Artikel
Wie gut werden kardiovaskuläre Risikofaktoren in der ambulanten Versorgung kodiert?
Suche in Medline nach
Autoren
Veröffentlicht: | 26. August 2015 |
---|
Gliederung
Text
Hintergrund: Ambulante kassenärztliche Abrechnungsdaten werden häufig für Prävalenzschätzungen und Korrelationsanalysen genutzt. Limitierungen durch Über- / Unter- / Fehlkodierung sind bekannt, deren Ausmaß jedoch bisher unzureichend quantifiziert.
Studienfrage: Ziel der Studie ist die Validierung ausgewählter ICD-10-GM-kodierter ambulanter Abrechnungsdiagnosen auf Basis von Abrechnungsdaten der Kassenärztlichen Vereinigung.
Methoden: Klinische Daten der Kohortenstudie Study of Health in Pomerania (SHIP) und gekoppelte Abrechnungsdaten der Kassenärztlichen Vereinigung Mecklenburg-Vorpommern (Zeitraum 2008-2012) wurden im Querschnittsansatz analysiert. Für die Abrechnungsdiagnosen arterielle Hypertonie (I10), Diabetes mellitus (E10-E14), Dyslipidämie (E78), Adipositas (E65-E68) und Rauchen (F17) erfolgte die Bestimmung von Sensitivität (Sens), Spezifität (Spez) und positivem prädiktivem Wert (PPW).
Ergebnisse: 1941 Probanden wurden in die Analyse eingeschlossen (46% männlich, durchschnittliches Alter 57,7 ± 13,3 Jahre). 1423 (73%) Probanden hatten auf Basis der Primärdaten eine arterielle Hypertonie, 305 (16%) einen Diabetes mellitus, 1358 (70%) eine Hypercholestinämie (Serumcholesterol ≥ 5 mmol/l oder LDL-Cholesterol ≥ 3 mmol/l), 1437 (74%) waren übergewichtig und 412 (21%) Raucher. Die Prädiktionseigenschaften für die untersuchten Diagnosen in den Primärdaten variierten stark: arterielle Hypertonie: Sens 51%, Spez 97%, PPW 98%, Diabetes mellitus: Sens 68%, Spez 97%, PPW 83%, Dyslipidämie: Sens 22%, Spez 72%, PPW 65%, Übergewicht oder Adipositas: Sens 9,3%, Spez 99,8%, PPW 99,3%, Rauchen Sens 6,3%, Spez 99,8%, PPW 89,7%.
Diskussion: Die untersuchten Diagnosen werden in den Abrechnungsdaten unzureichend abgebildet. Abrechnungsrelevante Diagnosen werden besser kodiert. Auf Basis der Analyse ist eine Quantifizierung des Fehlers bei der Nutzung von Abrechnungsdaten möglich. Die Ergebnisse tragen zu einer verbesserten Interpretation von Routinedatenanalysen bei und können potentiell für eine Korrektur in Routinedatenanalysen eingesetzt werden.