Prävalenzen von Depressionen bei Erwachsenen – eine vergleichende Analyse bundesweiter Survey- und Routinedaten

Zusammenfassung

Ziel der Studie Prävalenzschätzungen für Depression zeigen in Primär- vs. Sekundärdaten divergente Ergebnisse. Ursachen liegen u. a. in der Betrachtung verschiedener Indikatoren zu abweichenden Zeitpunkten. In der vorliegenden Arbeit werden Depressionshäufigkeiten in Survey- und Routinedaten für einen vergleichbaren Erhebungszeitraum und Altersbereich ermittelt. Unterschiede zwischen den Datenquellen und den Depressionsmaßen werden untersucht.

Methodik Drei Indikatoren werden für das Jahr 2010 gegenübergestellt: im Bevölkerungssurvey erhobene a) selbstberichtete ärztliche Diagnosen, b) Diagnosen in standardisiertem klinischen Interview sowie c) in Routinedaten einer gesetzlichen Krankenkasse administrativ erfasste Diagnosen. In Sensitivitätsanalysen werden privat versicherte Surveyteilnehmende sowie Versicherte mit Pflegebedarf aus den Routinedaten ausgeschlossen. Die Definition der administrativen Depressionsdiagnose wird variiert je nach Kodierhäufigkeit und Diagnosespezifität.

Ergebnisse Die höchste Prävalenzrate zeigt sich mit 9,8% für administrativ erfasste Depressionen, die niedrigste mit 5,9% für die selbstberichtete Depressionsdiagnose im Survey. Die Prävalenz der im klinischen Interview erhobenen Depression beträgt 8,4%. Es zeigen sich jeweils spezifische alters- und geschlechtsabhängige Verteilungen. Bleiben unspezifische Depressionsdiagnosen (F3x.8, F3x.9) unberücksichtigt, sinkt die administrative Prävalenzrate deutlich ab.

Schlussfolgerung Je nach Definition der administrativen Depressionsdiagnose reduzieren sich Prävalenzunterschiede im Vergleich zur selbstberichteten Diagnose. Differenzen zu Prävalenzen basierend auf klinischem Interview bleiben hingegen bestehen und weisen auf die Erfassung unterschiedlicher Personengruppen hin.

Abstract

Aim There are differences in the prevalence estimates of depressive disorders based on primary and secondary data. The reasons for this are, for instance, the use of divergent indicators and varying observation periods. This study examines the prevalence of depressive disorders using survey and routine data for a comparable survey period and age range. Effects of differences between data sources and indicators are estimated.

Methods For 2010, 3 indicators are compared: in a population survey collected a) self-reported medical diagnosis of depression, b) diagnosis of depressive disorders identified by clinical interviews and c) administrative depression diagnoses collected from routine data of a statutory health insurance. In sensitivity analyses, privately insured participants of the population survey were excluded, and insured persons with care needs were excluded from routine data. The definition of administrative depression diagnosis was varied depending on the frequency of coded diagnoses and the specificity of the diagnoses.

Results The highest prevalence (9.8%) was found for depression diagnoses from administrative data, the lowest prevalence (5.9%) in self-reported medical diagnoses of depression in the population survey. The prevalence of depression identified by clinical interviews was 8.4%. Differing age and gender-related courses of illness were found. The administrative prevalence dropped significantly if unspecific diagnoses (F3x.8, F3x.9) were excluded.

Discussion Depending on the definition of depression diagnoses used in administrative data, there was a reduction in differences of prevalence compared to the self-reported medical diagnoses. Differences in prevalence based on a diagnosis of a depressive disorder identified in a clinical interview remained stable, which indicates different groups of persons.

Schlüsselwörter

Depression - Primärdaten - Gesundheitssurvey - Sekundärdaten - Routinedaten - Prävalenz

Key words

depression - primary data - survey - secondary data - routine data - prevalence

• Literatur

• 1 Whiteford HA, Degenhardt L, Rehm J. et al. Global burden of disease attributable to mental and substance use disorders: Findings from the Global Burden of Disease Study 2010. Lancet 2013; 382: 1575-1586
• 2 Wittchen H-U, Jacobi F, Rehm J. et al. The size and burden of mental disorders and other disorders of the brain in Europe 2010. Eur Neuropsychopharmacol 2011; 21: 655-679
• 3 Richter D, Berger K, Reker T. Nehmen psychische Störungen zu? Eine systematische Literaturübersicht. Psych Prax 2008; 35: 321-330
• 4 Richter D, Berger K. Nehmen psychische Störungen zu?. Psych Prax 2013; 40: 176-182
• 5 Jacobi F, Bretschneider J, Müllender S. Veränderungen und Variationen der Häufigkeit psychischer Störungen in Deutschland. Krankenkassenstatistiken und epidemiologische Befunde. In: Kliner K, Rennert D, Richter M. (Hrsg.) Gesundheit in Regionen – Blickpunkt Psyche BKK Gesundheitsatlas 2015. Berlin: Medizinisch wissenschaftliche Verlagsgesellschaft; 2015: 63-71
• 6 Maske UE, Buttery AK, Beesdo-Baum K. et al. Prevalence and correlates of DSM-IV-TR major depressive disorder, self-reported diagnosed depression and current depressive symptoms among adults in Germany. J Affect Disord 2016; 190: 167-177
• 7 Bramesfeld A, Grobe TG, Schwartz FW. Who is diagnosed as suffering from depression in the German statutory health care system? An analysis of health insurance data. Eur J Epidemiol 2007; 22: 397-403
• 8 Kliner K, Rennert D, Richter M. Gesundheit in Regionen – Blickpunkt Psyche. BKK Gesundheitsatlas 2015. Berlin: MWV Medizinisch Wissenschaftliche Verlagsgesellschaft; 2015
• 9 Kamtsiuris P, Lange M, Hoffmann R. et al. Die erste Welle der Studie zur Gesundheit Erwachsener in Deutschland (DEGS1): Stichprobendesign, Response, Gewichtung und Repräsentativität. Bundesgesundheitsbl Gesundheitsforsch Gesundheitsschutz 2013; 56: 620-630
• 10 Scheidt-Nave C, Kamtsiuris P, Gößwald A. et al. German health interview and examination survey for adults (DEGS) – design, objectives and implementation of the first data collection wave. BMC Public Health 2012; 12: 730
• 11 Jacobi F, Mack S, Gerschler A. et al. The design and methods of the mental health module in the German Health Interview and Examination Survey for Adults (DEGS1-MH). Int J Methods Psychiatr Res 2013; 22: 83-99
• 12 Wittchen H-U, Pfister H. DIA-X-Interviews: Manual für Screening-Verfahren und Interview. Frankfurt: Swets und Zeitlinger; 1997
• 13 Grobe TG, Drähter H. Ambulante ärztliche Versorgung. In: Swart E, Ihle P, Gothe H. et al. (Hrsg.) Routinedaten im Gesundheitswesen Handbuch Sekundärdatenalalyse: Grundlagen, Methoden und Perspektiven. Bern: Hans Huber, Hogrefe AG; 2014: 43-62
• 14 Gerste B, Roick C. Prävalenz und Inzidenz sowie Versorgung depressiver Erkrankungen in Deutschland – eine Analyse auf Basis der in Routinedaten dokumentierten Depressionsdiagnosen. In: Klauber J, Günster C, Gerste B. et al. (Hrsg.) Versorgungsreport 2013/2014 Schwerpunkt: Depression. Germany: Schattauer GmbH; 2014: 21-54
• 15 Kleine-Budde K, Müller R, Kawohl W. et al. The cost of depression – A cost analysis from a large database. J Affect Disord 2013; 147: 137-143
• 16 Zeidler J, Slawik L, Fleischmann J. et al. The costs of schizophrenia and predictors of hospitalisation from the statutory health insurance perspective. Health Economics Review 2012; 2: 9
• 17 GBE-Bund. Bevölkerung im Jahresdurchschnitt. Gliederungsmerkmale: Jahre, Region, Alter, Geschlecht, Nationalität (Grundlage Zensus BRD 1987, DDR 1990). In: Bonn: Gesundheitsberichterstattung des Bundes; 2012
• 18 SAS. SAS/STAT(R) 13.2. User’s Guide. In. Cary, NC, USA: SAS Institute Inc.; 2014
• 19 Frank J. Comparing nationwide prevalences of hypertension and depression based on claims data and survey data: An example from Germany. Health Policy 2016; 120: 1061-1069
• 20 Hoffmann W, Bobrowski C, Fendrich K. Sekundärdatenanalyse in der Versorgungsepidemiologie: Potenzial und Limitationen. Bundesgesundheitsbl Gesundheitsforsch Gesundheitsschutz 2008; 51: 1193-1201
• 21 Schubert I, Köster I, Küpper-Nybelen J. et al. Versorgungsforschung mit GKV-Routinedaten. Nutzungsmöglichkeiten versichertenbezogener Krankenkassendaten für Fragestellungen der Versorgungsforschung. Bundesgesundheitsbl Gesundheitsforsch Gesundheitsschutz 2008; 51: 1095-1105
• 22 Busch MA, Maske UE, Ryl L. et al. Prävalenz von depressiver Symptomatik und diagnostizierter Depression bei Erwachsenen in Deutschland. Bundesgesundheitsbl Gesundheitsforsch Gesundheitsschutz 2013; 56: 733-739
• 23 Maske UE, Hapke U, Riedel-Heller SG. et al. Respondents’ report of a clinician-diagnosed depression in health surveys: Comparison with DSM-IV mental disorders in the general adult population in Germany. BMC Psychiatry 2017; 17: 39
• 24 Huber J, Mielck A. Morbidität und Gesundheitsversorgung bei GKV- und PKV-Versicherten. Forschungsstand empirischer Studien. Bundesgesundheitsbl Gesundheitsforsch Gesundheitsschutz 2010; 53: 925-938
• 25 Mack S, Jacobi F, Gerschler A. et al. Self-reported utilization of mental health services in the adult German population – evidence for unmet needs? Results of the DEGS1-Mental Health Module (DEGS1-MH). Int J Methods Psychiatr Res 2014; 23: 289-303
• 26 Sielk M, Altiner A, Janssen B. et al. Prävalenz und Diagnostik depressiver Störungen in der Allgemeinarztpraxis. Psych Prax 2009; 36: 169-174
• 27 IGES. Bewertung der Kodierqualität von vertragsärztlichen Diagnosen – Eine Studie im Auftrag des GKV-Spitzenverbands in Kooperation mit der BARMER GEK. In: Berlin: IGES Institut für Gesundheits- und Sozialforschung GmbH; 2012
• 28 Melchior H, Schulz H, Härter M. Faktencheck Gesundheit – Regionale Unterschiede in der Diagnostik und Behandlung von Depressionen. In: Gütersloh: Bertelsmann Stiftung. 2014
• 29 Geiselmann B, Linden M, Helmchen H. Psychiatrists̓ diagnoses of subthreshold depression in old age: frequency and correlates. Psychological medicine 2001; 31: 51-63
• 30 Cherubini A, Nistico G, Rozzini R. et al. Subthreshold depression in older subjects: An unmet therapeutic need. J Nutrition Health Aging 2012; 16: 909-913
• 31 March S, Antoni M, Kieschke J. et al. Quo vadis Datenlinkage in Deutschland? Eine erste Bestandsaufnahme. Gesundheitswesen 2018; 80: e20-e31
• 32 Cornish R, Tilling K, Boyd A. et al. Using linkage to electronic primary care records to evaluate recruitment and nonresponse bias in the Avon Longitudinal Study of Parents and Children. Epidemiology 2015; 26: e41-e42
• 33 Keyes KM, Rutherford C, Popham F. et al. How Healthy Are Survey Respondents Compared with the General Population?: Using Survey-linked Death Records to Compare Mortality Outcomes. Epidemiology 2018; 29: 299-307
• 34 Mars B, Cornish R, Heron J. et al. Using Data Linkage to Investigate Inconsistent Reporting of Self-Harm and Questionnaire Non-Response. Arch Suicide Res 2016; 20: 113-141
• 35 Shortreed SM, Von Korff M, Thielke S. et al. Electronic Health Records to Evaluate and Account for Non-response Bias: A Survey of Patients Using Chronic Opioid Therapy. Observational studies 2016; 2: 24-38