gms | German Medical Science

7. Deutscher Kongress für Versorgungsforschung des Deutschen Netzwerks für Versorgungsforschung

16. - 18.10.2008, Köln

Risikoadjustierte Analyse mit Routinedaten

Meeting Abstract

Suche in Medline nach

  • G. Heller - Wissenschaftliches Institut der AOK (WIdO), Bonn
  • Björn Misselwitz - Wissenschaftliches Institut der AOK (WIdO), Bonn

7. Deutscher Kongress für Versorgungsforschung des Deutschen Netzwerks für Versorgungsforschung. Köln, 16.-18.10.2008. Düsseldorf: German Medical Science GMS Publishing House; 2008. DocC6.99

Die elektronische Version dieses Artikels ist vollständig und ist verfügbar unter: http://www.egms.de/de/meetings/dkvf2008/08dkvf058.shtml

Veröffentlicht: 6. Oktober 2008

© 2008 Heller et al.
Dieser Artikel ist ein Open Access-Artikel und steht unter den Creative Commons Lizenzbedingungen (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.de). Er darf vervielf&aauml;ltigt, verbreitet und &oauml;ffentlich zug&aauml;nglich gemacht werden, vorausgesetzt dass Autor und Quelle genannt werden.


Gliederung

Text

Fragestellung: Eine zentrales Problem der Verwendung von Routinedaten im wissenschaftlich medizinischen Kontexten besteht in der Frage, ob mit solchen Daten ausreichend risikoadjustierte Analyen möglich sind. Dabei wurden unlängst vergleichbare Ergebnisse in Prognosemodellen mit Routinedaten und klinischen Datenbanken berichtet. Allerdings liegen aus Deutschland bisher kaum Arbeiten zu diesem Thema vor. Ziel dieser Arbeit war es vergleichende Analysen mit Surveydaten und administrativen Routinedaten aus Deutschland durchzuführen.

Methoden: Dazu wurden Daten der Arbeitsgruppe Schlaganfall Hessen (ASH) sowie Krankenhausabrechungsdaten gemäß dem Datenaustauschverfahren nach § 301 SGBV aus dem Jahr 2004 verwendet. Für den Qualitätsindikator Krankenhaussterblichkeit nach Schlaganfall wurden an Hand von beiden Datenkörpern Prognosemodelle mit Hilfe logistischer Regressionen entwickelt. Die Modellgüte wurde unter anderem mittels Receiver Operator Characteristic (ROC) Kurven evaluiert. Darüber hinaus wurden rohe und risikoadjustierte Mortalitätsraten beider Datenquellen an Hand von linearen Regressionen verglichen.

Ergebnisse: Die Fläche unter der ROC Kurve für das ASH Modell betrug 0,89, für die 301-Daten dagegen 0,75. Dem gegenüber zeigte sich ein geringerer Zusammenhang zwischen rohen und risikoadjustierten Mortalitätsraten im ASH Datensatz (r2=0,62) im Vergleich zu den 301-Daten (r2=0,88).

Schlussfolgerungen: Der bessere Modellfit in den ASH-Daten, zusammen mit der geringeren Übereinstimmung der rohen und risikoadjustierten Mortalitätsraten könnte als ein Anzeichen für eine umfangreichere Risikoadjustierung gedeutet werden. Allerdings lässt sich zeigen, dass ein besserer Modellfit, insbesondere vor dem Hintergrund potentiell inhomogen ausgefüllter Risikoadjustierungsvariablen, keinesfalls mit einer besseren Risikoadjustierung gleichzusetzen ist. Hierzu sind zusätzliche Analysen in Bezug auf die Validität, Reliabilität und Homogenität der Dokumentation der verwendeten Risikoadjustierungsvariablen nötig.


Literatur

1.
Aylin P, Bottle A, Majeed A. Use of administrative data or clinical databases as predictors of risk of death in hospital: comparison of models. BMJ 2007;334:1044-1047.
2.
Pine M, et al. Enhancement of Claims Data to Improve Risk Adjustment of Hospital Mortality. JAMA. 2007;297:71-76.
3.
Heller G, Schnell R. Hospital mortality risk adjustment using claims data. JAMA. 2007;297:1983.