versorgungsforschung mit routinedaten: best practice-beispiele … · 2014. 7. 9. · generierung...
TRANSCRIPT
|
Versorgungsforschung mit Routinedaten: Best Practice-Beispiele Dr. Edin Basic
Elsevier Health Analytics Deutschland
8. Juli 2014
|
Agenda
1. Kurzvorstellung Elsevier Health Analytics
2. Routinedaten im deutschen Gesundheitssystem
3. Best-Practice Beispiele: Entwicklung und Evaluierung von Versorgungsprogrammen Wirksamkeit von Therapien Bestimmung von krankheitsspezifischen Kosten
4. Ausblick
|
Elsevier Health Analytics in Berlin mit hoher medizinischer und statistischer Kompetenz
3
Kernkompetenz Bestehende und innovative Versorgungsprogramme medizinisch und ökonomisch auf Basis von GKV Routinedaten zu
• konzipieren • evaluieren und • weiterentwickeln
Wir werden unterstützt von ca. 50 deutschen und internationalen Wissenschaftlern
Experten für Datenanalyse
• Mediziner • Statistiker • Informatiker • Gesundheistsökonomen
|
Das Health Risk Institute
• unterstützt die Krankenkassen insbesondere bei der Erfüllung ihrer gesetzlichen Aufgaben aus: 73a ff. [Strukturverträge, HZV, besondere ambulante ärztliche Versorgung], 140a ff. [Integrierte Versorgung] und 130c [Verträge mit pharmazeutischen Unternehmern].
• entwickelt wissenschaftlich fundierte analytische Lösungen, um Verträge zwischen Gesetzlichen Krankenkassen und Leistungserbringern (weiter) zu entwickeln.
4
Elsevier Health Analytics und spectrumK sind gemeinsam Träger des Health Risk Institutes
• erarbeitet prospektive Risikokennzahlen auf Basis des aktuellen Standes der Medizin und der Abrechnungsdaten um zielgenaues Versorgungsmanagement zu ermöglichen.
• entwickelt indikationsspezifische Versorgungs-konzepte für neuartige Vertragsbeziehungen zwischen Kostenträgern, Leistungserbringern und Herstellern.
| 5
Fachexperten forschen mit uns auf der Forschungsdatenbank und generieren neues Wissen zur Weiterentwicklung der Versorgung
KOOPERATIONSPARTNER
FORSCHUNGSTHEMEN
Prof. Martin Härter Direktor Institut und Poliklinik für Medizinische Psychologie Universitätsklinikum Hamburg-Eppendorf
• Regionale Variationen bei der Versorgung von Patienten mit Depression (Faktencheck Depression)
• Effekte leitliniengerechter Versorgung bei Patienten mit Depression
Prof. Jean-Francois Chenot Leiter Abteilung Allgemeinmedizin Institut für Community Medicine
• Effekte von nicht-medikamentösen Maßnahmen bei Patienten mit unspezifischem Rückenschmerz (Chirotherapie, Akkupunktur, Krankengymnastik)
Prof. Annette Becker Abteilung für Allgemeinmedizin, Präventive und Rehabilitative Medizin Philipps-Universität Marburg
• Erkennung von unerwünschten Wirkungen von Arzneimitteln mittels Routinedaten der GKV (Schilddrüsenpräparate als Risiko für Frakturen)
PD Christoph Kröger Institut für Psychologie / Psychotherapieambulanz Technische Universität Braunschweig
• Kosten von Patienten mit Borderline-Störung aus Sicht der GKV
• Bestimmung von Prädiktoren aus Routinedaten für Hochkosten-Fälle bei Borderline
|
Agenda
1. Kurzvorstellung Elsevier Health Analytics
2. Routinedaten aus der gesetzlichen Krankenversicherung
3. Best-Practice Beispiele: Entwicklung und Evaluierung von Versorgungsprogrammen Wirksamkeit von Therapien Bestimmung von krankheitsspezifischen Kosten
4. Ausblick
|
Vorhersage von Hospitalisierungen
7
|
Wie sehen die Daten aus
8
|
Abrechnungsbetrug
9
|
Daten im Kontext des deutschen Gesundheitssystems
10
|
Routinedaten/Sekundärdaten
11
• Stammdaten: (z.B. Geburtsdatum, Geschlecht, Versicherungszeiten, Versicherungsstatus)
• Ambulanter Bereich: ICD-Diagnosen, Datum/Quartal der Leistungserbringung, Facharztgruppe
• Stationärer Bereich: ICD-Diagnosen bei Aufnahme und Entlassung sowie
Nebendiagnosen, OPS-Leistungen, Beginn/Ende des stationären Aufenthalts, DRG • Daten zur Arzneiverordnungen: (Pharmazentralnummer, Verordnungs- und
Abgabedatum, Arztbezug) • Daten zur Arbeitsunfähigkeit: (ICD-Diagnose, Beginn/Ende der Arbeitsunfähigkeit,
Krankengeldzahlungen)
• Heil- und Hilfsmittel • Leistung „Pflege“: (Beginn/Ende der Pflege, Pflegeart und Pflegestufe)
Verknüpfung über Versicherten-Pseudonym
|
Stärken
• große Population
• Verknüpfung der Daten einzelner Leistungsbereiche möglich
• Analysen im Zeitablauf möglich
• Zeitnahe Verfügbarkeit (stationäre Daten, Arzneimitteldaten)
• Erfassung des Leistungsgeschehens (kein Drop-out, keine Verweigerung, kein Interviewer- oder Erinnerungsbias)
12
Routinedaten für die Versorgungsforschung: Stärken und Schwächen
Schwächen
• keine klinische Parameter (z.B. Blutdruck oder Laborwerte)
• Ambulante Daten: zeitverzögerte Verfügbarkeit (ca. 9 Monate nach Quartalsende)
• Quartalsbezug ambulanter Diagnosedaten, Kodierqualität
• Arzneimitteldaten enthalten keine zu Grunde liegende Diagnosen, nicht für stationären Bereich verfügbar
|
Agenda
1. Kurzvorstellung Elsevier Health Analytics
2. Routinedaten aus der gesetzlichen Krankenversicherung
3. Best-Practice Beispiele: Entwicklung und Evaluierung von Versorgungsprogrammen Wirksamkeit von Therapien Bestimmung von krankheitsspezifischen Kosten
4. Ausblick Voraussetzungen, Service, Offene Fragen
|
Beispiel 1: Bewertung eines „Psychocoaching“- Programms Vorgehensweise
14
Identifikation potenzieller Kandidaten
Anwendung von Prädiktionsmodellen bei Kandidaten
Generierung einer Kandidatenliste für ein Psychocoaching -Programm
Evaluation von Zielparametern
Tätigkeiten HRI
Beschreibung Inhalte Anwendung definierter
Ein- und Ausschlusskriterien für definierte Zeiträume, z.B. − Alter − Ambulante/
stationäre Diagnosen − Höhe der
Gesamtleistungs-kosten
Feedback bezüglich der Ein- und Ausschlusskriterien und der Zeiträume
Freigabe
Tätigkeiten Krankenkasse
Anwendung der Prädiktionsmodelle − Leistungskosten-
prognose − KH-Einweisungs-
prognose − Beeinflussbarkeit
durch Programm Erste Quantifi-
zierung von Kandidatenmenge im Bestand der KK
Feedback hinsichtlich geplanten Umfangs des Psycho-coaching-Programms
Anwendung der gemeinsam festlegten Grenzwerte für die Prädiktionsmodelle
Generierung einer Kandidatenliste aus dem Bestand der Krankenkasse
Freigabe der Analyse (Datenschutz)
Übernahme der Kandidatenliste
Zielparameter: − Gesamtleistungs-
kosten − Krankenhauskosten − Krankenhausfälle
Feedback bezüglich der Ergebnisse
|
Psychische Störungen haben hohe Prävalenz, Inanspruchnahme teurer Leistungen erfolgt jedoch nur durch wenige Betroffene
15
23% der Erwachsenen haben pro Jahr Diagnosen aus dem Bereich psychischer und Verhaltensstörungen (F-Diagnosen)*
80% davon erhalten mind. eine F-Diagnose beim Hausarzt
Quelle: Nach Alter und Geschlecht auf Kreisebene stratifizierte Forschungsdatenbank (FDB) des Health Risk Instituts, 2011. * Gezählt wurden Versicherte mit ambulant gesicherter Diagnose in 2 Quartalen oder einer Krankenhausdiagnose
9,6% davon haben Krankengeldtage
3,2% davon werden stationär in psychiatrischen Krankenhäusern behandelt
|
Ergebnis der Fokussierung: Psycho-Programm
16
|
Exkurs: Statistical Matching (1)
17
• Ziel der Evaluation: Messung kausaler Effekte eines “Treatment”
• Potentielle Ergebnisse
− Y(1): das potentielle Ergebnis mit Intervention
− Y(0): das potentielle Ergebnis ohne Intervention
• Der kausale Effekt eines “Treatment” für Individuum i ist definiert als:
Yi(1) – Yi(0)
• Evaluationsproblem: Beobachten kann man immer nur ein Ergebnis
• Ein Ergebnis wird realisiert, das andere ist kontrafaktisch
• Dies ist das fundamentale Problem der kausalen Inferenz
|
Exkurs: Statistical Matching (2)
18
• Evaluationsherausforderung: Ex-post Konstruktion einer adequaten Kontrollgruppe, um den kausallen Effekt zu schätzen
• Zu jedem Fall in der Interventionsgruppe sucht man einen Kontroll-Fall, der bezüglich beobachtbaren Charakteristika sehr ähnlich ist
− Damit sind beobachtbaren Charakteristika in beiden Gruppe “balanciert”
− Der Kontroll-Fall ist somit der “imputierte” kontrafaktische Wert
• Exaktes Matching:
− Es werden alle Fälle mit identischen Charakteristika gematcht
− Problem: “Curse of Dimensionality”
• Propensity Score Matching:
− Der Propensity Score für ein Individuum ist die auf beobachtbare Chararkteristika bedingte Wahrscheinlichkeit, die Intervention zu erhalten.
− Dadurch wird die mehrdimensionale Information auf nur eine Dimension reduziert
− Das Individuum aus der Kontrollgruppe mit dem ähnlichstem Propensity Score wird als Matchingpartner zugeordnet
|
Propensity Score Matching ist ein Verfahren zum Vergleich von Gruppen
19
72 12
122 186 242 259
369 487
653
895
Anzahl wissenschaftliche Publikation mit Nutzung des Propensity Score Matching Verfahren
Quelle: Medline, Stand: Nov. 2013
|
Gruppenvergleiche mit Propensity Score Matching können wichtige Erkenntnisse für die Entwicklung der Versorgung liefern
20
ANALYSETYP
BEISPIELE
FRAGESTELLUNGEN
Evaluation eines Programms
• DMP • HZV • Integrierte Versorgung • Bonusprogramm
Welche Auswirkungen hat das Programm: auf die Leistungskosten? auf den Ressourcenverbrauch? auf die Versorgung?
Interventions-Effekte
• Akuter Rückenschmerz mit vs ohne Chirotherapie
• Depression mit vs ohne Therapie nach Leitlinie
Welche Auswirkungen sind von einem Programm mit dem Ziel „bessere Leitlinientherapie bei Depression“ zu erwarten?
Krankheits-Effekte • Inkrementelle Effekte bei Versicherten mit Rückenschmerz vs ohne Rückenschmerz
Wo gibt es krankheitsspezifische: - Mehrausgaben (HLB?)? - Mehrverbräuche? - Versorgungsunterschiede?
Krankheitsprogression • Effekte der Therapieeskalation bei Diabetes Typ 2
• Auswirkung der Niereninsuffizienz bei Diabetes Typ 2
Welche Auswirkungen erwarte ich wenn ich ein Programm zur Sekundärprävention einführe, das bei 10% eine Progression verhindert?
|
Ergebnisse: Balance (Auswahl)
21
Unmatched Propensity Score matched
TN (n=240)
Pool (282386)
TN (n=240)
Partner (n=240)
Alter (mean & SD) 46,9 (10,3) 55,8 (19,7) 46,9 (10,3) 46,3 (10,5)
Anzahl Wirkstoffe (mean & SD) 4,3 (2,9) 6,4 (3,9) 4,3 (2,9) 4,1 (2,4)
Frauen (%) 73,1 64,9 73,1 72,4
Hyperthonie (%) 14,2 46,4 14,2 15,1
Rückenschmerzen (%) 49,2 44,6 49,2 47,9
Neubildungen (%) 52,2 33,1 52,2 51,3
Atemweg-Erkrankungen (%) 20,2 16,1 20,2 21,0
Antirheumatika (%) 38,1 43,2 38,1 36,9
Psychoanaleptika (%) 79,1 63,2 79,1 77,8
Analgetika (%) 22,0 33,8 22,0 21,1
|
Ergebnisse: Krankenhauskosten, Krankenhausfälle
22
Krankenhauskosten Teilnehmer Partner Differenz P-Wert
Kosten (€) 4 Quartale davor 634,50 606,74 27,76 0,7592
Kosten (€) 6 Quartale danach 804,68 1149,82 -345,14 0,0753
Krankenhausfälle
KH-Fälle (%) 4 Quartale davor 0,25 0,25 0,00 0,9349
KH-Fälle (%) 6 Quartale danach 0,32 0,52 -0,20 0,0067
|
Beispiel 2: Chirotherapie als effiziente Therapie bei einer Subgruppe von Rückenschmerzen-Patienten
23
• Chirotherapie / Manuelle Medizin ist eine traditionelle Heilmethode
vornehmlich für muskuloskelettale Beschwerden
• Leistung der GKV bei zugelassenen Ärzten
• ca. 8 % der Hausärzte
• >90% der niedergelassenen Orthopäden
• Manipulationen stehen unter Arztvorbehalt
• Evidenz zur Wirksamkeit ist widersprüchlich
|
Hintergrund
24
• Unterschiedliche Bewertung der Chirotherapie in Leitlinien
|
Hypothesen / Endpunkte
25
Chirotherapie bei akuten Rückenschmerzen führt zu …
weniger AU-Tagen für Rückenschmerzen ⇓
weniger Verordnung von Physiotherapie ⇓
mehr Bildgebung ⇑
weniger Inanspruchnahme von Akupunktur ⇓
weniger Schmerzmittelverordnung ⇓
geringerer Inanspruchnahme von Leistungen und geringeren Kosten ⇓
|
Methode
26
Design Matched pair Kohortenstudie
Datenquelle Routinedaten Demographische Daten, ICD, ambulante Abrechnung, EBM-GOP, Medikation (ATC), Physiotherapieverordnung, Krankenhausaufnahme
Auswahlkriterien Akute Schmerzen im Lendenwirbelsäulenbereich (ICD) in 2011 Keine Rückendiagnose 2 Quartale vor Einschluss Alter 18 bis 50 Jahre Keine „red flags“
Tumorerkrankungen Rheumatische Erkrankungen (M45-49) Keine Fraktur HIV, Immunsupression Osteoporose Systemische Steroidtherapie Bandscheibenvorfall / Nervenkompression Operation an der Wirbelsäule (OPS)
|
Matching
27
Zweistufiges 1:1 Matching (17.876 : 17.876)
1 Stufe (exact matching) Alter, Geschlecht, Konsultation Orthopädie im Indexquartal
2 Stufe (propensity score matching / nearest neighbor) Durchschnittseinkommen Bevölkerungsdichte Arbeitslosenrate Ost- versus Westdeutschland Anzahl der Versicherte ohne Schulabschluss
Versicherungsstatus Chirotherapie durch Hausarzt oder Orthopäde Konsultationsfrequenz Orthopädie Krankenhauseinweisungen Charlson Comorbidity Index Anzahl der Medikamente Gruppe F-Diagnosen (Depression, Alkohol, etc.)
regionale Daten
individuelle Daten
|
Balance (Auswahl)
28
Durchschnitt Chirotherapie
n = 17.867
Durchschnitt Kontrollen n = 17.867
standardized mean
difference
Medianeinkommen (€) 2782,9 2771,7 0,03 Arbeitslosenrate (%) 7,2 7,2 -0,023 Familienversichert (%) 13 12,5 0,016 Krankengeldanspruch (%) 80,7 81,4 -0.017 Charlson Comorbidity Index 1-3 (%)
11,5 11,3 0.0004
Wirkstoffe (n) 1,88 1,89 -0.007 Depression (%) 9,9 10,8 -0,013 Alkohol (%) 1 1,2 -0,025
Interpretationshilfe standardized mean difference ± 0,1 (10%) ist akzeptabel
|
VERGLEICHE
29
Chirotherapie versus Kontrolle
Alle gematchten Patienten
Versorgung nur durch Hausarzt
Versorgung nur durch Orthopäden
Interpretationshilfe Effektstärke (standardized mean difference)
Cohen, J. (1988). Statistical power analysis for the behavioral sciences.
SDM
gering 0,20
mittel 0,50
groß 0,80
|
Ergebnisse: Bildgebungen
30
Chirotherapie Kontrollen SMD
IQ 4Q IQ 4Q IQ 4Q
Bildgebung Alle (%) 31 22 22,1 18,8 0,20 0,08 Bildgebung nur Orthopäde (%) 41,6 25,7 35,8 22,8 0,12 0,07 Bildgebung nur Hausarzt (%) 13 15,9 2,7 11,8 0,39 0,12
|
Ergebnisse: Physiotherapie
31
Chirotherapie Kontrollen SMD
Physiotherapie Alle (%) 43,6 29,4 0,07 Physiotherapie nur Orthopäde (%) 44,6 33,6 0,05 Physiotherapie nur Hausarzt (%) 31,6 23,9 0,05
|
Ergebnisse: Akupunktur
32
Chirotherapie Kontrollen SMD
Akupunktur Alle (%) 1,8 1,5 0,02 Akupunktur nur Orthopäde (%) 2,4 2,4 0 Akupunktur nur Hausarzt (%) 1,2 2,4 0,06
|
Ergebnisse: Kosten, AU-Tage
33
Chirotherapie Kontrollen SMD
Kosten (€) 252,57 248,40 0,008 AU-Tage 1,97 2,10 -0,01
Kein wesentlicher Unterschied zwischen Hausärzten und Orthopäden
|
Beispiel 3: Schätzung von krankheitsspezifischen Kosten
34
• Ziele:
− Schätzung von Rückenschmerzen-spezifischen Kosten
− Bestimmung von Prädiktoren für Hochkosten-Fälle bei
Rückenschmerzen
• Methode: Propensity Score Matching und logistische Regression
• Analysezeitraum: 2007-2010
|
Methode: Propensity Score Matching
35
2007 2008 2009
Gesamtleisungs-kosten
Gesamtleistungs-kosten
∑ ∑
2010
Matchingzeitraum Komorbiditätstruktur
Ähnliche Kosten zu Beginn 2008
Bildung der Kontrollgruppe
2011
|
Ergebnisse: Balance (1)
36
|
Ergebnisse: Balance (2)
37
|
Ergebnisse: Gesamtleistungskosten
38
|
Ergebnisse: AU-Tage
39
|
Zusammenfassung: Rückenschmerzen-spezifische Kosten
40
• Bisher:
− Kosten für Patienten mit Rückenschmerzen
− Kosten für gematchte Patienten ohne Rückenschmerzen
• Aufteilung der spezifischen Kosten in Kostengruppen
|
Logistische Regression
41
• Modelliert wurde die Chance hohe Kosten (Gruppen A + B) zu haben
• Modellgleichung
• Interpretation:
• Wird z.B. um 1 Einheit erhöht, so gilt für das Chancenverhältnis
ikkiii
ii xxxYP
xYP βββ +++=
=−
=110)|1(1
)|1(ln
)exp()exp()exp()|1(1
)|1(110 ikki
ii
ii xxxYP
xYP βββ ==−
=
)exp(),|1(1
),|1(/),1|1(1
),1|1(1
1
1
1
1 β==−
=+=−
+=
ii
ii
ii
ii
xYPxYP
xYPxYP
1x
|
Ergebnisse
42
Erkrankungen VariableKoronarsklerose und andere chronisch-ischämische Koronarerkrankungen ADXG_365
Endokarditis an der Mitral- oder Aortenklappe ADXG_371
Hypertensive Herzerkrankung, ohne Herzinsuffizienz ADXG_385
Essentielle Hypertonie ADXG_387
Vorhofarrhythmie ADXG_391Depressive Episoden und rezidivierende depressive Störungen (major depressive disorders) ADXG_264 Störungen, exkl. major depressive disorders und bipolare Störungen ADXG_269
Emphysem / Chronische Bronchitis ADXG_451
Asthma bronchiale ADXG_460
Nicht näher bezeichnete Erkrankung peripherer Gefäße ADXG_432
Atherosklerose ADXG_437
Osteoarthrose der Beckenregion und der Hüfte ADXG_197
Osteoarthrose des Knies ADXG_198
Osteoporose ADXG_201
Cluster 1
Cluster 2
Cluster 3
Cluster 4
Cluster 5
|
Ausblick
43
• Monitoring von unerwünschten Arzneimittelwirkungen mit Routinedaten
• Optimierung von Versorgungsprogrammen
• Früherkennung von Krankheiten bzw. Krankheitsprogression
• Abrechnungsbetrug
|
Wesentliche Inhalte des Programms
44
• Information / Motivation / individuelle Unterstützung
• Verbesserung der nicht-medikamentösen Therapie (vor allem Bewegung)
• Verbesserung der Medikamenten-Compliance • Zuführung zur fachärztlichen Diagnostik und Therapie; Unterstützung bei der
Vereinbarung von Facharztterminen / psychotherapeutischen Terminen
• Unterstützung und Anregung zur Planung und Organisation des Alltags
• Stabilisierende Strukturen im sozialen Umfeld identifizieren und stärken, soziale Integration
• Etablierung frühzeitiges Erkennen von Dekompensationen, aktives („präventives“) Handeln, um Beschwerden und Krankenhaus-aufenthalte zu vermeiden