Patientupplevd vårdkvalité utifrån olika bakgrunder

Abstract

I uppsatsen har jag undersökt om och hur mycket olika bakgrundsfaktorer hos patienter påverkar hur nöjda de är med vårdkvalitén. Uppsatsen begränsar sig till läkarbesök inom den offentliga Primärvården (Närhälsan) i VGR.

Vi har använt oss av två olika metoder för att analysera data från Nationell Patientenkät från hösten 2011. Dessa är Binär logistisk regression och LASSO logistisk regression. Vi har valt logistisk regression därför att den beroende variabeln inte har intervallskala. Resultaten från bearbetningar i mjukvaran SAS, från binär logistisk regression och från ”R” LASSO regressionen har varit överensstämmande.

De koefficienter som är signifikanta har redovisats och i kombination med givna formler kan vi om man önskar göra en prediktering. Resultaten från Binär logistisk regression ger de mer ”rättvisande” koefficienterna, medans koefficienterna eller redovisade modeller från LASSO är bäst lämpade att använda sig av vid prediktering, eftersom de krympta parametrarna ger en bättre precisering, vid prediktion.

Det är vår egen upplevelse av vår hälsa och ålder som har störst betydelse för vad vi tycker om vårdkvalitén. De som upplever sin hälsa som dålig är mycket mer missnöjda än de som anser sig ha mycket god hälsa. De yngre är betydligt mer missnöjda med vården än äldre personer. Om patienten har svenska som modersmål eller inte har en ganska stor betydelse. De som inte har svenska som modersmål är mer missnöjda med vården än de med svenska som modersmål. Det har oftast inte någon betydelse om vi besöker Vårdcentralen många eller få gånger eller vilken utbildningsnivå den vårdsökande har. Kön har en viss betydelse. Män är mer nöjda än kvinnor.

Hur skiljer sig de två metoderna från varandra ? Med Binär logistisk regression använder vi oss av vanlig Maximum Likelihood skattning. Se sid 28, bilaga 2. Med denna metod redovisas de mer ”rättvisande” koefficienterna, standardavvikelse samt om de är signifikanta eller inte. Endast de signifikanta koefficienterna har tagits med. Vi har också använt oss av LASSO logistisk regression, se sid 35, bilaga 3. Med LASSO görs en Maximum likelihood skattning av de krympta parametrarna. I nästan samtliga fall har LASSO koefficienterna ett värde närmare 0 än de koefficienter vi får med binär logistisk regression. Med LASSO ökar bias i koefficienter men variansen minskar. Fördelen med LASSO blir då att koefficienterna är bättre lämpade för prediktering. I denna undersökning med data från Nationell Patientenkät, har vi en mycket stor mängd data. Vi har då en fördel av LASSO som väljer ut åt oss de variabler som har störs påverkan på y (nöjd patient). Vi kan slopa de mindre viktiga koefficienterna. En nackdel med LASSO och även andra krympningsmetoder är att det är svårt att beräkna standardavvikelse på krympta koefficienter, då krympningen leder till betydande bias. Genom Cross-validering eller Bootstrapping, kan vi genom repetitiva körningar, testa delmängder mot delmängder, få fram koefficienter men tyvärr bara en approximativ bild av variansen kring koefficienterna, p g a betydande bias.

Ju lägre lambda värde, desto högre värde på t, L1 norm, (se sid 35). Ju högre värde på t, se L1 Norm, (se till höger i figuren) desto fler koefficienter blir kvar i modellen och krympningen är mindre. När lambda värdet är högre, blir t värdet lägre, krympningen större och fler koefficienter antar värdet 0.