PDF herunterladen
Gesundheitsökonomie & Qualitätsmanagement 2014; 19(06): 290-297
DOI: 10.1055/s-0034-1385749
Originalarbeit
© Georg Thieme Verlag KG Stuttgart · New York

Bewertung der Mortalität im stationären Bereich mittels einer differenzierten Risikoadjustierung anhand der §-21-Daten

Utilisation of Risk-Adjusted German Inpatient Administrative Data for the Evaluation of In-Patient Mortality
C. Bobrowski
1   II. Medizinische Klinik, Sektion Geriatrie, Asklepios Klinikum Harburg, Eißendorfer Pferdeweg 52, 21075 Hamburg
2   MedAdvisors GmbH, Lehmweg 17, 20251 Hamburg
,
E. Rathmann
3   Institut für Diagnostische Radiologie und Neuroradiologie, Universitätsmedizin Greifswald, 17475 Greifswald
,
T. Kohlmann
4   Institut für Community Medicine, Abteilung Methoden der Community Medicine, Universitätsmedizin Greifswald, 17475 Greifswald
,
J. Stausberg
5   Kordulastr. 13, 45131 Essen
,
C. Bartels
2   MedAdvisors GmbH, Lehmweg 17, 20251 Hamburg
6   Klinik für Herz- und thorakale Gefäßchirurgie des Universitätsklinikums Schleswig-Holstein, Campus Lübeck, Ratzeburger Allee 160, 23562 Lübeck
› Institutsangaben
Weitere Informationen

Publikationsverlauf

Publikationsdatum:
09. Dezember 2014 (online)

Auch verfügbar auf
    Lizenzen und Reprints

Zusammenfassung

Es wurde untersucht, ob eine risikoadjustierte Qualitätsanalyse insbesondere der stationären Sterblichkeit unter Verwendung von §-21-Routinedaten möglich ist. Es wurden aus den §-21-Abrechnungsdaten sechs deutscher Kliniken der Maximalversorgung vollstationäre Patienten (≥ 18 Jahre, Verweildauer > 24 Stunden) mit gültiger DRG-Kodierung (N = 557 989 entsprechend 91 % der vollstationären Patienten) ausgewählt. Mittels eines logistischen Regressionsmodells wurden Mortalitätswahrscheinlichkeiten für jeden Behandlungsfall errechnet, die eine Gegenüberstellung mit den tatsächlich beobachteten Mortalitätszahlen der untersuchten Krankenhäuser ermöglichten. Die Übertragbarkeit des Regressionsmodells auf spezifische Subgruppen mithilfe von ‚Standardized Mortality Ratios‘ (SMRs) wurde geprüft. Die Validierung des Risikomodells erfolgte an einem Datensatz des Vereins Qualitätsindikatoren für Kirchliche Krankenhäuser (QKK) aus dem Jahre 2010 (N = 390.489).

Als geeignete Prädiktoren für die stationäre Mortalität erwiesen sich Alter, Anzahl der Nebendiagnosen, Anzahl der Prozeduren, Beatmungsstunden, DRG-Partition, Relativgewicht (Bewertungsrelation), Geschlecht, Notfallstatus, Patient Clinical Complexity Level (PCCL) und Verweildauer. Das multivariable Modell zeigte ein Pseudo-R2 nach Nagelkerke von 0,36, entsprechend einer Fläche unter der ROC (Receiver Operating Characteristic) von 0,921 [KI95 (0,919; 0,923)]. Es zeigten sich quantifizierbare Unterschiede zwischen Rohmortalitäten und risikoadjustierten SMRs bei Kliniken sowie bei untersuchten Subgruppen. Die Validierung des Risikomodells am externen Datensatz zeigte eine gute Übertragbarkeit bei eingeschränkter Stabilität.

Der ganzheitliche Ansatz des erstellten Regressionsmodells zeigte eine sehr gute Vorhersagefähigkeit der stationären Mortalität. Ein risikoadjustierter Vergleich der Mortalitätsraten von untersuchten Kliniken und sechs exemplarisch untersuchten Subgruppen zeigte Fehlinterpretationspotenzial bei Qualitätsvergleichen mittels Rohmortalitäten. Weitere Analysen mit umfangreicheren Datensätzen sind zur Sicherstellung der Modellstabilität erforderlich.

Abstract

Based on a risk-adjusted multivariable model, we investigated the feasibility of inpatient mortality quality analyses using German administrative. Administrative data (required by law, § 21 Krankenhausentgeltgesetz) of six German tertiary hospitals were used to include 557 989 stationary patients (≥ 18 years of age, length of stay > 24 hours, valid DRG-coding). Probabilities were calculated for each hospitalized case by a logistic regression model mortality. Then they were compared with the observed mortality rates. The reproducibility of the regression model on specific subgroups was tested using Standardized Mortality Ratios (SMRs). External validation was performed against the 2010 data set of the QKK project (N = 390 489). (QKK: Qualitätsindikatoren für Kirchliche Krankenhäuser, quality indicators for denominational hospitals)

Valid predictors for inpatient mortality were: age, number of concurrent diseases, number of coded procedures, duration of ventilation, DRG-partition, DRG-value (cost weight), gender, emergency admission status, patient clinical complexity level (PCCL) and length of stay. The regression model showed a Nagelkerke-Pseudo-R2 of 0.36, equivalent to an AUC of 0.921 [CI95 (0.919; 0.923)]. Differences between unadjusted and adjusted mortality rates were quantified between hospitals and the subgroups examined. The validation against the external data set showed a good transferability with limited stability.

The regression model showed a very good prediction for inpatient mortality. A risk-adjusted comparison of mortality rates indicated potential for misinterpretation in quality assessments of hospitals and subgroups using unadjusted mortality rates alone.

Further analyses with larger datasets are required to ensure model stability.

Schlüsselwörter

Qualität - Routinedaten - Diagnosis Related Groups - Risikoadjustierung - Stationäre Mortalität - Standardisierte Mortalitätsrate

Key words

quality - administrative data - diagnosis related groups (DRG) - risk adjustment - inpatient mortality - standardized  mortality ratio
 

  • Literatur

  • 1 Panzer RJ, Gitomer RS, Greene WH et al. Increasing demands for quality measurement. JAMA 2013; 310 (18) 1971-1980
    CrossrefPubMedGoogle Scholar
  • 2 Canadian Institute for Health Information. HSMR: A New Approach for Measuring Hospital Mortality Trends in Canada. Ottawa: CIHI; 2007
    Google Scholar
  • 3 Agency for Healthcare Research and Quality. Inpatient quality indicators, technical specifications. http://www.qualityindicators.ahrq.gov/modules/iqi_resources.aspx (20.09.2014)
    PubMedGoogle Scholar
  • 4 HealthGrades Inc. HealthGrades Inc. www.healthgrades.com (20.09.2014).
    PubMedGoogle Scholar
  • 5 McKay NL, Deily ME. Comparing high- and low-performing hospitals using risk-adjusted excess mortality and cost inefficiency. Health Care Manage Rev 2005; 30 (04) 347-360
    CrossrefPubMedGoogle Scholar
  • 6 Mihrshahi S, Brand C, Ibrahim JE et al. Validity of the indicator 'death in low-mortality diagnosis-related groups' for measuring patient safety and healthcare quality in hospitals. Intern Med J 2010; 40 (04) 250-257
    CrossrefPubMedGoogle Scholar
  • 7 Organisation for Economic Co-Operation and Development. Health at a Glance, OECD Indicators 2013: OECD Indicators. OECD Publishing. http://www.oecd.org/els/health-systems/Health-at-a-Glance-2013.pdf (20.09.2014)
    PubMedGoogle Scholar
  • 8 Aylin P, Bottle A, Majeed A. Use of administrative data or clinical databases as predictors of risk of death in hospital: comparison of models. BMJ 2007; DOI: 10.1136/bmj.39168.496366.55. (Published 23 April 2007).
    PubMedGoogle Scholar
  • 9 Norena M, Wong H, Thompson WD et al. Adjustment of intensive care unit outcomes for severity of illness and comorbidity scores. Journal of Critical Care 2010; 21 (02) 142-150
    PubMedGoogle Scholar
  • 10 Tu JV, Austin PC, Walld RW et al. Development and Validation of the Ontario Acute Myocardial Infarction Mortality Prediction Rules. Journal of the American College of Cardiology 2001; 37 (04) 992-997
    CrossrefPubMedGoogle Scholar
  • 11 Stausberg J, Berghof K. Qualität der stationären Versorgung in Deutschland: eine Analyse der Entwicklung zwischen 2004 und 2008 aus Daten der externen vergleichenden Qualitätssicherung. DMW 2014; 139: 181-186
    Artikel in Thieme ConnectPubMedGoogle Scholar
  • 12 Mansky T, Nimptsch U, Winklmair C et al. G-IQI | German Inpatient Quality Indicators Version 4.0. Berlin: Universitätsverlag der TU Berlin; 2013
    Google Scholar
  • 13 Heller G. Zur Messung und Darstellung von medizinischer Ergebnisqualität mit administrativen Routinedaten in Deutschland. Bundesgesundheitsbl – Gesundheitsforsch – Gesundheitsschutz 2008; 51: 1173-1182
    PubMedGoogle Scholar
  • 14 [AOK1] Wissenschaftliches Institut der AOK. Statistische Verfahren. http://www.qualitaetssicherung-mit-routinedaten.de/methoden/stat_verfahren/index.html (19.11.2014).
    PubMedGoogle Scholar
  • 15 [AOK2] Wissenschaftliches Institut der AOK. QSR Verfahren – Regressionsgewichte. http://www.qualitaetssicherung-mit-routinedaten.de/imperia/md/qsr/methoden/wido_qsr_regressionsgewichte_2014.pdf (19.11.2014).
    PubMedGoogle Scholar
  • 16 Stausberg J, Assenmacher D, Kohl G et al. Evaluation von Qualitätsindikatoren im Projekt Qualitätsindikatoren für Kirchliche Krankenhäuser – QKK. Gesundh ökon Qual manag 2011; 16 (02) 110-116
    Artikel in Thieme ConnectPubMedGoogle Scholar
  • 17 Heijink R, Koolman X, Pieter D et al. Measuring and Explaining Mortality in Dutch Hospitals; the Hospital Standardized Mortality Rate between 2003 and 2005. BMC Health Serv Res 2008; 8: 73
    CrossrefPubMedGoogle Scholar
  • 18 Arboretti GiancristofaroR, Salmaso L. Model performance analysis and model validation in logistic regression. Statistica 2003; 63 (02) 375-396
    PubMedGoogle Scholar
  • 19 Hedderich J, Sachs L. Angewandte Statistik. 14. Aufl. Heidelberg: Springer; 2012
    CrossrefGoogle Scholar
  • 20 Zeger SL, Liang KY. Longitudinal data analysis for discrete and continuous outcomes. 1986; 42 (01) 121-30
    PubMedGoogle Scholar
  • 21 Muche R, Ring C, Ziegler C. Entwicklung und Validierung von Prognosemodellen auf Basis der logistischen Regression. Aachen: Shaker; 2005
    Google Scholar
  • 22 Muche R, Ring C, Ziegler C. Entwicklung und Validierung logistischer Prognosemodelle anhand vordefinierter SAS-Makros. GMS Med Inform Biom Epidemiol 2006; 2 (01) Doc04. http://www.egms.de/de/journals/mibe/2006-2/mibe000023.shtml (20.09.2014)
    PubMedGoogle Scholar
  • 23 Stausberg J. Welche projektspezifischen Indikatoren sind sinnvoll. Qualitätsindikatoren für Kirchliche Krankenhäuser (QKK). http://www.qkk-online.de (20.09.2014).
    PubMedGoogle Scholar
  • 24 Altman DG, Machin D, Bryant TN et al. Statistics with Confidence. 2nd ed. London: BMJ Books; 2000
    Google Scholar
  • 25 Knaus WA, Wagner DP, Draper EA et al. The Apache-III Prognostic System – Risk Prediction of Hospital Mortality for Critically Ill Hospitalized Adults. Chest 1991; 100 (06) 1619-1636
    CrossrefPubMedGoogle Scholar
  • 26 Hiller T. Evaluating the value of repeat bone mineal density measurement and prediction of fractures in older women. Arch Intern Med 2007; 167: 155-160
    CrossrefPubMedGoogle Scholar
  • 27 Bösner S, Haasenritter J, Abu Hani M et al. KHK-Ausschluss im hausärztlichen Versorgungsbereich – sind geschlechtsspezifische Scores von Nutzen?. Z Allg Med 2010; 9: 315-321
    PubMedGoogle Scholar
  • 28 Iezzoni LI. Assessing quality using administrative data. Ann Intern Med 1997; 127 (08) 666-674
    CrossrefPubMedGoogle Scholar
  • 29 Iezzoni LI. The risks of risk adjustment. JAMA 1997; 278 (19) 1600-1607
    CrossrefPubMedGoogle Scholar
  • 30 Khuri SF, Daley J, Henderson W et al. The Department of Veterans Affairs' NSQIP: the first national, validated, outcome-based, risk-adjusted, and peer-controlled program for the measurement and enhancement of the quality of surgical care. National VA Surgical Quality Improvement Program. Ann Surg 1998; 228 (04) 491-507
    CrossrefPubMedGoogle Scholar
  • 31 Swart E, Ihle R. Der Nutzen von GKV-Routinedaten für die Versorgungsforschung. Bundesgesundheitsblatt – Gesundheitsforschung – Gesundheitsschutz 2008;  51 (10) 1093-1094
    CrossrefPubMedGoogle Scholar
  • 32 Daley J, Khuri SF, Henderson W et al. Risk adjustment of the postoperative morbidity rate for the comparative assessment of the quality of surgical care: results of the National Veterans Affairs Surgical Risk Study. J Am Coll Surg 1997; 185 (04) 328-340
    PubMedGoogle Scholar
  • 33 Harrell FE Jr, Lee KL, Califf RM et al. Regression modelling strategies for improved prognostic prediction. Stat Med 1984; 3 (02) 143-152
    CrossrefPubMedGoogle Scholar
  • 34 Jarman B, Bottle A, Aylin P et al. Monitoring changes in hospital standardised mortality ratios. BMJ 2005; 330: 329
    CrossrefPubMedGoogle Scholar
  • 35 Jarman B. In defence of the hospital standardized mortality ratio. Healthc Pap 2008; 8: 37-42
    CrossrefPubMedGoogle Scholar
  • 36 Zahn C, Baker M, MacNaughton J et al. Hospital standardized mortality ratio is a useful burning platform. Healthc Pap 2008; 8: 50-53
    CrossrefPubMedGoogle Scholar
  • 37 Wen E, Sandoval C, Zelmer J et al. Understanding and using the hospital standardized mortality ratio in Canada: challenges and opportunities. Healthc Pap 2008; 8: 26-36
    PubMedGoogle Scholar
  • 38 McKinley J, Gibson D, Ardal S. Hospital standardized mortality ratio: the way forward in Ontario. Healthc Pap 2008; 8: 43-49
    PubMedGoogle Scholar
  • 39 Figler S. Data may reveal real issues. Healthc Pap 2008; 8: 54-56
    PubMedGoogle Scholar
  • 40 Brien SE, Ghali WA. CIHI’s hospital standardized mortality ratio: friend or foe?. Healthc Pap 2008; 8: 57-61
    CrossrefPubMedGoogle Scholar
  • 41 Shahian DM, Iezzoni LI, Meyer GS et al. Hospital-wide mortality as a quality metric: conceptual and methodological challenges. Am J Med Qual.  2012; 27 (02) 112-123
    CrossrefPubMedGoogle Scholar
  • 42 Shojania KG, Forster AJ. Hospital mortality: when failure is not a good measure of success. CMAJ 2008; 78: 1600-1607
    PubMedGoogle Scholar
  • 43 Kmietowicz Z. Fourteen hospital trusts are to be investigated for higher than expected mortality rates. BMJ 2013; 346: f960 DOI: doi: 10.1136/bmj.f960. (Published 12 February 2013).
    CrossrefPubMedGoogle Scholar
  • 44 Lilford R, Pronovost P. Using hospital mortality rates to judge hospital performance: a bad idea that just won’t go away. BMJ 2010; 340 DOI: doi:http://dx.doi.org/10.1136/bmj.c2016 . (Published 20 April 2010).
    PubMedGoogle Scholar
  • 45 Jarman B, Pieter DA, van der Veen AA et al. The hospital standardised mortality ratio: a powerful tool for Dutch hospitals to assess their quality of care?. Qual Saf Health Care 2010; 19: 9-13
    CrossrefPubMedGoogle Scholar
  • 46 Hoffmann W, Bobrowski C, Fendrich K. Sekundärdatenanalyse in der Versorgungsepidemiologie. Bundesgesundheitsblatt – Gesundheitsforschung – Gesundheitsschutz 2008;  51 (10) 1193-1201
    CrossrefPubMedGoogle Scholar
  • 47 Shahian DM, Wolf RE, Iezzoni LI et al. Variability in the Measurement of Hospital-wide Mortality Rates. N Engl J Med 2010; 363: 2530-2539
    CrossrefPubMedGoogle Scholar
  • 48 Van den Bosch WF, Spreeuwenberg P, Wagner C. Variations in hospital standardised mortality ratios (HSMR) as a result of frequent readmissions. BMC Health Services Research 2012; 12: 91
    CrossrefPubMedGoogle Scholar
  • 49 Mohammed MA, Deeks JJ, Girling A et al. Evidence of methodological bias in hospital standardised mortality ratios: retrospective database study of English hospitals. BMJ 2009; 338: b780 DOI: doi:10.1136/bmj.b780. (Published 18 March 2009)
    CrossrefPubMedGoogle Scholar
  • 50 Nicholl J. Case-mix adjustment in non-randomised observational evaluations: the constant risk fallacy. J Epidemiol Community Health 2007; 61: 1010-1013
    CrossrefPubMedGoogle Scholar
  • 51 Hentschker C, Mennicken R. The volume-outcome-relationship and minimum volume standards – empirical evidence for Germany. Health Econ 2014; DOI: 10.1002/hec.3051. (Epub ahead of print – 3 April 2014).
    PubMedGoogle Scholar