Benutzerspezifische Werkzeuge

Hybride Qualitätsindikatoren mittels Machine Learning-Methoden (Hybrid-QI)

International werden Routinedaten genutzt, um die Qualität der stationären Versorgung aus der versichertenbezogenen Verlaufsperspektive messen zu können. Fallübergreifende Routinedaten erlauben die Analyse des gesamten Behandlungsverlaufs, vor, während und nach dem Klinikaufenthalt. Durch diese Längsschnittperspektive können auch Ergebnisindikatoren außerhalb des eigentlichen Klinikaufenthaltes analysiert werden. Neben dieser versichertenbezogenen Verlaufsperspektive bieten Routinedaten den Vorteil der aufwandsarmen Erhebung und der hohen Datenvollzähligkeit, ein Nachteil besteht jedoch bei den analysierbaren Outcomes und Risikofaktoren. Die Berücksichtigung von Risikofaktoren ist jedoch notwendig, um mithilfe einer Risikoadjustierung einen fairen Gruppenvergleich zu ermöglichen und tiefergehende Erkenntnisse zu Patienten anhand von Risikostratifizierung zu gewinnen. In klinischen Datenbanken dokumentieren Versorgende im Rahmen der Behandlung oder der klinischen Forschung (z.B. Register) Risikofaktoren- und Outcome-relevante Informationen, die allein über GKV-Routinedaten bislang zur Qualitätssicherung nicht genutzt werden können. Durch die Verknüpfung von klinischen und administrativen Daten auf Patientenebene können Schwächen der beiden Quellen kompensiert werden.

Projektlaufzeit: 01.07.2021 – 30.06.2024

Hintergrund:

International werden Routinedaten genutzt, um die Qualität der stationären Versorgung aus der versichertenbezogenen Verlaufsperspektive messen zu können. Fallübergreifende Routinedaten erlauben die Analyse des gesamten Behandlungsverlaufs, vor, während und nach dem Klinikaufenthalt. Durch diese Längsschnittperspektive können auch Ergebnisindikatoren außerhalb des eigentlichen Klinikaufenthaltes analysiert werden. Neben dieser versichertenbezogenen Verlaufsperspektive bieten Routinedaten den Vorteil der aufwandsarmen Erhebung und der hohen Datenvollzähligkeit, ein Nachteil besteht jedoch bei den analysierbaren Outcomes und Risikofaktoren. Die Berücksichtigung von Risikofaktoren ist jedoch notwendig, um mithilfe einer Risikoadjustierung einen fairen Gruppenvergleich zu ermöglichen und tiefergehende Erkenntnisse zu Patienten anhand von Risikostratifizierung zu gewinnen. In klinischen Datenbanken dokumentieren Versorgende im Rahmen der Behandlung oder der klinischen Forschung (z.B. Register) Risikofaktoren- und Outcome-relevante Informationen, die allein über GKV-Routinedaten bislang zur Qualitätssicherung nicht genutzt werden können. Durch die Verknüpfung von klinischen und administrativen Daten auf Patientenebene können Schwächen der beiden Quellen kompensiert werden.

Desiderate:

Für die Entwicklung der hybriden Qualitätsindikatoren werden zum einen die QSR-Qualitätsindikatoren (basierend auf GKV-Routinedaten) für den akuten Myokardinfarkt, den Hirninfarkt, die intrazerebrale Blutung und Kolon-/Rektum-Operationen bei kolorektalem Karzinom um neue klinische Risikofaktoren oder Outcomes erweitert. Zum anderen werden für die Implantation einer Schulterendoprothese oder der osteosynthetischen Versorgung einer proximalen Humerusfraktur gänzlich neue hybride Qualitätsindikatoren entwickelt.

Zielsetzung:

Ziel des Projekts ist es, auf Grundlage der kombinierten Daten mit Hilfe der Methoden des maschinellen Lernens

  1. hybride Qualitätsindikatoren für akut-stationäre Behandlungen mit minimal erforderlichen

klinischen Datensätzen zu entwickeln,

  1. Surrogate klinischer Daten in GKV-Routinedaten zu identifizieren und Variablen für Risikoadjustierungsmodelle zu selektieren und
  2. die Ergebnisse im Rahmen einer dynamischen Plattform zur aufwandsarmen Qualitätsmessung, Risikostratifizierung und Reporting zur Verfügung zu stellen.

 

Projektpartner:

ü  Wissenschaftliches Institut der AOK (WIdO)

ü  Institut für Medizinische Informatik und Biometrie (IMB, TU Dresden)

ü  Unabhängige Treuhandstelle (TU Dresden)

ü  Helios Kliniken GmbH

 

Kooperationspartner:

  • Universitätsklinikum Carl Gustav Carus
  • Deutsche Gesellschaft für Neurologie
  • Deutsche Gesellschaft für Orthopädie und Unfallchirurgie
  • Deutsche Gesellschaft für Kardiologie
  • Deutsche Krebsgesellschaft

Ansprechpartner am ZEGV:

Dr. Caroline Lang 

Dr. Thomas Datzmannn