CMD
Intitulé du référentiel : cmd
Mise à jour : 11 avril 2023
Référentiel des libellés des CMD (Catégories Majeures de
Diagnostics).
Référentiel non annualisé.
GHM Libellés
Intitulé du référentiel : ghm_lib
Mise à jour : 11 avril 2023
Les libellés des GHM depuis 2018 dans leur dernière version.
Référentiel non annualisé.
GHS Public
Intitulé du référentiel : ghs_public
Mise à jour : 11 avril 2023
Référentiel des GHS et GHM du secteur public (ex-DGF).
Référentiel annualisé au sens du PMSI MCO (2018 à 2023).
Il est recommandé de ne charger que la ou les année(s) PMSI utile(s).
Variables
ghs = code GHS
ghm = code GHM
ghm_lib = libellé du GHM
ghm_bb = borne basse du GHM
ghm_bh = borne haute du GHM
ghs_tarif = tarif du GHS
ghs_exb = tarif journalier EXB (EXtrême Bas)
ghs_exh = tarif journalier EXH (EXtrême Haut)
annee_pmsi = année PMSI
#> Rows: 25,282
#> Columns: 9
#> $ ghs <chr> "22", "23", "24", "25", "65", "26", "66", "27", "28", "67",~
#> $ ghm <chr> "01C031", "01C032", "01C033", "01C034", "01C041", "01C041",~
#> $ ghm_lib <chr> "Craniotomies pour traumatisme, âge supérieur à 17 ans, niv~iv~
#> $ ghm_bb <int> 0, 0, 0, 12, 0, 0, 0, 0, 0, 0, 12, 12, 0, 0, 0, 14, 0, 0, 0~
#> $ ghm_bh <int> 11, 19, 64, 124, 12, 12, 20, 20, 43, 43, 105, 105, 10, 17, ~
#> $ ghs_tarif <dbl> 4038.19, 7170.34, 12938.71, 17533.73, 13993.16, 6332.18, 18~
#> $ ghs_exb <dbl> 0.00, 0.00, 0.00, 437.62, 0.00, 0.00, 0.00, 0.00, 0.00, 0.0~
#> $ ghs_exh <dbl> 119.44, 98.70, 76.57, 324.82, 146.60, 146.60, 110.65, 110.6~
#> $ annee_pmsi <chr> "2023", "2023", "2023", "2023", "2023", "2023", "2023", "20~
GHS Privé
Intitulé du référentiel : ghs_prive
Mise à jour : 11 avril 2023
Référentiel des GHS et GHM du secteur privé (ex-OQN).
Référentiel annualisé au sens du PMSI MCO (2018 à 2023).
Il est recommandé de ne charger que la ou les année(s) PMSI utile(s).
Variables
ghs = code GHS
ghm = code GHM
ghm_lib = libellé du GHM
ghm_bb = borne basse du GHM
ghm_bh = borne haute du GHM
ghs_tarif = tarif du GHS
ghs_exb = tarif journalier EXB (EXtrême Bas)
ghs_exh = tarif journalier EXH (EXtrême Haut)
annee_pmsi = année PMSI
#> Rows: 24,808
#> Columns: 9
#> $ ghs <chr> "22", "23", "24", "25", "26", "65", "27", "66", "28", "67",~
#> $ ghm <chr> "01C031", "01C032", "01C033", "01C034", "01C041", "01C041",~
#> $ ghm_lib <chr> "Craniotomies pour traumatisme, âge supérieur à 17 ans, niv~iv~
#> $ ghm_bb <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 18, 18, 0, 0, 0, 6, 0, 0, 0, ~
#> $ ghm_bh <int> 0, 24, 0, 0, 13, 13, 31, 31, 47, 47, 110, 110, 8, 12, 35, 5~
#> $ ghs_tarif <dbl> 1779.30, 3387.51, 8396.29, 12070.59, 2862.59, 10530.07, 519~
#> $ ghs_exb <dbl> 0.00, 0.00, 0.00, 0.00, 0.00, 0.00, 0.00, 0.00, 0.00, 0.00,~
#> $ ghs_exh <dbl> 0.00, 267.16, 0.00, 0.00, 93.42, 93.42, 85.21, 85.21, 72.99~
#> $ annee_pmsi <chr> "2023", "2023", "2023", "2023", "2023", "2023", "2023", "20~
GHM intermédiaire
Intitulé du référentiel : ghm_intermediaire
Mise à jour : 11 avril 2023
Référentiel des GHM avec GHS intermédiaire
Référentiel annualisé au sens PMSI MCO (2020-2023)
Variables
#> Rows: 1,228
#> Columns: 4
#> $ ghm_intermediaire <chr> "01M04T", "01M05T", "01M07T", "01M08T", "01M09T", "0~
#> $ ghs_plein <chr> "333", "212", "217", "222", "227", "232", "237", "24~
#> $ ghs_intermediaire <chr> "348", "5006", "5007", "5008", "5009", "5010", "5011~
#> $ annee_pmsi <chr> "2023", "2023", "2023", "2023", "2023", "2023", "202~
GHS UHCD
Intitulé du référentiel : ghm_uhcd
Mise à jour : 11 avril 2023
Référentiel annualisé au sens PMSI MCO (2021-2023)
Pour chaque GHS UHCD et par année PMSI MCO, la liste des GHM associés
Regroupements GHM
Intitulé du référentiel : ghm_regroupement
Mise à jour : 28 novembre 2022
Référentiel des regroupements des GHM en DA (Domaine d’Activité), GA (Groupe d’Activité) et GP (Groupe de Planification).
Référentiel annualisé au sens du PMSI MCO (2018-2022).
Il est recommandé de ne charger que la ou les année(s) PMSI utile(s).
Variables
ghm = code GHM
ghm_lib = libellé du GHM
aso = code ASO du GHM (Activité de SOins)
da = code DA du GHM
da_lib = libellé du DA
gp = code GP du GHM
gp_lib = libellé du GP
ga = code GA du GHM
ga_lib = libellé du GA
da_gp = concaténation des codes DA et GP du GHM
da_gp_ga = concaténation des codes DA, GP et GA du
GHM
annee_pmsi = année PMSI
#> Rows: 15,650
#> Columns: 12
#> $ ghm <chr> "01C031", "01C032", "01C033", "01C034", "01C041", "01C042",~
#> $ ghm_lib <chr> "Craniotomies pour traumatisme, âge supérieur à 17 ans, niv~iv~
#> $ aso <chr> "C", "C", "C", "C", "C", "C", "C", "C", "C", "C", "C", "C",~
#> $ da <chr> "D05", "D05", "D05", "D05", "D05", "D05", "D05", "D05", "D0~
#> $ da_lib <chr> "Système nerveux (hors cathétérismes vasculaires diagnostiq~iq~
#> $ gp <chr> "C02", "C02", "C02", "C02", "C02", "C02", "C02", "C02", "C0~
#> $ gp_lib <chr> "Chirurgie du rachis, Neuro-chirurgie", "Chirurgie du rachi~
#> $ ga <chr> "G043", "G043", "G043", "G043", "G044", "G044", "G044", "G0~
#> $ ga_lib <chr> "Chirurgies SNC trauma", "Chirurgies SNC trauma", "Chirurgi~
#> $ da_gp <chr> "D05C02", "D05C02", "D05C02", "D05C02", "D05C02", "D05C02",~
#> $ da_gp_ga <chr> "D05C02G043", "D05C02G043", "D05C02G043", "D05C02G043", "D0~
#> $ annee_pmsi <chr> "2023", "2023", "2023", "2023", "2023", "2023", "2023", "20~
Libellés des regroupements GHM
Intitulé du référentiel : ghm_regroupement_lib
Mise à jour : 28 novembre 2022
Libellés de tous les DA (Domaine d’Activité), GA (Groupe d’Activité) et GP (Groupe de Planification) depuis 2018.
Référentiel non annualisé.
Variables
ghm_regroupement = type de regroupement GHM
(da,ga,gp)
ghm_regroupement_code = code regroupement
ghm_regroupement_lib = libellé du code regroupement
#> Rows: 327
#> Columns: 3
#> $ ghm_regroupement <chr> "da", "da", "da", "da", "da", "da", "da", "da", ~
#> $ ghm_regroupement_code <chr> "D01", "D02", "D03", "D04", "D05", "D06", "D07",~
#> $ ghm_regroupement_lib <chr> "Digestif", "Orthopédie traumatologie", "Traumat~~
Regroupements des racines de GHM
Intitulé du référentiel : rghm_regroupement
Mise à jour : 28 novembre 2022
Référentiel des regroupements des racines de GHM en DA (Domaine d’Activité), GA (Groupe d’Activité) et GP (Groupe de Planification).
Référentiel annualisé au sens du PMSI MCO (2018-2022).
Il est recommandé de ne charger que la ou les année(s) PMSI utile(s).
Variables
rghm = code racine GHM
rghm_lib = libellé de la racine GHM
aso = code ASO de la racine GHM (Activité de
SOins)
da = code DA de la racine GHM
da_lib = libellé du DA
gp = code GP de la racine GHM
gp_lib = libellé du GP
ga = code GA de la racine GHM
ga_lib = libellé du GA
da_gp = concaténation des codes DA et GP de la racine
GHM
da_gp_ga = concaténation des codes DA, GP et GA de la
racine GHM
annee_pmsi = année PMSI
#> Rows: 4,030
#> Columns: 12
#> $ rghm <chr> "01C03", "01C04", "01C05", "01C06", "01C08", "01C09", "01C1~
#> $ rghm_lib <chr> "Craniotomies pour traumatisme, âge supérieur à 17 ans", "C~"C~
#> $ aso <chr> "C", "C", "C", "C", "C", "C", "C", "C", "C", "C", "C", "M",~
#> $ da <chr> "D05", "D05", "D05", "D07", "D26", "D05", "D05", "D05", "D0~
#> $ da_lib <chr> "Système nerveux (hors cathétérismes vasculaires diagnostiq~iq~
#> $ gp <chr> "C02", "C02", "C02", "C14", "C25", "C03", "C03", "C02", "C0~
#> $ gp_lib <chr> "Chirurgie du rachis, Neuro-chirurgie", "Chirurgie du rachi~
#> $ ga <chr> "G043", "G044", "G041", "G074", "G179", "G045", "G045", "G0~
#> $ ga_lib <chr> "Chirurgies SNC trauma", "Chirurgies SNC hors trauma (rachi~
#> $ da_gp <chr> "D05C02", "D05C02", "D05C02", "D07C14", "D26C25", "D05C03",~
#> $ da_gp_ga <chr> "D05C02G043", "D05C02G044", "D05C02G041", "D07C14G074", "D2~
#> $ annee_pmsi <chr> "2023", "2023", "2023", "2023", "2023", "2023", "2023", "20~
OVALIDE - Table de référence GHMINFO_exDGF
Intitulé du référentiel : ovalide_ghminfo_dgf
Mise à jour : 21 juin 2023
Informations issues de la table GHMINFO_exDGF OVALIDE MCO. Les
informations redondantes avec d’autres référentiels de
refpmsi::
ne sont pas reprises (exemples : cma, bb, bh,
…)
Référentiel annualisé au sens du PMSI MCO (2018-2023).
Il est recommandé de ne charger que la ou les année(s) PMSI utile(s).
Variables
ghm = code GHM
tghm = type du GHM (C : chirurgical; M : médical; X :
autre)
dms = durée moyenne de séjour nationale
pctdc = taux de décès national
mage = age moyen
pctcourt = pourcentage de séjours courts (parmi les
séjours de durée > 1 jour). Durée d’un séjour court = borne basse ou
borne basse +1
pvalo = code GHS du GHS le plus valorisé dans les GHM
multi-GHS
pctpvalo = taux de séjours aux GHS plus élevés
pctcma4 = pourcentage de séjours de niveau 4 par
sous-cmd (sous-cmd = 3 premières positions des GHM)
pctautres = pourcentage de séjours avec un DA autres
(.8)
annee_pmsi = année PMSI
#> Rows: 15,697
#> Columns: 11
#> $ ghm <chr> "01C031", "01C032", "01C033", "01C034", "01C041", "01C042",~
#> $ tghm <chr> "C", "C", "C", "C", "C", "C", "C", "C", "C", "C", "C", "C",~
#> $ dms <dbl> 3.7607, 7.0824, 14.8226, 35.0153, 4.4375, 7.6766, 14.2199, ~
#> $ pctdc <dbl> 0.1053, 0.0383, 0.0907, 0.2262, 0.0247, 0.0129, 0.0426, 0.1~
#> $ mage <dbl> 59.7004, 67.9452, 68.2568, 55.5072, 58.2617, 58.7394, 61.71~
#> $ pctcourt <dbl> 0.0000, 0.0000, 0.0000, 0.0443, 0.0000, 0.0000, 0.0000, 0.0~
#> $ pvalo <chr> "0022", "0023", "0024", "0025", "0065", "0066", "0067", "00~
#> $ pctpvalo <dbl> 0.9973, 1.0000, 1.0000, 1.0000, 0.0002, 0.0177, 0.0013, 0.0~
#> $ pctcma4 <dbl> 0.1151, 0.1151, 0.1151, 0.1151, 0.1151, 0.1151, 0.1151, 0.1~
#> $ pctautres <dbl> 0.2009, 0.2009, 0.2009, 0.2009, 0.2009, 0.2009, 0.2009, 0.2~
#> $ annee_pmsi <chr> "2023", "2023", "2023", "2023", "2023", "2023", "2023", "20~
OVALIDE - Table de référence GHMINFO_exOQN
Intitulé du référentiel : ovalide_ghminfo_oqn
Mise à jour : 21 juin 2023
Informations issues de la table OVALIDE MCO, GHMINFO_exOQN. Les
informations redondantes avec d’autres référentiels de
refpmsi::
ne sont pas reprises (exemples : cma, bb, bh,
…)
Référentiel annualisé au sens du PMSI MCO (2018-2023).
Il est recommandé de ne charger que la ou les année(s) PMSI utile(s).
Variables
ghm = code GHM
tghm = type du GHM (C : chirurgical; M : médical; X :
autre)
dms = durée moyenne de séjour nationale
pctdc = taux de décès national
mage = age moyen
pctcourt = pourcentage de séjours courts (parmi les
séjours de durée > 1 jour). Durée d’un séjour court = borne basse ou
borne basse +1
pvalo = code GHS du GHS le plus valorisé dans les GHM
multi-GHS
pctpvalo = taux de séjours aux GHS plus élevés
pctcma4 = pourcentage de séjours de niveau 4 par
sous-cmd (sous-cmd = 3 premières positions des GHM)
pctautres = pourcentage de séjours avec un DA autres
(.8)
annee_pmsi = année PMSI
#> Rows: 15,697
#> Columns: 11
#> $ ghm <chr> "01C031", "01C032", "01C033", "01C034", "01C041", "01C042",~
#> $ tghm <chr> "C", "C", "C", "C", "C", "C", "C", "C", "C", "C", "C", "C",~
#> $ dms <dbl> 3.0667, 7.2923, 17.5000, 38.0526, 4.8623, 8.0874, 15.7462, ~
#> $ pctdc <dbl> 0.0968, 0.0000, 0.0789, 0.3158, 0.0031, 0.0021, 0.0711, 0.2~
#> $ mage <dbl> 62.6774, 72.7576, 73.6316, 66.2105, 60.6275, 65.4703, 65.86~
#> $ pctcourt <dbl> 0.0000, 0.0000, 0.0000, 0.0826, 0.0000, 0.0000, 0.0000, 0.0~
#> $ pvalo <chr> "0022", "0023", "0024", "0025", "0065", "0066", "0067", "00~
#> $ pctpvalo <dbl> 1.0000, 1.0000, 1.0000, 1.0000, NA, NA, NA, NA, 1.0000, 1.0~
#> $ pctcma4 <dbl> 0.0189, 0.0189, 0.0189, 0.0189, 0.0189, 0.0189, 0.0189, 0.0~
#> $ pctautres <dbl> 0.2348, 0.2348, 0.2348, 0.2348, 0.2348, 0.2348, 0.2348, 0.2~
#> $ annee_pmsi <chr> "2023", "2023", "2023", "2023", "2023", "2023", "2023", "20~
OVALIDE - Table de référence RacineINFO_exDGF
Intitulé du référentiel : ovalide_racineinfo_dgf
Mise à jour : 21 juin 2023
Informations issues de la table OVALIDE MCO, RacineINFO_exDGF.
Référentiel annualisé au sens du PMSI MCO (2018-2023).
Il est recommandé de ne charger que la ou les année(s) PMSI utile(s).
Variables
racine = code racine GHM
pctdc = taux de décès national
conf = confirmation de codage nécessaire pour la racine
GHM (1 : OUI ; 0 : NON)
age2 = effet de l’âge pour les moins de 2 ans (1 : OUI
; 0 : NON)
age69 = effet de l’âge pour les plus de 69 / 79 ans
(1-3 : OUI pour les plus de 69 ans ; 2-4-6 : OUI pour les plus de 79 ans
; 0 : NON)
pctcma2 = pourcentage de séjours de niveau 2 dans la
racine GHM
pctcma3 = pourcentage de séjours de niveau 2 dans la
racine GHM
pctexb = pourcentage de séjours en dessous de la borne
basse
pctssacte = taux de séjours de 0 jours sans acte
app = racine apparentée à la racine GHM
pctapp = pourcentage de séjours dans la racine
apparentée
annee_pmsi = année PMSI
#> Rows: 4,028
#> Columns: 12
#> $ rghm <chr> "01C03", "01C04", "01C05", "01C06", "01C08", "01C09", "01C1~
#> $ pctdc <dbl> 0.1011, 0.0473, 0.0126, 0.0049, 0.0080, 0.0008, NA, 0.0162,~
#> $ conf <int> 1, 1, 1, 1, 0, 1, 0, 1, 1, 0, 0, 1, 1, 0, 0, 0, 1, 3, 3, 0,~
#> $ age2 <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,~
#> $ age69 <int> 0, 0, 2, 0, 0, 0, 0, 0, 0, 0, 0, 6, 0, 0, 0, 0, 2, 3, 3, 0,~
#> $ pctcma2 <dbl> 0.6763, 0.5509, 0.4249, 0.4013, 0.2382, 0.1737, 0.0875, 0.6~
#> $ pctcma3 <dbl> 0.3617, 0.2520, 0.2050, 0.0866, 0.0918, 0.0359, 0.0049, 0.3~
#> $ pctexb <dbl> 0.0175, 0.0169, 0.0131, 0.0006, 0.0040, 0.0000, 0.0000, 0.0~
#> $ pctssacte <dbl> 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, NA,~
#> $ annee_pmsi <chr> "2023", "2023", "2023", "2023", "2023", "2023", "2023", "20~
#> $ app <chr> NA, NA, NA, NA, NA, NA, NA, "XXXXX", "01C11", NA, NA, "01K0~
#> $ pctapp <dbl> NA, NA, NA, NA, NA, NA, NA, 0.3182, NA, NA, NA, NA, NA, NA,~
OVALIDE - Table de référence RacineINFO_exOQN
Intitulé du référentiel : ovalide_racineinfo_oqn
Mise à jour : 21 juin 2023
Informations issues de la table OVALIDE MCO, RacineINFO_exOQN.
Référentiel annualisé au sens du PMSI MCO (2018-2023).
Il est recommandé de ne charger que la ou les année(s) PMSI utile(s).
Variables du référentiel
racine = code racine GHM
pctdc = taux de décès national
conf = confirmation de codage nécessaire pour la racine
GHM (1 : OUI ; 0 : NON)
age2 = effet de l’âge pour les moins de 2 ans (1 : OUI
; 0 : NON)
age69 = effet de l’âge pour les plus de 69 / 79 ans
(1-3 : OUI pour les plus de 69 ans ; 2-4-6 : OUI pour les plus de 79 ans
; 0 : NON)
pctcma2 = pourcentage de séjours de niveau 2 dans la
racine GHM
pctcma3 = pourcentage de séjours de niveau 2 dans la
racine GHM
pctexb = pourcentage de séjours en dessous de la borne
basse
pctssacte = taux de séjours de 0 jours sans acte
app = racine apparentée à la racine GHM
pctapp = pourcentage de séjours dans la racine
apparentée
annee_pmsi = année PMSI
#> Rows: 3,908
#> Columns: 12
#> $ rghm <chr> "01C03", "01C04", "01C05", "01C06", "01C08", "01C09", "01C1~
#> $ pctdc <dbl> 0.0743, 0.0232, 0.0027, 0.0023, 0.0017, NA, NA, NA, NA, NA,~
#> $ conf <int> 1, 1, 1, 1, 0, 1, 0, 1, 0, 0, 1, 1, 0, 0, 0, 1, 3, 3, 0, 0,~
#> $ age2 <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,~
#> $ age69 <int> 0, 0, 2, 0, 0, 0, 0, 0, 0, 0, 6, 0, 0, 0, 0, 2, 3, 3, 0, 0,~
#> $ pctcma2 <dbl> 0.6667, 0.4298, 0.2388, 0.3011, 0.1371, NA, 0.0227, 0.5000,~
#> $ pctcma3 <dbl> 0.2500, 0.1449, 0.0910, 0.0359, 0.0267, NA, 0.0090, 0.0000,~
#> $ pctexb <dbl> 0.0000, 0.0107, 0.0010, 0.0002, 0.0000, 0.0000, 0.0000, 0.0~
#> $ pctssacte <dbl> 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, NA,~
#> $ annee_pmsi <chr> "2023", "2023", "2023", "2023", "2023", "2023", "2023", "20~
#> $ app <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, "01K07", NA, NA, NA~
#> $ pctapp <dbl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,~
Listes en D et en A de l’algorithme de groupage MCO
Intitulé du référentiel : mco_fg_listes
Mise à jour : 8 octobre 2021
Année 2021.
Variables du référentiel
mco_fg_liste_code = code des listes
mco_fg_liste_lib = libellé des listes
mco_fg_liste_type = D pour les listes en D et A pour
les listes en A
mco_fg_cmd = CMD dans laquelle la liste participe au
groupage des séjours
mco_fg_code = code CIM-10 (liste en D) ou code acte
CCAM PMSI (liste en A)
mco_fg_ccam_pmsi_extension = extension PMSI des actes
CCAM PMSI
mco_fg_ccam_pmsi_phase = phase des actes CCAM
PMSI
annee_pmsi = année PMSI
#> Rows: 55,409
#> Columns: 8
#> $ mco_fg_liste_code <chr> "A-002", "A-002", "A-002", "A-002", "A-002"~
#> $ mco_fg_liste_lib <chr> "Craniotomies", "Craniotomies", "Craniotomi~
#> $ mco_fg_liste_type <chr> "A", "A", "A", "A", "A", "A", "A", "A", "A"~
#> $ mco_fg_cmd <chr> "01", "01", "01", "01", "01", "01", "01", "~
#> $ mco_fg_code <chr> "AAFA001", "AAFA002", "AAFA003", "AAFA004",~
#> $ mco_fg_ccam_pmsi_extension <chr> "00", "00", "00", "00", "00", "00", "00", "~
#> $ mco_fg_ccam_pmsi_phase <chr> "0", "0", "0", "0", "0", "0", "0", "0", "0"~
#> $ annee_pmsi <chr> "2021", "2021", "2021", "2021", "2021", "20~
Exemples
Chargement du référentiel des GHS Public des années 2022 et 2023
# Chargement du référentiel des GHS-GHM Public des années 2022 et 2023023
ghs_2022_2023 <- refpmsi::refpmsi("ghs_public",2022:2023)
ghs_2022_2023
#> # A tibble: 11,342 x 9
#> ghs ghm ghm_lib ghm_bb ghm_bh ghs_tarif ghs_exb ghs_exh annee_pmsi
#> <chr> <chr> <chr> <int> <int> <dbl> <dbl> <dbl> <chr>
#> 1 22 01C031 Craniotomies~ 0 11 4038. 0 119. 2023
#> 2 23 01C032 Craniotomies~ 0 19 7170. 0 98.7 2023
#> 3 24 01C033 Craniotomies~ 0 64 12939. 0 76.6 2023
#> 4 25 01C034 Craniotomies~ 12 124 17534. 438. 325. 2023
#> 5 65 01C041 Craniotomies~ 0 12 13993. 0 147. 2023
#> 6 26 01C041 Craniotomies~ 0 12 6332. 0 147. 2023
#> 7 66 01C042 Craniotomies~ 0 20 18220. 0 111. 2023
#> 8 27 01C042 Craniotomies~ 0 20 10559. 0 111. 2023
#> 9 28 01C043 Craniotomies~ 0 43 15246. 0 76.1 2023
#> 10 67 01C043 Craniotomies~ 0 43 22907. 0 76.1 2023
#> # i 11,332 more rows
Rattachement du libellé GHM aux GHM
Soit un jeu de données jeu_ghm
composé de 17 RUM
correspondant à 14 séjours.
#> # A tibble: 17 x 7
#> no_rum no_rss ghm dp_rum jp ghs annee_rss
#> <dbl> <dbl> <chr> <chr> <int> <chr> <chr>
#> 1 1 1 06K02Z D122 0 2119 2020
#> 2 1 2 08C321 S8220 3 2808 2019
#> 3 1 3 04M053 J181 10 1144 2019
#> 4 1 4 05M092 I5001 7 1754 2020
#> 5 1 5 06M12T R104 0 2200 2020
#> 6 1 6 04M053 J181 0 1144 2019
#> 7 1 7 20Z041 F102 29 7267 2019
#> 8 1 8 08K041 S730 2 3033 2020
#> 9 1 9 01M201 S0600 3 268 2019
#> 10 1 10 06M12T R104 0 2206 2020
#> 11 1 11 05M092 I5009 2 1754 2019
#> 12 2 11 05M092 I472 1 1754 2019
#> 13 1 12 04M053 J189 2 1144 2020
#> 14 2 12 04M053 J960 11 1144 2020
#> 15 3 12 04M053 J189 11 1144 2020
#> 16 1 13 16M11T D508 0 6186 2020
#> 17 1 14 16M11T D509 0 6118 2020
# chargement des GHM Public 2019 et 2020
ghm_2019_2020 <- refpmsi::refpmsi("ghs_public", 2019:2020)
jeu_ghm_libelle <- jeu_ghm %>%
# rattachement des libellés aux GHM via la jointure (ghs, annee_pmsi))
dplyr::left_join(ghm_2019_2020 %>% dplyr::select(ghs,ghm_lib,annee_pmsi),
by = c("ghs" = "ghs", "annee_rss" = "annee_pmsi"))
jeu_ghm_libelle
#> # A tibble: 17 x 8
#> no_rum no_rss ghm dp_rum jp ghs annee_rss ghm_lib
#> <dbl> <dbl> <chr> <chr> <int> <chr> <chr> <chr>
#> 1 1 1 06K02Z D122 0 2119 2020 Endoscopies digestives thé~~
#> 2 1 2 08C321 S8220 3 2808 2019 Interventions sur la jambe~
#> 3 1 3 04M053 J181 10 1144 2019 Pneumonies et pleurésies b~~
#> 4 1 4 05M092 I5001 7 1754 2020 Insuffisances cardiaques e~
#> 5 1 5 06M12T R104 0 2200 2020 Douleurs abdominales, très~~
#> 6 1 6 04M053 J181 0 1144 2019 Pneumonies et pleurésies b~~
#> 7 1 7 20Z041 F102 29 7267 2019 Ethylisme avec dépendance,~~
#> 8 1 8 08K041 S730 2 3033 2020 Tractions continues et réd~~
#> 9 1 9 01M201 S0600 3 268 2019 Commotions cérébrales, niv~v~
#> 10 1 10 06M12T R104 0 2206 2020 Douleurs abdominales, très~~
#> 11 1 11 05M092 I5009 2 1754 2019 Insuffisances cardiaques e~
#> 12 2 11 05M092 I472 1 1754 2019 Insuffisances cardiaques e~
#> 13 1 12 04M053 J189 2 1144 2020 Pneumonies et pleurésies b~~
#> 14 2 12 04M053 J960 11 1144 2020 Pneumonies et pleurésies b~~
#> 15 3 12 04M053 J189 11 1144 2020 Pneumonies et pleurésies b~~
#> 16 1 13 16M11T D508 0 6186 2020 Autres troubles de la lign~
#> 17 1 14 16M11T D509 0 6118 2020 Autres troubles de la lign~
Rattachement DMS nationale aux séjours
Dans un premier temps, on rattache les DMS nationales issues d’OVALIDE MCO à chaque séjour.
Puis on compare la DS des séjours avec ces DMS nationales pour les séjours pour lesquels cela a un sens (séjours avec une DS > 0).
# Chargement des DMS nationales des années PMSI 2019 et 20200
dms_nat <- refpmsi::refpmsi("ovalide_ghminfo_dgf", 2019:2020) %>% dplyr::select(ghm,dms,annee_pmsi)
dms_nat
#> # A tibble: 5,186 x 3
#> ghm dms annee_pmsi
#> <chr> <dbl> <chr>
#> 1 01C031 4.10 2020
#> 2 01C032 7.55 2020
#> 3 01C033 13.6 2020
#> 4 01C034 35.1 2020
#> 5 01C041 4.96 2020
#> 6 01C042 8.03 2020
#> 7 01C043 14.2 2020
#> 8 01C044 34.5 2020
#> 9 01C051 3.89 2020
#> 10 01C052 7.54 2020
#> # i 5,176 more rows
jeu_ghm_dms <- jeu_ghm %>%
# rattachement des DMS OVALIDE
dplyr::left_join(dms_nat, by = c("ghm" = "ghm", "annee_rss" = "annee_pmsi")) %>%
# nouvelle variable ecart_dms
# nouvelle variable ratio_ecart_dms. = NA pour les cas jp = 0
dplyr::mutate(ecart_dms = jp - dms,
ratio_ecart_dms = ifelse(jp != 0L, round(jp/dms,2), NA_real_))
jeu_ghm_dms %>% print(n = 15, width = Inf)
#> # A tibble: 17 x 10
#> no_rum no_rss ghm dp_rum jp ghs annee_rss dms ecart_dms
#> <dbl> <dbl> <chr> <chr> <int> <chr> <chr> <dbl> <dbl>
#> 1 1 1 06K02Z D122 0 2119 2020 0.121 -0.121
#> 2 1 2 08C321 S8220 3 2808 2019 3.19 -0.195
#> 3 1 3 04M053 J181 10 1144 2019 11.3 -1.30
#> 4 1 4 05M092 I5001 7 1754 2020 8.02 -1.02
#> 5 1 5 06M12T R104 0 2200 2020 0.570 -0.570
#> 6 1 6 04M053 J181 0 1144 2019 11.3 -11.3
#> 7 1 7 20Z041 F102 29 7267 2019 9.07 19.9
#> 8 1 8 08K041 S730 2 3033 2020 4.83 -2.83
#> 9 1 9 01M201 S0600 3 268 2019 0.694 2.31
#> 10 1 10 06M12T R104 0 2206 2020 0.570 -0.570
#> 11 1 11 05M092 I5009 2 1754 2019 8.04 -6.04
#> 12 2 11 05M092 I472 1 1754 2019 8.04 -7.04
#> 13 1 12 04M053 J189 2 1144 2020 11.1 -9.12
#> 14 2 12 04M053 J960 11 1144 2020 11.1 -0.120
#> 15 3 12 04M053 J189 11 1144 2020 11.1 -0.120
#> ratio_ecart_dms
#> <dbl>
#> 1 NA
#> 2 0.94
#> 3 0.89
#> 4 0.87
#> 5 NA
#> 6 NA
#> 7 3.2
#> 8 0.41
#> 9 4.32
#> 10 NA
#> 11 0.25
#> 12 0.12
#> 13 0.18
#> 14 0.99
#> 15 0.99
#> # i 2 more rows
Enfin, on peut filtrer les séjours qui ont une DS >= 2,5 x la DMS nationale de leur GHM pour repérer des séjours, à priori, particulièrement longs.
sej_2.5_dms <- jeu_ghm_dms %>% dplyr::filter(ratio_ecart_dms >= 2.5)
sej_2.5_dms %>% print(width = Inf)
#> # A tibble: 2 x 10
#> no_rum no_rss ghm dp_rum jp ghs annee_rss dms ecart_dms
#> <dbl> <dbl> <chr> <chr> <int> <chr> <chr> <dbl> <dbl>
#> 1 1 7 20Z041 F102 29 7267 2019 9.07 19.9
#> 2 1 9 01M201 S0600 3 268 2019 0.694 2.31
#> ratio_ecart_dms
#> <dbl>
#> 1 3.2
#> 2 4.32
Case mix en DA (Domaine d’Activité) des séjours
case_mix_da <- jeu_ghm %>%
# rattachement des codes DA aux séjourss
dplyr::left_join(refpmsi::refpmsi("ghm_regroupement",2019:2020) %>% dplyr::select(ghm,da,da_lib,annee_pmsi),
by = c("ghm"= "ghm", "annee_rss" = "annee_pmsi")) %>%
# regroupement en DA
group_by(da,da_lib) %>%
# calcul du nombre de RUM et du nombre de séjours par DAA
dplyr::summarise(n_rum = dplyr::n(),
n_sej = dplyr::n_distinct(no_rss),
.groups = "drop")
case_mix_da
#> # A tibble: 7 x 4
#> da da_lib n_rum n_sej
#> <chr> <chr> <int> <int>
#> 1 D01 Digestif 3 3
#> 2 D02 Orthopédie traumatologie 2 22
#> 3 D05 Système nerveux (hors cathétérismes vasculaires diagnostiqu~ 1 1 1
#> 4 D07 Cardio-vasculaire (hors cathétérismes vasculaires diagnosti~ 3 2 2
#> 5 D09 Pneumologie 5 3
#> 6 D16 Hématologie 2 22
#> 7 D23 Toxicologie, Intoxications, Alcool 1 1
Séjours et gradation des prises en charge ambulatoires
Dans un premier temps, on repère les séjours groupés dans un GHM concerné par la gradation des prises en charge ambulatoires et on rattache le GHS plein et le GHS intermédiaire.
sej_ghm_gradation_ambulatoire <- jeu_ghm %>%
# filtre sur l'année 2020, seule année concernée dans notre data setset
dplyr::filter(annee_rss == 2020) %>%
# rattachement GHS plein et GHS intermédiaire pour les GHM concernés©s
dplyr::left_join(refpmsi::refpmsi("ghm_intermediaire"),
by = c("ghm" = "ghm_intermediaire", "annee_rss" = "annee_pmsi")) %>%
# filtre sur les séjours concernés©s
dplyr::filter(!is.na(ghs_plein))
sej_ghm_gradation_ambulatoire
#> # A tibble: 4 x 9
#> no_rum no_rss ghm dp_rum jp ghs annee_rss ghs_plein ghs_intermediaire
#> <dbl> <dbl> <chr> <chr> <int> <chr> <chr> <chr> <chr>
#> 1 1 5 06M12T R104 0 2200 2020 2200 2206
#> 2 1 10 06M12T R104 0 2206 2020 2200 2206
#> 3 1 13 16M11T D508 0 6186 2020 6186 6118
#> 4 1 14 16M11T D509 0 6118 2020 6186 6118
Dans un second temps, on repère les seuls séjours classés dans un GHS intermédiaire
sej_ghs_intermediaire <- sej_ghm_gradation_ambulatoire %>%
# filtre sur les séjours dont le GHS = le GHS intermédiaire associéié
dplyr::filter(ghs == ghs_intermediaire)
sej_ghs_intermediaire
#> # A tibble: 2 x 9
#> no_rum no_rss ghm dp_rum jp ghs annee_rss ghs_plein ghs_intermediaire
#> <dbl> <dbl> <chr> <chr> <int> <chr> <chr> <chr> <chr>
#> 1 1 10 06M12T R104 0 2206 2020 2200 2206
#> 2 1 14 16M11T D509 0 6118 2020 6186 6118
Liste des codes CIM-10 d’une liste D
# Chargement du référentiel des listes D et A de l'algorithme de groupage MCO V202121
mco_fg_listes <- refpmsi::refpmsi("mco_fg_listes", 2021)
mco_fg_listes
#> # A tibble: 55,409 x 8
#> mco_fg_liste_code mco_fg_liste_lib mco_fg_liste_type mco_fg_cmd mco_fg_code
#> <chr> <chr> <chr> <chr> <chr>
#> 1 A-002 Craniotomies A 01 AAFA001
#> 2 A-002 Craniotomies A 01 AAFA002
#> 3 A-002 Craniotomies A 01 AAFA003
#> 4 A-002 Craniotomies A 01 AAFA004
#> 5 A-002 Craniotomies A 01 AAFA005
#> 6 A-002 Craniotomies A 01 AAFA006
#> 7 A-002 Craniotomies A 01 AAFA007
#> 8 A-002 Craniotomies A 01 AAFA008
#> 9 A-002 Craniotomies A 01 AAGA900
#> 10 A-002 Craniotomies A 01 AAJA001
#> # i 55,399 more rows
#> # i 3 more variables: mco_fg_ccam_pmsi_extension <chr>,
#> # mco_fg_ccam_pmsi_phase <chr>, annee_pmsi <chr>
On choisit d’extraire les codes CIM-10 de la liste D-0401 ““Bronchite ou asthme”
Le DP d’un séjour appartenant à cette liste amène le séjour concerné en racine 04M03 “Bronchites et asthme, âge supérieur à 17 ans” ou 04M02 “Bronchites et asthme, âge inférieur à 18 ans”
liste_D_0401 <- mco_fg_listes %>%
# on ne garde que des variables qui nous intéressent pour une liste en DD
dplyr::select(mco_fg_liste_code, mco_fg_liste_lib, mco_fg_cmd, mco_fg_code) %>%
dplyr::filter(mco_fg_liste_code == "D-0401")
liste_D_0401
#> # A tibble: 20 x 4
#> mco_fg_liste_code mco_fg_liste_lib mco_fg_cmd mco_fg_code
#> <chr> <chr> <chr> <chr>
#> 1 D-0401 Bronchites et asthme 04 J041
#> 2 D-0401 Bronchites et asthme 04 J200
#> 3 D-0401 Bronchites et asthme 04 J201
#> 4 D-0401 Bronchites et asthme 04 J202
#> 5 D-0401 Bronchites et asthme 04 J203
#> 6 D-0401 Bronchites et asthme 04 J204
#> 7 D-0401 Bronchites et asthme 04 J205
#> 8 D-0401 Bronchites et asthme 04 J206
#> 9 D-0401 Bronchites et asthme 04 J207
#> 10 D-0401 Bronchites et asthme 04 J208
#> 11 D-0401 Bronchites et asthme 04 J209
#> 12 D-0401 Bronchites et asthme 04 J40
#> 13 D-0401 Bronchites et asthme 04 J410
#> 14 D-0401 Bronchites et asthme 04 J42
#> 15 D-0401 Bronchites et asthme 04 J450
#> 16 D-0401 Bronchites et asthme 04 J451
#> 17 D-0401 Bronchites et asthme 04 J458
#> 18 D-0401 Bronchites et asthme 04 J459
#> 19 D-0401 Bronchites et asthme 04 J46
#> 20 D-0401 Bronchites et asthme 04 J980
Script similaire pour extraire les actes CCAM PMSI d’une liste A.
Diagnostics d’entrée d’une CMD
On choisit d’extraire les diags d’entrée de la CMD 01
# on a chargé le référentiel mco_fg_listes dans la variable mco_fg_listestes
diag_cmd_01 <- mco_fg_listes %>%
dplyr::filter(mco_fg_cmd == "01", mco_fg_liste_type == "D") %>%
# argument.keep_all = TRUE pour garder les colonnes
dplyr::distinct(mco_fg_code, .keep_all = TRUE) %>%
# colonnes qui nous intéressent + réordonnancementnt
dplyr::select(mco_fg_code, mco_fg_cmd, mco_fg_liste_code, mco_fg_liste_lib)
diag_cmd_01
#> # A tibble: 903 x 4
#> mco_fg_code mco_fg_cmd mco_fg_liste_code mco_fg_liste_lib
#> <chr> <chr> <chr> <chr>
#> 1 F072 01 D-0101 Migraines et céphaléeses
#> 2 G430 01 D-0101 Migraines et céphaléeses
#> 3 G431 01 D-0101 Migraines et céphaléeses
#> 4 G432 01 D-0101 Migraines et céphaléeses
#> 5 G433 01 D-0101 Migraines et céphaléeses
#> 6 G438 01 D-0101 Migraines et céphaléeses
#> 7 G439 01 D-0101 Migraines et céphaléeses
#> 8 G440 01 D-0101 Migraines et céphaléeses
#> 9 G441 01 D-0101 Migraines et céphaléeses
#> 10 G442 01 D-0101 Migraines et céphaléeses
#> # i 893 more rows
Rattachement des libellés des listes D aux DP
Niveau R avancé
Soit un mini-jeu de données de 12 séjours avec le DP, le GHM et l’année PMSI du séjour
#> # A tibble: 12 x 4
#> no_rss dp_rss ghm_rss annee_rss
#> <int> <chr> <chr> <chr>
#> 1 1 I5010 05M091 2021
#> 2 2 S7220 08M041 2020
#> 3 3 H269 02C05J 2020
#> 4 4 Z380 15M05A 2020
#> 5 5 S7200 08C471 2020
#> 6 6 S0600 01M201 2021
#> 7 7 R074 05M13T 2021
#> 8 8 J441 04M202 2020
#> 9 9 K358 06C091 2021
#> 10 10 R53+0 23M20Z 2021
#> 11 11 S7200 08C471 2020
#> 12 12 I5011 05M092 2021
1ere étape : construire le tibble des diagnostics d’entrée de toutes les CMD concernées par une introduction de groupage par le DP
# on a chargé le référentiel mco_fg_listes dans la variable mco_fg_listestes
diag_cmd <- mco_fg_listes %>%
dplyr::filter(mco_fg_liste_type == "D") %>%
# nest_by = group_by + summarise + rowwise (expérimental dplyr 1.0.7))
dplyr::nest_by(mco_fg_cmd, .key = "diag_entree") %>%
# dégroupage du rowwise généré par nest_byt_by
dplyr::ungroup() %>%
# traitement de la list_column des diags d'entréee
dplyr::mutate(diag_entree = purrr::map(diag_entree, ~ dplyr::distinct(.x, mco_fg_code, .keep_all = TRUE) %>% dplyr::select(c("mco_fg_code", "mco_fg_liste_code", "mco_fg_liste_lib"))))
diag_cmd
#> # A tibble: 26 x 2
#> mco_fg_cmd diag_entree
#> <chr> <list>
#> 1 01 <tibble [903 x 3]>
#> 2 02 <tibble [408 x 3]>
#> 3 03 <tibble [555 x 3]>
#> 4 04 <tibble [465 x 3]>
#> 5 05 <tibble [495 x 3]>
#> 6 06 <tibble [579 x 3]>
#> 7 07 <tibble [227 x 3]>
#> 8 08 <tibble [4,058 x 3]>
#> 9 09 <tibble [914 x 3]>
#> 10 10 <tibble [422 x 3]>
#> # i 16 more rows
2eme étape : rattachement du libellé de la liste D correspondant au DP pour la CMD du séjour
jeu_dp_ghm_liste_D <- jeu_dp_ghm %>%
# extraction de la CMD du séjourr
dplyr::mutate(cmd_rss = stringr::str_sub(ghm_rss,1,2)) %>%
dplyr::left_join(diag_cmd %>% tidyr::unnest(diag_entree),
# jonction via dp et cmd. Rappel : plusieurs listes D possibles pour un DP
by = c("dp_rss" = "mco_fg_code",
"cmd_rss" = "mco_fg_cmd"
))
jeu_dp_ghm_liste_D
#> # A tibble: 12 x 7
#> no_rss dp_rss ghm_rss annee_rss cmd_rss mco_fg_liste_code mco_fg_liste_lib
#> <int> <chr> <chr> <chr> <chr> <chr> <chr>
#> 1 1 I5010 05M091 2021 05 D-0505 Insuffisances card~
#> 2 2 S7220 08M041 2020 08 D-069 Certaines lésions ~~
#> 3 3 H269 02C05J 2020 02 D-0204 Autres affections ~
#> 4 4 Z380 15M05A 2020 15 NA NA
#> 5 5 S7200 08C471 2020 08 D-069 Certaines lésions ~~
#> 6 6 S0600 01M201 2021 01 D-0121 Lésions crâniennes~s~
#> 7 7 R074 05M13T 2021 05 D-0508 Douleurs thoraciqu~
#> 8 8 J441 04M202 2020 04 D-0408 Bronchopneumopathi~
#> 9 9 K358 06C091 2021 06 D-0610 Autres affections ~
#> 10 10 R53+0 23M20Z 2021 23 D-2309 Autres motifs de r~
#> 11 11 S7200 08C471 2020 08 D-069 Certaines lésions ~~
#> 12 12 I5011 05M092 2021 05 D-0505 Insuffisances card~
Remarque : pas de libellé de liste D pour le DP Z380 “Enfant unique, né à l’hôpital” d’un séjour classé dans la CMD 15 “Nouveau-nés, prématurés et affections de la période périnatale” car, dans cette CMD, le groupage ne commence pas par le DP.
Sources
Manuel
de groupage GHM 2023 - Volume 1 (ATIH)
Arrêté
tarifaire MCO 2023 (Ministère de la Santé - Arrêté 2023)
Arrêté
tarifaire MCO 2022 (Ministère de la Santé - Arrêté 2022)
Arrêté
tarifaire MCO 2021 (Ministère de la Santé - Arrêté 2021)
Arrêté
tarifaire MCO 2020 (Ministère de la Santé - Arrêté 2020)
Arrêté
tarifaire MCO 2019 (Ministère de la Santé - Arrêté 2019)
Arrêté
tarifaire MCO 2018 (Ministère de la Santé - Arrêté 2018)
Regroupements
des GHM et RGHM 2022 (ATIH)
OVALIDE
MCO - Tables de référence 2022 (ATIH)
Données
du volume 2 du manuel des GHS 2023 (ATIH)