Burkowitz, Jörg : Effektivität ärztlicher Kooperationsbeziehungen - Aus den Augen, aus dem Sinn ...? Empirische Analyse auf der Basis von Patientendaten

18

Kapitel 3. Methodik der Untersuchung

3.1. Methodische Grundlagen für die Interpretation ambulanter Ereignisdaten

3.1.1. Wahl der Bezugsgrößen

Eine epidemiologische Analyse und Interpretation der Zahl von Meldeereignissen im Sinne einer Prävalenz- oder Inzidenzangabe setzt die Kenntnis einer geeigneten Bezugsgröße voraus. Jeder Versuch, im Rahmen von Forschungs- oder Qualitätssicherungsmaßnahmen einen Überblick über das Geschehen in der Arztpraxis zu bekommen, wird durch die Schwierigkeit behindert, den Zähler und Nenner, die Zahl der Patienten einer Praxis sowie ihre Verteilung nach Alter, Geschlecht und anderen Merkmalen zuverlässig und hinreichend zu beschreiben und zu vergleichen.

In dieser Studie gibt es zwei potentielle Bezugsgrößen: Zum einen die Patienten und zum anderen die Überweisungen. Methodisch korrekt müßte für Aussagen auf Patientenebene eine Patientenstichprobe und für Aussagen auf Basis der Ereignisse eine Stichprobe der Überweisungen bzw. Rückmeldungen gezogen werden. Eine ausreichende Beschreibung der Grundgesamtheit war nur für die Patientenstichprobe verfügbar.

3.1.2. Nennerbildung

Üblicherweise werden zum Vergleich von Häufigkeiten Raten gebildet. Bei der Bestimmung von Raten auf der Basis von Praxisdaten spielen methodische Überlegungen eine Rolle, die den Nenner betreffen.

Um interpretierbare relative Ereignishäufigkeiten zu erhalten, muß den Falldaten eine Bezugsgröße als Nenner gegenübergestellt werden. Prinzipiell stehen zur Bestimmung des Nenners drei Möglichkeiten zur Verfügung:


19

In einem System mit freier Arztwahl, wie in Deutschland, bietet sich einzig die Erfassung aller Patienten in einem bestimmten Zeitraum als Denominator an. Eine Praxiskartei enthält dagegen auch inaktive Patienten, die den Arzt gewechselt haben, verzogen oder verstorben sind. Durch eine Zählung der Arzt-Patient-Kontakte werden in der Regel multimorbide, ältere Patienten überrepräsentiert. Daher ist diese Methode eher auf den Arbeitsanfall der Praxis bezogen, nicht auf die Population.Die Jahreskontaktgruppe (alle Patienten, die im Laufe eines Jahres den Arzt aufgesucht haben) entspricht weitgehend den Attending-Patients in einem Gesundheitssystem, in dem die Patienten sich bei einem Hausarzt einschreiben müssen (Krogh-Jensen 1983). In einer Studie in 5 Allgemeinarztpraxen konnte die Jahreskontaktgruppe in Deutschland als aussagekräftiger Nenner bestätigt werden. In der vorliegenden Arbeit wurde die Quartalskontaktgruppe als Basis für die Erhebung gewählt, da sie nach Szecsenyi et al. eine ausreichende Basis bildet (Szecsenyi, Engelhardt et al. 1993).

3.2. Datengrundlage und Stichprobenziehung

3.2.1. Datenbasis

Die Kostenträger und Leistungserbringer verfügen über keine ausreichenden Daten, um das Überweisungsgeschehen mit Patientencharakteristika zu verbinden. Einen Ausweg bieten kommerzielle Anbieter, die Patientendaten bei repräsentativ ausgewählten Ärzten automatisiert anonym erheben. Basis für die Analysen in der vorliegenden Untersuchung bildete die Patientendatenbank »MediPlus« des Unternehmens IMS Deutschland GmbH in Frankfurt. In dieser Datenbank werden von einer repräsentativen Auswahl von Praxen, die mit einem bestimmten Praxiscomputersystem arbeiten, alle Besuche der Patienten mit Diagnosestellung und Therapie erfaßt. Die Beschränkung auf Praxen mit Praxiscomputer hat nur eine geringe Verzerrung zur Folge, da Ende 1996 bereits 57% der niedergelassenen Ärzte über ein Praxiscomputersystem verfügten - bei den Allgemeinärzten lag der Anteil sogar bei knapp 70% (KBV 1997).


20

Die Patientendatenbank enthält retrospektiv für 3 Jahre alle Besuche mit Konsultationsgrund und Therapie. Ein- und Überweisungen mit Fachrichtung und Arbeitsunfähigkeitsbescheinigungen werden als Aktion gespeichert. Zusätzlich sind in MediPlus Angaben zum Alter, Geschlecht und Art der Krankenversicherung bzw. Krankenkasse vorhanden (Tabelle 3.1).

Tab. 3.1: Angaben der Patientendatenbank MediPlus

Datum ICD9 (vierstellig)
Patientennummer Über-/Einweisung
Diagnosetext AU-Bescheinigung

Die Diagnosen werden von IMS nach ICD9 (vierstellig) verschlüsselt. Zusätzlich wird die V-Kodierung angewandt, mit der z.B. Impfungen, Nachuntersuchungen, Kontakte zu Virusträgern u.ä. kodiert werden.

Für ergebnisorientierte Fragestellungen ist MediPlus nur eingeschränkt nutzbar, da die Aktivitäten der Praxis dokumentiert werden, jedoch nicht die zurückgemeldeten Resultate. Daher enthielt die Patientendatenbank lediglich Angaben über die vom Arzt initiierten Überweisungen und Einweisungen. Um das Ergebnis des Prozesses zu untersuchen, mußten zusätzlich die schriftlichen Rückmeldungen in Form von Arztbriefen, Krankenhausentlassungsschreiben und Befundberichten manuell erfaßt werden. Dies geschah in einer von IMS ausgewählten hausärztlich tätigen internistischen Praxis. Die Grundgesamtheit bildeten die im III. Quartal 1996 behandelten Patienten (N=1123).

Die untersuchte Praxis nutzt das Praxiscomputersystem zur Dokumentation von Behandlungsdaten. Ärzte und Personal dokumentieren ihre Tätigkeit mit dem Computersystem. Die Labor- und EKG-Daten gelangen über Schnittstellen direkt in den Computer. Mit Hilfe eines Scanners und automatischer Texterkennung werden die relevanten Angaben aus den Arztbriefen in die Befunddatei des Patienten übertragen. Die Akte des Patienten wird im Praxisalltag lediglich zur Archivierung von »papierenen« Dokumenten, wie Sonographien, Arztbriefe, u.ä. benötigt. Aus den Patientenakten und den Befunddateien des Praxiscomputers wurden für diese Arbeit


21

die Informationen zu Überweisungen und Einweisungen manuell an drei Wochenenden erhoben.

Als Basis für die Untersuchung der Überweisungen und Einweisungen und deren Rückmeldungen standen somit drei Datenquellen zur Verfügung:

3.2.2. Auswahl der Stichprobe

Aus der Grundgesamtheit wurde eine 25% Stichprobe durch systematische Zufallsauswahl jedes 4. Patienten in alphabetischer Reihenfolge gezogen. Es erfolgte eine retrospektive Betrachtung aller Behandlungen bei Fachärzten bzw. Krankenhausbehandlungen zwischen dem 1.7.1995 und dem 30.6.1996, da zum Erhebungszeitpunkt Anfang November 1996 noch nicht alle Angaben aus dem III. Quartal in der Praxis eingetroffen waren.

3.2.3. Datenquellen für die Kooperationsbeziehungen

Die Patientendatenbank MediPlus enthielt Informationen über vom Arzt ausgestellte Ein- und Überweisungen. Die Daten der Arztbriefe in den Patientenakten und die Einträge in den Befunddateien wurden manuell erfaßt und dabei alle Angaben über Behandlungen bei externen Ärzten und Krankenhäusern dokumentiert.

Ausgewählt wurden alle in der Akte des Patienten befindlichen Arztbriefe - bei mehreren Briefen zu einer Behandlung der umfassendste (beispielsweise bei Krankenhausaufenthalten der Entlassungsbrief und nicht der OP-Bericht oder Kurzbrief). Indirekte Mitteilungen, die nicht an die Pilotpraxis adressiert waren (z.B. vom Krankenhaus an den Facharzt) und als Kopie vorlagen, gelangten gleichfalls in die Dokumentation, sofern über die Behandlung keine andere Mitteilung existierte. Aus den Arztbriefen und Befundberichten wurden folgende Variablen entnommen (Tabelle 3.2):


22

Tab. 3.2: Informationen aus den Mitteilungen in der Patientenakte

Patientennummer Datum des ersten Besuchs
Absender der Mitteilung Datum der Entlassung (stationär)
Empfänger der Mitteilung Priorität (Notfall/Baldig)
Initialisierung (Arzt/Patient) Fachrichtung (Über-/Zuweiser)

Die Befunddatei auf dem Praxiscomputersystem bestand aus einer Textdatei und beinhaltete jene Informationen, die bei nicht EDV-gestützter Dokumentation in der Patientenakte eingetragen werden. Fiktives Beispiel (Tabelle 3.3):

Tab. 3.3: Beispiel für Einträge in der Befunddatei

8.11.95 :FK:Krankenhausbericht wegen:-Gastroskopie:Recht viel Nüchternsekret : :-im Magen, im Bulbus tiefe Tasche nach altem Ulcus sowie an der : :-Bulbusspitze frisches fibrinbelegtes Ulcus-Rezidiv.Einen CLO-Test : :-haben wir sicherheitshalber entnommen.Ergebnis:CLO positiv. : : (Klinik:Marien-Krhs., Vom 3.11.95 - )
24.11.95 :FR:FA-Befund Röntgen:-Marien-krhs 23.08.93 : :Ausschluß Thrombose, Muskelfaserriß re. Wade., Tapeverband, Heparin
6.12.95 :FC:FA-Befund Chirurgie:-Marien Krhs, 23.08.93 : :Muskelfaserriß re. Wade, Ausschluß tiefe Beinvenenthrombose durch : :Phlebographie. Empf.: Acrylastikverb. Low-dose Heparinis. einige Ta
15.02.96 :AA:trockener Husten,Heiserkeit,Halsschmerzen

Aus der Befunddatei wurden auch Hinweise auf externe Behandlungen, die aus dem Gespräch mit dem Patienten während der Anamnese resultierten, dokumentiert, sofern nicht ein regulärer Eintrag über diese Behandlung erfolgte. Folgende Variablen wurden extrahiert (Tabelle 3.4):

Tab. 3.4: Informationen aus den Einträgen in der Befunddatei

Patientennummer Datum der Entlassung (stationär)
Kode Art (KH/Facharzt/Hinweis)
Datum des Eintrags/des Besuchs Fachrichtung

3.2.4. Berücksichtigung chronisch Erkrankter

Zur Analyse von Patienten mit medizinischen Langzeitverläufen wurde eine Reihe chronischer Erkrankungen ausgewählt, die in der ärztlichen Tätigkeit sehr häufig vorkommen und eine kontinuierliche medizinische Betreuung notwendig machen (Schach, Schwartz et al. 1989 S. 380ff):


23

Das Kriterium war, daß der Patient in den vorangegangenen 3 Jahren mindestens einmal mit dieser Diagnose in der Stichprobenpraxis behandelt wurde.

3.3. Statistische Methoden

3.3.1. Beschreibung von Häufigkeiten und Zusammenhängen

Die Stichprobenanteile sind, da die Stichprobe zufällig gezogen wurde, als Schätzer für die Grundgesamtheit Zufallswerte. Die Streuung der Schätzer kann ebenfalls aus der Stichprobe ermittelt werden. Das Konfidenzintervall gibt den Bereich um den Anteil an, in dem sich der wahre Anteilswert mit großer Wahrscheinlichkeit befindet. Als Streuungsmaß für Anteile wird in dieser Studie das Fleiss-Quadratic Confidence-Intervall benutzt. Es wird das 95%-Konfidenzintervall angegeben: Mit 95prozentiger Wahrscheinlichkeit befindet sich der wahre Anteil innerhalb der Intervallgrenzen. Wenn z der Z-Wert (1,96 für alpha=0,05), n die Anzahl der Beobachtungen, p der beobachtete Anteil und q=1-p ist, ergibt sich das Konfidenzintervall für den geschätzten Anteil P (Fleiss 1981 S. 14f):

Bei der Berechnung kommt das Modul Epitable aus dem Programm Epi Info 6 zum Einsatz (Dean, Dean et al. 1994 S. 189).

Der Zusammenhang zweier nicht intervallskalierter Merkmale wird mit dem chi²-Test auf Unabhängigkeit geprüft. Zur Untersuchung zweier Variablen X und Y mit jeweils mehreren Ausprägungen wird zunächst eine zweidimensionale Häufigkeitstabelle gebildet. Die zu prüfende Nullhypothese lautet H0: X und Y sind unabhängig. Um die


24

Nullhypothese zu prüfen wird die theoretisch bei Unabhängigkeit zu erwartende Häufigkeitsverteilung mit der beobachteten verglichen. Die erwarteten Zellhäufigkeiten ergeben sich nach dem Prinzip: Zeilensumme mal Spaltensumme durch Gesamtsumme. Mit i als Zeile und j Spalte, nij als bedingte Häufigkeit in der Zelle ij und eij als erwartete Häufigkeit errechnet sich chi²:

Der Wert chi² ist approximativ chi²-verteilt. Der Parameter der Verteilung, der Freiheitsgrad, ist (I-1) · (J-1). Überschreitet die Teststatistik einen dem Signifikanzniveau entsprechenden Wert, so ist die Nullhypothese mit der festgelegten Irrtumswahrscheinlichkeit zu verwerfen (Werner 1984 S. 218f).

Da chi² abhängig vom Stichprobenumfang ist, ist diese Größe als Indikator für die Stärke des Zusammenhangs nicht brauchbar. Ein Maß, das als Indikator für die Stärke des Zusammenhangs dient, ist der phi-Koeffizient:

Je größer der Wert von phi ist, desto stärker ist der Zusammenhang. Als Faustformel wird angegeben, daß ein Wert größer als 0,3 eine Stärke der Abhängigkeit anzeigt, die mehr als trivial ist (Fleiss 1981 S. 60). Die Berechnungen erfolgten mit dem Programm SPSS für Windows 7.5 (Noruis 1997).

3.3.2. Beschreibung von Mittelwerten und Zusammenhängen

Die mittlere Lage einer Wahrscheinlichkeits-Verteilungsfunktion kann durch Lageparameter gekennzeichnet werden. Dabei werden die Lageparameter der Grundgesamtheit aus den Stichprobenwerten geschätzt. Der Erwartungswert der Grundgesamtheit E(X)=mu ist das Analogon zum arithmetischen Mittelwert overline X der Stichprobe. Die Standardabweichung der Grundgesamtheit wird durch die empirische Standardabweichung s geschätzt. Das Intervall, in dem der wirkliche Erwartungswert mu der


25

Grundgesamtheit mit einer Irrtumswahrscheinlichkeit alpha=0,05 fällt, errechnet sich mit dem Freiheitsgrad f=n-1 und der Variablen der t-Verteilung (Werner 1984 S. 95f):

Der Wert der Verteilungsfunktion F(x), der mit einer Wahrscheinlichkeit von p=0,5 nicht überschritten wird, ist der Median. In Fällen, in denen die Verteilung schief ist und der Mittelwert durch Extremwerte verzerrt wird, ist der Median der stabilere Lageparameter. Daneben werden in dieser Arbeit das untere Quartil (p=0,25) und das obere Quartil (p=0,75) als Lageparameter gebraucht (Werner 1984 S. 71).

Zusammenhänge zweier intervallskalierter Variablen werden mit dem Spearman'schen Rangkorrelationskoeffizenten untersucht. Dieser hat den Vorteil, daß nicht die Forderung nach normalverteilten Werten erhoben wird. Man erstellt zunächst für die beiden Meßreihen Ranglisten, indem der kleinste Wert den Rang 1 und der Größte den Rang n erhält. Grundlegende Maßzahl für den Spearman-Koeffizienten ist die Summe der Quadrate der Rangdifferenzen Di der einzelnen Wertepaare.

Bei Ranggleichheit werden mittlere Rangzahlen entsprechend dem arithmetischen Mittel der Ränge vergeben (Werner 1984 S. 51f). Auch hier kam SPSS für Windows zum Einsatz (Noruis 1997).

3.3.3. Prädikatoren für den Überweisungsprozeß

Zur Analyse der Beziehung des Überweisungsprozesses und der ihn beeinflussenden Variablen wird die Logistische Regression angewendet. Regressionsmodelle als statische Abbildung der Ursache-Wirkungs-Beziehung stellen eine Beziehung zwischen einer Reihe von Faktoren (inkl. Confoundern und Wechselwirkungen) als Verursacher und der abhängigen Variable als Wirkung her. Das logistische Regressionsmodell modelliert dabei nicht die Zielvariable direkt, sondern eine Funktion der


26

Wahrscheinlichkeit, daß eine Überweisung unter gegebenen Risikobedingungen auftritt. Bei dieser Funktion handelt es sich um den sogenannten Logit oder Log-Odds, der definiert ist durch:

P nimmt als Wahrscheinlichkeit nur Werte zwischen 0 und 1 an; P/(1-P) durchläuft dagegen alle reellen positiven Zahlen. Die Logarithmierung bewirkt, daß logit(P) sämtliche reellen Zahlen durchläuft. Damit ist jeder (Überweisungs-)Wahrscheinlichkeit eine reelle Zahl zugeordnet, die zwischen -infin (=logit(0)) und +infin (=logit(1)) liegt. Das logistische Modell kann nun dadurch definiert werden, daß man logit(P) als Zielvariable eines multiplen Regressionsmodells beschreibt. Für die allgemeine Modellgleichung des logistischen Modells geht man von folgendem Ansatz aus:

Hierbei sind X(1), ..., X(m) insgesamt m Risikofaktoren als Einflußvariablen und P die Wahrscheinlichkeit, daß die abhängige Variable unter der Bedingung realisierter Risikofaktoren auftritt. Zur besseren Anpassung des Modells wird der konstante Term a in das Modell aufgenommen. Er ist in Querschnittsstudien nicht interpretierbar (Kreienbrock & Schach 1995 S. 215ff).

Das logistische Modell eignet sich gut zur Auswertung epidemiologischer Daten, weil seine Koeffizienten b1, ..., bm in engem Zusammenhang zur Odds-Ratio stehen. Die Odds-Ratio gibt die Ereignischance für eine Reihe von Risikofaktoren an. Sie kann bei dichotomer Kodierung von 0 und 1 direkt aus dem Koeffizienten errechnet werden: Odds-Ratio=eb. Das Konfidenzintervall der Odds-Ratio psi des Koeffizienten b1 errechnet sich durch den Standardfehler SE (Hosmer & Lemeshow 1989 S. 44):

Die Modelle werden mit der Prozedur Logistic Regression aus SPSS für Windows berechnet (Noruis 1997).


27

Im logistischen Regressionsmodell können sowohl stetige als auch kategorielle Daten gemeinsam analysiert werden. Bei nominalen Daten mit mehr als zwei Ausprägungen ist ein Zahlenkode nicht unbedingt sinnvoll, da er eine Ordnung impliziert, die nicht gegeben ist. Deshalb ist man gezwungen, künstliche Variablen zu definieren, sogenannte Dummy-Variablen, um nominale Variablen dichotom zu verschlüsseln. Die Anzahl der zu bildenden Dummyvariablen ist dabei immer um eins geringer als die Zahl der Kategorien, da sich aus den Informationen die fehlende Kategorie ergibt. Für die Referenzgruppe wird dabei keine Dummyvariable definiert. Bietet sich aus inhaltlichen Gründen keine der Gruppen als Referenzgruppe an, sollte die größte Gruppe als Referenzgruppe gewählt werden, da hierdurch die Varianz des Schätzers verringert werden kann (Kreienbrock & Schach 1995 S. 223).
[Titelseite] [1] [2] [3] [4] [5] [Zusammenfassung] [Bibliographie] [Danksagung] [Selbständigkeitserklärung] [Lebenslauf]

© Die inhaltliche Zusammenstellung und Aufmachung dieser Publikation sowie die elektronische Verarbeitung sind urheberrechtlich geschützt. Jede Verwertung, die nicht ausdrücklich vom Urheberrechtsgesetz zugelassen ist, bedarf der vorherigen Zustimmung. Das gilt insbesondere für die Vervielfältigung, die Bearbeitung und Einspeicherung und Verarbeitung in elektronische Systeme.

DiDi DTD Version 1.1
a subset from ETD-ML Version 1.1
Zertifizierter Dokumentenserver
der Humboldt-Universität zu Berlin
HTML - Version erstellt am:
Mon Nov 29 12:05:29 1999