gms | German Medical Science

Hintergrund: In der Schweiz wird seit dem Jahr 1999 eine gesamtschweizerische statistische Vollerhebung von sämtlichen stationären Aufenthalten von Patientinnen und Patienten durchgeführt (electronic patient datasets). Die Daten werden vom Schweizerischen Bundesamt für Statistik gesammelt und dienen unter anderem für DRG-Abrechnungszwecke oder für die Evaluation der Outcome-Qualität mittels Berechnung und Publikation von Qualitätsindikatoren (CH-IQI).

Ein spezielles Verfahren, das Teil der Erhebungsdaten ist, ermöglicht die Verknüpfung von mehreren Behandlungsepisoden von ein und derselben Person (der sogenannte anonyme Verbindungscode). Auf dieser Basis können Behandlungspfade über mehrere stationäre Institutionen ermittelt und analysiert werden.

Fragestellung: Die Analyse von verknüpften Behandlungsepisoden ist ein aussichtsreiches Verfahren zur Analyse der Versorgung und der Outcomes von Behandlungen von stationären Patienten und Patientinnen. Es stellt sich die Frage, welche Muster bei den Verläufen der Behandlungsepisoden erkennbar werden und ob sich Verallgemeinerungen ableiten lassen. Dabei werden traditionellerweise regelbasierte Systeme [1], [2], lineare Regressionen [3] und Markov Modelle [4] angewendet. Es stellt sich nun die Frage, wie sich neuere methodische Ansätze des Deep Learning in diesem Kontext bewähren. So wurden mit diesem Ansatz beispielsweise Verläufe von Krankheiten am Lebensende prognostiziert im Hinblick auf die optimale Auswahl von Patienten für eine Palliativbehandlung [5].

Methode: Die Daten der Jahre 2011 bis 2015, rund 7 Mio. Fälle werden zunächst mittels der Clinical Classification Software der AHRQ hinsichtlich der Komplexität der verzeichneten Diagnosen- und Behandlungsangaben auf klinisch relevante Gruppen reduziert. Anschliessend werden behandlungs- und diagnosespezifische Verläufe gebildet. Die entsprechenden Verläufe werden nach bestimmten Krankheitsgruppen gepoolt und mit den Methoden des Deep Learning analysiert. Outcome-relevante Ergebnisse wie Sterbefälle, allfällige Wiederaufnahme(n) und weitere relevanten Merkmale werden geschätzt.

Ergebnisse: Die Ergebnisse der Analysen beinhalten krankheitsspezifische Prognosen für die Verläufe und die Outcomes der wichtigsten Krankheiten. Dabei werden sowohl akutmedizinische Ereignisse wie auch chronische Verläufe analysiert. Die Ergebnisse stellen „typische“ beziehungsweise „auffällige“ Verläufe von Patientenepisoden und Wiedereintritten einander gegenüber.

Diskussion: Aus der Gegenüberstellung von „typischen“ und „atypischen“ Behandlungsverläufen können einerseits Vergleiche der Versorgung von stationären Patienten gemacht werden. Andererseits können anhand der gelernten Muster Prognosen für den Verlauf von Behandlungen gemacht werden. Potentiell vermeidbare und erwünschte Verläufe werden einander gegenübergestellt.

Praktische Implikationen: Die Ergebnisse liefern Grundlagen für die Weiterentwicklung von Methoden für die Analyse von Rehospitalisationen und von Behandlungsverläufen.