Materiali e metodi 1. Setting della ricerca

L’impatto dei network professionali sulla propensione ad adottare EBM viene analiz-zato attraverso una ricerca condotta all’inter-no di sei ospedali dei all’inter-nove afferenti al Presi-dio ospedaliero unico dell’Ausl di Bologna, una fra le più grandi Asl del Servizio sanita-rio nazionale (Ssn). Obiettivo di questa orga-nizzazione è promuovere e tutelare la salute di tutti i cittadini residenti su un territorio che comprende 50 comuni nella Provincia di Bo-logna, offrendo assistenza primaria e servizi di livello assistenziale ospedaliero. La gran-de rilevanza di questa azienda è testimonia-ta da alcuni dati dimensionali e di attività.

Nell’azienda lavorano oggi circa 8.400 pro-fessionisti tra medici (1350), personale infer-mieristico (3.000) e tecnico, con un budget

annuale che supera i 1.500 milioni di euro.

L’azienda serve complessivamente oltre 830 mila persone eseguendo annualmente circa 80 mila ricoveri.

L’attuale assetto organizzativo dell’Au-sl di Bologna è di tipo «matriciale». Da un lato, le attività ospedaliere sono svolte nell’ambito di nove stabilimenti ospedalie-ri: Bellaria, Bentivoglio, Budrio, Maggiore, Clinica Neurologica, Porretta Terme, Verga-to, Bazzano e San Giovanni in Persiceto. Il Presidio Ospedaliero dell’Ausl di Bologna si articola su 7 grandi dipartimenti ospeda-lieri. I dipartimenti sono stati introdotti nel Ssn Italiano con la seconda riforma sanitaria (legge 229/1999) con l’obiettivo di orientare le attività soprattutto sui processi assisten-ziali attraverso strutture di tipo divisionale (Mintzberg, 1979) a cui delegare ampie de-cisioni strategiche e organizzative (Dunnion, Dunne, 2004; Braithwaite et al., 2006). Lo studio ha interessato tre dei sette dipartimen-ti ospedalieri e la tabella 1 riporta per i tre dipartimenti presi in considerazione il nu-mero complessivo dei posti-letto, il nunu-mero di medici afferenti e gli ospedali le cui uni-tà specialistiche compongono i dipartimenti ospedalieri «clinical directorates».

3.2. Raccolta dei dati

L’indagine è stata condotta attraverso un questionario somministrato a tutti i medici afferenti ai tre dipartimenti in studio, distri-buiti su 6 ospedali dell’Ausl. Il questionario,

Dipartimento #

Posti-letto

#

Clinici Ospedale

Neuroscience 251 174

• Bellaria

• Budrio

• Maggiore

• Clinica neurologica

Oncologia 100 75

• Bellaria

• Bentivoglio

• Budrio

• Maggiore

Maternal and Pediatric Health 164 80

• Bentivoglio

• Budrio

• Maggiore

• Porretta

515 329

Tabella 1

Setting della ricerca

articolato in tre sezioni, aveva in primo luo-go come obiettivo la raccolta di dati attribu-tivi dei singoli clinici: età, genere, anziani-tà lavorativa, specializzazione conseguita, eventuale ruolo manageriale ricoperto. La seconda sezione del questionario era volta, invece, a raccogliere dati sulle relazioni pro-fessionali tra i clinici. Più in particolare, al singolo medico è stato chiesto di indicare il nome dei colleghi con cui normalmente inte-ragiva attraverso a) relazioni di consulenza e consiglio e b) relazioni di natura funzionale per l’assistenza dei pazienti. Le relazioni di consulenza, oltre a esprimere la diffusione di soluzioni cliniche ai problemi dei pazienti tra medici, rappresentano forme di condivisione e trasferimento di conoscenza tra professio-nisti. Le relazioni funzionali sono, invece, utili a comprendere l’effettivo «processo di produzione» e le interdipendenze tra unità operative e dipartimenti all’interno di un’or-ganizzazione sanitaria di grandi dimensioni (Astley, Zajac, 1990). Rispetto a ciascuna relazione e a ogni nominativo indicato, ve-niva inoltre richiesto di indicare la frequenza su base settimanale dell’interazione. La terza sezione del questionario, infine, era volta a conoscere la propensione del clinico all’ado-zione dell’EBM contemplando anche alcune domande volte rilevare la percezione sul-la disponibilità di informazioni e facilità di accesso alle evidenze scientifiche attraverso supporti informatici aziendali.

La compliance complessiva a distanza di sei mesi dall’attivazione e messa online del questionario (novembre 2007) è stata pari a circa l’89% con 293 rispondenti. In alcuni casi, il questionario era incompleto di alcune caratteristiche chiave (età, anzianità azienda-le), riducendo a 207 la numerosità del cam-pione utilizzabile ai fini statistici.

3.3. Metodi statistici

Per rispondere alla prima domanda di ri-cerca utilizziamo un modello di regressione di tipo ordinal logit con stime maximum like-lihood (Scott-Long, Freese, 2006). Ulteriori dettagli sul modello statistico utilizzato sono disponibili in un precedente studio (Mascia, Cicchetti, 2011).

La variabile dipendente utilizzata nel mo-dello statistico attiene la propensione dei medici ad adottare nuova conoscenza

«evi-dence-based» implementandola nell’ambito della pratica clinica. Nel presente lavoro, tale propensione è stata rilevata attraverso una specifica domanda inserita nel questio-nario somministrato ai medici: «Le evidenze scientifiche pubblicate su riviste biomediche rappresentano un supporto per la sua pratica clinica: quanto spesso ha utilizzato tali stru-menti durante l’anno?». Al medico è stato chiesto di rispondere al quesito, avendo a di-sposizione le seguenti quattro possibilità di risposta: «sempre», «spesso», «raramente»,

«mai». Tale scelta ha permesso di cogliere l’intensità della propensione con cui il singo-lo clinico ispira la sua pratica clinica all’ana-lisi delle evidenze scientifiche disponibili in letteratura.

Le variabili indipendenti sono in primo luogo di natura relazionale, e sintetizzano alcune proprietà strutturali dei network in-terpersonali di ogni medico, anche detti ego network (Breiger, 2004). Nel presente studio si utilizzano due principali caratteristiche strutturali del capitale sociale di ogni clinico:

il numero di legami e il network constraint (Burt, 1992). La prima variabile è calcolata come il numero totale delle relazioni pro-fessionali che legano i colleghi che costi-tuiscono l’ego network del singolo medico, escludendo dal computo i legami dell’attore focale (ego) con tutti gli altri. La variabile network constraint viene operazionalizzata attraverso la misura di constraint proposta da Burt (1992). Il livello di constraint (C_i) per il network dell’attore i è espresso dalla seguen-te formula:

C_i = ťc_ij (1)

j

dove c_ij esprime il livello di constraint delle relazioni che l’attore i mantiene, direttamen-te e indirettamendirettamen-te, con l’attore j. Tale misu-ra può a sua volta essere formalizzata come segue:

c_ij = (p_ij + ťp_iq p_qj)²; q Ŭ i, j (2)

q

L’espressione (2) individua quanto le re-lazioni tra i e j sono ridondanti per effetto della compresenza di relazioni tra questi due attori e un terzo attore q. Specificatamente, l’indicatore di constraint considera in che misura i legami professionali che il medico

i instaura con il collega j sono ridondanti per la presenza di legami che un terzo individuo q intrattiene a sua volta con j. L’assunto di base è che per un individuo il tempo e l’ener-gia sono risorse limitate (la giornata è fatta di 24 ore). Similmente a quanto accade per un investimento, gli individui compiono del-le scelte in merito a quali e quante relazioni sviluppare. L’investimento in relazioni pro-fessionali che l’attore i decide di sviluppa-re con j (formalmente p_ij) sono ridondanti e meno vantaggiose per i nella misura in cui egli già dedica gran parte del proprio tempo e molta energia in relazioni con l’attore q (for-malmente p_iq), che a sua volta appare forte-mente impegnato nello sviluppo di relazioni professionali con l’attore j (formalmente p_qj).

Le relazioni che i intrattiene con j sono dun-que tanto più ridondanti quando maggiore è il risultato del prodotto p_iqxp_qj. In questi casi, l’investimento che il medico sta realizzando per effetto delle relazioni che ha con j perde valenza a fronte dell’intenso legame di i nei confronti di q e del legame che questi a sua volta ha nei confronti di j.

L’impatto degli indicatori relazionali sul-la variabile dipendente del modello avviene controllando per una serie di caratteristiche attributive e strutturali che possono influen-zare la propensione all’utilizzo di conoscenze scientifiche «evidence-based». Le variabili attributive riguardano innanzitutto l’Età e il Genere dei medici, richieste a ciascun clini-co attraverso specifici item del questionario.

Altre variabili attributive di rilievo attengono gli anni di anzianità maturati con riferimen-to sia all’inizio dell’attività assistenziale nel Servizio sanitario nazionale (Anzianità Ssn), sia all’avvio dell’attività all’interno dell’Au-sl (Anzianità Adell’Au-sl). Una variabile dummy con-sidera l’eventuale responsabilità manageria-le del professionista (Ruolo Manageriamanageria-le) e assume il valore 1 se il medico ricopre ruoli manageriali all’interno delle strutture ospe-daliere, 0 in caso contrario. La propensione a utilizzare EBM è, inoltre, influenzata dal-la facilità di accesso alle fonti scientifiche (banche-dati biomediche, ecc.) e, soprattut-to, dalla percezione del professionista riguar-do al grariguar-do di accessibilità. Tale percezione è stata rilevata attraverso la seguente doman-da inserita nel questionario: «Come giudica la sua possibilità di accedere alle fonti delle evidenze scientifiche nel suo ambiente di

la-voro e fuori dall’azienda?». Il medico poteva rispondere graduando il giudizio inserendo un valore da 1 a 5. Ai fini statistici è stata considerata una variabile dummy (Disponibi-lità di Informazione Scientifica) che assume valore 1 quando il professionista ha espresso un valore superiore a quello mediano e 0 nel caso opposto. In coerenza con i preceden-ti studi sulla diffusione dell’innovazione in ambito medico (Coleman et al., 1966; Burt, 1987), viene inoltre preso in considerazione il diverso orientamento scientifico del singo-lo medico attraverso una variabile calcolata come il (logaritmo naturale del) numero di pubblicazioni realizzate da ogni medico nei cinque anni precedenti alla presente indagi-ne (Numero Pubblicazioni). Questo dato è stato ricavato attraverso una ricerca condot-ta sulla banca-dati PubMed con il supporto della piattaforma «ISI Web of knowledge».

La propensione a utilizzare EBM può essere infine influenzata da variabili strutturali che riflettono l’appartenenza del singolo profes-sionista a contesti ospedalieri e dipartimen-tali peculiari. L’appartenenza dei medici ai diversi ospedali della Ausl e ai vari diparti-menti è stata operazionalizzata attraverso un set di variabili dummy inserite nel modello statistico. Un’ultima variabile di controllo riguarda la dimensione del network profes-sionale, calcolata come il numero di colleghi cui il singolo medico è direttamente connes-so (Degree).

Per rispondere alla seconda domanda di ri-cerca, ovvero se e in quale misura l’omofilia tra clinici sia correlata alla loro propensio-ne a instaurare collaborazioni professionali, utilizziamo una tecnica chiamata Multiple regression quadratic assignment procedures (MRQAP) (Krackhardt, 1988). Questa tecni-ca consente di verifitecni-care il grado di correla-zione tra due o più network adottando un ap-proccio diadico. La tecnica MRQAP segue diversi passaggi. Dati due network delle me-desime dimensioni rappresentati da matrici di adiacenza, in termini generici X e Y, la QAP verifica il livello di correlazione nel seguente modo: i) si stima inizialmente la correlazione sulla base della corrispondenza tra i valori di cella delle due matrici X e Y; ii) le righe e le colonne di una delle due matrici (matrice Y) vengono permutate ottenendo come ri-sultato una nuova matrice (matrice Y’); iii) si stima nuovamente il coefficiente di

corre-lazione, questa volta sulla base della corri-spondenza tra i valori di cella della matrice X e della matrice Y’. I coefficienti di corre-lazione nuovamente stimati – tanti quanti il numero di permutazioni realizzate sulle celle della matrice Y – andranno a formare una di-stribuzione con andamento di tipo normale;

iv) il confronto del coefficiente inizialmen-te osservato con la distribuzione dei coeffi-cienti ricalcolati nella fase (iii) consente di ottenere il risultato complessivo dell’analisi.

Se il numero dei coefficienti ricalcolati che assumono un valore pari o superiore al va-lore del coefficiente inizialmente osservato è inferiore all’uno per cento, allora il coef-ficiente di correlazione tra le due matrici è considerato statisticamente significativo al livello dell’1% (p < 0,01).

La variabile dipendente utilizzata nell’ana-lisi MRQAP è di tipo diadico e riguarda il network di relazioni professionali tra clinici.

La variabile indipendente principale è la pro-pensione dei medici ad adottare nuova cono-scenza «evidence-based». Altre variabili in-cluse nel modello, similmente a quanto fatto nell’analisi ordinal logit, sono: Età, Genere, Anzianità nel Ssn e nella Asl, Ruolo manage-riale, Ospedale e Dipartimenti di afferenza.

Sono state aggiunte alcune variabili ulteriori, ritenute significative in termini di omofilia (Keating et al., 2007). Le variabili in ogget-to riguardano: Anni intercorsi dalla laurea, Specializzazione, Co-authorship di pubbli-cazioni scientifiche, Distanza geografica (espressa in termini chilometrici) tra clinici impegnati in attività di collaborazione. Una notazione importante riguarda come queste variabili vengono utilizzate nel modello sta-tistico precedentemente descritto. Il formato diadico della variabile dipendente richiede una trasformazione anche delle variabili in-dipendenti. Nel caso di variabili continue (ad

esempio, l’età dei medici o la loro anzianità) il valore della variabile in formato diadico è dato dalla differenza in valore assoluto tra i valori riferiti alla generica coppia di medici

«i» e «j». Nel caso di variabili dicotomiche (ad esempio, il genere) o categoriche (appar-tenenza a ospedali e dipartimenti) il criterio seguito è quello dell’«exact marches». Ciò implica che, ad esempio, il valore della ge-nerica cella xij sarà pari a 1 se la relazione di collaborazione avviene tra due medici dello stesso sesso, mentre assumerà valore pari a 0 nel caso contrario.