gms | German Medical Science

19. Deutscher Kongress für Versorgungsforschung

Deutsches Netzwerk Versorgungsforschung e. V.

30.09. - 01.10.2020, digital

Methodische Herausforderungen in der Evaluation nicht randomisierter Studien. Ergebnisse aus der MamBo Patient*innenbefragung

Meeting Abstract

  • Ibrahim Demirer - IMVR (Universität zu Köln), Köln, Deutschland
  • Simone Richter - IMVR (Universität zu Köln), Köln, Deutschland
  • Holger Pfaff - IMVR (Universität zu Köln), Köln, Deutschland
  • Ute Karbach - Technische Universität Dortmund Campus Nord, Fakultät Rehabilitationssoziologie, Dortmund, Deutschland

19. Deutscher Kongress für Versorgungsforschung (DKVF). sine loco [digital], 30.09.-01.10.2020. Düsseldorf: German Medical Science GMS Publishing House; 2020. Doc20dkvf326

doi: 10.3205/20dkvf326, urn:nbn:de:0183-20dkvf3263

Published: September 25, 2020

© 2020 Demirer et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. See license information at http://creativecommons.org/licenses/by/4.0/.


Outline

Text

Hintergrund und Stand (inter)nationaler Forschung: Das Projekt „MamBo – Multimorbide Menschen in der ambulanten Betreuung: Patientenzentriertes, Bedarfsorientiertes Versorgungsmanagement“ (G-BA Förderkennzeichen 01NVF17001) hat zum Ziel die Versorgungssituation multimorbider Patient*innen zu verbessern. Ein Hauptelement der MamBo – Intervention ist die Monitoring und Controlling Assistenz (MoniKa). Dabei findet das Versorgungsgeschehen unter „Realbedingungen“ statt und somit in einem Setting, das zwar beobachtbar aber nicht kontrollierbar ist. Zudem ist der Einsatz der MoniKa nicht randomisiert. Vor diesem Hintergrund ist MamBo in der Versorgungsforschung kein, denn komplexe Kontexte und ethische Voraussetzungen für Interventionen sind der Versorgungsforschung inhärent. Unter dem zusätzlichen Druck der Covid-19 Pandemie muss die Evaluation von MamBo im Speziellen und die Versorgungsforschung im Generellen auf erweiterte Konzepte der kausalen Inferenz zurückgreifen.

Fragestellung und Zielsetzung: Welchen Mehrwert kann die Versorgungsforschung durch Konzepte und Methoden der kausalen Inferenz bei der Evaluation unter „Realbedingungen“ gewinnen? Dies soll am Beispiel der Ergebnisse aus MamBo erörtert werden.

Methode oder Hypothese: Die Herausforderungen in der Evaluation werden anhand theoriebasierter Modellierungen entgegnet. Hierzu werden directed acyclic graphs (DAGs) [1] verwendet. Verschiedene Methoden der kausalen Inferenz werden verwendet, so z.B. „inverse-probability-weights“ (IPW) [2], zur Gewichtung von (Selbst-) Selektionsprozessen. Ein Einbezug der Covid-19 Pandemie in die Gesamtevaluation von MamBo, wird anhand des Regression Discontinuity Designs (RDD) [3] ermöglicht. Als Datengrundlage der Analysen dient die Panelbefragung der MamBo-Patient*innen (N~1850). Diese erfolgte zu zwei Zeitpunkten. Zu t0, vor/bei Einschreibung in MamBo und zu t1, 6-12 Monate nach MamBo-Intervention.

Ergebnisse: Es werden, basierend auf den verwendeten Methoden, Unterschiede in den relevanten Endpunkten multimorbider Patient*innen (z. B. Medikationsadhärenz, Coping, mentales Wohlbefinden und Einsamkeit) erläutert und die Wirksamkeit der MamBo-Intervention, insbesondere vor dem Hintergrund der Corona-Pandemie, analysiert.

Diskussion: Es soll verdeutlicht werden, dass in der Versorgungsforschung, ein hoher methodologischer Anspruch einen positiven Beitrag auf die Evaluation unter „Realbedingungen“ leistet.

Praktische Implikationen: Primär soll die Frage beantwortet werden, ob die patientenzentrierte Versorgungsstruktur von MamBo für die Patient*innen wirksam ist. Sekundär sollen exemplarische Quellen zur Optimierung von Evaluationskonzepten in Studien reflektiert werden.

Förderung: Projekt „MamBo – Multimorbide Menschen in der ambulanten Betreuung: Patientenzentriertes, Bedarfsorientiertes Versorgungsmanagement“ (G-BA Förderkennzeichen: 01NVF17001).


Literatur

1.
Pearl J. Causal diagrams for empirical research. Biometrika. 1995;82(4):669-688.
2.
Robins JM, Hernán MA, Brumback B. Marginal structural models and causal inference in epidemiology. Epidemiology. 2000 Sep;11(5):550-60. DOI: 10.1097/00001648-200009000-00011 External link
3.
Bor J, Moscoe E, Mutevedzi P, Newell ML, Bärnighausen T. Regression discontinuity designs in epidemiology: causal inference without randomized trials. Epidemiology. 2014 Sep;25(5):729-37. DOI: 10.1097/EDE.0000000000000138 External link