gms | German Medical Science

GMDS 2012: 57. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V. (GMDS)

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie

16. - 20.09.2012, Braunschweig

Entwicklung und Validierung eines routinedatengestützten Prädiktionsmodells für zukünftige Krankenhauseinweisungen

Meeting Abstract

Search Medline for

  • Christiane Haupt - WIdO (Wissenschaftliches Institut der AOK), Berlin, Deutschland
  • Jürgen-Bernhard Adler - WIdO (Wissenschaftliches Institut der AOK), Berlin, Deutschland
  • Christian Günster - WIdO (Wissenschaftliches Institut der AOK), Berlin, Deutschland

GMDS 2012. 57. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. (GMDS). Braunschweig, 16.-20.09.2012. Düsseldorf: German Medical Science GMS Publishing House; 2012. Doc12gmds186

doi: 10.3205/12gmds186, urn:nbn:de:0183-12gmds1862

Published: September 13, 2012

© 2012 Haupt 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

Einleitung und Fragestellung: Das Gesundheitssystem steht angesichts der Herausforderungen des demografischen Wandels vor der Frage, wie die Ressourcenallokation effizient und gerecht gestaltet werden kann. Etwa 20% der Versicherten sind für 80% der Leistungsausgaben der Gesetzlichen Krankenversicherung (GKV) verantwortlich. Hohe Leistungsinanspruchnahme wird oft durch Multimorbidität verursacht, die schwer zu definieren und schwer aufzugreifen ist und bei der chronische Erkrankungen interagieren und dadurch in der Betrachtung zugleich vorliegender Krankheitsbilder zusätzlich in Kombination betrachtet werden müssen [1]. Risikomodelle können viele Variablen parallel berücksichtigen.

Ein Drittel der Leistungsausgaben verursachen Krankenhausaufenthalte, die teilweise vermeidbar sind [2]. In Großbritannien und den USA ist deshalb die Anwendung von Prädiktionsmodellen im Gesundheitswesen insbesondere zur Vorhersage von Krankenhauswiederaufnahmen verbreitet [3]. Ein solches Risikoprädiktionsmodell mit Krankenkassendaten wurde entwickelt. Eine prädiktionsgestützte Fallauswahl für Maßnahmen des Versorgungsmanagements erfolgt dabei durch die individuelle Vorhersage der Likelihood of Hospitalization (LOH).

Material und Methoden: Das Risikoprädiktionsmodell ist auf einer Zufallsstichprobe von 12 Millionen anonymisierten und über 3 Jahre durchgehend versicherten AOK-Versicherten erstellt worden und wertet Abrechnungsdaten aus der ambulanten und stationären Versorgung, Arzneimittel und Stammdateninformationen wie Alter, Geschlecht und Pflegestufe aus.

Dabei wurden Klassifikationssysteme für ambulante und stationäre Diagnosen (auf ICD-Basis), für Arzneimittel (auf ATC-Basis) und andere wie Regionalfaktoren oder Einteilungen in akute und chronische Erkrankungen entwickelt.

In einer logistischen Regression werden Gewichte für die LOH bestimmt und auf aktuelle Daten in den AOKen angewandt.

Ergebnisse: Das Prädiktionsmodell weist jedem eingelesenen Versicherten dessen persönliche Wahrscheinlichkeit zu, in den nächsten zwölf Monaten stationär aufgenommen zu werden (Erst- und Wiederaufnahme). Die Varianzaufklärung, Sensitivität und PPV (positive predictive value berücksichtigt zusätzlich die Falschpositiv-Rate) erreicht für das allgemeine Modell gute Werte: das R-Quadrat liegt bei 0,20, die Senitivität bei 0,14 und der PPV bei 0,58.

Bezogen auf Morbiditätsgruppen (Herzinsuffizienz, Diabetes, KHK, Asthma, COPD und Depression) ergeben sich erwartungskonform insbesondere höhere Sensitivitäten und Varianzaufklärungen, nochmals gesteigert bei der Auswertung des obersten Quintils der vorhergesagten Werte.

Für die Herzinsuffizienz liegen diese Werte dann bei der Sensitivität bei 0,39 und der PPV bei 0,59. Die durchschnittliche vorhergesagte Krankenhausaufnamewahrscheinlichkeit bei Herzinsuffizienten liegt bei 40 Prozent, Odds Ratios für die Einflussfaktoren werden allgemein und speziell für Morbiditätsgruppen vorgestellt.

Diskussion: Mit dem hier vorgestellten LOH-Modell wurde auf der methodischen Basis einer multiplen logistischen Regression ein valides, auf Leistungsdaten einer Krankenkasse beruhendes Prädiktionsmodell für zukünftige Krankenhauseinweisungen entwickelt.

Ein Vergleich mit anderen vorliegenden Modellen zeigte höhere oder gute Gütekriterien (soweit vergleichbar).

Die präventive Anwendung und die Überführung in Interventionen werden derzeit in Einzelanwendungen entwickelt. Grundsätzlich weist die Prädiktion künftiger Krankenhauseinweisungen einige methodische Limitationen auf, insbesondere, da sich nicht alle Krankenhausaufenthalte in den Routinedaten andeuten und, weil Grundinformationen wie Familienstand in den Routinedaten. ebenso fehlen medizinische Parameter und verhaltens- und personenspezifische Risikofaktoren für Erkrankungen. Dennoch führt die Eingabe von 488 Variablen zu einer komplexen Einbeziehung unterschiedlichster Kombinationsmöglichkeiten dieser Klassifizierungen.

Auf Grundlage von Routinedaten werden Informationen zu der Aussage aggregiert, für wen die Krankenhausaufnahme wahrscheinlich ist. Im Ausblick für die Anwendung wird die Vermeidung von Krankenhausaufnahmen anvisiert.


Literatur

1.
Schäfer, et al. Multimorbididty patterns in the elderly: a new approach of disease clustering identifies complex interrelations between chronic conditions. ploS One. 2010;5(12).
2.
Günster, Klose, Schmacke. Versorgungsreport 2011, Schwerpunkt: Chronische Erkrankungen. Stuttgart: Schattauer Verlag; 2011. p. 320.
3.
NHS. The effectiveness of predictive modelling tools in identifying patients at high risk of using secondary care resources.