Algorithmus zur Unterscheidung von Diabetes mellitus Typ 1 und Typ 2 bei der Analyse von Routinedaten

Zusammenfassung

Hintergrund Diabetes mellitus ist eine Erkrankung von hoher Public-Health-Relevanz. Zur Schätzung der zeitlichen Entwicklung der Prävalenz kommen auch Routinedaten der gesetzlichen Krankenversicherung zum Einsatz. In diesen primär zu Abrechnungszwecken generierten Daten stellt die Definition von Erkrankungen eine besondere methodische Herausforderung dar. In der vorliegenden Studie wurde ein Algorithmus zur Unterscheidung von Typ-1- und Typ-2-Diabetes für die Analyse von Routinedaten entwickelt.

Methodik Datengrundlage ist eine alters- und geschlechtsstratifizierte Zufallsstichprobe der Versicherten der Barmer mit einer durchgehenden Versicherungsdauer von 2010 bis 2018 in der Größenordnung von 1% der deutschen Bevölkerung. Ein Diabetes wurde im Berichtsjahr 2018 definiert als Dokumentation (1) einer gesicherten ICD-Diagnose E10.- bis E14.- im ambulanten Sektor in mindestens 2 Quartalen, (2) einer gesicherten ICD-Diagnose E10.- bis E14.- in einem Quartal mit einer zusätzlichen Antidiabetikaverordnung (ATC-Codes A10) oder (3) einer ICD-Diagnose E10.- bis E14.- im stationären Sektor, dem ambulanten Operieren oder der Arbeitsunfähigkeit. Anhand der ICD-Diagnosen E10.- bis E14.- und der verordneten Arzneimittel, unterschieden nach Insulin und anderen Antidiabetika, wurden die Personen einem Diabetestypen zugeordnet. Nicht eindeutige oder widersprüchliche Konstellationen wurden anhand des Alters, der Häufigkeit sowie überjährigen Betrachtung der Diagnosedokumentation zugeordnet. Die Einschreibung in ein Disease-Management-Programm wurde in einer Sensitivitätsanalyse berücksichtigt.

Ergebnisse Die Prävalenz des dokumentierten Diabetes in der Stichprobe der Barmer betrug im Jahr 2018 8,8%. Anhand des Algorithmus konnten 98,5% der Personen mit Diabetes dem Typ-1-Diabetes (5,5%), dem Typ-2-Diabetes (92,6%) oder einer weiteren spezifischen Diabetesform (0,43%) zugeordnet werden. Somit ergaben sich für das Jahr 2018 Prävalenzen von 0,48% für den Typ-1-Diabetes und 8,1% für den Typ-2-Diabetes.

Schlussfolgerung Bereits anhand weniger Merkmale wie Diagnosen, Arzneimittelverordnung und dem Alter lässt sich die große Mehrzahl der Personen mit Diabetes einem Typ zuordnen. In weiterführenden Studien sollte im Abgleich mit Primärdaten die externe Validität geprüft werden. So ermöglicht der Algorithmus die Auswertung wichtiger epidemiologischer Kennzahlen und der Häufigkeit von Folge- und Begleiterkrankungen auf Basis von Routinedaten differenziert nach Typ-1- und Typ-2-Diabetes, welche in der Surveillance des Diabetes zukünftig berücksichtigt werden sollen.

Abstract

Background Diabetes mellitus is a disease of high public health relevance. To estimate the temporal development of prevalence, routine data of statutory health insurances (SHI) are being increasingly used. However, these data are primarily collected for billing purposes and the case definition of specific diseases remains challenging. In this study, we present an algorithm for differentiation of diabetes types analyzing SHI routine data.

Methods The basis for the analysis was an age and sex-stratified random sample of persons of the Barmer SHI with a continuous insurance duration from 2010 to 2018 in the magnitude of 1% of the German population. Diabetes was defined in the reporting year 2018, as documentation of (1) a “confirmed” ICD diagnosis E10.- to E14.- in at least two quarters, (2) a “confirmed” ICD diagnosis E10.- to E14.- in one quarter with an additional prescription of an antidiabetic drug (ATC codes A10), or (3) an ICD diagnosis E10.- to E14.- in the inpatient sector, outpatient surgery, or work disability. Individuals were assigned to a diabetes type based on the specific ICD diagnosis E10.- to E14.- and prescribed medications, differentiated by insulin and other antidiabetics. Still unclear or conflicting constellations were assigned on the basis of the persons’ age or the frequency and observation of the diagnosis documentation over more than one year. The participation in a disease management program was considered in a sensitivity analysis.

Results The prevalence of documented diabetes in the Barmer sample was 8.8% in 2018. Applying the algorithm, 98.5% of individuals with diabetes could be classified as having type 1 diabetes (5.5%), type 2 diabetes (92.6%), or another specific form of diabetes (0.43%). Thus, the prevalence was 0.48% for type 1 diabetes and 8.1% for type 2 diabetes in 2018.

Conclusion The vast majority of people with diabetes can be classified by their diabetes type on the basis of just a few characteristics, such as diagnoses, drug prescription, and age. Further studies should assess the external validity by comparing the results with primary data. The algorithm enables the analysis of important epidemiological indicators and the frequency of comorbidities based on routine data differentiated by type 1 and type 2 diabetes, which should be considered in the surveillance of diabetes in the future.

Schlüsselwörter

Diabetes mellitus - Klassifikation - Routinedaten - Typ-1-Diabetes - Typ-2-Diabetes

Key words

Diabetes mellitus - Classification - Routine data - Type 1 Diabetes - Type 2 Diabetes

Publikationsverlauf

Artikel online veröffentlicht:
02. Juni 2022

• Literatur

• 1 American Diabetes Association. 2. Classification and Diagnosis of Diabetes: Standards of Medical Care in Diabetes-2020. Diabetes Care 2020; 43: S14-S31
• 2 Deutsche Diabetes Gesellschaft (DDG). S3 – Leitlinie Therapie des Typ-1-Diabetes, 2. Auflage (28.03.2018). Im Internet: https://www.awmf.org/uploads/tx_szleitlinien/057-013l_S3-Therapie-Typ-1-Diabetes_2018-08.pdf Stand: 20.11.2020
• 3 Katsarou A, Gudbjörnsdottir S, Rawshani A. et al. Type 1 diabetes mellitus. Nat Rev Dis Primers 2017; 3: 17016
• 4 Bundesärztekammer (BÄK), Kassenärztliche Bundesvereinigung (KBV), Arbeitsgemeinschaft der Wissenschaftlichen Medizinischen Fachgesellschaften (AWMF). Nationale VersorgungsLeitlinie Typ-2 -Diabetes – Leitlinienreport, 2. Auflage. Version 1 (25.03.2021). Im Internet: https://www.leitlinien.de/nvl/diabetes/therapie
• 5 DeFronzo RA, Ferrannini E, Groop L. et al. Type 2 diabetes mellitus. Nat Rev Dis Primers 2015; 1: 15019
• 6 Heidemann C, Du Y, Paprott R. et al. Temporal changes in the prevalence of diagnosed diabetes, undiagnosed diabetes and prediabetes: findings from the German Health Interview and Examination Surveys in 1997-1999 and 2008-2011. Diabet Med 2016; 33: 1406-1414
• 7 Heidemann C, Scheidt-Nave C. Prävalenz, Inzidenz und Mortalität von Diabetes mellitus bei Erwachsenen in Deutschland – Bestandsaufnahme zur Diabetes-Surveillance Im Internet: https://edoc.rki.de/handle/176904/2781 Stand: 13.09.2017
• 8 Goffrier B, Schulz M, Bätzing-Feigenbaum J. Administrative Prävalenzen und Inzidenzen des Diabetes mellitus von 2009 bis 2015. Zentralinstitut für die kassenärztliche Versorgung in Deutschland (Zi). Versorgungsatlas-Bericht Nr. 17/03. Berlin 2017 (23.02.2017). Im Internet: https://www.versorgungsatlas.de/themen/alle-analysen-nach-datum-sortiert/?tab=6&uid=79
• 9 Schmidt C, Reitzle L, Dreß J. et al. Prävalenz und Inzidenz des dokumentierten Diabetes mellitus – Referenzauswertung für die Diabetes-Surveillance auf Basis von Daten aller gesetzlich Krankenversicherten. Bundesgesundheitsbl 2020; 63: 93-102
• 10 Tamayo T, Brinks R, Hoyer A. et al. The Prevalence and Incidence of Diabetes in Germany: An Analysis of Statutory Health Insurance Data on 65 Million Individuals From the Years 2009 and 2010. Dtsch Ärztebl Int 2016; 113: 177
• 11 Breitkreuz J, Brückner G, Burgard JP. et al. Schätzung kleinräumiger Krankheitshäufigkeiten für die deutsche Bevölkerung anhand von Routinedaten am Beispiel von Typ-2-Diabetes. AStA Wirtsch Sozialstat Arch 2019; 13: 35-72
• 12 Thoren Ct, Schwalm A, Mostardt S. et al. Can Routine Data be used to Determine the Target Population of Patients with Type 2 Diabetes in Early Benefit Assessments in Germany?. Gesundheitswesen 2020; 82: 13-19
• 13 Breitkreuz J, Schüssel K, Brückner G. et al. Krankheitslastbestimmung mit Prävalenzen und Schweregraden auf Routinedatenbasis. Gesundheit und Gesellschaft Wissenschaft 2021; Jg. 21, Heft 1 24-34
• 14 Reitzle L, Schmidt C, Du Y. et al. Einschätzungen zur Prävalenz mikrovaskulärer Folgeerkrankungen bei Diabetes mellitus in Deutschland. Analyse von Versichertendaten aller gesetzlichen Krankenkassen für die Jahre 2012 und 2013. Bundesgesundheitsbl 2020; 63: 1219-1230
• 15 Heidemann C, Paprott R, Schmidt C. et al. Aufbau einer Diabetes-Surveillance in Deutschland – Ergebnisse der ersten Projektphase 2015 – 2019. Epid Bull 2019; 45: 473-478
• 16 Schmidt C, Reitzle L, Heidemann C. et al. Excess mortality in adults with documented diabetes in Germany: routine data analysis of all insurance claims in Germany 2013-2014. BMJ Open 2021; 11: e041508
• 17 Yau JW, Rogers SL, Kawasaki R. et al. Global prevalence and major risk factors of diabetic retinopathy. Diabetes Care 2012; 35: 556-564
• 18 Thomas MC, Brownlee M, Susztak K. et al. Diabetic kidney disease. Nat Rev Dis Primers 2015; 1: 15018
• 19 Harding JL, Shaw JE, Peeters A. et al. Mortality Trends Among People With Type 1 and Type 2 Diabetes in Australia: 1997–2010. Diabetes Care 2014; 37: 2579-2586
• 20 Statistisches Bundesamt (Destatis). Fortschreibung des Bevölkerungsstandes (EVAS-Nr. 12411): Bevölkerung zum Stichtag 31.12.2018. Im Internet: https://www-genesis.destatis.de/genesis/online?sequenz=statistikTabellen&selectionname=12411 Stand: 20.11.2020
• 21 Bundesinstitut für Arzneimittel und Medizinprodukte (BfArM). ICD-10-GM Version 2021 – 10. Revision mit Aktualisierung vom 01.11.2020 und 10.03.2021. Im Internet: https://www.dimdi.de/static/de/klassifikationen/icd/icd-10-gm/kode-suche/htmlgm2021/ Stand: 19.02.2021.
• 22 Bundesinstitut für Arzneimittel und Medizinprodukte (BfArM). ATC-Klassifikation mit definierten Tagesdosen. Im Internet: https://www.dimdi.de/dynamic/de/arzneimittel/atc-klassifikation/ Stand: 19.02.2021.
• 23 Rosenbauer J, Neu A, Rothe U. et al. Diabetestypen sind nicht auf Altersgruppen beschränkt: Typ-1-Diabetes bei Erwachsenen und Typ-2-Diabetes bei Kindern und Jugendlichen. Journal of Health Monitoring 2019; 4: 31-53
• 24 Wissenschaftliches Institut der AOK (WIdO). Woran erkranken wir in Deutschland? Häufigkeiten ausgewählter Krankheiten unter allen Einwohnern in den Regionen Deutschlands. Im Internet: https://www.krankheitslage-deutschland.de/ Stand: 05.01.2021
• 25 Hoffmann F, Icks A. Unterschiede in der Versichertenstruktur von Krankenkassen und deren Auswirkungen für die Versorgungsforschung: Ergebnisse des Bertelsmann-Gesundheitsmonitors. Gesundheitswesen 2012; 74: 291-297
• 26 Du Y, Heidemann C, Schaffrath Rosario A. et al. Changes in diabetes care indicators: findings from German National Health Interview and Examination Surveys 1997–1999 and 2008–2011. BMJ Open Diabetes Res Care 2015; 3: e000135
• 27 Rosenbauer J, Bächle C, Stahl A. et al. for German Pediatric Surveillance Unit, DPV Initiative, German Competence Network Diabetes mellitus. Prevalence of type 1 diabetes mellitus in children and adolescents in Germany. In: Abstracts of the 48th EASD Annual Meeting of the European Association for the Study of Diabetes. Diabetologia 2012; 5: 369
• 28 Scottish Diabetes Data Group. Scottish Diabetes Survey 2018. Im Internet: https://www.diabetesinscotland.org.uk/wp-content/uploads/2019/12/Scottish-Diabetes-Survey-2018.pdf Stand: 20.11.2020
• 29 Xu G, Liu B, Sun Y. et al. Prevalence of diagnosed type 1 and type 2 diabetes among US adults in 2016 and 2017: population based study. BMJ 2018; 362: k1497
• 30 Carstensen B, Rønn PF, Jørgensen ME. Prevalence, incidence and mortality of type 1 and type 2 diabetes in Denmark 1996-2016. BMJ Open Diabetes Res Care 2020; 8: e001071
• 31 Werner A, Reitmeir P, John J. Kassenwechsel und Risikostrukturausgleich in der gesetzlichen Krankenversicherung – empirische Befunde der Kooperativen Gesundheitsforschung in der Region Augsburg (KORA). Gesundheitswesen 2005; 67: 158-166
• 32 Angelow A, Reber KC, Schmidt CO. et al. Untersuchung der Prävalenz kardiologischer Risikofaktoren in der Allgemeinbevölkerung: Ein Vergleich ambulanter ärztlicher Abrechnungsdaten mit Daten einer populationsbasierten Studie. Gesundheitswesen 2019; 81: 791-800