gms | German Medical Science

Einleitung: Die wissenschaftliche Untersuchung der Versorgung von Patienten im deutschen Gesundheitssystem nimmt an Bedeutung zu. Zunehmend wird von der Politik der Nachweis des Erfolges von medizinischen Maßnahmen gefordert, dies betrifft auch medizinische Rehabilitationsleistungen. Neben der Messung des Erfolgs einer Therapie bzw. Rehabilitationsmaßnahme ist es zielführend, schon zu Beginn der Therapie Aussagen zum erwartbaren Erfolg machen zu können. Mittels unterschiedlicher statistischer Methoden aus dem Bereich des Data Mining sollten folgende Ziele erreicht werden:

1.

Identifikation von Prädiktoren mit hoher Vorhersagekraft für den Erfolg der Rehabilitation

2.

Bildung von Subgruppen, die für die Prädiktion eines erfolgreichen Outcome wichtig sind

3.

Individuelle Vorhersage des quantitativen Ergebnis aufgrund der Patientenmerkmale zu Beginn der Rehabilitation

4.

Identifikation von Patienten, die aufgrund der Vorhersage vermutlich besonders gut – oder besonders schlecht – abschneiden werden

Material und Methoden: Für 6323 Patienten, die sich in einer von 21 kardiologischen Einrichtungen einer stationären Rehabilitationsleistung unterzogen, wurden mit Hilfe der Software EVA-Reha® Daten erhoben [1]. Dies umfasst neben soziodemografischen Daten, Begleiterkrankungen und Risikofaktoren weitere mutmaßlich für den Rehabilitationserfolg relevante Faktoren. Der Erfolg wurde mittels 13 Qualitätsindikatoren, welche zu Beginn und Ende der Rehabilitation gemessen wurden, bestimmt. Die Qualitätsindikatoren lassen sich den 3 Dimensionen 1. Risikofaktoren (Blutdruck, Cholesterinkonzentration im Serum, Triglyzeridkonzentration im Serum), 2. körperliche Leistungsfähigkeit (Herzfrequenz in Ruhe, Gehstrecke, ergometrischer Befund, Angina pectoris Stadium, Herzinsuffizienz Stadium) und 3. Subjektive Gesundheit (Schmerzen, körperliches Befinden, psychisches Befinden, Herzangst und Depressivität) zuordnen [2]. Aus den 13 Qualitätsindikatoren wurde ein multiples Ergebniskriterium (MEK) gebildet [3]. In allen Fällen war die Techniker Krankenkasse Hamburg der Leistungsträger. Die Identifikation von Prädiktoren und Subgruppen auf Basis dieser Daten wurde mittels eines Multimethodenansatzes angegangen. Neben univariaten Analysen wurden sowohl „unsupervised“-Techniken wie Clusteranalyse als auch „supervised“-Techniken wie Random Forest und generalisierte lineare Modelle (GLM) eingesetzt. Insgesamt gehen mehr als 60 Einflussgrößen in diese Ansätze ein.

Ergebnisse: Es werden die Bildung eines multiplen Ergebniskriterium (MEK) aus den 13 Qualitätsindikatoren sowie dessen statistische Kenngrößen vorgestellt. Insbesondere wird auf den Prozess bzw. Ablauf bei der Beantwortung der oben angeführten Fragen eingegangen. Die Ergebnisse für die Vorhersage des Erfolgs der kardiologischen Rehabilitation werden präsentiert und Vor- und Nachteile der einzelnen Verfahren diskutiert. So können durch die Betrachtung der Variable Importance aus dem Random Forest bedeutsame Variablen identifiziert werden. Durch Integration dieser Variablen - sowie Berücksichtigung von Wechselwirkungen dieser - in einem GLM können Aussagen über die Höhe des relativen Beitrags zur Prädiktion gemacht werden. Patientengruppen konnten durch Clusteranalyse differenziert und für die Vorhersage des MEK genutzt werden.

Diskussion: Durch die verbesserte Prognose des mutmaßlichen Erfolgs der kardiologischen Rehabilitation auf Basis statistischer Techniken kann die Versorgung der Rehabilitanden besser verstanden und möglicherweise durch geeignete Maßnahmen verbessert werden. Dies ist unter dem Aspekt einer optimalen und effizienten Versorgung in der Rehabilitation sowohl für Ärzte als auch für Patienten von Interesse.