gms | German Medical Science

54. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. (GMDS)

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie

07. bis 10.09.2009, Essen

Risikofaktoren für Stürze im Krankenhaus bei älteren Patienten: Identifikation durch Klassifikationsbaum und Logistische Regression

Meeting Abstract

  • Verena Hoffmann - Institut für Medizinische Informationsverarbeitung, Biometrie und Epidemiologie, Ludwig-Maximilians-Universität, München
  • Mirja Modreker - Albertinen-Haus, Zentrum für Geriatrie u. Gerontologie, Universität Hamburg, Gefördert im Rahmen des Forschungskollegs Geriatrie der Robert Bosch Stiftung, Stuttgart, Hamburg
  • Stefan Golgert - Albertinen-Haus, Zentrum für Geriatrie und Gerontologie, Universität Hamburg, Hamburg
  • Tom Krause - Albertinen-Haus, Zentrum für Geriatrie und Gerontologie, Universität Hamburg, Hamburg
  • Ulrike Dapp - Albertinen-Haus, Zentrum für Geriatrie und Gerontologie, Universität Hamburg, Hamburg
  • Jennifer Anders - Albertinen-Haus, Zentrum für Geriatrie und Gerontologie, Universität Hamburg, Hamburg
  • Joerg Hasford - Institut für Medizinische Informationsverarbeitung, Biometrie und Epidemiologie, Ludwig-Maximilians-Universität, München
  • Wolfgang von Renteln-Kruse - Albertinen-Haus, Zentrum für Geriatrie und Gerontologie, Universität Hamburg, Hamburg

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie. 54. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds). Essen, 07.-10.09.2009. Düsseldorf: German Medical Science GMS Publishing House; 2009. Doc09gmds077

DOI: 10.3205/09gmds077, URN: urn:nbn:de:0183-09gmds0779

Veröffentlicht: 2. September 2009

© 2009 Hoffmann 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 vervielfältigt, verbreitet und öffentlich zugänglich gemacht werden, vorausgesetzt dass Autor und Quelle genannt werden.


Gliederung

Text

Einleitung und Fragestellung: Stürze während eines Krankenhausaufenthalts kommen speziell bei älteren Patienten häufig vor. Da die Ressourcen für die Sturzprävention begrenzt sind, ist es notwendig ein Vorhersagemodell zu entwickeln, das besonders stark gefährdete Patienten identifiziert. Damit das Modell Krankenhausalltag einsetzbar ist, müssen die eingehenden Risikofaktoren leicht zu erheben und das Modell einfach anwendbar sein.

Material und Methoden: Die Daten wurden im Rahmen der Longitudinal Urban Cohort Ageing Study (LUCAS)* gesammelt. Die Studie umfasste 4931 Patienten, die stationär behandelt wurden. Vom Pflegepersonal dokumentierte Routinedaten gingen als Risikofaktoren in das Modell ein, dessen binäres Ergebnis Sturz vs. kein Sturz war. Der Datensatz wurde in einen Trainings- und einen Validierungsatz geteilt.

Um die Hauptrisikofaktoren und wesentlichen Interaktionen zu identifizieren und anwendbare klinische Regeln zu erstellen, berechneten wir einen auf dem Chi-Quadrat-Test basierenden Klassifikationsbaum. Die Irrtumswahrscheinlichkeit des Chi-Quadrat-Tests wurde auf 5% festgelegt . Vermehrten zufälligen Signifikanzen auf Grund multipler Tests bei stetigen Variablen wurde durch die Miller-Siegmund-Korrektur vorgebeugt. Zur Überprüfung des Modells führten wir eine logistische Regression durch.

Ergebnisse: 530 Patienten stürzten mindestens einmal während ihres Krankenhausaufenthaltes. Der Trainingsdatensatz beinhaltete 308 Patienten mit Stürzen und 2711 Patienten insgesamt. Der aus dem Trainingsadatensatz gewonnene Klassifikationsbaum hatte vier Ebenen und neun Endknoten mit Sturzwahrscheinlichkeiten von 3,4% bis 30,5%. Diese wurden in drei Risikogruppen eingeteilt (niedrig / mittel / hoch). Um die Struktur der Daten und die Selektion der Variablen unabhängig nachzuprüfen, passten wir ein logistisches Regressionsmodell an, welches die Auswahl der Hauptrisikofaktoren bestätigte. Auf den Validierungsdatensatz angewendet, zeigten sich kleinere Unterschiede zwischen den Methoden. Der Klassifikationsdatensatz war eher geeignet Patienten, die nicht gestürzt waren, in die Niedrigrisiko-Gruppe einzuteilen, wohingegen die logistische Regression besser geeignet war Hochrisiko-Patienten als solche zu erkennen.

* Supported by the BMBF, Berlin; title: 01ET0708