Advertisement

Infektionskrankheiten und ihre Codierung

Was kann sich durch die ICD-11 verbessern?
  • Michaela DierckeEmail author
  • Sandra Beermann
  • Kristin Tolksdorf
  • Silke Buda
  • Göran Kirchner
Leitthema
  • 297 Downloads

Zusammenfassung

Die Revision der Internationalen statistischen Klassifikation der Krankheiten und verwandter Gesundheitsprobleme (International Classification of Diseases – ICD) geht mit grundlegenden Änderungen der Morbiditäts- und Mortalitätsstatistik einher, die auch den Bereich der Infektionskrankheiten betreffen. Die Zuordnung der einzelnen Infektionskrankheiten zu den Kapiteln in der aktuellen ICD-10 erfolgt aufgrund unterschiedlicher Konzepte, teilweise nach auslösendem Agens, nach betroffenem Organsystem oder nach Lebensperiode. Besondere Herausforderungen der Klassifizierung der Infektionskrankheiten bestehen u. a. darin, dass regelmäßig ein Anpassungsbedarf durch neu auftretende Erreger entstehen kann. Außerdem reichen die Angaben hinsichtlich Umfang und Tiefe in der ICD-10 teilweise nicht aus, um epidemiologische Auswertungen der Daten durchzuführen.

Die ICD ermöglicht den weltweiten Vergleich von Statistiken zu Infektionskrankheiten. Zunehmend wird die ICD jedoch auch für die Erhebung von Surveillance- und Forschungsdaten eingesetzt, z. B. im Rahmen des Meldewesens (Identifizierung von Meldetatbeständen), aber auch in der syndromischen Surveillance akuter Atemwegsinfektionen und für den Aufbau neuer Surveillance-Systeme sowie der Evaluation der Datenqualität durch Abgleich mit Sekundärdaten.

Die Chancen der ICD-11 liegen vor allem darin, dass Infektionskrankheiten eindeutiger codiert werden können und ihre Codierung mehr relevante Informationen für die epidemiologische Bewertung enthält. Durch die hohe Komplexität können jedoch Verzerrungen in den Daten entstehen, die die Fortschreibung der Morbiditäts- und Mortalitätsstatistiken erschweren.

Schlüsselwörter

Infektionskrankheiten ICD-11 Codiersysteme Epidemiologie Surveillance 

Infectious diseases and their ICD coding

What could be improved by the introduction of ICD-11?

Abstract

The revision of the International Classification of Diseases (ICD) could change morbidity and mortality statistics significantly, which also affects the area of infectious diseases. Infectious diseases are classified according to their etiology, affected body system or the life period during which the episode occurs. Specific challenges arise from emerging pathogens and the respective necessary adaptation. For epidemiologic analysis ICD-10 does not always offer enough additional information.

ICD provides the basis for international comparison of infectious disease morbidity and mortality statistics, but it is also used to collect data for surveillance and research purposes, e. g. the notification system for infectious diseases, syndromic surveillance systems and the evaluation of data quality by using secondary data sources.

ICD-11 offers the chance to better represent epidemiological concepts of infectious diseases by adding more relevant information as affected body system or manifestation. Due to the complexity of coding, ensuring continuity of morbidity and mortality statistics could be challenging.

Keywords

Infectious diseases Classification system ICD Epidemiology Surveillance 

Notes

Einhaltung ethischer Richtlinien

Interessenkonflikt

M. Diercke, S. Beermann, K. Tolksdorf, S. Buda und G. Kirchner geben an, dass kein Interessenkonflikt besteht.

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

Literatur

  1. 1.
    Boerma T, Harrison J, Jakob R, Mathers C, Schmider A, Weber S (2016) Revising the ICD: explaining the WHO approach. Lancet 388(10059):2476–2477.  https://doi.org/10.1016/S0140-6736(16)31851-7 CrossRefPubMedGoogle Scholar
  2. 2.
    Moriyama IM, Loy RM, Robb-Smith AHT (2011) History of the statistical classification of diseases and causes of death. National Center for Health Statistics, Hyattsville, S 12Google Scholar
  3. 3.
    Kuehne A, Bouwknegt M, Havelaar A et al (2016) HUS active surveillance network Germany. Estimating true incidence of O157 and non-O157 Shiga toxin-producing Escherichia coli illness in Germany based on notification data of haemolytic uraemic syndrome. Epidemiol Infect 144(15):3305–3315CrossRefPubMedGoogle Scholar
  4. 4.
    Takla A, Wichmann O, Rieck T, Matysiak-Klose D (2014) Measles incidence and reporting trends in Germany, 2007–2011. Bull World Health Organ 92(10):742–749.  https://doi.org/10.2471/BLT.13.135145 CrossRefPubMedPubMedCentralGoogle Scholar
  5. 5.
    Schielke A, Takla A, von Kries R, Wichmann O, Hellenbrand W (2018) Marked underreporting of pertussis requiring hospitalization in infants as estimated by capture-recapture methodology, Germany, 2013–2015. Pediatr Infect Dis J 37(2):119–125.  https://doi.org/10.1097/INF.0000000000001698 CrossRefPubMedGoogle Scholar
  6. 6.
    Neubauer S, Kreis K, Klora M, Zeidler J (2017) Access, use, and challenges of claims data analyses in Germany. Eur J Health Econ 18(5):533–536.  https://doi.org/10.1007/s10198-016-0849-3 CrossRefPubMedGoogle Scholar
  7. 7.
    Swart E, Bitzer EM, Gothe H et al (2016) A Consensus German Reporting Standard for Secondary Data Analyses, Version 2 (STROSA-STandardisierte BerichtsROutine für SekundärdatenAnalysen). Gesundheitswesen 78(S 01):e145–e160CrossRefPubMedGoogle Scholar
  8. 8.
    Schelhase T, Weber S (2007) Die Todesursachenstatistik in Deutschland. Probleme und Perspektiven. Bundesgesundheitsblatt 50:969.  https://doi.org/10.1007/s00103-007-0287-6 CrossRefGoogle Scholar
  9. 9.
    Steppuhn H, Buda S, Wienecke A et al (2017) Zeitliche Trends in der Inzidenz und Sterblichkeit respiratorischer Krankheiten von hoher Public-Health-Relevanz in Deutschland. J Health Monit 2(3):3–35.  https://doi.org/10.17886/RKI-GBE-2017-049 CrossRefGoogle Scholar
  10. 10.
    Buda S, Tolksdorf K, Schuler E, Kuhlen R, Haas W (2017) Establishing an ICD-10 code based SARI-surveillance in Germany – description of the system and first results from five recent influenza seasons. BMC Public Health 17(1):612.  https://doi.org/10.1186/s12889-017-4515-1 CrossRefPubMedPubMedCentralGoogle Scholar
  11. 11.
    Köpke K, Prahm K, Buda S, Haas W (2016) Evaluation einer ICD-10-basierten elektronischen Surveillance akuter respiratorischer Erkrankungen (SEEDARE) in Deutschland. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 59(11):1484–1491CrossRefPubMedGoogle Scholar
  12. 12.
    Zanuzdana A, Köpke K, Haas W (2016) Influenza und ambulant erworbene Pneumonie in hausärztlich tätigen Arztpraxen in Deutschland. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 59(11):1492–1502CrossRefPubMedGoogle Scholar
  13. 13.
    Robert Koch-Institut (2017) Nationaler Pandemieplan Teil I – Strukturen und Maßnahmen. RKI, Berlin, S 15–18Google Scholar
  14. 14.
    Robert Koch-Institut (2016) Nationaler Pandemieplan Teil II – Wissenschaftliche Grundlagen. RKI, Berlin, S 43–56Google Scholar
  15. 15.
    Diercke M (2017) Deutsches Elektronisches Melde- und Informationssystem für den Infektionsschutz (DEMIS). Epidemiol Bull 30:291–293.  https://doi.org/10.17886/EpiBull-2017-03 CrossRefGoogle Scholar
  16. 16.
    Benzler J, Kirchner G, Diercke M, Gilsdorf A (2014) Das Projekt DEMIS – Konzeptionelle und technische Vorarbeiten für ein elektronisches Meldesystem für den Infektionsschutz. Hygieneinspektor 16(2):20–29Google Scholar
  17. 17.
    Roldán-García MD, García-Godoy MJ, Aldana-Montes JFD (2016) An OWL representation of ICD-10-CM for classifying patients’ diseases. J Biomed Semantics 7(1):62CrossRefPubMedPubMedCentralGoogle Scholar
  18. 18.
    Streibel O, Kybranz F, Kirchner G (2017) Linked data and ontology reference model for infectious disease reporting systems. In: Panetto H et al (Hrsg) On the Move to Meaningful Internet Systems. OTM 2017 Conferences. Lecture Notes in Computer Science, vol 10574. Springer, ChamGoogle Scholar
  19. 19.
    Wilson SE, Deeks SL, Rosella LC (2015) Importance of ICD-10 coding directive change for acute gastroenteritis (unspecified) for rotavirus vaccine impact studies: illustration from a population-based cohort study from Ontario, Canada. BMC Res Notes 8:439.  https://doi.org/10.1186/s13104-015-1412-5 CrossRefPubMedPubMedCentralGoogle Scholar
  20. 20.
    Aymé S, Bellet B, Rath A (2015) Rare diseases in ICD11: making rare diseases visible in health information systems through appropriate coding. Orphanet J Rare Dis 10:35.  https://doi.org/10.1186/s13023-015-0251-8 CrossRefPubMedPubMedCentralGoogle Scholar
  21. 21.
    Watzlaf VJ, Garvin JH, Moeini S, Anania-Firouzan P (2007) The effectiveness of ICD-10-CM in capturing public health diseases. Perspect Health Inf Manag 4:6PubMedPubMedCentralGoogle Scholar
  22. 22.
    Jolley RJ, Quan H, Jetté N et al (2015) Validation and optimisation of an ICD-10-coded case definition for sepsis using administrative health data. BMJ Open 5(12):e9487.  https://doi.org/10.1136/bmjopen-2015-009487 CrossRefPubMedPubMedCentralGoogle Scholar
  23. 23.
    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 11:338.  https://doi.org/10.1186/1471-2458-11-338 CrossRefPubMedPubMedCentralGoogle Scholar
  24. 24.
    Jones G, Taright N, Boelle PY et al (2012) Accuracy of ICD-10 codes for surveillance of clostridium difficile infections, France. Emerging Infect Dis 18(6):979–981.  https://doi.org/10.3201/eid1806.111188 CrossRefPubMedPubMedCentralGoogle Scholar
  25. 25.
    Moore HC, Lehmann D, de Klerk N et al (2014) How accurate are international classification of diseases-10 diagnosis codes in detecting influenza and pertussis hospitalizations in children? J Pediatric Infect Dis Soc 3(3):255–260.  https://doi.org/10.1093/jpids/pit036 CrossRefPubMedGoogle Scholar
  26. 26.
    German RR, Lee LM, Horan JM, Milstein RL, Pertowski CA, Waller MN (2001) Guidelines Working Group Centers for Disease Control and Prevention (CDC). Updated guidelines for evaluating public health surveillance systems: recommendations from the Guidelines Working Group. Mmwr Recomm Rep 50(RR-13):1–35PubMedGoogle Scholar
  27. 27.
    Sickbert-Bennett EE, Weber DJ, Poole C, MacDonald PD, Maillard JM (2010) Utility of international classification of diseases, ninth revision, clinical modification codes for communicable disease surveillance. Am J Epidemiol 172(11):1299–1305.  https://doi.org/10.1093/aje/kwq285 CrossRefPubMedGoogle Scholar
  28. 28.
    Tudorache T, Falconer S, Nyulas C, Noy NF, Musen MA (2010) Will Semantic Web Technologies Work for the Development of ICD-11? In: Patel-Schneider PF et al (Hrsg) The Semantic Web – ISWC 2010. ISWC 2010. Lecture Notes in Computer Science, vol 6497. Springer, Berlin, HeidelbergGoogle Scholar
  29. 29.
    Eckert O (2017) Verbesserte Qualität der nationalen und internationalen Todesursachenstatistik durch den Kodierkern MUSE. Wirtsch Stat 4:118–130Google Scholar

Copyright information

© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2018

Authors and Affiliations

  • Michaela Diercke
    • 1
    Email author
  • Sandra Beermann
    • 1
  • Kristin Tolksdorf
    • 1
  • Silke Buda
    • 1
  • Göran Kirchner
    • 1
  1. 1.Abteilung für InfektionsepidemiologieRobert Koch-InstitutBerlinDeutschland

Personalised recommendations