Prüfung der Datenqualität und Validität von GKV-Routinedaten

Transkript

1 Prüfung der Datenqualität und Validität vn GKV-Rutinedaten Hrenkamp-Snntag D 1, Engel S 1, Schneider U 1, Linder R 1, Gerste B 2, Ihle P 3 1 WINEG - Wissenschaftliches Institut der TK für Nutzen und Effizienz im Gesundheitswesen, Hamburg 2 WIdO - Wissenschaftliches Institut der AOK, Berlin 3 PMV PMV frschungsgruppe, Universitätsklinikum Köln 50. Wissenschaftliche Jahrestagung der Deutschen Gesellschaft für Szialmedizin und Präventin (DGSMP) 24. bis 26. September 2014, Erlangen

2 1. Auffälligkeiten / Inknsistenzen / Implausibilitäten real existierende Praxisbeispiele: 1. Männer mit Kaiserschnitt 2. Frauen mit Prstata-Ca 3. Insulinempfänger hne Diabetes-Diagnse 4. Verstrbene mit zwei Tdesdaten 5. Leistungsinanspruchnahmen außerhalb vn Versicherungszeiten 6. etc. 2

3 2. Hintergrund zu GKV-Rutinedaten Warum sllte die Datenqualität und Validität vn GKV-Rutinedaten geprüft werden? 3

4 2. Hintergrund zu GKV-Rutinedaten GKV-Rutinedaten = Sekundärdaten werden nicht unmittelbar für eine Untersuchung erhben liegen aus anderen Erhebungen vr (z. B. Abrechnungsdaten einer Krankenversicherung) Mangelnde Zweckbestimmung in erster Linie zur Legitimatin der erbrachten Leistungen nicht für den Behandlungsfall relevante Infrmatinen werden ggf. nicht erfasst Cave: in Abhängigkeit vn Relevanz für die Leistungserbringung sind Effekt- Unterschätzungen und Überschätzungen möglich 4

5 3. Mdule zur Prüfung der Datenqualität Welche Mdule kmmen zur Prüfung der Datenqualität bei der wissenschaftlichen Nutzung vn GKV-Rutinedaten in Frage? 5

6 3. Mdule zur Prüfung der Datenqualität: Übersicht 1. Datenvllständigkeit und -plausibilität eher technischer Charakter (z. B. Ungültigkeit vn Schlüsseln) Durchführung unabhängig vn geplanter Fragestellung 2. Interne Validierung Datenvergleich innerhalb der eigenen Datengrundlage Vraussetzung: unabhängig vneinander erflgte Dkumentatin bestimmter Ereignisse in unterschiedlichen Datenquellen 3. Externe Validierung Vergleich der eigenen Datengrundlage gegen externe Referenzen: Primärdaten der Sekundärdaten möglich Cave: methdische Erhebungsunterschiede der Referenzwerte beachten 6

7 3. Mdule zur Prüfung der Datenqualität: Beispiel für Plausibilität Geschlechts(un)typische Diagnseverschlüsselung*: Bei wie vielen Versicherten finden sich geschlechtsuntypische Diagnsen? Geburt Einling Zangen-/Vakuumextraktin (O81) 2,1% 97,9% Sterilität der Frau (N97) 0,5% 99,5% männlich weiblich Sterilität beim Mann (N46) 99,1% 0,9% Vrhauthypertrphie, Phimse (N47) 99,2% 0,8% 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% Anteil an allen Persnen mit Diagnse *Beispielhafte Auswertung vn AOK-Versicherten zur geschlechts(un)typischen Diagnseverschlüsselung aus

8 3. Mdule zur Prüfung der Datenqualität: Beispiel für Plausibilität Differenzierung einer spezifischen Jahrgangskhrte* nach Whnregin: Erscheint das Verteilungsmuster für eine bundesweit tätige Krankenkasse plausibel? NW BY BW NI HE BE RP SH HH BB SN MV ST TH SL Ausl. HB k.a. 6,1% 4,8% 4,3% 3,3% 2,4% 2,1% 1,5% 1,3% 1,2% 1,1% 0,9% 0,8% 0,1% 9,1% 10,1% 13,0% 12,3% 25,6% 0% 5% 10% 15% 20% 25% 30% *Beispielhafte Auswertung vn ausgewählten TK-Versicherten mit Geburtsjahr 1965 differenziert nach Whnregin 8

9 3. Mdule zur Prüfung der Daten-QS: Externe Validierung (Bsp.) Übereinstimmung vn Arztangaben, GKV-Rutinedaten und Patientenangaben* Stimmt die Einnahme vn ASS mit der ärztlichen Dkumentatin überein? *Beispielhafte Auswertung vn TK-Versicherten (229), bei denen im Rahmen eines Frschungsvrhabens neben GKV-Rutinedaten auch Primärdaten (Angaben vn Ärzten und Patienten) vrlagen 9

10 4. Handlungsptinen: Umgang mit "auffälligen" Daten Was kann man mit auffälligen, inknsistenten, implausiblen Datensätzen machen, um GKV-Rutinedaten-Daten dennch wissenschaftlich nutzen zu können? 10

11 4. Handlungsptinen: Umgang mit "auffälligen" Daten 1. Fehler ignrieren (einfachste Methde) Fehler werden ignriert, Analysen werden ("unbeirrt") frtgesetzt. 2. Daten-Ausschluss (pragmatisches Vrgehen) Implausible Datensätze / Versicherte werden ("einfach") ausgeschlssen. 3. Daten-Krrektur (aufwändiges Vrgehen) Daten werden selbst krrigiert (sfern möglich), z. B. Berechnung vn AU-Tagen der Mdifikatin der eigenen Operatinalisierung. 4. Daten-Nachlieferungen (idealtypisch) Fehlerhafte Daten werden am Ort ihrer Entstehung (z. B. direkt beim Arzt) krrigiert und dann als Krrekturdatenlieferung allen Beteiligten zur Verfügung gestellt. 11

12 5. Strategien zur Prüfung der Datenqualität Welche Strategien zur Prüfung der Datenqualität kmmen bei der wissenschaftlichen Nutzung vn GKV-Rutinedaten in Frage? 12

13 5. Strategien zur Prüfung der Datenqualität Fiktives Beispiel zu Prüfstrategien in zwei Varianten (minimal vs. maximal) Rechnerische Bestimmung der Mamma-Ca-Prävalenz nach Mammgraphie-Diagnstik = ( ) 13

14 5. Strategien zur Prüfung der Datenqualität Variante-1: Minimal-Prüfungen Keine inhaltliche Prüfung vn Geschlechts- und Radilgie-Operatinalisierung Prüfungen werden auf Basis der Studienfrage auf ein abslutes Minimum beschränkt Teilnahme am Mammgraphie- Screening (n = ) Männer enthalten? Verdacht auf Ca- Diagnse im Quartal der Mammgraphie (n = 500) nachgelagerte Diagnsen, bestätigte Diagnsen?. = 5,0% Vergleich mit externen Referenzgrößen? 14

15 5. Strategien zur Prüfung der Datenqualität Variante-2: Maximal-Prüfungen Differenzierung nach Geschlecht und Art der radilgischen Leistungserbringung Geschlecht Männer mit Mamma-Ca Frauen mit Mamma-Ca Intersexualität, Transsexualität Mammgraphie QS-Screening (gesunde Frauen Jahre) graues Screening (Abklärungsdiagnstik) alternative Diagnse-Techniken 15

16 5. Strategien zur Prüfung der Datenqualität Variante-2: Maximal-Prüfungen Überprüfung der Geschlechtsperatinalisierung Schwangerschafts-ICD-Cdes dkumentiert? ICD-Cdes für erektile Dysfunktin dkumentiert? Abgleich mit amtlichen Dkumenten (z. B. Geburtsurkunde)? Abgleich Versichertenft (elektrnische Gesundheitskarte)? ATC- PZN EBM- DRG Vrname des Versicherten "eindeutig" weiblich (z. B. Stefanie)? Vrname des Versicherten "eindeutig" männlich (z. B. Stefan)? ICDs ambulante urlgische Leistungserbringung (z. B. PSA-Kntrlle)? statinäre gynäklgische Leistungserbringung (z. B. Secti caesarea)? statinäre urlgische Leistungserbringung (z. B. radikale Prstatektmie)? ambulante gynäklgische Leistungserbringung (z. B. Cervix-Ca-Screening)? Inanspruchnahme vn explizit für Männer zugelassenen Arzneimitteln (z. B. Viagra)? Inanspruchnahme vn explizit für Frauen zugelassenen Arzneimitteln (z. B. Antibabypille)? 16

17 6. (Zwischen-) Fazit der Autren Cave: kntextuelle Besnderheiten vn GKV-Rutinedaten Da GKV-Rutinedaten Sekundärdaten sind, muss man sich bei ihrer Verwendung mit Ihren kntextuellen Besnderheiten kritisch auseinandersetzen. Hierzu gehört auch, dass man nicht nur auf die allgemeinen (bereits bekannten) Einschränkungen vn Sekundärdaten eingeht, sndern insbesndere auch auf die jeweiligen prjektspezifischen Limitatinen der verwendeten Datengrundlage. 17

18 6. Literatur zum Nachlesen Enn Swart et al. (Hrsg.) Rutinedaten im Gesundheitswesen Handbuch Sekundärdatenanalyse: Grundlagen, Methden und Perspektiven 2., vllständig überarbeitete Auflage Seiten, gebunden etwa / CHF ISBN Kapitel 23: Prüfung der Datenqualität und Validität vn GKV-Rutinedaten Dirk Hrenkamp-Snntag, Rland Linder, Fabian Wenzel, Bettina Gerste, Peter Ihle 18

19 Vielen Dank für Ihre Aufmerksamkeit! D. Hrenkamp-Snntag Dr. U. Schneider 19