Reliabilität ärztlicher Morbiditätsangaben zu chronischen Krankheiten

Ergebnisse einer Längsschnittstudie im hausärztlichen Bereich
  • T. Zimmermann
  • H. Kaduszkiewicz
  • H. v.d. Bussche
  • G. Schön
  • K. Wegscheider
  • J. Werle
  • S. Weyerer
  • B. Wiese
  • J. Olbrich
  • D. Weeg
  • S. Riedel-Heller
  • M. Luppa
  • F. Jessen
  • H.H. Abholz
  • W. Maier
  • M. Pentzek
Originalien und Übersichten

Zusammenfassung

Hintergrund

Prävalenzangaben zu chronischen Erkrankungen sind wichtige Daten zur Planung von Versorgungs- und Vergütungsstrukturen. Mit Patienten-Selbstreport-, Abrechnungs- und Studiendokumentationsdaten stehen Angaben zur Verfügung, die meist in Querschnittserhebungen erfasst wurden – mit entsprechenden Einschränkungen von Validität und Reliabilität. Nur in Krankenkassen-Routinedaten werden gegenwärtig dokumentierte Diagnosen im Zeitverlauf abgebildet. Diese zeigen Dokumentationsverluste. In der vorliegenden Arbeit wird untersucht, ob hausärztliche Morbiditätsangaben, die für eine längsschnittliche Kohortenstudie erfasst wurden, ähnliche Dokumentationsverluste aufweisen. Ferner wird analysiert, ob Patienten- und/oder Arzt-Merkmale den Verlust der dokumentierten Diagnosen erklären können.

Patienten und Methode

In die „German Study on Ageing, Cognition and Dementia in Primary Care Patients“ (AgeCoDe) wurden 3327 Patienten älter als 75 Jahre eingeschlossen. Bei 1765 Patienten wurden hausärztliche Angaben zur Morbidität über 4,5 Jahre erfasst. Dokumentationsverluste wurden mittels einer Multilevel-Mixed-Effects-logistic-Regression analysiert.

Ergebnisse

18,6% der dokumentierten Diabetes-Diagnosen, 34,5% der dokumentierten KHK-Diagnosen und 44,9% der dokumentierten Schlaganfalldiagnosen gingen über 4,5 Jahre verloren. Krankheitsspezifisch stellte sich heraus, dass Männer ein geringeres Risiko haben, ihre KHK aus der Dokumentation zu verlieren. Diabetes-Diagnosen gehen eher verloren, wenn der Hausarzt den Patienten gut und lange kennt. Ein erheblicher Teil der Varianz der Verluste lässt sich auf Praxis (Inhaber)-Effekte zurückführen.

Schlussfolgerung

Im Rahmen epidemiologischer Studien erhobene ärztliche Morbiditätsangaben sollten in Bezug auf ihre Validität und Reliabilität geprüft werden. Maßnahmen, um die Erhebung der Morbidität zu standardisieren (zum Beispiel durch Untersucher vor Ort oder durch den Abgleich mit Routinedaten), werden beschrieben und diskutiert.

Schlüsselwörter

Morbidität Prävalenz Chronische Krankheit Primärversorgung Längsschnitt 

Reliability of morbidity data reported by GPs

Results of a longitudinal study in primary care

Abstract

Background

Data on prevalence of chronic diseases are important for planning health care services. Such prevalence data are mostly based on patient self-reports, claims data, or other research data—with limited validity and reliability partially due to their cross-sectional character. Currently, only claims data of statutory health insurance offer longitudinal information. In Germany, these data show a loss of diagnoses of chronic health conditions over time. This study investigated whether there is a similar tendency of loss in the documentation of chronic diseases in data specifically collected for a longitudinal cohort study by general practitioners. In addition, the explanatory power of patient or GP characteristics regarding these losses is investigated.

Patients and methods

A total of 3,327 patients aged 75 years and older were recruited for the German Study on Ageing, Cognition and Dementia in Primary Care Patients (AgeCoDe). For 1,765 patients, GP diagnoses of four chronic conditions at three time points were available for a total period of 4.5 years. In order to explain the loss of chronic diagnoses, a multilevel mixed-effects logistic regression was performed.

Results

Over the course of 4.5 years, 18.6% of the diagnoses of diabetes mellitus, 34.5% of the diagnoses of coronary heart disease, and 44.9% of the diagnoses of stroke disappeared in the GP documentation for the longitudinal study. The diagnosis of coronary heart disease was less often lost in men than in women. The risk of losing the diagnosis of diabetes was higher in patients who were well known by the GP for a long time. An essential part of the variance of the losses can be explained by practice (owner) effects.

Conclusion

Data on morbidity collected in epidemiological studies and reported by physicians should always be checked for validity and reliability. Appropriate options (e.g., an investigator collecting the data directly in the field or the comparison of the data with health insurance companies’ claims data) are presented and discussed.

Keywords

Morbidity Prevalence Chronic disease Primary care Documentation 

Literatur

  1. 1.
    Behrendt S (2009) Morbidität in den Arztpraxen. Wirtsch Stat 11:1099–1108Google Scholar
  2. 2.
    Thefeld W (1999) Prävalenz des Diabetes mellitus in der erwachsenen Bevölkerung Deutschlands. Gesundheitswesen 61(Sonderheft 2):85–89Google Scholar
  3. 3.
    Löw M, Stegmaier C, Ziegler H et al (2004) Epidemiologische Studie zu Chancen der Verhütung, Früherkennung und optimierten Therapie chronischer Erkrankungen in der älteren Bevölkerung (ESTHER-Studie). Dtsch Med Wochenschr 129(49):2643–2647PubMedCrossRefGoogle Scholar
  4. 4.
    Kohli M, Künemund H (2005) Die zweite Lebenshälfte. Gesellschaftliche Lage und Partizipation im Spiegel des Alters. Survey. VS Verlag für Sozialwissenschaften, WiesbadenGoogle Scholar
  5. 5.
    Diehm C, Schuster A, Spengel FA et al (2002) Get ABI: German epidemiological trial on ankle brachial index for elderly patients in family practice to detect peripheral arterial disease, significant marker for high mortality. Vasa 31(4):241–248CrossRefGoogle Scholar
  6. 6.
    Wittchen HU, Glaesmer H, Marz W et al (2005) Cardiovascular risk factors in primary care: methods and baseline prevalence rates – the DETECT program. Curr Med Res Opin 21(4):619–629PubMedCrossRefGoogle Scholar
  7. 7.
    Wittchen HU, Krause P, Höfler M et al (2003) Arterielle Hypertonie, Diabetes mellitus und assoziierte Erkrankungen in der Allgemeinarztpraxis. Fortschr Med (Sonderheft 1):19–27Google Scholar
  8. 8.
    Zalß A, Graubner B, Ingenerf J et al (2004) Medizinische Dokumentation, Terminologie und Linguistik. In: Lehmann T (Hrsg) Handbuch der Medizinischen Informatik. Hanser, München, S 89–144Google Scholar
  9. 9.
    Brenner G, Koch H, Kerek-Bodden H et al (2007) Diagnosen als Gegenstand der Versorgungsforschung zur Analyse der Morbidität ambulanter Patienten. Bundesgesundheitsbl Gesundheitsforsch Gesundheitsschutz 50(8):1021–1027CrossRefGoogle Scholar
  10. 10.
    Erler A, Beyer M, Muth C et al (2009) Garbage in – Garbage out? Validität von Abrechnungsdiagnosen in hausärztlichen Praxen. Gesundheitswesen 71(12):823–831PubMedCrossRefGoogle Scholar
  11. 11.
    Gerste B, Gutschmidt S (2006) Datenqualität von Diagnosedaten aus dem ambulanten Bereich. Gesundheits Sozialpol 3–4:29–43Google Scholar
  12. 12.
    Steinwachs DM, Stuart ME, Scholle S et al (1998) A comparison of ambulatory medicaid claims to medical records: a reliability assessment. Am J Med Qual 13(2):63–69PubMedCrossRefGoogle Scholar
  13. 13.
    Fowles JB, Lawthers AG, Weiner JP et al (1995) Agreement between physicians‘ office records and medicare part B claims data. Health Care Financ Rev 16(4):189–199PubMedGoogle Scholar
  14. 14.
    Jordan K, Porcheret M, Croft P (2004) Quality of morbidity coding in general practice computerized medical records: a systematic review. Fam Pract 21(4):396–412PubMedCrossRefGoogle Scholar
  15. 15.
    Khan NF, Harrison SE, Rose PW (2010) Validity of diagnostic coding within the general practice research database: a systematic review. Br J Gen Pract 60(572):199–206Google Scholar
  16. 16.
    Trautner C, Dong Y, Ryll A, Graf von Stillfried D (2005) Verlässlichkeit von Diagnosen niedergelassener Ärzte in Niedersachsen. Gesundheits Sozialpolitik 1–2:36–43Google Scholar
  17. 17.
    Giersiepen K, Pohlabeln H, Egidi G, Pigeot I (2007) Die ICD-Kodierqualität für Diagnosen in der ambulanten Versorgung. Bundesgesundheitsbl Gesundheitsforsch Gesundheitsschutz 50(8):1028–1038CrossRefGoogle Scholar
  18. 18.
    KBV: Grunddaten 2005, Tafel I.16. http://daris.kbv.de/doccontent.asp?DocID = 003750956 (Zugegriffen: 12.09.2011)Google Scholar
  19. 19.
    KBV: Grunddaten 2005, Tafel I.12. http://daris.kbv.de/doccontent.asp?DocID = 003750960 (Zugegriffen: 12.09.2011)Google Scholar
  20. 20.
    Brauns H, Steinmann S (1999) Educational reform in France, West-Germany, and the United Kingdom. Updating the CASMIN Educational Classification. ZUMA-Nachrichten 44:7–44Google Scholar
  21. 21.
    Rabe-Hesketh S, Skrondal A (2008) Multilevel and longitudinal modeling using Stata, 2. Aufl. Stata Press, StataCorp LP, College Station, TexasGoogle Scholar
  22. 22.
    Gibbons RD, Hedeker D, DuToit S (2010) Advances in analysis of longitudinal data. Annu Rev Clin Psychol 6:79–107PubMedCrossRefGoogle Scholar
  23. 23.
    Nezlek JB, Schröder-Abé M, Schütz A (2006) Mehrebenenanalysen in der psychologischen Forschung: Vorteile und Möglichkeiten der Mehrebenenmodellierung mit Zufallskoeffizienten. Psychol Rundsch 57(4):213–223CrossRefGoogle Scholar
  24. 24.
    Müller N (2010) Der Einfluss der Umwelt auf die Gesundheit – Eine Mehrebenenanalyse zum Einfluss haushaltsbezogener Merkmale auf den selbst beurteilten Gesundheitszustand. Zeitschrift für Nachwuchswissenschaftler (online), 2(1). http://www.nachwuchswissenschaftler.org/2010/2011/2112/ZfN-2010-2011-2112.pdf (Zugegriffen: 12.09.2011).Google Scholar
  25. 25.
    Lehmkuhl E, Regitz-Zagrosek V (2007) Therapeutische Implikationen gender-spezifischer Aspekte von Herzkrankheiten. Ther Umsch 64(6):311–316PubMedCrossRefGoogle Scholar

Copyright information

© Springer Medizin Verlag 2012

Authors and Affiliations

  • T. Zimmermann
    • 1
  • H. Kaduszkiewicz
    • 1
  • H. v.d. Bussche
    • 1
  • G. Schön
    • 2
  • K. Wegscheider
    • 2
  • J. Werle
    • 3
  • S. Weyerer
    • 3
  • B. Wiese
    • 4
  • J. Olbrich
    • 5
  • D. Weeg
    • 5
  • S. Riedel-Heller
    • 6
  • M. Luppa
    • 6
  • F. Jessen
    • 7
  • H.H. Abholz
    • 8
  • W. Maier
    • 7
  • M. Pentzek
    • 8
  1. 1.Zentrum für Psychosoziale Medizin, Institut für AllgemeinmedizinUniversitätsklinikum Hamburg-EppendorfHamburgDeutschland
  2. 2.Institut für Medizinische Biometrie und EpidemiologieUniversitätsklinikum Hamburg-EppendorfHamburgDeutschland
  3. 3.Zentralinstitut für Seelische Gesundheit, MannheimMannheimDeutschland
  4. 4.Institut für BiometrieMedizinische Hochschule HannoverHannoverDeutschland
  5. 5.Klinik für Psychiatrie und PsychotherapieKlinikum rechts der IsarMünchenDeutschland
  6. 6.Institut für Sozialmedizin, Arbeitsmedizin und Public HealthUniversität LeipzigLeipzigDeutschland
  7. 7.Klinik und Poliklinik für Psychiatrie und PsychotherapieUniversitätsklinikum BonnBonnDeutschland
  8. 8.Abteilung für AllgemeinmedizinUniversitätsklinikum DüsseldorfDüsseldorfDeutschland

Personalised recommendations