gms | German Medical Science

10. Deutscher Kongress für Versorgungsforschung, 18. GAA-Jahrestagung

Deutsches Netzwerk Versorgungsforschung e. V.
Gesellschaft für Arzneimittelanwendungsforschung und Arzneimittelepidemiologie e. V.

20.-22.10.2011, Köln

Adherence-Management durch Krankenkassen – erste Ergebnisse einer Analyse von Routinedaten

Meeting Abstract

10. Deutscher Kongress für Versorgungsforschung. 18. GAA-Jahrestagung. Köln, 20.-22.10.2011. Düsseldorf: German Medical Science GMS Publishing House; 2011. Doc11dkvf002

DOI: 10.3205/11dkvf002, URN: urn:nbn:de:0183-11dkvf0028

Published: October 12, 2011

© 2011 Groth et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution License (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.en). You are free: to Share – to copy, distribute and transmit the work, provided the original author and source are credited.


Outline

Text

Hintergrund: Non-Adherence (NA) von Patienten stellt eine der größten Versorgungsherausforderungen dar. NA ist korreliert mit negativen klinischen Outcomes, höherer Mortalität und höheren Kosten. In einem gemeinsamen Projekt der TK (FB Arzneimittel/WINEG) und des IPAM wurde das Ziel verfolgt, am Beispiel von oralen Antidiabetika (OAD) in der Diabetes mellitus Typ 2 (T2DM)-Versorgung folgende Fragen zu beantworten:

  • Eignen sich deutsche Routinedaten zur NA-Messung; wenn ja, welche Methodik sollte angewendet werden?
  • Wie viele Patienten sind im deutschen Versorgungsalltag betroffen?
  • Geht NA mit höheren Raten negativer klinischer Ereignisse einher?
  • Eignen sich Routinedaten auch als Basis des Adherence-Managements (AM)?

Material und Methoden: Sämtliche Analysen erfolgten mit einem pseudonymisierten TK-Routinedatensatz (5,4 Millionen durchgängig Versicherte 2006–2008; 2 gesicherte ambulante oder 1 gesicherte stationäre T2DM-Diagnose; 247.401 Patienten). Für die NA-Analyse wurden lediglich die T2DM-Patienten betrachtet, die 2006–2008 mindestens 3 Verordnungen in mindestens 1 der betrachteten OAD-ATC-Klassen hatten (113.108 Patienten).

Ein systematisches Review (47 Beiträge) identifizierte 12 wesentliche Parameter einer NA-Analyse, deren Einfluss in 19 univariaten Szenarien/216 Kombinationsszenarien simuliert wurde. Die Validität der NA-Ergebnisse wurde mit Hilfe multivariater logistischer Regressionsmodelle (abhängige Variable: Diabetes-bezogene Hospitalisierungen) geprüft.

Ergebnisse: Im betrachteten Sample beträgt das mittlere Alter 65,4 Jahre. Der Mittelwert der Medikamentenverfügbarkeit aus den betrachteten Szenarien liegt bei 78,6% (SD: 19,6%); die NA-Quote (80% Grenzwert) bei 52,1% (SD: 19,4%). Je nach Parameterwahl liegt die abgeleitete Bandbreite der NA-Quote bei 15,7–97,0%. Ca. 70% der Parameterkombinationen erklären signifikant Diabetes-bezogene Hospitalisierungen. Die Szenarien mit der höchsten Erklärungskraft verwenden nicht die DDD als Sollprofil, sind intervallbasiert beginnend mit der 1. Verschreibung und verwenden die Medication Possession Ratio (MPR) als Adherence-Maß.

Schlussfolgerung: Die Ergebnisse einer NA-Analyse hängen stark von den methodischen Annahmen ab. Ein sinnvolles NA-Reporting sollte stets auf validierten Parameterkombination aufbauen; dies vorausgesetzt eignen sich deutsche Routinedaten gut für eine NA-Messung. Basis eines effi-zienten AM-Programms (AMP) sind darauf aufbauend zwei weitere Schritte: (1) Identifikation der Patienten, die potenziell am stärksten von einem AMP profitieren („AMP-Patienten“) sowie (2) laufende Evaluation des AMP auf patientenindividueller Ebene.

Die Identifikation von „AMP-Patienten“ (niedrige Adherence, hohe Gesundheitskosten) ist auf Basis zuvor festgelegter Segmentierungskriterien gut möglich. Die Evaluation eines AMP ist allerdings mit deutschen Routinedaten nur eingeschränkt möglich (fehlende tägliche Verfügbarkeit, keine Dokumentation von NA-Ursachen). Hinzu kommt, dass die für die Patientensteuerung wesentliche Information über die tatsächlich verschriebene Tagesdosis nicht Teil der Datensätze ist. Hier bedarf es einer zusätzlichen Datendokumentation im Rahmen eines AMP. Auf dem „Weg“ zu einem AMP leisten die Routinedaten jedoch einen sehr bedeutenden Beitrag.