Development and Validation of an Acute Heart Failure-Specific Mortality Predictive Model Based on Administrative Data

BackgroundAcute heart failure (AHF) with its high in-hospital mortality is an increasing burden on healthcare systems worldwide, and comparing hospital performance is required for improving hospital management efficiency. However, it is difficult to distinguish patient severity from individual hospital care effects. The aim of this study was to develop a risk adjustment model to predict in-hospital mortality for AHF using routinely available administrative data.MethodsAdministrative data were extracted from 86 acute care hospitals in Japan. We identified 8620 hospitalized patients with AHF from April 2010 to March 2011. Multivariable logistic regression analyses were conducted to analyze various patient factors that might affect mortality. Two predictive models (models 1 and 2; without and with New York Heart Association functional class, respectively) were developed and bootstrapping was used for internal validation. Expected mortality rates were then calculated for each hospital by applying model 2.ResultsThe overall in-hospital mortality rate was 7.1%. Factors independently associated with higher in-hospital mortality included advanced age, New York Heart Association class, and severe respiratory failure. In contrast, comorbid hypertension, ischemic heart disease, and atrial fibrillation/flutter were found to be associated with lower in-hospital mortality. Both model 1 and model 2 demonstrated good discrimination with c-statistics of 0.76 (95% confidence interval, 0.74-0.78) and 0.80 (95% confidence interval, 0.78-0.82), respectively, and good calibration after bootstrap correction, with better results in model 2.ConclusionsFactors identifiable from administrative data were able to accurately predict in-hospital mortality. Application of our model might facilitate risk adjustment for AHF and can contribute to hospital evaluations.

RésuméIntroductionEn raison de sa mortalité hospitalière élevée, l’insuffisance cardiaque aiguë (ICA) est un fardeau de plus en plus lourd pour les systèmes de soins de santé à l’échelle mondiale. Ainsi, la comparaison de la performance hospitalière est nécessaire pour améliorer l’efficience de la logistique hospitalière. Toutefois, il est difficile de distinguer la gravité de l’état de santé du patient des effets des soins hospitaliers individuels. Le but de cette étude était de développer un modèle d’ajustement au risque pour prédire la mortalité hospitalière par ICA en utilisant les données administratives couramment disponibles.MéthodesLes données administratives ont été extraites de 86 hôpitaux de soins de courte durée du Japon. Nous avons sélectionné 8620 patients hospitalisés ayant une ICA d’avril 2010 à mars 2011. Des analyses multivariées de régression logistique ont été menées pour analyser les divers facteurs liés aux patients qui pourraient influencer la mortalité. Deux modèles prédictifs (modèles 1 et 2; sans et avec la classification fonctionnelle de la New York Heart Association, respectivement) ont été élaborés, et la méthode d'autoamorçage a été utilisé pour la validation interne. Les taux de mortalité attendus ont ensuite été calculés pour chaque hôpital par l’application du modèle 2.RésultatsLe taux global de mortalité hospitalière a été de 7,1 %. Les facteurs indépendamment associés à la mortalité hospitalière élevée ont inclus l’âge avancé, la classification de la New York Heart Association et l’insuffisance respiratoire grave. En revanche, l’hypertension associée à une maladie, la cardiopathie ischémique, et la fibrillation et le flutter auriculaires ont été associés à une plus faible mortalité hospitalière. Les modèles 1 et 2 ont démontré par les statistiques C une bonne discrimination de 0,76 (intervalle de confiance à 95 %, 0,74-0,78) et de 0,80 (intervalle de confiance à 95 %, 0,78-0,82), respectivement, et une bonne calibration après la correction par méthode d'autoamorçage par de meilleurs résultats au modèle 2.ConclusionsLes facteurs identifiables des données administratives ont été en mesure de prédire avec précision la mortalité hospitalière. L’application de notre modèle pourrait faciliter l’ajustement au risque pour l’ICA et peut contribuer aux évaluations hospitalières.