Schätzung kleinräumiger Krankheitshäufigkeiten für die deutsche Bevölkerung anhand von Routinedaten am Beispiel von Typ-2-Diabetes

Breitkreuz, Jan; Brückner, Gabriela; Burgard, Jan Pablo; Krause, Joscha; Münnich, Ralf; Schüssel, Katrin

doi:10.1007/s11943-019-00241-z

“…2 ) in der vorliegenden Studie etwas höher. Algorithmen zur weiteren Zuordnung von Personen mit widersprüchlichen (E10.- und E11.-) oder unklaren Diagnosen (nur E14.-) wurden im Rahmen eines Projekts des IQWIG 12 sowie einer Analyse von AOK-Daten 11 und darauf aufbauend im Rahmen der „BURDEN 2020“-Studie 13 24 entwickelt. Die ersten beiden Studien fokussieren dabei auf die Abgrenzung des Typ-2-Diabetes.…”

Section: Diskussionunclassified

“…Der Typ-2-Diabetes ist deutlich häufiger und es wird geschätzt, dass über 90 % der Personen mit Diabetes einen Typ-2-Diabetes aufweisen [5]. Neben Befragungs-und Untersuchungssurveys gewinnt die Analyse von Routinedaten der gesetzlichen Krankenversicherung (GKV) zur Schätzung der Prävalenz des Diabetes an Bedeutung [8][9][10][11][12][13]. Obwohl die verschiedenen Diabetestypen mittels un-terschiedlicher ICD-Codes klassifiziert werden, erweist sich eine Unterscheidung von Typ-1-und Typ-2-Diabetes auf Basis von Routinedaten anhand der Diagnosen oft als schwierig [10].…”

Section: S119unclassified

Algorithmus zur Unterscheidung von Diabetes mellitus Typ 1 und Typ 2 bei der Analyse von Routinedaten

Reitzle

¹

,

Ihle

²

,

Heidemann

³

et al. 2022

View full text Add to dashboard Cite

Zusammenfassung Hintergrund Diabetes mellitus ist eine Erkrankung von hoher Public-Health-Relevanz. Zur Schätzung der zeitlichen Entwicklung der Prävalenz kommen auch Routinedaten der gesetzlichen Krankenversicherung zum Einsatz. In diesen primär zu Abrechnungszwecken generierten Daten stellt die Definition von Erkrankungen eine besondere methodische Herausforderung dar. In der vorliegenden Studie wurde ein Algorithmus zur Unterscheidung von Typ-1- und Typ-2-Diabetes für die Analyse von Routinedaten entwickelt. Methodik Datengrundlage ist eine alters- und geschlechtsstratifizierte Zufallsstichprobe der Versicherten der Barmer mit einer durchgehenden Versicherungsdauer von 2010 bis 2018 in der Größenordnung von 1% der deutschen Bevölkerung. Ein Diabetes wurde im Berichtsjahr 2018 definiert als Dokumentation (1) einer gesicherten ICD-Diagnose E10.- bis E14.- im ambulanten Sektor in mindestens 2 Quartalen, (2) einer gesicherten ICD-Diagnose E10.- bis E14.- in einem Quartal mit einer zusätzlichen Antidiabetikaverordnung (ATC-Codes A10) oder (3) einer ICD-Diagnose E10.- bis E14.- im stationären Sektor, dem ambulanten Operieren oder der Arbeitsunfähigkeit. Anhand der ICD-Diagnosen E10.- bis E14.- und der verordneten Arzneimittel, unterschieden nach Insulin und anderen Antidiabetika, wurden die Personen einem Diabetestypen zugeordnet. Nicht eindeutige oder widersprüchliche Konstellationen wurden anhand des Alters, der Häufigkeit sowie überjährigen Betrachtung der Diagnosedokumentation zugeordnet. Die Einschreibung in ein Disease-Management-Programm wurde in einer Sensitivitätsanalyse berücksichtigt. Ergebnisse Die Prävalenz des dokumentierten Diabetes in der Stichprobe der Barmer betrug im Jahr 2018 8,8%. Anhand des Algorithmus konnten 98,5% der Personen mit Diabetes dem Typ-1-Diabetes (5,5%), dem Typ-2-Diabetes (92,6%) oder einer weiteren spezifischen Diabetesform (0,43%) zugeordnet werden. Somit ergaben sich für das Jahr 2018 Prävalenzen von 0,48% für den Typ-1-Diabetes und 8,1% für den Typ-2-Diabetes. Schlussfolgerung Bereits anhand weniger Merkmale wie Diagnosen, Arzneimittelverordnung und dem Alter lässt sich die große Mehrzahl der Personen mit Diabetes einem Typ zuordnen. In weiterführenden Studien sollte im Abgleich mit Primärdaten die externe Validität geprüft werden. So ermöglicht der Algorithmus die Auswertung wichtiger epidemiologischer Kennzahlen und der Häufigkeit von Folge- und Begleiterkrankungen auf Basis von Routinedaten differenziert nach Typ-1- und Typ-2-Diabetes, welche in der Surveillance des Diabetes zukünftig berücksichtigt werden sollen.

show abstract

“…Um auf Basis von Krankenkassenroutinedaten Aussagen zum Gesundheitszustand der GKV-Versicherten oder der gesamten Bevölkerung treffen zu können, wurde ein Verfahren entwickelt, das neben Alter und Geschlecht weitere Faktoren bei einer Hochrechnung berücksichtigt. Ein entsprechend kombiniertes alters-, geschlechts-und morbiditätsadjustierendes Hochrechnungsverfahren, das auch die strukturellen Unterschiede hinsichtlich der Erkrankungshäufigkeit ausgleicht, wurde für die Ermittlung von Krankheitshäufigkeiten, aber noch nicht für die Beantwortung von Versorgungsfragen weiterentwickelt (Breitkreuz et al 2019;Schröder und Brückner 2019). Ob dieses Hochrechnungsverfahren, mit dem beispielsweise die Ergebnisse des Gesundheitsatlas 1 oder des vom Innovationsfonds beim gemeinsamen Bundesausschuss geförderten Projekts BURDEN 2020 2 ermittelt wurden (Breitkreuz et al 2021, Rommel et al 2018, zukünftig auch in der Versorgungsforschung eingesetzt werden kann, bleibt abzuwarten.…”

Section: Datengrundlage Und Methodenunclassified

Potenziell inadäquate Medikation für ältere Menschen – PRISCUS 2.0

Thürmann

¹

,

Mann

²

,

Zawinell

³

et al. 2022

Arzneimittel-Kompass 2022

Self Cite

View full text Add to dashboard Cite

PRISCUS und PRISCUS 2.0: Potenziell inadäquate Medikation für den deutschen Arzneimittelmarkt -53 4.3 Datengrundlage und Methoden -54 4.4 PRISCUS-2.0-Arzneistoffe -55 4.5 Ergebnisse -56 4.5.1 Verordnungen von PRISCUS-Medikamenten -58 4.5.2 Verordnungen von PRISCUS-2.0-Medikamenten nach Alter und Geschlecht -58 4.5.3 Verordnungen von PRISCUS-2.0-Medikamenten nach Wirkstoffen -61 4.5.4Verordnungen von PRISCUS-2.0-Medikamenten nach Facharztgruppen -64 4.5.5Verordnungen von PRISCUS-2.0-Medikamenten ausgewählter Wirkstoffgruppen nach Facharztgruppen -66 4.5.6Verordnungen von PRISCUS-2.0-Medikamenten in den Regionen Deutschlands -71

show abstract

“…Aus diesen Gründen ist es notwendig, auf die gesamte Bevölkerung in den Regionen Deutschlands im jeweils betrachteten Zeitraum hochzurechnen. Bei den Krankheitshäufigkeiten erfolgte die regionalisierte Hochrechnung unter Anwendung eines statistischen Verfahrens, das auch für Morbiditätsunterschiede korrigiert [13]. Im Falle der Schweregradanteile lagen jedoch teils sehr kleine Fallzahlen vor.…”

Section: Hochrechnung Auf Die Gesamte Bevölkerungunclassified

Nutzung von Krankenkassenroutinedaten zur Bestimmung von Krankheitshäufigkeiten im Projekt BURDEN 2020

Schüssel

¹

,

Breitkreuz

²

,

Brückner

³

2022

Gesundheitswesen

Self Cite

3

0

View full text Add to dashboard Cite

Zusammenfassung Ziel der Studie Das Konzept der Krankheitslast erlaubt eine umfassende Analyse des Gesundheitszustands einer Bevölkerung. Als Kennzahlen werden verlorene Lebensjahre aufgrund von Mortalität (years of life lost, YLL) und Morbidität (years lived with disability, YLD) berechnet und im Summenindikator DALY (disability adjusted life years) zusammengefasst. Diese Indikatoren liefern eine Planungsgrundlage für Bereiche wie Prävention, Versorgung oder Bedarfsplanung. In dem vom Innovationsfonds geförderten Projekt BURDEN 2020 wird erstmals für Deutschland eine regionalisierte Krankheitslastberechnung in Anlehnung an die internationale „Global Burden of Disease“-Studie durchgeführt. Methodik Zur Berechnung der YLD werden Informationen zur Häufigkeit von Krankheiten und deren Schweregradverteilungen benötigt. Dabei sind Krankenkassenroutinedaten eine wichtige Datengrundlage. In Expertentreffen wurden Falldefinitionen für 18 ausgewählte Krankheiten sowie Schweregrade bei 11 der Krankheiten entwickelt. Auf dieser Basis wurden Krankheitshäufigkeiten vom WIdO unter Nutzung der Routinedaten der AOK-Versicherten ermittelt. Ein spezifisches Prävalenzkonzept berücksichtigt die Dynamik der offenen Kohorte der Versicherten. Die Hochrechnung der Ergebnisse ausgehend von der AOK auf die Gesamtbevölkerung erfolgte bei den Schweregraden bundesweit nach Alter und Geschlecht und bei den Krankheitshäufigkeiten zusätzlich morbiditätsadjustiert und regionalisiert. Ergebnisse Systematisch wurden für 18 Erkrankungen aus sieben Krankheitsgruppen (kardiovaskuläre Krankheiten, Diabetes, Krebs, psychische Störungen, Demenz, COPD und untere Atemwegsinfekte) die Krankheitshäufigkeiten (Prävalenzen oder Raten) bis auf Ebene der Bundesländer und Raumordnungsregionen ermittelt. Schweregradverteilungen liegen bundesweit nach Alter und Geschlecht vor. Die Ergebnisse und Methodendokumentation sind verfügbar unter www.krankheitslage-deutschland.de. Schlussfolgerung Krankenkassenroutinedaten stellen eine wichtige Datengrundlage im Projekt BURDEN 2020 dar, weil auf Basis der großen Fallzahlen regionale Kennzahlen und teilweise Schweregrade ermittelt werden können. Eine umfassende Publikation der Ergebnisse schafft Transparenz und soll die Nachnutzung in Folgeprojekten ermöglichen. Perspektivisch scheint es sinnvoll, die Krankheitslastberechnung auf weitere Krankheiten auszuweiten. Zudem wird der Bedarf nach datenschutzkonformer Verknüpfung von Krankenkassenroutinedaten mit weiteren Gesundheitsdatenbeständen steigen.

show abstract

Schätzung kleinräumiger Krankheitshäufigkeiten für die deutsche Bevölkerung anhand von Routinedaten am Beispiel von Typ-2-Diabetes

Cited by 9 publications

References 45 publications

Algorithmus zur Unterscheidung von Diabetes mellitus Typ 1 und Typ 2 bei der Analyse von Routinedaten

Algorithmus zur Unterscheidung von Diabetes mellitus Typ 1 und Typ 2 bei der Analyse von Routinedaten

Potenziell inadäquate Medikation für ältere Menschen – PRISCUS 2.0

Nutzung von Krankenkassenroutinedaten zur Bestimmung von Krankheitshäufigkeiten im Projekt BURDEN 2020

Contact Info

Product

Resources

About