Advertisement

Einfluss des sozioökonomischen Status auf Gesundheitskosten für Kinder und Jugendliche mit Störungen des Sozialverhaltens

Eine Analyse von Routinedaten einer gesetzlichen Krankenversicherung
  • Udo KönigEmail author
  • Monika Heinzel-Gutenbrunner
  • Gerhard Meinlschmidt
  • Werner Maier
  • Christian J. Bachmann
Originalien und Übersichten
  • 78 Downloads

Zusammenfassung

Hintergrund

Für verschiedene somatische und psychiatrische Krankheitsbilder ist bekannt, dass die Inanspruchnahme medizinischer Leistungen und die damit verbundenen Kosten vom sozioökonomischen Status (SES) der Patienten abhängen. Für den Bereich kinder- und jugendpsychiatrischer Störungen liegen zu dieser Thematik bislang keine Untersuchungen vor.

Fragestellung

Es wurde explorativ untersucht, inwieweit Kosten für Gesundheitsleistungen bei Kindern und Jugendlichen mit Störung des Sozialverhaltens (SSV), einem der häufigsten kinder- und jugendpsychiatrischen Störungsbilder, vom SES abhängen.

Material und Methoden

Grundlage der Analysen bildeten Routinedaten der AOK Nordost aus dem Jahr 2011 von 6461 Kindern und Jugendlichen (Alter: 5–18 Jahre) mit ICD-10-Diagnose einer SSV. Der SES der Versicherten wurde indirekt über die Sozialstruktur des Wohnortes (PLZ-Bezirk) mithilfe des German Index of Multiple Deprivation (Mecklenburg-Vorpommern, Brandenburg) bzw. des Berliner Sozialindex I (Berlin) bestimmt, die in Quintile aufgeteilt wurden. Auf Basis dieser Quintile wurden die durchschnittlichen Kosten pro Fall für ambulante Behandlungen bei Allgemeinärzten, Pädiatern, Kinder- und Jugendpsychiatern bzw. -psychotherapeuten sowie für stationäre Krankenhausaufenthalte und Arzneimittelverordnungen analysiert.

Ergebnisse

Für keine der untersuchten Kostenarten fand sich ein funktionaler Zusammenhang zwischen SES und Gesundheitskosten.

Diskussion

Im Gegensatz zu bisherigen Daten bei Erwachsenen zeigte sich in dieser Studie keine Assoziation zwischen dem SES und den Gesundheitskosten von Kindern und Jugendlichen mit SSV. Es scheint somit bei der medizinischen Versorgung dieser Patientengruppe in Deutschland keine signifikante sozial bedingte Ungleichheit zu bestehen.

Schlüsselwörter

Kostenanalyse Sekundärdaten Regionale Deprivation Inanspruchnahme Kinder- und Jugendpsychiatrie 

Socioeconomic status and health insurance expenditures for children and adolescents with conduct disorder

An analysis of statutory health insurance data

Abstract

Background

For various psychiatric and somatic disorders, there is evidence of an association between patients’ socioeconomic status (SES), healthcare utilisation, and the resulting costs. In the field of child and adolescent psychiatric disorders, studies on this topic are lacking.

Objectives

To exploratively analyse the association of healthcare expenditures for children and adolescents with conduct disorder (including oppositional-defiant disorder) – one of the most prevalent child and adolescent psychiatric disorders – and SES.

Materials and methods

The analysis is based on routine data from the German statutory health insurance company AOK Nordost for the calendar year 2011, covering 6461 children and adolescents (age 5–18 years) with an ICD-10 diagnosis of conduct disorder. The insureds’ SES was estimated indirectly, based on the social structure of the postcode area, using the German Index of Multiple Deprivation (Mecklenburg-Vorpommern, Brandenburg), and the Berliner Sozialindex I (Berlin), respectively. From the two indices, quintiles were derived. Based on these quintiles, average costs per case for the following cost types were analysed: inpatient healthcare, outpatient healthcare (general practitioners, paediatricians, child and adolescent psychiatrists, child and adolescent psychotherapists), and prescribed medication.

Results

There was no significant functional association between SES and healthcare costs for any of the analysed cost types.

Conclusions

In contrast to findings in adults, this study on children and adolescents with conduct disorders did not reveal an association between SES and healthcare costs. Within this group of patients, social inequality does not seem to have a significant influence on healthcare utilisation in Germany.

Keywords

Cost analyses Area deprivation Child and adolescent psychiatry Secondary data Service use 

Notes

Danksagung

Die Autoren danken dem Gesundheitswissenschaftlichen Institut Nordost (GeWINO) der AOK Nordost für die Bereitstellung der Daten und die Unterstützung bei der Analyse. Des Weiteren danken die Autoren Frau Heike Gerhardt für die Plausibilitätsprüfung der dieser Studie zugrunde liegenden Sekundärdaten.

Einhaltung ethischer Richtlinien

Interessenkonflikt

U. König, M. Heinzel-Gutenbrunner, G. Meinlschmidt, W. Maier und C.J. Bachmann geben an, dass kein Interessenkonflikt besteht.

Für diesen Beitrag wurden von den Autoren keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien. Ein Ethikvotum war für diese Studie nicht erforderlich, da es sich um anonymisierte Routinedaten handelt.

Literatur

  1. 1.
    Andersen RM (1995) Revisiting the behavioral model and access to medical care: does it matter? J Health Soc Behav 36(1):1–10Google Scholar
  2. 2.
    Pfaff H, Neugebauer EA, Glaeske G, Schrappe M (2011) Lehrbuch Versorgungsforschung. Systematik – Methodik – Anwendung. Schattauer, StuttgartGoogle Scholar
  3. 3.
    Thode N, Bergmann E, Kamtsiuris P, Kurth B‑M (2005) Einflussfaktoren auf die ambulante Inanspruchnahme in Deutschland (Predictors for ambulatory medical care utilization in Germany). Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 48(3):296–306.  https://doi.org/10.1007/s00103-004-1004-3 Google Scholar
  4. 4.
    Klein J, von dem Knesebeck O (2016) Soziale Unterschiede in der ambulanten und stationären Versorgung. Ein Überblick über aktuelle Befunde aus Deutschland (Soziale Unterschiede in der ambulanten und stationaren Versorgung: Ein Uberblick uber aktuelle Befunde aus Deutschland). Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 59(2):238–244.  https://doi.org/10.1007/s00103-015-2283-6 Google Scholar
  5. 5.
    Klein J, Hofreuter-Gätgens K, von dem Knesebeck O (2014) Socioeconomic status and the utilization of health services in Germany: a systematic review. In: Janssen C, Swart E, von Lengerke T (Hrsg) Health care utilization in Germany. Theory, methodology, and results. Springer, New York, S 117–143Google Scholar
  6. 6.
    Rattay P, Butschalowsky H, Rommel A et al (2013) Inanspruchnahme der ambulanten und stationaren medizinischen Versorgung in Deutschland: Ergebnisse der Studie zur Gesundheit Erwachsener in Deutschland (DEGS1). Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 56(5-6):832–844.  https://doi.org/10.1007/s00103-013-1665-x Google Scholar
  7. 7.
    Bremer P, Wübker A (2013) Sozioökonomische Unterschiede in der Inanspruchnahme von Haus- und Facharztleistungen in Deutschland. Präv Gesundheitsf 8(1):15–21.  https://doi.org/10.1007/s11553-012-0368-8 Google Scholar
  8. 8.
    Kroll LE, Lampert T (2013) Direct costs of inequalities in health care utilization in Germany 1994 to 2009: a top-down projection. BMC Health Serv Res 13:271.  https://doi.org/10.1186/1472-6963-13-271 Google Scholar
  9. 9.
    Oliver A, Mossialos E (2004) Equity of access to health care: outlining the foundations for action. J Epidemiol Community Health 58(8):655–658.  https://doi.org/10.1136/jech.2003.017731 Google Scholar
  10. 10.
    Siegel M (2016) Empirische Messung von Ungleichheit und Ungerechtigkeit. In: Jungbauer-Gans M, Kriwy P (Hrsg) Handbuch Gesundheitssoziologie. Beiträge der Salutogenese zu Forschung, Theorie und Professionsentwicklung im Gesundheitswesen, 1. Aufl. Springer VS, Wiesbaden, S 1–25Google Scholar
  11. 11.
    Packness A, Waldorff FB, Christensen R et al (2017) Impact of socioeconomic position and distance on mental health care utilization: a nationwide Danish follow-up study. Soc Psychiatry Psychiatr Epidemiol 52(11):1405–1413.  https://doi.org/10.1007/s00127-017-1437-2 Google Scholar
  12. 12.
    Epping J, Muschik D, Geyer S (2017) Social inequalities in the utilization of outpatient psychotherapy: analyses of registry data from German statutory health insurance. Int J Equity Health 16(1):147.  https://doi.org/10.1186/s12939-017-0644-5 Google Scholar
  13. 13.
    Wang PS, Lane M, Olfson M, Pincus HA, Wells KB, Kessler RC (2005) Twelve-month use of mental health services in the United States: results from the National Comorbidity Survey Replication. Arch Gen Psychiatry 62(6):629–640Google Scholar
  14. 14.
    Scott S (2015) Oppositional and conduct disorders. In: Thapar A, Taylor E, Leckman JF, Snowling MJ, Scott S (Hrsg) Rutter’s child and adolescent psychiatry, 6. Aufl. John Wiley & Sons Inc, Chichester, West Sussex, Ames, S 913–930Google Scholar
  15. 15.
    Universitätsklinikum Gießen und Marburg GmbH (2016) Qualitätsbericht 2016 des Universitätsklinikums Marburg. https://www.ukgm.de/ugm_2/deu/ugm_gfu/PDF/QB_MR_2016.pdf. Zugegriffen: 28. Dez. 2018Google Scholar
  16. 16.
    Bachmann M, Bachmann CJ, John K, Heinzel-Gutenbrunner M, Remschmidt H, Mattejat F (2010) The effectiveness of child and adolescent psychiatric treatments in a naturalistic outpatient setting. World Psychiatry 9(2):111–117Google Scholar
  17. 17.
    Piotrowska PJ, Stride CB, Croft SE, Rowe R (2015) Socioeconomic status and antisocial behaviour among children and adolescents: a systematic review and meta-analysis. Clin Psychol Rev 35:47–55.  https://doi.org/10.1016/j.cpr.2014.11.003 Google Scholar
  18. 18.
    Ravens-Sieberer U (2013) Sachbericht des Abschlussberichts der BELLAplus-Befragung (Befragung „Seelisches Wohlbefinden und Verhalten“): Prädiktoren, Verlauf und Folgen psychischer Auffälligkeiten bei Kindern, Jugendlichen und jungen Erwachsenen in Deutschland. Universitätsklinikum Hamburg-Eppendorf, HamburgGoogle Scholar
  19. 19.
    Beecham J (2014) Annual research review: child and adolescent mental health interventions: a review of progress in economic studies across different disorders. J Child Psychol Psychiatry 55(6):714–732.  https://doi.org/10.1111/jcpp.12216 Google Scholar
  20. 20.
    Schreyögg J, Stargardt T (2012) Gesundheitsökonomische Evaluation auf Grundlage von GKV-Routinedaten. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 55(5):668–674.  https://doi.org/10.1007/s00103-012-1476-5 Google Scholar
  21. 21.
    Reinhold T, Andersohn F, Hessel F, Brüggenjürgen B, Willich SN (2011) Die Nutzung von Routinedaten der gesetzlichen Krankenkassen (GKV) zur Beantwortung gesundheitsökonomischer Fragestellungen – eine Potenzialanalyse. Gesundheitsökon Qualitätsmanage 16:153–159Google Scholar
  22. 22.
    Remschmidt H, Schmidt MH, Poustka F (Hrsg) (2012) Multiaxiales Klassifikationsschema für psychische Störungen des Kindes- und Jugendalters nach ICD-10 der WHO. Mit einem synoptischen Vergleich von ICD-10 mit DSM-IV, 6., korrigierte. Aufl. Huber, BernGoogle Scholar
  23. 23.
    Meinlschmidt G (Hrsg) (2013) Handlungsorientierter Sozialstrukturatlas Berlin 2013: ein Instrument der quantitativen, interregionalen und intertemporalen Sozialraumanalyse und -planung. Gesundheitsberichterstattung Berlin-Spezialbericht. Senatsverwaltung für Gesundheit, Umwelt und Verbraucherschutz Berlin, BerlinGoogle Scholar
  24. 24.
    Maier W, Fairburn J, Mielck A (2012) Regionale Deprivation und Mortalität in Bayern. Entwicklung eines „Index Multipler Deprivation“ auf Gemeindeebene. Gesundheitswesen 74(7):416–425.  https://doi.org/10.1055/s-0031-1280846 Google Scholar
  25. 25.
    Maier W, Holle R, Hunger M et al (2013) The impact of regional deprivation and individual socio-economic status on the prevalence of Type 2 diabetes in Germany. A pooled analysis of five population-based studies. Diabet Med 30(3):e78–e86.  https://doi.org/10.1111/dme.12062 Google Scholar
  26. 26.
    Ewest F, Reinhold T, Vloet TD, Wenning V, Bachmann CJ (2013) Durch Jugendliche mit Störungen des Sozialverhaltens ausgelöste Krankenkassenausgaben. Eine gesundheitsökonomische Analyse von Versichertendaten einer gesetzlichen Krankenkasse. Kindh Entwickl 22(1):41–47.  https://doi.org/10.1026/0942-5403/a000097 Google Scholar
  27. 27.
    Lüngen M (2010) Vergütung medizinischer Leistungen und ihre Anreizwirkung auf Qualität und Zugang. In: Lauterbach KW (Hrsg) Gesundheitsökonomie, Management und Evidence based medicine. Handbuch für Praxis, Politik und Studium; mit 71 Tabellen, 3., völlig neu bearb. und erw.. Aufl. Schattauer, Stuttgart, S 134–151Google Scholar
  28. 28.
    Ziegler A (2011) Generalized estimating equations. EBL-Schweitzer. Springer, DordrechtGoogle Scholar
  29. 29.
    Hayes AF (2006) A primer on multilevel modeling. Human Comm Res 32(4):385–410.  https://doi.org/10.1111/j.1468-2958.2006.00281.x Google Scholar
  30. 30.
    Kreft I, de Leeuw J (1998) Introducing multilevel modeling, Repr. Introducing statistical methods. SAGE, Los AngelesGoogle Scholar
  31. 31.
    Liang K, Zeger SL (1986) Longitudinal data analysis using generalized linear models. Biometrika 73(1):13–22Google Scholar
  32. 32.
    Hanley JA (2003) Statistical analysis of correlated data using generalized estimating equations: an orientation. Epidemiol Rev 157(4):364–375.  https://doi.org/10.1093/aje/kwf215 Google Scholar
  33. 33.
    Hasan M, Dunn P (2011) Two Tweedie distributions that are near-optimal for modelling monthly rainfall in Australia. Int J Climatol 31(9):1389–1397Google Scholar
  34. 34.
    Tweedie MCK (1984) An index which distinguishes between some important exponential families. In: Ghosh JK, Roy J (Hrsg) Statistics applications and new directions. Indian Statistical Institute, Calcutta, S 579–604Google Scholar
  35. 35.
    IBM Corp (2015) IBM SPSS Statistics 24 Command Syntax Reference. IBM Corporation, Armonk, NY, USAGoogle Scholar
  36. 36.
    Holle R, Behrend C, Reitmeir P, John J (2005) Methodenfragen der Nutzung von GKV-Routinedaten für Kostenanalysen. In: Swart E, Ihle P (Hrsg) Routinedaten im Gesundheitswesen. Handbuch Sekundärdatenanalyse: Grundlagen, Methoden und Perspektiven, 1. Aufl. Huber, Bern, S 301–318Google Scholar
  37. 37.
    Mangiapane S, v. Stillfried D (2012) Vertragsärzte und -psychotherapeuten je 100.000 Einwohner (nach Arztgruppen) – Basisbericht 2010 (Versorgungsatlas-Bericht Nr. 12/01). Zentralinstitut für kassenärztliche Versorgung in der Bundesrepublik Deutschland, Berlin  https://doi.org/10.20364/VA-12.01 Google Scholar
  38. 38.
    Schulz M, Schulz M, Bätzing-Feigenbaum J, Stillfried D (2015) Vertragsärzte und -psychotherapeuten je 100.000 Einwohner nach Bedarfsplanungsfachgebieten und -regionen im Jahr 2013 (Versorgungsatlas-Bericht Nr. 15/02). Zentralinstitut für die kassenärztliche Versorgung in Deutschland (Zi), Berlin  https://doi.org/10.20364/VA-15.02 Google Scholar
  39. 39.
    Swart E, Griehl S (2014) The problem of repeated surveys. How comparable are their results regarding the utilization of medical services? In: Janssen C, Swart E, von Lengerke T (Hrsg) Health Care Utilization in Germany. Theory, Methodology, and Results. Springer, New York, S 45–62Google Scholar
  40. 40.
    Rattay P, Starker A, Domanska O, Butschalowsky H, Gutsche J, Kamtsiuris P (2014) Trends in der Inanspruchnahme ambulant-ärztlicher Leistungen im Kindes- und Jugendalter. Ergebnisse der KiGGS-Studie – Ein Vergleich von Basiserhebung und erster Folgebefragung (KiGGS Welle 1). Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 57(7):878–891.  https://doi.org/10.1007/s00103-014-1989-1 Google Scholar
  41. 41.
    Hintzpeter B, Metzner F, Pawils S et al (2014) Inanspruchnahme von ärztlichen und psychotherapeutischen Leistungen durch Kinder und Jugendliche mit psychischen Auffälligkeiten. Kindh Entwickl 23(4):229–238.  https://doi.org/10.1026/0942-5403/a000148 Google Scholar
  42. 42.
    Kopetsch T, Maier W (2016) Analyse des Zusammenhangs zwischen regionaler Deprivation und Inanspruchnahme – Ein Diskussionsbeitrag zur Ermittlung des Arztbedarfes in Deutschland. Gesundheitswesen.  https://doi.org/10.1055/s-0042-100622 Google Scholar
  43. 43.
    Godemann F, Hauth I, Richert A, Berton R (2015) Merkmale einer regionalen Pflichtversorgung in Deutschland: Eine Analyse mithilfe der VIPP-Datenbank (Features of regional mandatory psychiatric care in Germany: analysis using the VIPP databank). Nervenarzt 86(3):367–372.  https://doi.org/10.1007/s00115-015-4257-1 Google Scholar
  44. 44.
    Grobe TG, Ihle P (2014) Stammdaten und Versichertenhistorien. In: Swart E, Ihle P, Gothe H, Matusiewicz D (Hrsg) Routinedaten im Gesundheitswesen. Handbuch Sekundärdatenanalyse: Grundlagen, Methoden, und Perspektiven, 2. Aufl. Huber, Bern, S 28–36Google Scholar
  45. 45.
    Geyer S (2005) Die Bestimmung der sozioökonomischen Position in Prozessdaten und ihre Verwendung in Sekundärdatenanalysen. In: Swart E, Ihle P (Hrsg) Routinedaten im Gesundheitswesen. Handbuch Sekundärdatenanalyse: Grundlagen, Methoden und Perspektiven, 1. Aufl. Huber, Bern, S 203–213Google Scholar
  46. 46.
    Macintyre S, Ellaway A, Cummins S (2002) Place effects on health: how can we conceptualise, operationalise and measure them? Soc Sci Med 55(1):125–139Google Scholar
  47. 47.
    Maier W, Scheidt-Nave C, Holle R et al (2014) Area level deprivation is an independent determinant of prevalent type 2 diabetes and obesity at the national level in Germany. Results from the National Telephone Health Interview Surveys “German Health Update” GEDA 2009 and 2010. PLoS ONE 9(2):e89661.  https://doi.org/10.1371/journal.pone.0089661 Google Scholar
  48. 48.
    Hofmeister C, Maier W, Mielck A, Stahl L, Breckenkamp J, Razum O (2016) Regionale Deprivation in Deutschland: Bundesweite Analyse des Zusammenhangs mit Mortalität unter Verwendung des German Index of Multiple Deprivation (GIMD) (Regional Deprivation in Germany: Nation-wide Analysis of its Association with Mortality Using the German Index of Multiple Deprivation (GIMD)). Gesundheitswesen 78(1):42–48.  https://doi.org/10.1055/s-0034-1390421 Google Scholar
  49. 49.
    Ravens-Sieberer U, Wille N, Bettge S, Erhart M (2007) Psychische Gesundheit von Kindern und Jugendlichen in Deutschland. Ergebnisse aus der BELLA-Studie im Kinder- und Jugendgesundheitssurvey (KiGGS). Bundesgesundheitsbl Gesundheitsforsch Gesundheitsschutz 50(5):871–878.  https://doi.org/10.1007/s00103-007-0250-6 Google Scholar
  50. 50.
    Hoffmann F, Bachmann CJ (2014) Unterschiede in den soziodemografischen Merkmalen, der Gesundheit und Inanspruchnahme bei Kindern und Jugendlichen nach ihrer Krankenkassenzugehörigkeit (Differences in sociodemographic characteristics, health, and health service use of children and adolescents according to their health insurance funds). Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 57(4):455–463.  https://doi.org/10.1007/s00103-013-1916-x Google Scholar
  51. 51.
    Ravens-Sieberer U, Otto C, Kriston L et al (2015) The longitudinal BELLA study: design, methods and first results on the course of mental health problems. Eur Child Adolesc Psychiatry 24(6):651–663.  https://doi.org/10.1007/s00787-014-0638-4 Google Scholar
  52. 52.
    Mostardt S, Lux G, Dahl H, Matusiewicz D, Biermann J (2014) Matching-Verfahren. In: Swart E, Ihle P, Gothe H, Matusiewicz D (Hrsg) Routinedaten im Gesundheitswesen. Handbuch Sekundärdatenanalyse: Grundlagen, Methoden, und Perspektiven, 2. Aufl. Huber, Bern, S 402–410Google Scholar
  53. 53.
    Baca-Garcia E, Perez-Rodriguez MM, Basurte-Villamor I et al (2007) Diagnostic stability of psychiatric disorders in clinical practice. Br J Psychiatry 190:210–216.  https://doi.org/10.1192/bjp.bp.106.024026 Google Scholar

Copyright information

© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2019

Authors and Affiliations

  • Udo König
    • 1
    Email author
  • Monika Heinzel-Gutenbrunner
    • 2
  • Gerhard Meinlschmidt
    • 3
  • Werner Maier
    • 4
  • Christian J. Bachmann
    • 5
  1. 1.Abteilung für Allgemeinmedizin, Präventive und Rehabilitative MedizinPhilipps-Universität MarburgMarburgDeutschland
  2. 2.MH Statistik BeratungMarburgDeutschland
  3. 3.Berlin School of Public HealthCharité – Universitätsmedizin BerlinBerlinDeutschland
  4. 4.Institut für Gesundheitsökonomie und Management im GesundheitswesenHelmholtz Zentrum München – Deutsches Forschungszentrum für Gesundheit und Umwelt (GmbH)NeuherbergDeutschland
  5. 5.Klinik für Kinder- und Jugendpsychiatrie/PsychotherapieUniversitätsklinikum UlmUlmDeutschland

Personalised recommendations