Objective. To design a mathematical model which permits pharmacy budgets to be assigned to Health Centres (HC), examining the social and demographic variables and health service usage which explain the variability of the pharmaceutical expenditure (PE) of the HCs.
Design. A descriptive, crossover study.
Setting. 17 HC of the Insitut Català de la Salut (Catalan Health Service) in the city of Barcelona during 1994.
Measurements and main results. Relationships among the following variables at the 17 HCs were studied: pharmaceutical expenditure per inhabitant (PEi), frequency of attendance (FRA), care pressure (CP), percentage of the population 65 or over (P65), percentage of the population with medical records (PPR), index of family economic capacity (IFEC), ratio of comparative mortality (RCM) and ratio of potential years of life lost (RPYLL). In the bivariant analysis, those variables with a statistically significant linear correlation with PEi were FRA (r = 0.67; p < 0.01), PPR (r = 0.56; p < 0.01), IFEC (r = -0.68; p < 0.01), RCM (r = 0.61; p< 0.01) and RPYLL (r = 0.62; p < 0.01). In the multivariant analysis, IFEC, P65 and FRA enabled 94% of the PEi variability to be explained (r2 = 0.94; p < 0.001). Through multiple regression, a mathematical formula for calculating the PE of HCs was obtained.
Conclusion. The model presented enables pharmacy budgets to be assigned to the HCs if the IFEC, P65 and FRA of the population attended is known.
Introducción
España es uno de los países de la Unión Europea que gasta en salud una proporción más baja de su producto interior bruto1. A pesar de ello, el aumento del gasto sanitario ha puesto en duda la continuidad de algunas prestaciones sanitarias y ha obligado a los gestores a poner en marcha estrategias de contención presupuestaria.
Entre los distintos capítulos del gasto sanitario, uno de los que ha generado una mayor preocupación por su volumen y por su crecimiento, es el gasto generado por el consumo farmacéutico. El gasto farmacéutico (GF), que supone aproximadamente un 20% del gasto global del Sistema Nacional de Salud y un 50% del gasto generado en atención primaria, representó el año 1994 un total de 643.701 millones de pesetas, con un incremento respecto al año 1993 del 5,63%2. Las previsiones con respecto a los próximos años son alarmantes3.
Entre las razones que han motivado este aumento se citan: a) el aumento del precio medio de las nuevas especialidades farmacéuticas, que pasó de alrededor de 1.000 ptas., a principios de los años 80, a 2.654 ptas., en 1994; b) el uso de esos nuevos medicamentos por parte de los profesionales responsables de la prescripción, que ha comportado un aumento del gasto medio por receta; c) el envejecimiento de la población, que ha supuesto un aumento de la población pensionista exenta de pago de los medicamentos y consumidora de fármacos y d) la universalización de la cobertura del sistema nacional de salud.
Por otra parte, la falta de motivación e incentivación del colectivo médico para integrar el concepto de eficiencia en los procesos diagnóstico-terapéuticos4,5 no ha favorecido el desarrollo de iniciativas y modelos de gestión destinados a controlar el gasto del capítulo de farmacia desde los CS.
Para estudiar los factores que influyen sobre el GF se han llevado a cabo en nuestro país estudios de las características de los médicos hiperprescriptores6 y sobre las diferencias entre los distintos modelos de CS7,8. La mayoría de los estudios son de tipo descriptivo o se basan en intervenciones sobre la calidad de la prescripción9,10, pero no se plantean analizar los factores que influyen en el GF. En otros países se han investigado los factores que intervienen en el GF11-13 y se han iniciado estrategias para disminuirlo, ya sea con medidas meramente economicistas, como imponiendo tiquets moderadores14-16 e incentivando la prescripción de genéricos17, ya en el contexto de programas de mejora de la calidad de la prescripción18. En España, las autoridades sanitarias han llevado a cabo experiencias como la regulación del precio de los medicamentos y de los márgenes comerciales, la revisión de la financiación pública de las especialidades farmacéuticas, y la actuación sobre los grandes prescriptores. En opinión de la mayoría de expertos, todas ellas tienen un efecto muy limitado a medio y largo plazo19,20.
Para controlar el GF, algunos autores proponen la descentralización de la gestión de los presupuestos de farmacia21,22. De hecho, desde la aprobación de los planes de salud, en algunas comunidades autónomas se están estableciendo contratos-programa con los CS23 basados en objetivos de salud. Estos cambios hacen posible asignar unos recursos concretos para el GF de cada CS y considerarlo un capítulo cerrado. ¿Cómo puede decidirse cuánto dinero va a asignarse a este capítulo?
En la ciudad de Barcelona, el GF de los 17 CS de l'Institut Català de la Salut en funcionamiento durante 1994, varió de 11.216 a 23.239 pesetas por habitante censado. Presupuestar según el gasto histórico podría favorecer a los CS con una prescripción menos eficiente y perjudicaría a aquellos CS que tienen una prescripción más acorde con las necesidades reales de salud de la población.
Por otra parte, asignar una misma cantidad por habitante a todos los centros sería una opción poco equitativa, porque las poblaciones atendidas no son homogéneas y por lo tanto no puede serlo el capítulo correspondiente a GF.
Tenemos que pensar, pues, que hay factores dependientes de las características de la población que explican parte de la variabilidad del GF de los CS. Los objetivos de nuestro trabajo son establecer en qué medida pueden explicar esa variabilidad algunos factores sociodemográficos y de utilización de los servicios sanitarios que se sugiere en la literatura médica que pueden tener influencia sobre el GF y diseñar un modelo matemático que permita presupuestar el capítulo de farmacia por CS en función de esas variables.
Material y métodos
Se han utilizado los datos correspondientes a los 17 CS de l'Institut Català de la Salut que estaban en funcionamiento en la ciudad de Barcelona durante el ejercicio de 1994. Las variables utilizadas han sido, para cada CS, el gasto farmacéutico por habitante (GFHo), la frecuentación (FREC), la presión asistencial (PA), el porcentaje de personas de 65 o más años (P65), el porcentaje de población historiada (PPH), el índice de capacidad económica familiar (ICEF), la razón de mortalidad comparada (RMC) y la razón de años potenciales de vida perdidos (RAPVP).
El GFHo, expresado en pesetas por habitante para el año 1994, se obtuvo de dividir el gasto de farmacia de los médicos generales de cada CS (obtenido de la Unidad de Farmacia de la Subdivisión de Atención Primaria de Barcelona) entre la población de 15 o más años de la Zona Básica de Salud (ZBS).
La FREC (expresada en consultas al CS por habitante y año) y la PA (expresada en visitas por equipo médico/enfermera por día) se obtuvieron de la Unidad de Estadística Asistencial de la Subdivisión de Atención Primaria de Barcelona.
El P65 es el porcentaje de personas de 65 o más años de la población de 15 o más años.
El PPH es el porcentaje de historias abiertas por cada 100 habitantes censados.
El ICEF es un indicador sin unidades que cuantifica el nivel socioeconómico. Fue desarrollado por el Servicio de Estadística del Ayuntamiento de Barcelona en colaboración con el Departamento de Estadística e Investigación Operativa de la Universitat Politècnica de Catalunya, y agrega las variables que se muestran en la tabla 124. Se dispone de este indicador a nivel de subunidades censales y fue calculado para cada ZBS por el Servicio de Estadística Asistencial de la Subdivisión de Atención Primaria de Barcelona.
La RMC se obtuvo de dividir la tasa de mortalidad estandarizada por el método directo de cada ZBS entre la tasa de mortalidad de Barcelona. La RAPVP se obtuvo de dividir la tasa de años potenciales de vida perdidos en la población de 1 a 70 años estandarizada por el método indirecto entre la tasa de años potenciales de vida perdidos de Barcelona. Estas dos variables (RMC y RAPVP) se obtuvieron con los datos de mortalidad de Barcelona durante el período 1989-1993.
Se utilizó el censo de 1991 para el cálculo de los valores de todas las variables en el denominador de las cuales constaba la población de la ZBS. En uno de los CS se modificó el censo, debido a que su PPH era inferior a 2 DE de la media del PPH de Barcelona, y se calculó la población atendida mediante una aproximación aritmética.
Para el estudio de la asociación entre la variable considerada dependiente (GFHo) y las consideradas independientes (FREC, PA, P65, PPH, ICEF, RMC y RAPVP) se utilizó en el análisis bivariante la correlación lineal, mientras que en el análisis multivariante se utilizó la regresión múltiple siguiendo el método stepwise.
Se comprobó mediante el test de Kolmogorov-Smirnov que todas las variables utilizadas tenían una distribución normal. También se comprobaron las condiciones de aplicación del modelo lineal de regresión múltiple.
En todas las pruebas de hipótesis realizadas se consideró el nivel de significación p<0,05. Se utilizó el valor F de Snedecor para la significación del coeficiente de correlación lineal de Pearson (r) y la t de Student-Fisher para la significación de los coeficientes de regresión parcial.
Para el tratamiento estadístico de los datos se utilizó el paquete estadístico SPSS/PC.
Resultados
La descripción de las variables se muestra en la tabla 2.
Las variables que tuvieron una correlación estadísticamente significativa con el GFHo fueron: la FREC (r=0,66; p<0,01), el PPH (r=0,56; p<0,01), el ICEF (r=-0,68; p<0,01), la RMC (r=0,61; p<0,01) y la RAPVP (r=0,62; p<0,01). Las correlaciones entre variables y su grado de significación se muestran en la tabla 3.
En el análisis multivariante, la variable que explicó un mayor porcentaje de la varianza del GFHo fue el ICEF (coeficiente de determinación (r2)=0,46; p=0,002). En el siguiente paso, la variable que explicó un mayor porcentaje de la varianza del GFHo no explicada por el ICEF es el P65 (r2=0,73; p=0,0001). Posteriormente es la FREC la variable que entra en el modelo (r2=0,94; p<0,0001) (tabla 4). Así, el ICEF, el P65 y la FREC explican un 94% de la variabilidad del GFHo.
Con las tres variables que admite el modelo matemático se obtiene la siguiente fórmula estimadora del gasto farmacéutico por habitante:
GFHe= 3.894 + (-55,36a*ICEF) + (344,34b*P65) + (2.089,87c*FREC)
GFHe=gasto farmacéutico estimado por habitante
Intervalos de confianza del 95% de los coeficientes de regresión parcial:
a= -96,04/-14,69
b= 265,99/422,68
c=1.427,87/2751,87
Al introducir en esta ecuación los valores de las variables consideradas independientes (ICEF, P65 y FREC), se obtiene un gasto farmacéutico estimado por habitante (GFHe) distinto para cada CS. En la tabla 5 se muestra para cada CS el GFHe, el GFHo y la desviación presupuestaria (DPRE) (obtenida a través de la fórmula (100 * [GFHo - GFHe / GFHe]). En la figura 1 se muestran los límites del intervalo de confianza que contiene el 95% de los valores de la media del GFHe para cada CS, el GFHo y la media del GFHo en Barcelona
Discusión
El GFHo de los CS de Barcelona es sensiblemente superior al gasto por persona protegida del Instituto Nacional de la Salud y al encontrado por otros autores españoles25. Sin embargo, hay que tener en cuenta que su cálculo está sujeto a diversas inexactitudes.
A nivel de numerador nos encontramos con un porcentaje de las prescripciones que no pueden ser atribuidas a un profesional concreto por no poder reconocerse los datos que figuran en el cuerpo de la receta (por ser el sello "ilegible" o por estar los datos cumplimentados manualmente). En Catalunya esta cifra se sitúa entre el 5 y el 7%. Por otra parte, tampoco se han incluido en el estudio las recetas que son realizadas por el nivel especializado, sino sólo las realizadas por el EAP.
A nivel del denominador se utiliza en el cálculo la población censada, que no se corresponde con la población realmente atendida. Es de sobras conocida la inexactitud del censo, que además tiene una importante variabilidad entre las distintas ZBS (en función de tasas de migración, características socioeconómicas, etc.). A esto debemos añadir el volumen, también muy variable, de población con residencia temporal y transeúntes (conocidos en su conjunto como "desplazados"). Rollan Landeras et al26, comentan en un artículo que este tipo de población supuso un 6% de las visitas a un CS y un 13% de los avisos domiciliarios durante un año. Hay que tener en cuenta además el porcentaje de población que no utiliza los servicios sanitarios públicos. Todo ello implica que el denominador que utilizamos no sea el real. En teoría, la utilización como denominador del número de historias clínicas abiertas podría paliar esta inexactitud, pero presenta también una importante variabilidad en cuanto a criterios de apertura de historia clínica y actualización de archivos en cada EAP. Preferimos utilizar la población censada, porque la causa de la variabilidad es externa al propio EAP y no puede ser modificada por éste. Por otra parte, si bien el PPH podría corregir en parte estos problemas, es una variable que no es utilizada por el modelo de regresión múltiple.
Nuestro trabajo se proponía como objetivo diseñar un modelo que permitiera a la empresa financiadora de los servicios sanitarios presupuestar el capítulo de farmacia para una determinada ZBS en función de las variables que lo determinan. Por ello, se han incluido en el estudio tan sólo aquellas que dependen de la población y no se han considerado las variables que hacen referencia al modelo organizativo del EAP o al tipo de profesional. Estos aspectos pueden y deben interesar a los proveedores de los servicios, pero no deben ser considerados para definir la financiación.
El hecho de que la FREC tenga una correlación significativa con el GF ha sido comentado por otros autores27-29. De hecho, en nuestro estudio es la variable que tiene una mayor correlación. La FREC no es una variable que dependa sólo de las características de la población (demográficas, socioeconómicas, culturales, de morbilidad, etc.), ya que el tipo de organización y las características de los profesionales influyen también sobre ella30. Sin embargo, consideramos que en CS con organizaciones más o menos similares, estos factores tienen escasa relevancia y su variabilidad depende básicamente de los aspectos de la población comentados. Por otra parte, creemos que al utilizar la FREC podemos compensar en parte las inexactitudes del censo a las que anteriormente habíamos hecho referencia.
Es lógica la correlación existente entre el GFHo y el P65, al ser los mayores de 65 años pensionistas en su mayoría y tener cubierta la práctica totalidad de su consumo farmacéutico.
No sorprende el hecho de que exista una correlación lineal estadísticamente significativa entre el GFHo y el ICEF, puesto que los niveles socioeconómicos más bajos se han asociado a una mayor morbilidad y con ello a un mayor consumo de fármacos. También es lógico que el ICEF tenga una correlación lineal negativa estadísticamente significativa con la FREC, puesto que es conocido que las poblaciones con un nivel socioeconómico mayor utilizan menos los servicios sanitarios públicos31.
La falta de estadísticas de morbilidad válidas para las ZBS quedan suplidas por las dos variables de mortalidad (RMC y RAPVP), que se utilizan en los estudios epidemiológicos como una aproximación indirecta a la morbilidad32.
Los modelos de regresión ya han sido utilizados otras veces para predecir el gasto farmacéutico33,34, aunque las variables utilizadas no han sido siempre las mismas.
El estudio de Morton-Jones y Pringle33, realizado en Inglaterra con un objetivo similar al nuestro, encuentra 4 variables que explican el 80,7% de la variabilidad del coste de la prescripción: la list inflation (que viene a suponer un elemento corrector de la diferencia entre población censada y población atendida), la tasa de mortalidad estandarizada, el porcentaje de pensionistas y el porcentaje de pacientes con pago por adelantado.
En nuestro país, varios estudios34,35 han encontrado una buena correlación entre el GFHo y el porcentaje de personas de 65 o más años, y entre el GFHo y el número de médicos por cada 1.000 habitantes. Ninguno de estos trabajos utiliza variables de mortalidad.
Por otro lado, sólo Catalán y Parellada35 han utilizado la FREC, si bien el efecto corrector de la inexactitud del censo que le atribuimos a esta variable puede en cierto modo semejarse a la denominada list inflation, que es la variable con mejor correlación en el estudio de Morton y Pringle33. Esto, unido al hecho de que se ha trabajado con EAP de una área urbana concreta y con un modelo de funcionamiento bastante homogéneo permite entender que con sólo tres variables se pueda explicar el 94% de la variabilidad del GFHo.
¿Podemos aplicar en la práctica el modelo propuesto, es decir, establecer presupuestos de farmacia según la fórmula obtenida?
Es evidente que existen dos tipos de limitaciones importantes. Por un lado las limitaciones que impone la fiabilidad de los datos, ya que los sistemas de infomación actuales aún no ofrecen suficientes garantías de disponer de datos precisos y recogidos con criterios uniformes. Y por otro lado las limitaciones del reducido ámbito de aplicación, tanto en lo referente al número de EAP del estudio como a estar realizado en una única ciudad, sin tener, por tanto, validez para ser aplicado directamente en el ámbito rural ni en otros medios urbanos.
Sin embargo, creemos que la realización de estudios similares más amplios y la paulatina mejoría de los sistemas de información actuales nos ha de permitir en breve plazo presupuestar con esta metodología que, sin duda, siempre será más justa que asignar presupuestos "históricos" que en algunos casos pueden llegar a castigar a quien mejor está trabajando.
Agradecimientos
A Carme Borrell, del Institut Municipal de la Salut de Barcelona, por los datos suministrados de la razón de mortalidad comparada y la razon de años potenciales de vida perdidos en Barcelona.
A CArme Sanz, de la Unidad de Estadísticas Asistencial de la Subdivisión de Atención Primaria, por facilitarnos los datos de actividad, ICEF y gasto farmacéutico.
