2 Behovsanalyse for psykisk helsevern for voksne og tverrfaglig spesialisert rusbehandling

Datagrunnlag – forbruk av tjenester

Behovsanalyse for psykisk helsevern for voksne og tverrfaglig spesialisert rusbehandling er en analyse av forbruk for alle individer bosatt i Norge i 2017. Analysen omfatter helseforetakene, og behandling som er en del av den offentlig finansierte spesialisthelsetjenesten ved private ideelle sykehus og avtalespesialister. Aktivitetsdata for 2017 er innhentet fra Norsk pasientregister.

Innen psykisk helsevern for voksne og tverrfaglig spesialisert rusbehandling er det ikke noe felles aktivitetsmål på tvers av tjenesteområdene eller på tvers av omsorgsnivåene. Samtidig er det rimelig å anta at forskjeller i pasientsammensetning i disse tjenesteområdene i stor grad gir seg utslag i forskjeller i liggetid. Det trekker i retning av å ta utgangspunkt i liggedøgn heller enn i opphold eller pasienter når man skal beregne aktivitet. For å ta hensyn til at det også vil være forskjeller i ressursbruk knyttet til liggedøgn, skilles mellom liggedøgn i sykehusavdelinger og liggedøgn på distriktspsykiatriske sentra. I tillegg må dagopphold og poliklinikk vektes på en slik måte at denne aktiviteten kan sammenlignes med liggedøgn.

Følgende framgangsmåte er valgt: For å lage et felles mål er aktiviteten vektet med utgangspunkt i liggedøgn på psykiatriske sykehus. Disse gis vekt = 1. Fra Helsedirektoratet (SAMDATA) er det innhentet nasjonale enhetskostnader for liggedøgn ved sykehusavdelinger, liggedøgn ved distriktspsykiatriske sentre og polikliniske konsultasjoner for både psykisk helsevern for voksne og tverrfaglig spesialisert rusbehandling.

Vekten for poliklinisk konsultasjon er definert som

Det er i liten grad dagbehandling innen psykisk helsevern for voksne i tverrfaglig spesialisert rusbehandling, og det finnes i SAMDATA ingen egne beregninger av enhetskostnadene. For begge tjenesteområdene er vekten beregnet som gjennomsnitt av liggedøgn og konsultasjon ved:

Innen psykisk helsevern vil enhetskostnad for liggedøgn på DPS være lavere enn på sykehus og dette er vektet inn som:

Vi har antatt at polikliniske konsultasjoner har samme enhetskostnad både for avtalespesialister, psykiatriske sykehus og DPS. Sammenvekting av psykisk helsevern for voksne og tverrfaglig spesialisert rusbehandling skjer ved å justere all aktivitet innen tverrfaglig spesialisert rusbehandling basert på enhetskostnadene for liggedøgn på sykehus innen hvert av tjenesteområdene.

Ved å bruke enhetskostnader fra SAMDATA får vi vekter for aktiviteter som angitt i tabell 2.1.

Alle hendelser for personer 0 til 17 år er omkodet til å tilhøre psykisk helsevern for barn og unge. Tilsvarende er hendelser for personer som er 18 år eller eldre omkodet til å tilhøre psykisk helsevern for voksne.

Av befolkningen i 2017 var 1 av 20 pasienter innen psykisk helsevern for voksne og/eller tverrfaglig spesialisert rusbehandling.

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 for forskjeller i kapasitet i den kommunale helse- og omsorgstjenesten og spesialisthelsetjenesten.

Demografi

Alder er inkludert som syv dummyvariabler for følgende alderskategorier: 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 år og eldre. Alder er beregnet som 2017 minus fødselsår. Kjønn er testet som dummy kodet 1 for menn. Det er ikke benyttet interaksjoner mellom kjønn og alder.

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 assosiasjon mellom utdanning og forbruk, 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 har ikke har status som 1) lønnstaker på noe tidspunkt i perioden, og som er i aldersspennet 18 til 39 år. Innen psykisk helsevern for voksne og tverrfaglig spesialisert rusbehandling er de fleste pasientene yngre pasienter, mens de fleste sosiale variablene som er inkludert har høyest prevalens blant de eldste. Derfor er flere av interaksjonene satt opp til å være fra 18 til 39 år i stedet for en større aldersgruppe. Individer uten opplysninger om arbeidsmarkedsstatus har fått verdien 0 på variabelen. Stillingsprosent er utlevert fra samme database hos Statistisk sentralbyrå og 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, dersom alderen var mellom 18 og 39 år.

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. 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.1

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 inkludert interaksjon mellom denne kategorien på individnivå og andel av innvandrere i hver kommune med ikke-vestlig bakgrunn. Alle individer er i Statistisk sentralbyrås befolkningsstatistikk tilordnet en familiekategorisering per år. Opplysningene er benyttet til å lage dummykode for enpersonfamilie basert på individer som er kategorisert i Statistisk sentralbyrås familietyper 111 til 114 (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 familietype: 23 (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).

Helsetilstand

Dødelighet er målt per individ som en dummy for om individet dør samme år eller neste som analysen gjennomføres (Befolkningsstatistikk fra Statistisk sentralbyrå). Dødelighet er laget i tre aldersgrupper; 18 til 39 år, 40 til 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 testet for individer i alderen 18 til 39 år. Kombinasjonen av å være ung og motta enten uføretrygd eller arbeidsavklaringspenger er en langt bedre forklaringsvariabel enn å være eldre og motta denne trygdeordningen. 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 39 år. Sykefraværet øker med alder mens forbruket av tjenester for psykisk helsevern for voksne og tverrfaglig spesialisert rusbehandling avtar, derfor er en yngre aldersgruppe valgt som interaksjon.

Mottakere av sosialhjelp er innsamlet fra FD-trygd hos Statistisk sentralbyrå, og er i analysene operasjonalisert som en dummy for hvorvidt individene i løpet av ett år har vært mottakere av sosialhjelp.

Variabler som beskriver bosted

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

Storbydummy er konstruert basert på individenes bostedskommune og er en dummy for kommunenummer 301, Oslo. Dette fanger opp noe annet enn en ren helseforetaksdummy for Oslo universitetssykehus siden også Lovisenberg diakonale sykehus, Diakonhjemmet sykehus og Akershus universitetssykehus har opptaksområder i Oslo.

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 bredde grad, 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 innbyggere 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 er det også konstruert noen variabler på kommunenivå. Her inkluderes andel av innbyggerne som har grunnskole, andel av innbyggerne som har mottatt sosialhjelp og andel av innbyggerne som har uføretrygd.

Tilbudet av helsetjenester

Fra Statistisk sentralbyrås KOSTRA database er innhentet opplysninger om kommunale kostnader per innbygger til hele helse- og omsorgssektoren (Kostra-funksjon FGK9). Det er i tillegg innhentet opplysninger om kommunale kostnader til tilbud til personer med rusproblemer (Kostra-funksjon 243) per innbygger. Det finnes ingen funksjonsinndeling som er avgrenset til psykisk helsearbeid.

I forskningsprosjektet (EU) Comparative Effectiveness research on Psychiatric Hospitalisation by Record Linkage of Large Administrative Data Sets (CEPHOS-LINK) er det beregnet reisetid i minutter fra kommunesentrum til både nærmeste psykiatriske akuttsykehus og nærmeste distriktspsykiatriske senter.

Kommunale årsverk innen psykisk helse og rusarbeid (per innbygger 18 år og eldre) er innhentet fra Helsedirektoratet IS-24/8 Kommunalt psykisk helse- og rusarbeid.

Alle helseforetak er inkludert som dummykoder i analysene for å ta bort nivåforskjeller mellom helseforetakene.

Regionale forskjeller på de ulike forklaringsvariablene

Her presenteres gjennomsnittsverdier for hver region på de ulike forklaringsvariablene basert på de data som er inkludert i analysene (data for 2017 for innbyggere 18 år eller eldre). 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 innbyggere mellom 25 til 66 år. Kommunale variabler gjelder hele kommunens befolkning med mindre annet er angitt. Dummyvariabler er presentert som prosentandel av befolkningen.

Valgt metode

Formålet med analysene er å etablere en sammenheng mellom faktorer som påvirker behovet (for eksempel alder) og størrelsen på behovet. Denne sammenhengen kan beskrives i to ledd: for det første i hvilken grad en faktor påvirker sannsynligheten for at individet har behov for tjenester, for det andre hvordan faktoren påvirker størrelsen på dette behovet. Metodisk kan dette gjøres gjennom å estimere i to steg. I steg en estimeres sannsynligheten for at individet har behov. I steg to kombineres dette med estimatet på sammenhengen mellom kriteriet og størrelsen på behovet. 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, men det er for noen av tjenesteområdene utfordringer med å finne løsninger i regresjonen (konvergens). Det er derfor valgt å ikke benytte denne tilnærmingen ved beregning av behovsnøkkel 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. De gir ikke vesentlig forskjellige resultater når de benyttes til å predikere forbruk på aggregert nivå, men kan gi forskjeller i effekt av ulike kriterier. Celledata gir færre signifikante variabler på grunn av lavere antall observasjoner og gjennomsnitt på cellenivå vil maskere noe av de individuelle sammenhengene mellom behov og forklaringsvariablene. Analysene viser (tabell 2.10) at dødelighet 40 til 79 år, utdanning og sykefravær ikke blir signifikante på cellenivå.

Regresjonen 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 4 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 2.11 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 0,0258, det betyr at om lag 3 pst. av all variasjon i forbruk per innbygger forklares av de inkluderte variablene. Dette henger sammen med at kun en liten del av individene her har forbruk. 95 pst. av befolkningen har ingen tjenester. Dermed forklarer modellen lite av den totale variasjonen, men det innbyrdes forholdet mellom variablene er likevel godt.

Alle alderskategoriene er signifikante og inngår i forslaget til kostnadsnøkler. Kjønn er utelatt fra analysene siden kjønnseffekten er ulik innen psykisk helsevern for voksne og tverrfaglig spesialisert rusbehandling. I psykisk helsevern for voksne har kvinner et høyere forbruk enn menn, mens i tverrfaglig spesialisert rusbehandling bruker menn mer sykehustjenester.

På kommunenivå finner vi en negativ assosiasjon mellom andel med grunnskole som høyeste utdanning og bruk av tjenester. Dette er ikke i tråd med en hypotese om at forbruket avtar med utdanningsnivå. Denne inngår derfor ikke i forslag til behovsnøkkel.

Personer som bor alene, har høyere forbruk av tjenester enn de som bor med flere.

Individer som ikke er i arbeid, mottar sosialhjelp, har sykefravær, mottar uføretrygd eller arbeidsavklaringspenger har høyere bruk av helsetjenester. Dette er i tråd med forventingene.

Dødelighet er positivt assosiert med bruk av tjenester, for aldersgruppene 18 til 39 og 40 til 79 år.

Arbeidsledighet på kommunenivå er positivt assosiert, men blant de svakeste inkluderte variablene.

Valg av nøkler

Koeffisientene fra regresjonsanalysene benyttes til å beregne kriterievekter (behovsnøkler). Hver variabel er operasjonalisert som avvik fra gjennomsnitt, 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). Det kompenseres ikke for ulikheter som følge av kjønn, da det forventes en lik dekning og lik fordeling i befolkningen mellom regionene. 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.