alder direkte ved hjelp av ordinær minste kvadraters metode (OLS) og individdata. Den andre er å aggregere individdata opp til cellenivå og også her benytte OLS. Den første tilnærmingen har den fordel at den best utnytter den informasjonen som ligger i å ha data på individnivå. Siden en stor andel av befolkningen ikke har forbruk av tjenester vil dette gi noen statistiske utfordringer i forhold til de forutsetninger som OLS bygger på. Den andre tilnærmingen innebærer at man estimerer forholdet mellom gjennomsnittlig forbruk hos en gruppe individer og for eksempel gjennomsnittlig sykefravær, trygdeandel eller lignende i denne gruppen. Dette vil i praksis være samme tilnærming som ble benyttet i NOU 2008: 2. Ulempen med en slik tilnærming er at det på gruppenivå kan trekkes slutninger om sammenhenger som det ikke finnes støtte i på individnivå, og at det dermed kan etableres sammenhenger som ikke er reelle.

Det er vurdert at det at man nå har data på individnivå over bruk av tjenester som også kan kobles med informasjon om inntekt, utdanning, trygdestatus mv. representerer et betydelig framskritt i forhold til datagrunnlaget som lå til grunn for NOU 2008: 2. Videre vurderes fordelen med å utnytte den informasjonen som ligger i individdata som større enn den metodiske usikkerheten knyttet til å benytte OLS. Det er derfor valgt å estimere modellen og beregne tilhørende behovsnøkler og behovsindekser gjennom å analysere individdata ved bruk av OLS. Det er gjennomført supplerende analyser ved bruk av aggregerte celledata (se tabell 1.9). Disse gir ikke vesentlig forskjellige resultater når de benyttes til å predikere forbruk på aggregert nivå, men kan gi forskjeller i effekt av ulike kriterier. I celleanalysene er det ikke lengre effekt av uføretrygd eller arbeidsavklaringspenger, og vi observerer at ikke i arbeid får en svak negativ effekt. Dessuten fanger nå dødelighet opp en betydelig alderseffekt mens i individnivåanalysene (se tabell 1.10) er dødelighet og alderseffektene i større grad adskilt siden dødelighet er målt på individnivå.

Det er også undersøkt å benytte 2016-data til å predikere 2017 for å sammenligne de ulike tilnærmingene. Resultatene ble marginalt bedre for OLS enn to-stegs metoden, samt at to-stegs metoden hadde konvergensproblemer.

Regresjonene er gjennomført uten konstantledd og alle variabler (bortsett fra alder) er operasjonalisert som avvik fra gjennomsnitt. Analysene er gjort med robust estimering av standardfeil for å ta høyde for opphopning av observasjoner på helseforetaksnivå. Det er inkludert dummyer for helseforetak for å korrigere for forskjeller i behandlingskapasitet (fast effekt).

De fire gruppene med forklaringsvariabler er testet blokkvis hver for seg for å velge ut relevante variabler fra hver gruppe. Det benyttes en strategi hvor variabler som ikke er statistisk signifikante (T-verdi < 2) ekskluderes. Deretter estimeres modellen samlet med relevante variabler fra alle blokkene, og igjen ekskluderes ikke-signifikante variabler. I den endelige modellen beholdes alle variabler som bidrar signifikant til å forklare variasjon i forbruk av helsetjenester. Bortsett fra interaksjon mellom innvandringskategori og andel ikke-vestlig innvandring på kommunenivå er det ikke testet andre interaksjonseffekter enn mellom alder og de øvrige variablene.

Resultater

Tabell 1.10 viser den foretrukne modellen, med regresjonskoeffisienter, T-verdi og konfidensintervall.

R² er et mål på hvor stor del av variasjonen knyttet til den avhengige variabelen som forklares av modellen. R² går fra verdien 0, som betyr absolutt ingen assosiasjon mellom de inkluderte variablene og den avhengige variabelen, til verdien 1, som betyr at modellen er perfekt determinert. I denne modellen er R² målt som 0,1456. Det betyr at om lag 15 pst. av all variasjon i DRG-poeng per innbygger forklares av de inkluderte variablene. Siden forbruk av DRG-poeng på individnivå (både pasienter og ikke-pasienter) er knyttet til individuelle sykdomsforløp med mye statistisk støy, er vurderingen at modellen har svært god forklaringskraft.

Alle alderskategoriene er signifikante og inngår i forslaget til kostnadsnøkler. Aldersgrupperingen for barn og unge er valgt for å harmonere med den som benyttes i analysene av psykisk helsevern for barn og unge.

Menn har høyere forbruk av somatiske sykehustjenester enn kvinner.

Individer som ikke er i arbeid har høyere bruk av helsetjenester.

Dødelighet er sterkt positivt assosiert med bruk av somatiske spesialisthelsetjenester. Den varierer med alder, slik at bruken av tjenester faller med alder ved død.

Både uføretrygd/arbeidsavklaringspenger og sykepenger er positivt assosiert med bruk av helsetjenester.

Valg av nøkler

Koeffisientene fra regresjonsanalysene benyttes til å beregne kriterievekter (behovsnøkler). Hver variabel er operasjonalisert som avvik fra gjennomsnittet, og regresjonen er gjennomført uten konstantledd. Det betyr at alderskategorikoeffisientene kan tolkes som forbruket til en person i den aktuelle kategorien som har gjennomsnitt på de andre variablene.

Behovsvektene beregnes på følgende måte:

Tilbudssidevariabler blir ikke inkludert som behovsnøkler (reisetid og helseforetaksdummyer). Kun koeffisienter som er positive, og hvor den forventede retningen er positiv blir inkludert som mulige behovsnøkler. Data aggregeres til regionnivå før beregning av nøkler. Ukorrigerte vekter beregnes for alle inkluderte variabler, og dette gir i sum over 1 i samlede vekter. Først skaleres aldersvektene slik at samlede vekter blir 1, deretter utelates negative variabler, uforventede resultater og tilbudssidevariabler, før alle vekter skaleres igjen slik at sum av vekter blir 1.