Emergency Care in India: A Retrospective Cross-sectional Analysis of Health Management and Information System and Global Burden of Disease

Deze retrospectieve cross-sectionele analyse vergelijkt in 2019 de gegevens van het Health Management and Information System (HMIS) en de Global Burden of Disease (GBD) voor spoedeisende zorg in India, waarbij wordt geconcludeerd dat er aanzienlijke discrepanties bestaan tussen de geregistreerde patiëntaantallen en de geschatte ziektefarde, wat wijst op de noodzaak van verbeterde data-integratie om regionale ongelijkheden aan te pakken.

De kern

De Grote Indiaanse Spoedeisende Hulp: Een Verhaal over Twee Verschillende Kaarten

Stel je voor dat India een enorm, drukke stad is. In deze stad zijn er duizenden ziekenhuizen die fungeren als de "spoedeisende hulp" (de EMD). De auteurs van dit onderzoek wilden weten: Hoe goed werkt deze spoedeisende hulp eigenlijk, en hoeveel mensen hebben er echt hulp nodig?

Om dit te begrijpen, hebben ze niet één, maar twee verschillende kaarten gebruikt om de stad in kaart te brengen. Het probleem? Deze twee kaarten lieten heel verschillende beelden zien.

Kaart 1: De Administratieve Logboek (HMIS)

De eerste kaart is het HMIS. Dit is als het grote administratieve logboek van de overheid. Elke keer als iemand een ziekenhuis binnenloopt, zou dit in het boekje moeten worden genoteerd.

• Wat ze zagen: Ze zagen ongeveer 119 miljoen mensen die een ziekenhuis binnenliepen.
• Het probleem: Dit logboek is niet compleet. Het is alsof je een school probeert te tellen, maar de leerlingen die naar de bibliotheek gaan, vergeten hun naam in het boekje te zetten. Slechts 12% van de gevallen had een duidelijke diagnose (zoals "ongeval" of "hartaanval"). De rest was een vage "zieke persoon".
• Het resultaat: De administratie vertelt ons hoeveel mensen daadwerkelijk het ziekenhuis hebben bereikt, maar het vertelt ons niet hoeveel mensen er eigenlijk ziek waren en misschien thuis zijn gebleven.

Kaart 2: De Wetenschappelijke Schatting (GBD)

De tweede kaart is de GBD (Global Burden of Disease). Dit is een enorme, geavanceerde computer die alle beschikbare informatie verzamelt en er slimme wiskundige modellen op loslaat. Het is alsof een super-intelligente detective die probeert te raden hoeveel mensen ziek zijn, zelfs als ze nooit naar het ziekenhuis gaan.

• Wat ze zagen: Deze computer schatte dat er 2,04 miljard gevallen van noodsituaties waren!
• Het contrast: Dit is een enorm verschil. De administratie (HMIS) zag 119 miljoen, de computer (GBD) zag 2 miljard.

Waarom is er zo'n groot verschil?

Stel je voor dat je een bak met appels hebt.

• De administratie telt alleen de appels die in de mand liggen die je kunt zien.
• De computer probeert te schatten hoeveel appels er in de hele boomgaard liggen, inclusief die die op de grond liggen of in de struiken verstopt zitten.

De auteurs geven drie redenen voor dit enorme verschil:

1. Vergeten noteren: Veel ziekenhuizen (vooral privéziekenhuizen) vullen hun logboeken niet goed in. Het is alsof de kassa's in de supermarkt soms niet werken.
2. De "Drie Vertragingen": Veel mensen komen niet eens in het ziekenhuis. Ze wachten te lang om een beslissing te nemen, ze kunnen de weg niet vinden, of ze krijgen geen plek in het ziekenhuis. Ze zijn ziek, maar staan niet in het logboek.
3. Verschillende definities: Wat voor de ene dokter een "noodgeval" is, is voor de andere misschien niet. Soms wordt een diagnose in het logboek anders geschreven dan in de computer.

Wat betekent dit voor de mensen?

De studie toont aan dat er in India een groot gat zit tussen de werkelijke behoefte aan noodgezorg en de werkelijke zorg die wordt geleverd en geregistreerd.

• In sommige staten (zoals Kerala en Goa) lijkt de administratie goed te werken; er komen veel mensen.
• In andere staten (zoals Bihar of Rajasthan) is het gat enorm. Hier zijn waarschijnlijk veel meer mensen ziek dan het logboek laat zien, maar ze komen niet bij de dokter.

De Les voor de Toekomst

De onderzoekers zeggen: "We kunnen de stad niet goed besturen als we alleen kijken naar het logboek en niet naar de werkelijkheid."

Om de spoedeisende hulp in India te verbeteren, moeten ze:

• Betere logboeken: Zorg dat elke dokter, in elk ziekenhuis (ook privé), elke patiënt correct registreert.
• Standaardisatie: Zorg dat iedereen hetzelfde woord gebruikt voor dezelfde ziekte.
• Investeren: Meer ambulances en betere wegen, zodat mensen de "tweede vertraging" (het reizen naar het ziekenhuis) kunnen overbruggen.

Kortom: India heeft een enorme noodzaak aan spoedeisende hulp, maar we weten het niet precies omdat onze "tellers" niet goed werken. Om levens te redden, moeten we eerst leren beter tellen.

Technische samenvatting

Titel

Noodhulp in India: Een retrospectieve cross-sectionele analyse van het Health Management and Information System (HMIS) en de Global Burden of Disease (GBD).

1. Het Probleem

India staat wereldwijd op de 144e plaats van 195 landen wat betreft toegang tot en capaciteit voor directe zorg bij medische noodgevallen. Hoewel 90% van de sterfgevallen gerelateerd aan spoedeisende medische aandoeningen (Emergency Medical Conditions, EMC's) voorkomen had kunnen worden met tijdige zorg, is het systeem in India gefragmenteerd.
De kernproblemen zijn:

• Data-gaten: Er ontbreekt een gestandaardiseerde database voor populatieniveau-uitkomsten van EMC's op staats- en landelijk niveau.
• Fragmentatie: Noodhulpdiensten variëren sterk per staat en district qua patiëntenaantallen, protocollen en beschikbaarheid van middelen (zoals ambulances).
• Data-discrepantie: Er is een gebrek aan vergelijkbaarheid tussen lokaal verzamelde gezondheidsdata (via HMIS) en gepubliceerde schattingen van ziektefarde (via GBD), wat het moeilijk maakt om de werkelijke behoefte aan noodhulp te kwantificeren.

2. Methodologie

Dit onderzoek is een retrospectieve cross-sectionele analyse van gegevens uit 2019 (financieel jaar 2019-2020). De auteurs hebben twee primaire databronnen gebruikt en deze met elkaar vergeleken:

• Data Bron 1: Health Management and Information System (HMIS):

  • Aard: Gezondheidsinstellingsdata (facility-level data) verzameld van overheids- en particuliere ziekenhuizen.
  • Gegevens: Registraties in de Spoedeisende Hulp (EMD), opnames, sterfgevallen en specifieke oorzaken (trauma, brandwonden, slangenbeten, acute hartklachten, cerebrovasculaire incidenten, obstetrische complicaties).
  • Berekening: Rates per 100.000 inwoners en per 100.000 ziekenhuisopnames, gebaseerd op bevolkingsprognoses uit de Indiase volkstelling van 2011.

• Data Bron 2: Global Burden of Disease (GBD) 2019:

  • Aard: Populatieniveau-schattingen (model-based estimates) van het Institute for Health Metrics and Evaluation (IHME).
  • Scope: Incidentie en sterfte voor 31 gedefinieerde EMC's (waarvan er 29 relevant waren voor India in 2019, exclusief gele koorts en ebola).
  • Methode: Geavanceerde statistische modellering om ontbrekende data te imputeren en bias te corrigeren.

• Analyse:

  • De auteurs hebben de data op nationaal en staatsniveau geanalyseerd.
  • Ze hebben de overlap tussen de 31 GBD-EMC's en de HMIS-categorieën in kaart gebracht (Supplementaire Tabel 2).
  • Er zijn vergelijkingen gemaakt tussen registratiepercentages, sterftecijfers en populatie-rates tussen beide systemen.

3. Belangrijkste Resultaten

A. HMIS-gegevens (Gebruik van diensten):

• Registraties: In 2019 werden 119.103.358 patiënten geregistreerd in EMD's (ongeveer 8.935 per 100.000 inwoners). 95,86% van deze registraties vond plaats in publieke faciliteiten.
• Datakwaliteit: Slechts 12,14% van alle HMIS-registraties had specifieke oorzaak-gegevens (cause-specific data).
• Oorzaken: Trauma was de meest geregistreerde oorzaak (8,22% van alle registraties), gevolgd door obstetrische complicaties (1,86%) en acute hartklachten (0,81%).
• Regionale variatie:
  • Registratie: Manipu had het hoogste registratiepercentage (30.124 per 100.000 opnames), Rajasthan het laagste. Delhi had de hoogste populatie-gebaseerde registratie (48.749 per 100.000 inwoners).
  • Sterfte: Haryana had het hoogste sterftecijfer in de EMD (74.746 per 100.000 ziekenhuissterfgevallen), West-Bengalen het laagste.

B. GBD-gegevens (Ziektefarde):

• Totale last: GBD schatte 2,04 miljard incidenten van EMC's en 4,8 miljoen sterfgevallen in 2019.
• Proporities: EMC's vertegenwoordigden 27,22% van alle ziekte-incidentie en 51,71% van alle sterfte in India.
• Top oorzaken: Diarree had de hoogste incidentie (120.789 per 100.000), ischemische hartziekte de hoogste sterfte (109,23 per 100.000).
• Regionale variatie: Odisha had de hoogste incidentie, Nagaland de laagste. Chhattisgarh had de hoogste sterfte, Mizoram de laagste.

C. Vergelijking en Discrepanties:

• Enorme kloof: Het aantal HMIS-registraties (119 miljoen) is extreem laag vergeleken met de GBD-schatting van incidenten (2 miljard). Dit suggereert een enorme onderregistratie of onderbenutting van diensten.
• Oorzakenvergelijking:
  • Trauma: 8,22% in HMIS vs. 7% in GBD.
  • Obstetrie: 1,8% in HMIS vs. 0,85% in GBD.
  • Acute hartklachten: 0,81% in HMIS vs. 0,23% in GBD.
• Regionale verschillen: Staten zoals Kerala, Sikkim en Andhra Pradesh vertoonden de grootste verschillen tussen HMIS-registraties en GBD-incidenties. Staten met hoge sterftecijfers in HMIS (zoals Haryana en Punjab) wijzen op kwaliteitsproblemen in de zorgverlening.

4. Belangrijkste Bijdragen

1. Eerste landelijke vergelijking: Dit is een van de eerste studies die systematisch de Indiase HMIS-data vergelijkt met GBD-schattingen om de kloof tussen werkelijke ziektefarde en gebruik van noodhulpdiensten in kaart te brengen.
2. Identificatie van data-kwaliteitsproblemen: De studie benadrukt dat slechts een fractie (12%) van de HMIS-data oorzaak-specifiek is, wat beleidsvorming bemoeilijkt.
3. Regionale prioritering: De auteurs identificeren specifieke staten die dringend actie nodig hebben:
   • Staten met grote registratiegaten (bijv. Manipur, Goa, Rajasthan) hebben behoefte aan betere data-infrastructuur.
   • Staten met hoge sterftecijfers (bijv. Haryana, Punjab) hebben behoefte aan verbetering van de zorgkwaliteit.
4. Beleidsopties: Het paper pleit voor de invoering van een gestandaardiseerd "Emergency Care Data Set" (vergelijkbaar met het NHS in Engeland) en betere training voor personeel om data-kwaliteit te verbeteren.

5. Betekenis en Conclusie

De studie concludeert dat er een significante discrepantie bestaat tussen de geschatte last van spoedeisende aandoeningen (GBD) en de geregistreerde zorggebruik (HMIS). Dit wijst op twee hoofdproblemen:

1. Onderbenutting: Veel patiënten bereiken de noodhulp niet vanwege barrières (transport, bewustzijn, vertrouwen).
2. Onderregistratie: Bestaande data-systemen zijn onvolledig, vooral in de particuliere sector en qua oorzaak-specifieke data.

Implicaties:

• Er is een dringende noodzaak voor een dedicatie nooddatabank in India die zowel publieke als particuliere ziekenhuizen omvat.
• Standaardisatie van terminologie en registratieprotocollen is essentieel om resources eerlijk te verdelen.
• Zonder betrouwbare data kan de overheid de "drie vertragingen" (beslissen, reiken, ontvangen) niet effectief aanpakken, wat leidt tot vermijdbare sterfgevallen.

De studie dient als een waarschuwing dat huidige gezondheidsindicatoren de werkelijke omvang van de noodhulpcrisis in India onderschatten en dat investeringen in data-integratie en infrastructuur cruciaal zijn voor de volksgezondheid.