gms | German Medical Science

Hintergrund und Stand (inter)nationaler Forschung: Die freie Arztwahl und Informationslücken zwischen Leistungserbringern führen im deutschen Gesundheitswesen zu erhöhtem Koordinationsbedarf und möglichen Steuerungsdefiziten, die eine ineffiziente Auslastung von Versorgern bedingen können. Studien deuten darauf hin, dass fehlende Kenntnisse über den Versorgungsverlauf von Patient*innen zu Über-, Unter und Fehlversorgung führen können.

Fragestellung und Zielsetzung: Das Ziel des angestrebten Projektes ist es, empirische Patientenpfade von vier Erkrankungen (Patient*innen mit Rückenschmerzen, depressiven Störungen, Herzinsuffizienz oder Patient*innen nach einem Myokardinfarkt) sowie von einer repräsentativen Stichprobe von Versicherten der TK auf Grundlage von Routinedaten zu analysieren. Mögliche Steuerungsdefizite sollen entlang der analysierten Pfade identifiziert werden.

Methode: Machine Learning Methoden und deskriptive Analysen werden angewandt, um Routinedaten zu analysieren. Gemeinsam mit einem Ärztepanel werden empirische Analysen vorbereitet, und im Anschluss an die Datenanalyse wird in einem strukturierten Prozess erörtert, welche Analyseergebnisse und welche Kennzahlen geeignet sind, um mögliche Steuerungsdefizite zu erkennen.

Ergebnisse: Der Projektablauf und erste Übersichten sollen bei der Konferenz vorgestellt werden. Die Übersichten beinhalten aggregiertes Inanspruchnahmeverhalten von Patient*innen mit den eingeschlossenen Krankheitsbildern.

Diskussion: Die Anwendung von Methoden des maschinellen Lernens soll eine Systematisierung der typischen Muster der Inanspruchnahme von Leistungserbringern und Leistungen entlang der Patientenpfade ermöglichen. Die Einbindung des Ärztepanels in die Vorbereitung der empirischen Analysen und in die Erörterung der Ergebnisse erlaubt abschließend eine qualitative Einordnung der Analyseergebnisse.

Praktische Implikationen: Durch Versorgungsbrüche nach der Krankenhausentlassung und in der ambulanten Weiterbehandlung, u.a. in Hinblick auf zeitnahe Medikation und Kontrollbesuche, steigt das Risiko für eine stationäre Wiederaufnahme. Studien deuten darauf hin, dass eine kontinuierliche ambulante Versorgung das allgemeine Hospitalisierungsrisiko und insbesondere das Risiko von Hospitalisierungen infolge ambulant-sensitiver Indikationen reduzieren kann. Steuerungsdefizite können demnach zu potentieller Fehl- und Überversorgung führen, aber auch die Folgen von Unterversorgung verschärfen, wenn knappe Ressourcen nicht effizient eingesetzt werden. Das vorliegende Forschungsprojekt leistet einen Beitrag zur Verbesserung der Versorgung.

Appell für die Praxis (Wissenschaft und/oder Versorgung) in einem Satz: Die erarbeitete Evidenz soll Entscheidungsträgern eine weitere Grundlage für eine Verbesserung der Steuerung von Patient*innen im Gesundheitssystem zur Verfügung stellen und einen wissenschaftlichen Beitrag zur Analyse von Mustern der Inanspruchnahme mit Hilfe von Machine Learning Methoden leisten.

Förderung: Innovationsfonds/Versorgungsforschung; 01VSF19056