top

Abstracts by keywords: predictive modelling

Predictive Modeling zur Identifikation von nichtdiagnostizierten COPD-Erkrankten

Die bisher umfangreichste Studie zur Prävalenz von COPD ist die internationale BOLD-Studie (Burden of Obstructive Lung Disease) (Buist & McBurnie, 2007). In Deutschland beteiligte sich die Region Hannover an dieser Arbeit. Bei 683 Probanden im Alter von über 40 Jahren wurde die Lungenfunktion untersucht und eine Befragung nach ihrem Gesundheitszustand durchgeführt. Insgesamt wurde bei über 13 Prozent der Studienteilnehmer im Raum Hannover eine COPD diagnostiziert, gut 7 Prozent wiesen ein leichtes, 5 Prozent ein mittelgradiges und knapp 1 Prozent ein schweres Krankheitsstadium auf. Da die Probanden aus der Großstadtregion Hannover stammten, ist nicht sicher zu sagen, ob die Zahlen für ganz Deutschland repräsentativ sind. Die Gesamtauswertung der BOLD-Studie lässt dieses jedoch vermuten. Nach dieser leidet jeder Zehnte der über 9.000 Studienteilnehmer in den zwölf beteiligten Ländern unter einer chronisch-obstruktiven Lungenerkrankung im Stadium II oder höher. Die aktuellen Zahlen zur Entwicklung der COPD in Deutschland gingen 2010 von 6,8 Millionen COPD-Erkrankungen aus. Bis zum Jahr 2030 wird mit einem Anstieg auf 7,9 Millionen Betroffene gerechnet. (Geldmacher & Biller, 2008). Auch aus volkswirtschaftlicher Sicht hat die COPD einen bedeutenden Stellenwert. Im Rahmen einer Studie wurden die Gesamtkosten der COPD durch die Gewichtung der Kosten pro Schweregrad ermittelt. Der Hauptteil der Kosten wird durch Krankenhausaufenthalte (26%), Medikamente (23%) und Frührente (17%) verursacht. (Herse & Kiljander, 2015); (Grønseth & S.-A., 2014); (Nowak & Dietrich, 2004). Die Früherkennung der COPD ist von großer Bedeutung, da eine rechtzeitige Beendigung der Exposition gegenüber den auslösenden Noxen, einen Krankheitsprogress zumindest partiell verhindern kann. (Vogelmeier & Buhl, 2018). Weiter gibt es Hinweise darauf, dass der natürliche Verlauf der Erkrankung durch das frühzeitige Einsetzen einer medikamentösen Behandlung signifikant beeinflussbar ist. (Troosters & Celli, 2010).

04.06.2018
Statistische Risikomodelle: Anwendungsmöglichkeiten zur Optimierung der Patientenversorgung

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.

24.01.2013