Sie sind hier: Startseite Abstracts Open Access 2013 Statistische Risikomodelle: Anwendungsmöglichkeiten zur Optimierung der Patientenversorgung
x
Um unsere Webseite für Sie optimal zu gestalten und fortlaufend verbessern zu können, verwenden wir Cookies. Durch die weitere Nutzung der Webseite stimmen Sie der Verwendung von Cookies zu. Weitere Informationen zu Cookies erhalten Sie in unserer Datenschutzerklärung.

Statistische Risikomodelle: Anwendungsmöglichkeiten zur Optimierung der Patientenversorgung

24.01.2013 16:10
Das Gesundheitssystem steht angesichts der Herausforderungen des demografischen Wandels vor der Frage, wie die Ressourcenallokation effizient und gerecht gestaltet werden kann. Nur 20% der Versicherten sind für 81,2% der Krankenhaus-, Arzneimittel- und Arztausgaben der Gesetzlichen Krankenversicherung (GKV) verantwortlich (1). Etwa 5% der Patienten verursachen 50% der Inanspruchnahme (Abb. 1). Fast die Hälfte dieser Ausgaben entfällt auf Krankenhausbehandlungen. Diese sind in vielen Fällen unvermeidbar und dienen der Sicherheit und guten Behandlungsqualität von Patienten. Ein häufiger Grund für Leistungsinanspruchnahme ist das Vorliegen einer chronischen Erkrankung. Zu den 10 häufigsten Gründen für eine Krankenhausaufnahme gehören Diagnosen wie Herzinsuffizienz, Angina pectoris, Hypertonie und Typ-2-Diabetes (1). Die akute Verschlechterung chronischer Erkrankungen wie Diabetes oder Herzinsuffizienz führt oft zur Einweisung in ein Krankenhaus. Das Risiko einer Krankenhausaufnahme steigt deutlich an, wenn mehrere chronische Erkrankungen bei einer Person zeitgleich vorliegen. Um das Risiko einer Person einschätzen zu können, werden Risikoprädiktionsmodelle entwickelt (predictive modelling). Die Zielsetzung von Risikomodellen ist, (Wieder-) Aufnahmen im Krankenhaus zu vermeiden, die Entstehung von Krankenhauskosten zu verhindern und mit einer intensiven, kostengünstigeren, medizinischen Intervention bessere Gesundheitsoutcomes für den Patienten zu erreichen (2). Risikomodelle können viele Informationen aus den Leistungssektoren und Stammdaten parallel berücksichtigen und können sowohl für die Vorhersage von Krankenhausaufenthalten aus beliebigem Anlass als auch wegen spezifischer Erkrankungen eingesetzt werden.

Abstract
Der effiziente und gerechte Einsatz von Ressourcen im Gesundheitswesen kann im Bereich der Vermeidung von Krankenhausaufenthalten, die vermeidbar wären, gesteuert werden. Krankenhausaufenthalte verursachen ein Drittel der Leistungsausgaben und können insbesondere bei multimorbiden Patienten mit chronischen Erkrankungen, die aufgrund einer akuten Verschlechterung einer chronischen Erkrankung stationär aufgenommen werden müssen, partiell verhindert werden.
Zur Identifizierung von Patienten, die in besonderem Maße von Versorgungsangeboten profitieren können, mit denen eine Verschlechterung bestehender Erkrankungen und mit ihnen eine Krankenhausaufnahme vermieden werden kann, wurde ein Prädiktionsmodell zur individuellen Vorhersage der Krankenhausaufnahmewahrscheinlichkeit LOH („likelihood of hospitalization“) mit Routinedaten von 12 Millionen AOK-Versicherten entwickelt. Dieses Modell weist im Vergleich sehr zufriedenstellende Gütekriterien auf und wird (in einer Vorläuferversion) in Baden-Württemberg im Projekt PraCMan“ und in der aktuellen Endversion ALOH-A 2.0 (Allgemeine LOH- und Ausgabenprädiktion) in einzelnen AOKen eingesetzt.

Statistical Risk Models: Applicability for the Optimization of Patient Care
The efficient and equitable use of health care resources can be controlled in the field of prevention of avoidable hospitalizations. Hospitalizations cause a third of all health care costs and can partly be prevented, especially for patients suffering from chronic, multiple diseases who need to be hospitalized due to an acute deterioration of their health.
To identify patients who can participate in a measure of healthcare management with the aim of avoiding a deterioration of pre-existing diseases and thus preventing a hospital admission, a prediction model has been developed. The model can individually predict the probability of a hospital admission LOH („likelihood of hospitalization“) based on routine data of 12 million AOK insurees. By comparison, this model has very satisfactory performance criteria. A previous version is used in Baden-Württemberg in the project “PraCMan“ and the current final version ALOH-A 2.0 (General LOH and expenditure prediction) is used in several AOKs.

Keywords
Predictive modelling, hospitalization, likelihood of hospitalization, administrative data

Christiane Haupt, Christian Günster

Printmagazin abonnieren

Einzelheft bestellen

Zitationshinweis (Zitationshinweis:Haupt, C., Günster, C.: „Statistische Risiko-modelle: Anwendungs-möglichkeiten zur  Optimierung der  Patientenversorgung“. In: "Monitor Versorgungsforschung" (MVF) 01/13, S. 36 ff.)

Ausgabe im Archiv (nur für angemeldete Benutzer/Abonnenten)

Ausgabe 01 / 2013

Editorial

RoskiHerausgeber
Prof. Dr.
Reinhold
Roski

 

Problem „Low-Value-Care“

Termine
BMC-Fachtagung „Innovationsfonds – was wird aus den Ergebnissen?“ 29.09.2021 10:00 - 15:00 — digital
Zentrale Notaufnahme im Fokus 05.10.2021 08:30 - 17:00 — Düsseldorf
Lernen aus der Missing-Data-Krise: Die Rolle von Daten in der Versorgung 05.10.2021 17:00 - 18:00 — Virtuell
Hämophilie-Update 2021 20.10.2021 10:00 - 17:00 — online
RehaForum 2021 21.10.2021 - 22.10.2021 — Köln
Kommende Termine…
« September 2021 »
September
MoDiMiDoFrSaSo
12345
6789101112
13141516171819
20212223242526
27282930
Creative Commons License