Eine Trendanalyse zur zeitlichen Entwicklung von Qualitätsunterschieden zweier Versorgungsformen auf Basis von Sekundärdaten

Zusammenfassung

Ziel der Studie Die Evaluation komplexer Interventionen wie Versorgungsformen ist methodisch herausfordernd. Ziel dieser Analyse ist anhand generalisierter Schätzungsgleichungen (GEE) zu prüfen, wie sich die Qualitätsunterschiede zwischen der Hausarztzentrierten Versorgung (HZV) und der Regelversorgung über die Zeit entwickeln.

Methoden Auf der Basis von Routinedaten der AOK Baden-Württemberg wurde eine längsschnittliche Sekundärdatenanalyse der Jahre 2011 bis 2018 durchgeführt. Versicherte mit passenden Einschlusskriterien wurden im Sinne einer dynamischen Kohorte zu Beginn des jeweiligen Beobachtungsjahres in die Analyse eingeschlossen, sodass der Umfang und die Zusammensetzung der Kohorte von Jahr zu Jahr variierten. Mithilfe von GEE wurden Qualitätsunterschiede in dichotomen Indikatoren zwischen der HZV und der Regelversorgung untersucht, wobei für Mehrfachmessungen eine autoregressive Kovarianzstruktur (AR1) zugrunde gelegt wurde. An Variablen wurden berücksichtigt: Eine Gruppenvariable für die Versorgungsformen, eine Variable für das betrachtete Jahr sowie eine Wechselwirkung zwischen den beiden Variablen. Die aus der Modellierung resultierenden Schätzer lieferten Auskunft darüber, wie das Verhältnis der beiden Gruppen zu Beginn der Beobachtungsstudie war und wie sich die Gruppentrends sowohl individuell als auch im Verhältnis zueinander über die Zeit entwickelten.

Ergebnisse GEE wird beispielhaft auf den Qualitätsindikator Verordnung von potenziell inadäquater Medikation (PIM) bei älteren Versicherten angewandt. Die Chance einer PIM-Verordnung bei über 65-jährigen (Jahr 2018; N=628 523) war zu Beginn der Beobachtungszeit innerhalb der HZV signifikant niedriger als in der Regelversorgungsgruppe (Odds Ratio 0,978; 95%-Konfidenzintervall: 0,968–0,987). In beiden Gruppen nahm die Chance einer PIM-Verordnung in den betrachteten 7 Beobachtungsjahren ab, in der HZV-Gruppe stärker als in der Regelversorgungsgruppe.

Schlussfolgerung Eine Trendanalyse mit GEE basierend auf Sekundärdaten, die die Qualitätsunterschiede zwischen Vergleichsgruppen abbildet, bietet großes Potenzial zur Evaluation neuer und bestehender Versorgungsformen über die Zeit.

Abstract

Aim of the study The evaluation of complex interventions such as different forms of healthcare are methodologically challenging. The aim of this study was to use generalized estimating equations (GEE) to investigate how quality differences between family practitioner-based healthcare (HZV) and standard care develop over time.

Methods A longitudinal secondary data analysis for 2011–2018 was conducted using routine data from the AOK Baden Wuerttemberg health insurer. A dynamic cohort of insured persons that fulfilled the inclusion criteria were included in the analysis at the beginning of each year of observation, so the size and composition of the cohorts varied from year to year. Quality differences between HZV and standard care were investigated, whereby an autoregressive covariance structure (AR1) was assumed for multiple measurements. Under observation were a group variable for healthcare type, a variable for year of observation, and any interaction between the two. The resulting estimates provided information on the relationship between the two groups at the beginning of the observation period, and on how the groups developed both individually and in relation to one another over time.

Results The GEE were used exemplarily on the quality indicator prescription of potentially inappropriate medication (PIM) in elderly insured patients. At the beginning of the observation period, the chance of PIM in those over 65 years of age (year 2018; N=628,523) was significantly lower in the HZV group than in the group receiving standard care (odds ratio 0.978; 95% confidence interval: 0.968–0.987). The chance of a PIM in the following seven years declined in both groups, but faster in the HZV group than the group receiving standard care.

Conclusion A secondary data-based trend analysis with GEE of quality differences in comparison groups over time has considerable potential in the evaluation of new and existing forms of healthcare.

Schlüsselwörter

Sekundärdatenanalyse - Trendanalyse - Versorgungsforschungsanalyse - Versorgungsprogramme - medizinische - kompetitive

Key words

secondary data analysis - trend analysis - health services research analysis - Competitive Health Plan

^a Gekürzte Darstellung der Regressionsgleichung ohne Adjustierungsvariablen sowie den zugehörigen Regressionsparametern

^* in Memoriam Prof. Dr. Dieter Felsenberg

Publikationsverlauf

Artikel online veröffentlicht:
25. Oktober 2021

• Literatur

• 1 World Health Organization. The world health report 2000: Health systems; improving performance.. Geneva: World Health Organization;
• 2 Wiethege J, Ommen O, Ernstmann N. et al. Transparenz als Voraussetzung für Innovation in der Versorgungsforschung: Defizite am Beispiel der Evaluation von Managed-Care-Modellvorhaben. Gesundheitswesen 2010; 72: 722-728
• 3 Glaeske G, Augustin M, Abholz H. et al. Epidemiologische Methoden für die Versorgungsforschung. Gesundheitswesen 2009; 71: 685-693
• 4 Swart E, Stallmann C, Powietzka J. et al. Datenlinkage von Primär-und Sekundärdaten: Ein Zugewinn auch für die kleinräumige Versorgungsforschung in Deutschland?. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 2014; 57: 180-187
• 5 Swart E, Ihle P. Epidemiologische Studien auf Basis von Sekundärdaten. Public Health Forum 2012; 20: 16-17
• 6 Liang K-Y, Zeger SL. Longitudinal Data Analysis Using Generalized Linear Models. Biometrika 1986; 73: 13
• 7 Bao Y, Shao H, Bishop TF. et al. Inappropriate medication in a national sample of US elderly patients receiving home health care. J Gen Intern Med 2012; 27: 304-310
• 8 Holt S, Schmiedl S, Thürmann PA. Potentially inappropriate medications in the elderly: the PRISCUS list. Dtsch Arztebl Int 2010; 107: 543-551
• 9 Universitätsklinikum Heidelberg, Institut für Allgemeinmedizin Goethe Universität Frankfurt. Evaluation des Hausarztzentrierten Versorgung (HZV) in Baden-Württemberg. 2020 Im Internet: https://www.aok.de/gp/fileadmin/user_upload/Arzt_Praxis/Aerzte_Psychotherapeuten/Vertraege_Vereinbarungen/Hausarztzentrierte_Versorgung/Baden-Wuerttemberg/HZV-Evaluation_Broschuere_2020.pdf; Stand: 26.03.2021
• 10 McCullagh P, Nelder JA. Generalized linear models. 2^nd ed. London: Chapman & Hall; 1999
• 11 Kleinbaum DG, Klein M. Logistic Regression for Correlated Data: GEE In:. Kleinbaum DG, Klein M, Rihl Pryor E. eds. Logistic regression: A self-learning text.. 3^rd ed. New York, NY: Springer; 2010: 489-538
• 12 Fitzmaurice GM, Laird NM, Ware JH. Applied Longitudinal Analysis. 2^nd ed. Hoboken: Wiley; 2012
• 13 Wang M, Li C-S. Generalized Estimating Equations in Longitudinal Data Analysis: A Review and Recent Developments. Advances in Statistics 2014; 2014: 303728