|

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