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.