Skip to content
Retour aux résultats

Efficacité hospitalière par DEA

Introduite par
Abraham Charnes, William Cooper, Edward Rhodes
Année
1978
Type
Non-parametric frontier estimation technique
Famille
Efficiency measurement, Operations management

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

L'analyse enveloppante des données (DEA) est une technique de programmation linéaire pour mesurer l'efficacité relative de plusieurs hôpitaux utilisant de multiples intrants et extrants.

Introduite par Charnes, Cooper et Rhodes en 1978, la DEA est devenue la méthode standard pour l'évaluation comparative des performances hospitalières dans les systèmes de santé du monde entier.

L’intuition derrière la méthode

La DEA identifie les hôpitaux les plus efficaces (ceux sur la frontière d'efficience) et compare les autres par rapport à eux. Plutôt que de supposer une fonction de production prédéterminée, la DEA laisse les données elles-mêmes définir ce que signifie l'efficience. Chaque hôpital est traité comme une unité décisionnelle (DMU), et la méthode construit un étalon virtuel composé de combinaisons des hôpitaux les plus performants. Un hôpital est efficace à 100 % si aucune combinaison d'autres hôpitaux n'utilise moins d'intrants pour produire les mêmes extrants.

Histoire

La DEA a été développée par Charnes, Cooper et Rhodes à l'Université du Texas en 1978, en s'appuyant sur le concept d'efficience technique de Farrell. Le modèle CCR (Charnes-Cooper-Rhodes) suppose des rendements constants à l'échelle. En 1984, Banker, Charnes et Cooper ont introduit le modèle BCC permettant des rendements variables à l'échelle, adaptant la DEA aux hôpitaux plus petits et à ceux opérant à différentes échelles. Depuis les années 1990, la DEA a été largement appliquée aux systèmes de santé aux États-Unis, en Europe et en Asie.

Quand l’utiliser

Utiliser la DEA lors de la comparaison des performances de plusieurs hôpitaux ayant des processus de production complexes impliquant de nombreux intrants et extrants. Elle est particulièrement utile lorsque les métriques financières traditionnelles ne capturent pas toute la complexité des opérations de soins de santé. La DEA suppose que les hôpitaux ayant des caractéristiques similaires doivent être comparés à des pairs similaires, et que l'efficience peut être mesurée sans forme fonctionnelle prédéterminée. Éviter la DEA si la taille de l'échantillon est très petite (moins de 3 × (nombre d'intrants + extrants)), si les variables catégorielles dominent, ou si l'homogénéité des unités ne peut être garantie.

Limites et points d’attention

  • Les résultats sont sensibles à l'inclusion ou à l'exclusion des variables ; un mauvais choix de variable peut fausser les classements
  • Ne tient pas compte de la variation aléatoire ou de l'erreur de mesure
  • Nécessite une taille d'échantillon relativement grande (typiquement au moins 10 fois la somme des intrants et des extrants)
  • Suppose l'homogénéité entre les unités ; des types d'hôpitaux mixtes peuvent conduire à des scores d'efficience trompeurs

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Gère de multiples intrants et extrants sans nécessiter de pondérations prédéfinies
  • Approche non paramétrique ne supposant pas de forme fonctionnelle particulière pour la fonction de production
  • Identifie des hôpitaux pairs spécifiques et fournit des cibles d'amélioration exploitables
  • Robuste aux valeurs aberrantes par rapport aux méthodes basées sur la régression
  • Largement acceptée dans les contextes de politique de santé et d'amélioration de la qualité

Applications

  • Comparer l'efficience entre les réseaux hospitaliers pour identifier les sous-performants et les meilleures pratiques
  • Soutenir les décisions d'allocation des ressources en identifiant quels hôpitaux nécessitent un financement supplémentaire ou une restructuration
  • Comparer les hôpitaux universitaires aux hôpitaux communautaires pour tenir compte des différences de mission et de complexité des patients
  • Évaluer l'impact de la fusion et de la consolidation sur l'efficience hospitalière en comparant les scores DEA avant et après la fusion
  • Mesurer l'efficacité des initiatives d'amélioration de la qualité en suivant l'évolution de l'efficience au fil du temps

Comment ça marche

Comment ça marche

1

Collecter les données d'intrants et d'extrants pour tous les hôpitaux. Les intrants typiques comprennent le nombre de personnel, le nombre de lits, les coûts d'exploitation et l'équipement. Les extrants comprennent les sorties de patients, les journées d'hospitalisation, les visites ambulatoires et les cas d'urgence traités.

2

Nettoyer les données, supprimer les valeurs aberrantes, vérifier la cohérence, normaliser les unités et s'assurer que toutes les variables sont sur des échelles appropriées. Confirmer qu'il n'y a pas de valeurs négatives et que les classifications des hôpitaux sont cohérentes.

3

Identifier l'ensemble de référence (hôpitaux efficaces) et regrouper les hôpitaux par type si nécessaire (soins primaires, hôpitaux universitaires, etc.) pour garantir des comparaisons équitables.

4

Formuler et résoudre des problèmes de programmation linéaire pour chaque hôpital, soit dans une orientation CCR (rendements constants à l'échelle) soit BCC (rendements variables à l'échelle), en calculant des scores d'efficience de 0 à 1.

5

Interpréter les résultats, identifier les pairs (hôpitaux de référence), analyser les sources d'inefficience, développer des cibles d'amélioration et communiquer les conclusions à la direction de l'hôpital.

Pièges courants

  • Choisir trop d'intrants ou d'extrants gonfle les scores d'efficience (malédiction de la dimensionnalité)
  • Mauvaise interprétation des scores d'efficience comme mesures absolues de qualité plutôt que comme comparaison relative entre pairs
  • Oubli de prendre en compte les facteurs externes (gravité du cas patient, géographie, contraintes politiques) qui affectent les intrants et les extrants

Questions fréquentes

Quelle est la différence entre les modèles CCR et BCC ?

Le modèle CCR suppose des rendements constants à l'échelle (doubler les intrants double les extrants), tandis que le modèle BCC autorise des rendements variables à l'échelle et est plus approprié pour les hôpitaux de différentes tailles. Utiliser BCC lors de la comparaison d'hôpitaux opérant à des échelles substantiellement différentes.

Combien de variables dois-je inclure dans mon analyse ?

La règle générale est d'avoir au moins 10 à 20 observations pour chaque combinaison intrant-extrant. Trop de variables gonflent les scores d'efficience ; trop peu peuvent manquer des dimensions importantes de la performance. Commencez avec les mesures clés et validez les résultats par une analyse de sensibilité.

La DEA peut-elle tenir compte des différences de cas patients ?

La DEA elle-même n'ajuste pas directement le cas patient, mais vous pouvez incorporer des extrants pondérés par le cas patient (par exemple, sorties de patients ajustées au risque) ou stratifier les hôpitaux par type pour assurer une comparaison équitable d'institutions similaires.

Que signifie un score d'efficience de 0,85 ?

Un score d'efficience de 0,85 signifie que l'hôpital utilise 15 % d'intrants en plus que nécessaire pour produire son niveau actuel d'extrants par rapport aux pairs les plus efficients. Il pourrait potentiellement réduire les intrants de 15 % tout en maintenant le même niveau d'extrants.

Comment identifier les hôpitaux qui servent de référence ?

DEA identifie automatiquement l'ensemble de référence ou le groupe de pairs pour chaque hôpital inefficace.

Méthodes associées

Sources

  1. Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research, 2(6), 429–444.

    Ouvrir la référence DOI
    Copié.
  2. Bannick, R. R., & Ozcan, Y. A. (2008). Efficiency evaluation of long-term care facilities. Health Care Management Science, 11(2), 81–91.

    Ouvrir la référence de la publication
    Copié.
  3. Ozcan, Y. A. (2014). Health Care Management: A Quantitative Approach (4th ed.). John Wiley & Sons.

    Ouvrir la référence de la publication
    Copié.