Artikel
Identifikation von Gemeinsamkeiten klinischer Daten und GKV-Routinedaten für deren Verknüpfung in OMOP CDM zur stationären Qualitätsmessung
Suche in Medline nach
Autoren
-
Elisa Henke
- Institut für Medizinische Informatik und Biometrie Medizinische Fakultät Carl Gustav Carus der Technischen Universität Dresden, Dresden, Germany
-
Michele Zoch
- Institut für Medizinische Informatik und Biometrie Medizinische Fakultät Carl Gustav Carus der Technischen Universität Dresden, Dresden, Germany
-
Franziska Bathelt
- Institut für Medizinische Informatik und Biometrie Medizinische Fakultät Carl Gustav Carus der Technischen Universität Dresden, Dresden, Germany
-
Melissa Spoden
- Wissenschaftliches Institut der AOK (WIdO), Berlin, Germany
-
Thomas Ruhnke
- Wissenschaftliches Institut der AOK (WIdO), Berlin, Germany
-
Christian Günster
- Wissenschaftliches Institut der AOK (WIdO), Berlin, Germany
-
Martin Sedlmayr
- Institut für Medizinische Informatik und Biometrie Medizinische Fakultät Carl Gustav Carus der Technischen Universität Dresden, Dresden, Germany
| Veröffentlicht: | 19. August 2022 |
|---|
Gliederung
Text
Einleitung: In Deutschland haben sich Routinedaten der Gesetzlichen Krankenversicherung (GKV) zur Qualitätsmessung der stationären Versorgung etabliert [1], [2], [3], [4], [5], [6], [7]. Trotz der in [5], [6], [7], [8], [9], [10] beschriebenen Vorteile von GKV-Routinedaten existieren Limitationen (z.B. bei analysierbaren Outcomes, Risikofaktoren) [6], [7], [8], [9], [10], [11]. Auf internationaler Ebene existieren bereits Ansätze, um die Limitationen von Abrechnungsdaten zu überwinden [12]. Inwieweit klinische Daten zur Überwindung dieser Limitationen beitragen könnten, wird im Projekt „Hybride Qualitätsindikatoren mittels Machine Learning-Methoden“ (Hybrid-QI) evaluiert, welches die Harmonisierung und Verknüpfung von GKV-Routinedaten von AOK-Versicherten mit klinischen Daten im Observational Medical Outcomes Partnership (OMOP) Common Data Model (CDM) fokussiert. Dadurch besteht die Aussicht auf eine Verbesserung der Aussagekraft und Validität von Qualitätsindikatoren. Um beide Datensätze in OMOP miteinander verknüpfen zu können, ist eine Analyse der Datensätze auf Gemeinsamkeiten notwendig.
Methodik: Der Vergleich beider Datensätze basierte auf Datensatzbeschreibungen der GKV-Routinedaten und der klinischen Daten. Die in den Datensatzbeschreibungen enthaltenen Datenelemente wurden hinsichtlich ihrer Relevanz für das Projekt Hybrid-QI in multidisziplinären Teams bestehend aus Domänen-Experten (Klinik, Medizininformatik, Versorgungsforschung) begrenzt. Für die Identifikation der Gemeinsamkeiten klinischer Daten mit GKV-Routinedaten wurden in einem interdisziplinären Team zwei Vergleichskriterien definiert:
- 1.
- Datenherkunft: Beschreibung des Ursprungs der Daten
- 2.
- Datenumfang: Auflistung der Datenkategorien inklusive Beschreibung der darin enthaltenen Daten
Ergebnisse: Die Ergebnisse des Vergleichs klinischer Daten mit GKV-Routinedaten sind in Tabelle 1 [Tab. 1] zusammengefasst.
Diskussion: Durch den Vergleich klinischer Daten mit GKV-Routinedaten ließen sich Schnittmengen beider Datensätze feststellen. Gemeinsamkeiten treten bei administrativen Daten zu Patienten/Versicherten und Behandlungs- und Abrechnungsdaten der stationären Krankenhausversorgung (Falldaten, Diagnosen, Prozeduren) auf. Die zusätzlich projektrelevanten klinischen Daten stellen weitere Behandlungsdaten der stationären Krankenhausversorgung dar, welche nicht der Abrechnung mit der GKV unterliegen. Der Datenumfang der GKV-Routinedaten umfasst noch weitere Abrechnungsdaten mit anderen Versorgungseinrichtungen oder Leistungserbringern außerhalb der stationären Krankenhausversorgung.
Schlussfolgerung: Die identifizierten Übereinstimmungen verdeutlichen, an welchen Stellen beim Verknüpfen der Datensätze Duplikate entstehen könnten. Bei der Erkennung von Duplikaten kann es insbesondere zu Schwierigkeiten kommen, wenn Widersprüche zwischen beiden Datensätzen auftreten, z.B. aufgrund fehlender Werte, unterschiedlicher Genauigkeiten oder Formatfehler. Unterschiedliche Genauigkeiten treten beispielsweise bei Datumsangaben von Diagnosen auf (Quartalsangabe vs. Dokumentationsdatum). Folglich muss bei der Verknüpfung beider Datensätze in OMOP ein besonderer Fokus auf diese Datenelemente und deren Datenqualität gelegt werden. Dafür soll in einem nächsten Schritt ein automatisiertes Verfahren entwickelt werden, um gemäß Guter Praxis Sekundärdatenanalyse [13] eine bereinigte Datengrundlage für die weiterführenden Datenauswertungen zu schaffen.
Förderung: Diese Arbeit wurde im Rahmen des Projektes „Hybride Qualitätsindikatoren mittels Machine Learning-Methoden“ (Hybrid-QI, Innovationsausschuss des GBA, FKZ 01VSF20013) durchgeführt.
Die Autoren geben an, dass kein Interessenkonflikt besteht.
Die Autoren geben an, dass kein Ethikvotum erforderlich ist.
Literatur
- 1.
- Wissenschaftliches Institut der AOK (WIdO). Qualitätssicherung mit Routinedaten – Leitidee [Internet]. [cited 2022 Mar 03]. Available from: https://www.qualitaetssicherung-mit-routinedaten.de/entwicklung/leitidee/
- 2.
- Jeschke E, Günster C. Aktueller Stand und Ausbau des QSR-Verfahrens. In: Kuhlen R, Rink O, Zacher J, editors. Jahrbuch Qualitätsmedizin 2011. Berlin: MWV Medizinisch Wissenschaftliche Verlagsgesellschaft; 2011. p. 77-87.
- 3.
- Swart E, Ihle P, Gothe H, Matusiewicz D. Routinedaten im Gesundheitswesen: Handbuch Sekundärdatenanalyse: Grundlagen, Methoden und Perspektiven. 2. Aufl. Bern: Hans Huber; 2014.
- 4.
- Jeschke E, Günster C, Klauber J. Qualitätssicherung mit Routinedaten (QSR): Follow-up in der Qualitätsmessung – Eine Analyse fallübergreifender Behandlungsverläufe. Zeitschrift für Evidenz, Fortbildung und Qualität im Gesundheitswesen. 2015;109(9-10):673-681. DOI: 10.1016/j.zefq.2015.09.022
- 5.
- Heller G, Szecsenyi J, Willms G, Broge B. Qualitätsmessung mit Routinedaten in der gesetzlichen Qualitätssicherung am Beispiel Dekubitusprophylaxe. Zeitschrift für Evidenz, Fortbildung und Qualität im Gesundheitswesen. 2014;108(8-9):465-469. DOI: 10.1016/j.zefq.2014.09.010
- 6.
- Eberhard S. Lassen sich GKV-Routinedaten nutzen, um auf leitliniengerechte Versorgung zu schließen? – Eine Analyse am Beispiel der arteriellen Hypertonie. Gesundheits- und Sozialpolitik (G&S). 2013;67(1):29-36. DOI: 10.5771/1611-5821-2013-1
- 7.
- AOK-Bundesverband; Forschungs- und Entwicklungsinstitut für das Sozial- und Gesundheitswesen Sachsen-Anhalt (FEISA); HELIOS Kliniken; Wissenschaftliches Institut der AOK (WIdO). Qualitätssicherung der stationären Versorgung mit Routinedaten (QSR) - Abschlussbericht. 2007. ISBN 978-3-922093-42-8
- 8.
- Zeidler J, Braun S. 2 Sekundärdatenanalysen. In: Schöffski O, Graf von der Schulenburg JM, editors. Gesundheitsökonomische Evaluationen. Springer; 2012. p. 243-274. DOI: 10.1007/978-3-642-21700-5_10
- 9.
- Reinhold T, Andersohn F, Hessel F, Brüggenjürgen B, Willich SN. Die Nutzung von Routinedaten der gesetzlichen Krankenkassen (GKV) zur Beantwortung gesundheitsökonomischer Fragestellungen - eine Potenzialanalyse. Gesundheitsökonomie & Qualitätsmanagement. 2011;16(3):153-159. DOI: 10.1055/s-0029-1245615
- 10.
- Schubert I, Ihle P, Köster I, Küpper-Nybelen J, Rentzsch M, Stallmann C, et al. Datengutachten für das Deutsche Institut für Medizinische Dokumentation und Information (DIMDI). Gutachten: Daten für die Versorgungsforschung. Zugang und Nutzungsmöglichkeiten. Köln: PMV Forschungsgruppe; 2014.
- 11.
- Zorn U. Qualitätssicherung: Routinedaten noch keine Alternative zum BQS-Verfahren. Deutsches Ärzteblatt. 2007;104(31-32):A2172-A2174.
- 12.
- Bennett KJ, Mann J, Ouyang L. Utilizing Combined Claims and Clinical Datasets for Research Among Pontential Cases for Rare Diseases. Int J Healthc Inf Syst Inform. 2018;13(2):1-12. DOI: 10.4018/ijhisi.2018040101
- 13.
- Swart E, Gothe H, Geyer S, Jaunzeme J, Maier B, Grobe TG, Ihle P. Gute Praxis Sekundärdatenanalyse (GPS): Leitlinien und Empfehlungen. Das Gesundheitswesen. 2015;77(02):120-126. DOI: 10.1055/s-0034-1396815
