PDF herunterladen
CC BY-NC-ND 4.0 · Gesundheitswesen 2024; 86(S 03): S224-S230
DOI: 10.1055/a-2098-3039
Originalarbeit

5 Leitfragen für die Versorgungsforschung – Eignen sich GKV-Routinedaten für Ihr Forschungsvorhaben?

Five Key Questions for Health Services Research: are SHI Claims Data Suitable for Your Research Project?
Peter Ihle‡
1   PMV forschungsgruppe an der Medizinischen Fakultät und Uniklinik Köln, Universität zu Köln, Köln, Germany
,
Udo Schneider‡
2   Versorgungsmanagement, Techniker Krankenkasse, Hamburg, Germany
,
Verena Vogt‡
3   Health Care Management, Technische Universität Berlin, Berlin, Germany
4   Institut für Allgemeinmedizin Universitätsklinikum Jena, Germany
› Institutsangaben
› Weitere Informationen
Auch verfügbar auf
   Lizenzen und Reprints

Zusammenfassung

Die Versorgungsforschung untersucht die Versorgungsstrukturen und -prozesse der Gesundheitsversorgung unter Alltagsbedingungen. Routinedaten der Gesetzlichen Krankenversicherung (GKV) – sogenannte versorgungsnahe Daten – bilden die reale Versorgung ab und sind daher eine wichtige Datenquelle für die Versorgungsforschung. Dieser Beitrag präsentiert 5 Leitfragen, mit deren Hilfe Forschende und datenhaltende Institutionen die Eignung dieser Datenquelle für die Beantwortung ihrer Fragestellung der Versorgungsforschung prüfen können. Ziel dieser Leitfragen ist es, zwischen Forschenden und datenhaltenden Institutionen ein gemeinsames Verständnis des Forschungsvorhabens, des Forschungsziels sowie der Umsetzbarkeit in der Versorgungsforschung zu generieren. Die 5 Leitfragen spannen den Bogen von der Formulierung der Forschungsfrage und der geplanten Methode, über die Zielpopulation, die relevanten Untersuchungszeiträume bis hin zu den erforderlichen Informationen aus den GKV-Routinedaten. Vier methodisch ausgerichtete Leitfragen werden um die Frage ergänzt, wie die Ergebnisse des Forschungsprojektes die Versorgung verbessern könnten. Diese 5 Leitfragen stellen somit für Forschende eine erste Strukturierung für Datenanfragen dar; für datenhaltende Institutionen liefern sie einen Rahmen, um eine mögliche Beteiligung oder Unterstützung einer Forschungsidee in der Versorgungsforschung zu prüfen.

Abstract

Health services research examines the structures and processes of health care under everyday conditions. Routine data of the statutory health insurance (SHI) – the so-called routine practice data – represent real health care and are therefore an important data source for health services research. This paper presents 5 key questions that researchers and data-holding institutions can use to assess the suitability of this data source for answering their health services research question. The aim of these guiding questions is to generate a common understanding between researchers and data-holding institutions of the research project, the research objective, and the feasibility of implementation in health services research. The five guiding questions cover the formulation of the research question, the planned method, the target population, the relevant study periods, and the required information from SHI data. These methodologically oriented guiding questions are supplemented by the question of how the results of the research project could improve care. Thus, for researchers, the five guiding questions provide an initial structuring for data requests; for data-holding institutions, they provide a framework for considering possible involvement in or support of a research idea in health services research.

Schlüsselwörter

Leitfragen - Routinedaten - Datenzugang - Datennutzung - Versorgungsforschung

Key words

Guiding questions - claims data - routine data - use and access of data - health services research


Publikationsverlauf

Artikel online veröffentlicht:
20. Oktober 2023

© 2023. The Author(s). This is an open access article published by Thieme under the terms of the Creative Commons Attribution-NonDerivative-NonCommercial-License, permitting copying and reproduction so long as the original work is given appropriate credit. Contents may not be used for commercial purposes, or adapted, remixed, transformed or built upon. (https://creativecommons.org/licenses/by-nc-nd/4.0/).

Georg Thieme Verlag
Rüdigerstraße 14, 70469 Stuttgart, Germany

 

  • Literatur

  • 1 Pfaff H, Schrappe M. Einführung in die Versorgungsforschung. In: H. Pfaff, G. Glaeske, E. Neugebauer, M. Schrappe Hrsg. Lehrbuch Versorgungsforschung. Stuttgart; Schattauer Verlag: 2011. S 2-41
    Google Scholar
  • 2 Klinkhammer-Schalke M, Kaiser T, Apfelbacher C. et al. Manual für Methoden und Nutzung versorgungsnaher Daten zur Wissensgenerierung. Gesundheitswesen 2020; 82: 716-722 DOI: 10.1055/a-1237-4011.
    Google Scholar
  • 3 Maneck M, Köckerling F, Fahlenbrach C. et al. Hospital volume and outcome in inguinal hernia repair: analysis of routine data of 133,449 patients. Hernia 2020; 24: 747-757 DOI: 10.1007/s10029-019-02091-8.
    Google Scholar
  • 4 Frank-Tewaag J, Bleek J, Horenkamp-Sonntag D. et al. Use of guideline-recommended drug therapy in patients undergoing percutaneous coronary intervention for stable coronary heart disease in Germany: a multilevel analysis of nationwide routine data. BMJ Open 2020; 10: 1-9 DOI: 10.1136/bmjopen-2020-042886.
    Google Scholar
  • 5 Schubert I, Stelzer D, Siegel A. et al. Ten-year evaluation of the population-based integrated health care system „Gesundes Kinzigtal“. Dtsch Arztebl Int 2021; 118: 465-472 DOI: 10.3238/arztebl.m2021.0163.
    Google Scholar
  • 6 Vogt V, Scholz SM, Sundmacher L. Applying sequence clustering techniques to explore practice-based ambulatory care pathways in insurance claims data. Eur J Public Health 2018; 28: 214-219
    Google Scholar
  • 7 Blaschke K, Hellmich M, Samel C. et al. Association between Periodontal Treatment and Healthcare Costs in Patients with Coronary Heart Disease: A Cohort Study Based on German Claims Data. Dent J 2022; 10: 133 DOI: 10.1016/j.diabres.2020.108641.
    Google Scholar
  • 8 Köster I, Schubert I, Huppertz E. Fortschreibung der KoDiM-Studie: Kosten des Diabetes mellitus 2000–2009. Dtsch Med Wochenschr 2012; 137: 1013-1016 DOI: 10.1055/S-0032-1304891.
    Google Scholar
  • 9 Hoffmann F, Icks A. Unterschiede in der Versichertenstruktur von Krankenkassen und deren Auswirkungen für die Versorgungsforschung: Ergebnisse des Bertelsmann-Gesundheitsmonitors. Gesundheitswesen 2012; 74: 291-297 DOI: 10.1055/S-0031-1275711.
    Google Scholar
  • 10 Swart E, Ihle P, Gothe H. et al. Hrsg. Routinedaten im Gesundheitswesen. 2. Aufl.. Bern: Hans Huber; 2014
    Google Scholar
  • 11 Neubauer S, Zeidler J, Lange A. et al. Prozessorientierter Leitfaden für die Analyse und Nutzung von Routinedaten der Gesetzlichen Krankenversicherung. Baden-Baden: Nomos; 2017. DOI: 10.5771/9783845281193
    Google Scholar
  • 12 Schubert I, Köster I, Küpper-Nybelen J. et al. Versorgungsforschung mit GKV-Routinedaten. Bundesgesundheitsbl 2008; 51: 1095-1105 DOI: 10.1007/s00103-008-0644-0.
    Google Scholar
  • 13 Swart E, Gothe H, Geyer S. et al. Gute Praxis Sekundärdatenanalyse (GPS): Leitlinien und Empfehlungen. 3. Fassung; Version 2012/2014 Third Revision 2012/2014 Gesundheitswesen 2015; 77: 120-126 DOI: 10.1055/s-0034-1396815.
    Google Scholar
  • 14 March S, Andrich S, Dreppner J. et al. Gute Praxis Datenlinkage (GPD) Good Practice Data Linkage. Gesundheitswesen 2019; 81: 636-650 DOI: 10.1055/a-0962-9933.
    Google Scholar
  • 15 Swart E, Bitzer EM, Gothe H. et al. STandardisierte BerichtsROutine für Sekundärdaten Analysen (STROSA) – ein konsentierter Berichtsstandard für Deutschland, Version 2. Gesundheitswesen 2016; 78: e145-e160 DOI: 10.1055/s-0042-108647.
    Google Scholar
  • 16 Busse R. Methoden der Versorgungsforschung. In: Hey M, Maschewsky-Schneider U, Busse R, Häussler B, Pfaff H, Rosenbrock R, Schrappe M, Hrsg. Kursbuch Versorgungsforschung. Berlin: Medizinisch Wissenschaftliche Verlagsgesellschaft; 2006: 244-251
    Google Scholar
  • 17 Schubert I. Arzneimittelepidemiologie und Arzneimittelverbrauchsforschung auf der Basis von Krankenkassendaten: zentrale Untersuchungsfragen und methodische Hinweise. Präv Gesundheitsf 2022; 10 DOI: 10.1007/s11553-022-00968-8.
    Google Scholar
  • 18 Maier W, Fairburn J, Mielck A. Regionale Deprivation und Mortalität in Bayern. Entwicklung eines Index Multipler Deprivation‘ auf Gemeindeebene. Gesundheitswesen 2012; 74: 416-425 DOI: 10.1055/s-0031-1280846.
    Google Scholar
  • 19 March S, Antoni M, Kieschke J. et al. Quo vadis Datenlinkage in Deutschland? Eine erste Bestandsaufnahme. Gesundheitswesen 2018; 80: 20-31 DOI: 10.1055/s-0043-125070.
    Google Scholar
  • 20 Schubert I, Köster I. Krankheitsereignis: Operationalisierung und Falldefinition. In: Swart E, Ihle P, Holger G, Matusiewicz D, Hrsg. Routinedaten im Gesundheitswesen, 2. Aufl.. Bern: Hans-Huber; 2014
    Google Scholar
  • 21 Jacobs E, Hoyer A, Brinks R. et al. Healthcare costs of Type 2 diabetes in Germany. Diabet. Med 2017; 34: 855-861 DOI: 10.1111/dme.13336.
    Google Scholar
  • 22 Abbas S, Ihle P, Köster I. et al. Estimation of Disease Incidence in Claims Data Dependent on the Length of Follow-Up: A Methodological Approach. HSR 2012; 47: 746-755 DOI: 10.1111/j.1475-6773.2011.01325.
    Google Scholar
  • 23 Bundesministerium für Gesundheit und Soziale Sicherheit/Reschke P, Sehlen S, Schiffhorst G et al. Klassifikationsmodelle für Versicherte im Risikostrukturausgleich – Endbericht (2004). Im Internet: www.bundesgesundheitsministerium.de/fileadmin/Dateien/5_Publikationen/Ministerium/Klassifikationsmodelle_RSA.pdf Stand: 13.03.2023
  • 24 Greiner F, Slagman A, Stallmann C. et al. Routinedaten aus Notaufnahmen: Unterschiedliche Dokumentationsanforderungen, Abrechnungsmodalitäten und Datenhalter bei identischem Ort der Leistungserbringung. Gesundheitswesen 2020; 82: 7282 DOI: 10.1055/a-0996-8371.
    Google Scholar
  • 25 Häussler B, Hoffmann W, Stegmaier P. „Wir brauchen Experimentalräume für die Versorgungsforschung“. In: Monitor Versorgungsforschung (01/3) 6-15 DOI: 10.24945/MVF.01.23.1866-0533.2470. (letzter Zugriff: 28.02.2023)