gms | German Medical Science

Einleitung: Idealerweise sollten Gesundheitsangebote und -maßnahmen zur Verbesserung der Zahngesundheit auf lokale Zielpopulationen zugeschnitten werden. Dies ist jedoch nicht der Standard. Über Risikocluster in der zahnmedizinischen Versorgung und deren Bewertung auf der Grundlage kleinräumiger Daten ist wenig bekannt, insbesondere bei in Gesundheitserhebungen unterrepräsentierten Gruppen. Ziel unserer Studie ist es, die Inzidenzraten der wichtigsten Zahnerkrankungen bei Privatversicherten und Selbstzahlern in Deutschland zu untersuchen, das räumliche Clustering dieser Krankheiten zu erforschen und die Nutzbarkeit fortschrittlicher Datenanalysetechniken, wie dem maschinellen Lernen, in Bezug auf die Untersuchung des Einflusses räumlich-nachbarschaftlicher, sozio-ökonomischer Faktoren auf die Risikocluster für Zahnerkrankungen, zu bewerten.

Methodik: Anhand einer retrospektiven Kohortenstudie wurde die alters- und geschlechtsstandardisierte Inzidenzrate einer Studienpopulation von Privatversicherten und Selbstzahlern, die eine zahnärztliche Behandlung zwischen 2016 und 2021 in Anspruch genommen haben, berechnet. Grundlage hierfür waren anonymisierte Leistungsdaten der BFS health finance, Bertelsmann, Dortmund. Die Erkrankungsgeschehen der Individuen wurde erfasst und auf PLZ-5-Ebene aggregiert (n = 8871). Es wurden statistisch signifikante Cluster mittels der Scanstatistik berechnet und mittels fünf unterschiedlichen Machine Learning Modellen lokale Risikomodelle geschätzt und kontextuell bewertet.

Ergebnisse: Inzidenzraten von Privatversicherten und Selbstzahlern aus privaten Abrechnungsdaten sind mit den Inzidenzraten aus der gesetzlichen Krankenversicherung und weiteren Datenquellen vergleichbar. Es wurden statistisch signifikante, räumlich kompakte Cluster und relative Risiken (RR) der Inzidenzraten ermittelt. Durch die Verknüpfung von Krankheits- und sozioökonomischen Datenbanken auf der PLZ-5-Ebene wurden lokale Risikomodelle für jede Krankheit auf der Grundlage von Variablen der räumlichen Nachbarschaft mit Hilfe verschiedener maschineller Lernmodelle geschätzt. Wir fanden heraus, dass Zahnerkrankungen bei privat versicherten Patienten und Selbstzahlern in Deutschland räumlich geclustert sind. Die Inzidenzraten innerhalb von Clustern waren im Vergleich zu den Inzidenzraten außerhalb von Clustern signifikant erhöht. Die relativen Risiken (RR) für eine neue Zahnerkrankung in primären Risikoclustern betrugen je nach Krankheit mindestens 1,3 (irreversible Pulpitis) und höchstens 2,7 (Parodontitis). Trotz einer gewissen Ähnlichkeit in der Bedeutung der Variablen aus den Machine Learning-Modellen in den verschiedenen Clustern ist jedes Cluster individuell zu betrachten und muss als solches behandelt werden. Die Identifizierung von Clustern, in denen der größte Bedarf besteht, ermöglicht die Erprobung neuer Versorgungsansätze dort, wo sie am meisten Wirkung erzielen können.

Fazit: In unserer Studie haben wir die Häufigkeit der wichtigsten Mundkrankheiten in Deutschland analysiert und räumliche Methoden angewandt, um Hochrisikocluster für gezielte Interventionen zu identifizieren und zu charakterisieren. Wir fanden heraus, dass private Schadensdaten in Kombination mit einem netzwerkbasierten, datengesteuerten Ansatz effektiv Gebiete und Faktoren aufzeigen können, die für die Mundgesundheitsversorgung relevant sind, einschließlich sozioökonomischer Determinanten wie Einkommen und beruflicher Status. Die hier vorgestellte Methodik ermöglicht die Identifizierung von Krankheitsclustern mit dem größten Bedarf, was die Umsetzung gezielterer Ansätze und die Verbesserung des Zugangs zu qualitativ hochwertiger Versorgung dort ermöglichen würde, wo sie die größte Wirkung entfalten können.

Die Autoren geben an, dass kein Interessenkonflikt besteht.

Die Autoren geben an, dass ein positives Ethikvotum vorliegt.

Der Beitrag wurde bereits publiziert: [1]