gms | German Medical Science

Hintergrund/Fragestellung: Das Schlagwort „Big Data“ wird aktuell inflationär benutzt – ist aber bei den Routinedaten der gesetzlichen Krankenversicherungen (GKV) treffend: Die Anzahl an GKV-Routinedaten ist immens: Alter, Geschlecht, Stellung im Beruf, Bildung, Krankheitskostendaten, Operationsdaten, Arbeitsunfähigkeitszeiten, Zuordnungen zu Krankheitsgruppen „Hierarchisierte Morbiditätsgruppen“ um nur einige zu nennen.

Ein bisher wenig beschriebenes Feld ist Nutzung von Routinedaten für die Selektion von statistischen Zwillingen (Matched-Pairs) zur Kontrollgruppenbildung innerhalb von Interventionsstudien.

Die Kontrollgruppenbildung auf Basis von Routinedaten ist für die Krankenversicherer häufig der einzige Weg, wenn sie die Effektivität und Effizienz von Leistungen auch empirisch überprüfen wollen. Der Goldstandard randomisierter, kontrollierter Studien ist für sie nur schwer umsetzbar. Matched-Pairs-Studien bieten hier einen Ausweg, wenn randomisierte, kontrollierte Studien ungeeignet oder unmöglich sind. Dieser Weg zur Effektivitäts- und Effizienzanalyse von Maßnahmen und Leistungen dürfte für die GKV vor dem Hintergrund knapper werdender Kassen im Gesundheitswesen noch an Bedeutung gewinnen.

Methoden: Statistische Zwillinge in Experimental- und Kontrollgruppe stimmen im Idealfall in den für die zu untersuchende Fragestellung relevanten Merkmalen (u.a. Alter, Geschlecht, Gesundheitszustand, Krankheistkosten) überein. Exemplarisch wird ein Matchingprozess zur Kontrollgruppenbildung auf Basis von Routinedaten für die Evaluation einer Präventionsmaßnahme für Menschen mit Knie- oder Hüftarthrose vorgestellt. Das in diesem Vortragl aufgezeigte Matchingverfahren (Kombination aus Exaktem Matching, Caliper Matching, Nearest Neighbour Matching) zielt auf die Selektion von statistischen Zwillingen ab, die einen definierten Toleranzbereich über alle Variablen hinweg, die zum Matching verwendet wurden, nicht überschreiten.

Ergebnisse: Im Gegensatz zu den am häufigsten eingesetzten Matchingverfahren (Propensity score Matching, Euklidische Distanz, Mahalanobisdistanz) führt das vorgestellte Matchingverfahren zur Selektion von statistischen Zwillingspärchen, die in allen Variablen einen definierten Toleranzbereich nicht überschreiten.

Schlussfolgerungen: Auf der Basis von Big Data lassen sich statistische Zwillinge selektieren, die in allen Variablen einen definierten Toleranzbereich nicht überschreiten und nicht nur zu einer Angleichung der Verteilungen der Kovariaten in Experimental- und Kontrollgruppe führen.