CC BY-NC-ND 4.0 · Gesundheitswesen 2020; 82(S 01): S29-S40
DOI: 10.1055/a-0977-3332
Übersichtsarbeit
Eigentümer und Copyright ©Georg Thieme Verlag KG 2019

Variablendefinition in fallbezogenen Krankenhausabrechnungsdaten – Fallstricke und Lösungsmöglichkeiten

Definition of Variables in Hospital Discharge Data: Pitfalls and Proposed Solutions
Ulrike Nimptsch
1   Fachgebiet Strukturentwicklung und Qualitätsmanagement im Gesundheitswesen, Technische Universität Berlin, Berlin
2   Fachgebiet Management im Gesundheitswesen, Technische Universität Berlin, Berlin
,
Melissa Spoden
1   Fachgebiet Strukturentwicklung und Qualitätsmanagement im Gesundheitswesen, Technische Universität Berlin, Berlin
2   Fachgebiet Management im Gesundheitswesen, Technische Universität Berlin, Berlin
,
Thomas Mansky
1   Fachgebiet Strukturentwicklung und Qualitätsmanagement im Gesundheitswesen, Technische Universität Berlin, Berlin
› Author Affiliations
Further Information

Publication History

Publication Date:
07 October 2019 (online)

Zusammenfassung

In Deutschland ist mit der Fallpauschalenbezogenen Krankenhausstatistik (DRG-Statistik) eine Vollerhebung der Abrechnungsdaten nahezu aller akutstationären Krankenhausbehandlungsfälle verfügbar. Die Mikrodaten, d. h. die Datensätze der einzelnen Behandlungsfälle, werden von den Forschungsdatenzentren der Statistischen Ämter des Bundes und der Länder für die wissenschaftliche Nutzung bereitgestellt. Krankenhausabrechnungsdaten werden zu Abrechnungszwecken erhoben und haben – wie andere Datenquellen auch – spezifische Besonderheiten und Eigenschaften, die bei der Planung von Analysen und im Studiendesign angemessen berücksichtigt werden müssen. Eine besondere Herausforderung ist dabei die sachgerechte Operationalisierung von Analyseeinheiten, Zielgrößen und weiteren Variablen, die u. a. eine mögliche unterschiedliche Kodierpraxis in verschiedenen Krankenhäusern antizipiert und deren Auswirkungen über eine durchdachte Variablendefinition minimiert. In diesem Beitrag wird anhand von praktischen Beispielen aufgezeigt, was bei der Definition von Variablen in fallbezogenen Krankenhausabrechnungsdaten beachtet werden sollte, um das Risiko von kodierungs- oder anderweitig bedingten Verzerrungen möglichst gering zu halten. Ausgehend von den Erfahrungen der Autoren werden die wichtigsten Schritte und Herausforderungen in Bezug auf ein typisches retrospektives Beobachtungsstudiendesign in der Versorgungsforschung beschrieben. Basierend auf bereits durchgeführten Projekten auf der Grundlage der Mikrodaten der Fallpauschalenbezogenen Krankenhausstatistik (DRG-Statistik) werden Beispiele anhand eigener Berechnungen illustriert. Die Verlässlichkeit und Interpretierbarkeit von Analysen auf der Grundlage der Mikrodaten der DRG-Statistik hängt entscheidend von der sachgerechten Operationalisierung der Variablen ab. Um das Risiko von Verzerrungen und Fehlinterpretationen möglichst gering zu halten, sind umfangreiche Vorüberlegungen notwendig, die neben medizinisch-klinischen Aspekten auch den Kontext der Datenerhebung und die klassifikatorischen Möglichkeiten zur Abbildung bestimmter Sachverhalte berücksichtigen. Es ist zu hoffen, dass die Akzeptanz von Studien auf der Grundlage von Krankenhausabrechnungsdaten weiter zunimmt und der wertvolle Datenbestand der DRG-Statistik in Zukunft noch intensiver für Forschungszwecke genutzt wird.

Abstract

In Germany, the Diagnosis-Related Group Statistics (DRG Statistics) supply full coverage of inpatient episodes in acute care hospitals. The Research Data Centres of the Federal Statistical Office and the Statistical Offices of the Federal States provide the microdata of the DRG Statistics, namely hospital discharge files of each inpatient case, for scientific research. Hospital discharge data are generated for administrative purposes. As well as other data sources, they have specific features and characteristics, which should be considered in planning and designing research studies. A key challenge is the appropriate and sophisticated operationalization of units of analysis, targets variables, and other study variables. The methodological approach should consider, among other factors, differing coding behaviour between hospitals in order to minimize the risk of bias. This contribution shows by practical examples what should be incorporated in variable definition to ensure that the risk of bias by coding behaviour or other factors is minimized to the greatest possible degree. First of all, the features and characteristics of the German hospital discharge data are outlined. Based on the authorsʼ experiences, basic steps and challenges in observational health services research studies are described. Examples are illustrated by our own calculations, derived from previous studies based on the microdata of the DRG Statistics. The reliability and validity of analyses based on hospital discharge data are crucially dependent on the appropriateness of variable definition. To minimize the risk of bias and misinterpretation, extensive preliminary considerations are required which involve clinical aspects, as well as the context of data collection and technical classification opportunities. Hopefully, there will be greater acceptance of research based on hospital discharge data, so that these valuable data will be used more frequently for research purposes in the future.

 
  • Literatur

  • 1 Deutsche Krankenhausgesellschaft (DKG). GKV-Spitzenverband, Verband der privaten Krankenversicherung (PKV), Institut für das Entgeltsystem im Krankenhaus (InEK GmbH). Deutsche Kodierrichtlinien. Allgemeine und Speziell Kodierrichtlinien für die Verschlüsselung von Krankheiten und Prozeduren. Version 2018. Düsseldorf: Deutsche Krankenhaus Verlagsgesellschaft 2017
  • 2 Busley A. Den Blick auf Qualität und Kosten. MDK forum 2018; 4: 12-13 https://www.mdk.de/aktuelles-presse/magazin-mdk-forum/mdk-forum-42018/ (Zugriff am 25.04.2019)
  • 3 Nimptsch U, Schömann M, Mansky T. Datenzugang für die Qualitätsmessung in der akutstationären Krankenhausversorgung. In: Dormann F, Klauber J, Kuhlen R. Hrsg Qualitätsmonitor 2019. Berlin: Medizinisch Wissenschaftliche Verlagsgesellschaft; 2018. (im Druck)
  • 4 Forschungsdatenzentren der Statistischen Ämter des Bundes und der Länder. Datenangebot | Fallpauschalenbezogene Krankenhausstatistik (DRG-Statistik). Wiesbaden: Statistisches Bundesamt; 2018. http://www.forschungsdatenzentren.de/bestand/drg/index.asp (Zugriff am 31.10.2018)
  • 5 Grobe TG, Nimptsch U, Friedrich J. Krankenhausbehandlung. In Swart E, Ihle P, Gothe H, Matusiewicz D. Hrsg Routinedaten im Gesundheitswesen. Handbuch Sekundärdatenanalyse: Grundlagen, Methoden und Perspektiven. Bern: Verlag Hans Huber; 2014: 121-145
  • 6 Forschungsdatenzentren der Statistischen Ämter des Bundes und der Länder. Metadatenreport. Teil II: Produktspezifische Informationen zur Nutzung der Fallpauschalenbezogenen Krankenhausstatistik 2016 für die Kontrollierte Datenfernverarbeitung (EVAS-Nummer: 23141). Version 1. DOI: 10.21242/23141.2016.00.00.1.1. Wiesbaden: Statistische Ämter des Bundes und der Länder 2019;
  • 7 Statistisches Bundesamt. Fallpauschalenbezogene Krankenhausstatistik (DRG-Statistik). Qualitätsbericht 2017. Wiesbaden: Statistisches Bundesamt 2018; https://www.destatis.de/DE/Publikationen/Qualitaetsberichte/Gesundheitswesen/FallpauschaleKrankenhausstatistk.pdf?__blob=publicationFile (Zugriff am 31.10.2018)
  • 8 Nimptsch U, Bestmann A, Erhart M. et al. Zugang zu Routinedaten. In Swart E, Ihle P, Gothe H, Matusiewicz D. Hrsg Routinedaten im Gesundheitswesen. Handbuch Sekundärdatenanalyse: Grundlagen, Methoden und Perspektiven. Bern: Verlag Hans Huber; 2014: 270-290
  • 9 Mansky T, Nimptsch U, Cools A. et al. G-IQI | German Inpatient Quality Indicators. Version 5.1. – Band 2: Definitionshandbuch für das Datenjahr 2017. Berlin: Universitätsverlag der TU Berlin; 2017. DOI: 10.14279/depositonce-6070
  • 10 Nimptsch U, Mansky T. Trends in der akutstationären Schlaganfallversorgung in Deutschland. Dtsch Arztebl Int 2012; 109: 885-892
  • 11 Krautz C, Nimptsch U, Weber GF. et al. Effect of Hospital Volume on In-hospital Morbidity and Mortality Following Pancreatic Surgery in Germany. Ann Surg 2018; 267: 411-417
  • 12 Nimptsch U, Bolczek C, Spoden M. et al. Mengenentwicklung stationärer Behandlungen bei Erkrankungen der Wirbelsäule – Analyse der deutschlandweiten Krankenhausabrechnungsdaten von 2005 bis 2014. Z Orthop Unfall 2018; 156: 175-183
  • 13 Schrappe M, Pfaff H. Versorgungsforschung vor neuen Herausforderungen: Konsequenzen für Definition und Konzept. Gesundheitswesen 2016; 78: 689-694
  • 14 Mansky T, Nimptsch U. Qualitätsmessung im Krankenhaus – worauf kommt es an?. Z Evid Fortbild Qual Gesundhwes 2014; 108: 487-494
  • 15 Nimptsch U, Krautz C, Weber GF. et al. Nationwide In-hospital Mortality Following Pancreatic Surgery in Germany is Higher than Anticipated. Ann Surg 2016; 264: 1082-1090
  • 16 Silber JH, Romano PS, Rosen AK. et al. Failure-to-rescue: comparing definitions to measure quality of care. Med Care 2007; 45: 918-925
  • 17 Charlson ME, Pompei P, Ales KL. et al. A new method of classifiying prognostic comorbidity in longitudinal studies: development and validation. Journal of Chronic Diseases 1987; 40: 373-383
  • 18 Elixhauser A, Steiner C, Harris DR. et al. Comorbidity measures for use with administrative data. Med Care 1998; 36: 8-27
  • 19 Lux G, Biermann J, Dahl H. et al. Risikoadjustierung und Komorbiditäten. In: Swart E, Ihle P, Gothe H, Matusiewicz D. Hrsg Routinedaten im Gesundheitswesen. 2. Auflage Bern: Hans Huber; 2014: 411-423
  • 20 Agency for Healthcare Research and Quality (AHRQ). Healthcare Cost and Utilization Project (HCUP). Comorbidity Software, Version 3.7. AHRQ: Rockville 2018 Abrufbar unter http://www.hcup-us.ahrq.gov/toolssoftware/comorbidity/comorbidity.jsp (Zugriff am 31.10.2018)
  • 21 Turner K, Burchill C. Elixhauser Comorbidity Index macro code using ICD-10. University of Manitoba; Winnipeg: 2006. Abrufbar unter http://mchp-appserv.cpe.umanitoba.ca/Upload/SAS/_ElixhauserICD10.sas.txt (Zugriff am 31.10.2018)
  • 22 Nimptsch U. Disease-Specific Trends of Comorbidity Coding and Implications for Risk Adjustment in Hospital Administrative Data. Health Services Research 2016; 51: 981-1001
  • 23 Quan H, Sundararajan V, Halfon P. et al. Coding algorithms for defining comorbidities in ICD-9-CM and ICD-10 administrative data. Med Care 2005; 43: 1130-1139
  • 24 Nicholl J. Case-mix adjustment in non-randomised observational evaluations: the constant risk fallacy. J Epidemiol Community Health 2007; 61: 1010-1013
  • 25 Nimptsch U, Wengler A, Mansky T. Kontinuität der Institutionskennzeichen in Krankenhausabrechnungsdaten – Analyse der bundesweiten DRG-Statistik von 2005 bis 2013. Z Evid Fortbild Qual Gesundhwes 2016; 117: 38-44
  • 26 Nimptsch U, Mansky T. Stroke unit care and trends of in-hospital mortality for stroke in Germany 2005–2010. Int J Stroke 2014; 9: 260-265
  • 27 Swart E, Gothe H, Geyer S. et al. Gute Praxis Sekundärdatenanalyse (GPS): Leitlinien und Empfehlungen. 3. Fassung; Version 2012/2014. Ge-sundheitswesen 2015; 77: 120-126
  • 28 Swart E, Bitzer EM, Gothe H. et al. STandardisierte BerichtsROutine für Sekundärdaten Analysen (STROSA) – ein konsentierter Berichtsstandard für Deutschland, Version 2. Gesundheitswesen 2016; 78 S 01 e145-e160
  • 29 Benchimol EI, Smeeth L, Guttmann A. et al. RECORD Working Committee The REporting of studies Conducted using Observational Routinely-collected health Data (RECORD) statement. PLoS Med 2015; 12: e1001885