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

Jan Breitkreuz, Gabriela Brückner, Jan Pablo Burgard, Joscha Krause, Ralf Münnich, Helmut Schröder, Katrin Schüssel
{"title":"Schätzung kleinräumiger Krankheitshäufigkeiten für die deutsche Bevölkerung anhand von Routinedaten am Beispiel von Typ-2-Diabetes","authors":"Jan Breitkreuz,&nbsp;Gabriela Brückner,&nbsp;Jan Pablo Burgard,&nbsp;Joscha Krause,&nbsp;Ralf Münnich,&nbsp;Helmut Schröder,&nbsp;Katrin Schüssel","doi":"10.1007/s11943-019-00241-z","DOIUrl":null,"url":null,"abstract":"<div><h2>Zusammenfassung</h2><div><p>Die Erfassung regionaler Krankheitsverteilungen ist ein zentrales Element in der Planung und Gestaltung adäquater Gesundheitsversorgung. In der öffentlichen Gesundheitsberichtserstattung liegen Schätzungen kleinräumiger Krankheitshäufigkeiten in der Regel nicht vor. Aufgrund begrenzter Ressourcen und zu wenigen ortsspezifischen Beobachtungen ist es meist nicht möglich regionale Krankheitsverteilungen mit hinreichender Genauigkeit zu quantifizieren. Hier repräsentieren Krankenkassendaten eine wichtige Alternative. Der Versichertenstamm einer Krankenkasse ist meist viel größer als der Stichprobenumfang einer Gesundheitserhebung. Zusätzlich handelt es sich bei den Daten einer Krankenkasse um Abrechnungsdaten, welche automatisch erfasst und nicht aufwändig erhoben werden müssen. Doch wenn regionale Krankheitshäufigkeiten anhand von Krankenkassendaten geschätzt werden, muss beachtet werden, dass der Versichertenstamm einer Krankenkasse keine zufällige Teilpopulation der Gesamtbevölkerung darstellt. Aufgrund verschiedener Eigenschaften des deutschen Gesundheitssystems ist die Kassenzugehörigkeit einer Person informativ für ihre Morbidität hinsichtlich verschiedener Krankheiten. Folglich muss eine Bias-Korrektur bei der Schätzung erfolgen, um valide Ergebnisse zu erhalten. Im Zuge des AOK-internen Projekts <i>Gesundheitsatlas</i> des Wissenschaftlichen Instituts der AOK (WIdO) wurde zusammen mit der Universität Trier eine Methodik entwickelt, welche diese Problematik behandelt. Sie ermöglicht die Quantifizierung kleinräumiger Krankheitshäufigkeiten anhand von anonymisierten Krankenkassendaten mit einer Multi-Source-Schätzung. Durch multivariate Analyseverfahren sowie modellbasierte Inferenz werden die anonymisierten AOK-Routinedaten und stationäre Behandlungshäufigkeiten aller Krankenhausfälle zu einer Bias-korrigierenden Schätzmethodik kombiniert. In dem vorliegenden Beitrag wird diese Methodik beschrieben und ihre Effektivität am Beispiel von Diabetes Mellitus Typ 2 demonstriert. Ausgehend vom Versichertenstamm der <i>AOK – die Gesundheitskasse</i> sowie deren Leistungsdaten werden alters- und geschlechtsreferenzierte Krankheitshäufigkeiten auf Kreisebene für die gesamte deutsche Bevölkerung geschätzt. Es kann gezeigt werden, dass der Ansatz plausible Ergebnisse auf regionalen Ebenen liefert und somit die Darstellung der gesundheitlichen Lage in bisher nicht erreichter Detailtiefe ermöglicht.</p></div></div>","PeriodicalId":100134,"journal":{"name":"AStA Wirtschafts- und Sozialstatistisches Archiv","volume":"13 1","pages":"35 - 72"},"PeriodicalIF":0.0000,"publicationDate":"2019-04-03","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"https://sci-hub-pdf.com/10.1007/s11943-019-00241-z","citationCount":"9","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"AStA Wirtschafts- und Sozialstatistisches Archiv","FirstCategoryId":"1085","ListUrlMain":"https://link.springer.com/article/10.1007/s11943-019-00241-z","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 9

Abstract

Zusammenfassung

Die Erfassung regionaler Krankheitsverteilungen ist ein zentrales Element in der Planung und Gestaltung adäquater Gesundheitsversorgung. In der öffentlichen Gesundheitsberichtserstattung liegen Schätzungen kleinräumiger Krankheitshäufigkeiten in der Regel nicht vor. Aufgrund begrenzter Ressourcen und zu wenigen ortsspezifischen Beobachtungen ist es meist nicht möglich regionale Krankheitsverteilungen mit hinreichender Genauigkeit zu quantifizieren. Hier repräsentieren Krankenkassendaten eine wichtige Alternative. Der Versichertenstamm einer Krankenkasse ist meist viel größer als der Stichprobenumfang einer Gesundheitserhebung. Zusätzlich handelt es sich bei den Daten einer Krankenkasse um Abrechnungsdaten, welche automatisch erfasst und nicht aufwändig erhoben werden müssen. Doch wenn regionale Krankheitshäufigkeiten anhand von Krankenkassendaten geschätzt werden, muss beachtet werden, dass der Versichertenstamm einer Krankenkasse keine zufällige Teilpopulation der Gesamtbevölkerung darstellt. Aufgrund verschiedener Eigenschaften des deutschen Gesundheitssystems ist die Kassenzugehörigkeit einer Person informativ für ihre Morbidität hinsichtlich verschiedener Krankheiten. Folglich muss eine Bias-Korrektur bei der Schätzung erfolgen, um valide Ergebnisse zu erhalten. Im Zuge des AOK-internen Projekts Gesundheitsatlas des Wissenschaftlichen Instituts der AOK (WIdO) wurde zusammen mit der Universität Trier eine Methodik entwickelt, welche diese Problematik behandelt. Sie ermöglicht die Quantifizierung kleinräumiger Krankheitshäufigkeiten anhand von anonymisierten Krankenkassendaten mit einer Multi-Source-Schätzung. Durch multivariate Analyseverfahren sowie modellbasierte Inferenz werden die anonymisierten AOK-Routinedaten und stationäre Behandlungshäufigkeiten aller Krankenhausfälle zu einer Bias-korrigierenden Schätzmethodik kombiniert. In dem vorliegenden Beitrag wird diese Methodik beschrieben und ihre Effektivität am Beispiel von Diabetes Mellitus Typ 2 demonstriert. Ausgehend vom Versichertenstamm der AOK – die Gesundheitskasse sowie deren Leistungsdaten werden alters- und geschlechtsreferenzierte Krankheitshäufigkeiten auf Kreisebene für die gesamte deutsche Bevölkerung geschätzt. Es kann gezeigt werden, dass der Ansatz plausible Ergebnisse auf regionalen Ebenen liefert und somit die Darstellung der gesundheitlichen Lage in bisher nicht erreichter Detailtiefe ermöglicht.

查看原文
分享 分享
微信好友 朋友圈 QQ好友 复制链接
本刊更多论文
以2型糖尿病为例,根据常规数据估计德国人群的小规模疾病频率
区域疾病分布的记录是充分卫生保健规划和设计的核心要素。一般来说,公共卫生报告中没有关于小规模疾病频率的估计。由于资源有限,特定地点的观测太少,通常不可能足够准确地量化区域疾病分布。健康保险数据在这里代表了一个重要的替代方案。健康保险公司的参保人群通常比健康调查的样本量大得多。此外,健康保险公司的数据是账单数据,必须自动收集,不必费力收集。然而,如果根据健康保险数据估计地区疾病频率,则必须记住,健康保险公司的投保主档案不是总人口的随机子集。由于德国卫生系统的不同特点,一个人的健康保险会员资格可以了解他们在各种疾病方面的发病率。因此,必须在估计中进行偏差校正,以获得有效的结果。在AOK科学研究所(WIdO)的AOK内部项目《健康图谱》的过程中,与特里尔大学一起开发了一种处理这一问题的方法。它能够使用匿名健康保险数据和多源估计来量化小规模疾病频率。多变量分析方法和基于模型的推断将所有医院病例的匿名AOK常规数据和住院治疗频率结合为偏差校正估计方法。本文描述了这种方法,并以2型糖尿病为例证明了其有效性。根据AOK参保人群——健康保险公司及其绩效数据,在地区一级估计了整个德国人口的年龄和性别相关疾病频率。可以表明,该方法在区域一级产生了合理的结果,从而能够以前所未有的细节呈现健康状况。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
求助全文
约1分钟内获得全文 去求助
来源期刊
自引率
0.00%
发文量
0
期刊最新文献
Vorwort der Herausgeber Connecting algorithmic fairness to quality dimensions in machine learning in official statistics and survey production Automated Bayesian variable selection methods for binary regression models with missing covariate data Fairness als Qualitätskriterium im Maschinellen Lernen – Rekonstruktion des philosophischen Konzepts und Implikationen für die Nutzung außergesetzlicher Merkmale bei qualifizierten Mietspiegeln Interview mit Walter Krämer
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
现在去查看 取消
×
提示
确定
0
微信
客服QQ
Book学术公众号 扫码关注我们
反馈
×
意见反馈
请填写您的意见或建议
请填写您的手机或邮箱
已复制链接
已复制链接
快去分享给好友吧!
我知道了
×
扫码分享
扫码分享
Book学术官方微信
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术
文献互助 智能选刊 最新文献 互助须知 联系我们:info@booksci.cn
Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。
Copyright © 2023 Book学术 All rights reserved.
ghs 京公网安备 11010802042870号 京ICP备2023020795号-1