Lernen aus Disease-Management-Programmen

Mit der gesetzlichen Modifikation des Risikostrukturausgleiches im Jahre 2001 (BGBI. I:3465) wurde in Deutschland die Basis für die Implementierung von Disease-Management-Programmen (DMP) (SGB V §137f) geschaffen. Das Instrument der DMP versprach zur qualitativen Verbesserung der Versorgung chronisch Kranker (1, 2) beizutragen. Die gesetzlich vorgeschriebenen Wirksamkeits- und Leistungseinsparungsnachweise beinhalten sehr hohe methodische Anforderungen und werden zunehmend kontrovers diskutiert (3). Bei allen Unklarheiten deutet sich trotzdem an, dass DMP als effektive Strategie zur Änderung des Verhaltens der chronisch kranken Patienten sowie der Leistungsanbieter angesehen werden können (4). Der hier vorgestellte Forschungsansatz knüpft an diese Erkenntnis an: Erstens vermuten wir hinter der durch die DMP-Einschreibung ausgelösten Verhaltensänderung des Patienten ein signifikantes Potenzial für die Verringerung der Wahrscheinlichkeit für das Auftreten einer Folgeerkrankung, und zweitens nehmen wir an, dass sich mit der Erfahrung von DMP-geführten Behandlungsprozessen das ärztliche Verhalten so verändert, dass auch Patienten, die im gleichen Praxiskontext ohne DMP behandelt werden, davon profitieren können.

>> Die wesentlichen Merkmale eines DMP sind die Verlaufsorientierung bei der Patientenversorgung sowie die Betonung der Koordination zwischen den unterschiedlichen Leistungserbringern, die chronisch kranke Patientengruppen versorgen (3, 5). Dies führt im Idealfall zur Optimierung der Krankheitsverläufe, beobachtbar in der Qualität der Versorgungsprozesse (z.B. durch regelmäßige Screenings), verbesserter Kontrolle der Krankheit (z.B. verbesserter Gesundheitsstatus) und dadurch zu höherer Lebensqualität, höherer Lebenserwartung, geringeren Kosten für die Krankenkassen und einer stärkeren Orientierung der Leistungserbringer an evidenzbasierten Leitlinien. Ein DMP enthält verschiedene Elemente: „… einen Versorgungspfad, verschiedene Schnittstellendefinitionen, Versorgungsaufträge, ein Konzept zur Patienteninformierung, ein Dokumentationsraster und eine Vorgabe für Outcome- bzw. Evaluationsdaten“ (6).
Diabetes mellitus Typ II (T2D) ist eine weit verbreitete Krankheit mit 5- bis 6prozentiger Prävalenz in Deutschland (7). Die Neuerkrankungsrate des T2D gilt im Allgemeinen als schwer bestimmbar, da die Dunkelziffer des unerkannten Krankheitsbildes als sehr hoch eingeschätzt wird (7, 8). DMP sind dann nützliche Instrumente, wenn die damit geführte Krankheit als gut erforscht gilt und charakteristisch sind (3):
• „… mit großer Variationsbreite im Behandlungsmuster von Patient zu Patient und von Arzt zu Arzt…“ und darüber hinaus
• „… die hohen Kosten der Krankheit eine Häufung vermeidbarer Komplikationen und eine geringe compliance der Patienten …“

Daher ist das Krankheitsbild T2D seit der Implementierung der DMP 2002 in den ambulanten Versorgungsalltag ausgewählt worden mit dem Ziel, die Qualität der Behandlungsprozesse zu verbessern.
Internationale und deutsche Diabetes-DMP-Wirksamkeitsstudien fokussieren auf verschiedene Dimensionen der Behandlungsqualität. Neben der Evaluation der Struktur und des Prozesses der Behandlungen stellt die Messung der Ergebnisqualität ein sehr hohes Niveau der Qualitätssicherung dar (7). Zur Operationalisierung des Versorgungsprozesses wird auf Regelmäßigkeit der Screenings (9, 10), die Verringerung der Hospitalisierungsrate (11) sowie verhaltensbezogene Änderungen im Empowerment der Patienten, Zufriedenheit, Wohlfühlen und Distress (12) getestet. Ebenso ist auch die Adhärenz der Ärzte, also die Bereitschaft, Richtlinien der EBM zu befolgen (13), Gegenstand von DMP-Studien. Ein zentrales Kriterium für die Effektivität von DMP ist die Kostenreduktion (14-16), die durch die beabsichtigten Netzwerkeffekte erzielt werden kann. Üblicherweise werden als Surrogatparameter für die Ergebnisqualität Laborwerte (wie z.B. der HbA1c) (9, 10, 17), der Body Mass Index (12) oder der Raucherstatus (15) festgelegt. Dies ist naheliegend, denn „Surrogatparameter (…) sind naturgemäß schneller zu normalisieren als die langfristigen Konsequenzen (z.B. kardiovaskuläre Ereignisse) einer defizitären Versorgung.“ (6).
In amerikanischen Metaanalysen finden sich Hinweise, dass Versorgungsprozesse und die Kontrolle der chronischen Krankheiten durch DMP verbessert werden können, aber es existiert
• „… no conclusive support for its effect on health outcomes …“ und
• „… no conclusive evidence that disease management leads to a net reduction of direct medical costs“ (18).
• Ebenso bleiben „Effects on mortality […] unclear and little systematic analysis was performed on the cost-effectiveness of integrated care programmes“ (19).

In neueren deutschen Studien zur Wirksamkeit der Diabetes-DMP wurden als Qualitätsziele vor allem die Verbesserung der Krankheitskontrolle (20, 21) und des Versorgungsprozesses (21-23) festgelegt. Die Ergebnisse zeigen größtenteils positive Effekte der DMP auf die angestrebten Ziele mit Ausnahme einer Studie der GEK, deren Datenbasis Telefoninterviews waren (22). Hier zeigte sich kein Effekt auf den HbA1c durch DMP. Bezüglich der Ziele der Verbesserung der Outcomes (Verhinderung von Langzeitfolgen oder frühen Tod) und der Kostenreduktion bei der Diabetikerversorgung existieren bislang nur wenig belastbare Evaluationen. Ausnahmen hier sind die Untersuchungen der Barmer GEK (23) und von Stock et al. 2010 (24). In beiden Studien konnten positive Effekte auf Langzeitfolgen, Mortalität und die Kostenreduktion der Versorgung gezeigt werden.
Der durch ein DMP geführte Behandlungsprozess bezieht notwendigerweise das Verhalten der Ärzte und der Patienten mit ein. Unsicherheiten bezüglich der durch den DMP-Einsatz erreichbaren Ergebnisqualität könnte mit einer Spezifizierung auf unterscheidbare Interventionselemente eines DMP in Bezug auf die Interaktionspartner (behandelnde Ärzte vs. Patient) begegnet werden (13). Gerade die deutsche Lesart der DMP-Implementierung, bei der der Hausarzt als zentrale Figur der Leitung des DMP eines Patienten konzipiert wurde (24), erfordert Untersuchungsdesigns, die den Lernprozess von Patient und Arzt beleuchtet.
In dieser Studie wird daher sowohl der direkte Effekt der DMP-Einschreibung als auch die praxisspezifische Kontextabhängigkeit der Wahrscheinlichkeit des Eintritts einer Spätfolge bei einer Erstdiagnose von T2D untersucht. Der Kontext des Patienten ist dabei eine Praxis mit unterdurchschnittlichen, durchschnittlichen oder überdurchschnittlichen Anteilen von DMP-Patienten an allen T2D-Patienten. Mit dem variierenden Anteil an DMP pro Praxis wird dem behandelnden Arzt eine unterschiedlich große Erfahrung im Umgang mit diesem Instrument unterstellt. Die forschungsleitende Frage lautet somit: Inwiefern hat der Anteil der in DMP eingeschriebenen Diabetiker (Typ 2) innerhalb einer Praxis einen indirekten Effekt auf das Auftreten von diabetologischen Spätfolgen als Indikator für ein Outcome aufgrund optimaler Versorgung?
Unsere Untersuchungsergebnisse zeigen, dass es erstens hinsichtlich der üblicherweise angewendeten Evaluationsmethodik in DMP-Studien zu einer systematischen Unterschätzung von deren Effektivität kommen kann, weil indirekte ärztliche Lerneffekte auch auf Patienten bezogen werden können, die nicht in ein DMP eingeschrieben sind. Neben dieser methodischen Implikation lässt sich zweitens aus dem direkten spätfolgenverringernden Effekt der DMP und dem indirekten Lerneffekt für die behandelnden Ärzte die Empfehlung an die Kostenträger ableiten, die Umsetzung der DMP weiter voran zu treiben.
Im ersten Teil dieses Papers erläutern wir die für diese Untersuchung verwendete Datenbasis, zeigen die Variablenkonstruktion sowie die methodische Herangehensweise. Die im zweiten Teil präsentierten Untersuchungsergebnisse lassen sowohl auf direkte als auch indirekte Effekte der DMP auf die Ausprägung des Outcomes „Spätfolge“ schließen. Daran im dritten Teil anschließend werden die Ergebnisse in der Diskussion eingeordnet und viertens auf deren Bedeutung für erstens die Praxis der Versorgungsforschung sowie zweitens für die zukünftige DMP-Implementierung geschlussfolgert.
Daten, Variablen und Methoden
Herkunft der Daten
Diese Untersuchung basiert auf Daten der Patientendatenbank „Disease Analyzer“ von IMS Health. Es handelt sich dabei um „eine der größten pharmaepidemiologischen Datenbanken in Europa.“ (25, 26).
Ausgehend von der durch Daten der Bundesärztekammer bekannten Grundgesamtheit der praktizierenden Allgemeinmediziner, Internisten und Fachärzte in Deutschland wird jährlich von IMS Health der Stichprobenplan aktualisiert. Gemäß der durch das Unternehmen gesetzten Kriterien der Schichtung (nach Fachgruppe, Region, Gemeindegröße und Arztalter) werden dann diejenigen Arztpraxen akquiriert, die monatlich über standardisierte Schnittstellen verschlüsselte Informationen über Diagnosen, Verschreibungen, Risikofaktoren und Laborwerte abzugeben bereit sind (27). Als Anreiz für die Ärzte werden Aufwandsentschädigungen gezahlt und eine regelmäßige Auswertung des eigenen Verordnungsverhaltens, verglichen mit dem anderer Ärzte, angeboten.
Durch die oben beschriebenen Strategien kann der Datensatz bezüglich der ärztlichen Population als repräsentativ angesehen werden. Der Abgleich mit der Ärztestatistik der Bundesärztekammer bestätigt dies (26). Vergleichbarkeit kann auch für Verteilung der Diagnosen angenommen werden, da die Ähnlichkeit der Inzidenz einiger onkologischer Erkrankungen im Jahr 2004, erfasst durch das Robert-Koch-Institut, mit den Daten des „Disease-Analyzers“ dieses zeigte. Bezüglich des für diese Studie hier im Vordergrund stehenden Patiententypus der Diabetiker entspricht die Altersstruktur eines Datensatzes der GEK aus dem Jahre 2005 in etwa der des „Disease-Analyzers“. Etwas unterschätzt werden im „Disease Analyzer“ allerdings Personen mit 70 Jahren und älter. Ebenso zeigt sich eine überzeugende Repräsentativität in Hinsicht auf Verschreibungen von Antidiabetika im Vergleich mit anderen Quellen (26).
Typische Fragen zur Versorgungsforschung wie z.B. zur pharmazeutischen Epidemiologie (28-30), zur Gesundheitsökonomie (31-33), zu Fragen der Compliance (34, 35) und Arzneimittelsicherheit (36) sowie zum Verordnungsverhalten von Ärzten (35, 37) wurden unter anderem in den letzten Jahren mit Hilfe des „Disease-Analyzers“ untersucht.

Variablen und Einschlusskriterien
Folgende Beschreibung der Patienteninklusion für diese Untersuchung ist in einem Flow-Chart (Abb. 1) graphisch dargestellt.
Im Fokus der vorliegenden Analyse stehen Diabetiker (Typ II) , die in Praxen, geführt durch Allgemeinärzte, Praktiker oder Internisten inklusive diabetologische Schwerpunktpraxen, behandelt wurden. Als Diabetiker (Typ II) wurde immer dann ein Patient in die Untersuchung eingeschlossen, wenn die Kodierung in der Praxis E 11 bis E 14 entsprach. Dieses Vorgehen basiert auf den ICD-Kodierrichtlinien nach DIMDI (37). Als Spätfolge gelten die in den unter E11 bis E14 als Subkategorien aufgeführten Komplikationen. Als Spätfolge ausgeschlossen wurden die Subkategorien .0 (Koma) und .1 (Ketoazidose) sowie .9 (keine Komplikation).
Das Inkrafttreten der Reform des Risikostrukturausgleichs zwischen den Krankenkassen (RSA) mit der Einführung von strukturierten Behandlungsprogrammen (DMP) (SGB V; §137f) vom 1.1.2002 bestimmte die Festlegung auf den Beginn des zu beobachtenden Zeitraum am 1. Januar 2002 - der Start der T2D-DMP war erst im Sommer 2003. Die Erstdiagnosen waren somit teilweise noch vor der DMP-Einschreibung. Trotz der seit Januar 2009 abnehmenden ökonomischen Bedeutung der DMP für die Krankenkassen können diese aber noch (38) eingesetzt werden, so dass das Beobachtungsende Oktober 2009 plausibel ist. Seit dem 1. Januar 2009 trat dann der morbiditätsorientierte RSA in Kraft und verringerte die ökonomische Attraktivität der Bereitstellung der DMP aus Sicht der Krankenkassen. Trotz ihrer Schwächung können diese aber weiterhin bereitgestellt werden. Eine finanzielle Kompensation für die Krankenkassen pro eingeschriebenen Patienten ist ebenfalls noch möglich.
Aus 1.102 Praxen wurden für den Zeitraum Januar 2002 bis Oktober 2009 jene Patienten selektiert, die kontinuierlich mindestens in neun Monaten Daten geliefert haben. Im nächsten Schritt wurden nur diejenigen eingeschlossen, die mindestens fünf Jahre durchgängig beobachtbar waren und mindestens in zwei Monaten im Jahr in der Praxis erschienen sind (Abbildung). Die Auswahl der 5-jährigen Paneltreue beruht auf der Überlegung, dass die T2D-Patienten im Mittelwert nach 2,5 Jahren eine Spätfolge bekamen mit einer Standardabweichung von 1,9 Jahren.
Zur Absicherung der Erstdiagnose als Beginn einer T2D-„Karriere“ wurde auf die als gesichert gekennzeichneten Diagnosen zurück gegriffen. Darüber hinaus wurde geprüft, dass der Patient innerhalb von sechs Monaten vor der Erstdiagnose des T2D in der Praxis erfasst war, ohne dass ein T2D diagnostiziert wurde.
Das nächste Auswahlkriterium war das für die Diabetikerversorgung zentrale Maß des Langzeitblutzuckers „HbA1c“. Da der mittlere HbA1c-Wert nur für 3.172 Patienten zur Verfügung stand, wurde das bis hierher selektierte Panel auf diese Patientenzahl reduziert.
Die endgültige Auswahl ergab ein Sample von 3.072 T2D-Patienten in 101 Praxen. Das Geschlecht der Patienten ist gleich zu etwa 50 % verteilt. Das Durchschnittsalter beträgt im Mittelwert knapp 64 Jahre. Der mittlere Langzeitblutzuckerwert liegt bei 6,7% mit einer Standardabweichung von 1,1%.
Von den 101 Praxen agieren 23 mit einem diabetologisch weitergebildeten behandelnden Arzt. Die im Mittelwert etwa 53-jährigen Ärzte verfügen über 6,7 Jahre Vorerfahrung im Krankenhaus mit einer breiten Streuung von 4,7 Jahren.
Knapp 40% der Patienten (n=1.196) sind über ihre behandelnde Praxis als eingeschriebene diabetologische DMP-Patienten erfasst. Dabei wurden bei der individuellen Einschreibung nur DMP berücksichtigt, die vor dem Eintritt der Spätfolge angefangen wurden, damit der sekundärpräventive Effekt gemessen werden kann.
Wichtig für die Messung eines Effekts der DMP-Einschreibung ist es, dass sich die beiden Patientengruppen strukturell ähnlich sind. In der deskriptiven Analyse kann dies weitestgehend bestätigt werden: Die Geschlechterverteilung, das Patientenalter, die vergangene Zeit seit der Erstdiagnose, der Anteil in städtischen Regionen und von diabetologisch geschulten Ärzten behandelten Patienten ist sehr ähnlich in beiden Gruppen (Tab. 1). Ein interessanter Hinweis auf direkte positive Effekte der DMP-Einschreibung in Behandlungsprozessen von Diabetikern (Typ 2) ist erstens der vergleichsweise niedrigere Anteil an Spätfolgepatienten in der DMP-Gruppe (16% vs. 21% bei den Nicht-DMP-Patienten) und zweitens die sehr viel längere Zeitdauer bis zum Eintritt der Spätfolge (3,5 Jahre vs. 1,6 Jahre bei den Nicht-DMP-Patienten).
Die vermutlich systematische Unterschätzung des Anteils der Spätfolgepatienten an allen Diabetikern von 19 % - in der Literatur finden sich für Deutschland kaum Untersuchungen, die einen Datenabgleich ermöglichen (38, 39) - hat ihre Ursache im Setting der Datenquelle: nicht Augenärzte, Nephrologen oder Chirurgen sind hier die Erstdiagnostizierenden einer Spätfolge, sondern Allgemeinärzte, Internisten mit diabetologischer Weiterbildung in der ambulanten Versorgung.
Zudem sind hier Spätfolgen wie Myokardinfarkt (I-21) oder Apoplex (I-64) nicht aufgeführt wegen der Selektion der Diabetiker über Kapitel IX des ICD-Codes.
Die Ermittlung des Anteils an DMP pro Praxis wurde aus dem Datensatz nach der Praxisselektion und vor der Patientenselektion durchgeführt. Durch DMP gestützte Behandlungsprozesse werden hier als Lernimpuls für den Arzt verstanden. Damit sollten alle erfassten T2D-Patienten in diese Variable mit einfließen, unabhängig von ihrer Paneltreue oder Diagnosesicherheit.
Der mittlere Anteil individueller DMP-Einschreibungen an allen Behandlungsprozessen innerhalb einer Praxis liegt bei 33 %. Von den 101 ermittelten Praxen lassen sich 18 identifizieren, bei deren T2D-Behandlungsprozessen niemals eine DMP-Einschreibung erfolgte. Dies entspricht 18 % der Praxen und betrifft 16 % der einzelnen Behandlungsprozesse. Hinter dem völligen Ausbleiben von nur einer einzigen Einschreibung lässt sich eine ablehnende Haltung des Praxisinhabers vermuten. Daher würde es nur bedingt sinnvoll sein, diesen Praxistypus in das Modell zu integrieren, denn hier kann von einem Lerneffekt durch DMP nicht ausgegangen werden. Darum muss zur Konstruktion von DMP-Anteilsvariablen zusätzlich auf die Behandlungsprozesse reduziert werden, in deren Behandlungskontext wenigstens ein Minimum an DMP-geführten Behandlungen erfolgt ist.
Die DMP-Anteile innerhalb der prinzipiell DMP-bereiten Arztpraxen liegen durchschnittlich bei 41 % und folgen keiner bestimmten Verteilung. Mit Hilfe der errechneten Standardabweichung von 21 % können nun Dummies für die kategorialen Ausprägungen eines unterdurchschnittlichen, durchschnittlichen, überdurchschnittlichen und extrem überdurchschnittlichen Anteils an DMP innerhalb einer Praxis konstruiert werden (Abb.). Mit diesen DMP-Anteils-Variablen werden nun verschiedene Kontexte als Merkmal der einzelnen Behandlungsprozesse operationalisiert:
• Überhaupt keine DMP-Einschreibungen bei T2D-Behandlungen: kein einziger Behandlungsprozess wird von einem DMP begleitet. Der Arzt kann und möglicherweise will er auch keine DMP-Kriterien kennen lernen (478 Fälle, entspricht 16 %). Diese Kontextgruppe wird nicht in das Modell mit einbezogen, da nicht von DMP gelernt werden kann.
• Unterdurchschnittlicher Anteil der DMP-T2D-Patienten in behandelnder Praxis: Behandlungskontext führt zu ersten Erfahrungen des Arztes mit gesteuerter T2D-Behandlungsführung durch DMP (500 Fälle, entspricht 16 %)
• Durchschnittlicher Anteil der DMP-T2D-Patienten in behandelnder Praxis: Behandlungskontext mit regelmäßigem Kontakt mit DMP-geführten Behandlungsprozessen (611 Fälle, entspricht 20 %)
• Überdurchschnittlicher Anteil der DMP-T2D-Patienten in behandelnder Praxis: Behandlungskontext mit umfangreicher und stark auf dieses Instrument konzentrierter Erfahrung des Arztes (1079 Fälle, entspricht 35 %)
• Beinahe ausschließliche DMP-Einschreibung bei T2D-Behandlungen: Behandlungskontext mit durch DMP dominierende Behandlungsprozesse (404 Fälle, entspricht 13 %). Diese Kontextgruppe wird nicht in die Modellinterpretation mit einbezogen, da es keine unterschiedlichen Kontexte mehr gibt.

Methoden
In den beiden Patientengruppen unterscheidet sich die Dauer bis zum Eintritt der Spätfolge. Somit könnte man grundsätzlich auf die Analysemethode der Cox-Regression zurückgreifen. Die testweise durchgeführte Kaplan-Meier-Schätzung zeigte uns aber, dass der Effekt der DMP-Einschreibung über die Zeit nicht konstant (Abbildung) ist und damit eine Grundvorrausetzung für diese Art der Ereignisdatenanalyse nicht erfüllt ist (39-41). Etwa vier Jahre nach der Erstdiagnose des T2D lässt der zeitverzögernde Effekt der DMP nach, dann treten die Spätfolgen im Vergleich zu den Nicht-DMP-Patienten früher ein. Es ist also anzunehmen, dass der Effekt der DMPs vor allem in der ersten Zeit nach der Erstdiagnose greift. Daher verwenden wir ein Logistisches Regressionsmodell, da es sich bei der abhängigen Variable „status“ um eine binär kodierte Dummie-Variable handelt. Weil die Zeit eine erhebliche Bedeutung für die Wahrscheinlichkeit des Eintretens der Spätfolge hat, beziehen wir neben den anderen Kontrollvariablen die Zeitvariable (Jahr der Erstdiagnose) in das logistische Regressionsmodell mit ein.
Für die Güte der Modellanpassung wurde der Likelihood-Ratio-Test durchgeführt, die Devianz überprüft sowie der Hosmer-Lemeshow-Test zur Beurteilung der Klassifikationsergebnisse durchgeführt (zur Vorgehensweise vgl. Backhaus et al. (2006: 445-455); Allison (2005: 31-48). Die in Tabelle abgetragenen Ergebnisse zeigen durchweg eine angemessene Modellanpassung. Das adjustierte r² ist mit 0,22 im akzeptablen Bereich (42), obwohl hier sicher noch durch Hinzufügung besser erklärender Variablen ein Beitrag zur Güte des Gesamtmodells geleistet werden könnte. Die Prüfung der einzelnen Kovariaten mit Hilfe der Wald-Statistik hat kein Overfitting aufgrund überflüssiger Variablen gezeigt. Der Test auf Multikollinearität wies zufriedenstellende Toleranzwerte für alle eingezogenen Variablen auf.
Ergebnisse
Die Ergebnisse (Modell II) zeigen, dass die Einschreibung in ein DMP für den einzelnen Patienten eine ca. 40 % geringere Chance bedeutet, dass eine Spätfolge diagnostiziert wird. Dieser Effekt verstärkt sich auf 55% geringere Chance für das Eintreten einer Spätfolge, wenn das Modell um die praxiseigenen Anteile an DMP-Patienten erweitert wird.
In Praxen mit unterdurchschnittlich wenig DMP-Patienten sinkt die Wahrscheinlichkeit für alle dort behandelten Patienten, eine Spätfolge zu bekommen um knapp 70 %. In durchschnittlich mit DMP-Patienten arbeitenden Praxen zeigt sich auch eine Verringerung dieser Wahrscheinlichkeit, aber nur noch von 57 %. Dieser Effekt ist vergleichbar mit der Chancenverringerung des Eintritts einer Spätfolge bei einer Behandlung in Praxen mit überdurchschnittlich vielen DMP-Patienten. Mit den binären Variablen der Praxiseigenschaft „DMP-Anteil unter den T2D-Patienten“ verbessert sich die erklärte Varianz (r²=0,22) des Gesamtmodells (Modell III).
Mit dem Alter des Patienten steigt die Spätfolgenchance leicht, mit ansteigendem Langzeitblutzucker (HbA1c in %) steigt sie erwartungsgemäß ebenso an um 33%. Arztspezifische Faktoren wie das Alter des Arztes zum Zeitpunkt der Erstdiagnose (verstärkt die Chance einer Spätfolge) und die Erfahrungsjahre im Krankenhaus (verringert die Chance einer Spätfolge) spielen eine eher moderate Rolle. Die Betreuung eines Patienten durch einen diabetologisch weitergebildeten Arzt erhöht die Chance für den Patienten, eine Spätfolge zu bekommen um 61 %.
Diskussion
Disease-Management-Programme sind ausgesprochen komplexe Instrumente des Managed Care mit unterschiedlich wirkenden Elementen. Trotz der hier vorgenommenen starke Verallgemeinerung wird versucht diesen Programmen gerecht zu werden, indem Aspekte aus mehreren Analyseebenen aufgenommen werden.
Eine weitere Einschränkung ist in der Fokussierung auf die Diagnose Diabetes mellitus (Typ 2) zu sehen. Sämtliche Komorbiditäten mit in das Modell zu integrieren, war aus methodischen Gründen nicht möglich. Dennoch ist die weit verbreitete Kopplung des T2D mit anderen Erkrankungen ein möglicherweise verzerrender Faktor, wie man am Beispiel der erschwerten Schulung eines zusätzlich an Depressionen erkrankten Diabetikers illustrieren kann (43). Erschwerend kommt hinzu, dass die hier zugrunde liegende Form der Datenerhebung im ambulanten Bereich zur Unterschätzung von durch den T2D verursachten schwerwiegenden Spätfolgen führen kann. Schwere Komplikationen (wie Myokardinfarkte oder Schlaganfälle) werden eher stationär erfasst.
Zu diskutieren ist ebenfalls der relativ verstärkende Effekt der Behandlung eines T2D-Patienten bei einem diabetologisch weitergebildeten Arzt. Dieses Ergebnis ist plausibel mit einem ‚selection bias‘ begründbar, da Diabetologen in aller Regel Fälle mit schwierigeren Ausgangsbedingungen betreuen. Ähnlich ist auch der scheinbar verstärkende Effekt des höheren Urbanitätsgrades auf den Spätfolgeneintritt einzuschätzen. Diabetiker in größeren Städten haben eine 93% höhere Chance, dass aus dem diagnostizierten T2D eine Spätfolge resultiert. Hier könnte ursächlich eine bessere infrastrukturelle Versorgung in urbanen Regionen sein, die mit mehr technologischen Möglichkeiten einhergeht. Damit sind bestimmte Diagnosen (z.B. Augenhintergrundmessungen) eher wahrscheinlich.
Im Zeitverlauf von 2003 bis 2009 nimmt die Wahrscheinlichkeit, eine Spätfolge zu bekommen, ab, was vermutlich auf die nicht zu verhindernde Rechtszensierung zurückzuführen ist. Je später der Start der Erkrankung, desto geringer die Zeitspanne, in der eine Spätfolge eintreten kann. Zusätzlich sind aber auch Effekte der Verbesserung der T2D-Versorgung nicht völlig auszuschließen. Es ist schwierig, dies voneinander kausal zu trennen.
Trotz aller bedenkenswerten einschränkenden Faktoren dieser Untersuchung lassen sich aufgrund der großen Fallzahl, der langen Zeitreihe und der zugrunde liegenden Repräsentativität folgende Ergebnisse festhalten:
Der in dieser Studie gemessene direkte positive Effekt der DMP-Einschreibung auf den Spätfolgeneintritt bestätigt Ergebnisse von Studien, die sich mit der Effektivität von DMP beschäftigten (20, 21, 23, 24). Ebenso wurden bisher gezeigte Erkenntnisse bestätigt, die auf den HbA1c-Wert als bedeutsamen Prädiktor für das Entstehen einer mikro- oder makrovaskulären Spätfolge hingewiesen haben (44-46).
Der nicht-lineare, indirekte Effekt der Stärke des Anteils DMP-geführter Behandlungen von Diabetikern (Typ 2) an allen diabetologischen Behandlungsprozessen innerhalb einer Arztpraxis hat sich in von uns durchgeführten mehreren Modellvariationen als sehr stabil erwiesen. Damit wird das Arztverhalten als ein Element in T2D-Versorgungsprozessen näher beleuchtet. Dieser indirekte Effekt impliziert, dass es den bedeutsamen Aspekt des ärztlichen Lernens gibt, der über die direkte vereinzelte ärztliche Interaktion mit einem in ein DMP eingeschriebenen Patienten hinausgeht.
Schlussfolgerung
Die Implementierung einer Prozessinnovation, wie die eines DMP, untersteht komplexen Zusammenhängen. Dies wirkt sich auf die Entwicklung von Untersuchungsdesigns zur Evaluation der DMP aus. Daher bleiben Fragen offen in Bezug auf die üblicherweise in den DMP-Studien verwendeten Untersuchungsdesigns. In den meisten Fällen werden hier die aus der klinischen Forschung bekannten Randomized Controlled Trials (RCT) angewendet. Dazu werden häufig Innovations- und Kontrollkontext zugelost und dann getrennt beobachtet. Diese Übernahme der RCT-Logik wirft die Frage nach externer Validität auf. Die Realität in deutschen Arztpraxen zeigt eher eine Mischung aus Patienten, die in ein DMP eingeschrieben sind oder nicht und dabei von dem gleichen Arzte betreut werden. Somit sollten neben den direkten Effekten der DMP auch deren indirekte Auswirkungen von Interesse sein, um eine systematische Unterschätzung des Effekts von DMP zu vermeiden.
Während die Evaluationslage in Bezug auf direkte Effekte von DMP-geführten Behandlungsprozessen im Allgemeinen kontrovers diskutiert wird, deutet sich mit den hier gezeigten Resultaten an, dass der Einsatz von DMP eine effektive Strategie hinsichtlich einer Verhaltensänderung von Patient und Arzt sein kann. Daraus ist abzuleiten, dass es aus Sicht der Kostenträger langfristig lohnenswert sein kann, die Durchführung von DMP beizubehalten, auch wenn der direkte ökonomische Anreiz mit der Einführung des Morbi-RSA im Jahre 2009 nicht mehr so hoch ist.
DMP können als Impuls für die gesteuerte ärztliche Reflektion innerhalb von T2D-Behandlungsprozessen verstanden werden. Damit kann auch ein indirekter Effekt auf die Versorgungsqualität vermutet werden, da sich Verhaltensänderungen des Arztes normalerweise auch immer auf alle Patienten beziehen. <<