Abstract
Background New or worsening cognitive, physical and/or mental health impairments after acute care for critical illness are referred to as “post-intensive care syndrome” (PICS). Little is known about the incidence of its components, since it is challenging to recruit patients after intensive care unit (ICU) treatment for observational studies. Claims data are particularly suited to achieve incidence estimates in difficult-to-recruit groups. However, some limitations remain when using claims data for empirical research on the outcome of ICU treatment. The objective of this article is to describe three challenges and possible solutions for the estimation of the incidence of PICS based on claims data
Methodological challenges: The presence of competing risk by death, investigating a syndrome and dealing with interval censoring First, in (post) ICU populations the assumption of independence between the event of interest (diagnosis of PICS component) and the competing event (death) is violated. Competing risk is an event whose occurrence precludes the event of interest to be observed, and in ICU populations, death is a frequent secondary event. Methods that estimate incidence in the presence of competing risks are well-established but have not been applied to the scenario described above. Second, PICS is a complex syndrome and represented by various ICD-10 (International Classification of Diseases, 10th Revision) disease codes. The operationalization of this syndrome (case identification) and the validation of cases are particularly challenging. Third, another major challenge is that the exact date of the event of interest is not available in claims data. It is only known that the event occurred within a certain interval. This feature is called interval censoring. Recently, methods have been developed that address informative censoring due to competing risks in the presence of interval censoring. We will discuss how these methods could be used to tackle the problem when estimating PICS components. Alternatively, it could be possible to assign an exact date for each diagnosis by combining the diagnosis with the exact date of prescriptions of the respective medicines and/or medical services.
Conclusion Estimating incidence in post-ICU populations entails various methodological issues when using claims data. Investigators need to be aware of the presence of competing risks. The application of internal validation criteria to operationalize the event of interest is crucial to achieve reliable incidence estimates. The problem of interval censoring can be solved either by statistical methods or by combining information from different sources.
Zusammenfassung
Hintergrund Neue oder sich verschlechternde kognitive, körperliche und/oder psychische Folgeerkrankungen nach der Behandlung kritischer Erkrankungen auf der Intensivstation (ICU) werden als „Post-Intensiv-Syndrom“ (PICS) bezeichnet. Die Rekrutierung von ehemaligen Intensivpatienten für Beobachtungsstudien gestaltet sich oftmals als schwierig, weshalb kaum Informationen zur Inzidenz einzelner Komponenten dieses Syndroms vorliegen. (GKV-)Routinedaten sind daher besonders gut geeignet, um Inzidenzschätzungen an solchen schwer zu rekrutierenden Gruppen durchzuführen. Allerdings gibt es einige methodische Herausforderungen, die adressiert werden müssen, wenn man empirische Forschung zu Folgen von Intensivaufenhalten auf Basis von Routinedaten durchführen möchte. Ziel dieser Arbeit ist es, 3 wesentliche Herausforderungen und mögliche Lösungen für die Schätzung der Inzidenz von PICS auf Grundlage von GKV-Routinedaten zu beschreiben.
Methodische Herausforderungen Konkurrierendes Risiko durch Versterben, die Untersuchung eines Syndroms und der Umgang mit Intervallzensierung.
Erstens wird in (Post-)ICU-Populationen die Annahme der Unabhängigkeit zwischen dem interessierenden Ereignis (Diagnose der PICS-Komponente) und dem konkurrierenden Ereignis (Tod) verletzt. Das konkurrierende Risiko (competing risk) ist ein Ereignis, dessen Auftreten das zu beobachtende Ereignis von Interesse ausschließt. Das konkurrierende Ereignis bleibt häufig unberücksichtigt, aber in ICU-Populationen ist das Versterben ein häufiges sekundäres Ereignis. Methoden zur Schätzung der Inzidenz bei konkurrierenden Risiken sind gut etabliert, wurden aber nicht auf das oben beschriebene Szenario angewendet.
Zweitens ist PICS ein komplexes Syndrom und kann durch verschiedene ICD-10-Codes (Internationale Klassifikation der Krankheiten, 10. Revision) abgebildet werden. Die Operationalisierung dieses Syndroms (Fallidentifizierung) und die Validierung von Fall-Definitionen sind besonders herausfordernd.
Die dritte große Herausforderung ist die fehlende Dokumentation des genauen Datums des interessierenden Ereignisses in den GKV-Routinedaten. Die vorhandenen Daten geben nur Aufschluss darüber, ob das Ereignis innerhalb eines bestimmten Zeitraums eingetreten ist. Diese Eigenschaft wird als Intervallzensierung bezeichnet. Seit kurzem gibt es Methoden, die eine informative Zensierung aufgrund konkurrierender Risiken bei gleichzeitiger Intervallzensierung berücksichtigen. Eine weitere Alternative besteht darin die Zuordnung eines genauen Datums zu jeder PICS-Diagnose mithilfe von Verordnungsdaten zu kombinieren, denn für die Verschreibung eines entsprechenden Medikamentes und/oder medizinischer Leistungen ist ein genaues Datum hinterlegt.
Schlussfolgerung Die Inzidenzschätzung in Post-ICU-Populationen bringt verschiedene methodische Probleme bei der Verwendung von GKV-Routinedaten mit sich. Wissenschaftlern muss das Vorhandensein von konkurrierenden Risiken bewusst sein. Die Anwendung interner Validierungskriterien zur Operationalisierung des interessierenden Ereignisses ist entscheidend, um zuverlässige Inzidenzschätzungen zu erhalten. Das Problem der Intervallzensierung kann entweder durch statistische Methoden oder durch die Kombination von Informationen aus anderen Quellen gelöst werden.
Key words incidence estimation - claims data - competing risks - Post-intensive care syndrome
Schlüsselwörter competing risks - Post-intensive care syndrome - Inzidenzschätzung - Sekundärdaten
