Gesundheitsbewertungen bei Patienten mit chronisch-ischämischer Herzkrankheit

Zusammenfassung

Ziel der Studie: Die Studie befasst sich mit der Frage, wie Patienten mit chronisch-ischämischer Herzkrankheit verschiedene durch eine Rehabilitationsmaßnahme erreichbare Gesundheitszustände bewerten. Darüber hinaus wird untersucht, durch welche Faktoren diese Gesundheitsbewertungen (health valuations) beeinflusst werden und ob die Prädiktoren je nach Bildungsstand unterschiedlich ausfallen.

Methodik: Mittels visueller Analogskalen (VAS) werden die Gesundheitsbewertungen von n=331 Patienten mit chronisch-ischämischer Herzkrankheit erfasst. Als potenzielle Prädiktoren der Gesundheitsbewertungen werden neben soziodemografischen Fragen generische und erkrankungsspezifische Skalen zur gesundheitsbezogenen Lebensqualität eingesetzt (SF-12, MacNew). Zusätzlich werden über den behandelnden Arzt medizinische Basisdaten erhoben. Es werden hierarchische Regressionsanalysen durchgeführt, wobei schrittweise die soziodemografischen, die medizinischen und die Lebensqualitätsvariablen aufgenommen werden. Da für die Regressionsmodelle eine Vielzahl von Variablen betrachtet wird, erfolgt eine Imputation fehlender Werte.

Ergebnisse: Die Gesundheitsbereiche „Selbstversorgung und häusliches Leben” und „Mobilität” erhalten die höchsten Werte auf der VAS. Am wenigsten präferiert werden die Bereiche „Symptomreduktion” und „Krankheitsinformation”. Die Unterschiede zwischen den Gesundheitsbereichen sind statistisch signifikant. Soziodemografische Variablen klären bis zu 3,6% der Varianz der Gesundheitsbewertungen auf, wobei die Schulbildung und das Zusammenleben mit einem Partner die wichtigsten Prädiktoren darstellen. Die im 2. Schritt aufgenommenen medizinischen Variablen klären zwischen 2,1% und 6,8% inkrementelle Varianz auf, der wichtigste Prädiktor ist die vor der Rehabilitation durchgeführte Operation (Bypass-, Klappen-OP). Die Lebensqualitätsvariablen des dritten Blocks liefern mit 7,1–24,9% die mit Abstand größte inkrementelle Varianzaufklärung. Sie wird hauptsächlich durch die 3 Skalen des MacNew (emotionale, soziale und physische Funktionsfähigkeit) erreicht. Insgesamt liegt die Varianzaufklärung der Gesundheitsbewertungen bei 17,1–28,8%. Für Patienten mit höherer Schulbildung ist die Gesamtvarianzaufklärung um durchschnittlich 9,2% höher als für die Gesamtstichprobe und liegt bei 21,2–44,1%.

Diskussion: Die untersuchten Gesundheitsbereiche werden von den Patienten durchaus unterschiedlich bewertet. Dabei stellt die gesundheitsbezogene Lebensqualität den bedeutendsten Einflussfaktor dar. In der Subgruppe der Patienten mit höherer Schulbildung fällt die Prädiktorkraft der untersuchten Variablen im Vergleich zur Gesamtstichprobe deutlich höher aus. Da die Gesundheitsbewertungen insgesamt nur begrenzt durch andere, in der Routineversorgung anfallende Daten vorhersagbar sind, besteht die Notwendigkeit, Gesundheitsbewertungen mittels spezieller Methoden zu erfassen.

Abstract

Objective of the study: The study deals with the question of how patients with chronic ischemic heart disease assess different health situations that can be achieved by rehabilitation. Furthermore it examines which factors influence these health valuations and whether the predictors vary depending on the level of education.

Methods: The health valuations of n=331 patients with chronic ischemic heart disease are compiled using visual analogue scales (VAS). In addition to sociodemographic questions, generic and illness-specific scales (SF-12, MacNew) for the health-related quality of life (HRQOL) are used as potential predictors of the health valuations. Additional basic medical data were provided by the physician. Hierarchical regression analyses are conducted; the sociodemographic, medical and HRQOL variables are included stepwise. Since many variables are observed for the regression models, an imputation of missing values is made.

Results: The health dimensions “Self-care and domestic life” and “Mobility” are assigned the highest values on the VAS. The lowest preference is assigned to the dimensions “Reduction of symptoms” and “Information about the disease”. The differences between the health dimensions are statistically significant. Sociodemographic variables explain up to 3.6% of the variance of health valuations, with level of education and living with a partner being the most important predictors. The medical variables included in the second step explain between 2.1 and 6.8% incremental variance; the most important predictor is the operation performed prior to rehabilitation (bypass, heart valve). The HRQOL variables in the third block provide 7.1–24.9% incremental explanation of variance, by far the highest percentage. This is mainly achieved using the 3 MacNew scales (emotional, social and physical functioning). The overall explanation of variance for the health valuations is 17.1–28.8%. For patients with a higher level of education, the total explanation of variance is about 9.2% higher on average than for the total sample and lies between 21.2 and 44.1%.

Discussion: The health dimensions examined are assessed quite differently by the patients. The most significant factor of influence is the HRQOL. In the subgroup of patients with a higher level of education, the predictive strength of the variables examined is considerably higher in comparison with the total sample. Since the health valuations can be predicted to a limited extent only using other data arising during routine care, it is necessary to implement special methods for compiling health valuations.

Schlüsselwörter

Gesundheitsbewertung - Patientenorientierung - Patientenpräferenzen - visuelle Analogskala

Key words

health valuations - patient participation - patient preferences - visual analogue scale

Literatur

• 1 Bradley EH, Bogardus ST, Tinetti ME, Inouye SK. Goal-setting in clinical medicine.  Social Science & Medicine. 1999;  49 (2) 267-278
• 2 Farin E. Patientenorientierung und ICF-Bezug als Herausforderungen für die Ergebnismessung in der Rehabilitation.  Rehabilitation. 2008;  47 (2) 67-76
• 3 Brewin T, Thornton H, Bradley C, McPherson K, Gore S, Silverman W, Altman D. Patients’ preferences and randomised trials.  Lancet. 1996;  347 (9008) 1118-1119
• 4 Hirsh AT, Atchison JW, Berger JJ, Waxenberg LB, Lafayette-Lucey A, Bulcourf BB, Robinson ME. Patient satisfaction with treatment for chronic pain: predictors and relationship to compliance.  Clinical journal of pain. 2005;  21 (4) 302-310
• 5 Mann R, Brazier J, Tsuchiya A. A comparison of patient and general population weightings of EQ-5D dimensions.  Health Economics. 2009;  18 (3) 363-372
• 6 Brazier JE, Dixon S, Ratcliffe J. The role of patient preferences in cost-effectiveness analysis: a conflict of values?.  Pharmacoeconomics. 2009;  27 (9) 705-712
• 7 Essink-Bot M, Stuifbergen MC, Meerding W, Looman CWN, Bonsel GJ. Individual differences in the use of the response scale determine valuations of hypothetical health states: an empirical study.  BMC Health Services Research. 2007;  DOI: doi: 10.1186/1472-6963-7-62
• 8 Fisman DN. Health related quality of life in genital herpes: a pilot comparison of measures.  Sexually Transmitted Infections. 2005;  81 (3) 267-270
• 9 Gaskin DJ, Frick KD. Race and ethnic disparities in valuing health.  Medical Decision Making. 2008;  28 (1) 12-20
• 10 Souchek J, Byrne MM, Kelly PA, O’Malley K, Richardson M, Pak C. et al . Valuation of arthritis health states across ethnic groups and between patients and community members.  Medical Care. 2005;  43 (9) 921-928
• 11 Franks P, Lubetkin EI, Melnikow J. Do personal and societal preferences differ by socio-demographic group?.  Health Economics. 2007;  16 (3) 319-325
• 12 Winkelmayer WC, Benner JS, Glynn RJ, Schneeweiss S, Wang PS, Brookhart MA. et al . Assessing health state utilities in elderly patients at cardiovascular risk.  Medical Decision Making. 2006;  26 (3) 247-254
• 13 Wittenberg E, Halpern E, Divi N, Prosser LA, Araki SS, Weeks JC. The effect of age, race and gender on preference scores for hypothetical health states.  Quality of Life Research. 2006;  15 (4) 645-653
• 14 Saigal CS, Gornbein J, Nease R, Litwin MS. Predictors of utilities for health states in early stage prostate cancer.  Journal of Urology. 2001;  166 (3) 942-946
• 15 Maor Y, King M, Olmer L, Mozes B. A comparison of three measures: the time trade-off technique, global health-related quality of life and the SF-36 in dialysis patients.  Journal of Clinical Epidemiology. 2001;  54 (6) 565-570
• 16 Brazier J, Akehurst R, Brennan A, Dolan P, Claxton K, McCabe C. et al . Should patients have a greater role in valuing health states?.  Applied Health Economics and Health Policy. 2005;  4 (4) 201-208
• 17 Chapman BP, Franks P, Duberstein PR, Jerant A. Differences between individual and societal health state valuations: any link with personality?.  Medical Care. 2009;  47 (8) 902-907
• 18 Dolan P. The effect of experience of illness on health state valuations.  Journal of Clinical Epidemiology. 1996;  49 (5) 551-564
• 19 Melsop KA, Boothroyd DB, Hlatky MA. Quality of life and time trade-off utility measures in patients with coronary artery disease.  American Heart Journal. 2003;  145 (1) 36-41
• 20 König H. Messung von Patientenpräferenzen in der Psychiatrie.  Psychiatrische Praxis. 2004;  (3) 118-127
• 21 Dolan P, Roberts J. To what extent can we explain time trade-off values from other information about respondents?.  Social Science & Medicine. 2002;  54 (6) 919-929
• 22 Kharroubi S, Brazier JE, O’Hagan A. Modelling covariates for the SF-6D standard gamble health state preference data using a nonparametric Bayesian method.  Social Science & Medicine. 2007;  64 (6) 1242-1252
• 23 Roberts J, Dolan P. To what extent do people prefer health states with higher values? A note on evidence from the EQ-5D valuation set.  Health Economics. 2004;  13 (7) 733-737
• 24 Froberg DG, Kane RL. Methodology for measuring health-state preferences – IV: Progress and a research agenda.  Journal of Clinical Epidemiology. 1989;  42 (7) 675-685
• 25 Devlin NJ, Hansen P, Selai C. Understanding health state valuations: a qualitative analysis of respondents’ comments.  Quality of Life Research. 2004;  13 (7) 1265-1277
• 26 Höfer S, Benzer W, Brandt D, Laimer H, Schmid P, Bernardo A, Oldridge N. MacNew Heart Disease Lebensqualitätsfragebogen nach Herzinfarkt.  Zeitschrift für Klinische Psychologie und Psychotherapie. 2004;  33 (4) 270-280
• 27 Höfer S, Benzer W, Schüssler G, von Steinbüchel N, Oldridge NB. Health-related quality of life in patients with coronary artery disease treated for angina: validity and reliability of German translations of two specific questionnaires.  Quality of Life Research. 2003;  12 (2) 199-212
• 28 Ware J, Kosinski M, Keller SD. A 12-Item Short-Form Health Survey: construction of scales and preliminary tests of reliability and validity.  Medical Care. 1996;  34 (3) 220-233
• 29 Glattacker M, Meixner K, Farin E, Jäckel WH. Entwicklung eines rehabilitationsspezifischen Komorbiditätsscores und erste Prüfung methodischer Gütekriterien.  Physikalische Medizin Rehabilitationsmedizin Kurortmedizin. 2007;  17 (5) 260-270
• 30 Daly CA, DeStavola B, Sendon JLL, Tavazzi L, Boersma E, Clemens F. et al . Predicting prognosis in stable angina-results from the Euro heart survey of stable angina: prospective observational study.  British Medical Journal. 2006;  332 (7536) 262-267
• 31 McKnight PE, McKnight KM, Figueredo AJ. Missing data: A gentle introduction. New York: Guilford Press; 2007
• 32 Wirtz M. Über das Problem fehlender Werte: Wie der Einfluss fehlender Informationen auf Analyseergebnisse entdeckt und reduziert werden kann.  Rehabilitation. 2004;  43 (2) 109-115
• 33 Schafer JL. NORM: Multiple Imputation of incomplete multivariate data under a normal model, version 2.03, software for Windows 95/98/NT.  1999;  verfügbar unter: http://www.stat.psu.edu/∼jls/misoftwa.html
• 34 Greenhouse S, Geisser S. On methods in the analysis of profile data.  Psychometrika. 1959;  24 (2) 95-112
• 35 Farin E. Agreement of patient and physician ratings on mobility and self-care in neurological diseases.  Quality of Life Research. 2009;  18 (8) 999-1010
• 36 Robitail S, Siméoni M, Ravens-Sieberer U, Bruil J, Auquier P. Children proxies’ quality-of-life agreement depended on the country using the European KIDSCREEN-52 questionnaire.  Journal of Clinical Epidemiology. 2007;  60 (5) 469-478
• 37 Menard SW. Applied logistic regression analysis. Thousand Oaks, CA: Sage; 2002
• 38  . PASW Statistics – SPSS 17. Chicago, IL: SPSS, Inc.; 2008
• 39 Farin E, Jäckel WH, Schalaster V. Projektgruppe QS-Reha-Verfahren in der AQMS Das Qualitätssicherungsverfahren der GKV in der medizinischen Rehabilitation: Ergebnisse und Weiterentwicklung.  Gesundheitswesen. 2009;  71 163-174
• 40 Say R, Murtagh M, Thomson R. Patients’ preference for involvement in medical decision making: a narrative review.  Patient Education and Counseling. 2006;  60 (2) 102-114
• 41 Ankem K. Use of information sources by cancer patients: results of a systematic review of the research literature.  Information Research. 2006;  11 (254) 11-13
• 42 Faltermaier T, Kühnlein I. Subjektive Gesundheitskonzepte im Kontext: Dynamische Konstruktionen von Gesundheit in einer qualitativen Untersuchung von Berufstätigen.  Zeitschrift für Gesundheitspsychologie. 2000;  8 (4) 137-154
• 43 Verband Deutscher Rentenversicherungsträger. . Rechtliche und strukturelle Weiterentwicklung der Rehabilitation – Positionen der gesetzlichen Rentenversicherung und Empfehlungen an die Politik.  Rehabilitation. 2000;  39 1-7
• 44 Leistner K, Beyer H. Rehabilitation in der Gesetzlichen Krankenversicherung (GKV). Antragsverfahren unter besonderer Berücksichtigung der ICF. Landsberg/Lech: Ecomed; 2005
• 45 Farin E, Meder M. Welche Methode empfiehlt sich zur Erfassung von Gesundheitsbewertungen (health valuations) chronisch Kranker?. In: Deutsche Rentenversicherung Bund, Hrsg. Tagungsband, „Qualität in der Rehabilitation – Management, Praxis, Forschung”, 19. Rehabilitationswissenschaftliches Kolloquium, 8.–10. März 2010 in Leipzig. DRV Schriften 2010 88 222-224
• 46 Raudenbush SW, Bryk AS. Hierarchical linear models: Applications and data analysis methods. 2. Aufl. Thousand Oaks, CA: Sage; 2001
• 47 King JT, Tsevat J, Roberts MS. Cognitive impairment and preferences for current health.  Health Qual Life Outcomes. 2009;  7 1

Korrespondenzadresse