Impact des technologies de l`information sur la poduction hopspitaliére
Transcription
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.