The .gov means it’s official.
Federal government websites often end in .gov or .mil. Before
sharing sensitive information, make sure you’re on a federal
government site.
The
https://
ensures that you are connecting to the
official website and that any information you provide is encrypted
and transmitted securely.
As a library, NLM provides access to scientific literature. Inclusion in an NLM database does not imply endorsement of, or agreement with,
the contents by NLM or the National Institutes of Health.
Learn more:
PMC Disclaimer
Zhong Nan Da Xue Xue Bao Yi Xue Ban.
2022 May 28; 47(5): 619–627.
Language:
Chinese
|
English
湖南省脑卒中30 d再入院的空间分布及其影响因素
Spatial distribution of stroke readmission within 30 days and the influencing factors in Hunan Province
,
1
,
1
,
1
,
1
,
2
,
3
,
3
,
1
,
1
and
1
赖 静敏
中南大学湘雅公共卫生学院流行病与卫生统计学系,
410078
程 锦
中南大学湘雅公共卫生学院流行病与卫生统计学系,
410078
王 仕文
中南大学湘雅公共卫生学院流行病与卫生统计学系,
410078
史 静琤
中南大学湘雅公共卫生学院流行病与卫生统计学系,
410078
史 千山
湖南省卫生健康委信息统计中心,
410008
王 萍
湖南省卫生健康委信息统计中心,
410008
邓 静
中南大学湘雅公共卫生学院流行病与卫生统计学系,
410078
童 卓雅
中南大学湘雅公共卫生学院流行病与卫生统计学系,
410078
肖 桂真
中南大学湘雅公共卫生学院流行病与卫生统计学系,
中南大学湘雅公共卫生学院流行病与卫生统计学系,
410078
中南大学临床药理研究所,
410078
湖南省卫生健康委信息统计中心,
410008
Corresponding author.
2
检验,服从偏态分布的连续变量采用Kruskal-Wallis
H
检验。使用ArcGIS 10.8制作湖南省脑卒中30 d再入院率的空间分布地图,并且进行空间自相关分析和空间回归分析。因再入院率的直方图呈正偏态分布,故将再入院率均加1后取自然对数值,使数据趋于正态分布后进行空间自相关和回归分析。检验水准
α
=0.05,
P
<0.05为差异有统计学意义。
采用ArcGIS 10.8绘制专题地图,以同一颜色不同深浅表示30 d再入院率,颜色越深则表示该区域30 d再入院率越高。
空间自相关分析包括全局自相关分析和局部自相关分析,分别从全局范围和局部范围内判定是否具有空间聚集性,Moran’s
I
指数表示空间自相关大小,Moran’s
I
绝对值离1越近,表明空间数据越有可能存在空间聚集性。局部自相关则采用局域Moran’s
I
进行分析,再计算
Z
值,如果
Z
>1.96,表明该区域周围的值均相对较大,在空间上呈高值聚集。
空间回归分析包括普通线性回归模型(ordinary linear regression,OLS)和地理加权回归分析(geographically weighted regression,GWR)。OLS即普通最小二乘线性回归,估计的回归系数为常数,而GWR得到的回归系数会随着空间的位置变化而变化,可以解释每个因素对局部区域的影响。
2. 结 果
2.1. 基本情况
湖南省2018年共17.28万名脑卒中患者住院治疗、其中6 953名患者在30 d内因脑卒中再入院治疗,全省30 d再入院率为4.09%。其中男4 434人(63.77%)、女2 519人(36.23%),年龄为(64.95±12.72)岁。缺血性脑卒中患者4 722人(67.91%)、脑出血患者1 828人(26.29%)、蛛网膜下腔出血患者403人(5.80%)。4大区域再入院患者的第1次住院天数之间的差异有统计学意义(
Hc
=215.85,
P
<0.001)。4大区域再入院患者的脑卒中分型、合并症情况、并发症情况、第1次住院手术情况和第2次住院手术情况之间的差异均有统计学意义(均
P
<0.05,
)。
表1
湖南省
4
大区域脑卒中再入院患者特征
Table 1 Characteristics of readmission patients of stroke in 4 regions of Hunan Province
变量
|
长株潭城市群
(
n
=2 123)
洞庭湖城市组团
(
n
=1 355)
|
湘南城市组团(
n
=1 715)
|
大湘西城市组团(
n
=1 760)
|
Hc
/χ
2
|
第1次住院天数
|
13(7, 22)*†‡
|
10(5,18)†
|
8(2,16)‡
|
10(4,18)
|
215.85
|
<0.001
|
脑卒中分型/[例(%)]
|
|
|
|
|
15.56
|
0.016
|
缺血性脑卒中
|
1 407(66.28)
|
926(68.34)
|
1 171(68.28)
|
1 218(69.20)
|
|
|
脑出血
|
586(27.60)
|
374(27.60)
|
440(25.66)
|
428(24.32)
|
|
|
蛛网膜下腔出血
|
130(6.12)
|
55(4.06)
|
104(6.06)
|
114(6.48)
|
|
|
合并症/[例(%)]
|
|
|
|
|
56.04
|
<0.001
|
有
|
1 523(71.74)
|
860(63.47)
|
1 058(61.69)
|
1 223(69.49)
|
|
|
无
|
600(28.26)
|
495(36.53)
|
657(38.31)
|
537(30.51)
|
|
|
并发症/[例(%)]
|
|
|
|
|
17.44
|
0.001
|
有
|
180(8.48)
|
80(5.90)
|
91(5.31)
|
116(6.59)
|
|
|
无
|
1 943(91.52)
|
1 275(94.10)
|
1 624(94.69)
|
1 644(93.41)
|
|
|
第1次住院接受3级及以上的手术/[例(%)]
|
|
|
|
|
19.06
|
<0.001
|
有
|
122(5.75)
|
51(3.76)
|
71(4.14)
|
53(3.01)
|
|
|
无
|
2 001(94.25)
|
1 304(96.24)
|
1 644(95.86)
|
1 707(96.99)
|
|
|
第2次住院接受3级及以上的手术/[例(%)]
|
|
|
|
|
54.14
|
<0.001
|
有
|
49(2.31)
|
41(3.03)
|
117(6.82)
|
79(4.49)
|
|
|
无
|
2 074(97.69)
|
1 314(96.97)
|
1 598(93.18)
|
1 681(95.51)
|
|
|
2.2. 空间统计分析
2.2.1. 脑卒中30 d再入院率空间分布
脑卒中30 d再入院率为0~11.08%。湖南省脑卒中再入院率呈“几”字形分布,西部、东北部和东南部较高,中部较低。再入院率最高的区县包括湘阴县、安仁县、辰溪县、会同县、泸溪县和花垣县(
)。
2.2.2. 脑卒中30 d再入院率空间自相关特征
由全局空间自相关分析可得,Moran’s
I
指数为0.06,差异无统计学意义(
P
=0.28)。进一步进行局部空间自相关分析,结果显示:局部聚集主要分布在2个区域:东北部(长沙市的望城区、长沙县、开福区、芙蓉区、雨花区、天心区、岳麓区,湘潭市的韶山市、雨湖区和岳塘区,株洲市的石峰区和荷塘区)和西部(怀化市的溆浦县)(
)。
2.2.3. 脑卒中30 d再入院率空间回归分析
经OLS分析,合并症患者比重、每万人口医院数和每万人口基层医疗卫生机构数是脑卒中再入院的主要相关因素,标准化回归系数分别为0.36、-0.17和0.10。各因素在各区县的分布见
。以30 d再入院率为因变量,对上述3个自变量进行地理加权回归分析。对模型回归残差进行空间自相关分析得到Moran’s
I
值为-0.02(
P
=0.63),表明回归残差在空间分布上具有随机性,GWR模型整体测算效果良好。
3个主要相关因素的回归系数分布结果显示:合并症患者比重的回归系数均为正值,大致呈现由东向西递增的趋势(
A)。每万人口医院数的回归系数呈现由西向东递增的趋势,且西部和西南部地区回归系数为负值,其余地区为正值(
B),提示西部和西南部地区医院数越少,再入院率越高,而东部地区医院数越多,再入院率越高。每万人口基层医疗机构数的回归系数呈现东北部-南部-西部地区逐渐增加的趋势,且东北部地区回归系数为负值(
C),提示东北部地区基层医疗机构数越少,再入院率越高,而其他地区相反。
3. 讨 论
本研究结果表明湖南省脑卒中30 d再入院率为4.09%,高于《湖南省“十三五”卫生与健康规划》中的目标,表明降低再入院率任重而道远。以泸溪县为代表的西部地区和湘阴县为代表的东部地区再入院率较高,以衡山县为代表的中部地区再入院率较低。各区县间再入院率差异较大,可能的原因包括:1)环境因素的差异,如温度和空气污染物等气象因素的影响;2)经济发展水平的差异,既往研究
[
28
]
指出贫困地区患者再入院的可能性高于其他地区;3)生活方式的差异,健康行为水平高的患者再入院的风险较低;4)卫生服务可及性的差异,如长株潭地区拥有较多医疗资源配置,卫生保健利用率高
[
23
,
28
-
30
]
。
湖南省4大区域的自然地理条件、资源人口分布和经济社会环境存在差异,且这些均为再入院的重要影响因素
[
21
,
23
]
。由再入院率的分布地图和局部自相关结果可知,湖南省再入院率偏高和热点地区为东北部地区和西部地区,分别属于4大区域中的长株潭城市群和大湘西城市组团。东北部地区聚集区域多数(7/12)集中在长沙市,可能与长沙市的医疗资源配置有关,湖南省近1/4的三级医院集中在长沙市,住院服务人次多和卫生保健利用率高的地区往往是入院热点地区
[
29
]
。长株潭城市群的合并症患者比重和并发症患者比重均高于其他地区,该地区首诊的患者病情更为复杂。其次该地区医疗资源丰富,患者的需求能够得到很好地释放,脑卒中重症患者更倾向于选择综合实力较强的医院,再入院的概率也相对较高
[
31
]
。西部地区再入院率相对较高,可能与当地经济落后,医疗资源相对不足,患者无法得到充分救治有关。西部地区的溆浦县、泸溪县、会同县及辰溪县等在2018年尚未实现脱贫摘帽,为贫困县
[
32
-
33
]
。Hu等
[
28
]
的研究指出贫困地区的患者再入院的可能性比其他地区的患者高24.00%。由
可知,大湘西地区第2次住院进行3级及以上手术的比例(4.49%)高于第1次住院进行3级及以上手术的比例(3.01%),提示该地区的医疗机构可能无法满足患者的诊疗需求,需要转上级医院再入院进行手术治疗。相关部门应确定脑卒中再入院的重点防治区域,针对性地优化卫生资源配置,提高医疗卫生服务质量,完善出院服务计划以降低再入院率,这对提高患者生存质量、减轻患者家庭和社会的经济负担具有积极意义
[
30
]
。
本研究提示合并症为脑卒中再入院的影响因素,合并症多,治疗难度增大,再入院概率增加
[
17
]
。本研究再入院率分布与合并症患者比重分布趋势相近,且合并症患者比重标准化回归系数为0.36,高于其他2个因素,说明预防合并症的发生是减少再入院的最重要因素。西部和东部地区合并症患者比重高于其他地区,但合并症患者比重的回归系数为西高东低。西部地区首诊患者的合并症情况对再入院具有显著的影响,其次是北部地区,提示西部和北部地区应重视对脑卒中合并症的治疗,提高首诊医疗服务质量。东部地区虽然合并症患者比重高,但对再入院的影响相对较小,提示该地区通过提供优质的医疗服务,有效降低了再入院率。全省每万人口医院数较均衡。每万人口医院数的回归系数示西部和西南部地区医院数越少,再入院率越高,提示患者的医疗需求可能未得到满足。2018年大湘西地区暂无县域三级综合医院,因此西部地区应大力加强区域内医疗机构建设,提升医疗服务质量,降低因治疗不充分而再入院的概率。东部地区医院数越多,再入院率越高,东部地区患者入院选择更多,也可能存在不必要的住院治疗。东北部地区每万人口基层医疗机构数的回归系数为负数,建议东北部地区强化初级卫生保健工作建设
[
34
]
。西部地区脑卒中合并症患者比重相对较大并且基层医疗机构配置优越,可以帮助患者更早地发现问题并提醒患者再入院进行治疗,起到较好的“守门人”作用,再入院率也相应升高
[
11
]
。
综上,脑卒中再入院率的相关因素在地理空间分布上存在异质性,提示湖南省不同区域防控工作侧重应有所不同,继而有效控制湖南省脑卒中30 d再入院率。
本研究存在局限性:1)再入院原因之一可能是科室出于缩短平均住院日的目的或医疗保险结算要求
[
35
]
,本研究未能将这部分排除。2)根据首诊的医疗机构所在地区进行分组,居住地对患者再入院的影响未被纳入。期望在后续相关研究中得以改进。
基金资助
国家科技基础资源调查专项(2018FY100900);湖南省自然科学基金(2020JJ4772)。
This work was supported by the National Science & Technology Fundamental Resources Investigation Program (2018FY100900) and the Natural Science Foundation of Hunan Province (2020JJ4772), China.
作者贡献
赖静敏 论文构想、撰写和修改,统计分析;程锦、王仕文、史静琤 论文构想,批评性审阅;钟卫军、史千山、王萍、邓静 数据采集;童卓雅、肖桂真 批评性审阅。所有作者阅读并同意最终的文本。
原文网址
http://xbyxb.csu.edu.cn/xbwk/fileup/PDF/202205619.pdf
参考文献
1.
宇传华, 罗丽莎, 李梅, 等.
从全球视角看中国脑卒中疾病负担的严峻性
[J].
公共卫生与预防医学
, 2016,
27
(
1
): 1-5.
[
Google Scholar
]
YU Chuanhua, LUO Lisha, LI Mei, et al..
From the global views to understand the seriousness of the burden of stroke in China
[J].
Journal of Public Health and Preventive Medicine
, 2016,
27
(
1
): 1-5.
[
Google Scholar
]
2.
Zhou MG, Wang HD, Zeng XY, et al..
Mortality, morbidity, and risk factors in China and its provinces, 1990—2017: a systematic analysis for the Global Burden of Disease Study 2017
[J].
Lancet
, 2019,
394
(
10204
): 1145-1158. 10.1016/S0140-6736(19)30427-1.
[
PMC free article
]
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
3.
Lichtman JH, Leifheit-Limson EC, Jones SB, et al..
Predictors of hospital readmission after stroke: a systematic review
[J].
Stroke
, 2010,
41
(
11
): 2525-2533. 10.1161/STROKEAHA.110.599159.
[
PMC free article
]
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
4.
Lee HC, Chang KC, Huang YC, et al..
Readmission, mortality, and first-year medical costs after stroke
[J].
J Chin Med Assoc
, 2013,
76
(
12
): 703-714. 10.1016/j.jcma.2013.08.003.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
5.
苗晓慧, 赵俐红, 涂双燕, 等.
脑卒中病人再入院率及相关因素研究进展
[J].
护理研究
, 2016,
30
(
14
): 1684-1686. 10.3969/j.issn.1009-6493.2016.14.007. [
CrossRef
]
[
Google Scholar
]
MIAO Xiaohui, ZHAO Lihong, TU Shuangyan, et al..
Research progress on readmission rate of stroke patients and its related factors
[J].
Chinese Nursing Research
, 2016,
30
(
14
): 1684-1686. 10.3969/j.issn.1009-6493.2016.14.007. [
CrossRef
]
[
Google Scholar
]
6.
栗桂萍.
再入院统计评价及其影响因素分析
[J].
中国卫生统计
, 2007,
24
(
2
): 174-176. 10.3969/j.issn.1002-3674.2007.02.021. [
CrossRef
]
[
Google Scholar
]
LI Guiping.
Statistical evaluation of readmission and analysis of its influencing factors
[J].
Chinese Journal of Health Statistics
, 2007,
24
(
2
): 174-176. 10.3969/j.issn.1002-3674.2007.02.021. [
CrossRef
]
[
Google Scholar
]
7.
Norrving B, Kissela B.
The global burden of stroke and need for a continuum of care
[J].
Neurology
, 2013,
80
(3
Suppl 2
): S5-S12. 10.1212/WNL.0b013e3182762397.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
8.
Bambhroliya AB, Donnelly JP, Thomas EJ, et al..
Estimates and temporal trend for US nationwide 30-day hospital readmission among patients with ischemic and hemorrhagic stroke
[J].
JAMA Netw Open
, 2018, 1(4)
:
e
181190
[2019-07-19]. 10.1001/jamanetworkopen.2018.1190.
[
PMC free article
]
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
9.
Nouh AM, McCormick L, Modak J, et al..
High mortality among 30-day readmission after stroke: predictors and etiologies of readmission
[J].
Front Neurol
, 2017,
8
: 632. 10.3389/fneur.2017.00632.
[
PMC free article
]
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
10.
Jencks SF, Williams MV, Coleman EA.
Rehospitalizations among patients in the Medicare fee-for-service program
[J].
N Engl J Med
, 2009,
360
(
14
): 1418-1428. 10.1056/NEJMsa0803563.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
11.
Bhattacharya P, Khanal D, Madhavan R, et al..
Why do ischemic stroke and transient ischemic attack patients get readmitted?
[J].
J Neurol Sci
, 2011,
307
(
1/2
): 50-54. 10.1016/j.jns.2011.05.022.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
12.
Conner KO, Meng HD, Marino V, et al..
Individual and organizational factors associated with hospital readmission rates: evidence from a US national sample
[J].
J Appl Gerontol
, 2020,
39
(
10
): 1153-1158. 10.1177/0733464819870983.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
13.
Vahidy FS, Donnelly JP, McCullough LD, et al..
Nationwide estimates of 30-day readmission in patients with ischemic stroke
[J].
Stroke
, 2017,
48
(
5
): 1386-1388. 10.1161/strokeaha.116.016085.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
14.
Kaboli PJ, Go JT, Hockenberry J, et al..
Associations between reduced hospital length of stay and 30-day readmission rate and mortality: 14-year experience in 129 Veterans Affairs hospitals
[J].
Ann Intern Med
, 2012,
157
(
12
): 837-845. 10.7326/0003-4819-157-12-201212180-00003.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
17.
Wen TC, Liu BY, Wan X, et al..
Risk factors associated with 31-day unplanned readmission in 50, 912 discharged patients after stroke in China
[J].
BMC Neurol
, 2018,
18
(
1
): 218-228. 10.1186/s12883-018-1209-y.
[
PMC free article
]
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
18.
Lin HJ, Chang WL, Tseng MC.
Readmission after stroke in a hospital-based registry: risk, etiologies, and risk factors
[J].
Neurology
, 2011,
76
(
5
): 438-443. 10.1212/WNL.0b013e31820a0cd8.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
19.
Hsieh CY, Lin HJ, Hu YH, et al..
Stroke severity may predict causes of readmission within one year in patients with first ischemic stroke event
[J].
J Neurol Sci
, 2017,
372
: 21-27. 10.1016/j.jns.2016.11.026.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
20.
Bjerkreim AT, Khanevski AN, Selvik HA, et al..
The impact of ischaemic stroke subtype on 30-day hospital readmissions
[J].
Stroke Res Treat
, 2018,
2018
: 7195369. 10.1155/2018/7195369.
[
PMC free article
]
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
21.
Herrin J, St Andre J, Kenward K, et al..
Community factors and hospital readmission rates
[J].
Health Serv Res
, 2015,
50
(
1
): 20-39. 10.1111/1475-6773.12177.
[
PMC free article
]
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
22.
Shimizu E, Glaspy K, Witt MD, et al..
Readmissions at a public safety net hospital
[J/OL].
PLoS One
, 2014,
9
(
3
): e91244 [2019-10-11]. 10.1371/journal.pone.0091244.
[
PMC free article
]
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
23.
Calvillo-King L, Arnold D, Eubank KJ, et al..
Impact of social factors on risk of readmission or mortality in pneumonia and heart failure: systematic review
[J].
J Gen Intern Med
, 2013,
28
(
2
): 269-282. 10.1007/s11606-012-2235-x.
[
PMC free article
]
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
24.
Naylor MD, Aiken LH, Kurtzman ET, et al..
The care span: the importance of transitional care in achieving health reform
[J].
Health Aff (Millwood)
, 2011,
30
(
4
): 746-754. 10.1377/hlthaff.2011.0041.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
25.
Cui Y, Torabi M, Forget EL, et al..
Geographical variation analysis of all-cause hospital readmission cases in Winnipeg, Canada
[J].
BMC Health Serv Res
, 2015,
15
: 129. 10.1186/s12913-015-0807-2.
[
PMC free article
]
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
28.
Hu JH, Gonsahn MD, Nerenz DR.
Socioeconomic status and readmissions: evidence from an urban teaching hospital
[J].
Health Aff (Millwood)
, 2014,
33
(
5
): 778-785. 10.1377/hlthaff.2013.0816.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
29.
Wang Y.
Geospatial analysis of spatial patterns of U.S. hospital readmission rates
[D]. Minnesota: Walden University, 2017.
[
Google Scholar
]
30.
Andrews AW, Li DM, Freburger JK.
Association of rehabilitation intensity for stroke and risk of hospital readmission
[J].
Phys Ther
, 2015,
95
(
12
): 1660-1667. 10.2522/ptj.20140610.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
31.
黄姣姣.
上海市居民就医选择行为影响因素分析
[D]. 上海: 上海交通大学, 2017. 10.27307/d.cnki.gsjtu.2017.000077. [
CrossRef
]
[
Google Scholar
]
HUANG Jiaojiao.
Analysis on the influencing factors of Shanghai residents’ hospital selecting behavior
[D]. Shanghai: Shanghai Jiao Tong University, 2017. 10.27307/d.cnki.gsjtu.2017.000077. [
CrossRef
]
[
Google Scholar
]
34.
Oddone EZ, Weinberger M.
Hospital readmission rates: are we measuring the right thing?
[J].
Ann Intern Med
, 2012,
157
(
12
): 910. 10.7326/0003-4819-157-12-201212180-00013.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
35.
曹秀堂, 郑超, 刘建寨, 等.
住院患者再住院系列指标在质量管理监测中的应用
[J].
中国卫生质量管理
, 2015,
22
(
1
): 50-53. 10.13912/j.cnki.chqm.2015.22.1.16. [
CrossRef
]
[
Google Scholar
]
CAO Xiutang, ZHENG Chao, LIU Jianzhai, et al..
Use of the re-hospitalization indexes for inpatients in quality management monitoring
[J].
Chinese Health Quality Management
, 2015,
22
(
1
): 50-53. 10.13912/j.cnki.chqm.2015.22.1.16. [
CrossRef
]
[
Google Scholar
]
Articles from
Journal of Central South University Medical Sciences
are provided here courtesy of
Central South University