Impact des technologies de l`information sur la poduction hopspitaliére

Le patient au centre
de l’information
4
Impact des technologies de l’information
sur la production hospitalière
Rodolphe Meyer
Summary
Hôpitaux Universitaires de Genève,
Service d’Informatique Médicale,
Genève 14
Quantification of the added value of information technologies (IT) in the health sector is a
major issue for decision-makers and health care
professionals. This paper reports the application
of an economic production function in hospitals
to different integration levels of their clinical information systems (CIS). The study concerns
17 university hospitals within Paris (France)
which were followed from 1998 to 2005. Using
an extended Cobb-Douglas production function, yearly incomes (Y) were correlated with
three inputs: capital (K), labour (L) and IT expenses (T). The results indicate that incomes
are significantly and positively associated with
the three input variables with elasticity coefficients that appear to be in the range of values
found in the secondary and tertiary sectors (a,
b, g of 0.81, 0.17, and 0.09). The IT elasticity
coefficient (g) is higher in the subgroup of 6
hospitals which integrated, or started to integrate, a complete CIS within the study period,
than in the 11 reference hospitals. In a general
production function, hospital costs appear to be
positively linked to the level of IT expenses,
capital and labour. Calculations in two subgroups of French hospitals subdivided according
to the scale of IT integration seem to indicate
that the more the clinical information system is
integrated, the more its influence is positive in
hospital production. The results of this first survey are sufficiently encouraging to warrant an
attempt to refine them (better granularity),
spread them in time (over a longer period), and
extend them to Swiss hospitals.
Introduction
Rodolphe Meyer
Hôpitaux Universitaires
de Genève
Service d’Informatique
Médicale
Rue Micheli-du-Crest 24
1211 Genève 14
rodolphe.meyer@
sim.hcuge.ch
Voilà maintenant plus de trente ans que l’informatique et les technologies de la communication
numérique ont fait leur apparition dans nos
hôpitaux [1, 2]. D’implémentation et d’acception lente, l’installation de ces outils bénéficie en
2008 d’un effet d’accélération. La mise en place
d’un dossier médical personnel informatisé incite
de façon active à la modernisation des structures
hospitalières existantes et favorise, dans les établissements qui s’équipent, la prise en compte de
plus en plus détaillée de leurs dépenses et l’optimisation de leur processus de facturation des
prestations de soins. L’informatisation de l’hôpital de demain, loin d’être une fatalité, est deve-
nue un enjeu stratégique et économique que
certains décideurs éclairés avaient déjà perçu
depuis plusieurs années [3]. Mais ce nouvel outil,
pour efficace et incontournable qu’il soit, représente une ligne de dépense budgétaire importante, qui n’a pas encore apporté la preuve de sa
rentabilité. Le retour sur investissement des technologies de l’information et de la communication numérique (TIC ou IT) est loin d’être
prouvé dans tous les secteurs et particulièrement
dans celui de la santé. En 2006, la Suisse a
dépensé 11,6% de son produit intérieur brut
(PIB) dans le secteur de la santé [4], ce qui la
place au deuxième rang mondial derrière les
Etats-Unis. Devant ces chiffres, il convient de se
demander si l’informatique hospitalière participe
positivement à la croissance ou à la productivité
des systèmes de soin au regard des financements
qu’elle nécessite. Les règles de justification des
investissements de production en santé tendent
actuellement à devenir les mêmes que celles
appliquées dans les autres secteurs, c’est-à-dire
fondées sur des critères de rentabilité issus d’une
analyse coûts-bénéfices. Ces analyses sont délicates car les méthodes standard d’évaluation
économique (basées sur la somme des cash-flows
actualisés) s’appliquent mal au cas des investissements informatiques actuels [5]. Les raisons sont
multiples: les bénéfices sont disséminés, et parfois intangibles, tandis que les coûts, et notamment les coûts d’intégration, demeurent difficiles
à chiffrer [6, 7]. Il est presque impossible de
mesurer l’impact financier positif de la fiabilisation d’un système de prescription alors qu’il est
clair que les erreurs de prescriptions, responsables
d’une grande partie de la iatrogénie médicale,
engendrent un surcoût évident [8]. Lorsque l’on
sait que cette association d’éléments tangibles et
intangibles contribue de façon déterminante au
succès d’une organisation comme un hôpital, il
est essentiel d’obtenir dès maintenant des
moyens de mesure du retour sur investissement
direct des TIC constituant un premier pas vers
une analyse plus complète de ces éléments [9–11].
En considérant maintenant les technologies de
l’information et de la communication comme un
facteur de production dans un hôpital, il devient
envisageable d’en mesurer l’influence, et donc la
valeur, par l’utilisation des techniques économétriques employées par les statisticiens, les informaticiens et les analystes du monde de l’économie et de la finance [12, 13].
SMI 2008: Nº 64
5
Objectifs
Montrer que l’on peut utiliser les fonctions économétriques classiquement manipulées en
macro- et microéconomie sur des données d’activité hospitalière. Calculer l’influence des investissements en technologies de l’information dans la
production hospitalière. Comparer les coefficients
d’élasticité des facteurs expliquant la production
hospitalière dans plusieurs groupes d’hôpitaux
séparés sur des critères de niveau d’intégration
des technologies d’information. Utiliser les données calculées pour prédire les futurs résultats de
production des hôpitaux en fonction des différents investissements réalisés. Améliorer la gouvernance des SIH.
Matériels et méthodes
Fonction de production
Comme évoqué précédemment, nous avons
voulu utiliser dans cette étude une fonction de
production couramment employée en économie.
La forme générale de cette fonction (la fonction
de Cobb-Douglas) retient deux facteurs de production (inputs): le capital (K) et le travail (L),
pour expliquer la croissance Y (output). Ce qui
donne: Y = A × Ka × Lb
(avec l’hypothèse a+b = 1 ou b = (1–a) et Y = la
production; A = coefficient constant dépendant des
unités de mesure employées, nommé «résidu de Solow», correspondant à une part dite d’amélioration
de l’efficacité des facteurs de production, en d’autres
termes rattachée au progrès technique; K = capital;
a = élasticité de la production au capital; L = travail; b = élasticité de la production au travail.)
La fonction ainsi spécifiée fut posée pour la
première fois en 1928 et régulièrement vérifiée
économétriquement par la suite [14]. De cette
fonction mathématique, on peut tirer deux
Figure 1.
Fonction de production étendue (avec élasticité de substitution constante: a + b + g = 1).
concepts économiques qui permettent d’interpréter les vérifications statistiques: l’élasticité de
la production aux facteurs et la notion de progrès
technique. La prise en compte, dans l’explication
de la croissance, du progrès technique et de différentes autres variables a été motivée par les résultats d’études empiriques faisant apparaître que la
fonction Cobb-Douglas ne permettait pas d’expliquer la croissance par les seules quantités de
facteurs de production. C’est ce que Robert
Solow, prix Nobel d’économie, a appelé le
«résidu» [15, 16]. Le progrès technique et les
dépenses d’éducation sont les deux principales
variables susceptibles d’expliquer le résidu de la
croissance. La productivité des facteurs (A), possède donc une valeur mesurant l’état de la technologie à un moment donné; sa progression dans
le temps donnant une idée du progrès technique
au sens large [17, 18].
En partant du modèle initial de la fonction de
Cobb-Douglas, nous avons instancié une nouvelle fonction par ajout d’une variable T, individualisant les technologies de l’information et de
la communication. L’élasticité de substitution
étant toujours considérée constante, nous obtenons (fig. 2):
Y = A × Ka × Lb × Tg
T va permettre d’isoler la part TIC du résidu de
Solow. L’intérêt d’améliorer la fonction de production classique réside dans le fait que la nouvelle variable possède son propre coefficient
d’élasticité qui nous permettra d’estimer son
importance proportionnelle dans les résultats de
la production globale et donc l’impact des TIC
dans cette production.
Dix-sept hôpitaux de l’Assistance
publique – Hôpitaux de Paris
Les premières données hospitalières utilisées pour
ce travail sont françaises et proviennent du siège
de l’Assistance publique – Hôpitaux de Paris
(AP-HP). Elles s’étendent sur une période de
huit années allant de 1998 à 2005. N’ont été
retenues que les structures de volume important
(plus de 350 lits), réalisant principalement
(>75%) une activité MCO (médecine, chirurgie,
obstétrique). Nous avons ainsi analysé dix-sept
établissements sur huit années, ce qui nous
donne un total de cent trente-six observations
complètes (tab. 1).
Les dix-sept hôpitaux de l’étude ont d’abord été
étudiés de façon globale puis séparés en deux
groupes distincts correspondant à leur niveau
d’intégration informatique. Tous les hôpitaux
possèdent à l’heure actuelle des parcs informatiques hétérogènes mais importants. Six établissements ont implémenté des systèmes d’information hospitaliers (SIH) intégrés permettant une
Le patient au centre
de l’information
6
Tableau 1. Résultats avec une fonction de production classique.
Valeur
Ecart-type
t statistique
p
A
1,7429
0,0691
25,220
<0,0001
a
0,1690
0,0404
4,1839
<0,0001
b
0,8309
0,0404
20,570
<0,0001
R2: 0,9507
Durbin-Watson: 1,5215
gestion électronique horizontale des informations
des patients; ils sont répartis dans le groupe 2
[19, 20]. Onze hôpitaux sans système intégré
sont répartis dans le groupe 1. Gardons en
mémoire que ces structures possèdent souvent
des systèmes d’information mais qu’ils sont hétérogènes (d’organisation verticale non intégrée).
Résultats
A = Solow, a = capital, b = travail
Fonction de Cobb-Douglass à l’AP-HP (n = 17)
Tableau 2. Etudes dans d’autres pays mais tous secteurs économiques confondus.
Pays(1)
Période(1)
a(2)
b(2)
a + b(2)
Italie
1922–1984
0,28
0,72
1,00
Canada
1870–1988
0,38
0,62
1,00
Royaume-Uni
1989–1996
0,23
0,77
1,00
Etats-Unis
1899–1996
0,25
0,75
1,00
France
1974–1996
0,26
0,74
1,00
(1) données des études [21–23]
(2) = coef. d’élasticité du capital = coef. d’élasticité du travail
Tableau 3. Résultats avec la fonction étendue.
Valeur
Ecart-type
t statistique
p
A
0,8146
0,0430 1
8,935
0,0300
a
0,1686
0,0509
3,3086
<0,0001
b
0,7657
0,0555
13,791
0,0216
g
0,0853
0,0361
2,3643
0,0094
R2: 0,9701
Durbin-Watson: 1,5772
A = Solow, a = capital, b = travail, g = IT
Fonction étendue aux TIC
Tableau 4. Comparaison des deux groupes.
Groupe 1 (n = 11) – pas de CIS intégré
Valeur
Ecart-type
t statistique
p
A
0,5985
0,0747
8,0052
0,0052
a
0,1703
0,0501
3,4019
0,0010
b
0,7853
0,0559
14,029
<0,0001
g
0,0723
0,0292
2,4759
0,0082
R2: 0,9698
Durbin-Watson: 1,7361
Groupe 2 (n = 6) – CIS intégré
Valeur
Ecart-type
t statistique
p
A
1,1891
0,0634
18,762
0,0057
a
0,1619
0,0763
2,1218
0,0005
b
0,7441
0,0837
8,8837
<0,0001
g
0,1033
0,0533
1,9369
0,0083
R2: 0,9174
Nous avions posé en première hypothèse que la
fonction de production de Cobb-Douglas était
adaptable au monde hospitalier. Ceci sous-entend
l’adaptation d’une formule traditionnellement
macroéconomique vers la microéconomie mais
aussi son utilisation dans un secteur sans volonté
de productivité concurrentielle. La validité de
notre postulat a été confirmée par le comportement de la fonction lors des calculs. Les résultats
sont présentés dans le tableau 1. Le coefficient
d’élasticité du capital est de 0,169; celui du travail est de 0,83. Le résidu de Solow est à 1,74.
Les coefficients A, a, b, sont très significatifs
(p <0,0001) avec un coefficient R2 de 0,95.
Le tableau 2 nous donne des éléments de référence et de comparaison en présentant les coefficients d’élasticité calculés dans différents pays
pour les secteurs secondaires et tertiaires principalement. Nous voyons que le coefficient d’élasticité du capital (a) en France est en moyenne de
0,26 (0,17 dans notre étude) et que celui du
travail (b) est en moyenne en France de 0,74
(0,86 dans notre étude).
Durbin-Watson: 1,6822
A = Solow, a = élasticité du capital, b = élasticité du travail, g = élasticité de IT
Les calculs effectués avec la fonction étendue
comprenant K, L, T, sur les dix-sept hôpitaux
sélectionnés, nous donnent les résultats présentés
dans le tableau 3. Le coefficient d’élasticité du
capital est de 0,168; celui du travail est de 0,76.
Le coefficient d’élasticité des technologies de
l’information est de 0,085 (p <0,01).
Le résidu de Solow diminue de moitié, passant
de 1,74 à 0,81. Les valeurs du p et du R2 montrent que les valeurs calculées sont très significatives. La statistique de Durbin-Watson reste
comprise entre 1,51 et 2. La valeur du R2 passe
de 0,95 à 0,97 pour les calculs effectués avec la
fonction étendue.
Comparaison des deux groupes
d’hôpitaux
La séparation des hôpitaux en deux groupes nous
permet de réévaluer les coefficients d’élasticité de
chacun des deux groupes. Nous observons des
variations importantes de la répartition des coef-
SMI 2008: Nº 64
7
ficients du travail (b) et des technologies de l’information (g). La valeur comparée de g dans le
groupe 2 est presque une fois et demi supérieure
(0,1033 contre 0,0723) à celle du groupe 1 dans
l’explication de la production. Par ailleurs, le
résidu de Solow du groupe 2 prend une valeur
deux fois supérieure à celle du groupe 1 (1,1891
contre 0,5985). Le coefficient d’élasticité du
capital (a) reste presque inchangé dans les deux
groupes (0,1703 pour le groupe 1 contre 0,1619
pour le groupe 2). Les valeurs du p et du R2
montrent que les valeurs calculées restent très
significatives. La statistique de Durbin-Watson
reste comprise entre 1,51 et 2 (tab. 4)
Coefficient d’élasticité des TIC –
évolution chronologique
Lorsqu’on examine l’évolution chronologique des
coefficients d’élasticité des TIC dans les deux
groupes (fig. 2), nous constatons une différence
de niveau existant dès 1998 (0,0479 pour le
groupe 1 contre 0,0579 pour le groupe 2). L’augmentation des coefficients est superposable jusqu’en 2003. A partir de cette date, nous constatons que l’écart se creuse en faveur du groupe 2.
En 2005, le coefficient du groupe 1 est à 0,0723
vs 0,1033 pour le groupe 2.
Figure 2
Evolution du coefficient des TIC (g ) au cours du temps.
Conclusions et perspectives
Dans ce travail, nous avons montré qu’une équation mathématique (plus communément appelée
fonction de production), initialement posée pour
l’analyse macroéconomique puis étendue à l’analyse microéconomique, était utilisable pour
l’étude de données d’activité hospitalière. Le
perfectionnement de cette fonction de production, par l’adjonction d’une variable supplémentaire représentant la valeur des investissements
matériels et humains des TIC, améliore l’interprétation des valeurs des coefficients d’élasticité
des facteurs de production (inputs). L’observation de ces valeurs nous a montré que les investissements en technologie de l’information
apportent de la valeur et participent de façon
positive à la production et à la productivité des
hôpitaux de l’AP-HP. La séparation des hôpitaux
en deux groupes, basée sur un critère de niveau
d’intégration des SIH, a confirmé des différences
de niveau que la fonction de production tend à
attribuer aux TIC.
Les TIC sont des produits composites constitués
de matériel, de logiciels, de compétences, de
systèmes intégrés, de support opérationnel et
d’infrastructures. Nous pensons qu’une part de
causalité des différences notables observées dans
la production des établissements est à rechercher
dans trois domaines principaux: le niveau d’intégration des TIC, la qualité du codage en découlant, et les changements des pratiques d’organisation et de travail liées aux TIC.
Ces conclusions, obtenues à partir des hôpitaux
universitaires parisiens ayant principalement une
activité MCO, pourraient être comparées à une
étude portant sur la totalité des établissements de
l’AP-HP; pour ensuite permettre de lancer des
études similaires sur les hôpitaux nationaux, les
neufs hôpitaux d’instruction des armées (HIA)
français et les hôpitaux européens majeurs, tels
que l’hôpital universitaire de Genève (HUG) ou
celui de Bruxelles (AZ-VUB).
L’utilisation de techniques validées par les économistes du monde entier pour notre travail a
retourné des résultats intéressants. Face à cet
aspect initial positif de notre démarche, nous
pensons qu’il faudrait compléter les conclusions
de ce mémoire par des analyses supplémentaires
en utilisant, par exemple, des techniques complémentaires d’économétrie du type «multi adaptative regression spline» [24, 25] ou encore d’analyses de frontières stochastiques [26]. Cela
permettrait la mise en évidence des liens unissant
les fluctuations des variables entre elles; mais
aussi la recherche des limites au delà desquelles
elles n’ont plus d’influence ou n’entraînent plus
leurs voisines. Par ailleurs, une granularité plus
fine des inputs, l’introduction d’une variable
qualitative et d’un paramètre intégrant la part
d’inefficacité des systèmes de production pourraient aussi être examinées [27]. Par ailleurs, la
prise en compte de l’impact financier du décalage temporel lié aux délais de déploiement sera
nécessaire [28]. Enfin, une série de test utilisant
les propriétés mathématiques de la fonction pour
prédire les résultats de production l’année suivante est prévue.
Ce travail représente une première étape dans
l’établissement d’un système intégré de mesures
Le patient au centre
de l’information
8
des éléments tangibles et intangibles concourant
aux résultats d’activité des hôpitaux. Ces résultats
doivent être à la fois observés, mesurés mais aussi
partagés, critiqués et ressentis. Ils constituent
ensemble la mesure de la vraie valeur du système
de soin proposé aux assurés sociaux. Cette
volonté de quantification juste et durable s’inscrit très concrètement dans la démarche actuelle
de la recherche d’éléments de décision et de
pilotage de la gouvernance générale et plus particulièrement de celle des technologies de l’information et de la communication [29].
Références
1 Van de Velde R, Degoulet P. Clinical informations systems, a component based approach. New-York:
Spinger-Verlag; 2001. p. 1–14.
2 Tan J. E-Health Care information systems. San Francisco: Jossey-Bass; 2005. p. 14–6.
3 Geissbuhler A, Lovis C, Spahni S, Appel RD, Ratib O, et al. A humanist’s legacy in medical informatics: visions and accomplishments of Pr Jean-Raoul Scherrer. Methods Inf Med. 2002;41:237–42.
4 OECD Health Database. 2007.
5 Arlotto P. Return on investment: maximizing the value of healthcare information technology. Chicago:
HIMSS; 2003. p. 5–9.
6 Menachemi N, Brooks R. Exploring the return on investment associated with health information technologies. Report to the state of Florida, february 2005.
7 Bomsel O, Diop S. Défendre l’investissement informatique. Revue des Ingénieurs. 2002; 401.
8 Kohn LT, Corrigan JM, Donaldson MS, eds. To Err Is Human: Building a Safer HealthSystem. Institute
of Medicine, Washington DC: National Academy Press; 1999.
9 Brynjolfsson E, Hitt L, Yang S. Intangible assets: Computers and organizational capital. MIT Sloan
school papers, october 2002.
10 Hitt L, Brynjolfsson E. Creating value and destroying profit? Three measures of information technology’s contributions. MIT Sloan school papers, december 1994.
11 Kaushal R, et al. Return on investment for a computerized physician order entry system. J Am Med
Inform Assoc. 2006;13:261–6.
12 Brynjolfsson E. The productivity paradox of information technology: Review and assessment. MIT
Sloan school papers, december 1991.
13 Greene W. Econométrie. Pearson éducation France. 2005; pp. 7–10, 19–38, 484–7.
14 Cobb C.W, Douglas P.H. A Theory of Production. American Economic Review. 1928;18(1):139–65.
15 Solow RM. A contribution to the theory of economic growth. The Quarterly Journal of Economics.
1956; LXX, 65–94.
16 Solow RM. Technical change and the aggregate production function. The Review of Economics and
Statistics. 1957;39(3):312–20.
17 Brown M. The Theory and Empirical Analysis of Production. New York: Columbia University Press,
1967; 16–22.
18 Labini PS. Why the interpretation of Cobb-Douglas production function must be radically changed.
Structural change and economic dynamics. 1995;6:485–504.
19 Degoulet P, et al. The HEGP component-based clinical information system. Int J Med Inform.
2003;69(2-3):115–26.
20 Rudnichi A, et al. La prescription biologique informatisée avec P.C.S à l’hôpital Robert Debré, in: Informatique et Santé. Paris: Springer-Verlag France; 1989, 1. p. 182–90.
21 Bernier B, Simon Y. Initiation à la macroéconomie. Paris: Dunod; 2001. p. 507–47.
22 McGuckin RH, Stiroh K. Computers and productivity: are aggregation effects important? The Conference Board: economic program working paper series, august 2000.
23 Caroli E, Van Reenen J. Skill-biased organizational change? Evidence from a panel of British and
French establishments. The Quarterly Journal of Economics. November 2001.
24 Osei-Brison KM, Ko M. Exploring the relationship between information technology investments and
firm performance using regression splines analysis. Information & management. 2004;42:1–13.
25 Osei-Brison KM, Ko M. The productivity impact of information technology in the healthcare industry:
an empirical study using a regression spline-based approach. Information & Software Technology.
2004;46:65–73.
26 Lin T, Shao B. The business value of information technology and inputs substitution: the productivity
paradox revisited. Decision Support Systems. Article in Press. 2005.
27 Beard N, Elo K, Hitt LM, Housman MG, Mansfield G. Information technology and hospital performance: An econometric analysis of costs and quality. [Online] PricewaterhouseCoopers:
http://www.pwc.com/healthcare, 2007.
28 Kaushal R, Jha AK, Franz C, Glaser J, Shetty KD. Return on investment for a computerized physician
order entry system. J Am Med Inform Assoc. 2006, 3 (13):365–7.
29 Georgel F. IT gouvernance: maîtrise d’un système d’information. Paris: Dunod; 2005. p. 95–105.