Condizioni socioeconomiche e tempi di attesa in Italia: Un’analisi empirica basata sull’Indagine Istat Multiscopo 2013.
Bibliographic record
Abstract
I tempi d’attesa sono un punto critico dei moderni sistemi sanitari (1). In tutti i principali \nPaesi dell’OCSE (Organizzazione per la Cooperazione e lo Sviluppo Economico) sono state \nsviluppate politiche più o meno efficaci per ridurli (2) perché, oltre a produrre insoddisfazione, \nun’attesa eccessiva rispetto al momento dell’espressione della domanda può comportare un \ndeterioramento della salute delle persone (3) o una minor efficacia delle cure (4). \nD’altra parte, i tempi di attesa sono ineliminabili perché agiscono come strumento di \nrazionamento della domanda nei sistemi a prevalente finanziamento pubblico, come quello \nitaliano, dove l’assenza o l’uso limitato di prezzi per l’utilizzo dei servizi sanitari genera sempre \nun eccesso di domanda (5). Per fronteggiare questo squilibrio esistono anche altri strumenti, \nquali per esempio l’introduzione di una compartecipazione alla spesa (es. il cosiddetto “ticket \nsanitario”) o politiche di razionamento esplicito che fissano limiti quantitativi all’accesso alle \nprestazioni garantite (6). Le liste di attesa costituiscono una forma di razionamento implicito, \nperché non impediscono la fruizione delle prestazioni sanitarie, ma semplicemente le rimandano \nnel tempo, rischiando così di abbassare il beneficio atteso (5). È necessario, peraltro, che questo \nmodo di regolare l’accesso alle prestazioni non intacchi il principio dell’equità, principio \nfondamentale nei sistemi universalistici come quello italiano. Ne consegue che l’unico motivo \nper graduare l’attesa debba essere l’urgenza del bisogno (5-7). Ogni altro motivo di disparità \n(età, reddito, istruzione e così via) dovrebbe essere eliminato perché viola il principio \ndell’equità di accesso. \nL’obiettivo specifico del presente contributo è proprio verificare se nel nostro Paese esistono \niniquità nell’accesso alle prestazioni, avvalendosi dell’indagine dell’ISTAT (Istituto Nazionale \ndi Statistica) del 2013 sulle “Condizioni di salute e ricorso ai servizi sanitari”. \nIn letteratura, peraltro, esistono alcune evidenze della presenza di disuguaglianze nei tempi \ndi attesa a sfavore delle persone più socialmente svantaggiate, anche se è difficile trarre \nindicazioni più precise data l’eterogeneità degli studi effettuati in quanto a dati utilizzati, \nprestazioni prese in considerazione, variabili esplicative, contesto di riferimento. \nLa maggioranza dei lavori utilizza dati provenienti da fonti amministrative, come le schede \ndi dimissione ospedaliera o database amministrativi, (8-14). Altri utilizzano, invece, dati \ncampionari come le indagini campionarie sulla salute (15, 16) o questionari retrospettivi \ndistribuiti a medici o pazienti di una particolare struttura (17, 18). Queste due tipologie di dati \nhanno punti di forza e di debolezza in relazione al tipo di analisi oggetto del presente lavoro. \nIl tempo di attesa generalmente è quantificato come il numero di giorni passati in lista di \nattesa prima di ricevere il servizio, per i dati amministrativi (11, 12, 14) e come auto \ndichiarazione dei giorni o delle settimane/mesi attesi prima di ricevere un determinato servizio \nper le indagini campionarie (15, 16). In alcuni lavori il tempo atteso è il numero di giorni \nintercorsi dal momento in cui il medico di base rinvia ad un servizio secondario fino \nRapporti ISTISAN 16/26 \n184 \nall’erogazione effettiva del servizio sanitario (17, 18). Un’altra modalità per verificare i tempi di \nattesa è metterli in relazione ad una soglia di tempo massimo, stabilito da criteri di urgenza \nclinica, entro il quale è necessario essere trattati per averne beneficio. Utilizzando questo \nconcetto il tempo di attesa viene misurato come la % di persone trattate oltre questa soglia che \nrappresenta il limite massimo entro il quale è necessario ricevere la prestazione (9, 13). \nPer quanto riguarda il campo di indagine, la maggior parte degli studi analizza la relazione \ntra stato socio-economico e tempi di attesa per gli interventi chirurgici elettivi, o per uno \nspecifico intervento chirurgico, generalmente interventi di protesi (9, 11, 13, 14). I lavori sulle \nvisite specialistiche sono meno numerosi probabilmente per mancanza di dati amministrativi \nomogenei e consolidati (15, 16). \nLo stato socio-economico viene misurato attraverso l’utilizzo di diverse proxy a seconda \ndella disponibilità dei dati. In molti lavori si utilizzano indici di deprivazione materiale o sociale \nper area, calcolati generalmente con dati censuari (8-9, 11-13, 19) mentre in altri ci si limita a \nsingole variabili: a) il reddito individuale o familiare (14-16); b) l’istruzione, generalmente \nmisurata per livello di titolo di studio raggiunto (10, 14-16); c) condizioni occupazionali (15, 16, \n18), d) qualifica professionale (17). \nCome variabile di controllo si utilizza lo stato di salute. In questo caso non si nota la \nprevalenza di una misura rispetto alle altre, ma se ne utilizzano molte, a seconda, evidentemente \ndella disponibilità dei dati: valutazioni di salute percepita dai pazienti (questionari sullo stato di \nsalute come EQ-5 EuroQol, SF-12/36 oppure misure specifiche di patologia come i WOMAC, \nThe Western Ontario and McMaster Universities Arthritis Index) (18), o ancora codici delle \ndiagnosi o tipologie di intervento nel caso di dati amministrativi quali le schede di dimissione \nospedaliera (9-12, 14). \nGli unici studi italiani a nostra conoscenza sono quelli di Barone del 2009 e Petrelli del 2012. \nIl primo analizza gli interventi di protesi d’anca dopo una frattura, per pazienti con più di 65 \nanni, ricoverati negli ospedali della città di Roma. Il secondo studia la relazione per diverse \ntipologie di operazioni elettive utilizzando dati amministrative della regione Piemonte. In \nentrambi i casi si mette in rilievo un’associazione con variabili di tipo socio-economico a \nsfavore dei gruppi più svantaggiati. \nGrazie alla ricchezza dei dati dell’indagine ISTAT, nel presente lavoro è possibile: a) \nstudiare quali siano le variabili socio-economiche più rilevanti nel determinare disuguaglianze \nnell’accesso alle cure; b) evidenziare se tali variabili abbiano lo stesso effetto per le diverse \ntipologie di prestazioni, visite specialistiche, diagnostica e interventi chirurgici di elezione.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.000 |
| Bibliometrics | 0.003 | 0.001 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.000 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.003 | 0.006 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".