Zorg voor Uitkomst Aan de slag met uitkomstindicatoren Dataduiding en organisatie Dr. ir Wim F van den Bosch St. Antonius Ziekenhuis
Disclosure belangen sprekers (potentiële) belangenverstrengeling
Geen
Voor bijeenkomst mogelijk relevante relaties met bedrijven
Geen
Sponsoring of onderzoeksgeld Honorarium of andere (financiële) vergoeding Aandeelhouder
Geen van alle
PLUS project Santeon
Drs. Mirjam Hulsenboom Catharina Ziekenhuis 17 april 2015
1 1
Zorg voor Uitkomst: Een indicatorontwikkel- en rapportageprogramma gebaseerd op ‘Value Based Health Care’ principes Ontwikkelteam: medisch specialisten, nurse practitioners, adviseurs, data-analisten Waardeketen
Porter
Prioriteren
Valideren
Care Delivery Value Chain for initial treatment of prostate-cancer, version 3 INFORMING AND ENGAGING
* Advice on self screening
* Counseling patient and family on the
* Explaining patient treatment options/
* Counseling on the treatment process
* Consultation on risk factors
diagnostic process and the diagnoses
shared decision making (SDM)
* Patient and family psychological
* Genetic counseling
* Brochure KWF
* Counseling on sexual consequences
counseling
* Informing on diagnostic procedures
* Brochure on disease
* Counseling on incontinence
* Brochures on diagnostic procedures
* Counseling on rehabilitation options,
* Counseling on long term risk
process
management
* Psychological counseling
80 indicatoren
* Brochure on side effects
consequences * Patient and family psychological
International Academic Advisory Council
counseling * Brochure on treatment * Rectal examination score
* Side effects measurement
* Labs
* PSA
* Ultrasound (TRUS)
* Labs
* Physical QoL (Last meter)
* Physical QoL (Last meter)
* Physical QoL (Last meter)
* Pro-active bodyscan
* Rectal examination score * Biopsy
* ASA score * Nutrition score (MUST or SNAQ)
* Intervention-specific measurements * Nutrition score (MUST or SNAQ)
* Nutrition score (MUST or SNAQ)
* MRI
* Comorbidity score
* Pain score
* Pain score
* CT scan
* Life expectancy
* Hospital stays
* Office visits (outpatient)
* Lab visits
* Visits to outpatient radiation unit
* Rehabilitation facility visits
* Office visits (outpatient)
* Pharmacy
* Pharmacy
* Bone scans * PCA3 test
MEASURING
* PSA score * Gleason score
25 indicatoren
* d'Amico score * PET scan * Pelvic lymfnode dissection * GP visits
ACCESSING
Chain link:
* Office visits (outpatient)
* Office visits (outpatient)
* Lab visits
* Hospital visits
* High risk clinic visits
1. MONITORING/ PREVENTING
* Lab visits
2. DIAGNOSING
* Medical + family history
* Anamnesis
* Control of risk factors
* Determining specific nature of disease
3. PREPARING * Choosing treatment modality (chemotherapy,
* Clinical exams (blood sample, bodyscan)(pathology, biopsy results, TNM-stage)
CARE DELIVERY ACTIVITIES
* Office visits (outpatient)
* Medical + family history * Formulate treatment options
RT, Surgery)
4. INTERVENING (initial) * Radical prostatectomy; or
5. RECOVERING/ REHABING * Treatment of side effects (e.g. skin
(combined w ith pelvic lymfnode dissection) damage, complications, nausea,
* Treatment for any continued or later
* Brachy therapy; or
lymphodema and chronic fatigue)
onset side effects or complications
* Surgery preparation (anesthetic risk
* External beam radiation therapy
* In-hospital and outpatient w ound healing
assessment, shaving, medication, nutrition)
* Hormonal therapy
* Physical therapy
* RT preparation (medication, ...)
* Adjuvant therapy
* Neo-adjuvant hormonal therapy
(hormonal medication, radiation, salvage)
6 indicatoren Medical Specialist
*
data request
Provider Margin
* Follow -up visit
* Diagnosing can either result in continuation to steps 3. Preparing and 4. Intervening, or in the reloop to step 1 (active surveillance)
Sessie 1
6. MONITORING/ MANAGING * Follow -up clinical exams
* Choosing a treatment plan (timeline, dosage, ...)
* Hormonal therapy preparation (medication, nutrition,..) * Other therapy
Selectie medische condities
Patient Value
Care Delivery Value Chain (CDVC)
Research & Analyse
Sessie 2
In hospital - no medical specialist or not per se Other provider entity
Uitkomsten hiërarchie
Research & Analyse
Sessie 3
Casemix variabelen
Validatie Nationale Klankbord groep
Research & Analyse
Sessie 4
Eerste resultaten
Research & Analyse
input
Registraties & Datamanagement
2
Sessie 5
Onderwerpen •
Transparantie en duiding van zorguitkomsten
•
Invloed van cohortkeuze
•
Criteria voor uitkomstindicatoren
•
Aan de slag met verzamelen van brondata
Transparantie en duiding van zorguitkomsten
Website Antoni van Leeuwenhoek ziekenhuis Overleving longkanker patiënten
5
Website UMC Radboud Overleving longkanker patiënten
Gewenste transparantie voor de patiënt?
X
Y
Gewenste transparantie voor de zorgverlener? How care professionals may react to transparency The data is wrong The data is right, but it’s not a real problem The data is right, it’s a real problem, but it’s not my problem
The data is right and it’s my problem
Bryan Jarman and Don Berwick
The data is right, but the interpretation is wrong
Ruwe uitkomsten; voorbeeld (fictief)
Indicator longkanker na resectie
Ziekenhuis X
Mediane overlevingstijd (jaren) na diagnose stelling
Ziekenhuis Y
Significantie niveau
5,9
5,6
P=0,71
Percentage positieve snijvlakken na resectie long of deel van long
12%
13%
P=0,40
Percentage complicaties binnen 30 dagen na resectie
25%
34%
P=0,04
Enzovoort ….
….
X
Y
Keuze presentatie-format bij lange termijn overleving indicatoren
1. Cumulatieve 5-jaars overleving zonder resectie ongecorrigeerd
Wat wil je in ieder geval zien? 1. Ruwe uitkomst; gevoel met werkelijkheid 2. Vergelijking ziekenhuizen; correctie casemix verschillen -> hazard ratios (HRs) 3. Welke casemixvariabelen doen er toe en in welke mate -> gesprek patiënt en arts 2. Ziekenhuisvergelijking cumulatieve 5-jaars sterfte zonder resectie gecorrigeerd (HRs) 0
Santeon Antonius Canisius
0,2
0,4
0,6
0,8
1
1,2
3. Invloed belangrijkste casemix-variabelen cumulatieve 5-jaars sterfte zonder resectie (HRs) 0
1,4
1
2
3
4
5
Performance Status = 0 PS = 1 PS = 2 PS = 3
Catharina
stadium I
Lucas Andreas
stadium II stadium III
Martini MST OLVG
leeftijd jonger 65 jaar leeftijd 65 t/m 74 jaar leeftijd 75 jaar en ouder
10
10
Keuze presentatie-format bij indicatoren uitgedrukt in percentages
1. % PSA>0,1 3 maand na prostatectomie, ongecorrigeerd 0%
5%
10%
15%
20%
25%
30%
Wat wil je in ieder geval zien? Santeon gemiddelde
1. Ruwe uitkomst; percentage: gevoel met werkelijkheid behouden 2. Vergelijking ziekenhuizen; correctie casemix verschillen -> odds ratios (ORs)
Antonius
9%
Canisius
9%
Catharina
18%
Martini
20%
MST
3. Welke casemixvariabelen doen er toe en in welke mate -> gesprek patiënt en arts 2. Ziekenhuisvergelijking PSA>0,1 3 maand na prostatectomie, gecorrigeerd (ORs) 0,0
Santeon Antonius Canisius Catharina
0,5
1,0
1,5
2,0
11%
OLVG
6% 17%
3. Invloed belangrijkste casemix-variabelen PSA>0,1 3 maand na prostatectomie, (ORs) 0
2,5
1
Gleason-score laag Gleason-score middel Gleason-score hoog stadium pT2 stadium pT3 stadium pT4
Martini MST
leeftijd jonger 65 jaar leeftijd 65 t/m 74 jaar
OLVG
leeftijd 75 jaar en ouder
11
2
3
4
5
6
7
Interpretatie van uitkomsten vaak lastig Voorbeeld: overleving palliatieve longkankerpatiënten
Ziekenhuis X Y
X p=0,03
Y
Kaplan-Meijer curve
Eenjaars overleving longkanker patiënten stadium IV 1 year mortality clin stage IV patients 100%
X en Y verschillen niet significant
X en Y verschillen significant
80% 60%
40% 20%
0%
no therapy
chemo X
radiation
Total
Y distribution
Distribution of treatment for clin stage IV patients
clin stage
100% no therapy
90%
chemo
80%
radiation
70%
total
60% 50%
m ortality
40%
clin stage
30% no therapy
20% 10%
chemo 46% 18%
28% 68%
26% 14%
100%100%
no therapy
chemo
radiation
total
0%
X
Y
radiation Total
Invloed van cohort keuze
Patiëntencohorten Ziekenhuis X Primaire behandeling in ziekenhuis X
‘Eigen patiënt’ dwz gediagnosticeerd in ziekenhuis X
Bijvoorbeeld: Antonius patiënt geopereerd in het Antonius ziekenhuis
‘Verwezen patiënt’ dwz gediagnosticeerd in ANDER ziekenhuis en verwezen naar X
Bijvoorbeeld: Patiënt Hofpoort ziekenhuis geopereerd in het Antonius ziekenhuis
Primaire behandeling NIET in ziekenhuis X
Bijvoorbeeld: Antonius patiënt bestraald in het UMCU
Komt weinig voor
Rapportage over vergelijkbare patiëntencohorten (1)
Primaire behandeling in ziekenhuis X
‘Eigen patiënt’ dwz gediagnosticeerd in ziekenhuis X
‘Verwezen patiënt’ dwz gediagnosticeerd in ANDER ziekenhuis en verwezen naar X
Primaire behandeling NIET in ziekenhuis X
Rapportage ketengerelateerde indicatoren
Rapportage over vergelijkbare patiëntencohorten (2)
‘Eigen patiënt’ dwz gediagnosticeerd in ziekenhuis X
‘Verwezen patiënt’ dwz gediagnosticeerd in ANDER ziekenhuis en verwezen naar X
Rapportage indicatoren gericht op primaire ingreep
Primaire behandeling in ziekenhuis X
Primaire behandeling NIET in ziekenhuis X
Criteria Uitkomstindicator
Eisen te stellen aan uitkomstindicatoren Een goede uitkomstindicator is • geoperationaliseerd (voorzien van een gebruiksdoel en kort-cyclisch) • relevant voor de praktijk van de zorgverlening (gericht op probleem
en/of risico) • valide: meet de indicator wat het bedoelt te meten ten aanzien van de kwaliteit van zorg • in staat veranderingen in kwaliteit te signaleren • statistisch onderscheidend • casemix gecorrigeerd • betrouwbaar te registeren: iedereen registreert op dezelfde manier en de registratie is volledig
Operationalisatie en relevantie •
Voorbeeld: % patiënten met graad 3/4/5 complicaties binnen 30 dagen na longresectie/lobectomie.
•
Operationalisatie: geeft een indicatie van de kwaliteit van het chirurgisch handelen (zorgvuldigheid, hygiëne, kundigheid) en van de kwaliteit van de nazorg.
•
Relevantie: gericht op de ernstige risico’s gepaard gaande met longresectie/lobectomie.
Validiteit en signaleerfunctie •
Lung cancer; standardised outcome of complications after resection, per hospital (Antonius vs Catharina)
Validiteit − Construct validity
180 Significantly high
160
Standardised outcome ratios
− Face validity
140 120
•
100
Signaleerfunctie − Alarmbel gaat af bij overschrijden control
limits
80 60
Significantly low
40 0
20
40 Predicted number of events
95% CI upper limit 95% CI low er limit ANT Mortality <= 90 d. after resection ANT Rethoracotomy ANT Pulmonal complications CAT Mortality <= 90 d. after resection CAT Rethoracotomy CAT Pulmonal complications
60
average (=100) ANT Pos surgical margin ANT Infectious complications ANT Complications overall CAT Pos surgical margin CAT Infectious complications CAT Complications overall
80
Onderscheidend vermogen
Aantal patienten in de noemer (van een doorsnee ziekenhuis)
2000 1800
Voorbeeld: 30 daagse mortaliteit na lobectomie of longresectie:
1600
Landelijk gemiddelde: 2 a 3% 1400
Jaarvolume grotere centra: 60 – 80
1200
Conclusie: totaal niet onderscheidend, ook niet indien 2 of 3 jaar tesamen
1000 statistisch onderscheidend
800 600
beperkt statistisch onderscheidend
400
niet statistisch onderscheidend
200
3 jaar 2 jaar 1 jaar
0 0% 1% 2% 3% 4% 5% 6% 7% 8% 9% 10% 11% 12% 13% 14% 15% Landelijk gemiddelde percentage; bijvoorbeeld mortaliteit
Betrouwbaarheid/volledigheid registratie, voorbeelden Betrouwbaar
Volledig
Overlijden
+
+
0 redelijk
Overlijdensdatum
+
+
- matig/slecht
Complicatie
0
0
0/-
-
0
+/0
0/-
0
Leeftijd
+
+
Geslacht
+
+
Comorbiditeit
0
+
Performance status
0
0
Longfunctie
0
0
Rookhistorie
-
-
+/0
+
PSA waarde
+
+
Gleason waarde
+
+
Indicator
Toxiciteit Positieve snijvlakken Zenuwen gespaard na prostatectomie Casemixfactor
cTNM
+ goed
Casemix correctie en voorspellende waarde •
Onderlinge vergelijking ziekenhuizen alleen reëel indien zorgzwaarte (casemix) meetelt
•
Gebruik van binair logistisch regressiemodel
•
Uitkomstvariabele (dood versus leven, wel of geen complicatie, etc.) relateren aan één of meerdere ‘predictoren’.
•
Werkelijke uitkomsten vergelijken met door model voorspelde uitkomsten en standaardiseren op 100, middels de formule:
gestandaardiseerde uitkomstratio
werkelijke uitkomst =
voorspelde uitkomst
maal 100
Hoe goed voorspelt het regressiemodel? •
Berekening van de ‘C-statistic’, ook wel aangeduid als “Area Under the Curve’ (AUC), voor iedere gestandaardiseerde indicator
•
Zegt iets over de voorspellende kracht van het gebruikte regressie-model: 0,5 = geen voorspellend waarde; 0,7- 0,8 = redelijk; > 0,80 = goed.
Voorbeeld: Indicator: Mortaliteit 2 jaar na diagnose longkanker alle stadia
C-statistic = 0,87
Casemix correctie en voorspellende waarde Voorbeelden Antonius, Catharina, OLVG 2008-2012 Mortaliteit 2 jaar na diagnose alle stadia
% positieve snijvlakken na longresectie/ lobectomie
% ongeplande re-interventie na longresectie/ lobectomie
C-statistic = 0,874
C-statistic = 0,777
C-statistic = 0,500
Casemixfactoren in volgorde van impact • Stadium • Performance Status • Longfunctie • Leeftijd
Casemixfactor • Stadium
Geen casemixfactoren Slecht model?
Aan de slag met het verzamelen van brondata
Aan de slag! • Plan • Do • Check
• Act • Borging
Plan •
Draagvlak betrokken specialismen (!!!)
•
Intern plan van aanpak maken
•
Budget vrijmaken voor inzet dataverzamelaars (bijv. co’s)
Verzamelen brondata Retrospectief verzamelen • Vroeg inzicht in welke indicatoren en casemix variabelen relevant zijn • Snel inzicht in eigen situatie (benchmark) vroegtijdig verbeteracties mogelijk
• Echter risico op onvolledigheid en minder betrouwbaar
Prospectief registreren
• Gericht op wat je nodig denkt hebben vollediger en potentieel betrouwbaarder • Echter late beschikbaarheid van data en dus van inzichten • Risico op onnodige registratielast (van items die achteraf nutteloos blijken)
Do (1) Dataverzameling (dossier) • Interne projectgroep(en) samenstellen en projectleider(s) aanstellen • Betrekken interne afdelingen die een rol hebben in dataverzameling (Healthcare Intelligence Afdeling, Medisch Archief, Radiotherapie) • Betrekken eventuele externe partijen die data kunnen leveren (IKNL, Radiotherapie) • Realiseren randvoorwaarden voor dataverzameling − Werving dataverzamelaars − Regelen arbeidsovereenkomsten
− Toegang (incl. autorisaties) tot EPD − Realiseren toegang tot medisch archief − Werkplek voor dataverzamelaars (incl. autorisaties) − Toegang tot registratiebestanden op gezamenlijke server
Do (2) • Introductie ZvU bij dataverzamelaars − Kennismaking met specialisten − Kennismaking met Zorg voor Uitkomst (o.a. manual *) − Afspreken wie voor welke vragen t.a.v. data benaderd kan worden
− Afspreken wie met welk deel van de dataverzameling start • Afspraak met dataverzamelaars over uren registratie
Voorbeeld retrospectieve dataverzameling(1) Data collection sheet Lung Cancer Patient information
Initial diagnosis
PIN Alfanumeric Date of birth Gender Com orbidities; more than one allow ed separated by semicolon (;) for example: 3;9
Perform ance FEV1 % of Status ECOG at predicted time of diagnosis; at time of diagnosis
DLCO % of predicted at time of diagnosis
Hospital of diagnosis
PIN w ith leading DD-MMzeros YYYY
Grade ECOG 0 = fully active 1 = restricted in physical strenuous activity 2 = ambulatory, unable to carry out any w ork activities 3 = capable of only limited selfcare 4 = completely disabled 5 = dead 8 = not applicable 9 = unknow n
Relative % is needed: observed/ predicted
Relative % is needed: observed/ predicted
Rounded figure, for example: 87
Rounded figure, for example: 87
0=other hospital 1=ow n hospital 9=unkno wn
May be handy w hen copy paste into ZIS
1=male 0 = no comorbidity 2=femal 1 = myocardial infarction e 2 = congestive heart failure 3 = coronary artery disease 4 = cerebrovascular disease 5 = dementia 6 = COPD 7 = connective tissue disease 8 = peptic ulcer disease 9 = diabetes mellitus 10 = chronic kidney disease 11 = hemiplegia 12 = HIV illness or AIDS 13 = leukemia 14 = liver disease mild 15 = liver disease moderate to severe 16 = other cancer (w ithin last 5 years) 17 = peripheral vascular disease 99 = unknow n
Date of diagnosis
DD-MMYYYY
999=unknow 999=unknow n n
Clinical TNM stage at date of initial diagnosis Fill in the stage as determined during MDO. Excel provides three columns to be filled in. Indicate cT-category, cN-category and cMcategory T N M Combination 1 = Tx 1 = Nx 1 = Mx of cT- cN2 = To 2 = No 2 = Mo and cM3 = T1 3 = N1 3 = M1 values 4 = T1a 4 = N2 4 = M1a 5 = T1b 5 = N3 5 = M1b 6 = T2 7 = T2a 8 = T2b 9 = T3 10 = T4
Morpholog y of tumor
1 = NSCLC 2 = SCLC 3 = other 9= unknow n
Tx, Nx, Mx means: value unknow n
pin
dbi
gen
cmo
per
fev1%
dlco%
hdi
ddi
cT
cN
cM
ctnm
mor
3562283
27-04-39
1
3;6;16;17
1
102
63
1
31-12-12
5
2
2
T1bNoMo
1
6815680
21-11-48
2
4
0
116
62
1
31-12-12
4
2
2
T1aNoMo
1
5784705
13-05-57
2
0
1
999
999
1
21-12-12
10
5
5
T4N3M1b
1
3632758
25-08-53
2
0
0
65
51
1
19-12-12
10
4
4
T4N2M1a
2
5914420
02-12-53
2
0
0
89
79
1
18-12-12
4
2
2
T1aNoMo
1
6834343
20-11-53
2
0
0
89
56
1
18-12-12
8
5
T2bN3M1b
1
3555107
13-08-39
1
17
1
55
59
1
17-12-12
9
2
T3NoMo
1
335 2
Voorbeeld retrospectieve dataverzameling (2) Data collection sheet Lung Cancer Patient information Treatment PIN Prim ary Alfanumeric treatm ent Resection prevails over all other therapies and should be registered as PIN w ith 0 = no therapy leading zeros 1 = resection 2 = chemo May be therapy handy w hen 3 = radiation copy paste therapy into ZIS 4= chemoradiation therapy 5 = other 9 = unknow n
resection related parameters Hospital of primary treatment. In case of chemoradiation : hospital of radiation 0 = other hospital 1 = ow n hospital 8 = not applicable 9 = unknow n
Secondary treatment
Type of resection Date of resection
Indicate w hether patient experienced one or more grade 3, 4 or 5 com plications w ithin 30 days follow ing treatment. More than one complication allow ed: separate by semicolon (;) for example: 5;13.
Pathological TNM stage after procedure Excel provides three columns to be filled in. Indicate pT-category, pN-category and pM-category
Tum or residue
Rethoraco tom y w ithin 1 year after resection
0 = no therapy 2 = chemo therapy 3 = radiation therapy 4= chemoradiation therapy 5 = other 9 = unknow n
1 = bilobectomy 2 = lobectomy 3 = lung resection 4 = segment resection 5 = sleeve lobectomy 6 = w edge resection 7 = other 8 = not applicable 9 = unknow n
T 1 = Tx 2 = To 3 = T1 4 = T1a M1a 5 = T1b M1b 6 = T2 7 = T2a 8 = T2b 9 = T3 10 = T4
pTNM
0 = no residue 1= microscopi c residue 2= macroscop ic residue 8 = not applicable 9= unknow n
0 = no 1 = yes 8 = not applicable 9= unknow n
pT
pN
pM
ptnm
res
ret
DD-MMYYYY 88888 = not applicable 99999 = not know n
pin
pri
htr
sec
rty
dre
0 = no complication 1 = acute respiratory distress syndrome (ARDS) 2 = air leakage after 48 hours 3 = anastomotic leakage 4 = bleeding requiring reoperation 5 = cardiovascular (AMI, cardiac arrhythmia..) 6 = empyema 7 = initial ventilator support > 48 hours 8 = need for tracheostomy 9 = pneumonia needing treatment 10 = pulmonary embolus 11 = pulmonary other (respiratory failure, atelectasis, bronchospasm, and exacerbation of COPD) 12 = reintubation 13 = respiratory fistula 14 = w oundinfection post-operative 30 = other complication cmp
N 1 = Nx 2 = No 3 = N1 4 = N2
M 1 = Mx 2 = Mo 3 = M1 4=
3562283
3
0
0
8
88888
88
88
88
88
88
8
8
6815680
1
1
0
2
31-12-12
0
4
2
2
T1aNoMo
0
0
5784705
0
8
0
8
88888
88
88
88
88
88
8
8
3632758
2
1
0
8
88888
88
88
88
88
88
8
0
5914420
1
1
3
2
18-12-12
0
4
2
1
T1aNoMx
0
0
6834343
0
8
0
8
88888
88
88
88
88
88
8
8
3555107
1
1
2
3
27-02-13
0
8
3
1
T2bN1Mx
0
0
5 = N3 5 =
Tx, Nx, Mx means: value unknow n 88 not applicable
34
Do (3) Dataverzameling (PROM) • Inregelen structuur: wie vraagt wat wanneer en waar wordt dit geregistreerd • Afspreken hoe om te gaan met follow-up van vragenlijsten • Papieren vragenlijsten T0 in huisstijl printen • Vastleggen in procedure en bespreken met
betrokkenen
Check •
Intervisiemomenten dataverzamelaars en specialisten, bijvoorbeeld: − 10 cases door allen laten scoren en doorspreken − Opvallende/lastige cases samen doorspreken
•
Tussentijdse bespreking opvallende/lastige cases, ontbrekende items en outliers met onderzoekers Zorg voor Uitkomst
Act •
Bespreken uitkomsten in projectgroep
•
Verbetermaatregelen inzetten waar nodig: − Inhoudelijk − Registratie
Borgen •
Bespreken uitkomsten breder: RVE’s, Oncologiecommissie
•
Project afsluiten
•
PDCA-cyclus op de registratie en verbetermaatregelen
continueren en beleggen bij RVE management
Afsluitend •
Wenselijkheid transparantie van zorguitkomsten
•
Invloed cohort keuze op uitkomsten
•
Eisen te stellen aan een goede uitkomstindicator
•
Betrouwbaarheid en beschikbaarheid data
•
Draagvlak betrokken specialismen is belangrijke randvoorwaarde
•
Doorloop de PDCA cyclus: zorg voor een strakke organisatie
•
Bevraag andere ziekenhuizen naar ervaringen
Vragen?
Kwaliteitsinstituut
