Modeller för att utvärdera följsamhets(förhöjande) åtgärder med

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