gms | German Medical Science

Hintergrund: Um die Betreuung und Versorgung chronisch Kranker zu verbessern, bieten die gesetzlichen Krankenkassen ihren Versicherten auf gesetzlicher Grundlage die Einschreibung in sogenannte Disease-Management-Programme (DMP) an, die auf medizinischer Evidenz und wissenschaftlichen Leitlinien basieren. Für die Evaluation wird in der wissenschaftlichen Literatur auf Kontrollgruppenanalysen zurückgegriffen. Mehrheitlich zeigen sich positive Effekte der DMP auf Wirtschaftlichkeit, Versorgungsqualität und medizinische Outcomes (vgl. [1]).

Automatisierte Verfahren erlauben es neuerdings, neben den durchschnittlichen auch individuelle Programmeffekte zu ermitteln. Dabei können Faktoren identifiziert werden, die Unterschiede in den Programmeffekten begründen. Letztere sind beim DMP von großem Interesse, zum Beispiel für die Auswahl der Zielgruppen, für die DMP angeboten werden, für ein besseres Verständnis der Wirkmechanismen, sowie für eine besser fundierte Einschreibeentscheidung durch Ärzte und Patienten.

Methoden: Wir verwenden Generalized Random Forests [2] zur Schätzung heterogener Treatmenteffekte. Dieses Machine-Learning-Verfahren basiert auf kombinierten Splits von Teilpopulationen, die unterschiedliche Programmeffekte aufweisen, und ermöglicht valide Inferenz bezüglich der individuellen Effekte.

Unsere Analyse der DMP-Effekte für die verschiedenen Programme fokussiert auf den Zeitpunkt der Neuerkrankung, zu dem als potenzielle Confounder sozio-ökonomische und medizinische Patientencharakteristika sowie Arzteigenschaften herangezogen werden. Als Outcomes werden Leistungsausgaben, Sterblichkeit, sowie die Anzahl der Krankenhausaufenthalte in verschiedenen Folgejahren untersucht. Grundlage sind anonymisierte Versichertendaten der AOK Bayern von 2010 bis 2019.

Ergebnisse: Der Programmeffekt in Abhängigkeit verschiedener Merkmale wird für die verschiedenen Programme ermittelt. Die Analyse zeigt deutliche Unterschiede in der individuellen Effektivität und Wirtschaftlichkeit der Programme. Im Beispiel des DMP Typ 1 Diabetes zeigt sich eine größere Wirtschaftlichkeit beim Vorliegen vieler Komorbiditäten, während in mittleren Altersgruppen die DMP-Teilnahme einen geringeren Effekt hat.

Zusammenfassung: Machine-Learning-Verfahren für heterogene Treatmenteffekte können die Ergebnisse von Programmevaluationen erheblich präzisieren. So können Zielgruppen, die besonders stark von den DMPs profitieren, identifiziert und die Einschreibeentscheidung durch Ärzte und Patienten verbessert werden.

Die Autoren geben an, dass kein Interessenkonflikt besteht.

Die Autoren geben an, dass kein Ethikvotum erforderlich ist.