Gesundheitswesen 2010; 72(6): 363-370
DOI: 10.1055/s-0030-1249687
Originalarbeit

© Georg Thieme Verlag KG Stuttgart · New York

Bildung einer Kontrollgruppe mithilfe von Matched-Pairs auf Basis von GKV-Routinedaten zur prospektiven Evaluation von Einschreibemodellen

Creation of a Control Group by Matched Pairs with GKV Routine Data for the Evaluation of Enrolment ModelsB. Riens1 , B. Broge1 , P. Kaufmann-Kolle1 , B. Pöhlmann1 , B. Grün1 , D. Ose2 , J. Szecsenyi1 , 2
  • 1AQUA-Institut für angewandte Qualitätsförderung und Forschung im Gesundheitswesen, GmbH, Geschäftsführung, Göttingen
  • 2Universitätsklinikum Heidelberg, Abteilung Allgemeinmedizin und Versorgungsforschung, Heidelberg
Further Information

Publication History

Publication Date:
04 May 2010 (online)

Zusammenfassung

Hintergrund: Um die Effizienz von Einschreibemodellen, wie der Hausarztzentrierten Versorgung oder Disease-Management-Programmen, zu untersuchen, sind verschiedene Studienansätze denkbar. Da eine aktive und selbstständige Einschreibung der Versicherten in Versorgungsmodelle erfolgt (Selbstselektion), ist eine Randomisierung nicht möglich. Das Matched-Pairs Design, in dem für jeden eingeschriebenen Versicherten ein Vergleichsversicherter mit ähnlicher Morbidität gesucht wird, stellt eine alternative Untersuchungsmethode dar. Voraussetzung hierfür ist ein Modell, das auf Basis der vorliegenden Routinedaten die Morbidität angemessen beschreibt.

Ziel: Entwicklung eines Verfahrens, das vergleichbare Versicherte auf der Grundlage von Routinedaten der gesetzlichen Krankenkassen selektiert.

Methoden: Neben Alter, Geschlecht, Pflegestatus, Versichertenstatus, AU-Tage, Region, Krankenkassen-Zugehörigkeit und Teilnahme an einem Einschreibemodell werden sowohl ambulante als auch stationäre Leistungsdaten aus dem Jahr 2005 in Anlehnung an das von Lamers und Vliet (2003) entwickelte PCG/DCG-Verfahren für ein morbiditäts-orientiertes Matching-Design verwendet. Dabei entscheidet der Verbrauch bestimmter ambulant verordneter Arzneimittel über die Zuordnung der Patienten zu Pharmakostengruppen (PCG). Zusätzlich erfolgt eine Eingruppierung über die stationären Diagnosen in Diagnosekostengruppen (DCG).

Ergebnisse: Die Bildung von Matched-Pairs nach dem PCG/DCG-Verfahren stellt ein angemessenes Studiendesign zur Bildung einer Vergleichsgruppe im Rahmen von Einschreibemodellen dar. Im ersten Jahr der Einschreibung weisen die Versicherten der Interventions- und der Vergleichsgruppe eine übereinstimmende Morbiditätsstruktur auf. Bei Verwendung von 9 Matching-Kriterien wird für 87% der eingeschriebenen Versicherten ein Vergleichsversicherter gefunden.

Diskussion/Schlussfolgerung: Es gibt verschiedene und komplexe Möglichkeiten, Morbidität zu definieren. Variable Parameter innerhalb des vorgestellten Matched-Pairs Design sind die Anzahl der verwendeten Matching–Kriterien sowie die Höhe des für die Eingruppierung in PCGs festgelegten Arzneimittelverbrauchs. Es sind alternative Modelle denkbar, die neben stationären Diagnosen auch ambulante Diagnosen in die Morbiditätsdefinition einbeziehen. Bei Berücksichtigung einer erhöhten Anzahl von Morbiditätskriterien stößt das Matched-Pairs Design auf Dimensionalitätsprobleme. Das Propensity Score Matching wird als Lösungsansatz dieser Problematik diskutiert.

Abstract

Background: Various study approaches can be considered for the investigation of the efficiency of enrolment models, like GP-centred health-care contract or disease management programmes. As an active and independent enrolment into care models is effected by the insured (self-selection), a randomisation cannot be applied. The matched pairs design − in which for every insured a control insured with comparable morbidity is selected − presents an alternative investigation method. A precondition is a model that describes appropriately the morbidity on the basis of available routine data.

Target: The aim of this study was to develop a procedure that selects comparable insured persons on the basis of routine data of the statutory health-care funds.

Methods: Apart from age, gender, care status, insured status, days of disability, region, health insurance and belonging to an enrolment model, also ambulant as well as stationary performance data for the year 2005 following the PCG/DCG procedure for morbidity-oriented matching design developed by Lamers and Vliet (2003) were applied. Thereby the consumption of certain medications prescribed is determining for the allocation of patients to pharmaceutical cost groups (PCG). Additionally a classification into diagnosis cost groups (DCG) according to stationary diagnoses was conducted.

Results: Within the scope of the enrolment models the formation of matched pairs following the PCG/DCG procedure represents an appropriate study design for the creation of a control group. In the first year of enrolment the insured of the interventional and those of the control group show a comparable morbidity. When applying 9 matching criteria a control insured person can be found for 87% of the enrolled individuals.

Discussion/Conclusions: There are various and complex possibilities to define morbidity. Variable parameters within the presented matched pairs design are the number of used matching criteria as well as minimum drug consumption limit relevant for the classification in PCGs. Alternative models are possible for morbidity definition considering, apart from the stationary diagnosis, also the ambulant diagnosis. When taking into account a higher number of morbidity criteria, the matched pairs design is confronted with dimensionality issues. The propensity score matching is discussed as approach to solve this problem.

Literatur

  • 1 D’Arcy HP. Early controlled clinical trials.  BMJ. 1996;  312 (2) 769-782
  • 2 Linden A, Adams JL, Roberts N. Evaluation methods in disease management: detremining program effectiveness.  Position Paper for the Disease Management Association of America (DMAA). 2003 Oct; 
  • 3 Heckmann J, Ichimura H, Todd P. Matching as an economic evaluation estimator.  Rev Econ Stud. 1998;  65 261-294
  • 4 Heckmann J, Navarro-Lozano S. Using matching, instrumental variables, and control functions to estimate economic choice models.  Rev Econ Stat. 2004;  86 30-57
  • 5 Bjorklund A, Moffit R. The estimation of wage gains and welfare gains in self-selection models.  Rev Econ Stat. 1987;  69 42-49
  • 6 Lechner M. Program heterogeneity and propensity score matching: An application to the evaluation of active labor market policies.  Rev Econ Stat. 2002;  84 205-220
  • 7 Gensler S, Skiera B, Böhm M. Einsatzmöglichkeiten der Matching Methode zur Berücksichtigung von Selbstselektion.  JfB. 2005;  55 37-62
  • 8 Rosenbaum P, Rubin D. The central role of the propensity score in oberservational studies for causal effects.  Biometrika. 1983;  70 41-55
  • 9 D’Agostino Jr RB. Tutorial in biostatistics: Propensity Score methods for bias reduction in the comparison of a treatment to a non-randomized control group.  Statistic in Medicine. 1998;  17 2265-2281
  • 10 Marco C, Kopeinig S. Some practical guidance for the implementation of propensity score matching.  Journal of Economic Surveys. 2008;  22 (1) 31-72
  • 11 Reschke P, Lauterbach KW, Wasem J. u.  a. Klassifikationsmodelle für Versicherte im Risikostrukturausgleich (Endbericht).  Nomos Verlag Baden-Baden 2005; 
  • 12 Lamers LM. Risk-adjusted capitation payments: developing a diagnostic cost group classification for Dutch situation.  Health Policy. 1998;  45 15-32
  • 13 Lamers LM. Pharmacy costs groups: a risk-adjuster for capitation payments based on the use of prescribed drugs.  Med Care. 1999;  37 824-830
  • 14 Lamers LM, Vliet RC. Health-based risk adjustment: Improving the pharmacy-based cost group model to reduce gaming possibilities.  Eur J Health Econom. 2003;  4 107-114
  • 15 Van de Ven WP, van Vliet RC, Lamers LM. Health-adusted premium subsides in the Netherlands.  Health Affairs. 2004;  23 (3) 45-55
  • 16 Ose D, Broge B, Riens B. et al . Mit Überweisung vom Hausarzt zum Spezialisten – Haben Verträge zur Hausarztzentrierten Versorgung (HZV) einen Einsfluss?.  Z Allg Med. 2008;  84 321-326
  • 17 Institut für angewandte Qualitätsförderung und Forschung im Gesundheitswesen (AQUA) . Evaluation der Modelle zur Hausarztzentrierten Versorgung – Projektbeschreibung.  Göttingen. 2007;  Abruf im Internet unter: http://www.aqua-institut.de/aqua/upload/CONTENT/Projekte/HZV-Evaluation-Projektdarstellung-2007-05-23.pdf
  • 18 Institut für angewandte Qualitätsförderung und Forschung im Gesundheitswesen (AQUA) . Evaluation der Modelle zur Hausarztzentrierten Versorgung – Beschreibung des methodischen Vorgehens. Unveröffentlichtes Arbeitspapier.  Göttingen. 2007; 
  • 19 Schubert I, Köster I, Küpper-Nybelen J. et al . Versorgungsforschung mit GKV-Routinedaten: Nutzungsmöglichkeiten versichertenbezogener Krankenkassendaten für Fragestellungen der Versorgungsforschung.  Bundesgesundheitsbl. – Gesundheitsforsch – Gesundheitsschutz. 2008;  51 1095-1105
  • 20 Swart E, Ihle P. Routinedaten im Gesundheitswesen. Handbuch der Sekundärdatenanalyse.  Grundlagen, Methoden und Perspektiven. 2005;  Hans Huber Bern
  • 21 Bortz J. Lehrbuch der empirischen Sozialforschung. Berlin: Springer; 1984. S. 410ff.
  • 22 Backhaus K, Erichson B, Plinke W. et al . Multivariate Analysemethoden (10. Auflage).  Berlin: Springer. 2003;  S. 128 ff
  • 23 Ellis RP, Pope GC, Iezzoni LI. et al .Diagnostic Cost Group (DCG) and Hierarchical Coesting Conditions (HCC) Models for Medicare Risk Adjustment. Volume I, Final Report, Contract No 500-92-0020, Delivery Order No. 6. Prepared for the Health Care Financing Administration. Boston Health Economic Research, Boston; 1996
  • 24 Erler A, Beyer M, Muth C. et al . Garbage in – Garbage out? Validität von Abrechnungsdiagnosen in hausärztlichen Praxen.  Gesundheitswesen. 2009;  71 823-831
  • 25 Ekundayo OJ, Muchimba M, Aban IB. et al . Multimorbidity due to diabetes mellitus and chronic kidney disease and outcomes in chronic heart failure.  Am J Cardiol. 2009;  103 (1) 88-92
  • 26 Gapp O, Schweikert B, Meisinger C. et al . Disease management programmes for patients with coronary heart disease – An empirical study of German programmes.  Health Policy. 2008;  88 (2–3) 176-185
  • 27 Linden A, Adams JL, Roberts N. Using propensity scores to consruct comparable control groups for disease management program evaluation.  Dis Manage Health Outcomes. 2005;  13 (2) 107-115

Korrespondenzadresse

Dr. B. Riens

AQUA-Institut für angewandte

Qualitätsförderung und

Forschung im Gesundheitswesen GmbH

Maschmühlenweg 8–10

37073 Göttingen

Email: Burgi.riens@aqua-institut.de

    >