„Fair ist, Gleiches mit Gleichem zu vergleichen”

Zusammenfassung

Ziel der Studie: Evaluation der Methodik zum Krankenhausvergleich, die im Vertrag gemäß § 5 Bundespflegesatzverordnung zwischen den Spitzenverbänden der Krankenkassen und der Deutschen Krankenhausgesellschaft vereinbart wurde.

Methodik: Simulationsstudie, die den vereinbarten Algorithmus zum Vergleich der durchschnittlichen Verweildauer unter kontrollierten Randbedingungen bei bekannten Patienteneigenschaften in seinen Resultaten überprüft. Die Simulationsbedingungen wurden hinsichtlich Verweildauern, Casemix und Versorgungsbedingungen weitgehend an die Situation in der stationären psychiatrischen Versorgung in der Bundesrepublik Deutschland angepasst.

Ergebnisse: Die Fokussierung des Vertrages auf Adjustierung der Diagnosen der Patienten und die Auswertung lediglich auf dem aggregierten Datenniveau von Krankenhäusern bedingt, dass artifizielle Unterschiede zwischen Krankenhäusern „gefunden” werden. Je nach konkretem Vergleichshaus und je nach Versorgungsszenario entstehen starke systematische „Bevorzugungen” und „Benachteiligungen” beim Vergleich mit anderen Krankenhäusern.

Schlussfolgerung: Der geschlossene Vertrag kann seine Ziele, zur Unterstützung der Budgetverhandlungen zu dienen, zumindest für psychiatrische Krankenhäuser nicht erfüllen.

Abstract

Aim: To evaluate the method for comparison of average length of stay in hospitals as defined in a contract between German health insurance companies and the „Deutsche Krankenhausgesellschaft” (German Hospital Association).

Method: Simulation study executing the algorithm agreed upon in different scenarios, which varied the number of hospitals to be compared, the dispersion of diagnostic specialization over hospitals, and the distribution of hospitals’ sizes. Scenarios were constructed to realistically reflect the situation in German inpatient treatment of mentally ill patients.

Results: By fixing casemix adjustments only on diagnoses of patients and by doing so aggregated on the level of hospitals, the method for comparison yielded artificial differences between hospitals even in a situation where each patient is treated with exactly the same amount of resource allocation (given the individual needs defined for all scenarios). Results of artificial differences were heavily biased against or in favour of the reference hospitals according to the specific condition of the scenario parameters.

Conclusion: The contracted method is not capable of achieving fair hospital comparisons, at least not for psychiatric hospitals.

Krankenhausvergleich - Verweildauer - Casemix-Adjustierung - Simulationsstudie - Fehlschluss

Hospital comparison - length of stay - casemix adjustment - simulation study - fallacy

• 1 Günster C, Klauber J, Schellschmidt H. Zur Implementierung eines AP-DRG basierten Entgeltsystems in Deutschland. Arnold M, Litsch M, Schwartz FM Krankenhaus-Report 1999 Stuttgart; Schattauer 2000 Kapitel 16
• 2 ohne Autor . Vereinbarung nach § 5 BpflV zum Krankenhausvergleich. In: Deutsche Krankenhausgesellschaft.  1999; 
• 3 Christiansen C L, Morris C N. Improving the statistical approach to health care provider profiling.  Annals of Internal Medicine. 1997;  127 (2) 764-768
• 4 DeLong E R, Peterson E D, DeLong M. et al . Comparing Risk-Adjustment Methods for Provider Profiling.  Statistics in Medicine. 1997;  16 2645-2664
• 5 Beaver C, Zhao Y, McDermid S. et al . Casemix-based funding of Northern Territory public hospitals: adjusting for severity and socio-economic variations.  Health Economics. 1998;  7 53-61
• 6 Kisley S, Preston N, Rooney M. Pathways and outcomes of psychiatric care: does it depend on who you are, or what you’ve got?.  Australian and New Zealand Journal of Psychiatry. 2000;  34 1009-1014
• 7 Hendryx M S, Moore R, Leeper T. et al . An examination of methods for risk-adjustment of rehospitalization rates.  Mental Health Services Research. 2001;  3 (1) 15-24
• 8 Rosen A K, Loveland S, Anderson J J. et al . Evaluating diagnosis-based case-mix measures: how well do they apply to the VA population?.  Medical Care. 2001;  39 (7) 692-700
• 9 Greenfield S, Kaplan S H, Kahn R. et al . Profiling care provided by different groups of physicians: effects of patient case-mix (bias) and physician-level clustering on quality assessment results.  Ann Intern Med. 2002;  136 111-126
• 10 Gerste B. Bildung von Krankenhausgruppen auf Fallmix-Basis. Arnold M, Paffrath D Krankenhaus-Report ‘96 Stuttgart; Gustav Fischer 1996 p. 115-126
• 11 Litsch M, Sahlmüller H. Die Methodik des leistungsorientierten WidO-Krankenhausvergleiches. Sieben G, Litsch M Krankenhausbetriebsvergleich Berlin; Springer 2000 p. Kapitel 6
• 12 Eckes T, Roßbach H. Clusteranalysen. Stuttgart; Kohlhammer 1980
• 13 Brock I P, Brown G R. Psychiatric length of stay determinants in a military medical center.  Gen Hosp Psychiatry. 1993;  15 (6) 392-398
• 14 Richter D. Krankenhausbetriebsvergleich für psychiatrische Kliniken - Wie sinnvoll ist ein Vergleich der Behandlungsdauern nach Diagnose und Alter?.  Das Gesundheitswesen. 1999;  61 (5) 227-233
• 15 Frick U, Rehm J, Krischker S. et al . Length of Stay in a German Psychiatric Hospital as a Function of Patient and of Organizational Characteristics - A Multilevel Analysis.  Int. J. of Methods in Psychiatric Research. 1999;  8 (3) 146-161
• 16 Dogan M, Rokkan S, editors. Quantitative ecological analysis in the social sciences. Cambridge, MA; MIT press 1969
• 17 Hox J. Multilevel Analysis. Techniques and Applications. Mahwah, NJ; Lawrence Erlbaum Ass 2002
• 18 Robinson W S. Ecological correlations and the behavior of individuals.  Am Soc Rev. 1950;  15 351-357
• 19 Alker H R. A typology of fallacies. Dogan M, Rokkan S Quantitative ecological analysis in the social sciences Cambridge, MA; MIT press 1969 p. 69-86
• 20 Gräb C. Statistische Krankenhausdaten: Grund- und Kostendaten der Krankenhäuser. Arnold M, Litsch M, Schwartz FM Krankenhaus-Report 1999 Stuttgart; Schattauer 2000 Kapitel 18
• 21 Reister M. Diagnosedaten der Krankenhauspatienten 1996. Arnold M, Paffrath D Krankenhaus-Report ‘98 Stuttgart; Gustav Fischer 1998 p. 231-248
• 22 Kunze H, Kaltenbach L. editors .Psychiatrie-Personalverordnung. Textausgabe mit Materialien und Erläuterungen für die Praxis. Stuttgart; Kohlhammer 1994 2. Auflage
• 23 Sahlmüller H. Vom ICD-Mix zum Fallgruppen-Mix - Ein konzeptioneller Vorschlag zur Weiterentwicklung des Betriebsvergleichs unter Einbezug der DRGs. Arnold M, Litsch M, Schellschmidt H Krankenhaus-Report 2000 Stuttgart; Schattauer 2001 p. Kapitel 17
• 24 Imler S W. Provider profiling: severity-adjusted versus severity-based outcomes.  J Healthcare Qual. 1997;  19 (6) 6-11
• 25 Cording C, Kipp J, Kukla R. et al . Der neue Krankenhausvergleich nach § 5 BPflV und seine Anwendung in der Psychiatrie. Eine Stellungnahme der DGPPN, der Bundesarbeitsgemeinschaft der Träger Psychiatrischer Krankenhäuser (BAG) und der Aktion Psychisch Kranke (APK).  Der Nervenarzt. 2001;  72 63-66
• 26 Rice N, Leyland A. Multilevel models: applications to health data.  J Health Serv Res Policy. 1996;  1 (3) 154-164
• 27 Leung K M, Elashoff R M, Rees K S. et al . Hospital- and patient-related characteristics determining maternity length of stay: a hierarchical linear model approach.  Am J Public Health. 1998;  88 (3) 377-381
• 28 Frick U, Cording C, Rehm J, Krischker S. Herr Tur-Tur und die Krankenhausvergleiche: Ein Besuch in der Psychiatrie-Oase.  Das Gesundheitswesen. 2001;  63 (7) 435-439
• 29 Zuckerman S, Hadley J, Iezzoni L. Measuring hospital efficiency with frontier cost functions.  Journal of Health Economics. 1994;  13 (3) 255-280
• 30 Krämer W, Feldmann R. Den einen und einzig wahren Krankenhaus-Betriebsvergleich gibt es nicht.  f&w führen und wirtschaften im Krankenhaus. 1999;  1999 (5) 431-437
• 31 Schmitt H, Felder S. Keine Angst vor Äpfeln und Birnen! die Effizienzfrontanalyse im Krankenhausvergleich.  Gesundh ökon Qual manag. 2001;  6 10-17
• 32 Battisti G, Thanassoulis E. Data envelopment analysis versus multilevel modelling: an application to pupil data. In: Isham V, Ashby D, Collett D, editors. International Conference of the Royal Statistical Society (RSS 2002); University of Plymouth.  Plymouth. 2002 September;  3-6
• 33 Frick U, Krischker S, Hübner-Liebermann B. ”... aber die Daten taugen doch nichts!” Empirische Ansätze zur Prüfung eines Vorurteils. Cording C Qualität in der Psychiatrie Regensburg; Roderer 1999 p. 111-138

Anhang

Es folgt eine exakte Beschreibung der Durchführung eines Simulationsdurchgangs:

1. Bestimme die Anzahl der Häuser:
   Hier wurden 40 bzw. 379 verwendet, um einen landesweiten und einen bundesweiten Vergleich zu simulieren.

2. Ordne jedem Haus eine Größe zu:
   Die Gesamtpatientenzahl beträgt „Zahl der Häuser × 1600”. Diese Patientenzahl wird abhängig vom Szenario (s. Abb. [1]) auf die Häuser aufgeteilt.

3. Ordne jedem Haus einen Diagnosegruppenvektor zu:
   Eine Diagnosegruppenvektor besteht aus sieben Anteilswerten, die in der Summe eins ergeben, für die Diagnosegruppen (mit den ICD 9-Diagnosegruppen und ihrer bundesweiten Behandlungsprävalenz jeweils in Klammern) „Schizophrenien” (295.x; 21,69 %), „Affektive Psychosen” (296.x; 9,521 %), „Alkoholabhängigkeit” (291.x, 303.x, 980.x; 22,89 %), „Medikamenten- und Drogenabhängigkeit/-missbrauch” (292.x, 304.x, 305.x; 8,458 %), „Organische Störungen” (290.x, 293.x, 294.x, 310.x, 314.x, 315.x, 345.x; 7,846 %), „Neurosen” (300.x, 306.x, 307.x, 308.x, 309.x, 316.x; 9,274 %) und „Restliche Diagnosen” (20, 32 %). Die Einteilung der Diagnosegruppen orientiert sich an (33), die Prävalenz der Diagnosegruppen wurde anhand des Krankenhausreports ’98 (21) festgelegt. Das Mittel der Diagnosegruppenvektoren aller Häuser gewichtet mit der Zahl der Patienten pro Haus ergibt den mittleren Diagnosegruppenvektor. Dieser wird auf den Bundesdurchschnitt festgesetzt. Weiterhin unterliegen die Diagnosegruppenvektoren der einzelnen Häusern abhängig vom Szenario weiteren Randbedingungen. Hier gibt es sowohl eine so genannte Generalisten-Randbedingung, bei der die Diagnosegruppenvektoren um nicht mehr als einen gewissen Betrag (<20 %) vom (Bundes-)Durchschnitt abweichen dürfen. In Spezialisten-Szenarien wird jedem Haus eine Spezialisierung auf eine bestimmte Diagnosegruppe zugewiesen und der Anteil dieser Spezialisierungsgruppe muss über einem gewissen Wert (>70 % bei Depression bzw. Schizophrenie, >80 % für Alkohol bzw. illegalen Drogen) liegen. Weiterhin gibt es ein Szenario, bei dem die Hälfte der Patienten in Spezialisten-Häuser und die Hälfte der Patienten in Generalisten-Häuser eingewiesen wird. Die Ähnlichkeit der Diagnosegruppenvektoren der unterschiedlichen Häuser lässt sich durch die mittlere Korrelation zwischen je zwei Diagnosegruppenvektoren bestimmen. Auch diese Korrelation wird - als weitere Randbedingung - auf einen festen Wert von 0,4 festgesetzt. Innerhalb der genannten Randbedingungen werden die Diagnosegruppenvektoren für die einzelnen Häuser zufällig erzeugt.

4. Generiere Patienten:
   Durch Multiplikation der Gesamtpatientenzahl (siehe 2.) mit dem mittleren Diagnosegruppenvektor (siehe 3.) ergibt sich die Zahl der Patienten, die pro Diagnosegruppe „benötigt” wird, um alle Häuser zu füllen. Die benötigte Zahl der Patienten wird mit folgenden Kovariaten (in Klammern jeweils die Verteilung mit Randbedingungen) erzeugt: Alter (Gamma; mean = 44.5, SD = 17.5; <111 Jahre), GAF (Normal; mean = 41.86, SD = 16; 0 <GAF <100), Delta GAF (Normal; mean = 15.35, SD = 16.4; -10 <Delta GAF <101), keine komplementäre Nachsorge = „nocompserv” (Binomial; p = 8,67 %), Anschlussbehandlung vereinbart = „subseqtreat” (Binomial; p = 37,7 %), nodrugtreat (Binomial, p = 37,1 %), Anticholinerge Medikation gegen Neuroleptika-Nebenwirkungen (Binomial; p = 5,10 %).

5. Zufällige Verteilung der Patienten auf die Häuser:
   Unter der Randbedingung, dass jedes Haus genau passend viele Patienten aus den jeweiligen Diagnosegruppen erhält.

6. Bestimmung der mittleren Verweildauer für jedes Haus:
   Für jeden Patienten wird die Verweildauer mit der Formel
   Verweildauer = exp(3.070 + (Alter*0.008) - (GAF*0.004) + (schiz*0.365) + (depr*0.446) - (drog*0.217) - (nocompserv* 0.556) + (subseqtreat*0.184) + (Delta GAF*0.005) - (nodrugtreat* 0.618) + (Anticholinerge Mediaktion*0.150)
   berechnet (vgl. [15]). Mitteln über alle Patienten eines Hauses ergibt die mittlere Verweildauer für ein Haus. Wichtig ist hierbei, dass diese, abgesehen vom Diagnosegruppenvektor, vollständig unabhängig vom Haus selbst ist.

7. Festlegen des Cutoffs:
   Es werden pro Szenario vier Cutoffs verwendet, die so gewählt sind, dass jeweils ca. 10, 50, 120 und 200 Häuser (für die 379er-Szenarien) bzw. 5, 10, 20, und 30 Häuser (für die 40er-Szenarien) in die „Peer group” aufgenommen werden.

8. Identifikation der Vergleichsgruppe:
   Berechnen der Distanz vom Diagnosegruppenvektor des Vergleichshauses zu jedem anderen Haus. Für die Bestimmung der Distanz zweier Häuser wird die so genannte „City-Block-Metrik” verwendet: Für jede Diagnosegruppe wird der Absolutbetrag der Differenz der Anteile in beiden Häusern genommen und die Abstandsbeträge aller Diagnosegruppen werden zusammengezählt. Dies ist völlig äquivalent zur exakten Vertragsregelung, jeweils die halbierten Abstände zu addieren. Die Summe wird als Distanz verwendet. Häuser, deren Distanz kleiner ist als der Cutoff, bilden die Vergleichsgruppe.

9. Berechnen der Vergleichsmaße des Referenzhauses in der Vergleichsgruppe (z. B. Prozentsatz der Häuser mit kürzerer mittlerer Verweildauer als das Referenzhaus).