Einsatz Statistischer Verfahren bei Benchmarkingprozessen in der Versorgungsforschung - ein methodischer Beitrag zur Analyse von Registerdaten

dc.contributor.advisorBrenner, Harvey M.en
dc.contributor.authorSiedentop, Haralden
dc.contributor.grantorTechnische Universität Berlin, Fakultät VII - Wirtschaft und Managementen
dc.date.accepted2008-06-20
dc.date.accessioned2015-11-20T18:12:08Z
dc.date.available2008-07-29T12:00:00Z
dc.date.issued2008-07-29
dc.date.submitted2008-07-29
dc.description.abstractDie Überwachung der Qualität der Gesundheitsversorgung hat in der angloamerikanischen Welt eine lange Tradition, da der Wettbewerb zwischen den Leistungsanbietern im Vergleich zu den meisten europäischen Ländern stärker ausgeprägt ist. In den letzten Jahren scheint sich die Situation in der Art zu ändern, dass die Wichtigkeit der Verbesserung der Versorgungsqualität auch in Mitteleuropa und Deutschland diskutiert wird. Häufig werden Vergleiche der Qualität von medizinischen Einrichtungen durch so genannte "Rankings", einer Rangordnung eines univariaten Kriteriums (ein einzelnes Kriterium oder ein Score), beruhend auf Registerdaten, durchgeführt. Ziel dieser Dissertation ist, statistische Methoden hinsichtlich ihrer Anwendbarkeit für die Analyse von Registrierungsdaten zu bewerten und ein Analysekonzept vorzustellen. Bei Registerdaten verteilen sich die Patienten auf die medizinischen Einrichtungen nach unterschiedlichen Randbedingungen, wie z.B. Nähe zum Wohnort. Die Einrichtungspopulationen sind deshalb heterogen bezüglich für das Behandlungsergebnis relevanter Risikofaktoren. Faire Vergleiche erfordern deshalb eine Risiko-Adjustierung, die allerdings durch die häufig schlechte Datenqualität erschwert wird. Neben der Adjustierung wird das Ergebnis des Einrichtungsvergleichs wesentlich durch die Wahl des Analysemodells bestimmt. Insbesondere spielt es eine große Rolle, ob alle Effekte fest modelliert werden oder ob zufällige Effekte / Gemischte Modelle zugelassen werden. Modelle mit ausschließlich festen Effekten überschätzen die Unterschiede zwischen den Einrichtungen. Deshalb wird die Anwendung von (Verallgemeinerten) Gemischten Modellen, die die Untersuchungseinheiten als zufällige Effekte und Patienten als Wiederholungen modellieren, empfohlen. Diese Modelle werden häufig "Varianzkomponenten- ", "Multilevel-" oder "hierarchische" Modelle genannt. Die diskutierten statistischen Methoden wurden auf die Daten des "Berliners Herzinfarktregister e.V“ angewandt, wobei Daten von 3.465 Patienten von 10 Krankenhäusern in den Jahren 1999 bis 2003 mit einer Gesamtsterblichkeit von 11.5 % betrachtet wurden. Das Überleben innerhalb des Krankenhausaufenthalts nach akutem Myokardinfarkt wurde als binäres Zielkriterium gewählt. Aufgrund des teils lückenhaften Datenbestands wurde das finale Analysemodell durch Abwägung zwischen Vollständigkeit der Patientendaten und Anpassungsgüte optimiert. Dieses Modell umfasste letztlich acht Risikofaktoren (Alter, Geschlecht, pulmonaler Stau, Rauchen, Hypercholesterinämie, arterielle Hypertonie, Diabetes mellitus, Reanimation), als Kovariate, d.h. feste Effekte, sowie die Klinikidentität als zufälligen Effekt. Der zu Grunde liegende Datenbestand zeigte eine Vollständigkeit von 96% der Patienten und eine Konkordanz von 81% im logistischen Modell. Obwohl es einige Unterschiede in den adjustierten Letalitätsraten im endgültigen Modell gab, konnten keine Klinikunterschiede in Bezug auf die risikoadjustierte Sterblichkeit signifikant nachgewiesen werden. Sensitivitätsanalysen wie CART-Analysen für die Auswahl der Risikofaktoren oder Modelle mit anderen Risikofaktoren zeigten keine bedeutend verschiedenen Ergebnisse. Ein Grund für dieses Ergebnis kann die Tatsache sein, dass der Behandlungsstandard für den akutem Myokardinfarkt bereits weit entwickelt ist. In anderen Bereichen, in denen dies nicht der Fall ist, könnten jedoch Unterschiede zwischen Krankenhäusern anzutreffen sein, besonders wenn sich Behandlungsansätze von einem Krankenhaus zum anderen unterscheiden.de
dc.description.abstractMonitoring health care quality has a notably long tradition in the Anglo-American world, because the competition between the providers of medical care is much more pronounced as compared with most of the European countries. In the past few years, the situation seems to change in a way that the importance of monitoring and improving quality of care is also discussed in central Europe and Germany. Often, comparisons of hospitals are done by so-called "rankings", ordering a univariate outcome (either a single endpoint or a score) of their health care quality, based on registry data. The goal of this dissertation is to evaluate statistical methods with regard to their applicability for the analysis of registry data and to propose an analysis concept. In the background of registry data, patients are distributed among hospitals due to several conditions, e.g. distance from home. The patient populations are therefore heterogeneous with respect to risk factors which are relevant for the medical care outcome. For that reason, fair comparisons require risk adjustment, which becomes difficult due to the frequently poor data quality. Besides the adjustment, the result strongly depends on the analysis model. It is especially important whether all factors are modeled as fixed effects or whether random effects / Mixed Models are applied. Models with purely fixed effects over-estimate the differences between the institutions. Therefore, it is recommended to apply (Generalized) Linear Mixed Models in which the units of interest are modeled as random effects and patients as repetitions. These models are often called “variance components”, “multilevel” or “hierarchical” models. The statistical methods discussed were applied to the data of the "Berliner Herzinfarktregister e.V." (Berlin Myocardical Infarction Registry) which includes data of 3,465 patients from 10 hospitals in the years 1999 to 2003 with an overall mortality of 11.5%. The binary target criterion chosen was survival within the hospitalization period after myocardial infarction. As the data showed considerable high numbers of missing data, the final analysis model was optimized as a trade-off between the model fit and the number of complete patients records. This model finally included eight risk factors (age, gender, pulmonary block, smoking, hypercholesterinemia, arterial hypertension, diabetes mellitus, reanimation), modeled as fixed covariates together with the clinics, modeled as random factor. The underlying dataset showed a completeness of 96% of the patients in the database and a model fit of 81% concordance in the logistic model. Although there were some differences in the adjusted mortality rates in the final model, no significant effects of clinics on risk-adjusted mortality could be detected. Sensitivity analyses such as CART analyses for selection of risk factors or models with different risk factors did not show notably different results. One reason for this finding can be the fact that the standard of care for the treatment of the acute myocardial infarction is already well established. In other areas, where this is not the case, differences between hospitals might be present, especially if treatment approaches are different across hospitals.en
dc.identifier.uriurn:nbn:de:kobv:83-opus-19439
dc.identifier.urihttps://depositonce.tu-berlin.de/handle/11303/2210
dc.identifier.urihttp://dx.doi.org/10.14279/depositonce-1913
dc.languageGermanen
dc.language.isodeen
dc.rights.urihttp://rightsstatements.org/vocab/InC/1.0/en
dc.subject.ddc310 Sammlungen allgemeiner Statistikenen
dc.subject.otherBerliner Herzinfarktregisterde
dc.subject.otherEinrichtungsvergleichede
dc.subject.otherGeneralisiertes Lineares Gemischtes Modellde
dc.subject.otherRegisterdatende
dc.subject.otherSchrumpfungde
dc.subject.otherBerlin Myocardical Infarction Registryen
dc.subject.otherComparison of health care unitsen
dc.subject.otherGeneralized linear mixed modelen
dc.subject.otherRegistry dataen
dc.subject.otherShrinkageen
dc.titleEinsatz Statistischer Verfahren bei Benchmarkingprozessen in der Versorgungsforschung - ein methodischer Beitrag zur Analyse von Registerdatende
dc.title.translatedStatistical Methods for Benchmarking Processes in Medical Care Research- a Methodological Contribution for the Analysis of Registry Dataen
dc.typeDoctoral Thesisen
dc.type.versionpublishedVersionen
tub.accessrights.dnbfree*
tub.affiliationFak. 7 Wirtschaft und Managementde
tub.affiliation.facultyFak. 7 Wirtschaft und Managementde
tub.identifier.opus31943
tub.identifier.opus41831
tub.publisher.universityorinstitutionTechnische Universität Berlinen

Files

Original bundle
Now showing 1 - 1 of 1
Loading…
Thumbnail Image
Name:
Dokument_32.pdf
Size:
3.84 MB
Format:
Adobe Portable Document Format

Collections