Modeller för att utvärdera en följsamhetsförhöjande insats med hjälp av det svenska läkemedelsregistret Camilla Berglund Uppsala universitet Institutionen för farmaci Ämnesområde: Samhällsfarmaci Vårterminen 2010 Omfattning: 30 hp Handledare: Tobias Renberg, Joakim Söderberg 1 Abstract Introduction: Non-adherence to medication is a widespread public health problem. According to the World Health Organization adherence among patients with chronic disease averages only 50 percent. Improvement of patient adherence saves money and gives health benefits to the public. Support programs are one way to improve patient adherence. One way to measure adherence is to use pharmacy records to calculate the time with enough supply. Aim: The aim of this study is to find a model to calculate adherence from the Swedish prescription database and then to evaluate one support program, Livsstilsguiden from Health Solutions. Methods: From earlier results in the literature the Medication possession ratio model was chosen as assessment method. Results: It was found that the drug´s (Acomplia) short time on the market did not work with the chosen model and therefore one more model was used. It establishes that the patients in the support program Livsstilsguiden, had a significantly better adherence. Conclusion: It is important to continue to support patient in their drug treatment. In this thesis it has been shown that patient adherence is significantly better in the support program. Therefore more patients should be given the possibility to participate in similar support programs. 2 Innehållsförteckning 1. Bakgrund 1.1 Definition av följsamhet 1.2 Följsamhet i ett samhällsekonomiskt perspektiv 1.3. Vad avses med god följsamhet? 1.4 Faktorer som påverkar följsamhet 1.5 Etiska aspekter på följsamhet 1.6 Följsamhetsinsatser 1.7 Health Solutions stödprogram 1.7.1 Läkemedlet Acomplia 1.7.2 Stödprogrammet Livsstilsguiden 1.7.3 Rekrytering till programmet 1.8 Metoder för att mäta följsamhet 1.9 Att mäta uttagsföljsamhet 1.10 Läkemedelsregistret 1.11 Problematik med sammanställning av insatser 4 4 4 5 5 8 8 9 10 11 11 11 13 14 14 2. Syfte 15 3. Metod 3.1 Litteratursökning 3.2. Identifierade modeller för att räkna på uttagsföljsamhet 3.2.1 Utvärdering av beräkningsmodeller 3.2.2 Den modell som valdes 3.2.3 Att räkna på uttagsföljsamhet utifrån läkemedelsregistret 3.2.4 Kombinera med andra beräkningar 3.2.5 Patienter i och utanför stödprogram 3.2.6 Inklusions- och exklusionskriterier 4. Resultat 4.2. Kommentar resultat till den första modellen 4.3. Den nya modellen 4.4. Resultat från den nya modellen 15 15 20 20 21 22 22 23 23 25 25 26 5. Diskussion 30 6. Slutsats 31 7. Framtida perspektiv 31 8. Författarens tack 32 9. Referenser 33 10. Appendix 37 3 1. Bakgrund ”Drugs don´t work in patients who don´t take them.” – C. Everett Koop Läkemedel är den vanligaste behandlingsformen i vården och för många människor är det helt nödvändigt att använda läkemedel dagligen för att må bra. Dessa kroniskt sjuka patienter kommer att följas av läkemedelsbehandling resten av livet [1]. För att använda läkemedel på ett korrekt sätt krävs att rätt läkemedel ges till rätt patient med en individuellt anpassad dosering och behandlingstid. Dessutom ska kostnaden vara lägsta möjliga. Läkemedlet i sig måste ha påvisad effekt samt hålla hög kvalitet och säkerhet [2]. Dock följs inte alltid ordinationer, utan patienter väljer att använda sina läkemedel på ett sådant sätt som passar deras egen syn på diagnosen och behandlingen [3]. Därför är det mycket viktigt med en dialog mellan förskrivare och andra vårdgivare, inklusive apotekspersonal, samt patienten [4]. Bristen på följsamhet till läkemedelsbehandling är ett stort problem. Det bidrar till betydande försämring av sjukdom, död och ökade hälso- och sjukvårdskostnader [5]. Det finns heller ingen enkel lösning på problemet vilket bör ses som den största utmaning för alla inblandade i vårdkedjan [3]. 1.1. Definition av följsamhet På engelska finns två uttryck som båda översätts till följsamhet på svenska; compliance och adherence. Compliance är det äldre uttrycket vilket har fått kritik eftersom det fokuserar på att patienten följer order, utan att ta hänsyn till om patienten är införstådd i behandlingen eller ej [1]. Adherence uppmanar däremot till dialog och definieras enligt WHO: The extent to which a person’s behaviour – taking medication, following a diet, and/or executing lifestyle changes, corresponds with agreed recommendations from a health care provider [6]. Fritt översatt: I vilken utsträckning en persons beteende i avseende att ta läkemedel, följa en diet och/eller genomföra livsstilsförändringar, motsvarar överenskomna behandlingsrekommendationer från vårdgivare. I denna uppsats används ordet följsamhet i betydelsen av det engelska ordet adherence i enlighet med WHO:s definition. 1.2. Följsamhet i ett samhällsekonomiskt perspektiv De läkemedelskostnader för receptbelagda läkemedel som ingår i läkemedelsförmånen och som överstiger 1800 kronor per år och individ bekostas av landstingen [7]. En stor del av läkemedelsbehandlingen i Sverige är således en gemensam investering av samhället som ska användas på bästa sätt. Förskrivarnas ansvar för att uppnå en kostnadseffektiv läkemedelsanvändning är en mycket viktig fråga för landstingen och dess läkemedelskommittéer [1]. Det är dock svårt att hitta uppgifter på vad bristande följsamhet kostar samhället. Förutom oanvända läkemedel och onödigt lidande i och med ökande sjuklighet följer kostnader för vårdbesök, sjukhusinläggningar samt förlorad arbetsinkomst [1]. Enligt en amerikansk studie beräknas brister i läkemedelsanvändningen kosta lika mycket som kostnaden för själva läkemedlen [8]. År 2009 var kostnaderna för läkemedelsförmånen 20,7 miljarder kronor [9]. Arbetsgruppen för bättre läkemedelsanvändning (ABLA) ansåg det 1999 troligt att olämplig 4 läkemedelsanvändning är det största av alla läkemedelsproblem [1]. Även om arbetsgruppens syfte var att förbättra läkemedelsanvändningen är detta ett område som kräver kontinuerliga insatser som måste fortgå även efter arbetsgruppens slut [10]. Det finns alltså all anledning att stödja patienter i deras läkemedelsbehandling både för att uppnå hälsovinster hos individen och ekonomiska vinster för samhället. 1.3. Vad avses med god följsamhet? Precis som WHO påpekar är det inte bara följsamheten till läkemedelsbehandling som omfattas av begreppet adherence. Dock är det främst följsamheten till läkemedel som studeras. Att vara följsam till sin läkemedelsbehandling innebär att hämta ut läkemedlet och att sedan ta dosen enligt överenskommelse. När man räknar på följsamhet räknas oftast en följsamhet ≥80 ≤120 procent som god följsamhet [11-13]. En följsamhet <80 procent är då lika med underanvändning och en följsamhet >120 procent visar på överdriven användning. Om dessa gränser är rimliga har bland annat studerats genom att titta på sjukhusinläggningar. För patienter med schizofreni, hypertension eller hyperlipidemi låg brytpunkten på 80 procent. Var följsamheten högre innebar det färre sjukhusinläggningar. Diabetespatienter hade en något högre brytpunkt [14]. För HIV-läkemedel har det rapporteras ännu högre gränsvärden. En så hög följsamhet som 95 procent kan vara nödvändig, i detta fall för att undvika resistensutveckling [15]. Så väljer man att presentera följsamheten dikotomt (följsam, ej följsam) gäller det att anpassa gränsen utifrån den aktuella behandlingen [14]. Dessvärre visar flera studier att följsamheten hos patienter med kroniska sjukdomar i genomsnitt endast är 50 procent [3,4,6]. Men det finns stora skillnader mellan olika patient- och läkemedelsgrupper. Följsamheten till antidepressiv behandling varierar mellan 40 och 70 procent [16]. Behandling av osteoporos har rapporterat en följsamhet på 68 procent [17] och enligt en australiensk studie är det endast 43 procent av patienterna med astma som tar sina läkemedel som de ska [18]. Ett snitt över receptuttag från apotek i Jönköping visade på mycket låg följsamhet, mellan 20 och 81 procent. Ingen läkemedelsgrupp visade alltså på helt tillfredställande resultat. P-piller var den läkemedelsgrupp som hade det högsta värdet, 81 procent men är speciellt i sammanhanget då användandet av dessa preparat ofta initieras av patienten själv [12]. En förbättrad följsamhet är dock inte självklart lika med ett förbättrat kliniskt resultat [4]. Det kan även finnas fall där det är helt rätt av patienten att avbryta sin läkemedelsbehandling och alltså inte vara följsam, till exempel om patienten misstänker biverkningar. 1.4. Faktorer som påverkar följsamheten Behandling av kroniska sjukdomar tar allt större plats jämfört med behandlingen av akuta fall, därför spelar följsamheten en allt större roll inom sjukvården. Dessa patienter ska behandlas under lång tid. Låg följsamhet får inte ses som något enskilt problem utan ett flertal faktorer spelar in [6]. WHO har definierat fem dimensioner som alla spelar en betydande roll för patientens följsamhet till läkemedelsbehandling. Dessa dimensioner är; socioekonomiska, terapirelaterade, patientrelaterade, sjukdomsrelaterade, och hälso- och sjukvårdsrelaterade. Alla dessa måste tas i beaktning för att på lång sikt uppnå en förbättrad följsamhet i hela samhället [6]. 5 Men vilka och hur de olika faktorerna påverkar följsamheten är inte alltid helt intuitivt och flera studier visar på motstridiga resultat. WHO anger att ekonomin spelar in men patienter med fullt högkostnadsskydd agerar olika. De hade som grupp dels fler överuttag [19], vilket kanske kan förväntas när patienten själv inte längre betalar något, men ändå en lägre uttagsföljsamhet än de som måste betala en viss andel [12]. Patienter med nya diagnoser och de som haft diagnosen kortare tid än de senaste fem åren är mindre följsamma än de som haft sin diagnos längre än fem år [20]. Kanske kan det bero på att man den första tiden inte har, eller vill ta in, tillräcklig kunskap om sin sjukdom. Hos patienter med högt blodtryck har de visats att de flesta patienter är medvetna om sitt värde, men dålig insikt om sin sjukdom. Det vill säga man vet inte vad det beror på eller vilka effekter värdet har [21]. En av de viktigaste faktorerna för hur patienten använder sitt läkemedel är relationen mellan patient och läkare [20]. Misslyckas vården med att informera om hälsovinster, ger för krångliga dosregimer, inte tar hänsyn till patientens livsstil eller kostnaden för patienten, är det en lång väg för patienten att själv vara följsam [5]. I uppföljningssamtal frågas om läkemedelsanvändningen, men oftast utan att gå in djupare på ämnet. Patienterna är ofta passiva i uppföljningssamtal [21]. Ett problem är att de patienter som är i störst behov av hjälp oftast är de som inte dyker upp på sina inbokade möten med läkare [5]. Att inte vara följsam till sin läkemedelsbehandling behöver inte bero på okunskap utan kan vara ett aktivt ställningstagande. Hur sjukdomen och behandlingen påverkar det dagliga livet är två viktiga faktorer för följsamheten [22]. Orsaker som patienter själva uppgett påverka följsamheten negativt är glömska, prioriterat annorlunda, att man beslutat sig för att utelämna vissa doser, brist på information, känslomässiga beslut samt att man inte vet varför [5]. På nästa sida finns en sammanställning av faktorer som kan ha eller har betydelse för följsamheten [5,6,21,23]. Det är alltså både empiriskt och teoretiskt framtagna. Denna bygger på uppgifter från WHO, Kjellgren, Osterberg och Blascheke, Lakatos at al. och Herborg et al.. Sammanställningen utger sig inte för att vara fullständig utan avser endast att tydliggöra vilket komplext område följsamhet är. 6 Vårdform: Öppenvård, Privat vård Läkarens arbetssituation Informationen från läkare till patient Förskrivarens insikt om läkemedelskostnader Etnisk tillhörighet Socialt stöd Utbildning Arbetslöshet Inkomst Läkemedelskostnader Allvarlig sjukdom Asymptomatisk sjukdom Transporter till sjukvård och apotek Tillgång till apotek Kronisk sjukdom Progress i sjukdom/behandling Fysiska/psykiska handikapp Dosregim Formulering Doseringsfrekvens Upplevda biverkningar Antal läkemedel Behandlings duration Täta byten av behandling Känner sig plågad Gör sjukdomen till en del av sin identitet Inställning till behandlingen Patienten förstår inte sin medicinering Nöjd/missnöjd Glömska Ålder, kön Förståelse för livslång behandling Acceptans för behandling Prioriterar följsamhet Figur 1. Faktorer som påverkar följsamhet. Sammanställning av uppgifter från WHO, Kjellgren, Osterberg och Blascheke, Lakatos et al. och Herborg et al. [5,6,21,23]. 7 1.5. Etiska aspekter på följsamhet Inom biomedicinen finns fyra grundläggande etiska principer vilka bör beaktas när det gäller följsamhetsinsatser [24]. godhetsprincipen principen att inte skada rättviseprincipen autonomiprincipen Mer konkret innebär de två första principerna i detta fall att det är viktigt att patientens diagnos är korrekt ställd samt att behandlingen måste vara effektiv i förhållande till denna diagnos, samt att behandlingen passar patienten. Det innebär även att ingen behandling som kan skada får användas och därför är det viktigt att de läkemedel som används är ordentligt testade i syfte att värna om patientsäkerheten. Dock vägs alltid dessa fyra principer mot varandra varför vissa behandlingar kan vara etiskt riktiga i ett fall men inte i ett annat. Det behandlingsmetoder som används på svårt cancersjuka patienter skulle tillexempel inte accepteras som behandling i andra fall. Rättviseprincipen handlar om att alla ska få vård och i detta fall hjälp med sin följsamhet, där kan man alltså diskutera rekryteringen av patienter till olika stödformer. När det gäller autonomiprincipen är det självklart kan man aldrig tvinga en patient om patienten aktivt valt att inte vara följsam, även om detta strider mot behandlande läkares åsikter [24]. Frågan är vad detta beslut grundar sig på. För att ta ett beslut gäller det att ha tillgång till ett bra underlag. Därför är det av yttersta vikt att kommunikationen fungerar mellan patienten och vården [25]. Ett annat problem när det gäller observationsstudier, och för all del stödprogram, är den så kallade Hawthorne-effekten. Den innebär att människor ändrar sitt beteende när de är studerade. Detta gäller oavsett om de känner till hur deras beteende studeras eller ej . Därför kan det vara svårt att veta vad som verkligen påverkar patienter som tar del av följsamhetsförhöjande insatser. Är det själva insatsen som har effekt eller endast det faktum att insatsen genomförts [26]? För detta arbete med registerutdrag ur läkemedelsregistret behövdes i sig inget etiskt godkännande. 1.6. Följsamhetsinsatser “Increasing the effectiveness of adherence interventions may have a far greater impact on the health of the population than any improvement in prescriptions for specific medical treatments” -R.B. Haynes Att följsamheten hos kroniker är så låg och att en ökning av följsamhet dels skulle öka läkemedelsbolagens intäkter dels bespara samhället stora kostnader så borde detta stimulera till en hög prioritering av följsamhet och studier som studerar hur detta ska uppnås. Dock har få förbättringar påvisats bland de studier som finns [4]. För att förstå vilka faktorer som påverkar respektive individ är det viktigt att samtala med patienten. Första steget är alltid förståelse och därefter ta till verktyg för att angripa dessa [20]. Utifrån de faktorer som redovisas i figur 1 kan vissa slutsatser dras. Det gäller att göra det så enkelt som möjligt för patienten. Förenklade dosregimer har exempelvis visats förbättra följsamheten [4]. Dosering en eller två gång om dagen skulle kunna ge högre följsamhet än dosering tre till fyra gånger om dagen. Men dosering en gång om dagen har endast studerats mot två gånger om dagen vilket har visat 8 skillnader i följsamhet men inte i kliniska resultat [4]. För att underlätta ytterligare kan läkemedlen sampackas efter det tillfälle de ska tas i en dosett eller via dosdispensering. Herborg et al. har tagit fram en individbaserad systemmodell att användas av farmaceuter på apotek i Danmark. Fokus ligger på patientrelaterade faktorer, vilka är de faktorer som man har möjlighet att angripa under ett samtal mellan farmaceut och patient [23]. Modellen är uppdelad i fyra diskussionsområden; beteende, motivation, kunskap och läkemedel. Till alla områden finns förslag på åtgärder för att stödja patienten i dennes följsamhet till behandlingen, vilket illustreras nedan i figur 2. I Sverige har Apoteket AB utvecklat rådgivande tjänster där patienter kunnat boka in sig för rådgivning tillsammans med en farmaceut [27]. Rådgivning av farmaceuter ses som lovande både beroende på deras kunskap kring läkemedel men även apotekens tillgänglighet för patienter [28]. Hur dessa typer av tjänster kommer att finnas på den nya omreglerade svenska apoteksmarknaden är dock oklart, då finansieringen är en tung aspekt. Figur 2. Områden att diskutera med patient och förslag på lösningar på hur patentens följsamhet till läkemedelsbehandlingen kan förbättras [23]. 1.7. Health Solutions stödprogram1 Företaget Health Solutions arbetar med tekniska lösningar inom vården. Detta främst genom beslutsstöd och stödprogram. All verksamhet i företaget har som målsättning att öka användningen evidensbaserad vård i all behandling och omhändertagande av patienter med kroniska sjukdomar. 1 All information om Health Solutions stödprogram har erhållits muntligen av Joakim Söderberg, Thomas Ehrengren och Andreas Pettersson. 9 Health Solutions stödprogram riktar sig till patienter som ska stå på läkemedelsbehandling under lång tid och utvecklas specifikt för det aktuella läkemedlet. Stödprogrammet går ut på att patienterna får lära sig mer om sin sjukdom och sitt läkemedel för att motiveras att ta det på rätt sätt. Även icke-farmakologisk behandling är viktig för att motivera och underlätta i vardagen och öka livskvaliteten. Health Solutions arbetar utifrån idén att personlig kontakt är det som har bäst effekt på följsamheten. Patienterna i programmet får en personlig kontakt med en sjuksköterska som ringer upp patienten ett visst antal gånger under programmet och som patienten även själv kan ta kontakt med. Men att ha en massa sjuksköterskor anställda är en dyr tjänst, varför man kombinerar flera automatiserade kontakter. Detta har fallit väl ut och patienter som haft sex stycken telefonsamtal med en sjuksköterska har uppgett att de haft 40 kontakter under ett år. Det är meningen att även epost och sms ska kännas personligt. Till programmet hör även en webportal. Denna ser lite olika ut beroende på hur stödprogrammet är utformat, men den innehåller alltid information om programmet, läkemedlet och en gemensam journal som både Health Solutions sjuksköterskor och patienterna kan se. Ibland har det varit möjligt för förskrivaren att, med patientens godkännande, få åtkomst till dessa uppgifter. Figur 3. De olika verktygen som används i Health Solutions stödprogram. Stödprogrammen har ett förutbestämt slutdatum, oftast ett år framåt i tiden. Något som läggs fram som betydande är vikten av delmål och uppföljning av dessa. Ett sätt att utvärdera stödprogrammen är att jämföra uttagsföljsamheten hos patienter i programmet med övriga som förskrivits samma läkemedel. 1.7.1. Läkemedlet Acomplia Läkemedlet Acomplia (rimonabant) registrerades i juni 2006 [29]. Rimonabant är en selektiv cannabinoid-1-recptor antagonist. Det endocanabinoida systemet påverkar energibalansen, glukosoch lipidmetabolismen samt kroppsvikten. Via neuronerna i det mesolimbiska systemet reglerar rimonabant intaget av begärliga, söta eller feta, livsmedel. Acomplia fick indikationen; tilläggsbehandling till diet och motion för behandling av feta (BMI > 30 kg/m2) och övervikiga (BMI > 27 kg/m2) patienter vid samtidig förekomst av riskfaktorer såsom typ 2-diabetes eller dyslipidemi. Rekommenderad dos till vuxna var 20 mg en gång dagligen. Största viktnedgång fås de första nio månaderna [30]. Låg följsamhet sågs i kliniska studier [31]. Redan i de kliniska prövningarna observerades depressiva symtom hos 10 procent av patienterna och självmordstankar rapporterades hos 1 procent [30]. Dessa biverkningar ledde senare till att Acomplia drogs in 23 oktober 2008 [32]. 10 1.7.2. Stödprogrammet Livsstilsguiden Det stödprogram som inriktade sig på patienter med läkemedlet Acomplia kallades för Livsstilsguiden. Det för dessa patienter är nödvändigt med en livsstilsförändring för att kunna nå behandlingsresultat. Efter ett första startsamtal fick patienten hem ett startpaket som bland annat innehöll information om programmet och en stegräknare. Det fokuserades mycket på att få igång patientens fysiska aktivitet. Acomplia var godkänt som just tilläggsbehandling och ett av samtalen i början av programmet fokuserade därför på detta. I den webportal som tillhörde Livsstilguiden kunde patienten själv registrera vikt och midjemått och sätta upp egna mål, om man inte fått hjälp med detta i vården, som sedan diskuterades med sjuksköterskan. Med hjälp av stegräknaren kunde patienten sedan registrera sin aktivitet och på detta imaginära sätt ta sig igenom en svensk klassiker. På sin sida kunde patienten lägga upp egna påminnelser till sig själv via sms, ta direkt kontakt med en sjuksköterska via en chattfunktion och skapa egna kom ihåg listor. Även kosten är av yttersta vikt för att nå goda behandlingsresultat och patienten kunde fylla i sina måltider. Detta uppmanades patienten särskilt till inför det samtal som skulle handla om kost, både för att de själva skulle börja reflektera och för att sjuksköterskan skulle se var patienten befann sig. När det gäller följsamheten till läkemedelsbehandlingen så kunde patienten själv fylla i missade doser och i samtalen så kontrollerades batchnummer på den förpackning de hade hemma för att få en uppdatering i realtid. För att följa patientens följsamhet användes en Morisky-9 enkät, där patienten får svara på frågor kring hur det går med medicineringen. Figur 4. Översikt av den planerade kontakt som ingick i Livsstilsguiden. 1.7.3. Rekrytering till programmet En stor kritik mot alla liknande åtgärder är att de som kommer med i programmet är de patienter som ändå skulle ha klarat sig själva. Detta var en viktig aspekt för läkemedelsbolaget Sanofi som står bakom Acomplia och som bekostade Livsstilsguiden. Sanofi skapade därför ett instrument för att klassa patienterna ”de som skulle ha varit följsamma i alla fall” och ”de som har stort behov av stöd”. De fann då att de patienter som själva letat upp programmet var patienter som sannolikt skulle ha klarat sig bra även utan programmet medan de patienter som rekommenderades att gå från hälsooch sjukvården var patienter med stort behov av stöd. 1.8. Metoder för att mäta följsamhet Det finns flera sätt att mäta följsamhet på, se tabell 2. Grovt kan dessa delas upp i direkta och indirekta metoder. Direkta metoder kan till exempel innebära att man observerar när patienten tar sitt läkemedel eller att man mäter halten metaboliter i blodet. Indirekta metoder inkluderar bland annat fysiologiska funktioner, patientdagböcker, frågeformulär och data över ofta patienten hämtar ut recept på läkemedlet. Alla dessa metoder har både styrkor och svagheter [1, 5, 33]. 11 Tabell 2. Översikt av metoder för att mäta följsamhet, efter sammanställning av Krigsman [33]. Mätmetod Fördelar Nackdelar Direkta metoder Läkemedelshalt i kroppsvätska Biologiska markörer Objektivt Svårt om läkemedlet har kort Möjlighet att jämföra koncentration halveringstid med effekt Risk för följsamhet endast i anslutning till mätning Individuella skillnader i metabolism Expansiv Objektivt Endast ja/nej svar Bevisar att patient intagit dos Individuella skillnader i metabolism Expansiv Indirekta metoder Egenrapportering Enkelt att använda Patient kan informera om särskilda skäl till att inte vara följsam Icke-expansiv Kan vara svårt att utvärdera Kognitiva eller minnesproblem Överestimering av följsamhet i strävan efter socialacceptans Tabletträkning Objektiv Enkel att använda Icke-expansiv Måste valideras, patient kan slänga tabletter innan räkning Ingen information om läkemedlet tas i rätt tid Överestimering av följsamhet om patienten slänger tabletter En elektronisk mätare i locket som registrerar när burk öppnas, MEMS (medication event monitoring system) Kontinuerliga data Dag och tidsspecifik gällande läkemedelsintag Behållaren kan vara opraktisk, eller förloras Patienten kan öppna burken utan att ta något läkemedel, eller ta en felaktig mängd Underestimering av följsamhet om patienten använde dosett Expansiv Receptdatabaser Objektiv Möjligt att studera stora populationer Longitudinella data Ger tydliga data om ett heltäckande apotekssystem används Icke invasiv Kräver ett omfattande system för att samla information Uthämtade läkemedel är inte likvärdigt med att patienten tar sitt läkemedel Överestimering av följsamhet om ordination ändras men detta inte syns på receptet 1.9. Att mäta uttagsföljsamhet Tanken med uttagsföljsamhet bygger på den grundläggande slutsatsen att utan tillräcklig tillgång på läkemedel kan man omöjligt vara följsam [34]. I och med upprättandet av olika register finns det idag stora möjligheter att studera hur frekvent individer hämtar ut sina läkemedel [11]. Denna metod ger en objektiv bild och är ett bra alternativ när man arbetar med stora material, vilka inte skulle kunna hanteras annars [35,36]. Att använda sig av uttagsföljsamhet ger även möjlighet att på ett tidigt stadium upptäcka brister i en kronisk behandling [3]. Dock är uttagsföljsamhet inget absolut mått på följsamhet. Det visar bara vilka receptbelagda läkemedel som hämtats ut på öppenvårdapotek och säger inget om patientens eventuella behandling på sjukhus. Tydligt är att patienter hämtar ut mindre läkemedel än vad som förskrivs [35]. Av de svenska recepten för 12 påfyllning av kronisk medicinering är det 10-14 procent som inte hämtas ut [37]. Uttagsföljsamhet säger heller inget om hur (om alls) läkemedlet används. Steiner illustrerar hur uttagsföljsamhet kan se ut, se figur 3 [35]. De första tre perioderna har patienten hämtat ut för 30 dagar och när dessa 30 dagar har gått hämtar patienten ut mer. Efter dessa tre perioder gör patienten ett uppehåll om 60 dagar för att sedan hämta ut igen. Nu får patienten hämta för 90 dagar vilket patenten gör och innan de första 90 dagarna är slut har patienten hämtat ut för 90 till. Studieperioden fortsätter dock så länge att man räknar med patientens buffert av läkemedel. När denna är slut ser man att det ändå blir ett glapp i patientens läkemedelsförsörjning. Figur 5. Exempel på hur uttagsföljsamhet kan se ut [35]. 1.10. Läkemedelsregistret ”Det nya nationella läkemedelsregistret i Sverige ger stora möjligheter i framtiden att undersöka läkemedelsanvändningen och därmed uttagsföljsamheten i ett vidare perspektiv.” – K. Krigsman Sedan 1 juli 2005 finns ett register som på individnivå omfattar alla expedierade läkemedel på apotek i Sverige, läkemedelsregistret (LMR) vilket sköts av Socialstyrelsen [38]. Detta register har öppnat för möjligheten att beräkna uttagsföljsamhet nationellt. I LMR kan man utläsa följande uppgifter, för fullständig lista se appendix 1 [39]: Den expedierade varan (identitet, mängd, pris) Datum för expediering Om apoteket bytt ut läkemedlet mot ett generiskt eller parallellimporterat läkemedel Patientens kön Personnummer Folkbokföringsort Totalkostnad uppdelad på kostnad för läkemedelsförmån och patientens egenavgift Förskrivarens yrke och eventuell specialistutbildning samt i vilket län arbetsplatsen ligger, men det går inte identifiera förskrivare eller den specifika arbetsplatsen. Införandet av läkemedelsregistret har öppnat möjligheter som att följa upp långsiktiga risker och nytta med läkemedel och kvalitetsuppföljning av hur läkemedel förskrivs och används i befolkningen. 13 Registret ska inte användas för kontroll av enskilda individer. Under de första fyra åren med LMR har registret använts av forskare, journalister, utredare från olika landsting och representanter från läkemedelsindustrin. Inget samtycke från enskild individ krävs, dock är sekretessen enligt lag(2009:400) absolut [38]. Från läkemedelsregistret kan specifika läkemedelsgrupper plockas ut (femställig ATC-kods nivå) och med tillstånd från det aktuella läkemedelsföretaget kan även uppgifter om en specifik produkt (sjuställig ATC-kods nivå), förutsatt att inget genrika finns, plockas ut ur registret2. Läkemedelsregistret ska inte blandas samman med läkemedelsförteckningen (LMF). Precis som LMR innehåller LMF uppgifter om de receptbelagda läkemedel som hämtats ut på apotek och personuppgifter [22,40]. Tanken är att LMF, till skillnad från LMR ska vara ett praktiskt hjälpmedel [19, 36] för att tillexempel se till att förskrivningen är säker och för att genomföra kontroll innan läkemedlet lämnas ut på apotek [40]. LMR ska heller inte sammanblandas med receptregistret. Detta register är en frivillig service för patienter med elektroniska recept som kan välja att spara dessa i databasen istället för att använda pappersrecept på apotek. 1.11. Problematik med sammanställning av insatser En nackdel med översiktsartiklar är att man bara sammanställer det som finns publicerat. Då finns en riska att man överestimerar förbättringsåtgärder [4]. Dessvärre är resultaten inte särskilt upplyftande och även de som uppnått förbättringar med ökad följsamhet har endast visat på blygsamma resultat [4, 23]. Många artiklar har använt utvärderingar som bygger på självrapportering. Självrapportering har dock visats ge falskt för höga resultat för följsamhet i jämförelser med studier där patienter har fått sina läkemedel i särskilda burkar med elektronisk mätare i locket (MEMS) vilket ger ett sannare värde [4]. Användandet av receptdatabaser ger säkrare utvärdering av åtgärder genom att kunna studera ett större underlag. Detta ger dock endast resultat på populationsnivå och inte på individnivå, varför frågor som hur och för vem det fungerar inte kan besvaras. Sammanfattningsvis kan man säga att en mer frekvent interaktion mellan vårdgivare och vårdtagare är det som har störst effekt på följsamheten [4]. Men att uppnå någon hundraprocentig följsamhet till behandling under lång tid är sannolikt inte möjlig [41]. Det finns inget bevis för att man kan ”bota” dålig följsamhet. Därför krävs följsamhetsförhöjandeinsatser under hela den tid då behandlingen pågår [4]. Det är också viktigt att skilja på den avsiktliga och den oavsiktliga oföljsamheten. De stödinsatser som beskrivits här är främst anpassade till dem som oavsiktligt missar att följa sin behandling. Alla individer gör sitt egna val, dock gäller det att se till att de som väljer att inte följa behandlingen har erhållit tillräcklig kunskap om behandlingen och dess avsedda effekt. 2 Informationen om hur man praktiskt kan använda LMR har erhållits muntligen av Joakim Söderberg. 14 2. Syfte Syftet med detta fördjupningsprojekt är att identifiera modeller och välja ut den mest lämpliga modellen för att utvärdera följsamhetsförhöjande insatser med hjälp av det svenska läkemedelsregistret. Denna ska sedan användas för att utvärdera Livsstilguiden. 3. Metod 3.1. Litteratursökning Litteraturinsamlingen fokuserades på tre olika delområden. Först allmänt inom följsamhetsområdet, där erhölls artiklar från handledare och sökmotorn Google användes för att få tag i källor så som rapporter från myndigheter och andra organisationer nära den svenska läkemedelsförsörjningen. Del två fokuserade på uttagsföljsamhet och beräkningar av denna. Artiklar söktes på PubMed med sökorden: Measure, refill compliance, refill adherence, pharmacy database. Alla referenser som ansågs intressanta följdes upp. Utifrån ISI web of Knowledge plockades ytterligare artiklar fram som citerade de mest intressanta. Del tre fokuserade på stödåtgärder och sökord som: adherence support och improving adherence användes. Alla referenser som ansågs ha ytterligare värde följdes upp. 3.2. Identifierade modeller för att räkna på uttagsföljsamhet Det finns ingen koncensus kring vilken modell som bäst beräknar uttagsföljsamhet. Dock finns det flera modeller föreslagna [35,42,43] Dessa skiljer sig åt men har av Steiner et al. sammanfattas med tre huvudsakliga komponenter [35]: Modellen får fram en variabel som antingen är kontinuerlig eller dikotom Modellen beräknar följsamheten för ett eller flera uttagsintervall Modellen beräknar följsamheten utifrån den tid som patient hade tillgång till läkemedlet eller efter glapp i tillgången Sex undergrupper av beräkningsmodeller för att kunna beräkna uttagsföljsamhet utifrån stora register har identifierats och presenteras i tabell 3. 15 Tabell 3. Identifierade beräkningsmodeller för uttagsföljsamhet. Namn Formel Numrering A. MPR-modeller som räknar utifrån en förbestämd studieperiod, exempelvis 1 år Medication possession ratio, MPR [43-45] * 100 Ekv. A1 Ekv. A2 MED-TOTAL [43,45] Medication refill adherence, MRA [43,45] * 100 Ekv. A3 Medication possession ratio using a fixed 1year period, MPRY [42] Ekv. A4 Continuous Measure of Medication Acquisition, CMA [35,37,45] Ekv. A5 B. Snarlik, men mäter ej överuttag Proportion of days covered, PDC [43,45] * 100 capped at Ekv. B1 C. MPR-modeller som ej tar med sista receptuttag MPR (2) [44] * 100 Ekv. C1 Ekv. C2 Medication possession ratio using a flexible period, MPRF [42] Medication possession ratiomodifie, MPRm [43,45] * 100 Ekv. C3 Ekv. C4. Compliance ratio CR [43,45] Refill compliance rate RCR [43,45] * 100 Ekv. C5 D. Modeller som räknar på luckor, gaps Ekv. D1 MED-OUT [34] 16 Ekv. D2 Continuous measure of medication gap, CMG [35,43,45] Days between fills adherence rate, DBR [43,45] 1 * 100 Ekv. D3 EKv. D4 Continous singleinterval measur of medication gaps, CSG [35] E. Räknar på luckor men även med överskott Ekv. E1 Continuous multiple interval measure of oversupply CMOS [35,46] F. Endast ett uttag MED-INT [34] Ekv. F1 Continuous single interval measure of medication acquisition, CSA [35,43,45] Ekv. F2 Jämfört med andra metoder för att mäta följsamhet är uttagsföljsamhetsberäkning som grundar sig på stora apoteksregister en relativt ny metod [47]. Den mest använda metoden beräknar uttagsföljsamheten som en proportion, eller procentsats, av dagar med tillgång till läkemedlet över en period med flera uttagsintervall, medication possession ratio, MPR [47]. MPR har blivit det mest använda och validerade verktyget för beräknig av uttagsföljsamhet då det både är lätt att använda och resultatet är tydligt, ett högt värde motsvarar en hög följsamhet [47]. Att MPR är mest använt har även vistas i en översiktsstudie av Andrade et al. I denna sammanställdes 136 studier som beräknade följsamhet och kontinuitet utifrån automatiserade databaser och sex fokusområden identifierades, se även tabell 4 [44]: Dagar med tillgång till läkemedlet Avbrott och återupptagande av läkemedelsbehandlingen Byten till andra preparat Luckor i läkemedelsbehandlingen Antalet uttag under en viss tid i proportion till antalet möjliga uttag under samma period Turbulens En majoritet av dessa studier (77 av 136) fokuserade på dagar med tillgång till läkemedlet beräknat med varianter av MPR. I 21 av studierna användes modeller med namnet MPR och i 54 användes snarlika beräkningsmodeller. Två huvudtyper av beräkningsmodeller för MPR användes i 72 av de 77 studierna. Den första beskriver MPR som antalet dagar med tillgång till dos under en specifik 17 studieperiod, exempelvis ett år, dividerat med antalet dagar från första uttag till slutet av studieperioden. Den andra varianten räknade på antalet dagar med tillgång till dos fram till och med sista uttag i studieperioden delat med antalet dagar i studieperioden [44]. * 100 * 100 Ekv. A1 Ekv. C1 Skillnaden mellan de två MPR-modellerna illustreras i figur 6. Figur 6. Illustration av de två huvudsakliga måtten på MPR, det vill säga det procentuella tillgångsmåttet med eller utan sista receptuttag inkluderat, samt mått på luckor, avsaknad av tillgång, i följsamheten [42]. Den tredje metoden som illustreras i figur 6 visar metoden att räkna på luckor. Även detta mått är vanligt förekommande. Vanligtvis definieras detta mått som antalet dagar utan tillgång på dos mellan det att sista dos förbrukats och påföljande uttag beräknat på den mängd läkemedel som hämtat ut från start dag I studieperioden [44]. I de övriga studier som Andrade et al sammanställde så var det framförallt avbrott och återupptagande (discontinuation and continuation rates) som studerades. Detta i 58 av de 136 artiklarna [44]. 18 Tabell 4. Beskrivning av modeller som mäter uttagsföljsamhet och kontinuitet [44]. Typ av mätning Andel dagar med tillgång till läkemedlet. Engelsk terminologi Medication possession ratio (MPR), medication-total (MED-TOT), proportion of days covered (PDC), adherence ratio, refill adherence, compliance rate, continuous multiple-refill-interval measure of medication availability (CMA), adherence index, compliance ratio, compliance index Beskrivning Proportion eller procentsatts av dagar med tillgång till dos över en tidsperiod med flera uttagsintervall. Två huvudsakliga beräkningsmodeller: Avbrott och återupptagande av läkemedelsbehandling Discontinuation, continuation, persistence Vanligtvis definierat som luckor mellan att sista dos förbrukats och påföljande uttag beräknat på den mängd läkemedel som hämtat ut från start dag I studieperioden. Byte Switching Tidsperioden efter uttag för att utvärdera ett byte till annat läkemedel. Få studier. Mått på luckor i läkemedelsbehandlingen Medication-out (med-out), continuous measure of medication gaps (CMG), cumulative gap ratio Antal dagar utan tillgång på dos mellan uttag. Kontinuitet Compliant fill rate, refill persistence, refill rate, renewal rate, refill failure, regularity of use Ett flertal modeller som beskriver proportionen av antalet uttag mot vad som är möjligt under en bestämd tidsperiod. Turbulens Retentiveness, turbulence Mått som beskriver proportionen av alla på varandra följande uttag under en specifik tidsperiod som dubbleras, eller ändras (tillskott, avbruten behandling, byten). å * 100 å ö 19 * 100 3.2.1 Utvärdering av beräkningsmodeller I en jämförelse mellan åtta modeller noterades att fem kunde prediktera färre sjukhusinläggningar hos patienter med diabetes typ II, där MPR och PDC hade den högsta validiteten [45]. Skillnaden mellan dessa två mått är att PDC, Proportion of days covered, sätter stopp vid 100 procent och alltså inte räknar med överuttag. PDC används därför ofta för kortare intervall [43]. I en annan studie CMA, CMOS, MPR och MRA gav ett identiskt värde på följsamhet, där PDC och CMG hade ett något lägre värde [43]. Beräkningsmodeller för följsamhet som tittar över en hel period eller ett år får fram ett sannare värde än de som tittar mellan första och sista uttag i studie mot sjukhusinläggningar [45]. För orala glukossänkare var sensitiviteten högre för MPR (1) och GAP jämfört med MPR (2) och för lipidsänkare var framförallt GAP bättre. I en studie där MED-TOTAL och MED-OUT jämfördes med plasma koncentrationerna fenytoin kunde det konstateras att ökade plasma nivåer korrelerade med ett högre värde på MED-TOTAL och ett lägre värde på MED-OUT. Dock sågs hos patienter med ett högt MED-TOTAL ett sjunkande median värde på utfallet än vad MED-TOTAL gör [34]. Det finns alltså flera resultat som visar på att måttet på hur ofta patienten saknar tillgång till läkemedlet skulle vara mer sant än måttet på tillgång. Men MPR och GAP har i andra studier givit exakt samma resultat. Alla mått som räknar på en icke-följsamhet måste dock omvandlas till ett följsamhetsmått för att inte missförstås [43]. Där har MPR en klar fördel, då resultatet är väldigt intuitivt [45]. MPR (1) har därför rekommenderats över GAP för följsamhetsberäkning både i fall där resultaten varit likvärdiga [43] men även där GAP har givit ett något bättre resultat [42]. MPR rekommenderas med hänvisning till sin enkelhet, att det är få data som krävs för att få fram samma värde som betydlig mer komplicerade modeller, för att få fram ett övergripande värde på följsamhet [43]. MPR ser också över hela perioden och får med de som återupptar sin medicinering [36]. Eftersom MPR är den modell som används mest i följsamhetsstudier utifrån receptdatabaser bör denna användas för att kunna jämföra resultat med andras [45]. Ett problem med MPR som mått är dock att det finns flera modeller beskrivna som alla använder MPR som namn varför beräkningssättet kan behöva specificeras om resultaten avses jämföras med andras [43]. 3.2.2 Den modell som valdes Utifrån de utvärderingar som identifierades i litteraturen beslutades att MPR (1), ekvation A1, var den modell som ansågs vara bäst att utgå ifrån. Detta grundade sig främst på dess tydlighet och enkla beräkning som ändå har visat sig ge riktiga resultat [42,43,45]. För att få möjligt att ta fram data för en annan, främst en längre, tidsperiod sattes variabeln tidsperiod flexibel, så att det är möjligt att titta på andra tidsspann än ett specifikt år. Detta gör även att man kan jämföra år ett med år två och så vidare. Ett problem som diskuterades var att patienter som hämtar ut kring årsskifte, eller nära i anslutning till det datum man satt som start och stopp, skulle kunna få stor påverkan på resultatet om man inte justerar täljaren efter nämnaren. Därför poängterades att man bryter på ett specifikt datum och att de doser som patienten kan tänkas använda efter det specifika datumet ej tas med. Detta illustreras i figur 7 nedan och resulterar i att en följsamhet över 100 procent visar på en överdriven uthämtning. 20 Figur 7. Illustration av MPR (1), urklipp ur bild från Vink et al. [42]. För att MPR ska vara ett bra mått på uttagsföljsamhet ska dessa kriterier vara uppfyllda: En tydlig dosering för alla indikationer som läkemedlet har Kronisk och stabil behandling Ett bra register Patienten ska ha haft läkemedlet en längre tid Följsamhetsdata som ska fås fram ur beräkningarna är: Den totala följsamheten och att kunna följa kurvan Följsamheten uppdelad på kön Följsamheten uppdelad på ålder För att få en bättre bild av situationen tas även dessa uppgifter med: Första gången läkemedlet hämtas ut Patienter som avslutat sin behandling med Acomplia Retention, det vill säga om det är någon skillnad mellan hur länge grupperna står kvar på behandlingen. I beräkningarna läggs antalet dagar med tillgång till dos efter varandra. Detta gör att sista dagen med tillgång till dos kan ligga senare än vad som först verkar uppenbart när man tittar på det sista receptuttaget. Denna förskjutning illustreras efter Rx 3 i figur 7 ovan. Men alla doser som är uttagna under det första året kommer att räknas in i detta års följsamhet, förutom det sista receptuttaget. Där bryts antalet dagar med behandling så att det motsvarar antalet dagar innan och efter årsskiftet. Om en patients sista receptuttag ligger inom den tidsperiod som studeras kommer följsamheten för dessa individer endast att beräknas till och med detta uttag. Detta beslut togs eftersom att efter sista uttag vet vi inte vad som hänt med patienten. Kanske har patienten avslutat behandlingen helt men den kan även fått en ny behandling, antingen med andra läkemedel eller icke-farmakologiskt. Detta medför dock en risk för att följsamheten blir något för hög eftersom det sista receptet alltid kommer att få en följsamhet på 100 procent. Å andra sidan om sista receptuttag ligger tidigt i tidsperioden så skulle de annars få en väldigt låg följsamhet men de kommer att framgå i statistiken över retention. Där redovisas antal patienter med första och sista receptuttag i varje kvartal. 3.2.3 Att beräkna uttagsföljsamhet utifrån läkemedelsregistret Ett problem när man använder sig av läkemedelsregistret är att doseringen där är skriven i fritext. Visserligen kan man koppla läkemedelsregistret med Apoteket ABs varuregister och på så sätt få fram den genomsnittliga förbrukningstiden av förpackningen, då antalet tabletter divideras med 21 huvudindikationens dos för en vuxen människa [48]. För att få fram en robust följsamhetsberäkning är det dock önskvärt att få fram den individuella doseringen. Detta kan göras på olika sätt3: Socialstyrelsen har drivit ett projekt där har identifierat 95 procent av dostexterna till patienter över 80 år. Dessa strängar kan få användas. DUR/EES kan tolka doseringstext, ägs av Apotekens servicebolag. Det kan dock bli svårt att få tillgång till dessa. Identifiera de vanligaste dostexterna och sedan skriva kod för dessa själv. Under ett möte som Joakim Söderberg hade med Apotekens servicebolag framkom att DUR/EES tolkning av dostext nog ska kunna få användas i detta syfte. Men allt tar tid och i detta fall kommer förbrukningsdagarna att räknas fram genom förpackningens definierade dygnsdos (FDDD). Att använda sig av definierad dygnsdos (DDD) och FDDD gör det enkelt att använda sig av receptregister. Problemet är dock att patienten kan få läkemedlet förskrivet för en annan indikation eller med en annan dos än DDD. Detta inkluderar ofta barn och gamla men även andra som av någon anledning avviker från ”vuxens dos enligt huvudindikation”. Används av ett bättre verktyg för att tolka dostext så ökar riktigheten i beräkningarna. Då finns även möjligheten att jämföra olika doseringar med varandra [31]. I pilotsammanhang kan man därför välja att jobba med läkemedel som har en väldefinierad dosering, exempelvis en tablett en gång per dag. 3.2.4 Kombinera med andra beräkningar Det är troligt att det inte finns någon enda modell som kan anses som bäst i alla avseenden när det gäller att mäta uttagsföljsamhet [44]. MPR visar till exempel inte kontinuiteten i medicineringen. Det innebär att om en patient hämtar ut läkemedel helt i sin ordning under årets sex första månader men sedan inte gör det resten av året och så jämför man med en patient som hämtar ut varannan månad under hela året så får de samma värde på MPR. Detta trots att de agerat helt olika [47]. För att få fram en tydligare bild av patientens läkemedelsanvändning kan man kombinera uttagsföljsamheten med uppgifter om byten till andra läkemedel och kontinuiteten i behandlingen. Kombinationen av MPR och kontinuitet kan i god tid visa på patientens följsamhet i ett dynamisktperspektiv. Detta öppnar för möjligheter att komma med åtgärder mot en för låg följsamhet [47]. Ett flertal modeller beskriver även proportionen antalet uttag mot vad som är möjligt under en bestämd tidsperiod. Även byte och turbulens är studerade. Turbulens är ett mått som beskriver proportionen av alla på varandra följande uttag under en specifik tidsperiod. Det vill säga uttag som dubbleras, eller ändras [44]. För om en patient byter till ett annat läkemedel för samma behandling kan ett falskt för lågt värde på följsamheten uppkomma. Ändras doseringen kan falska resultat åt båda håll bli resultatet. 3.2.5 Patienter i och utanför stödprogram Ett program konstruerades enligt de kriterier som satts upp. Data hade seden tidigare begärts ut från LMR för patienter på Acomplia. Patienter i och utanför stödprogrammet redovisades separat och dessa data matchades utifrån ålder och kön. Därefter jämfördes resultatet mellan patienter inom stödprogrammet med patienter utanför. 3 Referens: Andrejs Leijmans, Socialstyrelsen, muntligen. 22 3.2.6 Inklusions- och exklusionskriterier Patienten ska någon gång ha hämtat ut läkemedlet (Acomplia). Patienter som har haft möjlighet att vara med i stödprogrammet i minst 365 dagar skiljdes ut till studiegrupp. Patienter som inte alls deltagit i stödprogrammet matchades efter ålder och kön mot studiegruppen och bildade kontrollgrupp. Det fanns flera kontroller per deltagare i studiegruppen. 4. Resultat Nedan redovisas de resultat som erhölls efter den första beräkningen, vilka redovisar följsamheten under år 2007 och 2008 för patienter i stödprogrammet Livsstilsguiden respektive kontrollgruppen. Tabell 5. Följsamhet för de respektive grupperna under år 2007 i procent. 4 Följsam (%) Grupp Livsstilsguiden 79,0 Kontroll 72,0 Ej följsam (%) 21,0 100,0 27,9 100,0 Tabell 6. Följsamhet för de respektive grupperna under 2008 i procent. Grupp Följsam (%) Livsstilsguiden 68,9 Kontroll 68,1 Ej följsam (%) 31,1 100,0 31,9 100,0 För att beräkna resultatens signifikans och få fram Chi2-värdet användes nedanstående formel, då beräkningarna gjordes för jämförelse av två proportioner [49]: Under 2007 fanns det på 95 procentig nivå en signifikant skillnad i följsamhet mellan grupperna, för beräkningar se appendix. För att se spridningen inom det följsamma intervallet illustreras fördelningen inom det område som räknas som följsamt, 80–120 procent, i figur 8 och 9 nedan. 4 När följsamheten redovisas som följsam/ej följsam så är följsam lika med en tillgång på 80 till 120 procent. 23 Andel patienter (%) Följsamhet 2007 45 40 35 30 25 20 15 10 5 0 Livsstilsguiden Kontrollgrupp Följsamhet (%) l Figur 8. Jämförelse mellan de båda gruppernas följsamma individer 2007. Andel patienter (%) Följsamhet 2008 40 35 30 25 20 15 10 5 0 Livsstilsguiden Kontrollgrupp Följsamhet (%) _ Figur 9. Jämförelse mellan de båda gruppernas följsamma individer 2008. I figur 8 och 9 syns det att trots att det är en högre andel som är följsamma i stödprogrammet, se tabell 5 och 6, så är det en högre andel i kontrollgruppen som prickar in 100 procents följsamhet. Detta skulle kunna bero på fler singelrecept i kontrollgruppen vilka per automatik får en följsamhet på 100 procent. Samtidigt diskuterades om tidsperioden var för kort, då det var förhållandevis få patienter som var med hela 2007 då Acomplia var nyintroducerat. Dessutom fanns inga som var med hela 2008 då Acomplia drogs in 23 oktober samma år. Därför gjordes ytterligare en beräkning där alla singelrecept plockades bort och hela tidsperioden, tredje kvartalet 2006 till sista kvartalet 2008 studerades. 24 25 20 15 10 5 Livsstilsguiden 0 -2,5-2,5 12,5-17,5 27,5-32,5 42,5-47,5 57,5-62,5 72,5-77,5 87,5-92,5 102,5-107,5 117,5-122,5 132,5-137,5 147,5-152,5 162,5-167,5 177,5-182,5 192,5-197,5 Andel patienter (%) Följsamhet hela tidsperioden Kontrollgrupp Följsamhet (%) _ Figur 10. Följsamhetsfördelningen i de båda grupperna under hela den tid då Acomplia fanns på den svenska marknaden. Som syns ovan i figur 10 så blev följsamheten i de båda gruppen väldigt lika. Ingen signifikant skillnad kunde konstateras. 4.1. Kommentar resultat till den första modellen När valet av modell gjordes togs ingen hänsyn till vilket material den skulle komma att användas på. Doseringen och indikation är tydlig i registret, vilket krävs för att kunna göra en beräkning med MPR, men behandlingen har inte varit tillräkligt stabil. Problemet för följsamhetsberäkningen av patienter på Acomplia är alltså dess korta tid på marknaden. Detta gav många nya användare per kvartal, samt att alla var tvungna att avsluta sin behandling på bara två år. Detta fick stort utslag. Många nya användare tillkommer under 2007, eftersom läkemedlet då var nytt på den svenska marknaden, varför de har använt Acomplia under en kortare tid än ett år. Eftersom tiden innan första receptuttag inte räknas med för dessa individer så blir följsamheten hög, framförallt för de patienter som hade sitt första uttag i slutet av 2007. Under 2008 hade alla användare i stället sitt sista receptuttag och då detta uttag får alltid en följsamhet på 100 procent ökas också följsamheten. 4.2. Den nya modellen Då det klargjordes att modellen även i framtiden skulle komma att användas på material likande Acompla, det vill säga nyintroducerade läkemedel, blev det tydligt att den modell som testas inte skulle vara möjlig att använda. Därför togs en ny modell fram. Det första steget i den nya beräkningen blir att alla dagar med tillgång läggs efter varandra om nästa uttag skett innan det första har förbrukats, se figur 7. Då vi inte kommer att ta hänsyn till vilket år själva uttagen är gjorda så kommer denna modell inte att kunna visa på en följsamhet högre än 100 procent. Fokus blir således på när följsamheten är för låg. Hamnar väldigt många på 100 procent kan det antingen bero på att de har väldigt bra följsamhet men också att en del av dessa har hamstrat eller överanvänt sitt läkemedel. Denna modell påminner på så sätt om PDC, se ekv. B1 i tabell 3. Denna mäter inte heller överuttag men har visat på riktiga resultat [45]. Används denna modell tillsammans med data över retention 25 säger denna hur nya användare tar till sig sin nya behandling. Om man hårddrar det hela kan man säga att läkemedelsföretagen inte bryr sig om överförskrivning, -uthämtning, -användning, då de på kort sikt får en högre förtjänst av ett ökat uttag. Då passar också denna modell mycket bra. Detta vore dock att göra en skev bild av verkligheten. Får man indikation på att situationen är sådan, antingen genom att alla ligger på 100 procent eller på annat vis, får man använda en kompletterande modell för att studera överuttaget. För att få en än mer tydlig bild av läget införs statistik över behandlingsuppehåll. Detta innebär om en patient har en stopp på 90 dagar eller längre, så räknas dessa dagar inte med i följsamhetsstatistiken. Att just 90 dagar kom att användas beror på att många recept skrivs för tre månader i taget, så hoppar man över en hel receptperiod räknas det i detta fall som att patienten tagit en så kallad läkemedelssemester (eng. drug holiday). Detta intervall kommer att diskuteras vidare längre fram. Antalet patienter med minst ett uppehåll redovisas per kvartal. Alla singelrecept, oavsett om det gäller ett enda eller som det ligger ett singelrecept efter en läkemedelssemester exkluderas. Återigen resonerades det alltså att man inte kan säga något om patientens beteende efter det sista receptet. Detta gör att sista uttaget alltid får 100 procent följsamhet vilket i sin tur kommer att resultera i en högre följsamhet generellt. Bryter man däremot precis innan det sista receptet fås ett för lågt värde och då denna modell fokuserar på en för liten tillgång till läkemedlet vore det inte rätt att avsiktligt sänka denna. En låg följsamhet kommer således verkligen att innebära en låg följsamhet. En bra följsamhet, på 100 procent, kan dock både vara något sämre men också en alldeles för hög. Resultaten från dessa körningar kommer att redovisas något annorlunda, nämligen kumulativt. Det innebär att resultaten för år 2008 innehåller sammanslagen data från år 2006, 2007 och 2008. Detta för att få ett större underlag och ge en bättre bild av hur patienterna beter sig efter en längre tid med sitt läkemedel. Detta då det som tidigare beskrivits tillkom många nya användare varje kvartal. Varje individs följsamhet beräknas dock endast till och med dess sista recept. 4.3. Resultat från den nya modellen Uppehåll om 90 dagar eller längre räknas som ett behandlingsuppehåll och dessa dagar exkluderas ur följsamhetsberäkningen men andel patienter med behandlingsuppehåll redovisas separat i figur 11. Detta är alltså endast patienter som sedan återvänder till behandlingen efter ett uppehåll. De patienter som avslutat sin behandling är inte med i denna beräkning. 26 2007 < 80% 2008 80-95 % > 95 % < 80% 80-95 % > 95 % 2% 6% 17% 26% 68% 81% l Figur 12. Följsamheten för patienter i Livsstilsguiden under 2007 och 2008. 2007 < 80% 2008 80-95 % > 95 % < 80% 13% 80-95 % > 95 % 14% 23% 60% 64% 26% l Figur 13. Följsamheten för kontrollgruppen under 2007 och 2008. Andel patienter med uppehåll i behandlingen >90 dagar Andel i procent 10 8 6 4 Livsstilsguiden 2 Kontrollgrupp 0 Q1 2007 Q2 2007 Q3 2007 Q4 2007 Q1 2008 Q2 2008 Kvartal l Figur 11. Andelen patienter som påbörjar ett behandlingsuppehåll om minst 90 dagar per kvartal i de båda grupperna. 27 För att se hur stort utslag det gav att dagarna då patienter tagit behandlingsuppehåll exkluderades gjordes ytterligare en beräkning. Denna gång exkluderades inga dagar för uppehåll, utan alla dagar togs med i beräkningen av följsamheten. Detta resulterade i en tydlig minskning av följsamheten i båda grupperna. 2008 Följsam Kontroll 74,2 Stödprogram 84,4 Ej Följsam 25,8 15,6 Total 100,0 100,0 2007 Följsam Kontroll 80,9 Stödprogram 95,0 Ej Följsam 19,1 5,0 Total 100,0 100,0 Vid signifikansberäkning visade det sig dock att oavsett om dagarna med behandlingsuppehåll var med eller ej i beräkningen av följsamhet, så har patienter Livsstilsguiden en signifikant bättre följsamhet på 99 procents nivå. Det sista som studerades var hur länge patienterna stod kvar på läkemedlet. I figur 14 och 15 nedan så presenteras resultatet på gruppnivå. När man studerar nettoeffekten mellan patienter med det första och sista receptuttaget över tid konstateras att patienter i kontrollgruppen avslutar sin behandling tidigare. 28 Retention Livsstilsguiden 100 50 Nya användare 0 Q4 2009 Q3 2009 Q2 2009 Q1 2009 Q4 2008 Q3 2008 Q2 2008 Q1 2008 Q4 2007 Q3 2007 Q2 2007 Q1 2007 Q4 2006 Q3 2006 Q2 2006 Q1 2006 -50 Avslut Netto effekt -100 -150 Figur 14. Retentionen för patienter i Livsstilsguiden. Retention kontrollgrupp Nya användare Avslut Netto effekt Q4 2009 Q3 2009 Q2 2009 Q1 2009 Q4 2008 Q3 2008 Q2 2008 Q1 2008 Q4 2007 Q3 2007 Q2 2007 Q1 2007 Q4 2006 Q3 2006 Q2 2006 Q1 2006 6000 5000 4000 3000 2000 1000 0 -1000 -2000 -3000 -4000 l Figur 15. Retentionen för patienter i kontrollgruppen. 5. Diskussion Med modell 2 har det visats att patienter i Livsstilsguiden hade en signifikant bättre uttagsföljsamhet än övriga patienter i studien. Dessutom hade patienterna som deltog i Livsstilsguiden en bättre retention och färre behandlingsuppehåll längre än 90 dagar. Självklart kan inklussionskriterierna ge ett stort utslag [9] men som beskrivits under rubrik 1.7.3 ”Rekrytering till programmet” borde det inte ha haft något större utslag denna gång. Detta visar att stödprogrammet är väl utformat i syfte att öka följsamheten. En reservation mot resultatet kan vara att patienter förskrivits eller använt en högre dos än som använts i beräkningarna. Det får då tillföljd att den beräknade följsamheten är falskt för hög. Beräkningen av retentionen visar att patienter i kontrollgruppen avbröt sin behandling ett halvår tidigare, när man tittar på gruppnivå. Nu är det inte något självuppfyllande mål med Acomplia behandling att patienter ska stå länge på läkemedlet. Acomplia var godkänt som tilläggsbehandling till livsstilsförändringar, men vid denna typ av gruppjämförelse borde båda grupperna behöva lika långtid med läkemedelsassisterad behandling. För det finns inte, vad jag kunnat finna, någon studie 29 som visar på hur länge och med vilken följsamhet en patient ska använda Acomplia för att nå bästa kliniska resultat. En förklaring för att patienter i kontrollgruppen avbryter sin behandling tidigare, skulle kunna vara att när patienterna hade funderingar över sin behandling hade patienterna i Livsstilsguiden en enkel väg, via chatt eller mejl, att vända sig till ”sin” sjuksköterska. Om detta är fallet är detta ett misslyckande för vården och även apoteken i avseende att visa sig tillgängliga för att diskutera pågående medicinering med patienter. Att räkna på uttagsföljsamhet har visat sig vara svårare än man först kan tro. Det är svårt att finna bra modeller då det är många parametrar att ta hänsyn till. Framförallt är det svårt att få med både för låg och för hög följsamhet i samma modell. Dock är uttagsföljsamhet ett mycket bra komplement till andra, dyrare metoder för att mäta patientföljsamhet. Dessutom kan man följa stora patientgrupper i realtid. Det kanske inte finns någon heltäckande modell som kan förklara allt. Dessutom så påverkar underlaget valet av modell mer än vad jag först reflekterade över. Det kan vara så att för att få en så komplett bild som möjligt över situationen så krävs ett batteri av modeller. Exempelvis byten till andra läkemedel med avsikt att behandla samma sjukdom eller symtom har i detta fall inte tagits med i analysen. I detta fall visas dock andel patienter med behandlingsuppehåll som överskrider ett visst antal dagar. Från början fanns en ambition att jämföra flera beräkningsmodeller med samma underlag för att kunna se om, och i så fall hur, de slog åt olika håll. Detta var ej möjligt att genomföra på grund av tidsåtgången för programmering. Modellen som valdes ut ska i framtiden komma att användas i marknadsföringssyfte. Därför var tydligheten mycket viktig. Att då välja en modell som beräknar utifrån luckor skulle bli en omväg. Det var hela tiden meningen att få fram en modell som är tydlig utan att minska på validiteten. Dock blev det slutligen två modeller som testades, då resultaten från den första modellen inte ansågs tillförlitliga. Att det utvecklades en ny modell när den första inte fungerade på materialet är inte optimalt. Med fler testade modeller ökar risken för massignifikansproblem. Detta är den absolut största bristen i uppsatsen. Hade jag fått börja om från början hade fokus flyttats mer mot att söka modeller som kan användas på nyintroducerade läkemedel och korta interval. Skulle man däremot studera en patientgrupp som generellt stått länge på sitt läkemedel och att detta läkemedel funnits en längre tid på marknaden så har jag fortfarande förtroende för den första modellen, MPR. Jag skulle då välja att exkludera nya användare och de som avslutar sin behandling under det aktuella år som man studerar och endast redovisa dessa patienter med avseende på retention. Detta var dock inte möjligt att göra i fallet med Acomplia då underlaget skulle bli allt för litet. På grund Acomplias korta tid på marknaden var modellen således inte användbar. Den största problematiken kring följsamhet och stödprogram i stort är dock diskussionen om de verkligen leder till en ökad följsamhet eller endast ökat uttag. Det säger inget om hur patienten tar sina läkemedel eller hur de mår. På så sätt kanske man kan säga att uttagsföljsamhet snarare är ett mått på compliance, det vill säga hur väl patienten gör som den blivit tillsagd, än adherence, se definition under rubrik 1.1. Då man blir påmind om att göra något reagerar somliga individer med en vilja att vara till lags. Därför hämtar man ut sitt läkemedel men nöjer sig sedan där. I dessa fall fås inga hälsovinster utan endast ökade kostnader, för oanvända läkemedel och eventuellt ett ökat behov av sjukvård. Därtill kommer kostnaden för själva insatsen, om det nu är ett stödprogram eller 30 en farmaceut i vården eller på apotek. Avsikten med stödprogrammen är dock att öka patientens kunskap om sjukdomen och läkemedlet i syfte att öka förståelsen för behandlingen. Fördelen med Livsstilsguiden var att den fokuserade på livsstilen, där kost och motion sågs som de huvudsakliga verktygen och Acomplia, i enlighet med dess indikation, som ett komplement. Förutom problematiken med att vara till lags så missar beräkningar på uttagsföljsamhet de läkemedel som fås direkt av vårdinrättning, till exempel läkemedelsbehandling under sjukhusinläggning [27]. Detta bör dock inte vara ett särskilt stort problem i fallet med Acomplia. Det fanns inte heller något generika till Acomplia på marknaden, vilket annars skulle kunna förklarat uppehållen i behandlingen. 6. Framtida perspektiv Då det i denna uppsats visats att stödprogrammet Livsstilguiden ger en signifikant högre uttagsföljsamhet väcks frågan om inte stödprogram borde finansieras av samhället istället för som i detta fall av läkemedelsföretaget. För vems ansvar är det egentligen att patienter får hjälp att ta sina förskrivna läkemedel på avsett vis? Detta är en diskussion som bör fortgå, dock inte i denna uppsats. Samtidigt bör forskning fortgå för att kunna säga vad för typer av stödjande insatser som har effekt för att uppnå bättre följsamhet generellt utan att utsätta patienter för sådant som ej fungerar. Modellen kanske inte är den som slutligen kommer att användas men den är en bra bit på väg. Man ska vara medveten om att den aldrig kommer att visa för höga värden på följsamhet, att resultatet redovisas kumulativt och att länden på intervallet för läkemedelssemester påverkar. Ju kortare intervall som räknas som ett behandlingsuppehåll desto högre följsamhet. Det skulle vara bra att finna en kompletterande modell för beräkning av följsamheten över 100 procent. Dessutom, för att ytterligare stärka resultatet, studera med kliniska mått om det är någon skillnad på hur patienterna mår i stödprogrammen jämfört med en kontrollgrupp. Slutligen vill jag uppmuntra till en ökad dialog om följsamheten till läkemedel mellan alla inblandade; patienter, läkare, sjuksköterskor, farmaceuter, övrig vårdpersonal och anhöriga. Det finns kanske ingen universallösning men genom dialog kan man hitta vägar som bäst hjälper den enskilde individen. Detta dels för att använda våra gemensamma medel på bästa sätt men framförallt för att öka hälsa och välbefinnande hos alla läkemedelsanvändare. 7. Slutsats Ingen entydig modell för att utvärdera följsamhetsinsatser med hjälp av läkemedelsregistret kunde identifieras. I många fall kan modellen Medication possession ratio, MPR, förordas. Denna har dock begränsningen att patienterna ska förskrivits läkemedlet minst ett år varför denna inte kunde tillämpas i utvärderingen av Livsstilsguiden. I den utvärdering som gjordes, baserad på en annan modell, kunde det konstateras att patienter i Livsstilsguiden hade en signifikant bättre följsamhet, färre uppehåll i behandlingen och en bättre retention. 31 8. Författarens tack Jag vill börja med att tacka Martin Svensson, som var den som etablerade kontakt mellan mig och Joakim Söderberg. Annars hade jag aldrig fått chansen att genomföra detta projekt. Än en gång har det visat sig att vägen in i ett projekt ofta går via ett bananskal, eller som i det här fallet via att arrangera en bal på Farmis. Tack Jocke, Thomas och alla andra på Health Solutions för att ni tog emot mig och för att ni engagerat er i mitt arbete. Ett extra tack till Keivan som omprioriterade i kalendern för att hinna bli klar med programmeringen så att de passade in i min projektplan. Tack till min handledare Tobias för att du sett till att jag hela tiden kommit vidare genom att tipsa om nya referenser och infallsvinklar. Tack också till resten av samhällsfarmacins forskargrupp, dit jag alltid känt mig välkommen. Lite extra tack till Sofia som såg till att jag kunde göra det relativt sena bytet över till er. Tack alla nära och kära som peppat och stöttat så att jag orkat med under hela terminen trots igenfrusna tågväxlar och datakrångel. Tack Emelia och Markus för att ni läst och kommit med kommentarer, nya ögon är guld värda i slutfasen. Men mitt bästa stöd är du Filip, det hoppas jag du vet. Tack! Camilla Berglund Uppsala maj 2010 32 9. Referenser 1. Arbetsgruppen för förbättrad läkemedelsanvändning (ABLA I). Förbättrad läkemedelsanvändning genom bättre följsamhet till läkemedelsordinationen. Förslag till gemensamma mål för läkare, sjuksköterskor och farmaceuter. ISBN: 91-7188-568-4, 1999 2. World Health Organization. The rational use of drugs. World Health Organization 1985 3. Mindre sjukdom och bättre hälsa genom ökad följsamhet till läkemedelsordinationerna Rapport från Arbetsgruppen för bättre läkemedelsanvändning (ABLA II) ISBN 91-7188-681-8 4. Haynes RB, Ackloo E, Sahota N, McDonald HP, Yao X. Interventions for enhancing medication adherence The Cochrane Library 2008;(4):1-159 5. Osterberg L, Blaschke T. Aherence to medication New England journal of medicine 2005;353:487-497 6. World Health Organization. Adherence to long-term therapies. Evidence for action. World Health Organization, Geneva, 2003. 7. Vårdguiden, http://www.vardguiden.se/Sjukdomar-och-rad/Omlakemedel/Hogkostnadsskydd/ Besökt: [2010-01-29] 8. Johnson JA, Bootman JL. Drug-related morbidity and mortality: a cost-of-illness model. Archives of Internal Medicine 1995;155:1949-56. 9. Socialstyrelsen, Läkemedelsförsäljningen i Sverige – analys och prognos Socialstyrelsen Maj 2010 Artikelnummer: 2010-5-7 10. Ihre T. Järhult B. Den svåra läkemedelsordinationen; HSL vägvisare till följsamhet ABLAs frön får inte blåsa bort! Debattartikel i Läkartidningen nr 47 2005 volym 102 sid 3583-3587 11. Christensen DB, Williams B, Goldberg HI, Martin DP, Engelberg R, Logerfo JP. Assessing compliance to antihypertensive medications using computer-based pharmacy records. Medical care 1997:11(35):1164-1170 12. Andersson K, Melander A, Svensson C, Lind O, Nilsson LG. Repeat prescriptions: refill adherence in relation to patient and prescriber characteristics, reimbursement level and type of medication. European Journal of public health. 2005;5(15):621-626 13. Hawkshead J, Krousel-Wood MA. Techniques for measuring medication adherence in hypertensive patients in outpatient settings. Disease Management and Health Outcomes. 2007;15(2):109-118 14. Karve S, Cleves MA, Helm M, Hudson TJ, West DS, Martin BC, Good and poor adherence: optimal cut-point for adherence measures using administrative claims data. Current Medical Research and opinion. 2009;9(25):2303-2310 33 15. Paterson DL, Swindells S, Mohr J, Brester M, Vergis EN, Squier C, Wagener MM, Singh N. Adherence to Protease Inhibitor Therapy and Outcomes in Patients with HIV Infection. Annals of Internal Medicine. 2000;133(1):21-30 16. Demyttenaere K. Noncompliance with antidepressants: who’s to blame? International Clinical Psychopharmacology. 1998;13(Suppl 2):S19-S25. 17. Kothawala P, Badamgarav E, Ryu S, Miller RM, Halbert RJ. Systematic Review and Metaanalysis of Real-World Adherence to Drug Therapy for Osteoporosis. Mayo Clinic Proceedings. 2007;82(12):1493-501. 18. Reid D, Abramson M, Raven J, Walters HE. Management and treatment perceptions among young adults with asthma in Melbourne: the Australian experience from the European Community Respiratory Health Survey. Respirology, 2000, 5:281-287. 19. Krigsman K, Melander A, Carlsten A, Ekedahl A, Nilsson LG. Refil non-adherence to repeat prescriptions leads to treatment gaps or to high extra costs. Pharmacy World & Science 2007;29:19-24 20. Lakatos PL, Prevalence, predictors, and clinical consequences of medical adherence in IBD: How to improve it? World Journal of Gastroenterology 2009;15(34):4234-4239 21. Kjellgren KI, Ahlner J, Säljö R. Taking antihypertensive medication — controlling or cooperating with patients? Int J Cardiol 1995;47:257-268. 22. Hovstadius B. Hovstadius B. Läkemedelsförteckningen. I: Apoteket AB:s Läkemedelsboken 2009-2010 Alfa Print, Sundbyberg. 2009 sid. 1278-1280 ISBN:91-85574-59-7 23. Herborg H, Haugbølle LS, Sørensen L, Rossing C, Dam P. Developing a generic, individualised adherence programme for chronic medication users. Pharmacy Practice. 2008;6(3):148-157. 24. Beauchamp T L och Childress, J F, Principles of biomedical ethics. Sixth edition Oxford University Press 2009 ISBN- 13: 978-0-19-533570-5 25. Yoos L. Compliance: Philosophical and ethical considerations. Nurse practitioner. 1981;(sepoct):27-30. 26. Levine RJ. Monitoring for adherence: Ethical considerations. American Journal of Respiratory and Critical Care Medicine. 1994;(149):287-288 27. Montgomery A. Counseling in Swedish Community Pharmacies – Understanding the process of a pharmaceutical care service. ISBN: 972-91-554-7622-9, 2009 Doktorsavhandling, Uppsala universitet 28. Simpson RJ. Challenges for improving medication adherence. JAMA. 2006;21(296)2614-2616 34 29. Läkemedelsverket, http://www.lakemedelsverket.se/Alla-nyheter/NYHETER-2008/Acompliafar-inte-langre-saljas/ Besökt: [2010-03-25] 30. Akademi FASS 2008, Läkemedelsindustriföreningen, ISBN: 978-91-85929-00-9 31. Wettermark B, Raaschou P, Forslund, T, Hjemdal P. Fortsatta frågetecken kring bantningsmedlet rimonabant. Läkartidningen 2007;51(104):3879-3881 32. Sanofi-Aventis, http://www.sanofi-aventis.se/live/se/sv/layout.jsp?scat=4FC23BD6-B3D24CFF-9EBA-7C43CBC00574] Besökt: [2010-03-25] 33. Krigsman, Kristin. Refill Adherence to Long-Term Drug Treatment with a Focus on Asthma/COPD Medication. ISBN 978-91-554-6931-3, 2007. Doktorsavhandling, Uppsala universitet 34. Steiner JF, Koepsell TD, Fihn SD och Inui TS. A general method of compliance assessmentusing centralized pharmacy records. Medical Care 1988;8(26):814-82.3 35. Steiner JF, Prochazka AV. The Assessment of Refill Compliance Using Pharmacy Records: Methods, Validity and Applications. Journal of clinical epidemiology 1997;1(50)105-116. 36. Friedman DS, Quigley HA, Gleb L, Tan J, Margolis J, Shah S, et al. Using Pharmacy claims data to study adherence to glaucoma medications: Methodology and findings of the glaucoma adherence and persistency study (GAPS). Investigative ophthalmology & visual science 2007;48:5052-5057 37. Hagström B, Mattsson B, Rost IM and Gunnarsson RK. What happened to the prescriptions? A single, short, standardized telephone call may increase compliance. Family Practice. 2004;1(21):46–50. 38. Socialstyrelsen, Fyra år med läkemedelsregistret, Ringbäck G, Ericsson Ö, Ljung R, Lundquist P, Persson-Eldeby C, Wettermark B. ISBN: 978-91-86301-49-1 2009 39. Socialstyrelsen, http://www.socialstyrelsen.se/register/halsodataregister/lakemedelsregistret Besökt: [2010-01-28] 40. Lag (2005:258) om läkemedelsförteckning SFS nr: 2005:258 Departement/myndighet: Socialdepartementet Utfärdad: 2005-05-12 Ändrad: t.o.m. SFS 2009:528 41. Järhult B, Hagström B, Nilsson L. Läkemedel ur ett patientperspektiv. I: Apoteket AB:s Läkemedelsboken 2009-2010 Alfa Print, Sundbyberg. 2009 sid. 1071-1085 ISBN:91-85574-59-7 42. Vink NM, Klungel OH, Stolk RP och Denig P. Comparison of various measures for assessing medication refill adherence using prescription data. Pharmacoepidemiology and drug safety. 2009;18:159-165 35 43. Hess LM, Raebel MA, Conner DA, Malone, DC. Measurement of adherence in pharmacy administrative databases: a proposal for standard definitions and preferred measurs. Annals of pharmacotherapy. 2006;40:1280-1288 44. Andrade SE, Kahler KH, Frech F, Chan KA. Methods for evaluation of medication adherence and persistence using automated databases. Pharmacoepidemiology and drug safety 2006;15:565–574 45. Karve S, Cleves MA, Helm M, Hudson TJ, Wes, DS, Bradley C. Martin. An Empirical Basis for Standardizing Adherence Measures Derived From Administrative Claims Data Among Diabetic Patients. Medical care. 2008;46(11):1125-1133. 46. Morningstar BA, Sketris IS, Kephart GC och Sclar DA. Variation in pharmacy prescription refill adherence measurs by type of oral antihyperglycaemic drug therapy in seniors in Nova Scotia, Canada. Journal of Clinical Pharmacy and Therapeutics 2002;27:213-220. 47. Sikka R, Xia F och Aubert RE. Estimating Medication Persistency Using Administrative Claims Data. Am J Manag Care. 2005;7(11):449-457 48. Socialstyrelsen, http://www.socialstyrelsen.se/register/halsodataregister/lakemedelsregistret/variabelfortec kning Besökt: [2010-02-09] 49. Hammar N, Persson G. Grunderna i biostatistik. Studentlitteratur 1995. ISBN 91-44-49771-7 36 10. Appendix Variabelförteckning - Läkemedelsregistret http://www.socialstyrelsen.se/register/halsodataregister/lakemedelsregistret/variabelforteckning Apoteksuppgifter Län – Apotek (ALAN) Patientuppgifter Patientens personnummer (PNR) Patientens ålder (ALDER) Patientens kön (KON) Patient – län/kommun /församling (LKF) Förskrivarinformation Yrke (YRKE) Utbildningskod (UTBK) Specialistutbilningskod1-3 (SPKOD1-SPKOD3) Arbetsplatsinformation Arbetsplatsens län (LAN) Länskod för expedierande apoteket (01-25) Patientens/kundens personnummer i formen SSÅÅMMDDNNNC Framräknat ur PNR Framräknat ur PNR Patientens/kundens folkbokföringsort Yrkeskategori från Förskrivarregistret Utbilningskod (SUN-kod) Specialistutbildningskod 1-3 i omvänd kronologisk ordning Län arbetsplatsen tillhör (huvudman) pos. 1-2 i arbetsplats Arbetsplatskod (ARBPL) Arbetsplatskod (anonym för EpC) ägs av landstinget Vårdenhet där förskrivningen utförts. Ägarform (AFORM) Ägarform enligt egenskap från Arbetsplatsregistret (Apoteket AB:s) Vårdform (VFORM) Vårdform enligt egenskap från Arbetsplatsregistret Verksamhetsinriktning (VERKS) Verksamhetsinriktning enligt egenskap från Arbetsplatsregistret Förskrivningsinformation Expeditionsdatum (EDATUM) Förskrivningsdatum (FDATUM) Ordinationstyp (OTYP) Expeditionsdatum/Avhämtningsdatum Förskrivningsdatum/Utfärdardatum Förskrivning: R = Recept H = Hjälpmedelskort L = Livsmedelsanvisning A = Livsmedel för vuxna APODOS: 0 = Dispenserbar regelbunden dos 1 = Dispenserbar oregelbunden dos 2 = Stående, hela förpackningar 3 = Vid behov, hela förpackningar 4 = Hjälpmedel, hela förpackningar 37 Förmånstyp (FTYP) Utfärdarkategori (UTFKAT) Startförpackning (STARTFP) Byte tillåtet (BYTET) Förmånstyp : F = kostnadsfritt L = livsmedel R = rabatterat U = utan rabatt Utfärdarkategori registrerad vid expeditionstillfället: B = Barnmorska D = Distriktssköterska H = Tandhygienist L = Läkare S = Sjuksköterska T = Tandläkare Startförpackning : 1 = Ja 0 och blankt = Nej Byte tillåtet : 0 = Nej , 1 = Ja , 2 = Nej, enligt Apoteket AB blankt = Byteskod (BYTESK) Byteskod : G = Generisk substitution P = Parallellimport Varuidentitet - förskriven. (FVARUID) Förskriven varuidentifikation. Varuidentitet kopplas till ett varuregister för att få t.ex. ATC-kod, läkemedelsnamn eller antal DDD per förpackning (se separat postbeskrivning för varuregistret). Förskrivet antal förpackningar Varuidentitet expedierat: Varuidentitet kopplas till ett varuregister för att få t.ex. ATC-kod, läkemedelsnamn eller antal DDD per förpackning (se separat postbeskrivning för varuregistret). Antal förskrivna förpackningar (FANTAL) Varuidentitet – expedierad (VARUID) Varutyp (VARUTYP) Antal hela förpackningar (ANTAL) Doseringstext (DOSER) Varutyp : RX = Receptbelagt EX = Receptfritt HA = Handelsvaror OV = Övrigt OT = Övriga tjänster Antal expedierade enheter (konsumentförpackningar) För APODOS anges antalet förpackningar med 3 decimaler Doseringstext 38 Kostnader Ápris inkl. Moms (APRIS) Totalbelopp (TKOST) Ápris (AUP) inklusive moms Totalkostnad (antal *á pris inkl. moms) Patientkostnad (PATKOST) Patientens kostnad per läkemedel (recipe/recept) inkl. moms (inkl. merkostnad) Landstingskostnad (LANKOST) Landstingets kostnad per läkemedel (recipe/recept) inkl. moms Momsbelopp för läkemedel (0 %) livsmedel (12% ) och hjälpmedel 25%) Moms (MOMS) Merkostnad (MERKOST) Skillnaden mellan förskrivet läkemedels kostnad och den generiska substitutionen som patienten betalar 39 Nedanstående variabler kan fås fram genom att koppla Varuidentitet - expedierad (VARUID) från Läkemedelsregistret med Varuregistret. Varuregistret erhålls från Apoteket AB och uppdateras månatligen. Namn ATC Beskrivning Anm ATC-kod enligt WHO ATC-koden klassificerar läkemedlen efter användningsområde och kemisk substans. DDDFORP Antalet dygnsdoser per förpackning Uppgifter om hur många Definierade DygnsDoser/ förpackningen innehåller.(Den genomsnittliga dygnsdosen då läkemedlet används av en vuxen vid medlets huvudindikation). FORPSTL Förpackningsstorlek En sammansatt beskrivning av förpackningsstorlek. Ersätter MUL (förpackningsmultipel), ANTNUM (numeriskt förpackningsantal), ENHETKOD (förpackningsenhetskod) och ENHETTEXT (förpackningsenhetstext) LNMN Apoteket AB:s läkemedelsnamn Innehåller namnet för en specialitet kompletterat med tillverkarens/ombudets namn beredningsform och styrka. PNMN Preparatnamn Namnet på preparatet ex. ALVEDON Apoteket AB:s preparatidentitet Löpnummer som identifierar preparatet Markering för receptbelagda läkemedel J= Receptbelagd N= Receptfri Läkemedelsverkets registreringsnummer Identifierar en farmaceutisk specialitet. Ändras aldrig på de fem första positionerna. Kopplingsbegrepp till info i FASS från LINFO. PREPID RECB REGNR SPECID Apoteket AB:s specialitetsidentitet Löpnummer som unikt identifierar en specialitet VARUNR Nordiskt varunummer Varunummer används vid kommunikation med apotek 40 Signifikansberäkningar Nedan redovisas de signifikansberäkningar som gjorts. Under rubriken ”förväntat ” presenteras de värden som skulle fås om ingen skillnad mellan grupperna fanns, det vill säga om nollhypotesen är sann. Första beräkningen med modell 1: Observerat Förväntat 2007 Följsam Stödprogram Ej följsam 181 48 Total 2007 Följsam Ej följsam 229 Stödprogram Total 165,2 63,8 229,0 Kontroll 11527 4472 15999 Kontroll 11542,8 4456,2 15999,0 Total 11708 4520 16228 Total 11708,0 4520,0 16228,0 Chi2 = 5,1486805 P < 0,05 Observerat Förväntat 2008 Följsam Ej följsam Total 2008 Följsam Ej följsam Total Stödprogram 153 69 222 Stödprogram 151,2 70,8 222,0 Kontroll 7591 3558 11149 Kontroll 7592,8 3556,2 11149,0 Total 7744 3627 11371 Total 7744,0 3627,0 11371,0 Chi2 = 0,0363599 Ingen signifikant skillnad mellan grupperna. Andra beräkningen med modell 1, patienter med endast ett recept exkluderade. Observerat Förväntat Följsam Ej följsam Total Stödprogram 10345 4181 14526 Kontroll 183 62 245 Total 10528 4243 14771 Chi2 = 1,4958006 Ingen signifikant skillnad mellan grupperna. 41 Följsam Ej följsam Total Stödprogram 10353,4 4172,6 14526,0 Kontroll 174,6 70,4 245,0 Total 10528,0 4243,0 14771,0 Beräkning med modell 2, individer med behandlingsuppehåll >90 dagar exkluderade. Observerat Förväntat 2007 Följsam Stödprogram Ej följsam Total Grupp 196 5 201 Kontroll 9638 1400 11038 Total 9834 1405 11239 Följsam Stödprogram Ej följsam Total 175,9 25,1 201,0 Kontroll 9658,1 1379,9 11038,0 Total 9834,0 1405,0 11239,0 Chi 2 = 17,8405528 P < 0,01 Observerat Förväntat 2008 Följsam Stödprogram Ej följsam Total Grupp 230 13 243 Kontroll 12085 1912 13997 Total 12315 1925 14240 Följsam Stödprogram Ej följsam Total 210,2 32,8 243,0 Kontroll 12104,8 1892,2 13997,0 Total 12315,0 1925,0 14240,0 Chi 2 = 13,4077885 P < 0,01 Beräkning med modell 2, dagar då patient tagit ett uppehåll exkluderades ej. Observerat Förväntat 2007 Följsam Stödprogram Ej följsam Total Grupp 192 10 202 Kontroll 9203 2167 11370 Total 9395 2177 11572 Stödprogram Följsam Ej följsam Total 164,0 38,0 202,0 Kontroll 9231,0 2139,0 11370,0 Total 9395,0 2177,0 11572,0 Chi 2 = 24,9501260 P < 0,01 Observerat Förväntat 2008 Följsam Stödprogram Ej följsam Total Grupp Stödprogram Följsam Ej följsam Total 206 38 244 181,4 62,6 244,0 Kontroll 10779 3754 14533 Kontroll 10803,6 3729,4 14533,0 Total 10985 3792 14777 Total 10985,0 3792,0 14777,0 Chi 2 = 12,7024090 P < 0,01 42