Three essays in applied health economics

De Agostini Paola
Ciclo XVII
Three essays in applied health economics
(Very preliminary draft: December, 10th 2005)
I – Introduction
II – Modelling the length of time between psychiatric contacts in a Community-Based Mental
Health Services
III – A new financial system for the Community-Based Mental Health Service: defining packages
of care
IV – The relationship between food consumption and socio-economical status: evidence for Britain
V – Conclusion
Appendix A – Evaluating the quality of life of menta l health patients and their families: proposing a
socio-economic questionnaire.
I. Modelling the length of time between
psychiatric contacts in a Community-Based
Mental Health Service.
Paola De Agostini
December 10, 2005
Abstract
In recent years a number of studies have been published on new
possible funding systems for mental health services and, consequently,
on variables related with patterns of care. The aim of this study is
to investigate which patients are more likely to have shorter length of
time between psychiatric contacts and to identify which clinical and
socio-demographic characteristics are related to heavy use of mental
health services. All psychiatric contacts of first-ever patients recorded
by the South-Verona Psychiatric Case Register during a 7-year period
(1992-1998) have been included in the study (7,261 contacts made by
1266 patients). The data showed that the probability to have a successive contact increases strongly between first and second contact and
second and third ones. The Weibull hazard regression model was used
to describe the length of time between contacts and to predict recurrence time for persons with different clinical and socio-demographic
characteristics. Diagnosis, age and living condition could be used to
predict future service use and, in particular, those patients with the
most severe and chronic illnesses had higher probability to visit more
often the services, as well as young persons and patients living in
psychiatric residential facilities.
Keywords: data collection; community psychiatry; community mental
health services; epidemiologic methods; proportion hazard models.
1
1
Introduction
Costs evaluation analysis of health services is of interest in Italy as in other
countries that have experienced, recently, reforms of health funding systems.
Economic studies that examine health care system and resource distribution are increasingly recognized as being important to help health managers
and policy decision-makers deal with new management and organizational
problems (Amaddeo et al., 1998).
In Italy, new legislation in 1992 introduced the concept of payment for
types of health care services provided (fee for service) (De Agostini et al.,
2001). In a following Law, introduced in 1998, it was recognized that individuals affected by psychiatric illness are patients who’s health care needs
are often complex and long-term, and their care needed to be funded independently from the standard method of funding. Many international studies
(McCrone et al., 1994; McCrone and Strathdee, 1994; Amaddeo et al., 1997)
have showed that funding systems based only on diagnoses (like Diagnoses
Related Groups) fail to predict the adequate amount of resources required to
deliver psychiatric services. For this reason, the concept of packages of care
was introduced. Packages of care is defined as particular groups of services
offered to patients with the same characteristics, which could be categorized
by clinical and socio-demographic characteristics. To develop a funding system based on these ”packages of care”, it is necessary to know how, and by
who, psychiatric services are used.
Most of the recent health economics studies on cost evaluation in the field
of mental health, have investigated the topic of direct psychiatric costs analy-
1
sis, identifying which characteristics (clinic and socio-demographic) have the
best predictive power on future utilization of mental health care (McCrone
and Strathdee, 1994; Amaddeo et al., 1997a; Amaddeo et al., 1997b; Bonizzato et al., 2000; Knapp et al., 1994). In these studies packages of care were
analyzed as a whole while few information are available on the pathways followed by the patients within the care system in terms also of time between
contacts and on the probability to have further contacts after entry into the
psychiatric services.
The identification of those patients who are more likely to have a short
length of time between psychiatric contacts or who are most likely to have
further contacts during their life-care is an important issue both for health
managers and police makers for two reasons:
• it will allow them to provide a more rational allocation of resources and
• to predict ex ante the costs of care for a new patient who enter into
the mental health system.
First-ever patients were chosen in order to avoid the bias due to previous
experiences with psychiatric services on the observed pattern of care.
2
2
Data
2.1
South-Verona catchment area and Community Mental Health Service
The South-Verona catchment area (about 75,000 inhabitants) is in the south
of Verona (a city of about 260,000 inhabitants in the Veneto Region in northeast of Italy) and also includes two neighboring small towns (Castel d’Azzano
and Buttapietra). South-Verona is mainly an urban area (population density
988/km2 ) with a predominance of service and manufacturing industries.
The South-Verona Community Mental Health Service (CMHS) is managed by the Section of Psychiatry (Department of Medicine and Public
Health) at the University of Verona and is the main agency providing psychiatric care for the adult population (14 years and over). It offers a wide
range of well-integrated hospital and community services, including a 15-bed
inpatient ward at the General Hospital, a Community Mental Health Centre (CMHC) providing day care and rehabilitation, outpatient departments,
scheduled domiciliary visits, a liaison service for psychiatric and psychological consultations for other departments of the General Hospital, a 24-hour
accident and emergency service, a 24-hour staffed hostel, and sheltered apartments. With the exception of hospital nurses, all staff (psychiatrists, psychologists, social workers, etc.) work in both the hospital and community
settings, ensuring continuity of care through the different phases of treatment
and the different components of service (Tansella et al., 1998). Staff members
are divided into three multidisciplinary teams. Each team, is responsible for
3
a sub-sector of the South-Verona area, and is coordinated by a psychiatrist.
2.2
The South-Verona Psychiatric Case Register
The South-Verona Psychiatric Case Register (PCR) started on 31st December 1978 and has been in operation ever since. At first contact, sociodemographic information, past psychiatric history, and clinical data are routinely collected for those aged 14 years and over contacting the psychiatric
services. All contacts with psychiatrists, psychologists, social workers and
psychiatric nurses are recorded. Each attendance at an out-patient clinic
and each domiciliary visit is counted as a contact. An estimate of time
spent for each out-patient and domiciliary visit is routinely recorded by the
professionals providing care.
Diagnoses are assigned using ICD-10 codes (ICD-9 before 1992) and then
coded into 12 standard diagnostic groups. Diagnosis and socio-demographic
data may be updated at successive contacts, if necessary. All psychiatric
services of South-Verona and the larger province of Verona provide data to
the PCR for South-Verona residents. Special attention is given to ensure
both the accuracy and confidentiality of records.
At the end of each year, Central Person Register of the local municipalities
provides information on any deaths of individuals on the case register and
also on any individuals who have moved away. These checks make possible
to establish whether someone who ceases contact with psychiatric services
has either left the area, died, or stopped attending for other reasons. This
increases the accuracy and usefulness of the case register for longitudinal
4
follow-up studies.
2.3
Patients
All patients resident in the catchment area of South Verona who made their
first-ever contact with the South-Verona Community Mental Health Service
(first-ever patients) between 1 January 1992 and 31 December 1998 were
identified, using the South-Verona PCR, by means of reported first contact
with the PCR and also by checking the absence of previous PCR contacts.
The following information was available from the first contact: gender,
age, marital status, living conditions, educational level, occupational status,
professional status and diagnosis. For each contact, the following data were
also available: duration of the contact, professionals present at the contact,
location where the contact took place, type of contact, and if the contact was
planned or unplanned. A planned contact is defined as a contact arranged
by appointment between a staff member and the patient.
3
Statistical and econometric analysis
The hazard to have a new contact was linked to the following explanatory
variables: gender, age, education, marital status, living conditions, work
experience, type and number of the previous contact. The patients at risk of
a new event are those patients who have had their first-ever contact during
the follow-up period. The measure time to event (spell length) is the period
between to successive contacts or the period between the latest contact and
the end of an episode of care or the end of the follow-up (censored period).
5
According to the results of previous studies an episode of care is considered
as ”interrupted” when the time span between two contacts is longer than 90
days.
Most patients in the sample have had more than one contact during the
follow-up period. For this reason, nobody leaves the risk set because the
occurrence of an event puts the subject at risk of another one.
In order to capture aspects associated with repeated events, the following
variables were introduced into the analysis: time since latest contact and
time between previous two contacts, cumulative number of previous contacts,
duration and type of latest contact and of two contacts before, cumulative
number of previous interruptions of care and type (planned or unplanned) of
latest contact.
Model is fitted by maximum likelihood methods and a Weibull regression
model was used adopting standard statistical methods employed for survival
analysis (Yamaguchi, 1991). The dependent variable is the daily repeatcontact hazard rate: hit, indicates the conditional probability that a patient
i has another contact during day t, conditional having not visited up until
the end of day t-1.
4
4.1
Results
Sample characteristics
The whole data set relating to all patients who had their first-ever contact
with the South-Verona CMHS, between 1 January 1992 and 31 December
6
1998, was composed of 1266 adults (aged 14 years and over), with a total of
7261 contacts.
Table 1 reports summary statistics regarding the characteristics of patients at the time of their first contact: 37 percent were male, 31 percent
were younger than 30 years at the first contact, 34 percent were single, 12
percent were living alone. Most of the sample (38 percent) had secondary
school, 44 percent were employed. Only seven percent were unemployed at
the beginning of the period of care.
¡ Table 1 here ¿
Of the whole sample (7261 contacts), those spells ending with a new
contact were 6073, 1320 last from 1 to 5 days, while those censored were 6
(Table 2). Average and median spell length were 29 and 15 days respectively.
Following the definition of episode of care given above, those spell lengths
resulting greater then 90 days where censored at this limit, even if this does
not imply that those patients exit from the sample because they might relapse
some time later over the seven years period.
¡ Table 2 here ¿
4.2
Empirical hazard estimates
Table 3 presents the Kaplan-Meier estimates of the cumulative hazard to
incur in a new contact. The values are presented by numbers of previous
contacts, by age groups, by diagnostic groups and for planned and unplanned
contacts. The hazard to have a new contact increase over time, from 0.29
after 7 days to 0.75 after 42 days. This means that one quarter of the patients
7
beginning a programme of care has got a second contact after one week, and
60 percent of the sample has been re-visited in 21 days. Those patients that
have had more contacts in the past showed a higher hazard to have new
contact. Younger patients have an higher hazard, while patients aged 65 or
more years have 11 percent of risk to have a contact after 7 days. After seven
days, 33 percent of those aged less than 44 years had had a new contact with
the psychiatric services. After 21 days, the differential is 65 percent compared
to 35 percent, respectively for patients aged 30 years or less and for those
aged 65 years or more.
Patients with a diagnosis of schizophrenia showed a higher hazard if compared with all other diagnoses. The hazard to be seen after 7 days was 0.51
vs. 0.29 respectively for schizophrenia and affective disorders. After three
weeks, about 60 percent of those with a diagnosis of affective disorders had
a new contact, whereas the corresponding proportion for those with neurotic
and somatoform disorders was 56 percent.
Patients with an unplanned contact have a higher risk to have a successive
contact. About 45 percent of unplanned contacts are followed by a new
contact within 7 days and 75 percent after 28 days.
¡ Table 3 here ¿
The survival curve (Figure 1) shows as after 90 days 75 percent of all
patients have had a new contact. Figure 2 displays the Kaplan-Meier estimates of the empirical hazard. The circles show the probability to have
a contact at time t and the vertical lines represent a 95 percent confidence
interval for the hazard estimate. The daily probability for a contact was
higher in correspondence of some days (and precisely, after 7, 14, 21, 28, 35,
8
42, 49, 59) compared to the corresponding previous and subsequent days.
Planned contacts and a week-by-week agenda are a potential explanation of
this shape.
¡ Figure 1 and 2 here ¿
Figure 3 shows empirical hazard function by number of previous contacts
and highlights that the probability of repeating a contact with the psychiatric
service is higher after the second visit. It is worth noting from the Table 3,
that for those patients who had a second contact, the time between visits
increased consistently from the first to the fourth spell.
¡ Figure 3 here ¿
4.3
Weibull hazard regression model estimates
Tables 4 reports the results of Weibull survival regression model on the daily
probability to have a new contact. In model 1, socio-demographic characteristics and the duration of two contacts before were used as independent
variables. In model 2, the type of previous contact was added to the variables’ set. In model 3, time since last contact, time between two previous
contact and number of previous contacts was introduced into the regression.
¡ Table 4 here ¿
The estimated coefficients indicate that patients older than 65 years had
a lower probability to have a new contact than younger patients. The probability not to have a contact was higher for patients living in a residential
facility and for patients living with a partner and/or children compared to
patients living in other circumstances.
9
Turning to diagnosis, the hazard is 28 percent, 20 percent and 28 percent
lower for patients with neurotic and somatoform disorders, affective disorders
and other diagnosis respectively than for patients with schizophrenia.
A higher probability of contact was associated with those patients who
had as a previous contact a day care or home care contact compared to patients who have had outpatients care. Instead, patients who had as a previous
contact a hospital admission had lower probability to have a new contact in
short time than patients who received outpatient care. Also the duration of
the previous contact resulted statistically related to the probability to have
a successive contact. In particular, one minute more spent with the doctor
or with other staff member during the previous contact means an higher
probability to repeat a contact in a shorter time.
The number of previous contacts was positively associated with the probability to have a further contact. A higher number of previous contacts was
associated with shorter lengths of time from contact to contact, meaning
that those patients who had more contacts in the past are expected to continue to keep in touch with the psychiatric service in the future. Also lagged
variables (time since last contact and time between previous two contacts)
were significantly related to the probability of a greater interval before a new
contact occurred.
Finally, median and mean recurrence time were estimated for persons
with different diagnoses using the models presented above (Table 5). All the
models estimate that patients with a diagnosis of schizophrenia and those
with affective disorders are the most prone to have repeated contacts. For
model 3, patients with a diagnosis of schizophrenia have a mean time of 19
10
days between contacts, with a median value of about 11 days. On the other
hand, patients with affective disorders come to the service every 24 days
(median 13 days). Patients with a diagnosis of neurotic and somatoform
disorders had a slightly longer interval between contacts (mean of 26 days
and median of 14 days).
¡ Table 5 here ¿
5
Conclusions
This study has provided an indication about the determinants of re-contact
probability for patients of South-Verona CMHS, using data on first-ever patients coming from a Psychiatric Case Register. First-ever patients (i.e. patients who had their first lifetime psychiatric contact) were chosen in order
to avoid interferences from previous experiences with psychiatric services on
the observed patterns of contacts and this allowed to avoid also the problem
of left-censored, and to deal only with right open intervals.
In other word, this phenomenon could be associated with a staff member
saying ”see you next week at the same time”. The observed shape would
then arise because of a sorting process.
These figures have the same direction as found in other studies and highlight, in other words, the opening of a second episode of care for patients with
a diagnosis of schizophrenia is more likely than for other patients (Tansella
et al., 1995).
As we can expect, longer time between past contacts are negatively associated with the probability to have another contact with the services in
11
a short time. However, it may be also due to the fact that people with
more spells might belong to particular subgroups of patients, as for example
schizophrenic group, as seen above.
The quality of the PCR data collected in South-Verona is quite good,
and the connection with Demographic Service of the Municipality of Verona
allowed to consider different reasons for exit from the study, as deaths or
migrations to other districts. The bias due to patients who changed addresses
or dead was therefore avoided.
The criterion chosen to classify the termination of treatment is also important, because it could have a marked effect on the results of studies.
However, previous studies and studies in progress had demonstrated that a
gap of more than 90 days between psychiatric contacts is the appropriate criterion for describing patterns of care provided by a community-based system
as the South-Verona CMHS (Tansella and Micciolo, 1998). Epidemiological
studies (Sturt et al., 1982; Tansella and Micciolo, 1986; Tansella et al., 1995)
showed evidence that more often episode of care is defined as starting with a
psychiatric contact and ends when a break between contacts greater than 90
days occurred. Therefore the actual length of the episodes depends on the
value of the break value used. Break value of seven days may be considered,
from a clinical point of view, a small value, suitable only for a minority of
severe patients who need frequent contacts with psychiatric services. On the
other hand, very large break values, from a clinical point of view, are applied
to very few, if any, psychiatric patients.
The relations between length of time from contact to contact and sociodemographic and clinic characteristics of patients were used to identify indi12
cators of further high use of mental health services. There are two reasons
why it would be useful, at the beginning of their life-care, to identify those
patients who are likely to make heavy future use of services. First, indicators
of need of care may be used for providing a more rational allocation of resources. Second, a new funding system for specialist care based on ’packages
of care’ needs to be able to predict future mental health services’ utilization.
Duration data analysis showed that, among the variables considered, some
had statistically significant impacts. Diagnosis was confirmed as an important variable in predicting service use. In particular, patients affected from
the most severe and chronic diagnoses, as schizophrenia, have higher rate of
repeated contact during their life. Younger patients had a higher probability
than older to have more often contacts with the service. Other variables resulted statistically significant, as for example longer lengths of time between
the previous two contacts let presume lower probabilities to have a contact
in short time, and higher number of previous contacts predicted a higher use
of the services. These variables have been introduced in order to take into
account that patients never leave the risk set because the occurrence of the
contact puts the subject at risk of another one, and in this case multiple intervals between events for each individual need to be treated as statistically
dependent.
This suggests that further studies have to be developed to investigate
significant associations with further cares, as for example in the first 2 or 3
contacts. In fact, as the diagnosis resulted an important indicator, it is also
true that it sometimes is not made at the initial contact, but later on.
It is necessary to be aware that a more specific analysis would have been
13
useful, however this study represents a first step and it should be considered
that the amount and the characteristics of patients followed by psychiatric
services are, per se, important variables for understanding present use of
resources and for planning a more rational organization of mental health
services.
This work represents a first step to investigate whether the patterns of
health services utilization are associated to patient socio-demographic and
clinical conditions. It is hoped that this research will lead to further studies
to investigate and predict costs of mental health services and to allocate
patients to particular packages of care in accordance with the recently legal
reforms.
6
References
Allison PD (1984) Event history analysis. Regression for longitudinal event data.
In series: Quantitative Applications in the Social Sciences.
Amaddeo F, Beecham J, Bonizzato P, Fenyo A, Knapp M, Tansella M (1996)
The use of a case register to evaluate the costs of psychiatric care. Acta
Psychiatr Scand 95: 189-198.
Amaddeo F, Bonizzato P, Tansella M (1997) Psychiatric Case Register for monitoring service utilisation and evaluating its costs. In: Tansella M (ed)
Making Rational Mental Health Services. Il Pensiero Scientifico Editore,
Rome.
Amaddeo F, Beecham J, Bonizzato P, Fenyo A, Tansella M, Knapp M (1998)
The costs of community-based psychiatric care for first-ever patients. A
14
case register study. Psychol Med 28: 173-183.
Bonizzato P, Bisoffi G, Amaddeo F, Chisholm D, Tansella M (2000) Communitybased mental health care: to what extent are service costs associated with
clinical, social and service history variables? Psychol Med 30: 1205-1215.
De Agostini P, Bonizzato P, Amaddeo F, Bisoffi G, Perali F, Tansella M (2001)
Per un pi razionale sistema di finanziamento dei Dipartimenti di Salute Mentale. I. Analisi dei costi delle prestazioni erogate da un Servizio Psichiatrico
Territoriale. Epidemiol Psichiatr Soc 10: 163-179.
Knapp M, Beecham J, Koutsogeorgopoulou V, Hallam A, Fenyo A, Marks IM,
Connolly J, Audini B, Muijen M (1994) Service use and costs of homebased versus hospital-based care for people with serious mental illness. Br
J Psychiatry 165: 195-203.
McCrone P, Phelan M. (1994) Diagnosis and length of psychiatric in-patient stay.
Psychol Med 24: 1025-1030.
McCrone P, Strathdee G (1994) Needs not diagnosis: towards a more rational
approach to community mental health resourcing in Britain. Int J Soc Psychiatry 40: 79-86.
Sturt E, Wykes T, Creer C. (1982) Demographic, social and clinical characteristics of the sample. In: Wing JK (ed) Long-Term Community Care:
Experience in a London Borough. Psychol Med Suppl ; 2: 5-14.
Tansella M, Amaddeo F, Burti L, Garzotto N, Ruggeri M (1998) Communitybased Mental Health Care in Verona, Italy. In: Sir Goldberg D, Thornicroft
G (eds) Mental Health in Our Future Cities. Psychology Press, Hove (UK).
15
Tansella M, Micciolo R, Biggeri A, Bisoffi G, Balestrieri M (1995) Episodes of care
for first-ever psychiatric patients - A long-term Case-Register Evaluation in
a Mainly Urban Area. Br J Psychiatry 167: 220 - 227.
Tansella M, Micciolo R. (1986) High and long-term users of the mental health
services. Soc Psychiatry 21: 96-103.
Tansella M, Micciolo R. (1998) Unplanned first contact as a predictor of future
intensive use of mental health services. Soc Psychiatry Psychiatr Epidemiol
33: 174-180.
Yamaguchi K. (1991) Event history analysis. Applied research methods series 28.
16
Table 1. Characteristics of patients at the time of their first-ever contact
Gender
Men
Female
Age
<=30
31-4 4
45-6 4
>=65
Marital Status
Single
Married
Widowed
Separated
Divorced
Living Condition
Alone
Partner
Alone with childs
Partner and childs
Other relatives
Elderly House
Community
Other conditions
Education
Illiterates
Without any degree
Primary school
Secondary school
High School
University Degree
Occupational Status
Employed
Unemployed
Housewives
Students
Retired
Others
Diagnosis
Schizophrenia
Affective Disorders
Organic Mental Disorders
Depression
Neurotic Disorders
Alcoholism
Personality Disorders
No psychiatric disorders
Drug addictions
Mental retardation
Dementia
Other diagnosis
17
N
%
474
792
37
63
397
306
324
239
31
24
26
19
430
597
143
57
23
34
47
11
4
2
154
198
76
399
392
1
1
19
12
16
6
31
31
0.1
0.1
1
11
51
345
479
274
28
1
4
27
38
22
2
556
94
235
88
242
22
44
7
19
7
19
2
58
11
20
446
235
33
52
119
15
11
57
123
5
1
2
35
19
3
4
9
1
1
4
10
Table 2. Spells distribution over three months period
Spell length
1-5
6-10
11-15
16-20
21-25
26-30
31-35
36-40
41-45
46-50
51-55
56-60
61-65
66-70
71-75
76-80
81-85
86-90
Total
Censoring Variable
Spells ended Termination
with contact of treatment
1320
6
1316
6
1063
7
472
4
456
10
402
4
255
1
138
4
183
6
123
2
55
2
69
4
51
3
44
4
33
3
33
5
35
1
25
1116
6073
1188
18
Total
1326
1322
1070
476
466
406
256
142
189
125
57
73
54
48
36
38
36
1141
7261
Table 3. Cumulative proportion of patients who have been re-contacted
after 7, 14, 21, 28, 35, 42 days (Kaplan-Meier estimates)
All
Number of previous
contacts
1
2
3
4
Age
<=30
31-44
45-64
>=65
Diagnosis
Schizophrenia
Severe
Affective
Disorders
Neurotic
and
somatoform
Disorders
Other diagnosis
Characteristic of previous
contact
Planned
Unplanned
7
0.29
Days since last contact
14
21
28
0.48
0.60
0.67
Chi2
35
0.72
42
0.75
163.22
0.16
0.22
0.24
0.24
0.34
0.43
0.44
0.45
0.43
0.56
0.59
0.57
0.48
0.64
0.67
0.65
0.50
0.68
0.73
0.72
0.53
0.72
0.75
0.76
0.33
0.32
0.27
0.11
0.54
0.51
0.45
0.24
0.65
0.64
0.58
0.35
0.72
0.70
0.66
0.45
0.76
0.74
0.72
0.54
0.78
0.78
0.76
0.59
0.51
0.27
0.68
0.46
0.77
0.59
0.83
0.67
0.87
0.73
0.89
0.77
0.19
0.41
0.56
0.64
0.70
0.75
0.29
0.46
0.56
0.62
0.66
0.68
175.66
294.90
42.38
0.27
0.46
0.46
0.61
19
0.59
0.69
0.66
0.75
0.72
0.77
0.75
0.80
Table 4. Weibull hazard regression model of a repeat contact probability.
Model 1
Time spell
Robust
Std. Err.
Coef.
time since last contact
time between two previous
contacts
previous contacts number
previous contact duration
duration of two contacts ago
sex
Age
31-44
45-64
>=65
Marital Status
single
married
widower
separated
divorced
Living Condition
alone
partner
alone+children
partner+children
other relatives
community
other condition
Education
illiterate
without degrees
primary school
second. school
high school
first degree
Occupational Status
employed
unemployed
looking for new job
housewife
student
pensioner
others
Diagnosis vs schizophrenia
Severe affective disorder
Nevrotic disorder
Other diagnoses
Type of previous contact
vs. Outpatients care
psychotherapy
day care & social support
home care
hospital care
Characteristic of previous
contact
planned
Constant
Weibull shape parameter
Model 2
Model 3
Robust
Std. Err.
Coef.
Coef.
Robust
Std. Err.
-
-
-
-
-0.0079
-0.0047
0.0010
0.0010
0.0042
0.0030
0.0034
0.0004
0.0011
0.073
0.0036
0.0023
0.0318
0.0006
0.0009
0.0682
0.0081
0.0021
0.0021
0.0078
0.0010
0.0004
0.0006
0.0551
-0.0777
-0.1240
-0.4135
0.0711
0.1085
0.1292
-0.0478
-0.0911
-0.3934
0.0666
0.1034
0.1227
-0.0438
-0.1172
-0.3586
0.0570
0.0808
0.1084
-0.2044
-0.0930
-0.0092
-0.0625
-0.1113
0.4623
0.4797
0.4492
0.4700
0.4873
0.0410
0.1600
0.1711
0.1567
0.1604
0.3949
0.4105
0.3827
0.3931
0.4186
0.3929
0.4837
0.4816
0.4655
0.4600
0.3131
0.3104
0.2867
0.3121
0.3264
-0.6106
-0.3198
-0.6489
-0.6485
-0.4298
-0.8305
-0.5251
0.4314
0.4456
0.4383
0.4600
0.4343
0.4418
0.5136
-0.9889
-0.7464
-1.0311
-1.0431
-0.8263
-1.2481
-0.9854
0.4023
0.4071
0.4086
0.4256
0.4061
0.4264
0.4706
-0.8594
-0.7540
-0.9065
-0.9269
-0.7519
-1.2720
-0.9166
0.3433
0.3558
0.3477
0.3542
0.3473
0.3746
0.4209
-0.3014
-0.3363
0.0541
-0.0685
-0.1072
-0.0664
0.3867
0.1956
0.1915
0.1586
0.1618
0.2163
-0.4534
-0.3994
0.0079
-0.0752
-0.1105
-0.0969
0.3471
0.1934
0.1798
0.1582
0.1613
0.2258
-0.5067
-0.3233
-0.0193
-0.0476
-0.0561
-0.0420
0.3652
0.1786
0.1510
0.1439
0.1469
0.1944
-0.2678
-0.0893
-0.0940
-0.3463
-0.2619
-0.4876
-0.6620
0.3315
0.3272
0.3678
0.3094
0.3515
0.3086
0.4360
0.0790
0.1637
0.2500
-0.0216
0.0929
-0.1410
-0.2495
0.3447
0.3380
0.3866
0.3298
0.3643
0.3228
0.4384
0.0177
0.1121
0.1504
0.0322
0.0397
-0.0937
-0.1838
0.2727
0.2774
0.3079
0.2725
0.2899
0.2677
0.3764
-0.2983
-0.4495
-0.4024
0.1297
0.1243
0.1337
-0.2094
-0.3540
-0.3393
0.1310
0.1241
0.1337
-0.1989
-0.2836
-0.2787
0.1065
0.1033
0.1108
-
-
-0.1483
0.6426
0.6021
-0.1463
0.1005
0.1543
0.1257
0.1666
-0.0952
0.4481
0.5365
-0.3942
0.0874
0.1307
0.1102
0.1801
0.2783
0.0736
0.1092
0.0980
0.0996
0.0916
-2.1443
0.4880
-2.4824
0.4168
-2.8130
0.2496
1.0453
0.0224
1.0574
0.0191
1.1069
0.0176
Sample sizes: 6002 visits Number of patients: 1266.
20
Table 5. Median and mean Weibull prediction from hazard regression
model of a repeat contact probability by diagnosis groups.
Model 1
Model 2
Model 3
Diagnosis
Mean
Schizophrenia
Affective disorder
Neurotic and somatoform
disorder
Other diagnosis
Median
Mean
Median
Mean
Median
15.29
20.61
23.97
9.73
12.94
14.96
16.36
20.53
23.72
10.32
12.58
14.42
19.28
23.52
25.60
10.76
12.88
13.91
22.87
14.30
23.38
14.22
25.47
13.84
21
Figure 1. Kaplan-Meier empirical survival function for a repeat contact.
Kaplan-Meier survival estimate
1.00
0.75
0.50
0.25
0.00
0
10
20
30
40
50
60
time between contacts
70
80
90
100
Figure 2. Kaplan-Meier empirical hazard function for a repeat contact
.15
Hazard
.1
.05
0
0
10
20
30
40
50
60
time between contacts
1
70
80
90
100
Figure 3 – Cumulative hazard function for a rep eated contact, by subgroup of previous contacts number.
Nelson-Aalen cumulative hazard estimates, by spellno
2.00
4 previous contacts
3 previous contacts
Hazard
1.50
2 previous contacts
1.00
1 previous contact
0.50
0.00
0
10
20
30
40
50
60
time between contacts
2
70
80
90
100
II. A new financial system for the
Community-Based Mental Health Services:
defining packages of care.
Paola De Agostini
December 10, 2005
Abstract
1
1
Introduction
La ridefinizione del SSN italiano, avviata nel 1992 dal Decreto Legislativo
n. 502, culminata nel 1999 con due importanti riforme: la prima sul fronte
dell’organizzazione del sistema sanitario (Decreto Legislativo 229/99), l’altra
sul fronte del finanziamento dello stesso, con l’introduzione del federalismo
fiscale in sanit (Legge n. 133 di delega al Governo), che amplia il ruolo
delle Regioni nella gestione dei servizi e nella programmazione delle risorse.
Un’importante innovazione relativa al sistema di finanziamento del sistema
sanitario rappresentata dalla possibilit di attuare una sorta di doppio binario. Infatti, da una parte si pu continuare ad utilizzare il sistema delle tariffe
predeterminate per prestazione, mentre dall’altra possibile avere il rimborso
secondo un ammontare globale (funzioni assistenziali) predefinito e determinato, che includa diverse prestazioni (previsto, ad esempio, per malattie
rare, emergenze, trapianti, malattie croniche). Questo progetto ha l’obiettivo
di rendere attuabile tale sistema di finanziamento in ambito psichiatrico definendo con criteri scientifici ed utilizzando tecniche statistiche (analisi dei
cluster, CHAID, regressione logistica multinomiale) ed econometriche (funzione di costo) adeguate:
1. le prestazioni ed i loro costi e, successivamente,
2. le ”funzioni assistenziali ” o pacchetti di trattamento ed i loro costi,
3. un sistema adeguato per assegnare ciascun paziente ad un tipo di finanziamento o all’altro,
4. ed, infine, all’interno del pagamento per pacchetti, un albero decisionale
26
che guidi l’assegnazione, a ciascun paziente, del pacchetto pi idoneo, in
relazione alle sue caratteristiche cliniche e sociodemografiche.
2
Data
Questo studio utilizza un dataset di 1250 pazienti psichiatrici le cui informazioni socio-demografiche e cliniche sono state raccolte da 5 centri italiani
durante il mese di Ottorbre 2002 e seguiti per 6 mesi.
In particolare I 1250 pazienti considerati in questo studio hanno effettuato 45052 contatti psichiatrici nel periodo di follow-up. Tuttavia, in un
momento successivo all’inizio della ricerca, la lista di prestazioni psichiatriche
considerate e‘ stata modificata ed alcune voci assemblate. Inoltre, per alcuni
pazienti erano stati inseriti dei contatti avvenuti anche dopo la fine del periodo di follow-up e perci‘ tali contatti non vengono considerati per gli scopi
di questa ricerca. Il numero totale di contatti considerati da questo punto
in avanti e‘ di 43558 contatti psichiatrici relativamente a 1250 pazienti (250
per ogni centro). [@@@ NOTA @@@]
2.1
Five Psychiatric Centers
Questo studio e‘ stato condotto sui dati relativi a 1250 pazienti psichiatrici di
cinque centri psichiatrici italiani: Bologna, Legnano, Napoli, Roma e Verona.
[@@@ Descrizione centri @@@]
L’offerta delle prestazioni fatta da questi centri - Community-Based Psychiatric Services - copre un vasto range di servizi sia ospedalieri che comunitari. Con sola eccezione degli infermieri, tutti gli altri operatori professionali
27
lavorano sia in strutture ospedalieri che non. Questo assicura la continuita‘
della cura attraverso tutte le diverse fasi di trattamento. [@@@]
2.2
Le prestazioni e loro modalita‘ di erogazione
In Tabella 1 sono riportati per ciascun centro partecipante allo studio il
numero di contatti psichiatrici registrati durante i sei mesi di follow up,
la distribuzione percentuale rispetto al totale del gruppo e la distribuzione
cumulata.
TABLE 1
In particolare si nota che il totale dei contatti psichiatrici osservati e‘ di
43558, il 35% dei quali sono attribuibili al DSM di Verona, mentre Bologna e
Legnano partecipano rispettivamente con il 28% ed il 24% dei casi. Napoli e
Roma partecipano in dimensioni nettamente inferiori rispetto agli altri centri:
2% e 10% rispettivamente.
Le informazioni sulle modalita‘ di erogazione delle prestazioni per ciascuna unita‘ operativa sono riportate in Tabella 2. In particolare sono state
raccolte informazioni sui tempi di erogazione delle prestazioni e sul numero
di operatori professionali che le erogano. Per le Unit Operative che non avevano all’inizio dello studio un sistema standardizzato di raccolta dati che
rendesse disponibile questo tipo di informazione, I dati sono stati raccolti
nell’arco di sette giorni utilizzando una ”Scheda di rilevazione della durata
delle prestazioni” per tempi di erogazione e numero di operatori coinvolti.
Tabella 2 riporta per ogni centro e per ciascuna prestazione i valori medi
e mediani dei tempi impiegati nei contatti con i pazienti. In particolare e‘
28
importante notare che non tutte le prestazioni sono erogate da tutte le UO
e che le prestazioni comuni ad alcune UO spesso non vengono eseguite con
modalit simili.
Le differenze evidenziate tra modalita‘ di erogazione delle prestazioni nelle
cinque Unita‘ Operative saranno impiegate per determinare il costo di ogni
prestazione per ogni centro sulla base dei costi stimati per l’unita‘ di Verona
in precedenza (De Agostini et. Al., 2001). Utilizzando l’elasticita‘ dei costi
rispetto alla variazione del numero e tipo di operatori professionali impegnati
e alla variazione dei tempi di erogazione delle prestazioni e‘ infatti possibile
derivare i costi di ogni singola prestazione in UO diverse.
Table 2
2.3
Costs of Psychiatric Services
La Tabella 3 riassume tutte le prestazioni erogate durante i 6 mesi di followup ai pazienti inclusi nella ricerca e i loro costi.
In particolare per ogni UO la prima colonna riporta la frequenza assoluta delle prestazioni erogate. Sul totale del gruppo di lavoro, la prestazione
pi frequente risulta essere la giornata di presenza in strutture semiresidenziali (22%), seguita dalla somatoterapia psichiatrica (15%) e dalla visita
specialistica psichiatrica (13%). Come notato in precedenza non tutte le
prestazioni sono erogate in tutte le sedi. Ad esempio, nel periodo Ottobre
2002 - Aprile 2003, Bologna non ha effettuato nessuna consulenza specialistica, nessun esame testistico o Interventi terapeutici-riabilitativi di gruppo,
tra le psicoterapia eroga solo quelle individuali e non effettua ricoveri in
29
SPDC. Legnano non ha effettuato consulenze specialistiche; Roma ha effettuato almeno una prestazione per tipo nel periodo di studio, mentre a Napoli
sono state effettuate prevalentemente visite specialistiche psichiatriche, interventi terapeutici-riabilitativi di gruppo, colloqui psicologici terapeutici e
psicoterapie individuali.
Al database esistente, utilizzato per il calcolo dei costi delle singole prestazioni,
sono state aggiunte le giornate di degenza in SPDC, il Day Hospital e le giornate presso le Strutture Residenziali (CTRP, Comunit Alloggio, RSA) e sono
stati stimati i costi di ognuna di queste attivit (REF. Percudani).
La Tabella 3 (seconda colonna) riporta i costi delle prestazioni erogate,
per Unit Operativa e per il gruppo intero. I costi sono stati calcolati sulla
base degli attuali compensi previsti dal tariffario nazionale, tenendo conto
sia dei tempi standard di erogazione di ogni singola prestazione nelle diverse
sedi che del numero e del tipo di operatori coinvolti. La differenza tra i costi
delle diverse Unit Operative imputabile quindi alle differenze nelle modalita‘
di erogazione delle prestazioni .
Stima dei costi sulla base di quelli stimati per Verona da De Agostini et.
al. nel 2001 utilizzando il concetto di elasticit dei costi rispetto ai fattori
produttivi impiegati.
In particolare, in questo lavoro il costo delle prestazioni deriva dalla stima
della relazione lineare esistente tra la spesa sanitaria per una prestazione
psichiatrica, da un lato, e l’impiego dei fattori produttivi e la durata della
prestazione, dall’altro.
Le ”attivit strutturate terapeutico-riabilitative” e la ”somatoterapia psichiatrica” sono due prestazioni per le quali non viene registrata la durata (as30
sunta come fissa) e per questo motivo non erano state incluse nelle analisi
con la funzione di costo. La voce ”presenza in struttura semiresidenziale”
invece non stata considerata una prestazione di per s, ma il suo costo stato
incluso nei costi di gestione della struttura. (De Agostini et al., 2001).
Una misura utile, per interpretare le stime, l’elasticit dei costi (EC),
definita come la variazione percentuale del costo associata ad una variazione
percentuale nei prezzi o nelle quantit dei fattori produttivi. L’elasticit dei
costi pu essere scritta:
Ec =
∆C
C
∆Q
Q
=
∆C Q
∆Q C
Da cui la variazione del costo dovuta ad una variazione del numero di
operatori professionali impegnati nell’erogazione della prestazione risulta:
∆C = Ec
C
∆Q
Q
dove C rappresenta il costo stimato della prestazione del Servizio Psichiatrico Territoriale di Verona Sud e Q il numero medio di operatori coinvolti
nella prestazione. Mentre C rappresenta la variazione di costo rispetto a
quello di Verona per un diverso Servizio Psichiatrico e Q la variazione di
fattori produttivi impiegati.
I costi riportati in Tabella 3 derivano dalla stima della (1) e (2) per ciascuna Unit Operativa calcolati come variazione rispetto ai tempi di erogazione
e tipo di operatori professionali coinvolti a Verona. L’ultima colonna in
Tabella 3 riporta I costi medi del gruppo per ciascuna prestazione. Detti
31
costi saranno utilizzati in seguito per valutare il costo finale dei pacchetti di
cura.
E’ da notare che I costi delle attivi educativo occupazionale, delle giornate
in presenza residenziali e semiresidenziali, I ricoveri in SPDC ed in casa di
cura privata e le riunioni d’equipe o tra operatori interni non erano state
stimate per il SPT di Verona-Sud nel nostro lavoro del 2001 in quanto non
ne viene registrata la durata o trattasi di attivit il cui costo stato incluso
nei costi di gestione della struttura. I costi per dette prestazioni sono stati
derivati in modo diverso e risultano essere per l’unit di Verona di 755.51
Euro per settimana per presenze in strutture residenziali, 81.17 Euro per
contatto in strutture semiresidenziali e 138.36 Euro per giorno di ricovero in
casa di cura privata. I costi dei ricoveri in SPDC, invece, sono disponibili per
due Unit Operative: Verona e Legnano. Risultano rispettivamente di 264.21
Euro al giorno per Verona, mentre a Legnano variano tra 189.53 e 233.95
Euro. Per le altre Unit Operative, in cui i dati non erano disponibili, stato
utilizzato il costo medio per prestazione.
TABLE 3
2.4
Patients
I criteri utilizzati per l’inclusione dei pazienti nello studio sono stati i seguenti:
dalla data di inizio di reclutamento sono stati selezionati in ciascuna UO i
primi 250 pazienti che hanno avuto contatti di qualsiasi tipo e con qualsiasi
sede del servizio (compreso l’SPDC e gli appartamenti protetti, se gestiti
direttamente dal servizio; escluse le case di cura private). Al fine del re-
32
clutamento, non sono stati inclusi i pazienti che hanno avuto un contatto
esclusivamente per la richiesta di certificazioni medico-legali. In occasione
del primo contatto per ciascun paziente sono state raccolte le caratteristiche sociodemografiche e cliniche rilevanti relative all’anno precedente l’inizio
della rilevazione, una valutazione della gravit clinica, realizzata con la Global
Assessment of Functioning scale (GAF). Utilizzando un Questionario per i
Problemi Familiari (QPF) sono state raccolte anche alcune informazioni sul
carico familiare.
I pazienti sono stati quindi seguiti per sei mesi dalla data dell’arruolamento
(fino ad aprile 2003), ed in tale periodo, per ogni contatto sono state registrate tutte le informazioni relative all’utilizzo dei servizi psichiatrici.
Caratteristiche socio-demografiche e cliniche I risultati delle analisi sulle
caratteristiche sociodemografiche sono riportati in Tabella 4. In generale
le donne sono pi numerose degli uomini, sia nel campione totale (54% vs
46%) che nelle singole UO. Il 56% dei pazienti sono single, abitano con la
famiglia o con il partner (75%) e hanno un’educazione scolastica medio bassa
(solo il 5.5 % dei pazienti e‘ in possesso di un diploma di laurea). In base
alla condizione lavorativa, il 29% dei pazienti risulta essere occupato, il 22%
risulta disoccupato, mentre piu‘ del 48% dei pazienti e‘ rappresentato da
pensionati, casalinghe e studenti.
Per quanto riguarda gli aspetti clinici, in genere il primo contatto risulta
essere un contatto programmato. E‘ possibile tuttavia notare alcune eccezioni
come ad esemprio Napoli, dove il 31% dei primi contatti non programmato,
e Verona (10% dei casi). Tuttavia, e‘ importante notare che quasi il 70% del
campione e‘ costituito da pazienti che hanno gi avuto dei contatti psichiatrici
33
in precedenza, percio‘ molte di queste visite possono rappresentare appuntamenti fissati in precedenza all’inizio dello studio con il medico curante.
I pazienti con esperienza di trattamenti sanitari obbligatori rappresentano
il 17% del campione, mentre solo il 13% ha avuto precedenti esperienze di
ricoveri in Ospedale Psichiatrico.
La diagnosi piu‘ comune e‘ la schizofrenia (35%) sia nel campione totale
che nelle singole UO - fatta eccezione per l’unita‘ di Napoli, dove risultano
pi frequenti le nevrosi e i disturbi somatoformi. I disturbi affettivi risultano
presenti nel 23% del campione totale.
Table 4
2.5
Distinguishing high and low users of Psychiatric
Services
I 1250 pazienti sono stati suddivisi nei due gruppi seguenti in base all’utilizzazione
dei servizi (tabella 5), in base ai due criteri seguenti: ” gruppo A - pazienti
solo con contatti di tipo ambulatoriale nel semetre di follow-up, fino a 26
contatti presso l’ambulatorio della Clinica o del CSM o fino a 52 contatti in
psicoterapia e pazienti con ricoveri di durata inferiore alla settimana nei sei
mesi di follow-up e per i quali si pu prevedere un rimborso, per ’assistenza
erogata, in base alle tariffe previste dal nomenclatore tariffario; ” gruppo B tutti gli altri pazienti che utilizzano il servizio in modo pi intenso e per i quali
si potrebbe prevedere un rimborso in base al concetto di ”funzione assistenziale” o ”pacchetti di prestazioni”, secondo quanto previsto dal Decreto 229
del 1999.
34
Tabella 5. Distribuzione di pazienti e contatti nei due gruppi alti e bassi
utilizzatori
In particolare i due criteri esposti sopra identificano due gruppi di pazienti di dimensioni simili, rispettivamente 48% e 52% del totale (Tabella 5).
Tuttavia, risulta evidente che essi utilizzano i servizi psichiatrici in modo
diverso: mentre il gruppo A contribuisce per 11% dei contatti in un periodo
di sei mesi, il gruppo B (alti utilizzatori) impegna i servizi psichiatrici per
l’89% dei contatti avvenuti in sei mesi di follow-up. Questo conferma che i
criteri utilizzati ben identificano i due gruppi di alti e bassi utilizzatori dei
servizi.
In Tabella 6 sono riportate le distribuzioni di frequenza delle prestazioni
erogate ai due gruppi di utilizzatori identificati sopra. In particolare, sono
riportate sia le frequenze assolute che le frequenze relative per riga e colonna.
Risulta evidente che in questo campione di pazienti gli alti utilizzatori sono
caratterizzati dalle presenze in strutture semiresidenziali che rappresentano
il 25% dei contatti di questo gruppo di pazienti, seguite dalla somatoterapia
psichiatrica (17%) e dalle visite specialistiche psichiatriche e dagli interventi
terapeutici-riabilitativi di gruppo, rispettivamente rappresentanti dell’11%
dei contatti. I bassi utilizzatori richiedono prevalentemente visite specialistiche psichiatriche (37% dei contatti) e psicoteratpie individuali (30% dei
contatti). Confrontanto
Tab. 6 - Distribuzione delle prestazioni Psichiatriche tra alti e bassi utilizzatori.
le distribuzioni delle prestazioni per riga invece, risulta che il 91% delle
”visite specialistiche 1a visita” caratterizzano i bassi utilizzatori del servizio,
35
mentre solo il 9% del totale delle prime visite vengono effettuate dagli alti utilizzatori. Questo fa pensare che la maggior parte degli alti utilizzatori siano
pazienti gia‘ noti ai servizi. I pazienti bassi utilizzatori risultano usufruire del
colloquio psicologico piu‘ spesso che gli alti utilizzatori (60% vs 40%), questi
pazienti richiedono piu‘ spesso interventi di psicoterapia sia individuale (86%
vs 14%) che di gruppo (84% vs 16%). Solo 1 su 203 ricoveri in SPDC e‘ stato
effettuato da un basso utilizzatore, mentre tutti i ricoveri in casa di cura
privata sono effettuati, in questo campione, da pazienti alti utilizzatori dei
servizi psichiatrici.
In Tabella 7 sono riportate, invece, le caratteristiche socio-demografiche
dei pazienti alti e bassi utilizzatori. In particolare da una prima analisi descrittiva del campione utilizzato in questo studio risulta che i bassi utilizzatori sono prevalentemente donne (63%), single (48%) o coniugate/conviventi
(38%), che vivono in famiglia o con il partner (83%). La maggioranza di
questi pazienti (39%) risulta aver terminato la scuola dell’obbligo, mentre il
34% di essi ha un diploma di maturita‘ superiore. I pazienti bassi utilizzatori dei servizi sono occupati (38%) o impegnati in altre attivita‘ (studenti,
casalinghe e/o pensionati), 44%. Le diagnosi prevalenti per questo gruppo
sono i disturbi affettivi e le nevrosi e disturbi somatoformi rispettivamnete il
34% e 25% dei pazienti.
Del gruppo degli alti utilizzatori, invece, rientrano prevalentemente uomini (54%), single (64% che vivono con la famiglia o il partner (68%). Il 45%
di questi pazienti ha terminato la scuola media inferiore, mentre solo 23%
del campione possiede un diploma di maturita‘ superiore. Solo il 5% e‘ in
possesso di un diploma di laurea. Il 52% di questi pazienti risulta essere stu36
dente/casalinga o pensionato, mentre il 27% degli alti utilizzatori dei servizi
psichiatrici e‘ disoccupato. La diagnosi piu‘ frequente per questo gruppo di
pazienti risulta la schizofrenia (53%).
Da questa prima analisi descrittiva dei due gruppi di utlizzatori identificati sopra, risulta che rientrano tra gli alti utilizzatori dei servizi psichiatrici
la maggioranza dei pazienti schizofrenici (79% sul totale del campione) o con
disturbi di personalita‘ (54%), i disoccupati (62%), quelli che vivono da soli
(65%), la maggioranza dei divorziati o separati (63%) e la maggioranza degli
uomini (61%).
Tab. 7 - Caratteristiche Demografiche dei Pazienti per alti e bassi utilizzatori - % per righe e colonne.
3
Empirical Application
3.1
Identificazione delle variabili predittive degli alti
utiizzatori
Per costruire una flow-chart che aiuti nella pratica a decidere, dopo il 3 contatto, se assegnare un paziente al gruppo A o al gruppo B, e‘ stato utilizzato
un modello logistico che mette in relazione la probabilita‘ di essere un alto
utilizzatore dei servizi psichiatrici con le caratterisitiche socio-demografiche,
la storia psichiatrica precedente e le prime informazioni mediche che possono
essere raccolte entro il terzo contatto con il servizio psichiatrico.
Le caratteristiche demografiche utilizzate sono: genere, stato civile, condizione abitativa, scoalrita‘, status professionale; le informazioni sulla sto-
37
ria psichiatrica precedente dei pazienti sono: se il paziente ha avuto contatti psichiatrici precedenti, ricoveri in OP e/o ricoveri coatti o TSO, il tipo
di risorse utilizzate nell’anno precedente - ricovero, strutture residenziali o
semiresidenziali, day care e/o visite ambulatoriali e/o domiciliare - punteggio
GAF; le altre informazioni usate sono: diagnosi e frequenza in giorni con cui
i pazienti ricorrono al servizio tra il 1 e il 2 contatto e tra 2 e 3 contatto.
La Tabella 8 riporta i risultati di questa analisi. In particolare, e‘ da
notare che quasi tutti i coefficienti risultano statisticamente significativi ad
un livello del 5% e/o 10%. I piu‘ probabili alti utiiilizzatori dei servizi psichiatrici risultano essere uomini rispetto alle donne, vedovi rispetto ai coniugati, chi vive da solo rispetto a chi vive in famiglia, i pazienti con diagnosi di
schizofrenia, quelli che hanno avuto un piu‘ alto numero di contatti psichiatrici precedenti, ma che non hanno avuto ricoveri in OP. Facendo attenzione
poi al tipo di utilizzo delle risorse fatto nell’anno precedente si nota come contatti in strutture diverse, fatta eccezione per quelli in struttura residenziale,
risultano aumentare la probabilita‘ di appartenere al gruppo degli alti utilizzatori del servizio del 2 o 3%. Relativamente alla frequenza di ricorso ai
servizi prima dell’assegnazione ai gruppi A e B si nota come ogni giorno in
piu‘ che decorre tra primo e secondo contatto e tra secondo e terzo contatto
faccia diminuire, come atteso, la probabilita‘ di essere un alto utilizzatore dei
servizi rispettivamente dell’1% e del 2%.
Tabella 8. Logit Regression Model per identificare le caratteristiche che
distinguono High User e Low User.
38
3.2
Cluster Analysis: identification of packages of care
3.2.1
DEFINIZIONE DI ”PACCHETTI DI CURA” IN 5 AREE
ITALIANE PER L’ASSISTENZA PSICHIATRICA COMMUNITYBASED UTILIZZANDO L’ANALISI DI CLUSTER.
L’Analisi dei gruppi una metodologia che permette di raggruppare in sottoinsiemi, detti ”gruppi” o clusters, elementi appartenenti ad un insieme pi
ampio, descritti da un certo numero di variabili o caratteristiche. Tale insieme originario degli elementi, su cui si attua l’analisi per ricavare i gruppi,
non sottoposto ad alcuna restrizione: pu infatti contenere individui, oggetti,
osservazioni, variabili, dati, misure. Data la generalit della sua definizione,
l’Analisi dei Gruppi pu trovare applicazione in qualsiasi campo scientifico.
Questo tipo di analisi dei dati oggi molto diffusa e le pubblicazioni su tale
argomento sono numerose .
Lo scopo principale dell’analisi dei gruppi quello di ottenere, dall’insieme
di elementi di partenza, raggruppamenti in base alla somiglianza, in modo
che gli elementi di uno stesso gruppo siano fra loro il pi simili possibile e gli
elementi appartenenti a gruppi distinti siano fra loro il pi diversi possibile.
In altre parole lo scopo scoprire e distribuire gli elementi in gruppi in modo
tale che il grado di naturale associazione sia alto fra i membri dello stesso
gruppo e basso tra membri di gruppi diversi; in questo modo si otterr quindi
un’alta omogeneit all’interno dei gruppi e un’alta eterogeneit tra gruppi.
La flessibilit e la variet dei metodi di analisi dei gruppi consente il raggiungimento di scopi diversi, in dipendenza del metodo usato, dei dati a
disposizione, del campo di ricerca e degli interessi del ricercatore. I metodi
39
di analisi dei gruppi nel loro complesso permettono di raggiungere molteplici
fini, quali la scoperta di una reale tipologia, l’adattamento di un modello, la
predizione basata sui gruppi, la validazione di ipotesi, l’esplorazione di dati,
la proposta di ipotesi ed in fine la riduzione di dati.
L’utilizzo congiunto di metodi di analisi fattoriale e di classificazione rende
possibile l’identificazione di gruppi e la determinazione delle loro posizioni
relative. Spesso partizioni o strutture ad albero si usano per ampliare i
risultati delle analisi fattoriali preliminari nel corso delle fasi esplorative di
analisi dei dati. Nel nostro caso in un primo momento stata applicata
l’analisi di raggruppamento per individuare quali utenti dei servizi psichiatrici
risultano simili in base all’intensita‘ di utilizzo dei servizi e successivamente
l’analisi fattoriale viene applicata per determinare quali sono le prestazioni
che maggiormente caratterizzano ogni pacchetto di cura identificato.
Il metodo di raggruppamento adottato in questo lavoro appartiene alla
categoria delle tecniche divisive o non gerarchiche. L’analisi gerarchica consiste in una successione di raggruppamenti disposti secondo livelli ordinati:
al livello iniziale ogni elemento costituisce un gruppo; ai livelli successivi, in
modo diverso a seconda del metodo d’analisi scelto, gli elementi vengono raggruppati in gruppi via via pi ampi, fino al livello finale in cui tutti gli elementi
sono riuniti in un unico insieme. Il risultato finale di un’analisi gerarchica
dato da una successione di partizioni sempre meno fini, nel senso che le classi
di equivalenza di ogni livello sono contenute nel successivo. Questa struttura
piramidale viene connotata mediante il termine ”gerarchico” e si differenzia
dalle strutture non gerarchiche che conducono ad una suddivisione dei dati
di partenza in sottogruppi tra loro distinti; il risultato finale costituito da
40
un’unica partizione in una o pi classi di equivalenza.
Il metodo proposto in questo studio , secondo la maggior parte della
letteratura, il metodo divisivo pi adatto a grandi matrici di dati, contenenti
da centinaia a migliaia di osservazioni, sebbene sia fondato su una base teorica
relativamente esigua; ad ogni modo la sua efficacia ampiamente attestata da
risultati empirici.
Esso appartiene alla classe di metodi noti come algoritmi ”media-k” (kmean). Viene usato in aggiunta ad altri metodi oppure direttamente come
strumento descrittivo. L’algoritmo su cui si basa il metodo ”media-k” pu
essere attribuito principalmente a Forgy (1965), nonostante l’esistenza di
numerosi altri sviluppi, alcuni precedenti (Thorndike, 1953), altri successivi
(Ball e Hall, 1967; MacQueen, 1967; Diday, 1971; Diday e al., 1980).
Il suo procedimento consiste nel fissare a priori il numero k dei gruppi e
nel determinare dei punti iniziali qualsiasi di riferimento per poi individuare
una partizione iniziale in gruppi dei dati di partenza; una volta costruiti
i primi k gruppi, si calcola il ”centroide” di ogni gruppo. Si definisce un
criterio che stabilisca l’appartenenza di un elemento ad un gruppo piuttosto
che ad un altro: il metodo ”media-k” fa riferimento al criterio di dissimilarit,
in particolare a quello della distanza euclidea. Si pu allora individuare la
partizione successiva sulla base delle distanze minime fra tutti gli elementi e
i centroidi. Tale metodo a ”media-k”, elaborato da Forgy (1965), presenta
dei vantaggi rispetto ad altri metodi poich propone un ciclo di rielaborazioni
che porta alla stabilit dei gruppi. La pratica mostra anche che la partizione
finale si ottiene rapidamente, in generale con meno di una decina di iterazioni.
Inoltre non necessario avere in memoria le distanze fra tutti gli elementi di
41
partenza in quanto sufficiente conoscere le loro distanze dai centroidi: con
questo algoritmo si possono quindi classificare anche dei grandi insiemi.
Il metodo attribuito a Mac Queen (1967) ad esempio, che costituisce una
variante del metodo ”media-k” di Forgy, pur partendo anche’esso da una
scelta casuale dei punti iniziali di riferimento, procede diversamente per il
calcolo dei nuovi centroidi. La loro posizione modificata prima che tutti
gli elementi siano stati riassegnati: ogni nuova assegnazione degli elementi
porta a modificare la posizione dei centroidi corrispondenti. Con una sola
iterazione tale procedura pu anche dare una partizione di buona qualit, ma
che dipende dall’ordine degli elementi sul file dei dati. La procedura di Mac
Queen presenta un altro punto debole dal punto di vista teorico, che consiste
nel non prevedere un numero di iterazioni in grado di fornire una partizione
con caratteristiche di stabilit.
Il metodo ”media-k” stato applicato con successo in molte situazioni,
in particolare per risolvere problemi di individuazione di elementi omogenei
rispetto alla richiesta di servizi sociali ed economici: per l’operatore pubblico
infatti la programmazione sulla base di risultati statisticamente stabili sta
diventando una realt operativa.
Si supponga di voler ottenere una partizione di un insieme I di n elementi
caratterizzati da p variabili; sullo spazio p contenente gli n punti-soggetto sia
definita la distanza euclidea. 1) Si fissa il numero k di gruppi desiderati. 2) Si
individuano dei punti iniziali di riferimento che portano ai k punti: c10, c20,
..., ck0. Quindi si determina la partizione iniziale P 0 in gruppi dei dati: I10,
I20,..., Ik0. 3) Si calcola il ”centroide” di ognuno dei k gruppi: c11, c21, ...,
ck1, le cui coordinate si ottengono come media aritmetica delle coordinate
42
dei singoli punti: c = [c1, c2, ..., cj, ..., cp]. Questi ”centroidi” vengono
quindi utilizzati come se fossero degli elementi. Essi costituiranno, al punto
successivo, i punti di riferimento per la costruzione della nuova partizione. 4)
Si calcolano le distanze euclidee di ognuno dei dati dai k centroidi ottenuti al
punto precedente. 5) Si inserisce ogni elemento nel gruppo dal cui centroide
presenta distanza minima in modo da individuare k nuovi gruppi.
3.2.2
L’analisi dei gruppi: il metodo delle k-medie
L’analisi di cluster e‘ stata elaborata con il programma statistico STATA
applicando il metodo delle k-medie.
La partizione desiderata dei pazienti deve individuare dei pacchetti di
cura diversi in quanto alle modalita‘ di utilizzo dei servizi, tali da poter
poi essere assegnati a pazienti con bisogni diversi e costi simili. A questo
scopo l’insieme delle variabili su cui basare le simulazioni per determinare
l’appartenenza di ogni paziente ad un gruppo sono il totale di visite per tipo
che ogni paziente ha ottenuto nei sei mesi di follow-up.
La selezione del metodo da usare dipende dagli obbiettivi dell’analisi e
dalle caratteristiche dei dati da analizzare. Considerata l’ampiezza del data
set costituito da una matrice di 651 osservazioni per 24 prestazioni e‘ stato
usato il metodo delle k-medie, che e‘ particolarmente adatto a grandi insiemi
di dati, senza richiedere particolari capacita‘ delle risorse del computer.
Questa procedura fornisce i risultati solo per il numero di cluster richiesti,
che deve essere specificato a priori dall’utente. Per scegliere il numero di
gruppi piu‘ opportuno abbiamo tenuto conto sia delle esigenze gestionali che
delle conoscenze mediche riducendo la scelta tra un numero di 3 ed un numero
43
di 7 gruppi. La determinazione di pacchetti di cura omogenei per modalita‘
di utilizzazione dei servizi permette di defiinire la migliore politica de attuare
per soddisgare le necessita‘ dei fruitori ed ottimizzare i risultate della gestione
per l’ente pubblico.
Dopo successive elaborazioni e confronti, si e‘ scelto di sviluppare l’analisi
per 3 pacchetti di cura. In particolare da un punto di vista statistico 5 gruppi
risultano essere la partizione piu‘ stabile, tuttavia da un punto di vista medico
e‘ difficile riconoscere in questi 5 pacchetti dei percorsi assistenziali reali. Si
e‘ deciso percio‘ di proseguire l’analisi con 3 pacchetti per verificare se e‘
possibile identificare dei pacchetti con costi diversi (basso, medio, alto).
L’elaborazione dei dati Sulla base dei dati sui 651 pazienti alti utilizzatori
dei servizi e dei contatti da essi effettuati nei sei mesi di follow-up, abbiamo
identificato 3 gruppi di pazienti per modalita‘ di utilizzazione dei servizi (numero visite effettuate per tipo). Il metodo applicato inizia l’elaborazione
scegliendo in modo casuale i centri iniziali dei gruppi e determina le coordinate dei centri finali (Tabella 10).
In Tabella 9 sono riportati il numero di pazienti destinati ad ogni gruppo
finale individuato e le relative frequenze sul totale dei pazienti, mentre nelle
colonne intermedie sono riportati il numero di pazienti per UO destinati
ad ogni pacchetto. Ad esempio, tutti i pazienti di napoli ricadono nel primo
pacchetto, mentre solo due pazienti di Roma ricadono nel secondo pacchetto.
Sul totale il 79% dei pazienti rientra nel primo gruppo, il 12% nel secondo e
solo il 9% nel terzo.
Tab. 9 - Distribuzione dei pazienti del gruppo B in tre gruppi in base al
tipo di cura (numero di prestazioni avute nel semestre).
44
La tabella dei centri finali (Tabella 10) contiene il numero medio di visite
per tipo effettuate da un paziente assegnato a quel pacchetto di cura in un
periodo di sei mesi. La Tabella 10 riporta anche le medie di altre variabili
come l’indice di Lavik e la durata media in giorni tra primo e secondo e
secondo e terzo contatto.
Tab. 10 Quindi in generale si puo‘ dire che I pazienti del primo gruppo inizialmente ricorrono al servizio in media ogni 14 giorni. In sei mesi di cura effettuano in media 5 visite specialistiche psichiatriche, tre colloqui informativi di
sostegno, tre itnerventi terapeutici-riabilitativi di gruppo, tre somatoterapie
psichiatriche, una attivita‘ strutturata, due giornate di presnza in struttura
semiresidenziale e tre visite domiciliari.
I pazienti del secondo pacchetto invece, riportano un indice medio di Lavik
di 335 nei sei mesi, ricorrono al servizio in media dopo 6 giorni dal primo
contatto e dopo tre giorni dal secondo. Usufruiscono in particolare delle giornate di presenza in strutture semiresidenziali (30 giorni in media in sei mesi)
, seguiti da 25 attivita‘ strutturate, 23 somatoterapie psichiatriche, 21 interventi terapeutici-riabilitativi di gruppo, 9 visite specialistiche psichiatriche e
7 colloqui informativi e di sostegno e interventi terapeutici-riabilitativi individuali.
I pazienti del terzo gruppo hanno un indice medio di Lavik pari a 448 con
alta variabilita‘ (da 181 a 855). In media ricorrono ai servizi molto spesso:
1 giorno tra il primo e secondo contatto, 2 giorni tra il secondo ed il terzo
contatto. Necessitano prevalentemente di giornate in struttura semiresidenziale (100 giorni medi per semestre), 55 somatoterapie psichiatriche, 17 inter45
venti terapeutici-riabilitativi di gruppo, 18 attivita‘ educativo occupazionale,
mediamente 11 visite specialistiche psichiatriche e colloqui informativi e di
controllo.
3.3
Analisi delle variabili predittive dell’assegnazione
dei ”pacchetti di cura”
3.3.1
Multinomial Logistic Regression
Una volta determinati I pacchetti di cura ed identificate le prestazioni che li
caratterizzano e‘ interessante determinare in che modo ciascun paziente viene
assegnato al pacchetto di prestazioni pi idoneo sulla base delle sue caratteristiche socio-demografiche e cliniche ed in base alle informazioni disponibili
rigurdanti precedenti ricorsi ai servizi psichiatrici.
Si tratta percio‘ di rianalizzare i dati dei pazienti alti utilizzatori identificati in precedenza.
Precedentemente e‘ stata applicata una regressione logistica in cui la variabile dipendente era una variabile binaria indicante se un paziente e‘ alto o
basso utilizzatore dei servizi al momento dell’arruolamento. Tuttavia, una
volta determinato a quale dei due gruppi un paziente appartiene, e‘ necessario, nel caso di alti utilizzatori, identificare quale sara‘ il suo costo per
il dipartimento di salute mentale tramite l’identificazione del piu‘ probabile
pacchetto di cura utilizzato. In questo caso la variabile dipendente distingue
tre diversi pacchetti assistenziali: 1 - CSM di Base; 2 - CSM intermedio; 3 CSM intensivo.
In questa fase dell’analisi siamo interessati a determinare i fattori associati
46
con l’uso di questi tre diversi pacchetti di cura che possono permettere di
allocare i pazienti a ciascun pacchetto.
In questo caso la variabile dipendente e‘ categorica percio‘ e‘ necessario
estendere il modello logistico usato in precedenza per considerare piu‘ di
due opzioni. Tuttavia la scelta del modello statistico da usare dipende dalla
struttura della variabile dipendente. In questo caso si tratta di una variabile
non ordinata e percio‘ utilizzeremo il modello logistico multinomiale per variabili categoriche non ordinate. Dove possiamo scrivere la probabilita‘ per il
paziente i di entrare nel pacchetto di cura s come che corrisponde alla probabilita‘ che la variabile dipendente assuma valore s.
Il modello logistico multinomiale mette in relazione il logarittmo del rapporto tra la probabilita‘ che la variabile dipendente assuma il valore corrispondente al pacchetto di cura s con la probabilita‘ che assuma il valore
corrispondente al pacchetto di cura di riferimento t.
log(
πis
) = β0s + β1s xi1 + β2s xi2
πit
dove i indica l’individuo, s indica il pacchetto di cura, xi rappresenta il
vettore delle variabili esplicative (in questo caso generale due, ma possono
essere anche piu‘ di due), s varia tra 1 e n, dove n corrisponde al massimo
numero di pacchetti di cura considerati e e‘ interpretato come l’effeto di una
unita‘ aggiuntiva in sulla probabilita‘ del soggetto i di essere assegnato al
pacchetto di cura s piuttosto che al pacchetto di riferimento t. E‘ importante
notare che , invece, rappresenta l’effetto moltiplicativo dell’aumento di una
unita‘ in sulla probabilita‘ del soggetto i di essere assegnato al pacchetto di
47
cura s piuttosto che t.
Percio‘ una volta stimato il modello e‘ possibile predire con che probabilita‘ un soggetto con date caratteristiche sara‘ assegnato ad un pacchetto
di cura piuttosto che ad un altro. In questo caso possiamo esplicitare la
probabilita‘ di i di essere assegnato al pacchetto di cura s come segue:
πis =
exp[β0s + β1s xi1 + β2s xi2 ]
1 + k=1 exp[β0k + β1k xi1 + β2k xi2 ]
Pt−1
Mentre la probabilita‘ che il soggetto i utilizzi il pacchetto di cura di
riferimento si ottiene come differenza:
πit = 1 −
t−1
X
πik
k=1
Tab. 17 - Multinomial Logistic Regression of packages of care decision/.allocation
In Tabella 17 sono riportati i risultati le Modello Logistico Multinomiale
applilcato ai dati dei pazienti di questo studio. Per ogni alto utilizzatore
dei servizi psichiatrici sono state identificate in precedenza tre possibili pacchetti di cura: Keuc1 , keuc2 ekeuc3 . Le variabili esplicative usate in questa
analisi rappresntano: il comportamento del paziente nel ricorso ai servizi
all’inizio del periodo di cura considerato (distanza in giorni tra 1 e 2 contatto e tra 2 e 3 contatto) ed un indice di gravita‘ relativamente al periodo
precedente (Indice di Lavik1 ); informazioni socio-demografiche (genere, eta‘,
stato civile) e diagnosi; e storia psichiatrica precedente (se ricoverato in OP
1
Spiega come si calcola l’indice di Lavik
48
precedentemente, se il paziente ha avuto altri contatti con i servizi psichiatrici, ricoveri coatti o in TSO in passato, numero totale di ricoveri lifetime,
giorni totali di ricovero nell’anno precedente, numero dei contatti e giorni
in strutture residenziali nell’anno precedente, numero e giorni in day-care
nell’anno precedente, numero contatti ambulatoriali nell’anno precedente,
numero delle visite domiciliari nell’anno precedente, punteggio GAF, anno
del primo contatto psichiatrico e del primo ricovero). Il pacchetto di cura
preso come base di confronto e‘ il primo (@@@ nome pacchetto @@). Su un
totale di 651 pazienti alti utilizzatori, 512 utilizzano il primo pacchetto di
cura, 80 il secondo e 59 il terzo (aggiungi nomi pacchetti).
In Tabella 17 sono riportati i risultati della stima del modello multinomiale logistico considerando separatamente in ogni colonna i tre blocchi di
variabili espicative.
Guardando alla frequenza con cui i pazienti alti utilizzatori ricorrono ai
servizi psichiatrici risulta che per ogni giorno in piu‘ trascorso tra il primo ed
il secondo contatto, la probabilita‘ di utilizzare il secondo pacchetto di cura
piuttosto che il primo si riduce del 10%. Mentre per ogni giorno aggiuntivo
tra il secondo ed il terzo contatto la probabiltia‘ di utilizzare il secono pacchetto piuttosto che il primo diminuisce del 5%. Per quel che riguarda invece
l’utilizzo del terzo pacchetto il modello mostra che per ogni giorno aggiunto
al periodo di tempo trascorso tra il primo ed il secondo contatto, la probabilita‘ di utilizzare il terzo pacchetto piuttosto che il primo diminuisce del
24%, mentre un giorno in piu‘ tra il secondo ed il terzo contatto diminuisce
la probabilita‘ di utilizzo del terzo pacchetto di cura rispetto al primo del 6.
Per quanto riguarda invece l’indice di Lavik, la probabilita‘di utilizzare
49
il secondo pacchetto di cura rispetto al primo dovuta alla variazione di un
punto nell’indice di Lavik aumenta del 2%. Invece la probabilita‘ di utilizzo
del terzo pacchetto di cura rispetto al primo aumenta del 3% per l’aumento
di un punto nell’indice di Lavik.
La seconda colonna della Tabella 17 riposta i valori stimati per i parametri
del modello multinomiale logistico considerando come variaili espicative le
caratteristiche socio-demografiche dei pazienti e la loro diagnosi. In questo
caso il modello non sembra interpretare i dati in modo soddisfacente. La
maggior parte dei coefficienti non risulta significativamente diversa da zero.
Guardando ad alcuni di questi odds-ratio risulta che una persona coniugata
o convivente ha una probabilita‘ del 73% inderiore di utilizzare il secondo
pacchetto e dell’80% inferiore di utilizzare il terzo pacchetto rispetto ad un
single. Guardando all’eta‘, invece, risulta che ogni anno in piu‘ aumenta del
3% la probabilita‘ di un paziente di essere assegnato al terzo pacchetto piuttosto che al primo. Per quel che riguarda la diagno si invece possiamo osservare, anche se i coefficienti stimati non risultano significativamente diversi da
zero, che in genere pazienti con disturbi affettivi, nevrosi e disturbi somatoformi o disturbi di personalita‘ hanno una piu‘ alta probabilita‘ rispetto ad
un paziente schizzofrenico di utilizzare il secondo pacchetto di cura rispetto
al primo. Al contrario gli stessi disturbi diminuiscono la probabilita‘ di tali
pazienti di utilizzare il terzo pacchetto di cura rispetto ai pazienti che soffrono
di schizofrenia.
La terza della Tabella 17 stima il modello multinomiale logistico utilizzando come variabili espicative la storia clinica del paziente. Appare evedente
che i pazienti con almeno un ricovero in OP hanno una maggiore probabilita‘
50
di utilizzare il secondo ed il terzo pacchetto di cura piuttosto che il primo,
e lo stesso si puo‘ dire per coloro che hanno sperimentato almeno un ricovero coatto. Per quanto riguarda invece i contatti in strutture residenziali
nell’anno precedente, ogni contatto aggiuntivo diminuisce la probabilita‘ di
utilizzo del secondo pacchetto di cura rispetto al primo dell’1%, mentre la
probabilita‘ di utilizzo del terzo pacchetto rispetto al primo diminuisce del
96%.
Confrontando i tre modelli presentati in tabella 17 e le percentuali di
previsioni corrette risulta che il primo modello predice correttamente l’89%
dei casi, il secondo modello predice correttamente il 79% dei casi, mentre il
terzo modello predice correttamente l’84% dei casi. Percio‘ utilizzeremo il
primo modello per le previsioni delle allocazioni dei pazienti ai pacchetti di
cura.
Se per esempio consideriamo due pazienti con le seguenti caratteristiche:
Table 1:
Somma dell’Indice di Lavik
Distanza in giorni tra primo e seconod contatto
Distanza in giorni tra secondo e terzo contatto
Soggetto 1
586
1
1
Soggetto 2
510
12
2
Possiamo calcolare le probabilita‘ dei due soggetti di utilizzare il primo
o il secondo od il terzo pacchetto di cura utilizzando le formule presentati
in precedenza. Risulta percio‘ che per il primo individuo la probabilita‘ di
utilizzo del primo pacchetto e‘ pari a 0.0000992, la probabilita‘ di utilizzare
il secondo pacchetto e‘ del 26.37%, mentre la probabilita‘ di essere allocato
51
al terzo pacchetto di cura e‘ del 73.62%. Per il secondo soggetto invece la
probabilita‘ di essere assegnato al primo pacchetto di cura e‘ dello 0.47%, la
probabilita‘ di essere assegnato al secondo pacchetto di cura e‘ del 79.22%,
mentre la probabilita‘ di utilizzare il terzo pacchetto di cura e‘ del 20%.
In base a questi risultati si puo‘ predire che il costo del primo paziente e‘
piu‘ probabile essere quello del terzo pacchetto di cura, mentre il secondo
paziente avra‘ un costo simile a quello del secondo pacchetto di cura con una
probabilita‘ del 79%.
3.4
PREVISIONE DEI COSTI DEI ”PACCHETTI DI
CURA E DEFINIZIONE FINALE DEL SISTEMA
DI FINANZIAMENTO PER IL DSM.
In questa sezione del lavoro stimiamo i costi per i tre pacchetti di cura individuati nelle sezioni precendi. In particolare e‘ necessario notare che alcune
prestazioni sono state agglomerate in classi comuni in quanto non tutte le
Unita‘ Operative coinvolte erogano tutte le prestazioni. Tra queste ricordiamo che l’accertamento medico-legale (codice 11) e‘ stato unito alla relazione clinica (codice 4), la psicoterapia di gruppo (codice 8) e‘ stata unita
alla psicoterapia familiare (codice 7), mentre e‘ stata eliminata la voce ”riunione di equipe o tra operatori” (codice 17).
Percio‘ i costi di queste prestazioni sono stati assemblati e calcolati come
media dei costi stimati in precedenza. La Tabella 18 riporta i nuovi costi
utilizzati per il calcolo del costo dei pacchetti per ogni prestazione. E‘ anche
importante sottolineare che il costo dell’attivita‘ strutturata di prevenzione
52
e tutela della salute mentale e‘ nullo in questo caso perche‘ non ci sono dati
disponibili in nessuna delle Unita‘ Operative partecipanti relativamente al
costo di questo tipo di prestazione.
3.4.1
Costi dei pacchetti
Tab. 18 - Costo unitario per prestazione
I costi delle giornate di presenza in strutture residenziali e/o semiresidenziali, dei ricoveri in SPDC e in casa di cura privata rappresentano costi
per un giorno di permanenza. Il costo del pacchetto percio‘ deve tener conto
della lunghezza media del periodo di permanenza nelle strutture. In particolare possiamo notare che in media un paziente sta in 20 per 237 giorni nel
secondo pacchetto, e 14 gg nel terzo pacchetto. Un ricovero in SPDC dura in
media 23 gg nel primo e 43 nel secondo pacchetto di cura, mentre i ricoveri
in casa di cura privata durano in media 16 gg nel primo pacchetto di cura.
Considerando questi dati ed i centri dei gruppi identificati con la cluster
analysis, sono stati stimati i costi di ogni pacchetto come somma totale dei
costi delle singole prestazioni moltiplicate per l’ammontare di prestazioni medie erogate per pacchetto. I valori dei costi stimati sono riportati in Tabella
19. Il primo pacchetto risulta percio‘ essere il piu‘ economico, mentre il secondo risulta il piu‘ costoso per il servizio psichiatrico. I costi dei pacchetti
risultano rispettivamente: Euro 2581.17, Euro 17771.83 per il secondo e Euro
12795.74 per il terzo.
Tab. 19 - Costo semestrale dei pacchetti di cura (tutte le prestazioni).
53
4
Conclusion
Questo studio fa parte del progetto Italian Psychiatric Costs (IP SY COST )
in cui informazioni socio-demografiche e cliniche di pazienti psichitrici sono
stati raccolti per sei mesi da Ottobre 2002 in cinque Centri italiani. In particolare i Centri Psichiatrici partecipanti allo studio sono: Bologna, Legnano,
Napoli, Roma e Verona.
Lo studio include sia pazienti first-ever che pazienti gia‘ noti ai servizi.
Dettagli piu‘ approffonditi sul disegno e obbiettivi dello studio sono disponibili in Grigoletti et al. (2004 - work in progress).
@@@@@
5
References
Anderberg M. R., 1973, Cluster Analysis for Applications, New York: Academic
Press.
Astrahan M. M., 1970, Speech analysis by clustering, or the hyperphoneme
method, Stanford: Stanford artificial intelligence project mem. AIM-124,
AD 709067.
Ball G. H., 1971, Classification Analysis, Stanford Research Istitute, S. R. I.
Project, 5533.
Ball G. H. and Hall D. J., 1967, A Clustering Technique for Summarizing Multivariate Data, Behav. Sci., 12: 153-5.
Ball G. H. and Hall D. J., 1965, ISODATA: a novel Method of data analysis and
Pattern Classification, Menlo Park, California: Stanford Research Institute.
54
Benzcri J.-P., 1973, L’Analyse des Donnes (Vol. I: la taxinomie), Dunoud, Paris.
Cailliez F. and Pags J. P., 1976, Introduction l’analyse des donnes, Smash, Paris.
Cormack R. M., 1971, A Review of Classification, J. Roy. Statist. A, 134, no. 3.
De Agostini P., Amaddeo F., ....
Delvecchio F., 1992, Analisi statistica di dati multidimensionali, Bari: Cacucci
Editore.
Diday E. and al., 1980, Optimisation en Classification Automatique (Tome 1 et
2), Rocquencourt: INRIA.
Diday E. and et al., 1971, La Mthode des Nues Dynamiques, Rev. Statist. Appl.,
19, no. 2: 19-34.
Eastman J. R. and others, 1993, GIS and Decision Making. Explorations in
Geographical Information System Technology, Ginevra: UNITAR.
Everitt B., 1974, Cluster Analysis, Heinemann, London.
Forgy E. W., 1965, Cluster Analysis of Multivariate Data. Efficienty Versus Interpretability of Classifications. Biometric Soc. Meetings Riverside, California.
Friedman H. P. and Rubin J., 1967, On Some Invariant Criteria for Grouping
Data, J. Amer. Statist. Assoc., 62: 1159-78.
Gordon A. D., 1981, Classification, London: Chapman and Hall.
Greene W. M. , 2003, Economeric Analysis (Fifth Edition) Prentice Hall.
Grigoletti L., Amaddeo F. ..
Harting J. A., 1975, Clustering Algorithms, New York: Wiley.
55
Lavoie R., 1981, Statistique Applique, Presses de l’Universit du Qubec: Qubec.
Lebart L., Morineau A., and Piron M., 1997, Statistique exploratoire multidimensionnelle, Paris: Dunod.
Lebart L., Morineau A., and Warwick K.M., 1984, Multivariate Descriptive Statistical Analysis Correspondence Analysis and Related Techniques for Large
Matrices, New York: Wiley.
Mac Queen J. B., 1967, Some method for Classification and Analysis of Multivariate Observations, Proc. 5th Berkeley Symp. Math. Statist. And
Probability, 281-97.
Nijkamp P. and Rietveldt P., 1996, Multiple Objective Decision Analysis in regional economic, Amsterdam, North Holland: Handbook of regional and
urban economics.
Rehman T. and Romero C., 1993, The application of the MCDM paradigm to
the Management of Agricultural System: Some Basic Considerations, Agricoltural System, 41: 239-55.
Sneath P. H. and Sokal R. R., 1973, Numerical Taxonomy, San Francisco: Freeman.
SPSS Base 7.5 per Windows, Guida dell’Utente Rel. 7.5. SPSS Inc., Chicago.
56
Tabella I. Riepilogo della durata delle prestazioni
Durata della prestazione (minuti)
Cod
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
Prestazioni
Visita generale specialistica prima visita
Visita specialistica psichiatrica
Colloquio psicologico clinico terapeutico
Relazione clinica in assenza del paziente
Consulenza specialistica
Psicoterapia individuale
Psicoterapia della famiglia e/o di coppia
Psicoterapia di gruppo
Esame testistico
Incontri operativi multi-professionali
Accertamento medico legale
Colloquio informativo e di sostegno
Intervento terapeutico-riabilitativo individuale
Intervento terapeutico-riabilitativo di gruppo
Somatoterapia psichiatrica
Attività strutturata di prevenzione e tutela della salute
mentale
Riunioni di équipe o tra operatori interni
Segretariato sociale
Attività educativo occupazionale (in struttura territoriale)
Giornata di presenza in struttura residenziale
Giornata di presenza in struttura semiresidenziale
Visita domiciliare
Ricoveri in SPDC
Ricoveri in casa di cura privata
Avellino
Mediana Media
60.00
42.50
80.00
59.17
54.38
75.71
30.00
47.50
35.00
47.50
70.00
70.00
30.00
45.00
60.00
30.00
120.00
32.86
48.33
60.00
30.00
120.00
120.00
120.00
60.00
60.00
240.00
240.00
120.00
40.00
---
240.00
240.00
120.00
40.00
---
57
Bologna
Media
Milano
Mediana
Media
60
30
60
30
60
60
50.00
20.50
50.00
60.00
30.00
45.00
47.55
25.19
48.10
71.67
40.00
48.77
60
60
60
30
60
60
10
105.00
100.00
22.50
25.00
29.00
60.00
10.00
90.00
105.00
100.00
40.00
23.75
29.25
61.73
9.31
82.86
20.00
21.91
17.50
27.50
22.50
30.45
40.00
49.06
---
---
30
30
60
60
---
Roma
Media
60
30
50
60
60
60
60
90
60
60
60
30
60
60
10
60
30
60
---
Verona
Mediana Media
55
40
60
60
45
60
60
60
60
20
53.77
42.97
55.61
61.07
50.48
59.38
68.22
52.81
64.16
26.98
10
23.81
60
30
30
90
33.64
108.75
45
---
51.17
---
Tabella II. Caratteristiche sociodemografiche dei pazienti selezionati in ciascun centro partecipante e nel campione totale
Bologna
Legnano
Napoli
Roma
Verona
Total
N.
%
N.
%
N.
%
N.
%
N.
%
N.
%
maschio
108 43.20
116 46.40
118 47.20
112 44.80
116 46.59
570 45.64
Genere
femmina
142 56.80
134 53.60
132 52.80
138 55.20
133 53.41
679 54.36
celibe/nubile
147 58.80
135 54.00
129 51.60
159 64.37
131 52.40
701 56.21
Coniugato
52 20.80
86 34.40
100 40.00
51 20.65
74 29.60
363 29.11
separato/a
37 14.80
20
8.00
3 1.20
25 10.12
31 12.40
116
9.30
stato civile
Vedovo
14
5.60
9
3.60
18 7.20
12
4.86
14
5.60
67
5.37
da solo
70 28.00
26 10.44
57 22.80
13
8.13
48 19.28
214 18.48
con partn er
140 56.00
222 89.16
191 76.40
131 81.88
184 73.90
868 74.96
condizione abitativa
altra condizione
40 16.00
1
0.40
2 0.80
16 10.00
17
6.83
76
6.56
Italiano
247 98.80
249 99.60
249 99.60
249 99.60
249 99.60 1,243 99.44
Europeo
2
0.80
0
0.00
1 0.40
0
0.00
1
0.40
4
0.32
Cittadinanza
Extraeuropeo
1
0.40
1
0.40
0 0.00
1
0.40
0
0.00
3
0.24
nessun titolo
7
2.80
6
2.40
14 5.60
2
0.84
9
3.66
38
3.08
licenza elementare
36 14.40
53 21.20
81 32.40
30 12.55
58 23.58
258 20.89
licenza media
81 32.40
111 44.40
110 44.00
113 47.28
110 44.72
525 42.51
diploma maturità
98 39.20
67 26.80
43 17.20
81 33.89
64 26.02
353 28.58
Scolarità
diploma universitario
28 11.20
13
5.20
2 0.80
13
5.44
5
2.03
61
4.94
Occupato
64 25.60
83 33.33
64 25.70
68 28.33
75 30.24
354 28.64
Disoccupato
41 16.40
51 20.48
52 20.88
88 36.67
53 21.37
285 23.06
Condizione lavorativa
Altro
145 58.00
115 46.18
133 53.41
84 35.00
120 48.39
597 48.30
Schizofrenia
75 30.00
103 41.20
69 27.60
93 38.11
97 38.80
437 35.13
Disturbi affettivi
72 28.80
68 27.20
57 22.80
57 23.36
79 31.60
333 26.77
Nevrosi somatoformi
22
8.80
25 10.00
75 30.00
44 18.03
25 10.00
191 15.35
Disturbo di personalità
59 23.60
22
8.80
3 1.20
36 14.75
25 10.00
145 11.66
Raggruppamenti di diagnosi
Altro
22
8.80
32 12.80
46 18.40
14
5.74
24
9.60
138 11.09
NC
0
0.00
0
0.00
1 0.40
0
0.00
0
0.00
1
0.08
Si
249 99.60
249 99.60
171 68.40
249 99.60
223 89.20 1,141 91.28
Contatto programmato
No
1
0.40
1
0.40
78 31.20
1
0.40
27 10.80
108
8.64
NC
6
2.40
0
0.00
1 0.40
0
0.00
0
0.00
7
0.65
Si
147 58.80
246 98.40
190 76.00
38 49.35
164 65.60
785 72.89
Contatti precedenti
No
97 38.80
4
1.60
59 23.60
39 50.65
86 34.40
285 26.46
dummy per ricovero in passato OP NC
0
0.00
0
0.00
2 0.80
0
0.00
0
0.00
2
0.19
Si
19
7.60
19
7.60
66 26.40
24 31.17
32 12.80
160 14.86
Caratteristiche socio demografiche
58
dummy per contatti psichiatrici
coatto o TSO
dummy per totale dei ricoveri
psichiatrici in passato lifetime
no
NC
si
no
NC
nessuno
da 1 a 5
più di 5
231
0
50
200
7
102
74
65
92.40
0.00
20.00
80.00
2.82
41.13
29.84
26.21
231
0
46
204
0
114
100
36
59
92.40
0.00
18.40
81.60
0.00
45.60
40.00
14.40
182
6
28
216
5
179
40
26
72.80
2.40
11.20
86.40
2.00
71.60
16.00
10.40
53
0
38
39
1
18
45
22
68.83
0.00
49.35
50.65
1.16
20.93
52.33
25.58
218
4
20
225
72
64
87
27
87.20
1.61
8.03
90.36
28.80
25.60
34.80
10.80
915
10
182
884
85
477
346
176
84.96
0.93
16.91
82.16
7.84
44.00
31.92
16.24
Tabella III. Numero di prestazioni per unità operativa e costi delle prestazioni erogate dalle singole unità operative e nel campione totale, per tipo (euro)
Bologna
Legnano
Avellino
Roma
Verona
Totale
Prestazione
N
€
N
€
N
€
N
€
N
€
N
€
Visita generale specialistica, 1 visita
2
78.99
4
40.32
52
55.45
11
58.26
6
70.82
75 60.77
Visita specialistica psichiatrica
1,549
25.47
1,382
14.94
427
54.87
994
27.11
1,367
45.89
5,719 35.31
Colloquio psicologico terapeutico
128
43.88
25
33.29
95
54.14
58
34.73
63
40.57
369 41.32
Relazione clinica
0
51.63
0
69.26
0 68.79*
32
58.39
35
95.89
67 68.79
Consulenza specialistica
0
58.73
17
35.57
13
50.80
1
54.87
23
49.55
54 49.91
Psicoterapia individuale
648
47.80
395
34.82
82
41.85
436
47.01
48
47.21
1,609 43.74
Psicoterapia familiare
0 104.19
7 83.49*
0 83.49*
40
42.11
0 104.19
47 83.49
Psicoterapia di gruppo
0
62.13
191
85.39
0 57.98*
333
22.26
9
62.13
533 57.98
Esame testistico
0
50.23
9
76.31
15
49.52
6
42.04
33
53.94
63 54.41
Incontri multiprofessionali
1,026
52.06
68 104.94
0 66.99*
47
86.39
135
24.56
1,276 66.99
Accertamento medico legale
57
-14
-0
-1
-1
-73
-Colloquio informativo di sostegno
1,198
22.51
939
15.10
4
36.53
901
20.03
1,048
18.31
4,090 22.49
Intervento terapeutico-riabilitativo
individuale
99
13.94
808
13.94
0
13.94
133
13.94
0
13.94
1,040 13.94
Intervento terapeutico-riabilitativo di
gruppo
0
13.94
2,337
13.94
126 13.94*
540
13.94
2,935
13.94
5,938 13.94
Somatoterapia psichiatrica
2,145
13.86
1,125
13.86
0
13.86
368
13.86
2,473
13.86
6,111 13.86
Attività strutturata di prevenz. e tutela
salute mentale
442
0.00
66
0.00
0
0.00
2
0.00
1
0.00
511
0.00
Riunioni di equipe o tra operatori interni
537
0.00
584
0.00
0
0.00
197
0.00
0
0.00
1,318
0.00
Segretariato sociale
590
19.05
89
19.05
0 19.05*
78
19.05
48
19.05
805 19.05
Attività educativo occupazionale
71
47.40
236 125.02 *
0 228.77
14 125.02 *
865
98.89
1,186 125.02
Giornata di presenza in struttura
residenziale ***
22 107.93*
8 107.93 *
7 107.93*
1 107.93 *
4 107.93
42 107.93
Giornata di presenza in strutture
semiresidenziali ** ***
3,004 81.17*
2,219 81.17*
54 81.17*
3 81.17*
4,481
81.17
9,761 81.17
Visita domiciliare
1,154
63.99
419 59.53*
0
73.07
265
46.38
1,826
54.69
3,664 59.53
189.53/
Ricoveri in SPDC ***
24 229.25*
67 233.95
Ricovero in casa di cura privata ***
12 138.36*
0 138.36 *
Totale Contatti
12,708
11,009
* Costi calcolati come media dei valori disponibili tra le 5 Unita` Operative.
57 229.25*
0 138.36*
932
60
5 229.25 *
11 138.36 *
4,477
49
1
15,451
164.21
138.36
202 229.25
24 138.36
44,577
s.e.
14.88
16.28
8.36
16.86
8.79
5.53
25.34
22.70
12.98
30.98
-8.29
0.00
0.00
0.00
0.00
0.00
0.00
66.09
0.00
0.00
9.99
32.52
0.00
** Attività informale e non strutturata, rilevata in modo complessivo attraverso la registrazione del numero di giornate di presenza, i cui costi fanno parte dei costi di
gestione della struttura e non hanno una tariffa propria.
*** I costi di queste prestazioni sono espressi per giorno di ricovero.
61
Tabella IV. Riclassificazione prestazioni
Total
Codice
Identificativo prestazione originale (da 1 a 24)
N.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
Visita generale specialistica I visita
Visita specialistica psichiatrica
Colloquio psicologico terapeutico
Relazione clinica
Consulenza specialistica
Psicoterapia individu ale
Psicoterapia familiare
Psicoterapia di gruppo
Esame testistico
Incontri multiprofessionali
accertamento medico l egale
colloqui informativo di sostegno
intevento terapeutico riabilitativo individuale
intervento terapeutico riabilitativo di gruppo
somatoterapia psichiatrica
attivita` strutturata di prevenzione e tut. Della salute mentale
riunioni di equipe o
segretariato sociale
attività educativo occupazionale
giornata di presenza i n struttura residenziale
giornata di presenza i n struttura semiresidenziale
visita domiciliare
ricoveri in SPDC
ricovero in casa di cura privata
Total
Total
Identificativo prestazione assemblate
75
5,719
369
67
54
1,609
47
533
63
1,276
73
4,090
1,040
5,938
6,111
511
1,318
805
1,186
42
9,761
3,664
202
24
44,577
62
Percent
0.17
13
0.83
0.15
0.12
4
0.11
1.2
0.14
3
0.16
9
2
13
14
1.15
3
1.81
3
0.09
22
8
0.45
0.05
100
Visita generale specialistica I visita
Visita specialistica psichiatrica
Colloquio psicologico terapeutico
Relazione clinica e accertamento medico
Consulenza specialistica
Psicoterapia individuale
Psicoterapia familiare e di gruppo
N.
75
5,719
369
140
54
1,609
580
Percent
0.17
13.22
0.85
0.32
0.12
3.72
1.34
Esame testistico
Incontri multiprofessionali
63
1,276
0.15
2.95
colloqui informativo di sostegno
intevento terapeutico-riabilitativo individuale
intervento terapeutico-riabilitativo di gruppo
somatoterapia psichiatrica
attivita` strutturata di prevenzione e tutela della s.m.
4,090
1,040
5,938
6,111
511
9.45
2.4
13.73
14.13
1.18
805
1,186
42
9,761
3,664
202
24
43,259
1.86
2.74
0.1
22.56
8.47
0.47
0.06
100
segretariato sociale
attività educativo occupazionale
giornata di presenza in struttura residenziale
giornata di presenza in struttura semiresidenziale
visita domiciliare
ricoveri in SPDC
ricovero in casa di cura privata
Total
Tabella V. Distribuzione di pazienti e contatti nei due gruppi alti e bassi utilizzatori
Pazienti
N
A - bassi utilizzatori
B - alti utilizzato ri
Total
Contatti
N.
%
639
611
1,250
63
51.12
48.88
100
%
5,026
38,233
43,259
11.62
88.38
100
Tabella VI. Distribuzione delle prestazioni Psichiatriche tra alti e bassi utilizzatori.
Prestazioni
Visita generale spec. I visita
Visita specialistica psichiatrica
Colloquio psicologico
Relazione clinica e acc. Med. Legale
Consulenza specialistica
Psicoterapia individuale
Psicoterapia familiare e di gruppo
Esame testistico
Incontri multiprofessionali
colloqui informativo di sostegno
intevento terap. -riab. Individuale
intervento terap. -riab. di gruppo
somatoterapia psichiatrica
attivita` strutturata
segretariato sociale
attivita` edicativo occupazionale
gionata di presenza in str. Res.
gionata di presenza in str. Semires.
visita domiciliare
ricoveri in SPDC
ricovero in casa di cura privata
Totale
Bassi Utilizzatori
N.
%
69
92
1.37
1,836
32.1
36.53
231
62.6
4.6
27
19.29
0.54
19
35.19
0.38
1,416
88
28.17
490
84.48
9.75
23
36.51
0.46
84
6.58
1.67
491
12
9.77
0
0
0
0
0
0
0
0
0
0
0
0
84
10.43
1.67
0
0
0
0
0
0
0
0
0
255
6.96
5.07
1
0.5
0.02
0
0
0
5,026
11.62
100
64
Alti Utilizzatori
N.
%.
6
8
0.02
3,883
67.9
10.16
138
37.4
0.36
113
80.71
0.3
35
64.81
0.09
193
12
0.5
90
15.52
0.24
40
63.49
0.1
1,192
93.42
3.12
3,599
88
9.41
1,040
100
2.72
5,938
100
15.53
6,111
100
15.98
511
100
1.34
721
89.57
1.89
1,186
100
3.1
42
100
0.11
9,761
100
25.53
3,409
93.04
8.92
201
99.5
0.53
24
100
0.06
38,233
88.38
100
Totale
N
75
0.17
5,719
13.22
369
0.85
140
0.32
54
0.12
1,609
3.72
580
1.34
63
0.15
1,276
2.95
4,090
9.45
1,040
2.4
5,938
13.73
6,111
14.13
511
1.18
805
1.86
1,186
2.74
42
0.1
9,761
22.56
3,664
8.47
202
0.47
24
0.06
43,259
100
%.
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
Tabella VII. Caratteristiche Demografiche dei Pazienti per alti e bassi utilizzatori - % per
righe e colonne.
Bassi
maschio
Genere
femmina
celibe/nubile
coniugato/convivente
stato civile
separato/divorziato
vedovo
da solo
condizione
abitativa
con partner
NC
nessun titolo/analfab
licenza elementare
licenza media inferio
diploma media superio
diploma universitario
NC
occupato
condizione
lavorativa
237
37.09
402
62.91
305
47.73
247
38.65
47
7.36
40
6.26
81
12.76
527
Tipo di Utilizzatori
%
Alti
Total
%
41.51
334
58.49
571
54.66
45.68
59.2
277
40.8
679
45.34
54.32
43.39
398
56.61
703
65.14
56.24
68.04
116
31.96
363
18.99
29.04
40.52
69
59.48
116
11.29
9.28
58.82
28
41.18
68
4.58
5.44
36.16
56.24
82.99
altra condizione
scolarita'
%
disoccupato
altro
schizofrenia
disturbi affettivi
raggruppamenti di nevrosi somatoformi
diagnosi
disturbo di personali
altro
Total
27
4.25
6
0.94
19
2.99
119
18.74
255
40.16
208
32.76
28
4.41
1
0.16
242
37.93
110
17.24
285
44.67
100
15.65
218
34.12
153
23.94
74
11.58
94
14.71
639
100
65
143
23.44
410
63.84
43.76
67.21
32.53
75
50
46.12
48.3
58.92
45.9
50
66.48
39.43
47.26
22.73
65.66
82.7
49.01
66.2
51.12
56
9.18
2
0.33
19
3.11
139
22.75
273
44.68
145
23.73
33
5.4
1
0.16
122
20
169
27.7
318
52.13
340
55.65
114
18.66
32
5.24
77
12.6
48
7.86
611
100
224
17.99
937
100
100
100
100
100
100
100
100
75.26
67.47
25
50
53.88
51.7
41.08
54.1
50
33.52
60.57
52.74
77.27
34.34
17.3
50.99
33.8
48.88
83
6.67
8
0.64
38
3.05
258
20.71
528
42.38
353
28.33
61
4.9
2
0.16
364
29.17
279
22.36
603
48.32
440
35.2
332
26.56
185
14.8
151
12.08
142
11.36
1,250
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
Tabella VIII. Logit Regression Model per identificare le caratteristiche che distinguono High User e
Low User.
Odds Ratio
High Users
Std. Err.
z
CARATTERISTICHE DEMOGRAFICHE
Femmine vs Maschi
0.62
0.12
-2.49 *
Nubile/Celibe
Separato/Divorziato
0.98
1.46
0.23
0.54
-0.09
1.02
Stato Civile vs Coniugato/a
Vedovo/a
0.70
0.33
-0.77
Condizione abitativa vs con
partner e/o famiglia
Da solo
2.12
0.58
2.75 *
Altra abitazione
Analfabeta
1.21
1.40
0.48
0.83
0.48
0.57
Lic. Elementare
1.70
0.45
2.04 *
Lic. Media Sup.
0.65
0.14
-1.97 *
Laurea
Lav. In proprio
1.51
0.20
0.58
0.19
1.07
-1.71 **
Dirigente
2.66
3.29
Impiegato Intermedio
0.26
0.21
-1.64 **
Altro dipendente
Nessuno
0.47
0.50
0.39
0.40
-0.90
-0.86
Dist. Affettivi
0.32
0.08
-4.61 *
Nevr. E dist. Somat.
0.28
0.09
-3.92 *
Dist. Pers.
Altre diagnosi
0.33
0.34
0.10
0.11
-3.78 *
-3.31 *
NO vs SI Cont. Psic. Precedente
0.59
0.12
-2.64 *
NO vs SI Ricovero Precedenti In OP
NO vs SI Ric. Coatto o TSO
1.58
0.72
0.48
0.20
1.53
-1.22
Genere
Scolarita` vs Lic. Med. Inf.
Status Professionale vs
Imprenditore/Lib. Prof.
Raggruppamenti di Diagnosi
vs. Schizofrenia
0.79
STORIA PSICHIATRICA PRECEDENTE
Ric. Psic. Prec. Vs zero ric. Prec.
1.75
0.38
2.59 *
Piu` di 5
Num. contatti con ricovero nell'anno prec.
4.29
1.57
1.60
0.25
3.90 *
2.84
Num. contatti con strutt. Res. Nell’anno prec.
0.99
0.01
-1.76 **
Num. cont. in Day care nell’anno prec.
1.01
0.00
2.46 *
Num. cont. ambulatoriali nell’anno prec.
Num. Visite Domiciliari nell’anno prec.
1.03
1.02
0.01
0.02
4.23 *
1.54
Punteggio GAF
0.98
0.01
-2.40 *
Distanza tra 1 e 2 contatto
0.98
0.00
-3.23 *
Distanza tra 2 e 3 contatto
**
Coefficiente significativo al 0.05
*
Coefficiente significativo al 0.10
0.98
0.00
-3.86 *
Da 1 a 5
66
Tabella IX Distribuzione dei pazienti del gruppo B in tre gruppi in base al tipo di cura (numero di
prestazioni avute nel semestre).
H1: k3euc
Gruppo
1
2
3
Total
Bologna
17
135
11
163
Unità Operative
Legnano
Napoli
17
0
116
74
5
0
138
74
67
Totale
Roma
Verona
0
90
2
92
35
93
16
144
N.
69
508
34
611
%
11.29
83.14
5.56
Tabella X. Centri dei cluster finali – 3 cluster – tutte le prestazioni dei pazienti esclusa prima visita.
K3euc
1
2
3
Obs
69
508
34
Variable
Indice di Lavik su sei mesi
Mean Std. Dev .
445.19 243.64
Min
174
Max
1531
Mean Std. Dev .
80.18
99.62
Min
2
Max
593
Mean Std. Dev .
355.38 129.80
Min
183
Max
836
Distanza tra 1 e 2 contatto
1.03
2.22
0
14
12.32
23.46
0
182
0.88
1.34
0
6
Distanza tra 2 e 3 contatto
2.48
8.40
0
67
12.65
19.37
0
160
1.53
1.80
0
8
0.00
10.72
0.00
11.41
0
0
0
51
0.01
5.51
0.11
5.13
0
0
1
40
0.00
10.09
0.00
6.83
0
0
0
25
Colloquio psicologico
0.06
0.29
0
2
0.25
1.13
0
12
0.26
1.05
0
6
Relazione clinica e acc. Med. legale
0.17
0.45
0
2
0.17
0.52
0
4
0.41
0.78
0
3
Consulenza specialisti ca
Psicoterapia individuale
0.03
0.00
0.17
0.00
0
0
1
0
0.06
0.38
0.34
2.09
0
0
4
21
0.06
0.00
0.24
0.00
0
0
1
0
Psicoterapia familiare e di gruppo
0.04
0.36
0
3
0.17
1.30
0
23
0.06
0.34
0
2
Esame testistico
Visita generale spec. I visita
Visita specialistica psichiatrica
0.12
0.44
0
2
0.05
0.23
0
2
0.24
0.50
0
2
Incontri multiprofessionali
colloqui informativo di sostegno
2.68
12.54
6.48
17.68
0
0
28
80
1.57
3.96
5.18
6.56
0
0
55
47
6.12
21.21
11.58
28.85
0
0
45
151
intevento terap.-riab. individuale
9.67
30.25
0
147
0.63
3.19
0
51
1.59
4.31
0
19
intervento terap.-riab. di gruppo
57.48
61.10
0
316
3.36
8.65
0
62
7.74
11.95
0
44
somatoterapia psichiatrica
attivita` strutturata
10.17
1.01
19.23
2.45
0
0
102
11
3.90
0.71
7.25
2.13
0
0
54
23
100.82
2.38
24.99
6.38
50
0
141
28
Segretariato sociale
1.97
5.29
0
28
0.73
2.74
0
48
6.35
18.64
0
100
attivita` educativo occupazionale
5.13
17.04
0
119
1.01
8.75
0
129
9.44
22.55
0
89
gionata di presenza in str. Res.
gionata di presenza in str. Semires.
0.17
93.68
0.57
38.42
0
0
3
239
0.05
5.23
0.30
12.11
0
0
4
67
0.12
18.76
0.41
28.74
0
0
2
94
visita domiciliare
17.35
34.82
0
151
3.75
11.95
0
177
9.09
16.25
0
66
ricoveri in SPDC
0.19
0.46
0
2
0.35
1.01
0
13
0.35
0.69
0
3
ricovero in casa di cura privata
0.00
0.00
0
0
0.05
0.24
0
2
0.03
0.17
0
1
68
Tabella 11 – Multinomial Logistic Regression of packages of care decision/allocation
k3euc
1
3
RRR
z
1
RRR
z
Sum Indice di Lavik
gg. tra il 1 e 2 contatto
1.02
0.69
7.48
-2.84
1.02
0.69
6.85
-3.03
gg. tra o; 2 e o; 3 contatto
0.96
-0.80
0.90
-2.13
3
RRR
z
1
RRR
z
3
RRR
z
1
RRR
z
3
RRR
z
RRR
z
Femmine vs Maschi
1.07
0.23
0.51
-1.61
0.64
-0.82
0.26
-2.11
eta
Coniug./conviv. vs single
1.02
0.14
2.32
-3.37
1.02
0.43
1.71
-1.45
1.02
0.01
1.12
-3.31
1.05
0.41
1.72
-1.23
Separato/Divorziato
0.92
-0.20
0.64
-0.59
0.93
-0.11
0.34
-0.72
Vedovo/a
0.59
-0.78
0.00
-65.97
1.05
0.06
0.00
-22.47
Dist. Aff. vs Schizofrenia
Nevr. E dist. Som. Vs Sch.
0.95
0.82
-0.15
-0.32
0.84
0.00
-0.32
-111.92
1.34
1.48
0.49
0.32
1.20
0.00
0.22
-47.03
Disturbi di person. Vs Sch.
1.14
0.34
0.65
-0.67
0.60
-0.70
0.17
-1.38
Altre diagnosi Vs Sch.
0.97
-0.06
1.36
0.53
3.33
1.68
1.21
0.14
Ric. in passato OP (dum)
cont .psich. prec. dum)
Ric. In pass. coatto o TSO
(dum)
Tot. Ric. Psich. lifetime
2.45 1.56
0.80 -0.41
1.79
1.25
0.55
0.34
2.14
0.78
1.45
-0.40
1.90
1.07
0.65
0.10
1.29 0.54
0.79 -0.65
1.96
0.53
1.01
-1.41
1.45
0.72
0.70
-0.76
2.60
0.56
1.40
-1.32
gg. tot. di ric. anno prec.
1.00 -0.12
1.01
2.53
1.00
0.78
1.01
2.89
n. cont. str. Res. anno prec.
0.99 -1.40
0.50
-0.48
0.99
-1.33
0.13
-1.16
gg. tot. Str.res. anno prec.
n. cont. day care anno prec.
1.00
1.01
0.17
4.24
1.00
1.00
-0.11
-0.03
1.00
1.02
0.17
5.23
1.01
1.00
1.19
-0.95
n. contatti amb. anno prec.
1.01
3.16
1.03
5.24
1.02
3.54
1.03
4.42
n. vis. Domic. anno prec.
1.01
1.31
0.99
-0.39
1.01
1.12
0.99
-0.44
punteggio gaf
anno del 1o cont. psich.
1.00 -0.28
0.98 -1.09
1.03
0.97
1.10
-1.07
1.00
0.99
-0.10
-0.35
1.03
0.99
1.21
-0.37
0.99 -4.26
1.00
-3.92
0.99
-4.08
1.00
-1.55
anno del 1o ricovero
Number of obs
Wald chi2(34)
Prob > chi2
Pseudo R2
580
611
407
407
66.99
0
24185.91
0
166.13
0
8112.06
0
0.5582
0.0518
0.4008
0.4686
Log pseudo-likelihood
-148.721
-324.751
-146.662
-130.082
Percent correctly predicted
88.96552
83.14239
87.46929
88.69779
69
Tabella XII Costo unitario per prestazione
Prestazioni
Visita generale specialistica I visita
Visita specialistica psichiatrica
Colloquio psicologico terapeutico
Relazione clinica e accertamento medico legale
Consulenza specialist ica
Psicoterapia individuale
Psicoterapia familiare e di gruppo
Esame testistico
Incontri multiprofessionali
colloqui informativo di sostegno
intervento terapeutico-riabilitativo individuale
intervento terapeutico-riabilitativo di gruppo
somatoterapia psichiatrica
attivita` strutturata di prevenzione e tutela della salute mentale
segretariato sociale
attivita` educativo occupazionale
giornata di presenza in struttura residenziale
giornata di presenza in struttura semiresidenziale
visita domiciliare
ricoveri in SPDC
ricovero in casa di cura privata
Costo
60.77
35.31
41.32
34.40
49.91
43.74
70.74
54.41
66.99
22.49
13.94
13.94
13.86
0.00
19.05
125.02
123.14
81.17
59.53
229.23
150.53
Tabella XIII Costo semestrale dei pacchetti di cura (tutte le prestazioni).
Visita generale specialistica I visita
Visita specialistica psichiatrica
Colloquio psicologico terapeutico
Relazione clinica e accertamento medico legale
Consulenza specialistica
Psicoterapia individuale
Psicoterapia familiare e di gruppo
Esame testistico
Incontri multiprofessionali
colloqui informativo di sostegno
intervento terapeutico -riabilitativo individuale
intervento terapeutico -riabilitativo di gruppo
Somatoterapia psichiatrica
attivita` strutturata di prevenzione e tutela della salute mentale
segretariato sociale
attivita` educativo occupazionale
giornata di presenza in struttura residenziale
giornata di presenza in struttura semiresidenziale
visita domiciliare
ricoveri in SPDC
ricovero in casa di cura privata
1
0.00
378.70
2.40
5.98
1.45
0.00
3.08
6.31
179.61
282.00
134.80
801.25
140.98
0.00
37.56
641.41
299.82
7604.10
1032.80
431.88
.
11984.10
70
2
0.72
194.63
10.17
5.89
3.05
16.62
11.84
2.57
105.36
89.14
8.76
46.90
54.04
0.00
13.84
125.76
1076.93 .
424.86
223.02
1630.41 .
88.60 .
4133.09
3
0.00
356.23
10.94
14.16
2.94
0.00
4.16
12.80
409.81
477.02
22.15
107.83
1397.07
0.00
121.05
1180.35
1523.13
541.07
6180.70
III. The relationship between food
consumption and socio-economic status
Paola De Agostini
December 10, 2005
Abstract
In underdeveloped countries poor nutrition is primarily caused by
low family income and lack of food resources. In developed countries this is not the case. The causes of malnutrition are more likely
to arise from an unbalanced diet structure. This paper investigates
the relationship between nutritional and socio-economic status among
British youths. In particular, it aims to describe the dynamics of consumption over age, time, birth-cohort and income. In doing so, it
uses data from the British National Food Survey (NFS) covering the
period 1975-2000, selecting for household with children aged under
17. Following the World Health Organization guidelines, minor food
groups are classified into major groups, while using DEFRA conversion
factors, amount of nutrient intakes have been computed from quantity of food entering the household. Daily intake-age and major food
group-age relationship separately for men and women are estimated
by solving a non-linear least square model with a roughness penalty
function approach. Focusing in particular on young age groups (0-17),
trends of consumption over the 25 years period of study and cohorts
effect have been explored. This has been done for major food groups
and intakes across the following classes of age: 0-6, 6-12 and 13-17. In
addition to that, an exploration of specific trend variations in eating
habits has been implemented controlling for income distribution and
region of residence. Moreover, focusing on the relation between eating
habits and family income distribution, it also estimated elasticity of
consumptions with respect to income for each intakes and food groups.
1
1
Introduction
In a growing number of industrialized Countries obesity has become a phenomena of unprecedented proportions. In 2000, 300 million adults were obese
and 700 million were classified as overweight around the world (OECD, 2003).
There are however notable differences in obesity rates across countries. In
the United Kingdom, the obesity rate among adults has tripled over the last
twenty years to stand at 22% in 2001. This is higher than in nearly all other
OECD countries, but lower than in the United States (31% in 1999) and
Mexico (24% in 2000), and comparable to Australia (21% in 1999). According with the OECD data, if the average rate of increase in the prevalence of
obesity between 1980 and 1998 continues, over one fifth of men and about a
quarter of women in England will be obese by 2005, and over a quarter of
all adults by 2010. This would bring levels of obesity in England up to those
experienced now in the United States.
Obesity and overweight are not only adults issues. On the opposite, they
are increasing also among children and adolescents. In 1995, 18 million under
five and 155 million children between five and seventeen years old in 2000
were classified as overweight around the world. Over the past two decades the
number of overweight children and teens nearly double. The Surgeon General
Report for the United States reports that in 1999 13% of children aged 6 to
11 years and 14% of adolescents aged 12 to 19 years were overweight. This
prevalence has nearly tripled for adolescents in the past two decades. Even if
European and British indicators are not as high as in the US, the proportion
of children classed as overweight or obese increased between the mid-80s and
72
mid-90s. Studies looking at boys and girls in England and Scotland, aged
between 4 and 11, show that approximately 5% of British children in 1984
were overweight. A decade later, 9% were overweight.
The primary concern of overweight and obesity is one of health and not
appearance. Overweight and obese people are at risk for a number of health
problems including heart disease, diabetes, high blood pressure, and some
forms of cancer. Overweight adolescents have a 70% chance of becoming
overweight or obese adults then their non overweight counterparts. This
increases to 80% if one or more parent is overweight or obese (genetic predisposition). Overweight children and adolescents compared to children with a
healthy weight are at higher risk of developing such diseases listed above. On
the other hand, the most immediate consequence of overweight as perceived
by the children themselves is social discrimination. This is associated with
poor self-esteem and depression.
The second concern of overweight and obesity is one of health service
costs. As reported by the Summary of Intelligence on Obesity (2004) the
cost of obesity in UK is estimated at 3.7 billion per year and 7.4 billion when
adding the cost of overweight. Moreover, considering the time lag between
the onset of obesity and related chronic diseases, researchers suggest that
the rise in obesity that has been occurring in the last 20 years, will have
substantial implications on future costs.
The main causes of obesity have been identified on excessive consumption (unbalance diet), lack of physical activities, genetic predisposition and
disorders that affect the normal bodily functions as metabolism and growth.
Leaving genetic predisposition aside, it remains unclear the exact relative
73
responsibility of an unbalance diet and reduce exercise.
Food choices depend on many social factors such as history, culture, and
environment, as well as on energy and nutrient needs.
The modern sedentary life, the growing number of fast food and restaurant, technological changes and women participation in the labor market
are often popular justifications of the growing calories consumption and the
reduce physical activity.
Lakdawalla and Philipson (2002) analyze the energy equation from the
energy expenditure point of view. They concluded that a sedentary worker
will be heavier than someone in a highly active job. Further, they estimated
that about 60% of the total growth in weight in the United States may be due
to demand factors, such as a decrease in physical activity, and about 40% is
due to expansion in calories, potentially through increased food abundance
due to agricultural innovations.
Increasing availability of fast food and ready meals have changed the relative costs of meals preparation and consumption increasing the consumption
of some nutrient intakes as saturated fats, sugars and calories also because
of the bigger portion size.
Women labor participation increases the cost of time, reducing the time
spent cooking healthy home-meals and contributes at increasing number of
meals eaten out and consumption of ready meals.
Although few studies analyze the implication of economic and technological changes as possible reasons of the change of food choices (Cutler et al.,
2003; Chou et al., 2001) finding the expected positive relationship between
obesity and the number of fast food per capita, there is little evidence on
74
the relation between the increasing number of women at work and the rising
in demand for eating out. Chou, Grossman and Suffer (2001) argue that
expanding labor market opportunity for women have resulted in significant
increases in families’ command of real resources and higher standards. Also
Cutler, Claser and Shapiro reject the theory for which the increasing number
of women at work have increased the demand for eating out, pointing out that
the main reason for increasing calorie, saturated fat and sugar consumption
is mainly consumption of snacks outside the main meals.
Another important question that has been addressed is whether differences in nutrition depend from differences in income. Are poorer eating
worst than wealthier? In fact, family choices associated with health and
the processes of biological programming are strongly mediated by their social context. Of course, the most powerful aspect of social context associated
with health is poverty because it is often associated with poor diet and consequent poor likelihood of growth and development (Baeker 1998), with raised
risk of infection. But also low level of education are associated with poor
health behavior, for example in terms of diet and exercise, and in raised of
overweight and obesity.
Curry and Bhattacharya (2000) use data on Americans youth to determine the causes of poor nutritional outcomes. Their finding suggest that poor
nutrition is a problem for American youth neither entirely related to a lack
of household resources nor to family background. They measure information
about the relationship between nutrition and health through education and
age of head of household and the content of television programming. They
argue that information and technology matter. TV viewing has a negative
75
effect on nutrition outcome both because of the content of the programming
and because it reduces physical activities. Similar results are found also by
Chou, Grossman and Suffer (2001), who argue that wealthier and more educated people are less likely to become obese or overweight, whereas Hispanic
and black individuals are more likely to suffer from obesity.
Cutler, Glaeser and Shapiro (2003) find that obesity and income are negatively related, mainly because incomes were not increasing greatly at the
bottom of the income distribution in United States in the period they considered.
Case, Lubotsky and Paxson (2002) point out the importance for future
research of explaining the mechanisms that underlie the relationship between
income, nutrition and children’s health outcomes. Their findings show that
the robust relationship between children’s health status and family income
may be due to differences in parent’s and child’s health-related behaviors at
different levels of income. Choices made concerning how often a child sees a
doctor or about his eating habits, may have both short-term and long-term
health implications. Many of these behaviors are correlated with socioeconomic status, and so may potentially explain at least part of the association
between children’s health and household income. In their results, inclusion of
these health-related behaviors reduces the observed income gradient among
Americans, but only slightly. Healthful diets help children grow, develop, and
do well in school. Food choices also can help to reduce the risk of chronic
diseases, such as heart disease, certain cancers, diabetes, stroke, and osteoporosis, that are leading causes of death and disability among Americans.
Good diets can reduce major risk factors for chronic diseases factors such as
76
obesity, high blood pressure, and high blood cholesterol.
The UK Department of Health recognizes that promoting diet changes
and physical activities increase would help, but it is difficult to be done because it would imply changes in preferences and consumer behaviors. They
suggest that preventing obesity and overweight in childhood is perhaps a
more effective approach in the long term. Child health is of the greatest
importance for the future health of a nation, not only because today’s children grow up to become the next generation of parents and workers, but also
because recent research in child health shows that early life health is, for
each child, the basis of health in adulthood and nutrition is one of its basic
determinants. As the UK Food Standard Agency Report points out:
A healthy balance of foods provides the energy and nourishment
everyone needs to survive and to enjoy life. Eating too little food
soon leads to illness, but eating too much or the wrong balance
of foods can lead to problems in the long term. So it is important
to get the balance right both in the amount and in the types of
foods eaten. A healthy and balance diet in childhood can reduce
the risk in anaemia and dental decay. In the longer term, it can
help to prevent ill health later in life. For example, it can reduce
the risk of heart diseases, obesity, stroke and some cancers.
National governments and international organizations, such as the World
Health Organization (WHO) and the Food and Agriculture Organization
(FAO), have been working on nutritional guidelines extension, in particular
recommending a reduction in total fat and sugar consumption.
77
But many questions regarding the reasons why people are becoming obese
remain unanswered. Have diet or physical activity changed over time? Do
we eat more? How has our diet changed across time? Who has been affected
more by this changes? (why them? and why was that?) Do we eat ”better”
today than in the past? This paper carries on a first exploration of eating
habit variation across age and time among the British population. Moreover,
it presents some evidence on the relationship between nutrition and socioeconomic status in Britain using cross sectional data from the National Food
Survey covering the period 1975-2000. In doing so, we use Chesher’s methodology for providing a through decomposition of the National Food Survey
data and identify original regularities for basic demographic subgroups.
In his paper from 1997, Chesher decomposes intakes household supply
into individuals consumption using a non parametric model applied to the
National Food Survey data pooled by three years from 1974 to 1994. He
estimates the age profile of nutrient intakes such as calories, fat, calcium
and vitamin C controlling also for the potential effect of eating out and the
presence of visitors. Effects of household characteristics such as region of
residence and family income, are also considered.
The aim of this paper is to extend Chesher’s work using data from 1975
to 2000 considering intakes consumption. It describes how eating habits have
changed by gender and age, by gender and time for all age groups and particularly by gender, and by generations in the Britain. Moreover, it will try
to shed a light on the importance of social and economic environmental to
nutrition changes considering the effect of income separately. There might
have been many forces that have affected people’s (especially children’s) eat78
ing habits. This paper will simply describe patterns without testing one
explanation against another. We will consider some hypotheses in a later
work.
This work is organized as follows. Section 2 describes the data. Section
3 introduces the consumption specification using nonparametric techniques
for the estimation of average daily nutrition intakes consumption within a
household model that adopts a roughness penalty function and controls for
income distribution, eating out and presence of visitors. Section 4 presents
the results. Conclusions and extensions for future research are summarized
in Section 5.
2
Data
The data used in this study come from the National Food Survey (NFS). This
is a cross-sectional survey started in 1940, and it has run continuously since
1942. Its initial aim was to monitor the diet of the urban ”working class”
during the war years. In 1950 it was extended to the whole population in
Britain to collect data on food consumption and expenditures. Since 1992 the
NFS collects information also about confectionary, alcohol and soft drinks;
and since 1996 it has been extended to Northern Ireland.
The NFS collects weekly data over one year on household food acquisition
for a large nationally representative sample of British adults and children.
It collects information from roughly 7,000 household in the UK every year
(corresponding to a response rate of 65 percent). It contains year and month
specific information about all food entering into the household. After a short
79
interview, the household’s member who does the most of the shopping is
asked to keep a diary where reporting expenditures in British pence as well
as physical quantities of food purchased among more than 200 food items
listed. Each of the other members, age 11 and over, are requested to collect information on personal expenditure on snack, meals, sweets, and drinks
consumed outside the home. The data also record the number and type of
meals (breakfast, lunch or dinner) offered to guests. In addition, the survey
records some demographic characteristics, for example age and sex of each
member of the family, number of male and female working, household characteristics, region of residence, and socio-economic variables, such as income
and occupation of head of household.
The time period considered in this paper covers 26 years from 1975 to
2000, in which 201,032 households and 521,000 individuals were observed.
2.1
Sample Characteristics
Descriptive statistics for the main sample are reported in Table 1. After
controlling for missing values, dropping households from North Ireland1 and
dropping people over 91 years because their number was not enough to produce significant figures, the final sample ends up containing 130,789 households and 353,989 individuals.
The individual average age in the sample is 35 years. Head of household on average are 49 years old and their wives are just one year younger.
1
Data on North Ireland have been collected only from 1996. In order to include this
sample into the analysis, it is necessary to weight the data.
80
Children are on average 8 years old and the sample seems roughly equal
distributed over age groups.
Information on eating out are summarized from the net balance variable.
This variable varies for each person from 0 and 100. It takes value zero
if the person eats always out; it takes value 100 if the person eats every
meal at home. When a person eats outside the household, his net balance is
diminished of a certain amount depending on which of the main three meals
he did not took from the household. In particular, if a person has breakfast
outside his net balance will diminish of 3 points, if he has lunch outside, his
net balance will decrease of 4 points, and if he eats dinner outside, the net
balance will decrease of 7 points.
In the sample considered here, the average individual records a net balance per week of 87.47 points. In other words, in average in a week a person
has almost 13 percent of his net balance from outside the household. This
corresponds almost to one full day eating out (one breakfast, one lunch and
one dinner per week).
In average there are about 2 or 3 members per household, with a maximum of 13 members. Approximately 9 percent of the individuals lives alone,
59 percent lives in household without children, while 41 percent lives in
household with only adults (Table 2).
The sample is roughly 5 percent from Wales, 9 percent from Scotland, 7
percent from the Northern, 9 percent from York and Humberside, 11 percent
from the North West, 7 percent from East Midland, 10 percent from West
Midland, 8 percent from South West, 3 percent from East Anglia and 30
percent from South East.
81
Table 1: Descriptive Statistics (1975-2000) - Household obs. 130,789 - Individuals obs. 353,989
Obs.
Descriptive Statistics
Mean Std. Dev. Min
Max
Individual Characteristics
age
age of wife of hoh
age of children
353989
130789
101001
34.87747
47.68864
8.15483
22.73049
17.7052
5.043785
0
16
0
91
92
17
Head of Household Characteristics
age
age if male
age if female
130759
97252
33507
49.34549
47.27158
55.36488
17.52024
16.27708
19.49869
16
16
16
91
91
91
Family Characteristics
number of members
number adult male
number adult female
number children
number adult aged greater than 64
number person aged 0000
number person aged 0104
number person aged 0507
number person aged 0811
number person aged 1215
number person aged 1617
130789
130789
130789
130789
130789
130789
130789
130789
130789
130789
130789
2.610946
.8797376
.9941738
.7370345
.3526214
.0383518
.177232
.131953
.1681028
.1563052
.0650972
1.366265
.5462758
.4376216
1.081004
.6372804
.1935124
.4594763
.3800701
.4514887
.4449344
.2599484
1
0
0
0
0
0
0
0
0
0
0
13
6
7
10
4
3
5
3
5
6
3
Eating Out
net balance per person
total net balance per household
353989
130789
87.47551
238.7557
14.93684
127.2163
0
0
100
1247
The set of economic variables available from the data set includes net
family income, total expenditure on food, specific food expenditures on particular items and quantity of food purchased during the period of study.
The dependent variables used in this paper are quantities of nutrient intakes consumed, whose allocations among different family members have been
compute according to the methodology described in the following section.
Following the World Health Organization and Government Guidelines,
82
Table 2: Region of residence, Number of family members and Occupation
Code - Household obs. 130,387 - Individuals obs. 338,060
Variables
Households
Freq. Percent
Individuals
Freq. Percent
Hhld composition
1 adult only
1 adult and 1 or more children
2 adult only
2 adults, 1 child
2 adults, 2 children
2 adults, 3 children
2 adults, 4 or more children
3 adults
4 or more adults
3 or more adults, 1 or 2 children
3 or more adults, 3 or more children
29,737
5,510
41,354
12,987
18,237
6,158
2,026
6,693
2,057
5,145
885
22.74
4.21
31.62
9.93
13.94
4.71
1.55
5.12
1.57
3.93
0.68
30,634
15,642
85,491
40,655
76,102
32,360
13,710
20,450
8,521
24,053
6,371
8.65
4.42
24.15
11.48
21.50
9.14
3.87
5.78
2.41
6.79
1.80
Hhld with children
Hhld without children
50,948
79,841
38.95
61.05
208,893
145,096
59.01
40.99
Region of Residence
Wales
Scotland
Northern
York and Humberside
North West
East Midland
West Midland
South West
East Anglia
South East
Total
6,819
11,726
8,932
12,279
14,938
9,145
12,577
11,082
4,528
38,763
130,789
5.21
8.97
6.83
9.39
11.42
6.99
9.62
8.47
3.46
29.64
100.00
18,298
32,234
23,837
33,066
41,224
25,314
35,523
29,032
11,565
103,896
353,989
5.17
9.11
6.73
9.34
11.65
7.15
10.04
8.20
3.27
29.35
100.00
83
food items have been summarized into 14 key food groups: diary products,
meat, fish, eggs, oils and fats, sugar and preservatives, vegetable, fruit, cereals, beverage, miscellaneous, soft drinks, confectionary and alcoholic drinks.
Moreover, following standard grouping used by food analysts (e.g. Food
Standard Agency, US Department of Agriculture, etc.) meat and fish have
been clustered together into a single group2 .
The number of observation on soft drinks, confectionaries, alcohol, miscellaneous and beverage are not enough to produce significant estimations,
therefore the analysis will proceed distinguish the first six standard main
food categories used by nutritionists and others.
Table 3 reports descriptive statistics on net family income, total expenditure and quantities (in grams) of food purchased on average per household
in a week period on each food groups.
On average households spend 29 pounds each week on food, and earn
almost 150 pounds per week. In particular the average household spends 4
pounds in diary products, 8 pounds in meat, 2 pounds in fats and sugars,
6.50 pounds in vegetables and fruit, 4 pounds in cereals and pasta, 2 pounds
in soft drinks and 10 pounds in alcohol3 .
Over the time period, the average household (of 2 or 3 people) buys in
one week almost 6 liters of diary products, 3 kg of meat, 12 eggs, almost 1
kg of fats and oils, 1.4 kg of sugars and preservatives, 6 kg of vegetables, 2.7
kg of fruit, 4 kg of cereals, pasta and rise, 4 liters of soft drinks and 3 liters
2
Meat, fish and eggs belong to the food group providing proteins, therefore they are
usually classified together. In this case, eggs are measured in number of eggs purchased
by the household, while meat and fish are measured in grams. Therefore in the rest of the
paper I will consider only the category meat and fish.
3
Data on soft drinks, alcohol, miscellaneous and beverage are available from 1992.
84
Table 3: [Continue] Descriptive Statistics (1975-2000) - Household obs.
130,789 - Individuals obs. 353,989
Obs.
Descriptive Statistics
Mean Std. Dev.
Min
Max
Family Income and Expenditure
total household food expenditure
net family income
130789
130789
29.15207
150.1823
23.38368
156.1296
0
10
604.96
2978.00
Family Food Expenditure (GBP)
diary products
meat
fish
eggs
fats and oils
sugar and preservatives
vegetable
fruit
cereals
soft drinks
confectionaries
alcohol
miscellaneous
beverage
128332
121361
79799
77267
94085
66282
125033
106087
127236
28251
19082
15179
91765
72702
3.841969
8.152233
2.225025
.8009915
1.211639
.8645352
3.991886
2.514873
4.808307
2.347129
1.979311
9.815807
1.797628
1.70735
3.04438
7.689984
2.567056
.5522406
1.019039
.7003412
3.706174
2.841234
4.435264
2.250002
2.235051
13.10797
2.079407
1.53138
0
0
0
0
0
0
0
0
0
0
0
0
0
0
64.63
280.26
75.40
29.43
27.12
17.21
59.50
69.89
101.42
46.83
40.90
512.06
149.65
47.98
Quantity of Food purchased (g)
diary products
meat
fish
eggs (N. of eggs)
fats and oils
sugar and preservatives
vegetable
fruit
cereals
soft drinks
confectionaries
alcohol
miscellaneous
beverage
128332
121361
79799
77267
94085
66282
125033
106087
127236
28251
19082
15179
91765
72702
6635.383
2846.82
592.8705
12.18848
962.3533
1397.647
6159.51
2783.287
4159.729
4034.825
437.463
3188.451
1250.973
344.5001
4463.997
2757.956
567.0425
8.105958
877.0756
1078.614
5846.392
2588.278
3274.509
4035.488
455.752
3958.576
1584.85
268.0583
42.00071
25.00042
28.00047
0
11.00019
14.00023
20.00034
9.977799
19.00032
74.8335
7.370999
10.47816
0
9.00015
66640.75
140219.1
20723.85
162
40161.2
62511.75
117907.7
81364.5
303111.1
85050.78
8500.323
123138.2
61696.84
10000.17
85
of alcohol.
2.2
Derived Variables
As many nutritionist point out, in order to have a healthy diet is important
to have the right balance of nutrients needed to be healthy. Therefore, it
is obviously important to study both consumption of nutrient intakes and
consumption of major food groups. A number of balance diets are based on
either combination of intakes or combination of food types or both.
Therefore, this paper considers also a second set of dependent variables:
nutrient intake quantities consumed. They are computed from the basic data
using the conversion factor tables from the Department for Environmental
Food and Rural Affairs (DEFRA, 1999). The full detail of reported food
purchased is used, with weights converted to intakes using the intake content
factors. DEFRA table reports 47 nutrient intakes on it. Table 4 reports
13 of them: calories, proteins, fat, carbohydrates, calcium, iron, vitamin C,
D, E, B6 and B12, potassium, magnesium. However, conversion factor for
potassium, magnesium, vitamin B6, vitamin B12 and vitamin E are available
only from 1992 and they do not produce significant estimation. Therefore the
analysis will proceed focusing on calories, fat intake, proteins, carbohydrate,
calcium, iron and vitamin C. Moreover, given that in the White Paper ”The
Health of the Nation” the Government has specifically set targets for the
proportion of energy from fats to be no more than 35% by 2005, I will report
the main results on fats also in terms of proportion of energy from fats
(PEF)4 .
4
Total amount of energy from fat is obtained multiplying total amount of fats by 9.00.
86
Table 4 shows household consumption of nutrient intakes in a week period.
In average a household purchases 37,414 calories per week and almost 1.5 kg
of fats, that means that almost half of the total calories purchased derives
from fats.
Table 4: [Continue] Descriptive Statistics (1975-2000) - Household obs.
130,789 - Individuals obs. 353,989
Obs.
Quantity of Intakes purchased
calories (Kcal)
Proteins (g)
Fat intake (g)
Proportion of energy from fats (Kcal)
Carbohydrates (g)
Calcium (mg)
Iron (mg)
Vitamin C (mg)
Vitamin D (mg)
Potassium (mg)
Magnesium (mg)
Vitamin B6 (mg)
Vitamin B12 (ug)
Vitamin E (mg)
3
130789
130789
130789
130789
130789
130789
130789
130789
130789
52279
52279
52279
52279
52279
Descriptive Statistics
Mean Std. Dev. Min
37414.1
769.6949
1687.037
15183.33
4559.545
16269.43
195.7957
1030.547
54.94992
45858.38
4103.089
35.06806
93.21448
4055.283
25811.94
551.5648
1278.57
11507.13
3475.143
10108.62
134.4513
921.3632
55.28951
31445.96
2821.844
27.61754
84.2328
3122.384
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Max
1260780
22950.1
39593.91
356345.2
263892.5
228228.3
2731.77
24667.22
1568.759
627095.6
75137.1
1131.76
3088.253
57431.36
Methods
Expected consumption of individual p is assumed to be function of individual
characteristics xp (e.g. sex and age) and household characteristics z. The
theoretical model follows Chesher (1997).:
E[cp |x, z] = f (xp , z)
The proportion of energy from fats is the ratio between total amount of calories from fat
and total amount of calories.
87
Thus average household consumption is:
E[c|x, z] =
PP
p=1
f (xp , z)
where P denotes total household members. The National Food Survey
(NFS) collects information about total food acquisition and expenditure per
household. There is no information on individual consumption. In order to
take into account consumption variation with respect to age and sex of different household members this model relates food acquisition with household
composition.
If a household consumes qic , quantity of food i, and therefore the amount
of nutrient contained in each unit of food i, νi , the total quantity of nutrient consumed by the household can be expressed as c =
P
νi qic . The total
quantity of nutrient entering the household is the total amount of nutrient
contained into total food purchased5 , y =
P
νi qi . In the long term it is prob-
ably reasonable to assume that total amount of food entering the household
is equal to the total amount of food consumed by each family. Therefore the
expected value of total food acquisition is assumed to be equal to expected
value of total food consumed:
E[y|x, z] = E[c|x, z] =
PP
p=1
f (xp , z)
Where y represents the total quantity of food entering into the household
and c the total quantity of food consumed.
Assuming that f is a separable function with respect to xp and z allows
f to be written as product of two functions:
5
The NFS records amount of food i entering the household h: qic 6= qi .
88
f (xp , z) = g(xp ) · u(z)
The amount of food consumed by a person p still depends from his/her
own characteristics, such as age and sex, and from the characteristics of the
family. However, if we consider two persons of the same age and sex, living
in two different households, their ratio of consumptions will be the same. In
other words, the model proposed here estimate the average consumption of
food/nutrient for a person p of age a and sex s. Identical individuals in different households consume the same amount of food/nutrient independently
from their family structure uz . This assumption also implies that diet of children and adults are not affected by family structure. In order to take that
into account, household composition and presence of children are introduced
in z.
It is known that consumption differs over age among male and female,
even in early ages. So, let gS (ap ) be the function representing the relationship
between consumption and age for each sex S = M, F . The total distribution
of consumption over age can be express as follows:
g(xp ) = g(age, sex) = sp gM (ap ) + (1 − sp )gF (ap )
where gS (ap ) are complex and non-linear functions and sp is a dummy
variable taking value 1 if the individual observed is male, and 0 otherwise.
3.1
Demand for food and nutrients
The demand for food and nutrient changes through lifetime with level of
activity and preferences. Following Chesher (1997), I use a non-parametric
89
approach in defining gS (ap ) and add household characteristics in parametric
form, as follows:
0
u(z) = exp(z γ).
The function gS (ap ) represents the relationship between food consumption
and age for each gender S. For each individual p, let wp = [wp,0 , wp,1 , wp,2 , . . . , wp,99 ]
be a vector of dummy variables allocating the value 1 to the dummy corresponding to the class of age to which the individual belongs, that is:



 1 if a ≤ ap ≤ a + 1
wp,a = 

 0 otherwise
So, for example, if family 1 holds 3 members, aged 50, 2 and 0 years old
respectively, the matrix of vectors wp where p = 1, 2, 3 identifies person p
(second column) in household h (first column), will look as follows:







X=





1 1 0 0 0 ... 1 ... 0 
1 2 0 0 1 ... 0 ...
1
..
.
3
..
.
1
..
.
0
..
.
0 ...
.. ..
. .


0 



0 


. 
0 ...
.. .. .
. . .
Given the assumptions above, the relationship between age and intake
for males and females can be approximated by the discrete form:
90


 wp,0 





 w

p,1 
µ



0
S

S
gS (ap ) = wp β =  wp,2 
 β0



.. 

. 






¶
β1S
β2S
...
S
β99
wp,99
Where βaS are the coefficients estimated at each age for S = M, F . They
represent the amount of nutrient consumed by a person p of age a and sex
S.
At this point we can formalize the expected value of household consumption6 as follows:
E[y|x, z] =
P
X
0
[sp · gM (ap ) + (1 − sp ) · gF (ap )] · exp(z γ)
p=1
E[y|x, z] =
P
X
0
0
0
[sp wp β M + (1 − sp )wp β F ] · exp(z γ)
p=1
It should be noticed that
a living in the household and
P
0
p
sp wp represents the number of males of age
P
0
p (1 − sp )wp
represents the number of females
of age a living in the household. Thus, for each household, the expected
nutrient consumption is going to be:
6
Therefore food acquisition in the long term - see first assumption above.
91
E[y|x, z] =
P X
A
X
0
M
F F
[nM
pa βa + npa βa ] · exp(z γ)
p=1 a=0
where A is the maximum value taken by the variable age and βaS represents
the amount of nutrient consumed by any individual of age a and gender S.
3.2
Penalized least square regression
In its simplest form the roughness penalty approach is a method for relaxing
the model assumptions in classical linear regression in a slightly different
way from polynomial regression (Green and Silverman, 1995). In order to
estimate β M , β F and γ, and given the discontinuity of age, I use non-linear
least squares with a roughness penalty function methodology and minimize
the following object:
" H
X
minβ M β F γ
Ã
(yh − β0 +
h=1
+λ2M
99
X
99
X
!
#2
0
M
F F
(nM
ha βa + nha βa ) exp(zh γ))
+
a=0
M
M 2
(βaM − 2βa+1
+ βa+2
) + λ2F
a=0
99
X
F
F
(βaF − 2βa+1
+ βa+2
)2
a=0
where β0 is included to capture flows of nutrients into households that are
unrelated to the number of household members (e.g. food for pets) and the
last term is the discrete version of the roughness penalty function capturing
the smoothness of the relationship between age and consumption. The same
object is representable in matrix form as follows:
92
0
0
0
min(Y − Xβ) (Y − Xβ) + λ2 β W Wβ
where λ > 0.
Using matrix the data structure can be summarized as follows. Let


 yh


D=
 0


0
h
i
N
M
N
0 λ·A
0
F
Z 




0 
=

0
0
λ·A 0



Y
X
0 λ·W
Z 

0

i
where: i, N M , N F = X, and


 0 λ·A


0
0
0
λ·A

=λ·W

The final sum of squared model without considering Z is7 :
0
0
0
minS = (Y − Xβ) (Y − Xβ) + λ2 β W W β
so the β estimator turns out to be biased and the bias depends on λ:
0
0
0
b
β(λ)
= (X X + λ2 W W )−1 X Y
with expected value and variance given by:
7
The vector Z will be introduced later on in this chapter.
93
h
i
0
0
0
b
E β(λ)
= (X X + λ2 W W )−1 X E(Y |X)
0
0
0
0
0
0
= (X X + λ2 W W )−1 X (Xβ + ²)
= (X X + λ2 W W )−1 X Xβ + 0
h
i
0
0
0
b
= (X X + λ2 W W )−1 X Xβ
=⇒ E β(λ)
and
h
i
0
0
0
0
0
b
V β(λ)
= σ 2 (X X + λ2 W W )−1 X X(X X + λ2 W W )−1
3.3
How to choose the degree of smoothness λ
As indicated by Green and Silverman, the most common method used to
identify λ is Cross Validation (CV). This methodology requires to omit arbitrarily an observation i and estimate the curve from the remaining data.
This new object, denoted gb−i (tj , λ), is the minimizer of:
X
2
{yj − g (tj )} + λ
Z ³
g
00
´2
j6=i
The value of λ derives from minimizing the sum of square differences between observed and estimated values, this time considering also observation
i omitted before:
minCV (λ) = n−1
n
X
{yk − gb−i (tk , λ)}2
k=1
Following Chesher (1997), this paper considers three possible values of
94
the degree of smoothness: no smoothness (λ = 0), λ = 57.3, that it is the
value that minimizes Wahba’s (1975) generalized cross-validation criterion,
and λ = 100.
Calories distribution over age for men and women using data from 1975
are shown in Figure 1 for each value of λ specified above. The same model
has been run for every year of the NFS considered.
For each year, estimate using λ = 0 show high variability across ages,
and all the models show that the trend of consumption of calories increases
during early ages and decreasing after 60, with two main local maximum at
age 15 and 50. Considering that the main aim of this work is to describe
variations of eating habits over age, and that the differences between using
λ = 57.3 or λ = 100 are not very big, all the estimation results that follow
will use λ = 100.
95
1600
0
800
Kcal
2400
3000
Figure 1: Estimated energy-age curves for male and female using data from
1975 with roughness penalty λ=0, λ=57.3 and λ=100.
0
10
20
30
40
50
60
70
80
90
60
70
80
90
age
1600
0
800
Kcal
2400
3000
(a) λ=0.
0
10
20
30
40
50
age
1600
800
0
Kcal
2400
3000
(b) λ=57.3.
0
10
20
30
40
50
age
(c) λ=100.
96
60
70
80
90
3.4
Introducing information on eating out and visitors
The National Food Survey provides some information about food eaten out
and visitors. Although it does not record the amount of food obtained from
no household supplies, for each person a measure of the number of meals
taken from the household during the survey week is available. This measure
is known as ”net balance” and it varies from 0 to 100. It is equal to 100
when the person obtain all his meals from household supply. It has value 0
when all the meals are eaten out. For each meal eaten out, the net balance is
reduced of 3, 4 or 7 depending from whether the missed meal was breakfast,
lunch or dinner respectively.
In the following estimation the model controls for eating out interpreting
the net balance as the proportion of food coming from household supplies for
each person (bp ). If βaM and βaF are interpreted as total food supplies from
the household and from outside the home, then the total amount of food
coming from the household is bp βaS and the initial model can be written as
follows:
E[y|x, z, b] = β0 +
P X
A
X
0
M
F
F
[nM
pa bp βa + npa bp βa ] · exp(z γ)
p=1 a=0
= β0 +
P X
A
X
0
0
0
[bM βaM + bF βaF ] · exp(z γ)
p=1 a=0
where for each household bS is a vector containing the net balance for
each individual at each year of age.
97
The net balance information is available also for each visitor. Using this
information, the model takes into account each visitor as an additional member of the household, by age and sex, who takes from the household the
proportion of food indicated by his net balance.
4
Results
With the aim here of providing a through decomposition of the NFS data
and identify original regularities for basic demographic subgroups, this section describes the estimates of the Roughness Penalty Function Model obtained from non-linear ordinary least squares (NL-OLS) method to account
for function smoothness. The paper investigates nutrition curves - using nutrient intakes - with the objective to see how they have changed by gender
and age over the recent time period and by gender and time for all age groups
and, particularly, for children aged 0-17. We will also consider the effect of
income separately.
4.1
AGE
The relationship between nutrient intake and age have been estimated separately by each sample year in two stages: in a first stage, the paper deals only
with the results from the non parametric analysis (nutrient intake in relation
to gender and age), while in a second stage, we control for other household
characteristics such as income.
98
4.1.1
Age curves estimation
At the first stage, we estimate nutrient consumption only in relation to household members characteristics (i.e. age and gender). Coefficients estimated
separately for each year have been averaged up over the whole sample period
1975-2000. The findings for each nutrient intake for males and females separately, by each completed year of age from 0 to 91, are reported graphically
in Figure 2.
Both for male and female the distribution of consumption over the life
cycle show an inverse U shape, increasing rapidly until age 14 for girls and 16
for boys, then it declines until around age 25, and it increases again showing
a peak at the age 55 for females and 60 for males. After that there is a steady
decline.
The estimates show that on average males consume more then females at
any age. This picture is quite similar along all the period for all nutrients
considered, with some exceptions such as calcium and vitamin C. Figure 2
panels g) and h) show that on average females consume more calcium than
males after 40 years old, and more vitamin C along all the life cycle. The
reason of that is probably the higher consumption of food for females, like
milk (after age 35) and fruits.
The peak at puberty is consistent with consolidation of body height and
weight during the adolescence period. The peak occurs 2 years earlier in
girls than in boys, as puberty itself does. Similarly, the fall in consumption after middle age can be explained by the fact that elderly people lose
weight and spend less energy. It is also important to note the steady rise in
99
calories/nutrients consumption after 30. This usually coincides with a period in life when people exercise less and increase weight, but these are not
necessarily the only explanations.
The age patterns of fats intake, carbohydrates and iron (Figure 2, panel
b), e) and f) respectively) are very similar to those of calories intake. For both
men and women, they increase during childhood, slightly decrease between
age 15 and 30, and then increase again, but more rapidly for women than for
men.
Proteins consumption distribution shows less differences among genders
((Figure 2, panel d)), showing the biggest difference between age 10 and 40.
Fat intakes converts to calories at the rate of 9 kcal per gram. Therefore,
multiplying estimate fat consumption by 9 and dividing it by total calories at
each age we obtain the distribution of proportion of energy from fat (PEF)
shown in Figure 2, panel c). Over the life cycle, in average PEF results
between 30 and 40 percent up to age 25, and over 40 afterwards. WHO
recommends proportion of energy from fat and saturated fats to be reduced
by 2005 to 35%. It will, therefore, be interesting to see in the following
sections how it has changed over the period of study and how its trend
moves over time.
4.1.2
Estimate Non-linear model controlling for income, eating
out and visitors
This section presents the estimated intake-age curves obtained introducing
other variables in the model previously estimated. Controlling for other
household characteristics, such as income, makes the model non-linear. Here
100
Figure 2: Estimated intake-age curves using linear model with roughness
penalty λ =100 - weighted average over 1975-2000.
Fat intakes
100
80
20
40
60
gr/day/capita
1800
1300
800
0
300
Kcal/day/capita
2300
120
140
2800
Calories
0
10
20
30
40
50
60
70
80
90
0
10
20
30
40
50
age
male
95% confidence interval
male
(a) Calories.
female
80
90
Protein
80
45
20
40
gr/day/capita
60
40
35
30
25
0
20
%Kcal/day/capita from fat
70
95% confidence interval
(b) Fat Intake.
Proportion of energy from fat
0
10
20
30
40
50
60
70
80
90
0
10
20
30
40
50
age
male
60
70
80
90
age
female
male
95% confidence interval
(c) Proportion of energy from fat.
female
95% confidence interval
(d) Proteins.
Iron
10
gr/day/capita
190
0
90
5
290
390
15
Carbohydrate
gr/day/capita
60
age
female
0
10
20
30
40
50
60
70
80
90
0
10
20
30
40
50
age
male
60
70
80
90
age
female
95% confidence interval
male
(e) Carbohydrate.
female
95% confidence interval
(f) Iron.
Vitamin C
60
20
40
gr/day/capita
600
400
0
200
gr/day/capita
800
80
1000
100
Calcium
0
10
20
30
40
50
60
70
80
90
0
10
20
age
male
female
30
40
50
60
70
80
age
95% confidence interval
(g) Calcium.
male
101
female
95% confidence interval
(h) Vitamin C.
90
we compare the new nutritional-age curves with those obtained without taking into account eating out and presence of visitors. Later in the paper we
will present estimates of coefficients on the other variables listed.
The model has been estimated separately for each year and for each nutrient intake considered. Figure 3 represents graphically estimated coefficients
using roughness penalty λ = 100 averaged up for the period 1975-2000.
Introducing information about eating out, we would expect that the estimates produced would be higher for almost all ages. While controlling for
presence of visitors, we assume that some of the food bought from the household is consumed by visitors not by household members, causing a decrease
in the individual consumption.
At this point it is difficult to say which of the two effects is driving the
individual consumption estimation. Although showing a similar shape to
Figure 2 and confirming that men consume in general more than women,
the coefficients estimated from the non-linear model result lower than the
previous ones and the curves represented in Figure 3 are shifted downward
and look flatter. It is to notice that part of the steep rise showed before
after age 30 disappears. This might be the effect of the presence of visitors.
If people after age 30 receive visitors in their home and invite them to eat
with them, then the age dependence relation estimated here will take it into
account assigning a lower amount of nutrients from household supply to each
individual.
The decrement in quantity consumed at home, might be also caused by
the use of net balance information to take into account eating out. If a
member of the family with a net balance of 86 eats out one day per week.
102
For that day what before attributed to his consumption given age and gender,
it will be now redistributed among the other household members with the
effect of increasing their consumption. The higher decrement from previous
estimates is for people age after 30. If people at this age range tend to eat
outside rather than take food from household supply, part of the change in
the shape of the curve might be due to the incidence of eating out.
Controlling for eating out and presence of visitors has also an effect on
proportion of calories from fats, that now varies between 25 and 35 percent
for both men and women.
103
Figure 3: Estimated intake-age curves using non-linear model with roughness
penalty λ =100 - weighted average over 1975-2000.
Fat intakes
80
60
0
300
20
40
gr/day/capita
1800
1300
800
Kcal/day/capita
2300
100
2800
Calories
0
10
20
30
40
50
60
70
80
90
0
10
20
30
40
50
age
male
95% confidence interval
male
(a) Calories.
female
70
80
90
95% confidence interval
(b) Fat Intake.
20
20
0
25
10
30
gr/day/capita
35
30
40
Protein
40
Proportion of energy from fat
%Kcal/day/capita
60
age
female
0
10
20
30
40
50
60
70
80
90
0
10
20
30
40
50
age
60
70
80
90
age
male
male
female
(c) Proportion of energy from fat.
female
95% confidence interval
(d) Proteins.
Iron
10
5
mg/day/capita
290
190
0
90
gr/day/capita
390
15
Carbohydrate
0
10
20
30
40
50
60
70
80
90
0
10
20
30
40
50
age
male
60
70
80
90
age
female
95% confidence interval
male
(e) Carbohydrate.
female
95% confidence interval
(f) Iron.
Vitamin C
6
0
3
mg/day/capita
400
300
200
100
mg/day/capita
500
9
600
12
Calcium
0
10
20
30
40
50
60
70
80
90
0
10
20
age
male
female
30
40
50
60
70
80
age
95% confidence interval
(g) Calcium.
male
104
female
95% confidence interval
(h) Vitamin C.
90
4.2
TIME
The focus of this section is on changes in nutrient intakes over time. Nutritional trends have been analyzed for the whole population by gender. The
aim of this section is chart patterns over time. There might be many forces
that have affected people’s food habits. Examples of such drivers are, home
technology improvements, changes of parental costs of time, parental preferences and information about children: food and diet which could affect
intra-household resource allocations (Cutler et al., 2003).
In this section we simply describe patterns without testing one explanation against another. We consider some of these hypotheses in a later
chapter.
Figure 4 aims to illustrate how eating habits have changed over the last
26 years. In particular looking at different age groups, it shows distribution
of nutrient intakes over the time period 1975-2000.
Calories and iron consumption (Figure 4 panel a) and f)) remain quite
stable over time for both men and women. Trend of calories as well as
carbohydrates show a steep rise from 1994 to 1995 that is probably due
to changes in the NFS data collection, as for example the introduction of
alcohol, soft drinks and confectionaries.
Amount of fats intakes consumed by people at the beginning of the time
period is instead very different from those consumed at the end. Panel b) in
Figure 4 shows a steady increase of consumption that almost double by the
end of the 90s. Similar finding are presented in panel d) for proteins.
The increasing incidence of fat on production of calories is also shown in
105
panel c). Proportion of energy from fat show a clear increasing trend up to
1990, that becomes flat and stable around 35 percent in the last decade.
As for the last two panels in Figure 4 they represent consumption of
calcium and vitamin C, respectively. Trend of calcium shows an inverse U
shape along the period. While the consumption of vitamin C results very
low. Given the steep rise shown from 1995 onwards, the model estimation
for this nutrient will require further study.
106
100
75
25
50
gr/day/capita
2000
1500
1000
0
0
500
Kcal/day/capita
2500
125
3000
Figure 4: Estimated intakes-year curves using non-linear model with roughness penalty λ =100 - weighted average over age (male and female).
1975
1980
1985
1990
1995
2000
1975
1980
1985
time
1990
1995
2000
1995
2000
1995
2000
time
30
10
20
gr/day/capita
30
20
0
0
10
%Kcal/day/capita from fat
40
40
(b) Fat Intake.
50
(a) Calories.
1975
1980
1985
1990
1995
2000
1975
1980
1985
time
(d) Proteins.
6
4
0
0
2
150
300
450
mg/day/capita
8
600
10
750
(c) Proportion of energy from fat.
gr/day/capita
1990
time
1975
1980
1985
1990
1995
2000
1975
1980
1985
time
1990
time
(f) Iron.
6
4
mg/day/capita
400
300
2
200
0
100
0
mg/day/capita
500
8
600
10
700
(e) Carbohydrate.
1975
1980
1985
1990
1995
2000
1975
time
(g) Calcium.
1980
1985
1990
time
107
(h) Vitamin C.
1995
2000
4.3
COHORTS
The focus of this section is on differences in nutrient intakes among generations. The NFS is a series of household cross sectional data and, thus,
it does not follow the same individuals over time. In order to see whether
there exists some generation’s effect on differences between people born at
different times, we consider ten cohorts (1945, 1950, 1955, 1960, 1965, 1970,
1975, 1980, 1985 and 1990).
Cohorts are constructed by date of birth of each individual. For each
survey we average estimate nutrient intakes consumption by age and then
track the sample from the same cohort one year older in the next survey. We
do not distinguish here by gender. For example, people who were born in
1945 are observed from age 30 (in 1975) to age 55 (in 2001), while cohort
1975 is observed from age 0 to age 25. The last three cohorts (those born
in 1980, 1985 and 1990) are the youngest cohorts in the sample who were
born after the beginning of the survey, therefore they are observed only for a
short period of time: twenty, fifteen and ten years, respectively. Results on
nutrient intakes are shown in Figure 5.
Figure 5 shows the cohort intakes consumption curves beginning with
those born in 1990. In panel a) of Figure 5, the first line segment connects
the average consumption of calories of those who were zero years old in 1975
to the average consumption of calories of 1 year old in 1976, until the last
observation of the cohort in 2000, when they were 10 years old. The second
line segment repeats the exercise for those who were five years older until the
last cohort considered in this graph of those born in 1945.
108
There is a visible life-cycle pattern rising with age as we saw from the
previous sections. With few exceptions at older ages, the lines for the younger
cohorts are very often but not always above the lines for the older cohorts,
even when they are observed at the same age, that is when the cohorts
overlap.
Comparing nutritional habits of different generations at the same age,
calories consumption is slightly different for different cohorts at different
ages. Between age 0 and 10 younger generation consumed less than older
ones, while between age 10 and 18 they consume slightly more calories than
their older counterparts.
Figure 5 panel b) plots fats intake patterns. It is interesting to notice
that younger generations consume higher amount of fats intakes at all ages.
In particular looking at children between 0 and 10 years old we compare
cohorts from 1975, 1980, 1985 and 1990. Children born in 1990 eat more fats
than those born earlier since age 4. Consumption of fats intakes maintains
the same structure, with younger generation eating more fats than older
ones, at all ages. Similar patterns are shown for consumption of proteins
(Figure 5, panel d)). For all generations consumption of proteins sharply
increases with age, with younger generations consuming more proteins that
older generations at the same age.
109
Figure 5: Estimated intakes-cohort curves using non-liner model with roughness penalty λ =100.
Fat Intakes
0
500
25
1000
gr/day/capita
50
75
100
Kcal/day/capita
1500
2000
2500
125
3000
Calories
0
10
20
30
age
40
50
60
0
10
20
30
age
40
50
60
cohort 1945
cohort 1950
cohort 1955
cohort 1960
cohort 1965
cohort 1945
cohort 1950
cohort 1955
cohort 1960
cohort 1965
cohort 1970
cohort 1975
cohort 1980
cohort 1985
cohort 1990
cohort 1970
cohort 1975
cohort 1980
cohort 1985
cohort 1990
(a) Calories.
(b) Fat Intake.
0
10
10
gr/day/capita
20
30
%Kcal/day/capita
from
fat
20
30
40
40
Proteins
50
Proportion of energy from fat
0
10
20
30
age
40
50
60
0
10
20
30
age
40
50
60
cohort 1945
cohort 1950
cohort 1955
cohort 1960
cohort 1965
cohort 1945
cohort 1950
cohort 1955
cohort 1960
cohort 1965
cohort 1970
cohort 1975
cohort 1980
cohort 1985
cohort 1990
cohort 1970
cohort 1975
cohort 1980
cohort 1985
cohort 1990
(c) Proportion of energy from fats.
(d) Proteins.
Iron
0
0
100
gr/day/capita
200
300
mg/day/capita
5
10
400
15
500
Carbohydrates
0
10
20
30
age
40
50
60
0
10
20
30
age
40
50
60
cohort 1945
cohort 1950
cohort 1955
cohort 1960
cohort 1965
cohort 1945
cohort 1950
cohort 1955
cohort 1960
cohort 1965
cohort 1970
cohort 1975
cohort 1980
cohort 1985
cohort 1990
cohort 1970
cohort 1975
cohort 1980
cohort 1985
cohort 1990
(e) Carbohydrates.
(f) Iron.
Vitamin C
0
0
3
200
mg/day/capita
6
9
12
mg/day/capita
400
600
15
800
Calcium
0
10
20
30
age
40
50
60
0
10
20
30
age
40
50
60
cohort 1945
cohort 1950
cohort 1955
cohort 1960
cohort 1965
cohort 1945
cohort 1950
cohort 1955
cohort 1960
cohort 1965
cohort 1970
cohort 1975
cohort 1980
cohort 1985
cohort 1990
cohort 1970
cohort 1975
cohort 1980
cohort 1985
cohort 1990
(g) Calcium.
(h) Vitamin C.
110
4.4
INCOME
The previous sections demonstrated that in general nutrition varies over age.
It has also been shown that consumption of nutrient have not changed a
lot over time. In particular, the findings show a common change among all
the aspects analyzed around 1993 and some other little and single changes
over the last 26 years. We turn now to examine whether the accumulation
of household income has played a role in the way people eat. Poorer people
may be more likely to malnutrition that leads to poorer health status. In
addition, their families may be less able to provide the investment necessary
to maintain good diet in the presence of low income. In doing so I explore the
relationship between children’s consumption and per capita family income8 ,
and I analyze time trends of such a relationship.
To do this we use the estimates on the log of net family income per capita
from the non-linear least square model with Roughness Penalty Function of
nutrient intakes and food consumed by the whole household in one week
period. The estimated coefficients on log family income per capita which
represent elasticities of consumption with respect to income for each nutrient intake, are reported in Tables 5. This provides alternative evidence on
the health-income gradient discussed by a number of analysts (e.g., Case et.
al., 2002).
The income elasticity reported here measure the proportionate rate of
8
Per capita family income derived from net family income divided by number of members of the household. The model also controls for family composition. Therefore, we do
not use equivalence scales to compute income per capita.
111
change in quantity of a nutrient consumed from household supply due to a
unit proportionate change in household income per capita, other individual
and household characteristics held constant.
Table 5 shows the estimated income elasticities for each year obtained
using NFS data together with estimated standard errors. In all cases the
results indicate that nutrient intakes are ”normal” goods: quantity purchased
increases as income rises at a slower rate (elasticity less than 1) than the rate
at which income increases.
For example, the first column in Table 5 reports income elasticity of
calories consumption for each year of the sample (γ) and panel a) in Figure
6 describes its trend over the whole period of study graphically. Elasticity
of calories with respect to income varies in a range between -0.029 and 0.10,
being negative only in 1996. Therefore, apart in 1996, an increase in family
income would augmented daily calories consumption.
Nutrient intakes show relatively low income elasticities. In fact, most of
the elasticities are close to zero (i.e. calories, carbohydrates, iron, calcium).
Elasticity of vitamin C results a bit higher than other intakes, but it does not
exceed 0.5. Fats intakes and proteins show to have been more sensitive to
income variation than other nutrients in the past. However their sensitiveness
to income changes becomes lower with time.
Finally, there is some evidence of changes through time in income elasticities for nutrient intakes. However, effects of variation in income are expected
to be slightly stronger on food than on nutrients consumption. This may
reflect the fact that consumers, at different income level, substitute between
food groups in a way that substitution within nutrients results very little
112
113
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
.0521827
.0194216
.0223059
.1005065
.0652827
.0396437
.0534028
.0638088
.0536164
.0364573
.0202297
.0534933
.0607489
.0559557
.0201637
.024642
.0370192
.0467337
.0655788
.0316565
.0101366
-.029737
.0286663
.0557527
.028998
.0121733
Calorie
.013635
.0146524
.0153302
.0167508
.0158257
.0170043
.0167465
.0165285
.0159645
.0173916
.015328
.0167879
.0156137
.0148751
.0157693
.015773
.01399
.0143042
.0145824
.0131103
.0133681
.0148042
.0146283
.0143096
.016552
.0139528
s.e.
.1167741
.0776474
.0928694
.1643151
.1333762
.1163824
.1280234
.1246046
.094478
.0936876
.0773886
.1236182
.1116535
.0686199
.0325466
.0599366
.0637211
.06801
.0944741
.0221296
.0148092
.0158789
.0334735
.0558842
.0022434
-.0088689
fat intake
.0167911
.01728
.0177008
.019016
.0192426
.0201602
.0195514
.0192073
.0182227
.0196823
.0180477
.0192564
.0182843
.0178326
.0190589
.0186001
.0166486
.0169676
.0170285
.0159683
.0157804
.0152261
.0183954
.0182315
.0190215
.0165324
s.e.
.1315306
.2034976
.2389275
.2342044
.5644395
.222104
.1698825
.1746992
.1601869
.1225217
.1507015
.1654341
.2174186
.0973729
.074367
.11897
.0979982
.0945982
.1084111
.0841295
.0876294
.043583
.0729259
.0749743
.0635345
.054557
proteins
.0192628
.0193733
.0185802
.020263
.014227
.021684
.0189892
.0201141
.0161979
.0188115
.0180142
.0183505
.0173792
.0171512
.0161255
.0177573
.014205
.0142942
.0143728
.0133948
.0134178
.0134069
.0149547
.0155672
.0154713
.014712
s.e.
.0044775
-.0242167
-.0500879
.0533032
.0104416
-.0279415
-.0038197
.0122623
.0208739
-.0173819
-.0408154
-.0044793
.0117148
.0484176
.0156426
-.0105793
.0124217
.0220627
.0316449
.0153433
-.027448
-.1145085
.0095784
.0323474
.0245117
.0020739
.0152588
.0170687
.0178905
.0206522
.0176412
.0190227
.0188858
.0184933
.019004
.0200418
.0170538
.0187338
.0173355
.0162578
.0172759
.0173192
.0163904
.0161621
.0161369
.0141781
.0145453
.0182407
.0155846
.01523
.0190138
.0156034
Intakes γ coefficients.
carbohydrates
s.e.
.0761469
.0560549
.0680019
.104681
.0957686
.092391
.0798878
.1016478
.1083945
.0893111
.1016032
.1080226
.1035324
.1085295
.0899822
.0988949
.0751826
.0781438
.098801
.0731581
.0612391
.0834132
.0710729
.0480176
.0634992
.033195
Calcium
.0106096
.0116148
.0127519
.0132066
.0132073
.0125377
.0138231
.0126084
.0138056
.0136746
.0132153
.0139527
.0133749
.0125052
.0124514
.013101
.0124917
.0125673
.0121917
.0113561
.0109298
.0113091
.0122255
.0129171
.0124109
.0119333
s.e.
.0676739
.033079
.0582841
.1249448
.083899
.0931727
.103069
.098097
.1002752
.0984656
.0833701
.1086249
.1252697
.1115609
.0749165
.0895318
.0796878
.0943081
.1251528
.1031358
.0927613
.0805311
.1218994
.1215937
.1060496
.092326
Iron
Table 5: Elasticity of intake consumption respect to family income per capita [γ from NL-OLS].
.0144421
.0164354
.0168321
.017267
.0169489
.0173877
.0168843
.0160846
.0163094
.0170675
.0159827
.0165982
.0160744
.0153175
.0153058
.0172017
.0146764
.0150117
.0146895
.0136138
.0133341
.013016
.0145097
.0151048
.0151578
.0152234
s.e.
.433347
.4520648
.4770511
.5038663
.5598125
.5059993
.5054457
.4910612
.528724
.5084264
.5252997
.515379
.5169719
.5027014
.4983603
.4626124
.4228986
.4356766
.4635633
.434798
.3949915
.375404
.4197164
.3726525
.3363529
.3156308
Vitamin C
.0197529
.019529
.0201174
.020817
.0216536
.0184271
.0197932
.0185739
.0214616
.0214614
.0204438
.0223539
.0214016
.0218625
.0181812
.0197981
.0176878
.0154821
.0155525
.0150316
.0155369
.0147514
.0152957
.0203701
.0190049
.0192067
s.e.
(Subramanian and Deaton, 1996). Possible drivers of such effects might be
sought in changes through time in the nature of food and in the way they are
presented to households, changes in the technology available for preparing
foods, changes in household circumstances including increased labor market
participation and cost of time, and so forth.
Although during the period of study increments of income have implied
little positive changes in quantity of intakes consumed, at this point it is not
possible to say whether consuming more nutrient intakes implies a better
diet and therefore a better health status.
5
Discussion and Outline for future work
This paper has started to explore how eating habits of people in Britain
have changed over the last twenty-five years of the twentieth century. Using data from 1975-2000 from the National Food Survey this paper reports
an extensive descriptive analysis that investigates the relationship between
average nutrient intake consumption across ages and over time. In doing so
we estimates a Roughness Penalty Function Model obtained from ordinary
least squares method to account for function smoothness (Chesher, 1997). I
investigate nutrition curves - using nutrient intakes - with the objective to
see how they have changed by gender and age over time and by gender and
time for all age groups.
We stress five main results. First findings demonstrated that in general
nutrition varies over age and by gender. In general males consume more
114
Figure 6: Estimated nutrient intakes elasticity trend, λ =100.
.25
−.25
0
elasticity
.25
0
−.25
−.5
−.5
1980
1985
1990
1995
2000
time
elasticity
−1
−.75
−.75
−1
1975
1975
95% confidence interval
1985
2000
1
.75
.25
0
elasticity
−.25
−.5
−.75
−1
1980
1985
1990
1995
2000
1975
1980
1985
time
1990
1995
2000
time
.75
.5
.25
0
−.25
−.5
−.75
−1
−1
−.75
−.5
−.25
0
elasticity
.25
.5
.75
1
(d) Carbohydrates.
1
(c) Proteins.
elasticity
1995
.5
.75
.5
.25
0
−.25
−.5
−.75
−1
1975
1975
1980
1985
1990
1995
2000
1975
time
1
.75
.5
.25
0
−.25
−.5
1980
1985
1985
1990
(f) Calcium.
−.75
1975
1980
time
(e) Iron.
elasticity
1990
(b) Fat Intakes.
1
(a) Calories.
elasticity
1980
time
−1
elasticity
.5
.5
.75
.75
1
1
Calories
1990
1995
2000
time
(g) Vitamin C.
115
1995
2000
nutrient intakes than females. Nutrients consumption strongly increase during childhood until puberty, decrease at the beginning of adulthood age and
increase later on, decreasing again when people get older.
The second finding focuses on changes in nutrient intakes over time and
in particular among British people by age groups. The results show a change
in trend for some nutrient intakes such as fat intake and proteins that increase along all the time period of study and for calcium from the 90s, and a
tendency to decrease in consumption of iron. In particular the proportion of
energy from fat increased at the end of the 80s to 35 percent and it is stable
from there since. The variations emerged in nutrient intakes might be due to
variation in food consumption and to some variation of the data collection
process.
The third finding focuses on cohort analysis in order to see whether different generations eat differently. We compare ten birth-cohorts and present
results for nutrients intakes. The most interest findings regard calories and
fat intakes. While calories consumed do not change a lot across generations,
younger generations consume higher quantity of fats intakes and proteins.
The consequences of this can be seen in the proportion of energy from fats,
that for younger generation results much higher than older generation at the
same age.
In the fourth part we consider the effect of income on eating habits.
Therefore, focusing on the relation between eating habits and income distribution, trends of elasticity of intakes consumption with respect to income
have been computed. The findings highlight that changes among nutrient
intakes due to income variations are relatively low (all less than 1) and in
116
general positive, meaning that as income rises consumption rices as well but
less than proportionally. In general the sensitiveness of consumption to income variation becomes smaller with most of the trends tending to zero.
Finally, there some evidence of changes through time in income elasticities.
However, we suspect that the effect of family income variation is much higher
on food groups than on intake nutrients consumption. This means that as
households become richer, the substitution between foods is much quicker
than the variation of diet through substitution within nutrient intakes consumption. In other words, for people is much easier to change food quantity
consumed than quantity of intakes. However, at this moment it is not possible to say whether a positive variation of family income improves nutrition
and therefore health status.
117
References
Baeker (1998), @@@, ???.
Case A., Lubotsky D. and Paxson C. (2002), E conomic Status and Health in
Childhood: The Origins of the Gradient, The American Economic Review,
92, 5, pp. 1308-1334.
Chesher A. (1997), Diet Revealed?: Semiparametric Estimation of Nutrient
Intake-Age Relationships, Journal of Royal Statistical Society A, n.160. part
3, pp. 202-203
Chesher A. (1998), I ndividual demands form household aggregates: time and age
variation in the composition of diet, Journal of Applied Econometrics, 13,
pp. 505-524
Currie J. & Stabile M. 2002, S ocioeconomic Status and Health: why is the relationship stronger for older children?, NBER Working Paper 9098, National
Bureau of Economic Research, Cambridge MA.
Cutler, Glaeser & Shapiro (2003).
Deaton A. (1985). P anel Data from Time Series of Cross-Sections, Journal of
Econometrics, 30: 109-126.
Deaton A. (1997). T he Analysis of Household Survey, The John Hopkins University Press.
Deaton A., Paxson C. (1994). S aving, Growth, and Aging in Taiwan, in D.A.
Wise (ed.), S tudying in the Economics of Aging, Chicago University Press.
Department of Health (2004). T he Summary of Intelligence on Obesity
118
Green P.J. & Silverman B.W. (1994). Nonparametric Regression and Generalized
Linear Models. A roughness penalty approach. London: Chapman & Hall
Marmot M. & Wilkinson R.G. (1999). S ocial Determinants of Health, Oxford
University Press, Oxford.
Maxwell S. & Slater R. (2003). F ood Policy Old and New, Development Policy
Review, 21 (5-6):531-553.
Ministry of Agriculture, Fisheries and Food (1999). National Food Survey, London: Her’s Majesty’s Stationery Office.
OECD Health Policy Unit (2003). H ealth at a glance - OECD indicators. Briefing
note.
Schmidhuber J. (2003). T he outlook for long-term changes in food consumption
patterns: Concerns and policy options, presented at FAO Scientific Workshop 2003.
Subramanian S., Deaton A. (1996). T he demand for food and calories, Journal
of Political Economy, 104 (1): 133-162.
Joint WHO/FAO expert consultation on Diet, Nutrition and the Prevention of
Chronic Diseases (2002: Geneva, Switzerland) - WHO technical report series: 916.
World Health Organization (2004). Obesity and Overweight., Geneva: WHO.
Available on the world wide web: http://www.who.int/dietphysicalactivity/publications/facts/obe
119
RELAZIONE SULLA SCHEDA PER LA RACCOLTA DEGLI INDICATORI
SOCIO -ECONOMICI
Paola De Agostini
La partecipazione sociale delle persone disabili costituisce la sfida più grande e più
difficile da affrontare, perché in essa si vengono a sommare problematiche derivanti
non solo dalla condizione di disabilità del soggetto, ma sopratutto e principalmente
dal contesto ambientale e culturale.
La disponibilità di informazioni statistiche sulla disabilità e l’handicap rappresenta un
presupposto fondamentale per la corretta attuazione delle norme e per l’assegnazione
di risorse adeguate.
La principale fonte di informazioni relative alle disabilità e al numero di disabili
presenti in Italia è l’indagine ISTAT sulle “condizioni di salute e il ricors o ai servizi
sanitari”.
Tuttavia i documenti dell’ISTAT evidenziano come non sia possibile rilevare tutte le
disabilità, soprattutto di tipo mentale, a causa di una certa reticenza da parte delle
persone nell'esplicitare tale condizione. In questo senso si può affermare che ogni
indagine è parziale, e va perciò integrata per giungere ad una stima complessiva.
Tuttavia in Italia, come nella maggior parte degli altri Paesi, non si è ancora giunti ad
un insieme organico e completo di dati sui diversi aspetti della disabilità. Ne
consegue che non si è in grado di dire con precisione quanti siano i disabili in Italia,
quali disabilità abbiano, quale sia il loro livello di integrazione sociale e neppure quali
bisogni, dei disabili e dei loro familiari, siano soddisfatti e non soddisfatti. Perciò
costituire un insieme coordinato e integrato di fonti statistiche sulle disabilità
psichiatrihe e psicologiche, che consenta di fare programmazione sulla base di dati
completi e affidabili, ci permetterebbe di sopperire in parte a tale carenza.
L’esito delle indagini dipende molto anche dal contesto di riferimento: mentre è
naturale, per l'intervistato, attendersi uno o più quesiti sulla disabilità in un’indagine
sulla salute, lo è molto meno in un Censimento della popolazione. E' infatti molto più
difficile rilevare le disabilità mentali rispetto a quelle fisiche per la presenza di
resistenze e pregiudizi culturali che spingono le persone direttamente interessate o i
loro familiari a non entrare in contatto con i servizi pubblici competenti o a non
rispondere in modo appropriato alle domande presenti in ricerche e indagini. A ciò si
aggiungono le maggiori difficoltà nell'individuare degli strumenti statistici idonei a
rilevare le disabilità mentali rispetto agli altri tipi di disabilità.
Una preziosissima fonte di dati per stimare questo tipo di disabilità potrebbe essere
costituita da certificazioni finalizzate all’accertamento dell’invalidità e dalla
determinazione delle capacità residue della persona disabile e delle sue potenzialità
lavorative. Perciò la soluzione migliore per l’individuazione di di questi soggetti è
l’unione di varie fonti informative, ognuna delle quali deve essere stata identificata
come la migliore fonte esistente per rilevare una fetta di informazione sulla
popolazione disabile.
In questo studio si è pertanto deciso di unire dati provenienti da due fonti diverse al
fine di rispondere alle differenti esigenze informative dei soggetti interessati alle
politiche sui disturbi psichiatrici e psicologici ed ai relativi dati. L'obiettivo di lungo
termine è quello di creare un sistema di interrogazione di dati personalizzata che
permette all'utente di ottenere informazioni che non sono già contenute nei sistemi di
indicatori “preconfezionati”, di fornire una stima del numero di disabili mentali e
delle loro famiglie, e di poter disporre di informazioni il più possibile complete ed
esaurienti sia dal punto di vista medico che socio-economico, considerando anche la
distribuzione territoriale emergente da uno studio multicentrico.
Sebbene le modalità con cui è nato il progetto stabiliscano chiaramente come
destinatario prioritario il decisore politico, è parso opportuno sfruttare al meglio
l’occasione identificando altri soggetti potenziali utilizzatori del sistema informativo.
Il sistema quindi si rivolge a soggetti politici dei diversi livelli decisionali ma anche a
studiosi del settore, alle associazioni ed organizzazioni che si impegnano nella
promozione dei diritti e nell'erogazione di servizi, ai disabili stessi e ai loro familiari.
Questo sforzo di coordinamento permetterà di conoscere in modo più approfondito il
mondo di chi soffre di disturbi mentali, e di rilevare con precisione le condizioni delle
famiglie nelle popolazioni dei Centri coinvolti in questo studio stimolando la
realizzazione di nuove indagini per quei settori o aspetti della tematica ancora
scoperti o carenti di informazioni.
Persone che soffrono di patologie psichiatriche o psicologiche incontrano difficoltà a
svolgere le attività quotidiane di tutti i giorni che persone della loro età possono
normalmente svolgere, a causa di condizioni psicologiche, psichiatriche o emozionali
che glielo impediscono. Per attività di tutti i giorni si intendono attività di
comunicazione e socializzazione con gli altri, ma anche attività elementari come
vestirsi, lavarsi, mangiare.
Una raccolta di dati relativamente alle condizioni delle famiglie di persone affette da
patologie croniche che causano limitazioni nello svolgimento delle attività della vita
quotidiana , permetterebbe di confrontare questo gruppo con quello delle famiglie
standard raccolte dall’ISTAT e di misurarne i costi imposti dalla presenza di una
persona disabile.
Perciò la Scheda sugli Indicatori Socio-Economici che proponiamo mira ad integrare
l’informazione medica del paziente, derivante dalla Scheda diagnostica, con le
informazioni relative alla struttura della famiglia, alla condizione economica e all’uso
del tempo per la cura del paziente.
1 – la struttura della famiglia
Questa parte è composta di due tabelle, che rilevano per ogni membro della famiglia
le principali variabili strutturali, come il sesso, l’età, lo stato civile, la condizione
occupazionale, l’attività lavorativa o lo stato di disoccupazione, il titolo di studio e
reddito da lavoro (pubblico o privato).
2 – Reddito e Spese Familiari
La valutazione complessiva della qualità della vita della famiglia di un disabile potrà
essere valutata sulla base delle patologie presenti che caratterizzano la disabilità e
sulla base delle risorse economiche disponibili alla famiglia. Questa parte include
informazioni relative ai redditi familiari non da lavoro ed alle spese sostenute per
l’uso di servizi sanitari, ricorso ad assistenza e medicinali, spese relative alle
principali attività di vita quotidiana, come cibo, pranzi fuori casa, tabacco, alchool,
medicine, vacanze o frequentazione di luoghi ricreativi e culturali. Tale informazione
è richiesta al fine di poter valutare una componente di “altruismo” nei confronti degli
altri membri della famiglia.
3 – uso del tempo
La presenza di persone che presentano tali tipi di limitazione e che quindi necessitano
dell’aiuto di qualcuno per far fronte ad elementari esigenze, condiziona
inevitabilmente la vita di chi gli vive a fianco. Le informazioni contenute nell'area in
esame riguardano l’utilizzo del tempo in un giorno medio lavorativo e durante il fine
settimana, sia del paziente che dei suoi familiari. La distinzione tra giorni lavorativi e
giorni festivi consiste nel fatto che, molto spesso, i familiari trovano o hanno tempo di
prendersi cura del paziente durante i fine settimana, mentre per il periodo lavorativo
essi ricorrono ad un aiuto esterno alla famiglia. In particolare riteniamo opportuno
registrato il tempo dedicato al lavoro, agli spostamenti (per lavoro e per altro, che
possono essera causa di stress), alle attività svolte nel tempo libero, all'attività fisica e
sportiva ed alla cura di sé stessi, e la partecipazione ad attività sociali e religiose
(attività antistress).
SCHEDA SUGLI INDICATORI SOCIO-ECONOMICI DELLA FAMIGLIA
Data dell’intervista: ..................
Numero di registro: ..................
Luogo dell’intervista: ...................
COMPOSIZIONE DELLA FAMIGLIA
(per rispondere usare le legende indicate a fine questionario).
No.
Componente
1.Nome
2. Relazione
con la persona
di riferimento1
(vedi legenda)
3. Sesso
4. Data di
nascita
5. Stato Civile 2
(vedi legenda )
01
02
03
04
05
06
07
08
09
10
11
12
No.
6.
Componente Scolarità 3
(vedi
legenda)
01
02
03
04
05
06
07
08
09
10
11
12
7. Condizione
Professionale4
(vedi legenda)
8. Branca di
9.
attività
Disoccupazione 6
5
economica
(vedi legenda)
(vedi legenda )
10. Reddito
individuale mensile da
lavoro (pubblico o
privato) (intervallo)7
(vedi legenda)
2
Totale
familiare
-
-
-
-
REDDITO E SPESE FAMILIARI
11. Indicare a quanto ammonta indicativamente il vostro reddito familiare mensile medio NON
DA LAVORO (interessi su depositi bancari e postali al netto degli interessi passivi, reddito da
immobili al netto degli ammortamenti, redditi da capitale finanziario, interessi su titoli di Stato,
interessi su altre attività finanziarie, assegni familiari e/o di invalidità, pensioni e altri
trasferimenti non da lavoro) degli ultimi 6 mesi?
Euro .......................
12. Quanto spende la sua famiglia in media al mese in:
(nel dare la risposta potete pensare anche in proporzione all’intervallo di reddito dichiarato):
Tot. famiglia
Per voi stessi
Per il coniuge o Per i figli
convivente
Cibo
Pranzi fuori casa
Medicine
Tabacco (tabacco e sigarette)
Birra
Vino
Liquori
Giocattoli
Altro
13. Negli ultimi dodici mesi, approssimativamente, quanto avete speso per
medici (psichiatri e/o
Euro ...........................
neurologi), psicologi,
ospedali, infermieri e altri
servizi (escluse le
medicine) senza
rimborso
maghi, guaritori o altre
Euro ..........................
terapie alternative
medicine necessarie per Euro ...........................
la patologia del paziente,
senza rimborso
Infermieri o assistenti
per il paziente
Euro
..........................
14. A quanto ammontano indicativamente le spese totali mensili della sua famiglia?
Euro ..................................
15. Qual’è ammontare dei vostri risparmi mensili?
Per aiutarvi potete fare la differenza tra la somma che avete indicato alla domanda 11 (reddito
familiare totale) e le spese totali mensili indicate alla domanda precedente, e verificare se
corrisponde.
Euro ....................
USO DEL TEMPO
16. Quanto tempo al giorno è dedicato da ogni componente della famiglia alle seguenti attività
durante i giorni lavorativi?
No.
lavoro
Componente
Tempi per
Sports
spostamenti per
Lavoro Altro
Cura
personale
Cura del Attività
paziente culturali
Tempo Totale
libero
01
24 ore
02
24 ore
03
24 ore
04
24 ore
05
24 ore
06
24 ore
07
24 ore
08
24 ore
09
24 ore
10
24 ore
11
24 ore
12
24 ore
17. Quanto tempo al giorno è dedicato da ogni componente della famiglia alle seguenti attività
durante il fine settimana?
No.
lavoro
Componente
Tempi per
spostamenti per
Lavoro Altro
Sports
Cura
personale
Cura del Attività
paziente culturali
Tempo Totale
libero
01
24 ore
02
24 ore
03
24 ore
04
24 ore
05
24 ore
06
24 ore
07
24 ore
08
24 ore
09
24 ore
10
24 ore
11
24 ore
12
24 ore
18. Negli ultimi dodici mesi, avete partecipato a:
attività di volontariato
SI
NO
gruppi
SI
NO
4
religiosi/spirituali
LEGENDE PER LA COMPILAZIONE DEL QUESTIONARIO
1
1- Capofamiglia (CF)
2 - Coniuge o convivente del CF
3 – Figlio del CF o del coniuge/convivente
4 – Padre o madre del CF o del coniuge/ convivente
5– Fratello/sorella del CF
6 – Nipote del CF
7 – Altro parente
8 – Altro non parente
2
1 – Celibe o Nubile
2 – Coniugato/a
3 – Separato/a di fatto
4 – Separato/a legalmente
5 – Divorziato/a
6 – Vedovo/a
3
1 - Dottorato di Ricerca o Specializzazione 4 1 – Occupato
2 – Laurea
2 – Disoccupato
3 – Diploma Universitario o Laurea breve
3 – In cerca di I occupazione
4 – Diploma che permette l’accesso
4 – Casalinga
all’Università
5 – Studente
5 – Diploma, qualifica che non permette
6 – Pensionato/a
l’accesso all’Università
7 – Inabile al lavoro
6 – Licenza media
8 – Persona ritirata dal
7 – Licenza elementare
lavoro
8 – Senza titolo
9 - in servizio di leva o civile
sostitutivo
10 – In altra condizione
5
1 – Agricoltura, caccia o silvicoltura
2 – Pesca, piscicoltura o servizi connessi
3 – Estrazioni di minerali
4 – Attività manifatturiere
5 – Produzione e distribuzione di energia
6 – Costruzioni
7 – Commercio all’ingrosso o al dettaglio
8 - Alberghi e ristoranti
9 - Trasporti, magazzinaggio e
comunicazioni
10 - Intermediazione monetaria e finanziaria
11 - Attivita' immobiliare, noleggio,
informatica
12 - Pubblica Amministrazione e difesaassistenza
13 – Istruzione
14 - Sanita' e altri servizi sociali
15 - Altri servizi pubblici, sociali e personali
16 - Servizi domestici presso famiglie
17 - Organizzazione ed organismi
internazionali
7
Indicare redditi da salari,
stipendi, borse di studio,
redditi da lavoro
autonomo o pensioni da
lavoro (non derivanti da
versamenti di contributi
volontari), al netto di
imposte, tasse e
contributi:
6
1 – Da < 1 anno
1 – fino a 300 euro
2 – 1 – 2 anni
2 - da 301 a 500 euro
3 - > 2 anni
3 – da 501 a 700 euro
4 – Mai lavorato
4 - da 701 a 1000 euro
5 – In osp. da > 2 anni
5 – da 1001 a 1250 euro
6 – NA (occupati, casalinghe, 6 - da 1251 a 1500 euro
studenti, pensionati)
7 - da 1501 a 2000 euro
8 - da 2001 a 2500 euro
9 - da 2501 a 3000 euro
10 – da 3001 a 3500 euro
11 – da 3501 a 4000 euro
12 – da 4001 a 5000 euro
13 – da 5001 a 6000 euro
14 – oltre 6001 euro