Zusammenfassung
Zielsetzung: Ziel dieser Publikation war es, die Zusammenhänge zwischen der durch Qualitätsindikatoren beschriebenen diagnosebezogenen Mortalität und der Gesamtmortalität anhand von krankenhausbezogenen Routinedaten explorativ zu analysieren. Methodik: Aus 6 Krankenhäusern der Schwerpunkt- und Maximalversorgung standen die DRG-Routinedaten von insgesamt 670 000 Krankenhausfällen aus 3 Jahren zur Verfügung. Der Datensatz wurde im Hinblick auf die kommerziell erhältlichen Qualitätsindikatoren des Krankenhauskonzerns HELIOS (sog. HELIOS-Indikatoren der 2. Generation) und die Patient Safety Indicators der Agency for Healthcare Research and Quality untersucht. Für die Krankenhausmortalität und für die jeweiligen Ergebnisse der (todesfallbezogenen) Qualitätsindikatoren wurden Ränge gebildet. Diese Ränge wurden nach verschiedenen Kriterien zu Rangsummen aggregiert. Ergebnisse: Die höchste Korrelation zwischen dem Rang für die Krankenhausmortalität und für die indikatorenbezogene aggregierte Letalität fanden wir für die Qualitätsindikatoren (QI), die medizinisch dem Bereich der Grundversorgung zuzuordnen sind. Die entsprechenden Korrelationen für die QI aus Maximalversorgung und medizinischen „Querschnnittsthemen” waren eher schwach. Schlussfolgerung: Beim Vorliegen von Mortalitätsunterschieden zwischen Krankenhäusern (oder Mortalitätsunterschieden in einem Krankenhaus im Zeitverlauf) ist es sinnvoll, die Qualitätsindikatoren und Qualitätsmaße gesondert für die medizinischen Bereiche „Grundversorgung”, „Maximalversorgung” und „Querschnittsthemen” zu analysieren.
Abstract
Aim: For a data set of 670 000 inpatient cases, in-hospital mortality was available as well as diagnosis-related mortality which is defined by certain quality indicators. The relationship between diagnosis-related mortality and the overall mortality was analyzed in an explorative way. Methods: Administrative data form six tertiary centers and three years, respectively, were available for mortality analyses. Quality indicators derived from this data set were analyzed using commercially available software. The indicators were those form the Agency for Healthcare Research and Quality (Patient Safety Indicators) and from HELIOS Kliniken, a privately owned group of German hospitals (HELIOS 2nd generation indicators). Ranks were defined for in-hospital mortality and for those quality indicators which describe a death rate. Ranks were then aggregated to form rank sums using clinical criteria. Results: The best correlation between the rank of hospital mortality and indicator-based aggregated letality was found for those quality indicators (QI) which describe the ”basic” hospital care. The respective correlations for QI from ”specialized” or ”overall” hospital care were weak. Conclusion: When analyzing mortality differences between hospitals (or between subsequent years for a single hospital), quality indicators should be analyzed separately according to the classification described here.
Schlüsselwörter
Krankenhaus - Qualitätsindikatoren - Qualitätsmanagement - Risikoadjustierung - Sterblichkeit
Key words
hospital - mortality - quality indicators - risk adjustment
Literatur
-
1
Shojania K G, Forster A J.
Hospital mortality: when failure is not a good measure of success.
CMAJ.
2008;
179 (2)
153-157
-
2
Rosenthal G E, Shah A, Way L E et al.
Variations in standardized hospital mortality rates for six common medical diagnoses: implications for profiling hospital quality.
Med Care.
1998;
36
955-964
-
3
Mihrshahi S, Brand C, Ibrahim J E et al.
Literature review: Validity of the indicator ‘death in low mortality diagnosis related groups’ for measuring patient safety and health care quality in hospitals.
Intern Med J.
2010;
[Epub ahead of print]
-
4
Ghaferi A A, Birkmeyer J D, Dimick J B.
Variation in hospital mortality associated with inpatient surgery.
N Engl J Med.
2009;
361
1368-1375
-
5 http://www.helios-kliniken.de/medizin/qualitaetsmanagement/transparenz/medizinische-ziele.html?0= (Zugriff am 26.4.2010)
-
6
Busse R, Nimptsch U, Mansky T.
Measuring, Monitoring and Managing Quality in Germany’s Hospitals.
Health Affairs.
2009;
28 (2)
w294-w304
-
7 http://www.initiative-qualitaetsmedizin.de (Zugriff am 26.4.2010)
-
8
Chung F, Mezei G, Tong D.
Pre-existing medical conditions as predictors of adverse events in day-case surgery.
British Journal of Anaesthesia.
1999;
83 (2)
262-270
-
9
Donati A, Ruzzi M, Adrario E et al.
A new and feasible model for predicting operative risk.
British Journal of Anaesthesia.
2004;
93 (3)
393-399
-
10
Cohen M M, Duncan P G, Tate R B.
Does Anesthesia Contribute to Operative Mortality.
JAMA – Journal of the American Medical Association.
1988;
260 (19)
2859-2863
-
11
Roques F, Nashef S AM, Michel P et al.
Risk factors and outcome in European cardiac surgery: analysis of the EuroSCORE multinational database of 19 030 patients.
European Journal of Cardio-thoracic Surgery.
1999;
15 (6)
816-822
-
12
Knaus W A, Wagner D P, Draper E A et al.
The Apache-III Prognostic System – Risk Prediction of Hospital Mortality for Critically Ill Hospitalized Adults.
Chest.
1991;
100 (6)
1619-1636
-
13
Swart E, Ihle R.
Der Nutzen von GKV-Routinedaten für die Versorgungsforschung.
Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz.
2008;
51
1093-1094
-
14
Schubert I, Köster I, Küpper-Nybelen J et al.
Versorgungsforschung mit GKV-Routinedaten.
Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz.
2008;
51
1095-1105
-
15
Hoffmann W, Bobrowski C, Fendrich K.
Sekundärdatenanalyse in der Versorgungsepidemiologie.
Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz.
2008;
51
1193-1201
Dr. med. Christoph Bobrowski, M.Sc.
Direktor Strategisches Controlling und Leiter der Stabsstelle Medizincontrolling, Universitätsklinikum Greifswald der Ernst-Moritz-Arndt-Universität Greifswald AöR
Fleischmannstraße 8
17475 Greifswald
Email: christoph.bobrowski@uni-greifswald.de
