Big Data und patientenindividuelle Versorgung am Beispiel der Arzneimitteltherapiesicherheit

Transkript

1 Big Data und patientenindividuelle Versorgung am Beispiel der Arzneimitteltherapiesicherheit

2 Agenda Big Data big picture aus Sicht einer Krankenkasse Lernende Praxis das Modellprojekt Risiko-Radar plötzlicher Herztod Erkenntnisse und Diskussion 2

3 Stehen wir am Beginn eines age of innovation? Ungeahnte technologische Innovation Neue Möglichkeiten der Wertschöpfung und Ökonomie Zukunftsbild precision medicine Neue Taxonomie: Krankheiten werden molekularbiologisch fixiert und präzise diagnostiziert Therapiemöglichkeiten sind künftig auf das individuelle Genom und die individuellen Anforderungen abgestellt Therapieempfehlung durch datengestützte Expertensysteme ( Künstliche Intelligenz ) Fortlaufende real-time Überwachung aller relevanten Parameter Quelle: The Lancet, Vol. 378, Nov. 12,

4 Herausforderungen einer patientenindividuellen Versorgung Ziel Herausforderung Einschätzung Rolle einer KK Patientenindividuelle Versorgung Aus Daten Relevanz gewinnen (Big Data) Innovative Geschäftsmodelle und Strukturen klein bis mittel eher groß Verhaltenssteuerung und behavioral nugde offen 4

5 Versorgungs-Big Data aus Sicht einer Krankenkasse Volume i.w. GKV-Routinedaten zu Abrechnungszwecken Velocity GKV als Endabnehmer in der Regel am Ende einer Bearbeitungskette Variety Beschränkung durch Datenschutzvorschriften Validity Daten sind auf Abrechnungszweck hin ausgerichtet (Risiko: garbage in garbage out) 5

6 GKV-Routinedaten im Praxischeck Velocity Validity Arbeitsunfähigkeit (=1 Woche Verzug) Vielzahl an Diagnosen Krankenhaus Arzneimittel Ambulante Abrechnungsdaten Sonstige Leistungserbringer nach Aufnahme nach Monatsende nach Quartalsende individuell nach Abrechnungszeitpunkt Vorbehalt DRG- Optimierung Dosierung fehlt, OTC fehlen Teilweise nachlässige Dokumentation Vollständigkeit nicht feststellbar 6

7 Arzneimitteltherapiesicherheit als Anwendungsbeispiel - Herausforderungen Analytik Steuerung Hohe Komplexität: ca zugelassene Wirkstoffe in Deutschland Nicht alle Risiken/ Studien voll bekannt Herausforderung klinische Relevanz Systemischer Arzneitherapiekoordinator fehlt Datenschutzbedenken Bisher wenig Affinität zur Nutzung von Expertensystemen! Bislang ungenutztes Potenzial! 7

8 Beispiel: Risikoerkennung durch Ärzte Ohne elektronische AMTS-Unterstützung erkennen erfahrene Ärzte nur jedes zweite vermeidbare Risiko 53% 54% Wechselwirkungen Kontraindizierte Kombinationen Quelle: Glassmann et al. (2002) Improving recognition of drug interactions: benefits and barriers to using automated drug alerts, Med Care Dec; 40(12): (263 klinisch tätige Ärzte, Kalifornien) 8

9 Modellprojekt Risiko-Radar plötzlicher Herztod Der plötzliche Herztod ist eine der häufigsten Todesursachen in Europa Risiko steigt mit Länge des QT-Messintervalls im EKG Arzneimittel können auf das QT-Intervall einwirken und das Risiko erhöhen häufigster Widerrufsgrund für Marktzulassungen bei AM in Deutschland schwer erkennbares Risiko für den Arzt Widerruf der Zulassung für höchste Citalopram-Dosierung im Jahr 2012 Dem jeweils behandelnden Arzt ist die vollständige Medikation nicht bekannt Projektziel: Unterstützung des behandelnden Arztes Partner: Unterstützer: 9

10 Überblick zum Projekt-Vorgehen Analytik Steuerung Identifizierung der Risiken Aufbereitung der QT-Interaktionsrisiken sowie Strategien zur Risikominimierung Retrospektive Analyse der Verordnungen Clusterung in Gefahrenstufen und Auswahl Zielgruppe Prozess der Risikominimierung Ansprache der Zielgruppe - parallel informiert die KV die betroffenen Ärzte über den neuen Projektlauf, ohne Verordnungsdaten zu benennen Einschreibung des Versicherten und Auswahl des koordinierenden Arztes KV versendet Arztbrief Arzt bestellt Versicherten ein und führt Medikationscheck durch 10

11 Exkurs Analytik: Vorgehen zur Identifizierung der Risiken Algorithmus Sichtung internationaler Datenbanken und Fachinformationen Ca. 140 Wirkstoffe mit QT-Wirkung Weitere AM mit QT- Einwirkung durch Stoffwechsel = Erste evidenzbasierte Datenbank bzgl. der QTIV* von in Deutschland zugelassenen AM Risikoprofil Clusterung in Gefahrenstufen Keine QT-Wirkung Hinweis auf QTIV in Fachinformationen QTIV über Originaldaten belegt Torsades de Pointes Arrythmien belegt Datenanalyse Retrospektive Analyse der Verordnungsdaten Versicherte 18 Jahre** (2,9%) mit Verordnung Citalopram (1,2%) Citalopram und weitere QT-verl. AM * QT-Intervall verlängernde Wirkung ** Zeitraum:

12 Ergänzendes online-expertensystem zur Kontrolle der Risikominimierung 12

13 Ergebnisse (3 Quartalsläufe) % = Risiko bereits entfallen 27% = Umstellung nach Intervention 11% = keine Umstellung, aber Risikoprüfung und -minimierung Kontaktierte Versicherte keine Teilnahme erklärte Teilnahme kein dokumentierter Arzt- Patienten-Kontakt Kontakt mit Rückmeldebogen 13

14 Fortschritt für die patientenindividuelle Versorgung? Erkenntnisse Herausforderung Aus Daten Relevanz gewinnen (Big Data) Erfahrung aus dem Modellprojekt Relevante Anwendungsfelder sind vorhanden und erschließbar Aber: GKV-Routinedaten aufgrund Zeitverzug mit eingeschränktem Nutzen ex-post-hinweis ist immer nur die zweitbeste Lösung Innovative Geschäftsmodelle und Strukturen Verhaltenssteuerung und behavioral nugde Wo ein relevanter Nutzen für die Versorgung ist, ist auch ein Weg Das Erfolgsgeheimnis liegt in der Nutzerführung Kommunikation eines Risikos ist eine Gratwanderung Nutzerverhalten schlägt Nutzen (s. onlinecheck) Risikobehaftete Verordnungen fast ausschließlich von ein und demselbem Verordner behandlerübergreifende Koordination eher sekundär 14

15 Vielen Dank!