Advertisement

Evaluation einer ICD-10-basierten elektronischen Surveillance akuter respiratorischer Erkrankungen (SEEDARE) in Deutschland

  • Karla Köpke
  • Kerstin Prahm
  • Silke Buda
  • Walter Haas
Originalien und Übersichten

Zusammenfassung

Hintergrund

Influenza und andere akute respiratorische Erkrankungen (ARE) treten jährlich mit einer stark variablen Krankheitslast in epidemischen Wellen in der Bevölkerung auf. Dies erfordert eine zeitnahe syndromische Surveillance zur Beurteilung der Situation und Anpassung von Präventionsmaßnahmen.

Ziel

Wir haben ein ICD-10-basiertes elektronisches System zur zeitnahen Erfassung und Übermittlung von ARE in Deutschland in Sentinelpraxen etabliert (SEEDARE). In der vorliegenden Arbeit evaluieren wir dieses neue System anhand von Ergebnissen der syndromischen und virologischen Surveillance der Arbeitsgemeinschaft Influenza (AGI).

Methoden

Praxiskontakte und übermittelte ICD-10-Diagnosecodes (J00–J22, J44.0 und B34.9) zwischen der 16. Kalenderwoche (KW) 2009 und der 15. KW 2013 wurden für den Vergleich mit den Daten der AGI genutzt. Hierzu wurden der zeitliche Verlauf, die Korrelation der wöchentlich geschätzten Konsultationsinzidenz und die Anzahl ARE/100-Praxiskontakte aus den verschiedenen Systemen untersucht.

Ergebnisse

Die Anzahl der teilnehmenden Arztpraxen an SEEDARE konnte von 2009 (n = 65) bis 2013 (n = 111) fast verdoppelt werden. Insgesamt wurden fast 6,8 Mio. Praxiskontakte und 465.006 ARE übermittelt. Der Vergleich der wöchentlich geschätzten Konsultationsinzidenzen zeigte eine hohe statistische Korrelation (Spearman-Korrelationskoeffizient rs = 0,924; n = 209; p < 0,001). Die Anteile von Influenzapatienten (J09–J11) und der wöchentlichen Positivenraten der virologischen Surveillance während der Influenzawellen waren ebenfalls hoch korreliert.

Diskussion

Das SEEDARE-System stellt damit ein valides Instrument zur syndromischen Influenzasurveillance dar. Der fallbasierte Ansatz mittels ICD-10 erlaubt eine detaillierte Analyse der aktuellen Situation, der sich auch für populationsbasierte Studien eignet.

Schlüsselwörter

Influenza Epidemiologische Surveillance Datenerhebung ICD-10 Elektronische Patientenakte 

Evaluation of an ICD-10-based electronic surveillance of acute respiratory infections (SEEDARI) in Germany

Abstract

Background

Every year epidemic waves of influenza and other acute respiratory infections (ARIs) cause a highly variable burden of disease in the population. Thus, assessment of the situation and adaptation of prevention strategies have to rely on real time syndromic surveillance.

Objective

We have established an ICD-10-based electronic system allowing rapid capture and transmission of information on ARI (SEEDARI), in Germany. Here we report the evaluation of this new system based on results of the syndromic and virologic surveillance carried out by the working group on influenza in Germany (AGI).

Methods

Consultations and ICD10-codes (J00–J22, J44.0 and B34.9) between week 16 in 2009, and week 15 in 2013, were used for comparison with AGI data. The time course and the correlation of weekly estimates of the incidence of medically attended ARI (MAARI) and ARI/100 consultations were analyzed for the different surveillance systems.

Results

The number of participating medical practices in SEEDARI almost doubled from 2009 (n = 65) to 2013 (n = 111). A total of almost 6.8 million consultations and 465,006 diagnosed ARIs were transmitted. The comparison of weekly estimated incidence of MAARI per 100,000 capita derived from SEEDARI and the results of the AGI showed high statistical correlation (Spearman correlation coefficient rs = 0,924; n = 209; p < 0,001). The proportion of diagnosed influenza (J09–J11) and the weekly positivity rate from virological surveillance during epidemic waves also showed high correlations.

Discussion

We conclude that SEEDARI represents a valid system for syndromic influenza surveillance. The case-based ICD-10 approach allows a detailed analysis of the actual situation and also seems suitable for population-based studies.

Keywords

Influenza Epidemiologic surveillance Data collection ICD-10 Electronic health record 

Notes

Danksagung

Die Autoren bedanken sich bei den Kollegen des Fachgebiets Datenmanagement in der Abteilung für Infektionsepidemiologie des RKI für die geleistete Arbeit, insbesondere bei Hermann Claus, Marcel Feig, Michael Herzhoff und Sebastian Kärsten. Die Bereitstellung der virologischen Daten verdanken wir Dr. Brunhilde Schweiger und ihrem Team im Nationalen Referenzzentrum (NRZ) für Influenza am RKI. An der Entwicklung von SEEDARE war auch Dr. Helmut Uphoff vom Hessischen Landesprüfungs- und Untersuchungsamt im Gesundheitswesen maßgeblich beteiligt, auch ihm gebührt unser Dank. Darüber hinaus bedanken wir uns besonders bei allen Ärztinnen und Ärzten, die an SEEDARE freiwillig und unentgeltlich teilnehmen. Wir hoffen, dass ihr Beispiel weitere Praxen zur Teilnahme motiviert.

Einhaltung ethischer Richtlinien

Interessenkonflikt

K. Köpke, K. Prahm, S. Buda und W. Haas geben an, dass kein Interessenkonflikt besteht.

Dieser Beitrag beinhaltet keine von den Autoren durchgeführten Studien an Menschen oder Tieren.

Literatur

  1. 1.
    An der Heiden M, Köpke K, Buda S, Buchholz U, Haas W (2013) Estimates of excess medically attended acute respiratory infections in periods of seasonal and pandemic influenza in Germany from 2001/02 to 2010/11. PLOS ONE 8:e64593. doi: 10.1371/journal.pone.0064593CrossRefGoogle Scholar
  2. 2.
    Buda S, Köpke K, Prahm K et al (2015) Bericht zur Epidemiologie der Influenza in Deutschland Saison 2014/15. Robert Koch-Institut, BerlinGoogle Scholar
  3. 3.
    Ehlken B, Anastassopoulou A, Hain J, Schröder C, Wahle K (2015) Cost for physician-diagnosed influenza and influenza-like illnesses on primary care level in Germany-results of a database analysis from May 2010 to April 2012. BMC Public Health 15(1). doi: 10.1186/s12889-015-1885-0
  4. 4.
    Krause G, Gilsdorf A, Becker J et al (2010) First exchange of experiences concerning the H1N1 pandemic in Germany 2009/2010: Report on a workshop held March 22–23, 2010, in Berlin. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 53:510–519CrossRefPubMedGoogle Scholar
  5. 5.
    Fleming DM, Van Der Velden J, Paget WJ (2003) The evolution of influenza surveillance in Europe and prospects for the next 10 years. Vaccine 21:1749–1753CrossRefPubMedGoogle Scholar
  6. 6.
    Buda S, Köpke K, Luchtenberg M et al (2010) Bericht zur Epidemiologie der Influenza in Deutschland Saison 2009/10. Robert Koch-Institut, BerlinGoogle Scholar
  7. 7.
    Buda S, Köpke K, Luchtenberg M et al (2012) Bericht zur Epidemiologie der Influenza in Deutschland Saison 2011/12. Robert Koch-Institut, BerlinGoogle Scholar
  8. 8.
    Buda S, Köpke K, Luchtenberg M et al (2011) Bericht zur Epidemiologie der Influenza in Deutschland Saison 2010/11. Robert Koch-Institut, BerlinGoogle Scholar
  9. 9.
    Buda S, Köpke K, Prahm K et al (2013) Bericht zur Epidemiologie der Influenza in Deutschland Saison 2012/13. Robert Koch-Institut, BerlinGoogle Scholar
  10. 10.
    Bayer C, Remschmidt C, an der Heiden M et al (2014) Internet-based syndromic monitoring of acute respiratory illness in the general population of Germany, weeks 35/2011 to 34/2012. Euro Surveill 19(4). doi: 10.2807/1560-7917.ES2014.19.4.20684
  11. 11.
    Bundesministerium für Justiz und Verbraucherschutz (2016) Infektionsschutzgesetz. http://www.gesetze-im-internet.de/ifsg/index.html. Zugegriffen: 09. März 2016Google Scholar
  12. 12.
    Al-Tawfiq JA, Zumla A, Gautret P et al (2014) Surveillance for emerging respiratory viruses. Lancet Infect Dis 14:992–1000CrossRefPubMedGoogle Scholar
  13. 13.
    Lombardo J, Burkom H, Elbert E et al (2003) A systems overview of the Electronic Surveillance System for the Early Notification of Community-Based Epidemics (ESSENCE II). J Urban Health 80:i32–i42PubMedPubMedCentralGoogle Scholar
  14. 14.
    Miller B, Kassenborg H, Dunsmuir W et al (2004) Syndromic surveillance for influenzalike illness in ambulatory care network. Emerging Infect Dis 10:1806–1811CrossRefPubMedPubMedCentralGoogle Scholar
  15. 15.
    Marsden-Haug N, Foster VB, Gould PL, Elbert E, Wang H, Pavlin JA (2007) Code-based syndromic surveillance for influenzalike illness by International Classification of Diseases, Ninth Revision. Emerging Infect Dis 13:207–216CrossRefPubMedPubMedCentralGoogle Scholar
  16. 16.
    Truyers C, Lesaffre E, Bartholomeeusen S et al (2010) Computerized general practice based networks yield comparable performance with sentinel data in monitoring epidemiological time-course of influenza-like illness and acute respiratory illness. BMC Fam Pract 11(1). doi: 10.1186/1471-2296-11-24
  17. 17.
    Harder KM, Andersen PH, Baehr I et al (2011) Electronic real-time surveillance for influenza-like illness: Experience from the 2009 influenza A (H1N1) pandemic in Denmark. Euro Surveill 16(3):pii: 19767Google Scholar
  18. 18.
    Harcourt SE, Smith GE, Elliot AJ et al (2012) Use of a large general practice syndromic surveillance system to monitor the progress of the influenza A(H1N1) pandemic 2009 in the UK. Epidemiol Infect 140:100–105CrossRefPubMedGoogle Scholar
  19. 19.
    Hooiveld M, Van De Groep T, Verheij TJ et al (2013) Prescription of antiviral drugs during the 2009 influenza pandemic: An observational study using electronic medical files of general practitioners in the Netherlands. BMC Pharmacol Toxicol 14(1). doi: 10.1186/2050-6511-14-55
  20. 20.
    South BR, Chapman WW, Delisle S et al (2008) Optimizing A syndromic surveillance text classifier for influenza-like illness: Does document source matter? AMIA Annu Symp Proc 2008:692–696PubMedCentralGoogle Scholar
  21. 21.
    Moore K, Black J, Rowe S, Franklin L (2011) Syndromic surveillance for influenza in two hospital emergency departments. Relationships between ICD-10 codes and notified cases, before and during a pandemic. BMC Public Health 11. doi: 10.1186/1471-2458-11-338
  22. 22.
    Tacken MA, Jansen B, Mulder J et al (2013) Pandemic influenza A(H1N1)pdm09 improves vaccination routine in subsequent years: A cohort study from 2009 to 2011. Vaccine 31:900–905CrossRefPubMedGoogle Scholar
  23. 23.
    Köpke K (2009) Influenza-Überwachung: Surveillance der Krankheitslast. Dtsch Arztebl 106:A176Google Scholar
  24. 24.
    Robert Koch-Institut (2009) SEED-ARE: Sentinel zur elektronischen Erfassung von Diagnosecodes akuter respiratorischer Erkrankungen. Dokumentation der Schnittstelle zwischen Arztinformationssystem und RKI (2009). http://www.rki.de/DE/Content/Institut/OrgEinheiten/Abt3/FG36/SEED.pdf. Zugegriffen: 09. März 2016Google Scholar
  25. 25.
    Robert Koch-Institut (2016) Bedienungsanleitung CGM-Assist SEED ARE. https://influenza.rki.de/Content/Bedienungsanleitung_CGM-Assist_SEEDare.pdf. Zugegriffen: 09. März 2016Google Scholar
  26. 26.
    Robert Koch-Institut (2009) XML Schema für die Datentransportdatei der SEED-Schnittstelle für den Datenaustausch zwischen den Arztinformationssystemen (AIS) der Arztpraxen und dem Robert Koch-Institut (RKI). https://www3.rki.de/ns/agi/2007/T05/RKI_AGI_AIS2RKI.xsd. Zugegriffen: 09.März 2016Google Scholar
  27. 27.
    WHO (2014) Global epidemiological surveillance standards for influenza. WHO Press, GenevaGoogle Scholar
  28. 28.
    Uphoff H, Stilianakis N (2000) Ein Ansatz zur bevölkerungsbezogenen Auswertung der deutschen Influenza-Sentineldaten. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 43:796–801CrossRefGoogle Scholar
  29. 29.
    Triple S (2015) Project report: Inventory of human syndromic surveillance systems in Europe. http://www.syndromicsurveillance.eu/triple-s_inventory_report.pdf. Zugegriffen: 09. März 2016Google Scholar
  30. 30.
    Campbell H, Bont L, Nair H (2015) Respiratory syncytial virus (RSV) disease – new data needed to guide future policy. J Glob Health 5(2). doi: 10.7189/jogh.05.020101
  31. 31.
    Yih WK, Cocoros NM, Crockett M et al (2014) Automated influenza-like illness reporting – an efficient adjunct to traditional sentinel surveillance. Public Health Rep 129:55–63PubMedPubMedCentralGoogle Scholar
  32. 32.
    Hardelid P, Rait G, Gilbert R, Petersen I (2015) Recording of influenza-like illness in UK primary care 1995–2013: Cohort study. PLOS ONE 10(9). doi: 10.1371/journal.pone.0138659
  33. 33.
    Klompas M, Mcvetta J, Lazarus R et al (2012) Integrating clinical practice and public health surveillance using electronic medical record systems. Am J Public Health 102(Suppl 3):S325–S332CrossRefPubMedPubMedCentralGoogle Scholar
  34. 34.
    Gefenaite G, Tacken M, Kolthof J et al (2014) Predictors of influenza in the adult population during seasonal and A(H1N1)pdm09 pandemic influenza periods. Epidemiol Infect 142:950–954CrossRefPubMedGoogle Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2016

Authors and Affiliations

  • Karla Köpke
    • 1
  • Kerstin Prahm
    • 1
  • Silke Buda
    • 1
  • Walter Haas
    • 1
  1. 1.Fachgebiet für respiratorisch übertragbare Erkrankungen, Abteilung für InfektionsepidemiologieRobert Koch-InstitutBerlinDeutschland

Personalised recommendations