Pflegeverläufe im Spiegel von Routinedaten der GKV: Eine Analyse für die Jahre 2003 bis 2010

Long-term care in Germany: An analysis with claim data for 2003 to 2010

Zusammenfassung

Die vorliegende Arbeit befasst sich auf Basis von Routinedaten der AOK-Plus mit Pflegeverläufen von über 60-Jährigen in Deutschland. Unsere Analysen zeigen eine rechtsschiefe Verteilung der Pflegeverläufe für beide Geschlechter. Demnach sind 50 % der weiblichen (männlichen) Pflegefälle nach 45 (26) Monaten verstorben, wohingegen die mittlere Verweildauer in der Pflege bei 52 (37) Monaten liegt. Die mit diesen Pflegeverläufen verbundenen Gesamtkosten der Pflege summieren sich nach unseren Berechnungen im Mittel auf einen Barwert von 64.541 (42.905) Euro. Die Analyse der Pflegestufen mittels eines multinominalen logistischen Modells zeigt für die vorliegenden Daten zudem, dass im Beobachtungszeitraum eine Kompression der Pflegeverläufe stattgefunden hat. So wird eine höhere Pflegestufe und somit ein schwerwiegenderer Pflegeverlauf mit zunehmendem Abstand vom Tod sowie zunehmendem Alter für beide Geschlechter unwahrscheinlicher.

Abstract

Our study compares mortalities of long-term care (LTC) patients who are covered by statutory LTC insurance with regard to gender, age and distribution of care levels. The analysis is based on claim data which was provided by an East-German statutory LTC fund (AOK Plus). We show for both genders a distribution which is skewed to the right. Therefore 50 % of all female (male) LTC patients are dead after 45 (26) months while the average duration in the LTC system is 52 (37) months. The associated costs given these distributions are 64,541 (42,905) Euro in present value terms. The analysis of care levels via a multinomial logistic model shows for our data set a compression of LTC patients’ morbidity. Given rising life expectancy a higher care level (associated with a more severe LTC condition) is therefore more unlikely for both genders.

This is a preview of subscription content, log in to check access.

Abb. 1
Abb. 2
Abb. 3

Notes

  1. 1.

    Vgl. Blinkert und Klie (2001).

  2. 2.

    Für eine ausführliche Darstellung der sozialen Pflegeversicherung sei auf das BMG (2011) verwiesen.

  3. 3.

    Vgl. BMG (2014b) und Statistisches Bundesamt (2014).

  4. 4.

    Pflegestufe I: erhebliche Pflegebedürftigkeit mit einem Zeitaufwand von mindestens 90 min täglich; Pflegestufe II: schwere Pflegebedürftigkeit mit einem Zeitaufwand von mindestens 180 min täglich; Pflegestufe III: schwerste Pflegebedürftigkeit mit einem Zeitaufwand von mindestens 300 min täglich.

  5. 5.

    Die Leistungen der ambulanten Pflege kann dabei noch weiter in Kombinationsfälle aus Pflegegeld und Pflegesachleistung sowie die teilstationäre Pflege untergliedert werden. Da diese Kategorien in vorliegender Studie jedoch keine Berücksichtigung finden, wird auf sie nicht weiter eingegangen.

  6. 6.

    Vgl. Seger et al. (2008; 2011), Rothgang et al. (2013) und Häcker und Hackmann (2012).

  7. 7.

    Die Namen sowie Adressen der jeweiligen Versicherten wurden vom Datenlieferanten aus dem Stammdatensatz gelöscht. Die Versicherten sind daher sowohl im Stammdatensatz als auch in den Datensätzen, die den Versicherungsverlauf sowie die Leistungen der Pflegekasse ausweisen, nur über eine Pseudonummer identifizierbar. Zudem wird das Geburts- sowie Todesdatum im Stammdatensatz nur auf Monatsbasis ausgewiesen. Nach den Angaben der AOK-Plus ist durch diese Maßnahmen die Identifizierung eines Versicherten ausgeschlossen. Darüber hinaus wurden von der AOK-Plus alle Versicherungsdaten, die Mitarbeiter betreffen, entfernt.

  8. 8.

    Die AOK-Plus ist eine gesetzliche Krankenversicherung mit Hauptsitz in Dresden. Sie betreut ca. 2,7 Mio. Versicherte, die hauptsächlich in Sachsen und Thüringen wohnen. Für weitere Informationen vgl. www.aokplus-online.de.

  9. 9.

    Tabelle 8 im Anhang gibt einen genauen Überblick über die verwendeten Datensätze sowie Variablen. In den Anmerkungen zu Tab. 8 werden zudem die Validierungs- und Aufbereitungsroutinen beschrieben, die über die im vorliegenden Abschnitt vorgestellten Aufbereitungsmaßnahmen zur Analyse von Ereigniszeitdaten hinausgehen.

  10. 10.

    Für ca. drei Prozent der Zustandseinträge besteht eine nicht kodierte Pflegelücke von mehr als 90 Tagen.

  11. 11.

    Bei ca. 30 % der Zustandseinträge ist dies der Fall. Der Mittelwert (Standardabweichung) der Lücken zwischen den Einträgen beträgt 6 Tage (11 Tage).

  12. 12.

    So liegen bspw. Kombinationsfälle aus ambulanter Pflegesachleistung und Pflegegeld oft vollkommen in dem Leistungszeitraum einer ambulanten Sachleistung.

  13. 13.

    Insgesamt beträgt der Anteil der Zustandseinträge, die sich überschneiden und für die kein plausibler Grund für die Überschneidung gefunden werden kann, 1,5 % an allen Einträgen. Die Verzerrungen, die von dieser Korrektur ausgehen, sind daher nach der Meinung der Autoren als gering einzustufen.

  14. 14.

    Die Standardabweichung bei den Frauen (Männer) liegt bei 6,5 (7,1) Jahren.

  15. 15.

    Für eine kritische Diskussion der Datenqualität sei auf Abschn. 5 verwiesen.

  16. 16.

    Vgl. Cleves (2008).

  17. 17.

    Vgl. Borchert und Rothgang (2006).

  18. 18.

    Vgl. Schupp und Künemund (2004)

  19. 19.

    Die Auswertungen erfolgen angelehnt an das Vorgehen von Seger et al. (2011). Für jede der genannten Kombinationen von Alter und Pflegestufe wird dabei eine separate Überlebensfunktion geschätzt. Die Erstjahressterblichkeit und die Sterblichkeit in den Folgejahren werden dann anhand der resultierenden Überlebensfunktion bestimmt.

  20. 20.

    Das Referenzszenario entspricht dabei den langfristigen Annahmen der Europäischen Kommission für den Ageing Report, vgl. Europäische Kommission (2012). Die Europäische Kommission setzt dabei die Annahme einer langfristigen Arbeitsproduktivitätssteigerung im Umfang von 1,5 %. Somit kann aufgrund der Baumol’schen Kostenkrankheit (vgl. Baumol und Bowen 1967) von einer langfristigen Steigerung der Löhne im Pflegesektor von mindestens 1,5 % ausgegangen werden.

  21. 21.

    Eine Übersicht über die Hypothesen gibt beispielsweise Heigl (2002).

  22. 22.

    Eine Panelanalyse, die beispielsweise auf fixen Effekten beruht, ist leider nicht möglich, da sich alter und ttd für jeden Pflegepatienten zu einer zeitinvarianten Größe summieren.

  23. 23.

    Separate logistische Modelle wurden ebenfalls geschätzt. Die hieraus resultierenden Koeffizienten liegen den Koeffizienten aus dem multinominalen logistischen Modell sehr nahe. Ein Likelihood-Ratio-Test zeigt zudem, dass alle berücksichtigten, unabhängigen Variablen signifikant verschieden von 0 sind.

  24. 24.

    Jene Personen, die im Beobachtungszeitraum nicht versterben, weisen bei der Variable ttd keinen Eintrag auf. Dem Vorgehen von Werblow et al. (2007) folgend, wird für diese Personen daher angenommen, dass die Variable dem Maximum jener Personen entspricht, die versterben. Für den vorliegenden Datensatz beträgt dies 96 Monate (Vgl. hierzu auch Tab. 10 im Anhang). Eine mögliche Verzerrung der Ergebnisse durch dieses Vorgehen ist nicht zu erwarten, da der Personenkreis, für den die ttd ergänzt wird, sich vollkommen mit den Zensierten deckt und für diese mit einem Dummy in der Regression kontrolliert wird.

  25. 25.

    Eine parametrische Modellierung, die jeweils auch einen quadratischen Term für alter und ttd berücksichtigt, wurde ebenfalls vorgenommen. Die Ergebnisse dieser Regression finden sich in Tab. 11 im Anhang.

  26. 26.

    Für die die Variable alter (ttd) werden demnach sieben (acht) Kategorien gebildet. Die ausgelassene Kategorie in der folgenden Regression für das Alter ist dabei 60–64 Jahre. Die ausgelassene Kategorie für die Zeit bis zum Tod ist 0–12 Monate.

  27. 27.

    \(Chanc{{e}_{Plfegestufe~III~vs.~Pflegestufe~II}}=\frac{Wahrscheinlichkei{{t}_{Pflegestufe~III}}}{Wahrscheinlichkei{{t}_{Pflegestufe~II}}}\)

  28. 28.

    Die anderen unabhängigen Variablen wurden dabei auf ihren Mittelwert fixiert. Vgl. hierzu Tab. 10 im Anhang.

Literatur

  1. Baumol W.J., Bowen W.G.: Performing arts – the economic dilemma: a study of problems common to theater, opera music and dance. M.I.T Press, Cambridge (1967)

    Google Scholar 

  2. Blinkert, B., Klie, T.: Zukünftige Entwicklung des Verhältnisses von professioneller und häuslicher Pflege bei differierenden Arrangements und privaten Ressourcen bis zum Jahr 2050, Expertise im Auftrag der Enquête-Kommission Demografischer Wandel des Deutschen Bundestags, Wiesbaden. (2001)

  3. BMG – Bundesministerium für Gesundheit: Ratgeber zur Pflege. Alles, was Sie zur Pflege wissen müssen. Bundesministerium für Gesundheit, Berlin (2011)

    Google Scholar 

  4. BMG – Bundesministerium für Gesundheit: Pflegeversicherung im Überblick. Bundesministerium für Gesundheit, Berlin (2014a)

    Google Scholar 

  5. BMG – Bundesministerium für Gesundheit: Ergebnisse der GKV-Statistik KM1. Bundesministerium für Gesundheit, Berlin (2014b)

    Google Scholar 

  6. Borchert, L., Rothgang, H.: Pflegeverläufe älterer Menschen. Eine deskriptive Längsschnittstudie über die Jahre 1998 bis 2004. In: Müller, R., Braun, B. (Hrsg.) Vom Quer zum Längsschnitt – Möglichkeiten der Analysen mit GKV-Daten, S. 76–91. Asgard, Sankt Augustin (2006)

  7. Cleves, M.A.: An introduction to survival analysis using Stata. Stata Press, Texas (2008)

    Google Scholar 

  8. Europäische Kommission: The 2012 ageing report economic and budgetary projections for the 27 EU Member States (2010–2060). Europäische Union, Brüssel (2012)

    Google Scholar 

  9. Grobe, G., Ihle, P.: Versichertenstammdaten und sektorübergreifende Analyse. In: Swart, E., Ihle, P. (Hrsg.): Routinedaten im Gesundheitswesen – Handbuch Sekundärdatenanalyse: Grundlagen, Methoden und Perspektiven, S. 17–34. Verlag Hans Huber, Bern (2005)

    Google Scholar 

  10. Heigl, A.: Aktive Lebenserwartung: Konzeptionen und neuer Modellansatz. Z. Gerontologie Geriatrie. 35(6), 519–527 (2002)

    Google Scholar 

  11. Häcker, J., Hackmann, T.: Los(t) in long term care: empirical evidence from German data 2000–2009. Health Econ. 21, 1427–1443 (2012)

    Google Scholar 

  12. MDK: Pflegebericht des Medizinischen Dienstes Berichtszeitraum 2001/2002, Medizinischer Dienst der Spitzenverbände der Krankenkassen e. V., Essen (2002)

  13. MDK: Pflegebericht des Medizinischen Dienstes 2003, Medizinischer Dienst der Spitzenverbände der Krankenkassen e. V., Essen (2003)

  14. Neubauer, S., Zeidler, J., Lange, A., Graf von der Schulenburg, J. M.: Grundlagen und Methoden von GKV-Routinedatenstudien. Center for Health Economics Research Hannover, Diskussionspapier Nr. 534 (2014)

  15. Prüß, U., Küpper-Nybelen, J., Ihle, P., Schubert, I.: Verläufe von Pflegebedürftigkeit in Hessen in den Jahren 1999 bis 2002. Ergebnisse einer Längsschnittstudie. Gesundheitswesen. 68(2), 123–127 (2006)

    Google Scholar 

  16. Rothgang, H., Kulik, D., Müller, R., Unger, R.: Barmer GEK Pflegereport 2009– Schwerpunktthema: Regionale Unterschiede in der pflegerischen Versorgung, BARMER GEK, Schwäbisch Gmünd (2009)

  17. Rothgang, H., Iwansky, S., Müller, R., Sauer, S., Unger, R.: Barmer GEK Pflegereport 2010– Schwerpunktthema: Demenz und Pflege, BARMER GEK, Schwäbisch Gmünd (2010)

  18. Rothgang, H., Iwansky, S., Müller, R., Sauer, S., Unger, R.: Barmer GEK Pflegereport 2011– Schwerpunktthema: Zusätzliche Betreuungsleistungen für Personen mit erheblich eingeschränkter Alltagskompetenz, BARMER GEK, Schwäbisch Gmünd (2011)

  19. Rothgang, H., Müller, R., Unger, R., Weiß, C., Wolter, A.: Barmer GEK Pflegereport 2012– Schwerpunktthema: Kosten bei Pflegebedürftigkeit, BARMER GEK, Schwäbisch Gmünd (2012)

  20. Rothgang H., Müller, R., Unger, R.: BARMER GEK Pflegereport 2013– Schwerpunktthema: Reha bei Pflege, BARMER GEK, Schwäbisch Gmünd (2013)

  21. Rothgang, H., Müller, R., Mundhenk, R., Unger, R.: Barmer GEK Pflegereport 2014– Schwerpunktthema: Zahnärztliche Versorgung Pflegebedürftiger, BARMER GEK, Schwäbisch Gmünd (2014)

  22. Saal, T.: Pflegeverläufe und ihre Determinanten – Eine empirische Analyse anhand von Routinedaten, unveröffentlichte Diplomarbeit, Freiburg (2012)

  23. Sala, C., Raftery, J.P.: Econometric Issues in testing the age neutrality of health care expenditure. Health Econ. 10, 669–671 (2001)

    Google Scholar 

  24. Schneekloth, U, Schmidt, M.: Abschlussbericht zur Studie „Wirkungen des Pflege-Weiterentwicklungsgesetzes“. Bundesministerium für Gesundheit, Berlin (2011)

    Google Scholar 

  25. Schupp, J., Künemund, H.: Private Versorgung und Betreuung von Pflegebedürftigen in Deutschland. DIW Wochenbericht. 20/2004, 289–294 (2004)

    Google Scholar 

  26. Seger, W., Sittaro, N.-A., Lohse, R., Rabba, J., Post, J.: Hannover Morbiditäts- und Mortalitäts-Pflegestudie(HMMPS): Langzeitverläufe, Pflegestufenübergänge und Reaktivierungen in der gesetzlichen Pflegeversicherung. Blätter der DGVFM. 29, 29–43 (2008). doi:10.1007/s11857-008-0050-6

    Google Scholar 

  27. Seger, W., Sittaro, N.-A., Lohse, R., Rabba, J.: Vergleich der Sterblichkeit ambulanter und stationärer Pflegepatienten im Langzeitverlauf. Hannover Morbiditäts- und Mortalitäts-Pflegestudie. Dtsch. Medizinische Wochenschr. 136, 1465–1471 (2011)

    Google Scholar 

  28. Statistisches Bundesamt: Bevölkerung auf Grundlagen des Zensus 2011. https://www.destatis.de/DE/ZahlenFakten/GesellschaftStaat/Bevoelkerung/Bevoelkerungsstand/Tabellen/Zensus_Geschlecht_Staatsangehoerigkeit.html (2014). Zugegriffen: 9. Feb. 2015

  29. Weaver, F., Stearns, S., Norton, E.C.: Proximity to death and participation in the long term care market. Health Econ. 18, 867–883 (2009)

    Google Scholar 

  30. Werblow, A., Felder, S., Zweifel, P.: Population ageing and health care expenditure: a school of red herrings. Health Econ. 16, 1109–1126 (2007)

    Google Scholar 

Download references

Danksagung

Teile der vorliegenden Arbeit entstanden im Rahmen der Diplomarbeit von Herrn Tobias Saal (2012). Ein besonderer Dank für die Bereitstellung der Daten geht an die AOK-Plus und dabei insbesondere an Frau Ines Krause. Für die finanzielle Förderung dieser Studie bedanken wir uns bei der IDEAL Lebensversicherung a. G. Ebenfalls bedanken wir uns bei Natalie Laub, Stefan Moog, Christoph Metzger und zwei anonymen Gutachtern für hilfreiche Hinweise. Für alle verbleibenden Fehler zeichnen die Autoren verantwortlich

Author information

Affiliations

Authors

Corresponding author

Correspondence to Daniel Ehing.

Anhang

Anhang

Tab. 8 Übersicht der verwendeten Variablen bei der Auswertung der Routinedaten. (Quelle: eigene Darstellung)

Anmerkungen zur Datenaufbereitung der in Tab. 8 vorgestellten Datensätze und Variablen

In einem ersten Schritt wurden die Daten der verschiedenen Datensätze zunächst eingelesen und formatiert (Umwandlung von Strings in Zahlen, Formatierung der Datumsangaben, Formatierung der Pflegezustände, etc.). In einem zweiten Schritt wurden alle Variablen dann auf ihre Plausibilität geprüft (entspricht die Kodierung der im Datenhandbuch genannten oder ergeben sich unrealistische oder negative Werte oder sind leere Datenzellen vorhanden). Hierbei ergaben sich wenige Pseudonummern, die bspw. aufgrund eines unrealistischen Geburtsdatums oder anderer Probleme ausgeschlossen wurden. In einem dritten Schritt wurden die „Versichertenstammdaten“ dann mit dem „Versicherungsverlauf“ und den „Versichertenstammdaten mit Zustand“ mittels der einmaligen Pseudonummern verschmolzen. Im Anschluss hieran wurde überprüft, ob die jeweilige Pseudonummer auch ein Jahr vor Eintritt der Pflegebedürftigkeit bei der AOK-Plus versichert war (hierdurch ergab sich wieder ein sehr kleiner Kreis von Personen, die von der Analyse ausgeschlossen wurden). Im Anschluss an dieses Prozedere wurden dann die in Abschn. 3.1 beschriebenen Aufbereitungen bzgl. der Zensuren wie auch evtl. vorhandener Leistungslücken vorgenommen.

Eine Überprüfung der Pflegeeinträge (Zustände) durch eine Quervalidierung der Daten mit anderen Leistungsbereichen konnte nicht vorgenommen werden. Wie Rothgang et al. (2014) jedoch anmerken, ist aufgrund der Zahlungswirksamkeit der Routinedaten der Pflegekasse von einer hohen Datenvalidität auszugehen. Wie Grobe und Ihle (2005) sowie Neubauer et al. (2014) zudem anmerken, kann es vor allem bei Familienversicherten zu einem fehlerhaften Eintrag bzgl. des Todesdatums kommen, da das Todesdatum des Hauptversicherten bei einigen Kassen fehlerhaft mit dem Tod des Familienversicherten verknüpft wird. Leider konnte diesem Problem im vorhandenen Datensatz nicht nachgegangen werden, da der Status des Versicherten in den Stammdaten nicht mitgeliefert wurde (Familienversicherte sind jedoch von der AOK-Plus mit in den Datensatz aufgenommen worden). Letztlich könnte es also zu einer möglichen Verzerrung der von uns präsentierten Ergebnisse aufgrund dieser Problematik kommen. Nach Rücksprache mit dem Datenlieferanten wird dieses Problem für die vorliegenden Daten jedoch als gering eingestuft, da der Datenlieferant nicht bestätigen konnte, dass von ihm aus Änderungen an den Todesdaten der verbundenen Familienversicherten vorgenommen werden, wenn ein Hauptversicherter stirbt (oder aus der Versicherung austritt).

Abb. 4
figure4

Alter bei Pflegebeginn. (Quelle: eigene Berechnungen)

Tab. 9 Ersteinstufung in die Pflege im Jahr 2003. (Quelle: MDK (2003), eigene Berechnungen)
Abb. 5
figure5

Pflegeverläufe nach Geschlecht und Ersteinstufung in Pflegestufe I. (a) Frauen (N = 109.124) (b) Männer (N = 44.994). (Quelle: eigene Berechnungen)

Abb. 6
figure6

Pflegeverläufe nach Geschlecht und Ersteinstufung in Pflegestufe II. (a) Frauen (N = 34.622) (b) Männer (N = 21.322). (Quelle: eigene Berechnungen)

Abb. 7
figure7

Pflegeverläufe nach Geschlecht und Ersteinstufung in Pflegestufe III. (a) Frauen (N = 6353) (b) Männer (N = 5576). (Quelle: eigene Berechnungen)

Abb. 8
figure8

Monatliche Mortalitätsraten aus den einzelnen Pflegestufen (gleitende 6-Monats-Durchschnitte). (a) Frauen (b) Männer. (Quelle: eigene Berechnungen)

Abb. 9
figure9

Differenzierter Pflegeverlauf mit Fortschreibung. (a) Frauen (b) Männer. (Quelle: eigene Berechnungen)

Tab. 10 Deskriptive Statistiken der verwendeten Variablen. (Quelle: eigene Berechnungen)
Tab. 11 Übergangswahrscheinlichkeiten in Pflegestufe II und III mit parametrischer Modellierung der Variablen alter und ttd (multinominales logistisches Modell). (Quelle: eigene Berechnungen)

Rights and permissions

Reprints and Permissions

About this article

Verify currency and authenticity via CrossMark

Cite this article

Ehing, D., Hagist, C. & Saal, T. Pflegeverläufe im Spiegel von Routinedaten der GKV: Eine Analyse für die Jahre 2003 bis 2010. ZVersWiss 104, 179–210 (2015). https://doi.org/10.1007/s12297-015-0298-6

Download citation

Schlüsselwörter

  • Pflegeverlauf
  • Kosten der Pflege
  • Kompression des Pflegeverlaufs

Keywords

  • Mortality in long-term care
  • Costs of long-term care
  • Compression of long-term care morbidity