Can National Administrative Data Identify Optimal Nurse Staffing? Evidence of Estimand Instability and Identification Challenges in CMS Home Health Panel Data

Résumé Technique : Défis d'identification dans l'estimation du niveau de dotation en personnel infirmier optimal dans les soins de santé à domicile

Énoncé du problème
L'étude traite une lacune critique dans la recherche sur les services de santé : l'incapacité d'identifier empiriquement un niveau optimal de personnel infirmier autorisé (IA) dans le secteur des soins de santé à domicile aux États-Unis en utilisant des données administratives nationales. Alors que la théorie de la fonction de production postule un optimum intérieur où les bénéfices marginaux de la qualité égalent les coûts marginaux de la main-d'œuvre ($Q'(N^*) = C'(N^*)$), aucune étude à l'échelle nationale n'a réussi à estimer cet optimum en utilisant les données Medicare des États-Unis. La recherche examine si les données de panel actuellement disponibles du CMS Home Health Compare (FY2016–2018) possèdent la variation structurelle et le pouvoir d'identification nécessaires pour estimer de manière fiable la fonction de production dotation-qualité, ou si l'infrastructure de données elle-même fait obstacle à une telle estimation.

Méthodologie
L'étude emploie un design de faisabilité et d'identification utilisant un panel fusionné de 16 828 années-agences (sous-panel analytique $n \approx 10\,496$ pour la monétisation de la qualité). L'analyse intègre trois sources de données primaires : les fichiers d'utilisation publique de CMS Home Health Compare, les rapports de coûts des agences de soins à domicile CMS (Formulaire CMS-1728-94), et les rapports CMS Inpatient Prospective Payment System (IPPS).

• Variables :
  • Dose : Équivalent Temps Plein (ETP) d'infirmiers autorisés par 100 patients de soins infirmiers spécialisés.
  • Qualité : Un composite standardisé en T de quatre mesures CMS (4Ts moyennes), incluant les évaluations de processus/résultats, la satisfaction des patients (HHCAHPS), les ratios de dépenses Medicare et les taux de sortie de la communauté.
  • Coût : Coûts de la main-d'œuvre en soins infirmiers spécialisés par patient.
• Estimateurs : Trois estimateurs linéaires ont été appliqués pour évaluer les relations dose–qualité et dose–coût :
  1. Within-CRE (Effets Aléatoires Corrélés) : Mathématiquement équivalent à un modèle à effets fixes intra-agence via le théorème de Mundlak–Chamberlain.
  2. Pooled (Regroupé) : Exploite à la fois la variation intra-agence et inter-agences.
  3. Between-Agency (Inter-agences) : Comparaison transversale pure des moyennes d'agences.
• Validation et Sensibilité :
  • Validation non paramétrique : Un réseau de neurones bayésien (BNN) « Wide & Deep » avec Dropout de Monte Carlo a été utilisé pour tester la contribution prédictive marginale de la dose de dotation.
  • Tests de robustesse : Analyse de levier (retrait des observations à fort impact), régression robuste de Huber, et Test d'Équivalence (TOST) par rapport à des références cliniquement significatives.
  • Analyse de point mort (Break-Even) : Calcul du gradient de qualité théorique requis pour compenser les augmentations de coûts observées.
  • Expérience naturelle : Tentative d'utiliser le déploiement du Home Health Value-Based Purchasing (HHVBP) dans neuf États comme choc exogène, bien que les limitations des données de la période de pré-traitement aient empêché un design formel de différence de différences.

Résultats Clés
L'étude conclut que la relation dotation-qualité n'est pas identifiée de manière stable dans les données disponibles, présentant une instabilité significative de l'estimand selon l'estimateur choisi :

1. Fonction de Coût ($C(N)$) : La relation entre l'intensité de la dotation et le coût de la main-d'œuvre est robustement positive à travers tous les estimateurs ($\beta \approx +212$ à $+447$ par patient par unité de dose, $p < 0,001$). Cela s'aligne sur une identité comptable où les coûts de main-d'œuvre augmentent avec les ETP.
2. Fonction de Qualité ($Q(N)$) :
   • Within-CRE : A produit un résultat nul ($\beta = +0,014, p=0,50$) qui était hautement fragile au levier ; le retrait des 0,1 % d'observations les plus influentes a inversé le signe vers le négatif.
   • Pooled & Between-Agency : Les deux ont produit des associations négatives statistiquement significatives ($\beta \approx -0,036$ à $-0,037, p \approx 0,02–0,03$), suggérant que une dotation plus élevée est corrélée à une qualité moindre dans ces spécifications, probablement en raison de facteurs de confusion non résolus.
   • Validation BNN : Le retrait de la dose de dotation du modèle a entraîné un changement négligeable de la perte de validation ($-0,17\,\%$), indiquant que l'intensité de la dotation ne porte aucune information prédictive marginale pour la qualité au-delà des covariables.
   • Test d'Équivalence : Le TOST a confirmé que l'effet de la qualité est pratiquement équivalent à zéro par rapport aux références cliniquement significatives ($p \approx 4 \times 10^{-140}$).
3. Analyse de Point Mort : Sous l'hypothèse la plus optimiste (en utilisant la limite supérieure de l'estimation Within-CRE), la réponse de qualité observée est environ 365 fois plus petite que le seuil requis pour compenser le coût marginal d'une dotation supplémentaire.
4. Artefacts de Données : L'étude a identifié deux modes spécifiques de défaillance de la qualité des données :
   • Un changement de convention de reporting en 2017 où environ 20 % des agences sont passées d'un rapport d'ETP fractionnaire à une unité minimale de 1,00, créant une variation intra-agence spécieuse.
   • Un « artefact de dénominateur partagé » où les mesures de qualité et de coût dérivées du même nombre de patients sont mécaniquement corrélées avec la dose de dotation.

Principales Contributions

• Diagnostic d'Identification : Le document fournit une carte diagnostique démontrant que les données de panel administratives actuelles du CMS ne peuvent pas soutenir l'identification d'un niveau de dotation optimal. Il clarifie que cet échec est dû à la structure des données et à l'endogénéité, et non nécessairement à la falsification de la théorie de la fonction de production.
• Boîte à Outils Méthodologique : Il introduit et opérationnalise des procédures de diagnostic spécifiques pour les données CMS, incluant le test de corrélation numérateur-brut, l'ablation de contrôle de N et la validation croisée par dénominateur alternatif pour détecter les artefacts de dénominateur partagé.
• Traduction Économique : Le cadre de point mort traduit les résultats nuls économétriques en affirmations quantitatives pertinentes pour les politiques, montrant que même sous des hypothèses optimistes, le rendement économique d'une dotation supplémentaire en IA est indétectable dans les données actuelles.
• Protocole de Qualité des Données : L'étude documente un protocole de filtrage multi-étapes qui identifie des modes de défaillance de données auparavant non rapportés concernant les rapports d'ETP du CMS et les ratios de coût par patient implausibles.

Signification et Revendications
Le document stipule explicitement que ses conclusions n'impliquent pas que la dotation en personnel infirmier est sans importance pour la qualité des soins à domicile ou qu'un niveau de dotation optimal n'existe pas. Plutôt, l'étude délimite les conditions de données spécifiques requises pour de futurs efforts d'identification.

Les auteurs soutiennent que les données actuelles manquent de la variation exogène nécessaire pour démêler les décisions de dotation des caractéristiques de l'agence (complexité des cas des patients, capacité organisationnelle). Par conséquent, le signe et la signification de la relation dotation-qualité sont contingents au choix de l'estimateur, rendant toute estimation ponctuelle d'un « optimum » peu fiable.

La portée du travail réside dans la réorientation des futurs agendas de recherche. Les auteurs soutiennent qu'une identification fiable nécessitera :

1. Un couplage au niveau du patient des épisodes de dotation aux résultats individuels.
2. Des données de période pré-traitement (pré-2016) pour permettre des designs de différence de différences exploitant le déploiement du HHVBP.
3. Des instruments crédibles (ex: chocs de l'offre de main-d'œuvre locale ou discontinuités réglementaires).
4. Une variation au niveau des États des normes minimales de dotation pour des designs de régression de discontinuité.

En résumé, l'étude conclut que bien que le cadre théorique de la dotation optimale reste valide, la vérification empirique de cet optimum dans les soins de santé à domicile est actuellement empêchée par les limites des données de panel administratives nationales.