In Rapporteket/nnrr: Resultatrapporter for Norsk nakke- og ryggregister

knitr::opts_chunk$set(echo = FALSE)

datoFra <- '2016-01-01'
datoTil <- '2017-09-30'

avdRESH <- 0

### Ta ut for en avdeling: Velg resh: OUS=109834, Haukeland=102959, St.Olavs=104293, UNN=601032
shus <- data.frame(resh=c(109834, 102959, 104293, 601032, 0), shusnavn=c('OUS', 'Haukeland', 'St.Olavs', 'UNN', 'alle avdelinger'))

skjema1a <- read.table('I:/nnrr/DataDump_Prod_1a_Spørreskjema+før+behandling_2019-01-30_red.csv', sep=';',
                              header=T, stringsAsFactors = F)

skjema1a$Hoveddato <- as.POSIXlt(substr(skjema1a$DateOfCompletion, 1, 10), format="%d.%m.%Y")
skjema1a <- skjema1a[which(skjema1a$Hoveddato >= datoFra & skjema1a$Hoveddato <= datoTil), ]
skjema1a <- skjema1a[order(skjema1a$Hoveddato), ]

if (avdRESH!=0) {skjema1a <- skjema1a[skjema1a$ReshId == avdRESH, ]}

Bakgrunn/innledning

Det er ingen valideringsregler eller logikk i MRS-løsningen til NNRR som forhindrer at skjema kan leveres med ingen eller minimalt av feltene utfylt. Denne rapporten ser nærmere på pasientregistreringsskjemaet 1a med henblikk på utfyllingsgrad og datakvalitet. Det benyttes registreringer fra r datoFra til r datoTil fra r shus$shusnavn[match(avdRESH, shus$resh)], totalt r dim(skjema1a)[1] registreringer.

Rapporten fokuserer på utfyllingsgrad og ser på følgende problemstillinger:

• Antall tomme skjemaer
• Andel besvart av spørsmålene

Metode

Skjemaene har felter som i MRS-løsningen er delt inn i følgende datatyper:

• Dato/Tid
• Enum
• Numerisk (heltall)
• Numerisk (flyttall)
• Text
• Avkrysning
• Id (Guid)

Skjema 1a har følgende fordeling av datatyper.

library(nnrr)
library(knitr)
library(printr)
kodebok1a <- read.table('I:/nnrr/Kodebok1a.csv', sep=';', header=T, stringsAsFactors=F)

tab_1a <- table(kodebok1a$Felttype)[-1]
tab_1a

# knitr::kable(tab_1a, caption = 'Fordeling av felttyper')

Denne rapporten vil fokusere på tre datatyper, nemlig Avkrysning, Enum og Numerisk (heltall) siden de fleste feltene faller under en av disse kategoriene. Her følger en kort forklaring til datatypene og metodene som benyttes til telling i denne rapporten.

Avkrysning

Dette er boolske variabler (True/False) med default-verdi "False". Avkrysningsboksene er typisk organisert under overskrifter hvor én eller flere kryss forventes satt. For skjema 1a er det to slike overskrifter, "Årsak til smerter" og "Smertetegning". Hvis det er ingen avkrysninger under en overskrift regnes det som ikke utfylt.

Enum

Dette er kategoriske variabler hvor ett alternativ velges fra en liste. I de fleste tilfeller er manglende verdier kodet som 0 men i noen tilfeller kodes de med -1. For å komplisere bildet ytterligere er ikke verdiene i datadump konsistent med verdiene i kodebok. Det er derfor ikke mulig å automatisere prosessen med å finne de ikke utfylte variablene.

Numerisk (heltall)

Disse variablene er som regel én av to typer:

• Velg et antall (f.eks. barn) eller tall på en skala (f.eks. smerter fra 0-10).
• Koding for et svaralternativ som skal inngå i beregningen av en score.

# skjema1a <- read.table('P:/MinData/nnrr/DataDump_1a%3aSpørreskjema+før+behandling_2017-09-29.csv', sep=';',
#                               header=T, fileEncoding = 'UTF-8-BOM', stringsAsFactors = F)
# 
# skjema1a$Hoveddato <- as.POSIXlt(substr(skjema1a$DateOfCompletion, 1, 10), format="%d.%m.%Y")
# skjema1a <- skjema1a[which(skjema1a$Hoveddato >= datoFra & skjema1a$Hoveddato <= datoTil), ]
# skjema1a <- skjema1a[order(skjema1a$Hoveddato), ]

### Ta ut for en avdeling: Velg resh: OUS=109834, Haukeland=102959, St.Olavs=104293, UNN=601032
# skjema1a <- skjema1a[skjema1a$ReshId == 601032, ]

boolske_var1a <- as.character(kodebok1a$DataDumpnavn)[which(as.character(kodebok1a$Felttype) == 'Avkrysning')]
enum_var1a <- as.character(kodebok1a$DataDumpnavn)[which(as.character(kodebok1a$Felttype) == 'Enum')]
numerisk_var1a <- as.character(kodebok1a$DataDumpnavn)[which(as.character(kodebok1a$Felttype) == 'Numerisk (heltall)')]
# numerisk_var1a <- as.character(kodebok1a$DataDumpnavn)[which(as.character(kodebok1a$Felttype) == 'Numerisk (heltall)')]

skjema1a[, boolske_var1a] <- apply(skjema1a[, boolske_var1a], 2, as.logical)
skjema1a_bak <- skjema1a

# skjema1a[, enum_var1a] <- apply(skjema1a[, enum_var1a], 2, function(x){as.numeric(!(x %in% c(-1,0)))})

ingen_avkrysninger1a <- which(rowSums(skjema1a[, boolske_var1a])==0)
# ingen_enum1a <- which(rowSums(skjema1a[, enum_var1a])<=1)

Dobbelregistreringer

FinnDobbel <- sort(table(skjema1a$PasientGUID), decreasing = T)
FinnDobbel <- FinnDobbel[FinnDobbel>1]
Dobbel1a <- skjema1a[skjema1a$PasientGUID %in% names(FinnDobbel), ]
flerhoved <- sort(table(skjema1a$HovedskjemaGUID), decreasing = T)
flerhoved <- flerhoved[flerhoved>1]

For Skjema 1a er det r length(unique(Dobbel1a$PasientGUID)) pasienter som har mer enn ett skjema tilknyttet sin pasientGUID. Det er r length(flerhoved) klinikerskjema (1b) som har mer enn ett pasientskjema som peker mot seg.

Gjennomgang av skjema

Her følger en gjennomgang av utfyllingsgrad for pasientskjemaet.

Enum

Mange av variablene må ses i sammenheng med hverandre, f.eks. når det skal beregnes en score basert på besvarelsene. Oversikten under presenterer antall utfylte variabler under hver av avsnittene.

TomErLik0Navn <- kodebok1a$DataDumpnavn[which(kodebok1a$Variabelnavn=='0 = Ikke svart')-1]

AntBesvODI <- apply(skjema1a_bak[, TomErLik0Navn[which(substr(TomErLik0Navn, 1, 3) == 'Odi')]], 1, function(x){sum(x!=0)})
manglerODI <- sum(AntBesvODI < length(TomErLik0Navn[which(substr(TomErLik0Navn, 1, 3) == 'Odi')]))/dim(skjema1a)[1]*100
manglerODIPstil <- quantile(AntBesvODI, (1:5)/10)

AntBesvNDI <- apply(skjema1a_bak[, TomErLik0Navn[which(substr(TomErLik0Navn, 1, 3) == 'Ndi')]], 1, function(x){sum(x!=0)})
manglerNDI <- sum(AntBesvNDI<length(TomErLik0Navn[which(substr(TomErLik0Navn, 1, 3) == 'Ndi')]))/dim(skjema1a_bak)[1]*100

AntBesvHSCL <- apply(skjema1a_bak[, TomErLik0Navn[which(substr(TomErLik0Navn, 1, 4) == 'Hscl')]], 1, function(x){sum(x!=0)})
manglerHSCL <- sum(AntBesvHSCL<length(TomErLik0Navn[which(substr(TomErLik0Navn, 1, 4) == 'Hscl')]))/dim(skjema1a_bak)[1]*100

AntBesvEQ5D <- apply(skjema1a_bak[, TomErLik0Navn[which(substr(TomErLik0Navn, 1, 4) == 'Eq5d')]], 1, function(x){sum(x!=0)})
manglerEQ5D <- sum(AntBesvEQ5D<length(TomErLik0Navn[which(substr(TomErLik0Navn, 1, 4) == 'Eq5d')]))/dim(skjema1a_bak)[1]*100

UHIvar <- kodebok1a$DataDumpnavn[substr(kodebok1a$DataDumpnavn,1,4)=='UhiQ']
AntBesvUHI <- apply(skjema1a_bak[, UHIvar], 1, function(x){sum(x!=-1)})
manglerUHI <- sum(AntBesvUHI < length(UHIvar), na.rm = T)/dim(skjema1a_bak)[1]*100

FabQvar <- kodebok1a$DataDumpnavn[substr(kodebok1a$DataDumpnavn,1,4)=='FabQ']
AntBesvFabQ <- apply(skjema1a_bak[, FabQvar], 1, function(x){sum(!is.na(x))})
manglerFabQ <- sum(AntBesvFabQ < length(FabQvar))/dim(skjema1a_bak)[1]*100

TidlBehVar <- kodebok1a$DataDumpnavn[substr(kodebok1a$DataDumpnavn,1,16)=='TreatmentEarlier']
AntBesvTidlBeh <- apply(skjema1a_bak[, TidlBehVar[-9]], 1, function(x){sum(x!=0)})
manglerTidlBeh <- sum(AntBesvTidlBeh < length(TidlBehVar[-9]), na.rm = T)/dim(skjema1a_bak)[1]*100

AntBesv <- data.frame(AntBesvODI, AntBesvNDI, AntBesvHSCL, AntBesvEQ5D, AntBesvUHI, AntBesvFabQ, AntBesvTidlBeh)
# apply(AntBesv, 2, table, useNA='ifany')

IkkeAlleUtfylt <- data.frame(manglerODI,manglerNDI, manglerHSCL, manglerEQ5D, manglerUHI, manglerFabQ, manglerTidlBeh)

# round(IkkeAlleUtfylt, 1)

ODI

ODItab <- as.data.frame(table(AntBesv$AntBesvODI, useNA = 'ifany'))
ODItab$Andel <- ODItab$Freq/ sum(ODItab$Freq) * 100
row.names(ODItab) <- ODItab$Var1
ODItab <- t(ODItab[ , -1])
row.names(ODItab)[row.names(ODItab)=='Freq'] <- 'Antall'
ODItab[1,] <- round(ODItab[1,])
ODItab[2,] <- paste0(round(ODItab[2,],1), ' %')
ODItab

NDI

ODItab <- as.data.frame(table(AntBesv$AntBesvNDI, useNA = 'ifany'))
ODItab$Andel <- ODItab$Freq/ sum(ODItab$Freq) * 100
row.names(ODItab) <- ODItab$Var1
ODItab <- t(ODItab[ , -1])
row.names(ODItab)[row.names(ODItab)=='Freq'] <- 'Antall'
ODItab[1,] <- round(ODItab[1,])
ODItab[2,] <- paste0(round(ODItab[2,],1), ' %')
ODItab

HSCL

ODItab <- as.data.frame(table(AntBesv$AntBesvHSCL, useNA = 'ifany'))
ODItab$Andel <- ODItab$Freq/ sum(ODItab$Freq) * 100
row.names(ODItab) <- ODItab$Var1
ODItab <- t(ODItab[ , -1])
row.names(ODItab)[row.names(ODItab)=='Freq'] <- 'Antall'
ODItab[1,] <- round(ODItab[1,])
ODItab[2,] <- paste0(round(ODItab[2,],1), ' %')
ODItab

EQ5D

ODItab <- as.data.frame(table(AntBesv$AntBesvEQ5D, useNA = 'ifany'))
ODItab$Andel <- ODItab$Freq/ sum(ODItab$Freq) * 100
row.names(ODItab) <- ODItab$Var1
ODItab <- t(ODItab[ , -1])
row.names(ODItab)[row.names(ODItab)=='Freq'] <- 'Antall'
ODItab[1,] <- round(ODItab[1,])
ODItab[2,] <- paste0(round(ODItab[2,],1), ' %')
ODItab

UHI

ODItab <- as.data.frame(table(AntBesv$AntBesvUHI))
ODItab$Andel <- ODItab$Freq/ sum(ODItab$Freq) * 100
row.names(ODItab) <- ODItab$Var1
ODItab <- t(ODItab[ , -1])
row.names(ODItab)[row.names(ODItab)=='Freq'] <- 'Antall'
ODItab[1,] <- round(ODItab[1,])
ODItab[2,] <- paste0(round(ODItab[2,],1), ' %')
ODItab

FABQ

ODItab <- as.data.frame(table(AntBesv$AntBesvFabQ, useNA = 'ifany'))
ODItab$Andel <- ODItab$Freq/ sum(ODItab$Freq) * 100
row.names(ODItab) <- ODItab$Var1
ODItab <- t(ODItab[ , -1])
row.names(ODItab)[row.names(ODItab)=='Freq'] <- 'Antall'
ODItab[1,] <- round(ODItab[1,])
ODItab[2,] <- paste0(round(ODItab[2,],1), ' %')
ODItab

Avkrysninger

Smerte <- kodebok1a$DataDumpnavn[substr(kodebok1a$DataDumpnavn,1,6)=='IsPain']
AntKryssSmerte <- apply(skjema1a_bak[, Smerte], 1, sum)
tommeSmerte <- sum(AntKryssSmerte==0)
myesmerte <- sum(AntKryssSmerte>=30)
ingenreg_smertepst <- round(tommeSmerte/dim(skjema1a_bak)[1]*100, 1)

AarsakSmerte <- kodebok1a$DataDumpnavn[substr(kodebok1a$DataDumpnavn,1,10)=='PainCauses']
AntKryssSmerteaarsak <- apply(skjema1a_bak[, AarsakSmerte[1:9]], 1, sum)
tommeSmerteaasak <- sum(AntKryssSmerteaarsak==0)
ingenreg_smerteaarsakpst <- round(tommeSmerteaasak/dim(skjema1a_bak)[1]*100, 1)

Det er r ingenreg_smertepst prosent som har ingen avkrysninger på smertetegningen og r ingenreg_smerteaarsakpst prosent som ikke har krysset av noe på årsak til smerte.

Numeric

Tabellen under viser antallet og andelen av de numeriske variabler som er ikke-tomme blant de r dim(skjema1a_bak)[1] skjemaene som inngår i denne rapporten. Mange av variablene er beregnede scorer så det kan være verd å undersøke at alle regler følges ved beregningen i forhold til nødvendig utfyllingsgrad for de underliggende variablene.

numvar <- c('OwnChildren', 'HouseholdChildren', 'ProfessionalHeavy', 'ProfessionalMonotonous', 'ProfessionalSatisfied', 
  'PainExperiencesNoActivity', 'PainExperiencesActivity', 'OdiIndex', 'NdiIndex', 'FABQ.Score1', 'FABQ.Score2', 
  'FABQ.Score3', 'UHI.Score', 'UHI.Index', 'Eq5dHealthLevel', 'NofPainRegions')


ikketommeNum <- as.data.frame(colSums(apply(skjema1a_bak[, numvar], 2, function(x){!is.na(x)})))
names(ikketommeNum) <- 'Antall'
ikketommeNum$Andel <- round(ikketommeNum$Antall/dim(skjema1a_bak)[1]*100, 1)
ikketommeNum <- ikketommeNum[order(ikketommeNum$Andel), ]

ikketommeNum

# tmp <- rowSums(apply(skjema1a_bak[, numvar], 2, is.na))==0

"%i%" <- intersect

AntHeltTomme <- length(which(rowSums(AntBesv)<=1) %i% which(rowSums(apply(skjema1a_bak[, numvar], 2, is.na))==0) %i% 
  which(AntKryssSmerteaarsak==0) %i% which(AntKryssSmerte==0))

Tomme skjemaer

Det er r AntHeltTomme helt tomme skjemaer.

Rapporteket/nnrr documentation built on Jan. 27, 2023, 5:53 p.m.