Artikel
Die PROPERmed-Datenbank mit individuellen Patientendaten älterer chronisch kranker Patienten aus Hausarztpraxen: Design und Entwicklung
Suche in Medline nach
Autoren
Veröffentlicht: | 11. September 2019 |
---|
Gliederung
Text
Hintergrund: In cluster-randomisierten kontrollierten Studien (CRT) konnten bei Interventionen zur Optimierung von Medikation im hausärztlichen Setting bislang keine Effekte gezeigt werden. Individuelle Patientendaten Meta-Analysen (IPD-MA) bieten eine Möglichkeit, Rohdaten von mehreren verwandten Studien zu synthetisieren und haben zugleich statistische und klinische Vorteile. So erhöhen sie z.B. die statistische Power zur Untersuchung von Effekten und verbessern die Qualität sowie Reliabilität der Daten.
Fragestellung: Welches gemeinsame Variablenset lässt sich aus Daten von 5 CRT zur Medikationsoptimierung in der Hausarztpraxis zu einer Gesamtdatenbank für die Entwicklung von prognostischen Modellen zur Vorhersage von patienten-relevanten Outcomes identifizieren und zusammenführen?
Methoden: Die 2017 initiierte PROPERmed Collaboration dient der Erstellung einer Datenbank bestehend aus individuellen Patientendaten aus 5 CRTs aus Deutschland und den Niederlanden: Opti-Med, ISCOPE und PIL (NL) sowie PRIMUM und RIME (DE). Alle Studien wurden nach 2009 im hausärztlichen Setting durchgeführt und evaluierten komplexe Interventionen zur Medikationsoptimierung bei älteren Patienten. Anhand der verfügbaren Daten wurde ein gemeinsames Variablenset definiert, bestehend aus soziodemographischen, morbiditäts-, medikations- und symptombezogenen Daten sowie Informationen zur Lebensqualität und Hospitalisierung. Entsprechend vorab definierter Kriterien wurden die Daten in Frankfurt zentral zusammengeführt und eine harmonisierte Datenbank erstellt.
Ergebnisse: Basierend auf den verfügbaren Daten wurden folgende Einschlusskriterien definiert: ≥60 Jahre, ≥1 chronische Erkrankung, ≥1 chronische Verordnung. Insgesamt konnten 4.561 von 6.139 Patienten aus 307 Hausarztpraxen eingeschlossen werden. Die Datenharmonisierung beinhaltete die einfache Umkodierung von Wertelabeln, die Umkodierung in neue Variablen, die Vereinheitlichung unterschiedlicher Klassifikationssysteme, z.B. zur Diagnosekodierung (ICD-10 vs. ICPC-2), sowie die Standardisierung von Instrumenten (z.B. funktioneller Status).
Diskussion: Die Datenharmonisierung erfolgte mit dem Ziel der größtmöglichen Informationserhaltung sowie des geringsten Datenverlustes. Die Vereinheitlichung von Variablen und Daten erfordert ein Abwägen zwischen Interpretierbarkeit und Präzision.
Take Home Message für die Praxis: Die vorliegende Datenbasis ermöglicht die Untersuchung einer Vielzahl der in der Literatur als relevant eingestuften Risikofaktoren, allerdings stellt die Harmonisierung von Daten unterschiedlicher Quellen eine zentrale Herausforderung dar.