Az egészségügyi ellátó rendszerben történő megelőző/gyógyító tevékenység kutatási célú vizsgálatának elsődleges célja az egészségügyi döntéshozók támogatása. Kiemelt fontosságú területei az ellátás minőségének javítása, a betegbiztonság megőrzése, az ellátás elérhetőségének vizsgálata, költséghatékonyság ellenőrzése, a klinikai gyakorlat, alkalmazott technológiák elemzése. Közép-Kelet Európában az ilyen jellegű kutatás alul reprezentált, köszönhetően az adatok szűkös voltának, valamint az anyagi ráfordítás és a humánerőforrás és hozzáértés hiányának.

Az egészségügyi ellátás során az elsődlegesen finanszírozási céllal történő adatrögzítés, ha másodlagos adatforrásként is, tudományos értékű vizsgálatot tesz lehetővé. A kutatás ezen módja több sajátosságot hordoz, ami eltér a hagyományos epidemiológiai kutatás lehetőségeitől.

Amikor az egészségügyi biztosítási adatok tudományos célú felhasználásakor, módszertanilag legalább három problémára kell utalnunk, amelyek nagymértékben járulhatnak hozzá az eredmények bizonytalanságához. Ezek a (i) a kódolási (diagnosztikus, beavatkozás kódok) hibák, szabálytalanságok kérdése, (ii) a rendelkezésre álló kódokon alapuló eset definíciók változékonysága, valamint (iii) a „megfigyelési idő”, azaz az adatgyűjtés időtartamának korlátozott volta. Az első kérdés az adat validitásra vonatkozik. Lényegében az a kérdés, hogy a biztosítási adatbázisban rögzített adatok milyen mértékben azonosíthatók az ellátás forrásdokumentumaiban. A biztosítása adat (diagnosztikus, vagy beavatkozás kód) hiánya, vagy helytelen alkalmazása nem csak pontatlansággal, hanem eseteként finanszírozás jellegű szándékkal is magyarázható ^1,2 . A különböző betegségek esetén a diagnosztikus és a beavatkozás jellegű kódok validitása igen eltérő lehet.

Ami a második problémakört illeti, a kockázati tényezők feltárásakor az irodalomban nagyon sokféle eset definíció létezik, azaz a különböző kódok változatos kombinációit alkalmazták adott esemény vagy betegség megjelenés meghatározásakor. Ezek az algoritmusok különböző mértékben képesek azonosítani az adott esetet ^3,4 .

Végezetül a kockázati tényezők feltárását nagymértékben befolyásolja, hogy az adatgyűjtés milyen időszakra vonatkozik. Míg a hagyományos epidemiológiai kutatás során a betegadatok elérhetősége, a konkrét beteggel történő információcsere akár a születésig visszanyúló adatgyűjtést tesz lehetővé, a biztosítási adaton alapuló kutatás során adat csak arról az időszakról szerezhető be, amely az elemző számára elérhető. Ilyen értelemben a „visszatekintési idő” (look-back periódus) hossza jelentősen meghatározhatja az eredmények alakulását ⁵ .

A három tényező összességében biztosan bizonytalanságot hoz a beteg populáció jellemzésekor. A diagnosztikus és beavatkozásokat leíró kódokon alapuló algoritmusok, amelyek adott eset felismerését szolgálják, mintegy az adott fenotípus azonosítás révén, lényegében a diagnosztikus eljárásokhoz hasonló értelemben szenzitivitással, specificitással, negatív és pozitív prediktív értékkel jellemezhető eszköznek tekintendők ⁶ . Használatuk mellett validitásuk is vizsgálandó.

Az egészségügyi ellátórendszer működésének kutatása további két előfeltétel teljesülését feltételezi. Szükséges, hogy (i) álljon rendelkezésre megfelelő mennyiségű és minőségű adat az elemző számára, valamint (ii) alapvető azon mutatók, indikátorok bevezetése, amelyek az ellátás minőségét, hatékonyságát hivatottak visszatükrözni.

Szemben a hagyományos epidemiológiai kutatással, amely során a tudományos adatgyűjtés elsődleges célja a kutatás célkitűzése, a biztosítási adatokon alapuló kutatás esetén az elsődlegesen finanszírozási céllal gyűjtött adatok másodlagos felhasználásáról van szó. Ennek során a mennyiségét tekintve jelentős adatgazdaság az adatok alacsony tudományos minőségével jár együtt ⁷ .

Az egészségügyi rendszer fenti koncepció menti elemzésének alapfeltétele, hogy a vizsgálat tárgyát képező betegcsoport számossága alapján reprezentatív legyen, egy adott földrajzi egység (város, megye, régió, ország) egészének ellátását tükrözze vissza. Ilyen jellegű vizsgálatot a szokásos epidemiológiai vizsgálatokhoz képest nagyobb mennyiségű adathalmaz elemzése tesz lehetővé ^8-10 . Ilyen adatmennyiség forrását képezhetik a nagy betegregiszterek ^11,12 , valamint az egészségügyi ellátás szervezését, finanszírozását támogató biztosítási adatbázisok ^7,13 . Ezen adatbázisok alkalmazása egyre jobban terjed az érbeteg ellátás területén is ^14-16 .

Az egészségügyi ellátás tudományos értékű kutatásának alapeleme olyan mutatók, indikátorok, metrikák bevezetése, amelyek az ellátás adott aspektusának mérését teszik lehetővé.

A Donabedian nevéhez fűződő, az egészségügyi ellátás minőségének elemzését tárgyaló modellben a szolgáltatás strukturális, folyamat, illetve végeredmény (kimenetel) típusú mutatókkal jellemezhető ¹⁷ . A struktúra ebben az értelemben az ellátás környezeti, tárgyi, személyi feltételeit takarja. A folyamat alatt az ellátás mikéntjét értjük, míg az eredmény, a kimenetel a betegek egészségi állapotában bekövetkező változások összessége.

Intenzív kutatás tárgya azon mutatók kiválasztása, amelyek az érbeteg ellátás minőségét tükrözik vissza ^18-21 . Az indikátorok közötti választás alapja a konszenzusra törekvő szakértői csoportok egyeztetett álláspontja (Delfi módszer).

A kutatási adatbázis adatai a NEAK adatbázisában tárolt, a teljes magyar biztosított népességre vonatkozó, járó és fekvő ellátáshoz köthető forgalmi adathalmazt relációs adatbázisából származtak. Ebben az adatok (mezők és rekordok) táblákba rendezettek, amelyek közötti kapcsolatot kulcsmezők teremtik meg. Az adatbázis ezen formáját kutatásra alkalmas analitikai adatbázissá kell alakítani. Ezt a lépést a relációs adatbázis kezelését végző SQL (Structured Query Language) strukturált lekérdező programnyelv használata teszi lehetővé, amely segítéségével a külön táblákban rögzített diagnosztikus (betegségek nemzetközi osztályozására szolgáló kódrendszer - BNO), beavatkozás (OENO - Orvosi Eljárások Nemzetközi Osztályozása), valamint egyéb mezők fölhasználásával célzott lekérdezések végezhetőek ²⁷ . Kutatásunk alapjául szolgáló, statisztikai elemzést lehetővé tevő adatbázist a fenti módszerrel történő lekérdezések eredményezték.

• Irodalmi háttér

  Az alsó végtagi major amputációk európai incidencia adatait részben összehasonlító elemzések (Európai Érsebészeti Társaság VASCUNET riportja), részben pedig nemzeti közlések tárgyalják ^38,71 . Így ismeretesek adatok Németország, Spanyolország, Olaszország, Finnország, Svédországok, Norvégia, Dánia, Egyesült Királyság, Ausztria vonatkozásában ^38,71 , valamint a közép-kelet-európai régió valamely országából (Szlovákia ⁷¹ , Lengyelország ⁷³ , Románia ⁷⁴ , Csehország ⁷⁵ ).

• Módszertan

  A publikációk nagymértékben heterogén módszertana, valamint az esetekként csak cukorbeteg populációra megadott adatok miatt az adott közlésekben megjelenő nyers incidencia értékeinek átlagát tekintettük az összehasonlítás alapjául. A cukorbetegekre megadott értékek esetén azt az általános megfigyelést fogadtuk el, hogy a major amputáltak közel 50%-a szenved diabetesben, így az adott amputációs számokat a teljes populációra vetítve kettővel szoroztuk.

• Eredmények

  A 2004-2019 közötti periódusban a magyarországi átlagos alsó végtagi major amputációs incidencia adat 42,6±2,3/10⁵ volt. A vizsgált nyugat-európia országok (Németország, Spanyolország, Olaszország, Finnország, Svédországok, Norvégia, Dánia, Egyesült Királyság, Ausztria) ^38,71 átlagos incidencia értéke 13,9±5,5/10⁵ volt. A közép-kelet-európai régió egyes országaiból (Szlovákia ⁷¹ , Lengyelország ⁷³ , Románia ⁷⁴ , Csehország ⁷⁵ fellelhető adatok, valamint az általunk közölt adat átlagos értéke 39,6±6,5/10⁵ volt. Az alsó végtagi major amputációk országspecifikus európai adatait színkódolt térképen mutatjuk.

  

  15. ábra

• Eredmények értékelése

  Az általunk közölt adat, miszerint az alsó végtagi major amputációk átlagos nyers incidenciája 42,6/10⁵ /év volt, nemzetközi összehasonlításban magasnak tűnik. Az Európai Érsebészeti Társaság VASCUNET jelentése hasonló következtetésre jutott ⁷¹ . Elemzésünkben több módszertani kompromisszummal élve (nyers incidenciák használata, a cukorbetegek számarányának 50%-ban való rögzítése) úgy találtuk, hogy a magasabb amputációs aktivitás, az európai országokkal való összevetésben nem Magyarország sajátja, hanem Európában a volt szocialista országokra jellemző eltérés. Míg ezekben az országokban (EU-13) a becsült alsó végtagi major amputációk átlagos incidenciája 30/10⁵ /év felett volt, addig az Európai Unió nyugati országaiban (EU-15) ez az érték jellemzően 20/10⁵ /év alattinak mutatkozik. Az Európai országok közötti határvonal ilyen értelmű meghúzását támogatja az a közlemény, amely Németország keleti és nyugati tartományai közötti, az amputációk számarányában megjelenő különbségre hívja fel a figyelmet ⁵⁹ . Figyelembevéve, hogy az alsó végtagi amputációk az ellátás un. disztális kimeneti mutatójának tekintendők, ami a perifériás verőérbetegség, cukorbetegség szűrés, megelőzés, kezelés hosszú folyamatát tükrözi vissza, az európai országok közötti különbség magyarázata vélhetően rendkívül összetett tényezők sokaságának eredménye. Az érbeteg, valamint cukorbeteg ellátás specifikus strukturális, valamint folyamat indikátorainak különbsége mellett az országok népességének demográfiai, epidemiológiai jellegzetességei, valamint tágabb értelemben vett kulturális, gazdasági tényezői (szocio-ökonómia) szintén szerepet játszanak ebben.

• Irodalmi háttér

  A nemzetközi irodalomban, országon belüli amputációs mintázatról szóló adatközlések általában olyan közleményekre korlátozódnak, amelyekben egy adott földrajzi felbontásban mutatják be a területi eltéréseket. Ilyen publikációk ismeretesek az Amerikai Egyesült Államokból ⁷⁶ , az Egyesült Királyságból ⁷⁷ , Finnországból ⁷⁸ , Spanyolországból ⁷⁹ , Németországból ⁵⁹ , és Hollandiából ⁸⁰ . Míg Közép-Kelet Európából több közlés jelezte, hogy az amputációs teher magas ^71,81 , ezidáig országon belüli területi elemzés nem volt ismeretes.

• Módszertan

  A területi elemzés alapjául szolgáló földrajzi beosztás meghatározása

  A területi elemzést a Statisztikai Célú Területi Egységek Nómenklatúrája (Nomenclature of Territorial Units for Statistics - NUTS) beosztásra alapoztuk, melyet az Eurostat fejlesztett ki regionális statisztikák és regionálisan célzott politikai beavatkozások támogatására (Regulation [EC] No 1059/2003 of the European Parliament). Ez a rendszer három, hierarchikus szintet tartalmaz (NUTS 1-3, Magyarország esetében: országrész (Dunántúl, Közép-Magyarország, valamint Alföld és Észak), statisztikai régiók, megyék és Budapest) kiegészítve két, helyi adminisztratív szinttel (LAU 1 és 2, Magyarország esetében: járások és települések) ⁸² . A beteg lakóhelyét ún. irányítószám-csoport pontosságig ismertük, melyben kis lélekszámok esetén több irányítószám volt összefogva, adatvédelmi okokból. Mindegyik irányítószámcsoportot LAU 1 szinthez társítottuk (ami természetesen a NUTS beosztást is meghatározta). A kapott adatbázist rétegeztük nem, életkor (5 éves korcsoportok 85 évig) és a LAU 1 egység szerint. A lélekszámot nem, életkor és LAU 1 szerint a Központi Statisztikai Hivataltól szereztük be, az NT5C01 adatbázisból ⁸³ .

  Sajnos ez csak 2015-ig megy vissza, így a korábbi LAU 1 szintű adatokat a NUTS 3 szintű adatokból (NT1C02 adatbázis) határoztuk meg, feltételezve, hogy relatív megoszlás egy NUTS 3 egység LAU 1 egységein belül adott életkori és nemi csoportban nem változott 2015-höz képest. Magyarország térképét (LAU 1 szintig) az OpenStreetMap projekttől szereztük be ESRI-kompatibilis shapefile-ban ⁸⁴ . Ez az adatbázis lehetővé tette a nyers, direkt standardizált és indirekt standardizált incidenciák számolását és vizualizációját ⁶⁷ .

  Statisztikai elemzés

  A különböző beavatkozásokra vonatkoztatva kiszámítottuk a térbeli autokorreláció Geary-c és Moran-I mutatóját ⁸⁵ , bináris súlyozást (tehát szomszédsági mátrixot) használva, azokat a területi egységeket tekintve szomszédosnak, melyeknek van közös határpontjuk. A Geary-c 0 és egy 1-nél nagyobb szám között van, ahol az 1 jelzi a térbeli autokorreláció hiányát, az 1 fölöttiek a negatív, az 1 alattiak a pozitív autokorrelációt. A Moran-I -1 és +1 között van, a -1-hez közelebbi értékek negatív, a +1-hez közelebbi értékek pozitív autokorrelációt jeleznek. Szintén kiszámoltuk a kis területi egységeken mutatott variabilitás Ibanez és mtsai által összesített mutatóit ⁸⁶ . Ide tartozik a high-low arány, vagy más szóval extremális koefficiens (EQ), a súlyozatlan (CV) és súlyozott (CVw) relatív szórás; valamennyi metrikát kiszámoltuk az összes adatból és a 0,05-ös és 0,95-ös kvantilisnél trimmelt adatból, hogy védekezzünk az outlier-ek ellen. A súlyozás azt jelentette, hogy az egyes területi egységek standardizált rátáiból úgy számoltuk a CV-t, hogy a területi egységeket súlyoztuk a lélekszámukkal. Ezek a metrikák mind a direkt standardizált rátákon nyugszanak. Szintén kiszámoltuk a variabilitás szisztematikus komponense (SCV) nevű metrikát, mely az indirekt standardizált rátákat használja fel. Utóbbi esetén elfogadott, hogy a 0,03-t meghaladó érték esetén már számottevő, 0,054-0,1 tartományban nagy és 0,1 feletti tartományban igen nagy területi variabilitás igazolható ⁸⁷ . Megjegyzendő azonban, hogy a hivatkozás alapjául szolgáló Appleby képletében egy 100-al történő szorzótagot alkalmazott, hasonlóan egy másik szerzőhöz ⁸⁸ , azonban ezzel mi nem éltünk. Minden indikátort kiszámoltunk minden értelmes térbeli felbontás mellett, és a variabilitási indikátorokat kiegészítettük 95%-os konfidenciaintervallummal is, melyet nem-paraméteres bootstrap-pel nyertünk, percentilis eljárást használva ⁸⁹ . Ezek a metrikák mind a területi egységek közötti variabilitást mérik, tehát a nagyobb érték jelent nagyobb variabilitást. Az EQ-nak nagy a mintavételi ingadozása és a mérési skála megválasztása is befolyásolja (az abszolút értelemben nagyobb variabilitás nagyobb átlag mellett jelenthet relatíve ugyanakkora variabilitást), ami megnehezíti az EQ-k egybevetését. A CV ez utóbbi problémát megoldja, de még mindig nem választja le a mintavételi ingadozást, amit az SCV tesz meg. Megkíséreltük kvantifikálni azt is, hogy a LAU 1 szinten tapasztalható variabilitás mekkora hányadát magyarázza a megye (NUTS 3) amiben a LAU 1 egység van, tehát, hogy mekkora a megyén belüli variabilitás és mekkora a megyék átlagainak ingadozása a nagy (országos) átlag körül, azaz a megyék közötti variabilitás. E célra a jól ismert variancia-dekompozíciót alkalmaztuk; a H² mutatót használva a megyék közti variabilitás össz-variabilitáshoz viszonyított arányának mérésére, tehát az 1-hez közeli H² azt jelenti, hogy az egy megyén belüli járások hasonlóak egymáshoz (és így a megye átlagához is) és az össz-variabilitás inkább abból származik, hogy a megyék átlagai eltérnek, míg a 0-hoz közeli H² azt mutatja, hogy a variabilitás jórészt abból jön, hogy a járások ingadoznak a megyéjük átlaga körül, és kevésbé abból, hogy a megyei átlagok ingadoznak az országos átlag körül. A H² -et úgy számítottuk, hogy kiregresszáltuk az incidenciát LAU 1 szinten a megye (NUTS 3) indikátort használva egyedüli magyarázó változóként; ebben az esetben ennek a regressziónak az R² -e a H² lesz.

• Eredmények

  A NUTS rendszerének különböző szintjein megállapított alsó végtagi major amputációk incidenciájának tartományait a 11. táblázat mutatja. A különböző mérőszámok, amelyek a megyei, illetve járási szintű incidenciák variabilitását mutatják a 12. táblázatban olvashatóak. Ezeken felül kiszámítottuk a térbeli autokorreláció Geary-c és Moran-I mutatóit, amelyek a 13. táblázatban láthatóak. Utóbbiak járási szinten igazolták a térbeli autokorreláció tényét. Az amputációs gyakorlatot tükröző (major amputációk nyers, direkt és indirekt standardizált incidenciája) megyei és járási felbontású színkódolt térképeken mutatjuk.

  

  16. ábra

  Budapest kerületei vonatkozásában ugyanezt az ábrázolást választottuk.

  

  17. ábra

  Az egyes megyék és az adott megyékhez tartozó járások direkt standardizált amputációs incidencia értékeit szintén grafikusan demonstráltuk.

  

  18. ábra

  A beavatkozások járás szintű, direkt standardizált incidenciáinak gyakoriságát színkódolt térképen ábrázoltuk.

  

  19. ábra

  Emellett, az egyes megyék és az azonos megyékhez tartozó járások incidencia értékeit külön ábrán mutatom.

  

  20. ábra

• Eredmények értékelése

  A különböző földrajzi léptékű elemzéseink (NUTS 1- LAU1) azt mutatták, hogy az alsó végtagi major amputációk számaránya a földrajzi egység méretétől függően különböző mértékű variabilitást mutat. A megfigyelés, miszerint minél kisebb a földrajzi egység, amelyben az amputációs gyakoriságot vizsgáljuk, annál nagyobb a területi variabilitás, az úgynevezett módosítható területi egység problémája (Modifiable Areal Unit Problem - MAUP) kérdéskörében értelmezhető. Ennek lényege, hogy ugyanaz a jelenség az eltérő földrajzi lehatárolásokból eredően különböző térbeli mintázatokat mutat. Ez a jelenség részben a kiválasztott földrajzi egység méretével, az adat aggregáció mértékével kapcsolatos (aggregációs hatás), részben pedig az adott földrajzi egység alakjának szerepe meghatározó (zóna hatás) ⁹⁰ . Vizsgálatunkban az előbbi tényező tekinthető elsődlegesnek. Utóbbi vizsgálatára nem volt lehetőségünk. A térbeli elemzés összetettségének további forrása lehet, hogy elemzés földrajzi, közigazgatási egységeken alapul, vagy a konkrét ellátóhelyek képezik az összehasonlítás alapját (184). Vizsgálatunkban a korábban leírt módon a közigazgatási határokat választottuk.

  A következőkben arra törekedtünk, hogy a beavatkozások területi különbségeit a SAVA szakirodalomban használatos mérőszámokkal jellemezzük ⁸⁶ . Ezekről a metrikákról általánosságban elmondható, hogy az egyszerűbben értelmezhető típusaik (extremális koefficiens, relatív szórás) esetén értékük függ a mintavételi gyakoriságtól, a vizsgált populáció méretétől, a földrajzi egységek méretétől és számától, így ezek érzékenysége, robusztussága korlátozott. A kifinomultabb mérőszámok (variabilitás szisztematikus komponense, empirikus Bayes statisztika) ugyan stabilabbak különböző elemzési helyzetekben, azonban intuitive nehezebben értelmezhetők ⁹¹ . A szakirodalomban leginkább használatos variabilitás szisztematikus komponensét (SCV) tekintve elfogadott, hogy a 0,03-t meghaladó érték esetén már számottevő, 0,054-0,1 tartományban nagy és 0,1 feletti tartományban igen nagy területi variabilitás igazolható ⁸⁷ . Ezt alapul véve eredményeink arra utalnak, hogy járási szinten az ottlakók kockázata, hogy alsó végtagi major amputációt szenvednek el, vagy nyitott érsebészeti beavatkozásban részesülnek, nagy területi varibilitást mutat. Az alsó végtagi endovaszkuláris beavatkozások tekintetében a területi egyenlőtlenség igen nagymérvűnek mondható.

  Elemzésünk arra is kiterjedt, hogy vajon a járásszintű területi variabilitás, ha annak varianciáját szétbontjuk (H² statisztika), mennyiben tulajdonítható járási és mennyiben megyei szinten értelmezhető tényezőknek. A variancia dekompozició eredménye azt mutatta, hogy a megyék közötti különbségek körülbelül hasonló mértékben magyarázhatók a megyék országos átlag körüli ingadozásával és hasonló mértékben az adott megyéhez tartozó járások variabilitásával. Ez a megfigyelés jól tükrözi azt a feltételezést, hogy a területi amputációs gyakorlatot és az alsó végtagi érbeavatkozásokat több, eddigiekben ismertelen tényező határozza meg, olyanok, amelyek megyei és olyanok, amelyek járási szinten hatnak. Az egészségügyi ellátást tekintve az előbbi a megyei központi kórházak ellátásával lehet kapcsolatos, utóbbi pedig inkább a járás szintű járóbeteg ellátás, házi orvosi alapellátás sajátja.

  A további megfigyelésünk, miszerint mindkét típusú alsó végtagi beavatkozás (amputáció, revaszkularizáció) esetén, járási szinten pozitív területi autokorreláció mutatható ki, nagy jelentőséggel bír. Intuitive ez azt jelenti, hogy az alsó végtagi beavatkozások járási arányszámai adott szomszédsági meghatározás mellett az egymással határos járásokban hasonlóak. Ennek elméleti ellentéte az lenne, ha a szomszédos járások jellemzően különböznének egymástól ebben a vonatkozásban (negatív autokorreláció). A két szélső érték között (zéró autokorreláció) tartomány véletlenszerű (random) térbeli eloszlást valószínűsítene. Ez a megfigyelés megint csak az alsó végtagi beavatkozások gyakorlatának összetett meghatározottságát mutatja. További következmény, hogy a szomszédos területek között vélhető kapcsolat miatt az egyes területi egységek beavatkozási számarányainak statisztikai elemzésekor ezt a tényt figyelembe kell venni, a hagyományos módszerek (pl. lineáris regresszió) nem vagy, csak korlátozottan alkalmazhatók.

  A fenti adatok a járási szinten vizsgált beavatkozások jelentős fokú „térbe ágyazottságát jelzik. Ilyen értelemben az általunk leírt jelenség szemléletes megfogalmazása Tobler „első földrajzi törvénye”, miszerint „Minden minden mással összefügg, de a közelebbi dolgok jobban, mint a távoliak” ⁹² .

• Irodalmi háttér

  A szakirodalomban az alsó végtagi amputációk országon belüli egyenlőtlenségének meghatározójaként az érintett betegek egyedi tulajdonságai (demográfia, társbetegség mintázat, szocio-ökonómiai státusz) mellett az élő környezet hatásai is kimutatták ^26,93 . Utóbbival kapcsolatban közvetlen egészségügyi tényezőket ^94-97 , valamint tágabb értelmű, nem közvetlenül az egészségügyi ellátással összefüggő tulajdonságokat azonosítottak ^98-100 .

• Módszertan

  Kimeneti és magyarázó változók meghatározása

  Az alsó végtagi major amputációk területi egyenlőtlenségét potenciálisan meghatározó tényezők feltárásakor kimeneti változónak tekintettük a 2017 január 1. és 2019 december 31. közötti alsó végtagi major amputációs események járási szintű, életkorra és nemre korrigált (direkt és indirekt standardizáció) éves átlagos incidenciáit. A direkt standardizációt a European Standard Population 2013-as verziója alapján végeztük, úgy, hogy a 90-95 és 95+ korcsoportokat beleolvasztottuk a 85+ korcsoportba, hogy megfeleljünk a KSH-tól nyert adatoknak ⁶⁸ . Indirekt standardizáláshoz egész Magyarországra aggregáltuk az adatokat a teljes vizsgált időtartományon (életkor és nem szerint).

  A járási szinten azonosítható potenciális magyarázó tényezők adatforrásaként a kutatás során már jelzett NEAK adatbázis mellett az Országos Területfejlesztési és Területrendezési Információs Rendszer (TeIR) adatbázisa szolgált. Utóbbi rendszer használatának jogszabályi keretét a területfejlesztésről és területrendezésről szóló, 1996. évi XXI. törvény és a területfejlesztéssel és területrendezéssel kapcsolatos információs rendszerről és a kötelező adatközlés rendjéről szóló 31/2007. (II.28.) Kormányrendelet adja. A rendszerben található adatok körét részletesen a Kormányrendelet mellékletei tartalmazzák. Az országos, területi (regionális, kiemelt térségi, megyei, járási) és települési szervezetek a TeIR web alapú informatikai rendszeréhez (https://www.teir.hu/) egy alkalmazási rendszeren keresztül csatlakoznak. Az általunk lekérdezett és felhasznált adatok elsődleges adatgazdái a Központi Statisztikai Hivatal (KSH), a GeoX Kft., Nemzeti Egészségbiztosítási Adatkezelő (NEAK), Nemzeti Adó- és Vámhivatal (NAV), az Oktatási Hivatal és az Innovációs és Technológiai Minisztérium (ITM) voltak. Az adatok lekérdezésekor arra törekedtünk, hogy az időszak, amelyre az adott adatsor vonatkozott minél közelebb legyen időben a megfigyelési időszakunkhoz (2017-2019).

  Az egészségügyi mutatók tekintetében a házi orvosi, valamint az angiológiai-érsebészeti járóbetegellátás jellemzőin (5 mutató) túl az adott járás lakosságára vonatkozó alsó végtagi revaszkularizációs aktivitást jellemző változókat (2 mutató) is meghatároztunk. A közvetlenül nem egészségügyi, hanem tágabb értelmű szocio-ökonómiai mutatókat (17 mutató) négy csoportba foglaltuk (iskolázottság, jövedelem, foglalkoztatottság, helyi infrastruktúra és szolgáltatások). Az egyes mutatókat település szinten normalizáltuk, majd járási szintre aggregáltuk olyan módon, hogy az egyes járások települési adatait összeadtuk, majd az eredményt elosztottuk a járás összlélekszámával (az adott mutatóhoz releváns életkorcsoportban). Tekintettel az egyes tényezők között feltételezhető multikollinearitásra, a továbbiakban adatredukcióként – összlélekszámmal súlyozott – főkomponens-elemzést végeztünk, amely eredményeként járási szinten a járóbetegellátást, az alsó végtagi revaszkularizációs aktivitást és a több komponensű szocio-ökonómiai környezetet jellemző változókat nyertük. A lakókörnyezetet leíró változókat a 9. és 10. táblázatban tüntettem fel.

  Statisztikai elemzés

  Első lépésként elemzésünk járási szintű eredményváltozója (amputációk incidenciái) és magyarázó változói (járóbeteg ellátás, alsó végtagi revaszkularizációs aktivitás, szocio-ökonómiai környezet) közötti kapcsolatot a hagyományos lineáris regresszió (egyváltozós és többváltozós) eszközeivel kíséreltük meg feltárni. A legkisebb négyzetek módszerén (Ordinary Least Squares, OLS) alapuló becslés után a kapcsolat mértékét a β ̂ koefficiens megadásával jellemeztük és a modell illeszkedését az R² érték számolásával végeztük.

  Korábbi elemzésünk (2.3.) már jelezte, hogy a járási szintű amputációs incidencia értékek térbeli együttjárást (térbeli autokorreláció) mutatnak. Ez a térbeli függőség a hagyományos lineáris regresszió becsült standard hibáinak (és így a p-értékeknek, konfidenciaintervallumoknak) a torzítását és a becslések pontatlanságát eredményezheti, így szükségét láttuk térstatisztikai módszer alkalmazásának. Az egyszerű OLS becslésnél bonyolultabb módszerek előnye, hogy a fenti statisztikai korrekciókon túl egyúttal a szomszédos területek esetleges hatásait is képesek leszünk feltárni az adott földrajzi egység eredményváltozójának alakulásának elemzésekor. Ezeket a hatásokat térbeli késleltetett (spatial lag) hatásként értelmezik. A térbeli késleltetés lehet a eredményváltozóban (ezek a térbeli késleltetett, spatial lag modellek), a magyarázó változókban (térbeli keresztregressziós modell, spatial cross-regressive model), vagy a hibatagban (térbeli hiba, spatial error modellek), vagy akár mindegyikben ¹⁰¹ . Ilyen értelemben a legösszetettebb modell ezek közül a Manski modell ¹⁰² , amely ezen lehetőségek mindegyikét tartalmazza, azonban komplexitása, a tényezők interakciója miatt a modell rosszul definiált és így a becsült paraméterek pontatlan becslést adnak, így alkalmazása nem javasolt ¹⁰³ . A Manski-modellből különböző paraméterkorlátozásokkal lehet eljutni a többi egyszerűbb térbeli modellhez, amely korlátozás végső eredménye a hagyományos lineáris regresszió (OLS) lenne.

  Elemzésünkben a lehetséges térbeli modellek közül empirikusan a térbeli Durbin hibamodellt választottuk, amely a magyarázó változók mellett a hibatagok térbeli hatását is lehetővé teszi. Az eredményváltozó (amputációk) nehezen értelmezhető esetleges térbeli hatásától eltekintettünk ¹⁰³ . Kiegészítésként további paraméterkorlátozással megvizsgáltuk a hibatag térbeli hatását figyelmen kívül hagyó, a magyarázó változók térbeliségét elemző térbeli késleltetett (spatial lagged X, SLX), valamint a térbeli hibatagot meghagyó, de térbeli magyarázó tényezőket elimináló térbeli hiba (spatial error modell, SEM) modellek eredményeit. Utóbbi modellek a Durbin modell speciális típusainak foghatók fel ¹⁰³ . A területi súlymátrix elemzésekor a szomszédság meghatározásakor a királynő-szomszédságot vettük alapul, amely a sakkjáték analógiáját alapul véve azt jelenti, hogy két területi egység szomszédosnak tekinthető, amennyiben akár csak egy pontban is, de van közös határuk. A SDEM és a SEM alapú elemzés során direkt, az adott földrajzi egységen belüli, indirekt, az adott földrajzi egységgel szomszédos területekről „átfolyó (spillover)” és az előbbiek együtteseként értelmezhető összes (total) hatásokat elkülönítetten adtuk meg.

  9. táblázat Az egészségügyi ellátás mutatói

  EGÉSZSÉGÜGYI ELLÁTÁS MUTATÓI

  Járóbeteg ellátás

  Háziorvosok száma (fő)

  Olyan települések aránya, ahol nincs háziorvos (db)

  Gyógyszertárak száma (db)

  Angiológiai szakambulancián ellátott betegek száma (fő)

  Érsebészeti szakambulancián ellátott betegek száma (fő)

  Alsó végtagi revaszkularizációs aktivitás

  Alsó végtagi nyitott érműtéten átesettek száma (fő)

  Alsó végtagi endovaszkuláris beavatkozások száma (fő)

  10. táblázat A szocio-ökonómiai környezet mutatói

  SZOCIO-ÖKONÓMIAI KÖRNYEZET MUTATÓI

  Iskolázottság

  Az általános iskola első évfolyamát el nem végző, 10 éves és idősebb népesség, a megfelelő korúak arányában (%)

  Legfeljebb általános iskolai végzettséggel rendelkezők aránya az aktív korúakon (15-59 évesek) belül (%)

  Legfeljebb érettségizett, 18 éves és idősebb népesség, a megfelelő korúak arányában (%)

  Egyetemi, főiskolai, egyéb oklevéllel rendelkező, 25 éves és idősebb népesség, a megfelelő korúak arányában (%)

  Jövedelem

  Személyi jövedelemadót fizetők (fő)

  Személyi jövedelemadó (Ft)

  Infrastruktúra és szolgáltatások

  Üzemanyagtöltő állomások (db)

  Bankfiók, takarékszövetkezeti fiók összesen (db)

  Legközelebbi autópálya-csomópont elérési ideje közúton, a leggyorsabb úton (perc)

  Személyszállító gépjárművek (db)

  Összkomfortos lakások száma (db)

  Komfortos lakások száma (db)

  Félkomfortos lakások száma (db)

  Komfort nélküli lakások száma (db)

  Közcsatornával ellátott lakások száma (db)

  Foglalkoztatottság

  Nyilvántartott álláskeresők száma (fő)

  180 napnál hosszabb ideje nyilvántartott álláskeresők száma (fő)

• Eredmények

  Vizsgálódásunk földrajzi egységeként tekintett 197 járást jellemző tényezők átlagos értékei a 15. táblázatban mutatjuk.

  Változó	Átlag	Szórás	Minimum érték	Maximum érték
  Népesség [n]	49,622	40,845	8282	234,090
  Terület [km2]	470	283,6	2	1591
  Átlag életkor [év]	40,2	1,8	34,5	44,2
  Férfiak aránya [%]	48,2	1	45	51,7

  15. táblázat A járások (LAU 1) jellemzőinek átlagos értékei

  2017. január 1. és 2019. december 31. között összesen 11.649 amputációs eseményt azonosítottunk, ami 10.209 beteget érintett (életkor: 69,8 ± 10,9 év, 7702 – 66,1% férfi). Az amputáltak lakóhelyét alapul véve, a járási szintű életkorra és nemre korrigált amputációs incidencia 56,1 ± 18,4 per 100.000 lakos (tartomány: 14,6 – 124 per 100.000 fő) volt. A beavatkozások járási szintű sűrűségét színkódolt térképen ábrázoltuk.

  

  21. ábra

  A helyi egészségügyi ellátás járóbeteg mutatóinak (házi orvosok, gyógyszertárak elérhetősége, házi orvosok lakosság arányos száma, angiológiai, érsebészeti járóbeteg megjelenések lakosság arányos száma), valamint a főkomponens elemzéssel nyert ezeket összesítő járóbeteg ellátás járási szintű sűrűség térképét színkódoltan demonstráljuk.

  

  22. ábra

  .

  Az adott járás lakosai közül az alsó végtagi revaszkularizáción átesettek számarányát (59,5-286,8 beavatkozás per 100.000 lakos), a revaszkularizációs aktivitást tükröző sűrűség színkódolt térképen demonstráljuk.

  

  23. ábra

  A nem szorosan az egészségügyi ellátórendszerhez köthető, a helyi szocio-ökonómiai mutatókat (iskolázottság, jövedelem, foglalkoztatottság, helyi infrastruktúra és szolgáltatások) szintén főkomponens elemzéssel vontuk egy mutatóba (szocio-ökonómiai környezet). Ezek sűrűség térképét színkódoltan mutatjuk.

  

  24. ábra

  A hagyományos OLS módszerrel elvégzett egy változós, valamint többváltozós regresszió eredményei a 16. táblázatban láthatóak.

  Az egyváltozós modellben a helyi járóbeteg ellátás és a szocio-ökonómiai környezet inverz kapcsolatot mutattak az amputációs aktivitással (A=-4,21, 95% CI: -6,23 – -2,18, p<0,001; <=-7,32, 95% CI: -9,21 – -5,44, p<0,001). A helyi revaszkularizációs aktivitás azonban pozitív asszociációt mutatott az amputációk számával.

  A többváltozós modellben míg a járóbeteg ellátás mutatói nem mutattak kapcsolatot az amputációk számával, a revaszkularizáció továbbra is magasabb amputációs aktivitással párosult. A szocio-ökonómiai környezet magasabb szintje azonban kisebb amputációs aktivitással járt. Az OLS modell a járási szintű amputációs aktivitás varianciájának 27%-át volt képes magyarázni.

  	Egyváltozós modell			Többváltozós modell
  Magyarázó tényezők	becsült paraméter	CI	p	becsült paraméter	CI	p
  Szocio-ökonómiai környezet	-7,32	-9,21- –5,44	<0,001	-6,56	-8,69 – -4,43	<0,001
  Járóbeteg ellátás	-4,21	-6,23 – -2,18	<0,001	-1,02	-3,10 – 1,07	0,337
  Revaszkularizációs aktivitás	0,08	0,03 – 0,13	0,001	0,07	0,02 – 0,11	0,002

  16. táblázat A járási szintű amputációs számarányok és azokat meghatározó környezeti tényezők OLS modellje (egyváltozós ás többváltozós)

  A továbbiakban alkalmazott komplex térstatisztikai modell (térbeli Durbin hiba modell – SDEM) a szocio-ökonómiai környezetet leíró változó tekintetében ugyanabban a járásban (direkt hatás) szignifikáns inverz kapcsolatot igazolt (β=-7,45, 95% CI:-10,50 – -4,42, p<0,0001). A szomszédos járások felőli késleltetett hatást (lag effect, spillover) kimutatni nem sikerült (β=1,14, 95% CI: 3,12 –5,40, p=0,60). Mindez összességében inverz kapcsolatot feltételez ((β=-6,31, 95% CI: -9,72 – - 2,90, p<0,0001). A járóbeteg ellátás vonatkozásában szignifikáns kapcsolat sem a direkt, sem az indirekt hatások tekintetében nem volt feltárható. Az alsó végtagi revaszkularizációs aktivitás ugyanabban a járásban pozitív, szomszédos járás esetén inverz relációt mutatott. Ezek együttese összességében neutrálisnak mutatkozott (β=-0,002, 95% CI: -0,05 – 0,04, p=0,96). A modell az amputációk térbeli mintázatának 37%-át volt képes magyarázni (pseudo-R² ). A Lambda-) paraméter szignifikáns volta arra utal, hogy a modell hiba komponense (nem vizsgált tényezők) szintén térbeli hatással bír. A közvetlen, valamint térbelileg késleltetett (szomszédos) hatások eredményeit a 17. táblázatban tüntettük fel.

  Életkorra és nemre dikret standardizált amputációs incidencia (100,000 lakosra).

  Magyarázó tényezők	becsült paraméter	CI	p
  Szocio-ökonómiai környezet [SD]	-7,45	-10,50 – -4,42	<0,0001
  Járóbeteg ellátás [SD]	0,3	-2,59 – 3,18	0,84
  Alsó végtagi érbeavatkozások [n/100,000]	0,12	0,07 – 0,17	<0,0001
  Lag- Szocio-ökonómiai környezet [SD]	1,14	-3,12 – 5,40	0,60
  Lag-Járóbeteg ellátás [SD]	-1,73	-5,84 – 2,39	0,41
  Lag-Alsó végtagi érbeavatkozások [n/100,000]	-0,13	-0,21 – -0,03	0,007
  Lambda-l	0,38	0,20 – 0,56	<0,0001
  Model paraméterek: Megfigyelések száma 197	pseudo-R2 = 0,37

  17. táblázat Térstatisztikai modell (Térbeli Durbin modell – SDEM) eredményei.

• Eredmények értékelése

  Elemzésünkben kísérletet tettünk arra is, hogy az alsó végtagi beavatkozások területi mintázatának leírásán túl annak meghatározó tényezőit is feltárjuk.

  Míg az adott betegre vonatkoztatott amputációs kockázat, valamint az egyedi beteg tulajdonságai közötti kapcsolat a kezelő orvos számára sok esetben nyilvánvalók, az amputált személy élő környezetének hatásának szerepe sokkal kevésbé átlátható. Ennek ellenére a kérdés jelentősége nagy, hiszen az egészségügyi ellátásért felelős döntéshozók számára sokkal inkább értelmezhető.

  Elemzésünkben az egészségügyi ellátórendszerhez közvetlenül kapcsolódó, valamint ahhoz legfeljebb csak közvetve köthető, az amputációs kockázatot potenciálisan meghatározó tényezők szerepét vizsgáltuk.

  Fontos újdonság elemzésünkben, hogy az eredményváltozó (járási szintű amputációs aktivitás) és potenciális magyarázó tényezők közötti kapcsolat feltárásakor a hagyományos, legkisebb négyzetek elvén nyugvó statisztikai modell (OLS) mellett sokkal átfogóbb térstatisztikai modell is alkalmaztunk, amely figyelembe veszi a járások közötti szomszédsági kölcsönhatások lehetőségét. Ezt saját korábbi elemzésünk eredménye (járási amputációs incidenciák pozitív térbeli autokorrelációja) is támogatta. A modell (térbeli Durbin modell) az amputációk területi variabilitását nagyobb mértékben (27 vs. 37%) volt képes magyarázni.

  A helyi egészségügyi ellátás járóbeteg mutatóit (házi orvosok, gyógyszertárak elérhetősége, házi orvosok lakosság arányos száma, angiológiai, érsebészeti járóbeteg megjelenések lakosság arányos száma), valamint a főkomponens elemzéssel nyert ezeket összesítő járóbeteg ellátást jellemző változót tekintve nem találtunk szoros kapcsolatot a járási szintű amputációs aktivitással. Ezek a mutatók döntően az általános és az érgyógyászati specifikus ellátás strukturális indikátorainak tekinthetők. A nemzetközi irodalomban az ellátás struktúrája és az amputációs aktivitás között inverz kapcsolat volt kimutatható a diabeteses láb ambulanciák szolgáltatása ¹⁰⁴ , multidisciplinaris team-ek (MDT) szerveződése ⁹⁷ , végtagmentést célzó érgyógyászati központokban folyó ellátás ¹⁰⁵ , valamint a diabeteses láb, mint a cukorbeteg gondozás fontos elemének házi orvosi gyakorlatban történő hangsúlyozása vonatkozásában ¹⁰⁶ .

  Mindazonáltal megfigyelésünk (ellátás struktúrája és a helyei amputációs aktivitás közötti kapcsolat hiánya) nem egyedülálló. Hasonló összefüggést tártak fel más vizsgálatok a házi orvos, érsebész, podiáter ellátottság tekintetében ⁴³ . Az egészségügyi ellátórendszer további strukturális jellemzőjeként tekinthető az adott tevékenységre történő anyagi ráfordítás. Egy amerikai és egy dán tanulmány alapján nem sikerült igazolni, hogy a magasabb anyagi ráfordítás csökkentené az amputációs aktivitást ^95,107 . Ennek magyarázata lehet, hogy maga struktúra nem biztosítéka a végtagvesztés hatékony megelőzésének. Feltételezhető, hogy az amputációs kockázat csökkentésének sokkal inkább feltétele az a folyamat, ahogyan a korlátozott ellátóhelyeken a rizikót hordozó betegek gondozása folyik. Az érsebészeti és angiológiai ellátás területi lefedettségének elégtelenségéről először szolgáltattunk adatot. Feltételezhető, hogy a kockázatnak leginkább kitett népesség specifikus ellátórendszer hiányában más szakmák által biztosított járóbeteg ellátóhelyén jelennek meg és sajnos az ottani ellátásnak ez a betegcsoport kevésbé képezi preferenciáját. Ilyen értelemben sokkal kevésbé az ellátóhelyek száma és sokkal inkább az ellátás minősége, az, ami számíthat. Ennek mérésére sokkal részletgazdagabb, célzott elemzés lenne szükséges. Mindez alapján az ellátás folyamat indikátorainak meghatározása lehet az az út, ami segíthet a hatékony preventív stratégia kialakításában. Ilyen mutató lehet az alsó végtagi revaszkularizációs aktivitás.

  Elemzésünkben a járások szintjén mért alsó végtagi revaszkularizációs aktivitás és az amputációs gyakorlat között a különböző modellekben (OLS, SDEM) a várthoz képest nehezen interpretálható eredményeket kaptunk. Míg a klinikai gyakorlatban egy adott beteg esetén a végtagmentés céljából végzett érbeavatkozás szüksége nyilvánvaló, népesség szintű elemzésünkben az OLS modellben (egyváltozós, többváltozós) a két beavatkozás között nem inverz, hanem pozitív kapcsolat volt megállapítható. Ennek lehetséges magyarázata lehet, hogy adott járás lakosságának egészségügyi állapota (demográfia, társbetegségek, életmódban rejlő kockázat) egyaránt fokozza az alsó végtagi érbeavatkozások, valamint azok elégtelensége esetén az amputációk kockázatát. A két beavatkozás ilyen értelemben nem egymást ellensúlyozzák, hanem együttesen jelzik az érbeteg ellátás igényét. Ehhez a kirajzolódó összefüggéshez a térbeli modellünk (SDEM) annyit tudott hozzátenni, hogy míg adott járás amputációs és revaszkularizációs aktivitása pozitív kapcsolatot mutatott, a szomszédos járásokban kimutatott revaszkularizációs aktivitás inverz hatása érvényesült. Utóbbi hatást a szomszéd területekről történő átfolyásként (spillover) szokás jelölni. E megfigyelés interpretációja nehéz. Fogalmazhatunk úgy, hogy a szomszéd járásokban élők nagyobb esélye, hogy valamely, általában megyei központban revaszkularizációra kerülnek, csökkenti a megfigyelt járásban lévő amputációs kockázatot. A két hatás (direkt-helyi; indirekt-szomszédsági) együttese (total) semlegesnek mutatkozott. Ebben a kérdésben (hogyan függ össze az alsó végtagi amputációs és revaszkularizációs gyakorlat), a szakirodalomban található elemzések eredményei sem egységesek. Hozzánk hasonlóan Lago Franco és mtsai. pozitív korrelációról számoltak be ⁹⁶ . Ezzel szemben Goodney és mtsai ⁹⁴ , illetve Mestral és munkatársai ⁴³ inverz kapcsolatot igazoltak. Meg kell azonban jegyezni, hogy az utóbbi két vizsgálatban a vizsgált populációt az alsó végtagi amputáción átesettek képezték és a revaszkularizáció tényét csak az ő esetükben rögzítették. Ilyen értelemben ezekből az elemzésekből kimaradtak azok az esetek, amely során a sikeres revaszkularizációt nem követte amputáció. Az interpretáció további akadálya és ez a mi elemzésünket is érinti, hogy nem tudtuk elkülöníteni az érbeavatkozásokat aszerint, hogy mi képezte indikációjukat (klaudikációs tünetegyüttes, vagy végtagvesztéssel fenyegető kritikus keringészavar). Sajnos legalább is Magyarországon a kódolási gyakorlat ezt nem teszi lehetővé. Az elemzési ilyen irányú korlátja komoly dilemmát eredményez, ami az adatok döntéshozók felé történő közlését illeti. Míg utóbbiak a két beavatkozás területi eloszlásáról szerezhetnek információt, a két mutató közötti kapcsolat kimutathatóságának módszertani nehézsége miatt bizonyosságot nem nyerhetnek, hogy a revaszkularizációs aktivitás fokozása az amputációs számok csökkenésével fog járni. Mindehhez sokkal részletesebb, sokkal inkább regiszter típusú adatbázis elemzés lenne szükséges.

  Ami elemzésünkből sokkal egyértelműbben kitűnik, az az, hogy a járási szinten értelmezett lakókörnyezet és azt jellemző szocio-ökonómiai mutatók jelentős inverz kapcsolatot mutatnak az amputációs kockázattal. Vizsgálódásunk során több ilyen tényezőt is felhasználtunk a térstatisztikai modell kialakításakor. A vizsgált szocio-ökonómiai mutatókat (iskolázottság, jövedelem, foglalkoztatottság, helyi infrastruktúra és szolgáltatások), a multikollinearitás ténye miatt, azt elkerülendő, egy kompozit index-be foglaltuk össze. Az így értelmezett szocio-ökonómiai háttér index magasabb szintje alacsonyabb amputációs aktivitással járt. A több mutató egy indexbe foglalása kényszer volt, ami ugyan az elemezhetőséget támogatta, azonban az eredmény interpretációja így korlátozottá válik. Mind az OLS, mind a SDEM modell megadja, hogy a szocio-ökonómiai mutató egy egysége mennyivel változtatja a helyi amputációs számarány alakulását, azonban azt nem tudjuk pontosan megmondani, hogy mit jelent egy egység az index vonatkozásában. A mutató számértékeinek tartománya -2-től +2.5-ig terjed. Ebben a tartományban legalacsonyabb fejlettséggel a Borsod-Abaúj-Zemplén megyéhez tartozó Gönci járás, a legmagasabb fejlettséggel Budapest II. kerülete jellemezhető. Az utóbbinál egy egységgel alacsonyabb fejlettségű Dunakeszi, az előbbinél egy egységgel fejlettebb a  Szabolcs-Szatmár-Bereg megyéhez tartozó Tiszavasvári járás. A nemzetközi irodalomban hozzánk hasonlóan jártak el, ami a szocio-ökonómiai depriváció komplex mutatója és az amputációs aktivitás kapcsolatának feltárást illeti ^98,99,108 .

  Az adott egészségügyi kimenetel és az egyéni, elemzésünk esetén a környezeti szocio-ökonómia állapot közötti kapcsolat rendkívül összetett. A perifériás érbetegség esetén további feltárásra vár az egyes jellemzők (kockázati tényezők gyakorisága, életmód, egészségügyi ellátáshoz való hozzáférés, iskolázottság, egészségismeret, kulturális tényezők) súlya és azok kapcsolata a különböző kimenetekhez (amputációk, halálozás) ¹⁰⁹ .

• Irodalmi háttér

  1938-ban Alison Glover a gyermekkorban elvégzett mandula műtétek területi különbségeiről közölt egy érdekes tudományos elemzést. Anglia és Wales különböző iskolakörzeteit alapul véve a beavatkozás számarányában akár több mint nyolcszoros különbséget mutatott ki anélkül, hogy a betegség kimenetelében érdemi variabilitás mutatkozott volna. A gyerekek egyéni jellemzőiben erre magyarázatot nem talált. A magas műtéti szám különösen a jómódú családokban fordult elő. Cikkében felhívta a figyelmet arra is, hogy a beavatkozás kockázata nem elenyésző (mortalitás) ¹³² . Ezen első közlés óta számos megfigyelés támasztja alá, hogy az egészségügyi ellátás minden szegmensében megfigyelhető, hogy a gyakorlat (gyógyszeres kezelés, sebészi beavatkozás, diagnosztika) területi különbségeket mutat. A 70-es években több sebészeti eljárás alkalmazásával kapcsolatban mutatták ki a területi különbségek ilyen értelmű variabilitását ¹³³ . A sebészeti helyi gyakorlat („surgical signature”) nem tűnt magyarázhatónak a betegség természetével, sokkal inkább az ellátórendszerben kialakult egyenlőtlenségnek volt tulajdonítható, ami potenciálisan felesleges beavatkozások elvégzését is magába foglalhatta ¹³⁴ . Az elmúlt évek eredményei arra utalnak, hogy a technológiai fejlődést nem kísérte a területi variabilitás csökkenése ¹³⁵ . A probléma természetesen nem önmagában a területi variabilitás léte, hiszen a beavatkozásokat objektíve indokló körülményekben is lehet területi eltérés, hanem az ezen túlmenő variabilitás. Erre a gondolatra hamarosan visszatérünk.

  Az érsebészeti ellátás területén ilyen a gyakorlatban kimutatható területi különbségeket írtak le az alsó végtagi amputációk ^39,136 , carotis sebészet ^137,138 , hasi aorta aneurysma műtétek ¹³⁹ területén.

  Az alsó végtagi artériás revaszkularizációkat (nyitott érsebészeti, vagy endovaszkuláris) tekintve hasonló adat ismeretes az Amerikai Egyesült Államokból ^45,140 , Kanadából ⁴³ , Norvégiából ⁶¹ és Braziliából ⁹⁶ . Ezek a közlések részben a területi különbségek egyszerű metrikával történő kimutatására korlátozódtak ^61,140 , vagy arra tettek kísérletet, hogy a területi revaszkularizációs különbségek és az amputációs gyakorlat közötti kapcsolatot tárják fel ^43,45,96 .

• Módszertan

  A területi elemzés alapjául szolgáló földrajzi beosztás meghatározása

  A területi elemzést a Statisztikai Célú Területi Egységek Nómenklatúrája (Nomenclature of Territorial Units for Statistics - NUTS) beosztásra alapoztuk, melyet az Eurostat fejlesztett ki regionális statisztikák és regionálisan célzott politikai beavatkozások támogatására (Regulation [EC] No 1059/2003 of the European Parliament). Ez a rendszer három, hierarchikus szintet tartalmaz (NUTS 1-3, Magyarország esetében: országrész (Dunántúl, Közép-Magyarország, valamint Alföld és Észak), statisztikai régiók, megyék és Budapest) kiegészítve két, helyi adminisztratív szinttel (LAU 1 és 2, Magyarország esetében: járások és települések) ⁸² . A beteg lakóhelyét ún. irányítószám-csoport pontosságig ismertük, melyben kis lélekszámok esetén több irányítószám volt összefogva, adatvédelmi okokból. Mindegyik irányítószámcsoportot LAU 1 szinthez társítottuk (ami természetesen a NUTS beosztást is meghatározta). A kapott adatbázist rétegeztük nem, életkor (5 éves korcsoportok 85 évig) és a LAU 1 egység szerint. A lélekszámot nem, életkor és LAU 1 szerint a Központi Statisztikai Hivataltól szereztük be, az NT5C01 adatbázisból ⁸³ .

  Sajnos ez csak 2015-ig megy vissza, így a korábbi LAU 1 szintű adatokat a NUTS 3 szintű adatokból (NT1C02 adatbázis) határoztuk meg, feltételezve, hogy relatív megoszlás egy NUTS 3 egység LAU 1 egységein belül adott életkori és nemi csoportban nem változott 2015-höz képest. Magyarország térképét (LAU 1 szintig) az OpenStreetMap projekttől szereztük be ESRI-kompatibilis shapefile-ban ⁸⁴ . Ez az adatbázis lehetővé tette a nyers, direkt standardizált és indirekt standardizált incidenciák számolását és vizualizációját ⁶⁷ .

  Statisztikai elemzés

  A különböző beavatkozásokra vonatkoztatva kiszámítottuk a térbeli autokorreláció Geary-c és Moran-I mutatóját ⁸⁵ , bináris súlyozást (tehát szomszédsági mátrixot) használva, azokat a területi egységeket tekintve szomszédosnak, melyeknek van közös határpontjuk. A Geary-c 0 és egy 1-nél nagyobb szám között van, ahol az 1 jelzi a térbeli autokorreláció hiányát, az 1 fölöttiek a negatív, az 1 alattiak a pozitív autokorrelációt. A Moran-I -1 és +1 között van, a -1-hez közelebbi értékek negatív, a +1-hez közelebbi értékek pozitív autokorrelációt jeleznek. Szintén kiszámoltuk a kis területi egységeken mutatott variabilitás Ibanez és mtsai által összesített mutatóit ⁸⁶ . Ide tartozik a high-low arány, vagy más szóval extremális koefficiens (EQ), a súlyozatlan (CV) és súlyozott (CVw) relatív szórás; valamennyi metrikát kiszámoltuk az összes adatból és a 0,05-ös és 0,95-ös kvantilisnél trimmelt adatból, hogy védekezzünk az outlier-ek ellen. A súlyozás azt jelentette, hogy az egyes területi egységek standardizált rátáiból úgy számoltuk a CV-t, hogy a területi egységeket súlyoztuk a lélekszámukkal. Ezek a metrikák mind a direkt standardizált rátákon nyugszanak. Szintén kiszámoltuk a variabilitás szisztematikus komponense (SCV) nevű metrikát, mely az indirekt standardizált rátákat használja fel. Utóbbi esetén elfogadott, hogy a 0,03-t meghaladó érték esetén már számottevő, 0,054-0,1 tartományban nagy és 0,1 feletti tartományban igen nagy területi variabilitás igazolható ⁸⁷ . Megjegyzendő azonban, hogy a hivatkozás alapjául szolgáló Appleby képletében egy 100-al történő szorzótagot alkalmazott, hasonlóan egy másik szerzőhöz ⁸⁸ , azonban ezzel mi nem éltünk. Minden indikátort kiszámoltunk minden értelmes térbeli felbontás mellett, és a variabilitási indikátorokat kiegészítettük 95%-os konfidenciaintervallummal is, melyet nem-paraméteres bootstrap-pel nyertünk, percentilis eljárást használva ⁸⁹ . Ezek a metrikák mind a területi egységek közötti variabilitást mérik, tehát a nagyobb érték jelent nagyobb variabilitást. Az EQ-nak nagy a mintavételi ingadozása és a mérési skála megválasztása is befolyásolja (az abszolút értelemben nagyobb variabilitás nagyobb átlag mellett jelenthet relatíve ugyanakkora variabilitást), ami megnehezíti az EQ-k egybevetését. A CV ez utóbbi problémát megoldja, de még mindig nem választja le a mintavételi ingadozást, amit az SCV tesz meg. Megkíséreltük kvantifikálni azt is, hogy a LAU 1 szinten tapasztalható variabilitás mekkora hányadát magyarázza a megye (NUTS 3) amiben a LAU 1 egység van, tehát, hogy mekkora a megyén belüli variabilitás és mekkora a megyék átlagainak ingadozása a nagy (országos) átlag körül, azaz a megyék közötti variabilitás. E célra a jól ismert variancia-dekompozíciót alkalmaztuk; a H² mutatót használva a megyék közti variabilitás össz-variabilitáshoz viszonyított arányának mérésére, tehát az 1-hez közeli H² azt jelenti, hogy az egy megyén belüli járások hasonlóak egymáshoz (és így a megye átlagához is) és az össz-variabilitás inkább abból származik, hogy a megyék átlagai eltérnek, míg a 0-hoz közeli H² azt mutatja, hogy a variabilitás jórészt abból jön, hogy a járások ingadoznak a megyéjük átlaga körül, és kevésbé abból, hogy a megyei átlagok ingadoznak az országos átlag körül. A H² -et úgy számítottuk, hogy kiregresszáltuk az incidenciát LAU 1 szinten a megye (NUTS 3) indikátort használva egyedüli magyarázó változóként; ebben az esetben ennek a regressziónak az R² -e a H² lesz.

• Eredmények

  A beavatkozások járás szintű, direkt standardizált incidenciáinak gyakoriságát színkódolt térképen ábrázoltuk.

  

  19. ábra

  Emellett, az egyes megyék és az azonos megyékhez tartozó járások incidencia értékeit külön ábrán mutatom.

  

  20. ábra

  A 5.3. pontban leírt módszer szerint ⁸⁶ az egyes érbeavatkozások területi variabilitását becslő SAVA mérőszámokat a 14. táblázatban tüntettem fel.

  A Moran-féle I mindkét beavatkozás típus esetén szignifikánsnak bizonyult (Moran I: 0,36 nyitott érsebészeti beavatkozás, 0,51 endovaszkuláris érbeavatkozás esetén (p<0,001), ami pozitív autokorrelációt jelez, azaz a szomszédos járások az érbeavatkozások vonatkozásában hasonlóságot mutatnak. A járási szintű variabilitás dekompoziciója (H² : 0,53, illetve 0,55) arra utal, hogy a beavatkozások területi mintázatának hátterében megyei és járási szinten értelmezhető, de nem ismert tényezők közel egyenlő arányban hatnak.

• Eredmények értékelése

  A különböző földrajzi léptékű elemzéseink (NUTS 1- LAU1) azt mutatták, hogy az alsó végtagi major amputációk számaránya a földrajzi egység méretétől függően különböző mértékű variabilitást mutat. A megfigyelés, miszerint minél kisebb a földrajzi egység, amelyben az amputációs gyakoriságot vizsgáljuk, annál nagyobb a területi variabilitás, az úgynevezett módosítható területi egység problémája (Modifiable Areal Unit Problem - MAUP) kérdéskörében értelmezhető. Ennek lényege, hogy ugyanaz a jelenség az eltérő földrajzi lehatárolásokból eredően különböző térbeli mintázatokat mutat. Ez a jelenség részben a kiválasztott földrajzi egység méretével, az adat aggregáció mértékével kapcsolatos (aggregációs hatás), részben pedig az adott földrajzi egység alakjának szerepe meghatározó (zóna hatás) ⁹⁰ . Vizsgálatunkban az előbbi tényező tekinthető elsődlegesnek. Utóbbi vizsgálatára nem volt lehetőségünk. A térbeli elemzés összetettségének további forrása lehet, hogy elemzés földrajzi, közigazgatási egységeken alapul, vagy a konkrét ellátóhelyek képezik az összehasonlítás alapját (184). Vizsgálatunkban a korábban leírt módon a közigazgatási határokat választottuk.

  A következőkben arra törekedtünk, hogy a beavatkozások területi különbségeit a SAVA szakirodalomban használatos mérőszámokkal jellemezzük ⁸⁶ . Ezekről a metrikákról általánosságban elmondható, hogy az egyszerűbben értelmezhető típusaik (extremális koefficiens, relatív szórás) esetén értékük függ a mintavételi gyakoriságtól, a vizsgált populáció méretétől, a földrajzi egységek méretétől és számától, így ezek érzékenysége, robusztussága korlátozott. A kifinomultabb mérőszámok (variabilitás szisztematikus komponense, empirikus Bayes statisztika) ugyan stabilabbak különböző elemzési helyzetekben, azonban intuitive nehezebben értelmezhetők ⁹¹ . A szakirodalomban leginkább használatos variabilitás szisztematikus komponensét (SCV) tekintve elfogadott, hogy a 0,03-t meghaladó érték esetén már számottevő, 0,054-0,1 tartományban nagy és 0,1 feletti tartományban igen nagy területi variabilitás igazolható ⁸⁷ . Ezt alapul véve eredményeink arra utalnak, hogy járási szinten az ottlakók kockázata, hogy nyitott érsebészeti beavatkozásban részesülnek, nagy területi varibilitást mutat. Az alsó végtagi endovaszkuláris beavatkozások tekintetében a területi egyenlőtlenség igen nagymérvűnek mondható.

  Elemzésünk arra is kiterjedt, hogy vajon a járásszintű területi variabilitás, ha annak varianciáját szétbontjuk (H² statisztika), mennyiben tulajdonítható járási és mennyiben megyei szinten értelmezhető tényezőknek. A variancia dekompozició eredménye azt mutatta, hogy a megyék közötti különbségek körülbelül hasonló mértékben magyarázhatók a megyék országos átlag körüli ingadozásával és hasonló mértékben az adott megyéhez tartozó járások variabilitásával. Ez a megfigyelés jól tükrözi azt a feltételezést, hogy a területi amputációs gyakorlatot és az alsó végtagi érbeavatkozásokat több, eddigiekben ismertelen tényező határozza meg, olyanok, amelyek megyei és olyanok, amelyek járási szinten hatnak. Az egészségügyi ellátást tekintve az előbbi a megyei központi kórházak ellátásával lehet kapcsolatos, utóbbi pedig inkább a járás szintű járóbeteg ellátás, házi orvosi alapellátás sajátja.

  A további megfigyelésünk, miszerint az alsó végtagi érbeavatkozások esetén, járási szinten pozitív területi autokorreláció mutatható ki, nagy jelentőséggel bír. Intuitive ez azt jelenti, hogy az alsó végtagi beavatkozások járási arányszámai adott szomszédsági meghatározás mellett az egymással határos járásokban hasonlóak. Ennek elméleti ellentéte az lenne, ha a szomszédos járások jellemzően különböznének egymástól ebben a vonatkozásban (negatív autokorreláció). A két szélső érték között (zéró autokorreláció) tartomány véletlenszerű (random) térbeli eloszlást valószínűsítene. Ez a megfigyelés megint csak az alsó végtagi beavatkozások gyakorlatának összetett meghatározottságát mutatja. További következmény, hogy a szomszédos területek között vélhető kapcsolat miatt az egyes területi egységek beavatkozási számarányainak statisztikai elemzésekor ezt a tényt figyelembe kell venni, a hagyományos módszerek (pl. lineáris regresszió) nem vagy, csak korlátozottan alkalmazhatók.

  A fenti adatok a járási szinten vizsgált beavatkozások jelentős fokú „térbe ágyazottságát jelzik. Ilyen értelemben az általunk leírt jelenség szemléletes megfogalmazása Tobler „első földrajzi törvénye”, miszerint „Minden minden mással összefügg, de a közelebbi dolgok jobban, mint a távoliak” ⁹² .

• Irodalmi háttér

  Az egészségügyi ellátórendszerben felismerhető területi egyenlőtlenségek egy része vélhetően magyarázható az ott élők egészségügyi állapotának egyenlőtlenségével, ilyen értelemben nem feltételezhető, hogy minden földrajzi egységnek megfelelően az ellátásnak tökéletesen egységesnek kellene lennie; például érthető és megkérdőjelezhetetlen, hogy ahol idősebb a lakosság, nagyobb a cukorbetegség előfordulása, ott több az amputáció („indokolt variabilitás”). A kérdés koncepcióba öntését és az elemzések interpretációjának kiszélesítésének területén Wennberg és munkatársainak szerepét kell hangsúlyozni, akik az 1970-es évektől kezdődően kidolgozták a nem indokolható klinikai variabilitás (unwarranted clinical variation UCV) elméletét ¹⁴¹ . Ennek lényege, hogy a klinikai gyakorlatban kimutatott egyenlőtlenség egy része magyarázható (a betegek demográfiai, klinikai jellemzői), azonban más részének oka az ellátás anomáliája (UCV). Az UCV a beteg biztonságot, valamint az ellátás fenntarthatóságát veszélyeztetheti, így csökkentése, enyhítése ellátás stratégiai kérdés ¹⁴² . A koncepció kitér arra is, hogy milyen típusú ellátási környezet támogatja az UCV kialakulását. Az úgynevezett hatékony ellátási környezetben (effective care) adottak az ellátást tudományosan megalapozó evidenciák, az ellátást meghatározó irányelvek, azonban az ellátó orvosok azokat különböző mértékben követik. A kezelési módok alkalmazásának elmaradása ilyen esetben enyhíthető az ellátás ellenőrzése (surveillance), valamint az ellátó, a beteg edukációja révén. A preferenciákra érzékeny (preference sensitive) ellátási rendszerekben adott betegségre akár több kezelési mód is alkalmazható, azok közötti választásban a beteg, a kezelő orvos, az egészségügyi szolgáltató, valamint finanszírozó különböző indíttatású szempontjai döntenek. E szempontok mentén keletkező UCV csökkenthető a betegek saját sorsukról való döntéshozatalba való bevonásával, a területi ellátás finanszírozó általi ellenőrzésével. Végezetül az UCV növekedésével kell számolni olyan rendszerekben, amelyek alul finanszírozottak, azaz az anyagi és humán erőforrások egyenlőtlenül oszlanak meg (supply sensitive care). Ezekben az esetekben a finanszírozás és az elérhetőség fokozása csökkentheti a területi egyenlőtlenséget ^141,143 . Bár egyetértés van abban, hogy a jelenség (UCV) fontos, azonban összetettsége okán értelmezése sok bizonytalanságot rejt és további elméleti tisztázásra vár. Ezzel kapcsolatban meg kell állapítani, hogy az UCV azonosítása, azaz az elfogadható és érthető okkal magyarázható varibilitástól való elkülönítése, valamint mértékének becslése nem kidolgozott ¹⁴⁴ .

• Módszertan

  Az elemzésben az alsó végtagi nyitott érsebészeti, valamint endovaszkuláris beavatkozások SAVA mérőszámai mellett, ugyanabban az időszakban (2013. január 1.-től 2017. december 31) azonosítottuk azokat a személyeket, akik percutan koszorúér beavatkozáson estek át. Az összes ilyen beteg közül azt a beteg csoportot is elkülönítettük, akik esetében a beavatkozás az akut miokardiális infarktus ellátására utaló BNO kódok is azonosíthatóak voltak. A betegcsoport meghatározására szolgáló beavatkozás és diagnosztikus kódokra vonatkozólag utalok az 1. táblázatra.

  A következőkben a 5.3. pontban részletezett módon kiszámoltuk azokat a SAVA metrikákat, amelyek a beavatkozások (alsó végtagi nyitott érsebészeti és endovaszkuláris, valamint percutan koszorúér beavatkozások) járási szintű területi variabilitását tükrözik (extremális koefficiens (EQ), a súlyozatlan (CV) és súlyozott (CVw) relatív szórás, a variabilitás szisztematikus komponense (SCV), empirikus Bayes statisztika (EB). Mindebben az Ibanez és mtsai által közölt módszertant alkalmaztuk ⁸⁶ .

  Magyarországon a koszorúér percutan beavatkozások szolgáltatása, különösen az akut miokardiális infarktus ellátásakor történő kezelés a szívkatéteres központok hálózatában megfelelő területi lefedettséget és így elérhetőséget mutat ¹⁴⁵ . Az akut infarktus esetén a beavatkozás mérlegelését és kivitelezését részleteiben kidolgozott irányelvek határozzák meg ^146,147 . Erre alapoztuk azt a feltételezést, hogy ha az alsó végtagi érbeavatkozások területi variabilitását a percutan koszorúér beavatkozás (akut miokardiális infarktus indikációval, vagy anélkül) térbeli egyenlőtlenségéhez viszonyítjuk, akkor az UCV egy lehetséges mérőszámához juthatunk. Mind erre a SAVA metrikák közül a variabilitás szisztematikus komponensét (SCV) alkalmaztuk, ami a leginkább elfogadott mérőszám. Az általunk javasolt UCV mérőszám ennek alapján a vizsgálni kívánt (esetünkben alsó végtagi revaszkularizáció) és referenciának tekintett, elvégzett percutan koszorúér beavatkozások (akut miokardiális infarktussal, vagy anélkül) SCV értékeinek hányadosa.

  A statisztikai elemzést R statisztikai program csomag (3.5.0 verzió) segítségével végeztük ¹⁴⁸ a libraries data.table ¹⁴⁹ , sp ¹⁵⁰ , epitools ¹⁵¹ , és R-INLA ¹⁵² modulok használatával. A program forráskódja elérhető: https://github.com/tamas-ferenci/AmputationEpidemiologyInHungary.

• Eredmények

  A leírt alsó végtagi beavatkozások mellett 51.031 olyan koszorúér percutan beavatkozást azonosítottunk, amely esetén egyidejű akut miokardiális infarktus is azonosítható volt (47.917 beteg). A koszorúér percutan beavatkozások (akut miokardiális infarktussal, vagy anélkül) területi variabilitását a 18. táblázatban mutatjuk.

  Az alsó végtagi érbeavatkozások SAVA mérőszámainak és referenciának tekintett koszorúér percutan beavatkozások (összes, akut mikoardiális infarktussal társuló) SAVA metrikáinak hányadosait a 19. táblázatban mutatjuk.

• Eredmények értékelése

  További elemzés tárgyát képezte, hogy vajon az érbeavatkozások területi egyenlőtlensége és annak mértéke az ellátórendszer fejlesztésével megszüntetendő, vagy esetleg a területi különbségek egy része magyarázható és elfogadható.

  Eredményeink szerint Magyarországon a lakosság esélye, hogy a járási szinten meghatározott lakóhelyén élve alsó végtagi revaszkularizációs beavatkozáson essen át, igen különböző. A szakirodalomban leginkább használatos, a területi variabilitás mértékét tükröző variabilitás szisztematikus komponensét (SCV) tekintve, a nyitott érműtétek nagy, az endovaszkuláris beavatkozások igen nagy területi egyenlőtlensége volt igazolható. Elemezendő, hogy ez a területi különbség mennyiben magyarázható az érintettek esetleges kézenfekvő tulajdonságaival (demográfiai, klinikai jellegzetességek), amelyek, mint az elemzést zavaró tényezők (confounder) határoznák meg az észlelt egyenlőtlenséget. Emellett az a lehetőség is felvethető, hogy a vizsgált időszakban kimutatott területi különbség kialakulásában a mintavétel esetlegessége, a véletlen szerepe a meghatározó. Az általunk választott földrajzi egység (járás) nagysága (átlagos népesség közel 50.000 fő), a megfigyelési időszakban (öt év) rögzített beavatkozások száma (közel 60.000 alsó végtagi érbeavatkozás) olyan mértékű robusztusságot biztosít, ami alapján a véletlen szerepét elhanyagolhatónak gondoljuk. Ami az egyes járások, illetve az ott élők eltérő tulajdonságait, mint az eredményeket befolyásoló zavaró tényezőket illeti, szerepük eredményeinkben nem kizárható. Mindazonáltal két demográfiai tényező (életkor, nem) hatását a beavatkozások incidenciájának standardizált közlésével kiküszöböltük. Az adott helyen (járási szint) élők sok tekintetben (társbetegség, szocio-ökonómiai háttér, életvitel) különbözhetnek, amely tényezők mindegyike potenciális zavaró faktorként (confounder) tekinthető. Itt nyer különös értelmet, hogy miközben az alsó végtagi érbeavatkozások területi egyenlőtlenségének nem elfogadható, a betegek egyedi tulajdonságától független variabilitását (UCV) céloztuk meg feltárni, azok varianciájának (SCV) egy másik beavatkozás varianciájához, mint referenciához történő hasonlítását (SCV/SCVref) javasoltuk. Ezt több szempont is támogatja. A számláló képzésekor használt betegcsoport (alsó végtagi érbeavatkozásokban érintettek), valamint a nevezőben figyelembe vett populáció (szívinfarktus miatt ellátottak) a fenti potenciális, az elemzést zavaró tulajdonságokban hasonlóan, de nem teljesen azonosan osztoznak. Ez azt jelenti, hogy az egyes járásokban ellátott betegek ugyan más járások lakóitól sok szempontban különbözhetnek, azonban ezek a különbségek hatásai a tört képzésekor nagyrészt semlegesítik egymást. Elvben ez annyiban nem érvényesül, amennyiben az alsó végtagi artériák és a koszorúerek aterosclerotikus kockázatát meghatározó rizikótényezők jelentősége némileg különbözik ^153,154 . Összességében tehát az UCV relatív mérőszámaként bevezetett metrika alkalmasnak tűnik különböző érsebészeti beavatkozások területi egyenlőtlenségének számszerű kifejezésére. A szakirodalomban ilyen mérőszám ez idáig nem volt ismeretes. Eredményeink szerint Magyarországon, a vizsgált időszakban az alsó végtagi nyitott érműtétek közel ötszörös, az endovaszkuláris beavatkozások pedig tízszeres területi egyenlőlenséget mutatnak az infarktus ellátás területi elérhetőségéhez képest.

  A lehetséges okok vonatkozásában feltételezésekre hagyatkozhatunk, aminek értelmezésekor a Wennberg koncepció alkalmazása segíthet ¹⁴¹ . Ebben a hatékony ellátási környezet (effective care) sajátossága, hogy míg az ellátást meghatározó evidenciák, azokon alapuló irányelvek elvben ismertek, azok nem egységesen kerülnek alkalmazásra. Magyarországon az alsó végtagi érbeavatkozások alkalmazását hazai és nemzetközi irányelvek szabályozzák ^155-157 . Az ennek ellenére keletkező területi különbségek keletkezése vélhetően összetettebb, minthogy azt az érspecialisták egyenlőtlen elérhetőségére vezetnénk vissza. Az érbetegek betegútjának (házi orvosi észleléstől, a járóbetegszakellátáson keresztüli, egészen az érbeavatkozást végző szakemberig nyúló) minden pontján feltételezhető, hogy az írott elv ellenére annak érvényesítése megbicsaklik. Az irányelvektől való eltérés nem csak ahhoz vezethet, hogy adott eljárás egyes területen nem lesz elérhető (underuse), hanem az is elképzelhető, hogy más indíttatású eltérés esetén adott beavatkozást a kelleténél többször alkalmaznak (overuse). Ezt a jelenséget írtak le új érbeavatkozás technológiák (atherectomia) alkalmazása, valamint az indokolatlanul korán elvégzett endovaszkuláris beavatkozások kapcsán ^158,159 .

  Az indokolatlan területi ellátási egyenlőtlenségek elkerülésének módja az oktatás fejlesztése (beteg edukáció, orvosképzés, háziorvosi továbbképzés, társszakmák képviselőinek képzése, érspecialisták szinten tartása), valamint az ellátórendszer különböző mutatókon alapuló folyamatos ellenőrzése (surveillance) lehet. Míg az elmúlt években az előbbi területen látható volt némi fejlődés, az utóbbi audit jellegű ellenőrzés lényegében nem működik. A Wennberg által megfogalmazott másik ellátási környezet, amelyben adott ellátás területi egyenlőtlensége kialakulhat, a preferenciákra érzékeny (preference sensitive) ellátás. Ha adott betegség kezelésére több eljárás is alkalmazható, úgy a helyi preferenciák hatása jelentős lehet. Az alsó végtagi érbeavatkozások területe jellemzően ilyen. A beavatkozás indikációja is többféle lehet (panaszokat okozó klaudikáció, vagy végtagvesztéssel fenyegető kritikus végtagi iszkémia). Sajnos elemzésünkben e két indikációs kört nem tudtuk elválasztani egymástól. Mindazonáltal sok esetben a kétféle érbeavatkozás (nyitott érsebészeti, vagy endovaszkuláris) egymás alternatívái is lehetnek. Ha mindehhez hozzávesszük, hogy sajnos az alsó végtagi amputáció is lehetséges opció adott beteg ellátásakor, akkor kirajzolódik, milyen szövevényes annak elemzése, hogy vajon a végső döntés milyen preferenciák mentén születik meg. A kétféle érbeavatkozás között választásban, sok esetben az irányelvek is hagynak szabad teret a döntés meghozatalakor ^155-157 . A preferenciák mentén kialakuló területi különbségek komplexitását tovább fokozza, hogy azok értelmezése történhet a háziorvosi gondozás, a járóbeteg, vagy fekvőbeteg ellátás, valamint a közvetlen revaszkularizációt eredményező döntés helyzetében. A döntést azonban nem csak az ellátó orvos szempontrendszere vezérli. Az egészségügyi szolgáltató (intézmény) és a finanszírozó (biztosító) döntően gazdasági indíttatású intézkedései is figyelmet érdemelnek. Bár Magyarországon ez jelenség nem dominál, a beavatkozásról való végső döntéshozatalban az érintett beteg személyes véleményének is teret kellene hagyni. Ilyen értelemben az egészségműveltség szerepének kérdése is felvethető. Mindezen tényezők közül a gazdasági kényszerek mellett a beavatkozást lokálisan végül is kivitelező érspecialista vezetők személyes vélekedése, attitűdje, szempontja, gazdasági érdeke (hálapénz rendszer), valamint ezeknek a beosztottak között történő elterjedése („surgical signature”, „mi így gondoljuk”, „mi így szoktuk”) meghatározó lehet. Mindezen tényezők együttese az ellátórendszer szürke zónájának tekinthető ¹³⁵ .

  Végezetül Wennberg szerint a területi ellátás egyenlőtlenségek további oka lehet a forráshiány olyan környezetben, amely erre érzékeny (supply sensitive care). Ezzel mindenképpen kell számolni Magyarországon, azonban ez nem korlátozódik a nyilvánvaló alulfinanszírozottságra. Döntőnek tűnik a beavatkozást végző specialisták humánerőforrás hiánya. A Magyar Angiológiai és Érsebészeti Társaság felmérése szerint, 18 megye adatait figyelembevéve, az érsebész szakember ellátottság 1,58±0,77 100.000 lakosra számítva. Ez a szám nemzetközi összehasonlításban nem tekinthető alacsonynak ^160,161 , azonban figyelembevéve, hogy Magyarországon sokan dolgoznak úgy sebészként, hogy bár van érsebészeti szakvizsgájuk, azt nem használják, vagy csak a magánellátásban foglalkoztatottak, vagy érsebészként csak részmunkaidőben dolgoznak – így az effektíve dolgozók aránya alacsonynak tekinthető. A másik két érgyógyászati terület (intervenciós radiológia, angiológia) szakember ellátása sokkal inkább alacsony (0,9±0,56, illetve 0,62±0,52 100.000 lakosra). A szakember elérhetőség ilyen mértéke vélhetően meghatározó az egyenlőtlen ellátás kialakulásában. Az angiológia szakmát tekintve nem csak az érbeavatkozást kivitelező, hanem az arra felkészítő, a betegeket kiszűrő szereplő elérhetősége is meghatározó. Természetesen az ellátottság nem csak a humán erőforrás elmaradását jelenti, hanem a megfelelően műszerezett vaszkuláris laborok hiányát is magába foglalja. Mindez elválaszthatatlan a finanszírozás kérdéseitől.

  Az érgyógyászati ellátásban általunk kimutatott jelentős egyenlőtlenség kialakulásában a három fenti értelmezés tartományban megjelölt tényezők valószínűsíthetően egymással kölcsönhatásban, egymást akár erősítve hathatnak.