gms | German Medical Science

Hintergrund: International werden Routinedaten zur Definition von Qualitätsindikatoren genutzt, um stationäre Behandlungsqualität zu erfassen. Fallübergreifende Routinedaten erlauben bei geringem administrativen Aufwand die sektorenübergreifende Longitudinalanalyse von Behandlungsfolgen inner- und außerhalb des initialen Klinikaufenthaltes. Aufgrund des Erhebungskontextes kann die Dokumentation von Outcomes und Risikofaktoren in Abrechnungsdaten jedoch stark eingeschränkt sein. Demgegenüber werden innerklinisch medizinische Daten erfasst, die für eine externe Qualitätsmessung relevant sein können, aber oft nicht einheitlich und systematisch elektronisch abgelegt werden. Hybride Qualitätsindikatoren (Hybrid-QI) verknüpfen klinische und administrative Daten auf Patientenebene [1].

Ziel: Ziel dieser longitudinalen Sekundärdatenanalyse ist es, GKV-Routinedaten mit klinischen Datensätzen zu verknüpfen und in einem Observational Medical Outcomes Partnership (OMOP) Common Data Model (CDM) zu harmonisieren. Auf Grundlage der verknüpften und harmonisierten Daten werden a) hybride Qualitätsindikatoren für vier akut-stationäre Leistungsbereiche entwickelt und minimal erforderliche klinische Datensets identifiziert, b) mit Machine Learning-Methoden Surrogate klinischer Daten in GKV-Routinedaten identifiziert und Variablen für Risikoadjustierungsmodelle selektiert und c) die Ergebnisse im Rahmen einer dynamischen Plattform zur aufwandsarmen Qualitätsmessung, Risikostratifizierung und Reporting teilnehmenden Kliniken zur Verfügung gestellt. Betrachtet werden der akute Schlaganfall und Herzinfarkt sowie Operationen bei kolorektalem Karzinom und proximaler Humerusfraktur.

Methode: Potentiell relevante Variablen zur Risikoadjustierung oder Outcomemessung werden in Panels mit Experten aus den o.g. vier Leistungsbereichen festgelegt und hinsichtlich Machbarkeitskriterien geprüft. Die ausgewählten Variablen werden aus beiden Datenquellen auf ein CDM harmonisiert und auf Patientenebene gelinkt. Im gelinkten Datensatz werden verschiedene Verfahren des Machine Learnings zur Variablenselektion und Modellierung erprobt. Zunächst werden bislang unbekannte Muster aus Variablen (Itemsets/Sequenzen) mithilfe von Classical Unsupervised-Methoden des Machine Learnings wie bspw. des Frequent Pattern Growth Algorithm und zugleich Surrogate der klinischen Daten in den GKV-Daten identifiziert. Die Eignung Künstlicher Neuronaler Netze wird hinsichtlich der Identifikation der prädiktiven Kraft einzelner Variablen für Outcome und Assoziationen zwischen den Variablen evaluiert. In regressionsbasierten Verfahren, wie u.a. der Ridge- und LASSO-Regressionen, könnten Variablenselektion und Modellierung in einem Schritt durchgeführt werden. Die Modellselektion wird über eine multiple Cross-Validierung realisiert.

Förderung: Innovationsfonds/Versorgungsforschung; 01VSF20013