gms | German Medical Science

Einleitung: Mit den Abrechnungsdaten der Krankenkassen stehen große Datenmengen im Gesundheitswesen zur Verfügung. Das Digitale-Versorgung-Gesetz von Dezember 2019 und der damit verbundene Anspruch von Patienten auf eine Versorgung mit digitalen Gesundheitsanwendungen [1], [2] sowie die Einführung der elektronischen Patientenakte im Januar 2021 [3], wird zum Wachstum der Menge der digitalen Gesundheitsdaten in Deutschland führen. Die zunehmende Digitalisierung legt es nahe, die Methoden von Big Data kennenzulernen und zu nutzen. Durch den Einsatz von innovativen Machine Learning Methoden lassen sich aus großen Datensätzen Informationen und Erkenntnisse gewinnen. Die strukturierte Verarbeitung großer Mengen patientenbezogener Abrechnungsdaten, die zu Abrechnungszwecken routinemäßig von Krankenkassen erhobenen werden, helfen Behandlungsabläufe und Behandlungsergebnisse zu evaluieren und damit zu einer Verbesserung von Versorgungs- und Behandlungsqualität beizutragen.

Diese Arbeit gibt einen Überblick darüber, welche Algorithmen und Programmroutinen zur Ermittlung von Versorgungsabläufen aus Routinedaten der Inanspruchnahme von Gesundheitsleistungen bereits angewandt werden. Ebenso wird aufgezeigt, welche Methoden zusätzlich signifikante Muster ermitteln, die auf Zusammenhänge von Behandlungspfaden oder Sequenzen von Inanspruchnahme und Gesundheitsoutcomes hinweisen könnten.

Methodik: Das Scoping Review wurde entsprechend der JBI-Methodologie durchgeführt. Gesucht wurde in den Datenbanken PubMed, Web of Science, Scopus und EconLit. Dabei wurden ausschließlich Studien berücksichtigt, die zwischen dem 01.01.2000 und dem 16.03.2021 auf Deutsch oder auf Englisch veröffentlicht wurden. Die Suchstrategie wurde durch Schlagwörter dreier Kategorien definiert: 1. die Methode der Datenanalyse, 2. das Anforderungsprofil an die Daten und 3. die angestrebte Darstellungsart der Ergebnisse der Datenanalyse. In den Einschlusskriterien wurde festgelegt, dass die angewandte Methodik beschrieben wird, dass Gesundheitsdaten analysiert werden und dass die Chronologie der Versorgungsereignisse berücksichtigt wird.

In einem zweistufigen Sichtungsprozess (1. Title/Abstract und 2. Volltext) werden die Treffer narrativ von zwei Personen unabhängig hinsichtlich ihres Einschlusses geprüft. Cohens Kappa wird zur Berechnung des Übereinstimmungsgrad der Beurteilungen verwendet. Für den Entscheidungsprozess wird Rayyan [4] genutzt.

Ergebnisse: Die Literatursuche ergab 2.863 Treffer. Bis zum jetzigen Zeitpunkt wurden 18 von 1.939 begutachteten Veröffentlichungen zur weiteren Volltext-Sichtung ausgewählt. Die Hälfte der eingeschlossenen Studien wurde in den letzten zwei Jahren veröffentlicht. Lediglich eine der Veröffentlichungen analysiert deutsche Gesundheitsdaten. Neun Studien nutzten Clusterverfahren zur Datenanalyse. Fünf dieser Studien verwendeten partitionierende und zwei der Studien verwendeten hierarchische Clustering-Algorithmen. Drei Studien setzten mit weiteren Algorithmen kombinierte Klassifikationsverfahren ein. Einzelne Studien arbeiteten mit Methoden wie dem Sequentiellen Pattern Mining, dem Temporal Pattern Mining sowie einer Kombination aus rekurrenten und graphischen Neuronalen Netzwerken. Drei Studien gaben an, dass die angewandten Methoden Vorhersagen zukünftiger gesundheitlicher Entwicklungen ermöglichten.

Diskussion: Der Review zeigt, dass international bereits viele verschiedene Data Mining Methoden zur Erkenntnisgewinnung aus Gesundheitsdaten angewandt wurden. Dabei analysierte lediglich eine Studie deutsche Gesundheitsdaten. Die steigende Menge an verfügbaren Gesundheitsdaten in Deutschland könnte zu einem steigenden Interesse an den in diesem Review dargestellten Methoden führen. Zu ermittelnde Qualitätskriterien würden bei der weiteren Einschätzung der Praktikabilität verschiedener Methoden helfen.

Schlussfolgerung: Die Arbeit gibt einen Überblick über unterschiedliche Data Mining Methoden und deren Potentiale, um aus Gesundheitsdaten Erkenntnisse zur Versorgungsverbesserung zu gewinnen. Die Ergebnisse des Reviews motivieren, verstärkt innovative Methoden zur Gesundheitsdatenanalyse in Deutschland anzuwenden.

Die Autoren geben an, dass kein Interessenkonflikt besteht.

Die Autoren geben an, dass kein Ethikvotum erforderlich ist.