CC BY-NC-ND 4.0 · Gesundheitswesen 2020; 82(S 02): S101-S107
DOI: 10.1055/a-1082-0777
Original Article
Eigentümer und Copyright ©Georg Thieme Verlag KG 2019

Incidence Estimation in Post-ICU Populations: Challenges and Possible Solutions When Using Claims Data

Inzidenzschätzung nach Entlassung von der Intensivstation: Herausforderungen und mögliche Lösungen bei der Verwendung von GKV-Routinedaten
Magdalena Brandl
1   Institut für Epidemiologie und Präventivmedizin, Medizinische Soziologie, Universität Regensburg, Regensburg, Germany
,
Christian Apfelbacher
1   Institut für Epidemiologie und Präventivmedizin, Medizinische Soziologie, Universität Regensburg, Regensburg, Germany
2   Institut für Sozialmedizin und Gesundheitsökonomie, Otto von Guericke Universitat Magdeburg, Magdeburg, Germany
3   Lee Kong Chian School of Medicine, Family Medicine and Primary Care, Singapore, Singapore
,
Annette Weiß
1   Institut für Epidemiologie und Präventivmedizin, Medizinische Soziologie, Universität Regensburg, Regensburg, Germany
,
Susanne Brandstetter
1   Institut für Epidemiologie und Präventivmedizin, Medizinische Soziologie, Universität Regensburg, Regensburg, Germany
4   Klinik und Poliklinik für Kinder- und Jugendmedizin (KUNO-Kliniken), Universität Regensburg, Regensburg, Germany
,
Sebastian Edgar Baumeister
5   LMU München, Lehrstuhl für Epidemiologie am UNIKA-T, Augsburg, Germany
6   Helmholtz Zentrum Munchen Deutsches Forschungszentrum fur Umwelt und Gesundheit, Independent Research Group Clinical Epidemiology, Neuherberg, Germany
7   Institute for Community Medicine, Greifswald, Universitatsmedizin Greifswald, Germany
› Institutsangaben
Funding: The project on which this publication is based was funded by the innovation fund of the Joint Federal Committee (Gemeinsamer Bundesausschuss, G-BA). Funding code: 01VSF16056.
Weitere Informationen

Publikationsverlauf

Publikationsdatum:
28. Januar 2020 (online)

Abstract

Background New or worsening cognitive, physical and/or mental health impairments after acute care for critical illness are referred to as “post-intensive care syndrome” (PICS). Little is known about the incidence of its components, since it is challenging to recruit patients after intensive care unit (ICU) treatment for observational studies. Claims data are particularly suited to achieve incidence estimates in difficult-to-recruit groups. However, some limitations remain when using claims data for empirical research on the outcome of ICU treatment. The objective of this article is to describe three challenges and possible solutions for the estimation of the incidence of PICS based on claims data

Methodological challenges: The presence of competing risk by death, investigating a syndrome and dealing with interval censoring First, in (post) ICU populations the assumption of independence between the event of interest (diagnosis of PICS component) and the competing event (death) is violated. Competing risk is an event whose occurrence precludes the event of interest to be observed, and in ICU populations, death is a frequent secondary event. Methods that estimate incidence in the presence of competing risks are well-established but have not been applied to the scenario described above. Second, PICS is a complex syndrome and represented by various ICD-10 (International Classification of Diseases, 10th Revision) disease codes. The operationalization of this syndrome (case identification) and the validation of cases are particularly challenging. Third, another major challenge is that the exact date of the event of interest is not available in claims data. It is only known that the event occurred within a certain interval. This feature is called interval censoring. Recently, methods have been developed that address informative censoring due to competing risks in the presence of interval censoring. We will discuss how these methods could be used to tackle the problem when estimating PICS components. Alternatively, it could be possible to assign an exact date for each diagnosis by combining the diagnosis with the exact date of prescriptions of the respective medicines and/or medical services.

Conclusion Estimating incidence in post-ICU populations entails various methodological issues when using claims data. Investigators need to be aware of the presence of competing risks. The application of internal validation criteria to operationalize the event of interest is crucial to achieve reliable incidence estimates. The problem of interval censoring can be solved either by statistical methods or by combining information from different sources.

Zusammenfassung

Hintergrund Neue oder sich verschlechternde kognitive, körperliche und/oder psychische Folgeerkrankungen nach der Behandlung kritischer Erkrankungen auf der Intensivstation (ICU) werden als „Post-Intensiv-Syndrom“ (PICS) bezeichnet. Die Rekrutierung von ehemaligen Intensivpatienten für Beobachtungsstudien gestaltet sich oftmals als schwierig, weshalb kaum Informationen zur Inzidenz einzelner Komponenten dieses Syndroms vorliegen. (GKV-)Routinedaten sind daher besonders gut geeignet, um Inzidenzschätzungen an solchen schwer zu rekrutierenden Gruppen durchzuführen. Allerdings gibt es einige methodische Herausforderungen, die adressiert werden müssen, wenn man empirische Forschung zu Folgen von Intensivaufenhalten auf Basis von Routinedaten durchführen möchte. Ziel dieser Arbeit ist es, 3 wesentliche Herausforderungen und mögliche Lösungen für die Schätzung der Inzidenz von PICS auf Grundlage von GKV-Routinedaten zu beschreiben.

Methodische Herausforderungen Konkurrierendes Risiko durch Versterben, die Untersuchung eines Syndroms und der Umgang mit Intervallzensierung.

Erstens wird in (Post-)ICU-Populationen die Annahme der Unabhängigkeit zwischen dem interessierenden Ereignis (Diagnose der PICS-Komponente) und dem konkurrierenden Ereignis (Tod) verletzt. Das konkurrierende Risiko (competing risk) ist ein Ereignis, dessen Auftreten das zu beobachtende Ereignis von Interesse ausschließt. Das konkurrierende Ereignis bleibt häufig unberücksichtigt, aber in ICU-Populationen ist das Versterben ein häufiges sekundäres Ereignis. Methoden zur Schätzung der Inzidenz bei konkurrierenden Risiken sind gut etabliert, wurden aber nicht auf das oben beschriebene Szenario angewendet.

Zweitens ist PICS ein komplexes Syndrom und kann durch verschiedene ICD-10-Codes (Internationale Klassifikation der Krankheiten, 10. Revision) abgebildet werden. Die Operationalisierung dieses Syndroms (Fallidentifizierung) und die Validierung von Fall-Definitionen sind besonders herausfordernd.

Die dritte große Herausforderung ist die fehlende Dokumentation des genauen Datums des interessierenden Ereignisses in den GKV-Routinedaten. Die vorhandenen Daten geben nur Aufschluss darüber, ob das Ereignis innerhalb eines bestimmten Zeitraums eingetreten ist. Diese Eigenschaft wird als Intervallzensierung bezeichnet. Seit kurzem gibt es Methoden, die eine informative Zensierung aufgrund konkurrierender Risiken bei gleichzeitiger Intervallzensierung berücksichtigen. Eine weitere Alternative besteht darin die Zuordnung eines genauen Datums zu jeder PICS-Diagnose mithilfe von Verordnungsdaten zu kombinieren, denn für die Verschreibung eines entsprechenden Medikamentes und/oder medizinischer Leistungen ist ein genaues Datum hinterlegt.

Schlussfolgerung Die Inzidenzschätzung in Post-ICU-Populationen bringt verschiedene methodische Probleme bei der Verwendung von GKV-Routinedaten mit sich. Wissenschaftlern muss das Vorhandensein von konkurrierenden Risiken bewusst sein. Die Anwendung interner Validierungskriterien zur Operationalisierung des interessierenden Ereignisses ist entscheidend, um zuverlässige Inzidenzschätzungen zu erhalten. Das Problem der Intervallzensierung kann entweder durch statistische Methoden oder durch die Kombination von Informationen aus anderen Quellen gelöst werden.

 
  • References

  • 1 Wunsch H, Guerra C, Barnato AE. et al. Three-year outcomes for Medicare beneficiaries who survive intensive care. Jama 2010; 303: 849-856
  • 2 Adhikari NKJ, Fowler RA, Bhagwanjee S. et al. Critical care and the global burden of critical illness in adults. Lancet 2010; 376: 1339-1346
  • 3 Vincent J-L, Marshall JC, Ñamendys-Silva SA. et al. Assessment of the worldwide burden of critical illness: The Intensive Care Over Nations (ICON) audit. Lancet Respir Med 2014; 2: 380-386
  • 4 Needham DM, Davidson J, Cohen H. et al. Improving long-term outcomes after discharge from intensive care unit: Report from a stakeholders' conference. Crit Care Med 2012; 40: 502-509
  • 5 Marra A, Pandharipande PP, Girard TD. et al. Co-Occurrence of post-intensive care syndrome problems among 406 survivors of critical illness. Crit Care Med 2018; 46: 1393-1401
  • 6 Davydow DS, Gifford JM, Desai SV. et al. Posttraumatic stress disorder in general intensive care unit survivors: A systematic review. Gen Hosp Psychiatry 2008; 30: 421-434
  • 7 Dodoo-Schittko F, Brandstetter S, Apfelbacher C. et al. Folgen kritischer Erkrankung und mögliche Interventionen. Anästhesiol Intensivmed Notfallmed Schmerzther 2017; 52: 137-144
  • 8 Harvey MA, Davidson JE. Postintensive Care Syndrome: Right Care, Right Now... and Later. Crit Care Med 2016; 44: 381-385
  • 9 Lone NI, Gillies MA, Haddow C. et al. Five-Year mortality and hospital costs associated with surviving intensive care. Am J Respir Crit Care Med 2016; 194: 198-208
  • 10 Swart E, Ihle P, Gothe H. et al. Routinedaten im Gesundheitswesen. Verlag Hans Huber; Hogrefe AG: 2014
  • 11 Hoffmann F, Koller D. Different regions, differently insured populations? Socio-demographic and health-related differences between insurance funds. Gesundheitswesen 2017; 79: e1-e9
  • 12 Smith TM.. Post-stratification. J Royal Stat Soc 1991; 40: 315-323
  • 13 Fassmer AM, Spreckelsen O, Hoffmann F. Incidence of pneumonia in nursing home residents in Germany: Results of a claims data analysis. Epidemiol Infect 2018; 146: 1123-1129
  • 14 Brinkman S, Bakhshi-Raiez F, Abu-Hanna A. et al. Determinants of mortality after hospital discharge in ICU patients: literature review and Dutch cohort study. Crit Care Med 2013; 41: 1237-1251
  • 15 Kleinbaum DG, Klein M. Survival Analysis. Springer; 2010
  • 16 Beyersmann J, Gastmeier P, Schumacher M. Incidence in ICU populations: How to measure and report it?. Intensive Care Med 2014; 40: 871-876
  • 17 Putter H, Fiocco M, Geskus RB. Tutorial in biostatistics: Competing risks and multi-state models. Stat Med 2007; 26: 2389-2430
  • 18 Andersen PK, Geskus RB, de Witte T. et al. Competing risks in epidemiology: Possibilities and pitfalls. Int J Epidemiol 2012; 41: 861-870
  • 19 Gichangi A, Vach W. The analysis of competing risks data: A guided tour. Stat Med 2005; 132: 1-41
  • 20 Kalbfleisch J, Prentice R. Competing risks and multistate models. The statistical analysis of failure time data 2002; 247: 277
  • 21 Andersen PK, Abildstrom SZ, Rosthoj S. Competing risks as a multi-state model. Statistical methods in medical research 2002; 11: 203-215
  • 22 Lin D. Non-Parametric inference for cumulative incidence functions in competing risks studies. Stat Med 1997; 16: 901-910
  • 23 Pintilie M. Competing risks: A practical perspective. John Wiley & Sons; 2006
  • 24 Lunn M, McNeil D. Applying Cox regression to competing risks. Biometrics 1995; 524-532
  • 25 Latouche A, Allignol A, Beyersmann J. et al. A competing risks analysis should report results on all cause-specific hazards and cumulative incidence functions. Journal of Clinical Epidemiology 2013; 66: 648-653
  • 26 Lau B, Cole SR, Gange SJ. Competing risk regression models for epidemiologic data. Am J Epidemiol 2009; 170: 244-256
  • 27 Lunn M, McNeil D. Applying Cox regression to competing risks. Biometrics 1995; 51: 524-532
  • 28 Fine JP, Gray RJ. A Proportional Hazards Model for the Subdistribution of a Competing Risk. J Am Stat Assoc 1999; 94: 496-509
  • 29 Verduijn M, Grootendorst DC, Dekker FW. et al. The analysis of competing events like cause-specific mortality – beware of the Kaplan-Meier method. Nephrology, dialysis, transplantation: Official Publication of the European Dialysis and Transplant Association - European Renal Association 2011; 26: 56-61
  • 30 Austin PC, Lee DS, Fine JP. Introduction to the Analysis of Survival Data in the Presence of Competing Risks. Circulation 2016; 133: 601-609
  • 31 Brinks R, Hoyer A, Weber S. et al. Age-specific and sex-specific incidence of systemic lupus erythematosus: An estimate from cross-sectional claims data of 2.3 million people in the German statutory health insurance 2002. Lupus Sci Med 2016; 3: e000181
  • 32 Sewerin P, Brinks R, Schneider M. et al. Prevalence and incidence of psoriasis and psoriatic arthritis. Ann Rheum Dis 2019; 78: 286-287
  • 33 Landwehr S, Brinks R. A comparative study of prevalence-based incidence estimation techniques with application to dementia data in Germany. Stat Med 2016; 35: 768-781
  • 34 Hoffmann F, Andersohn F, Giersiepen K. et al. [Validation of secondary data. Strengths and limitations]. Bundesgesundheitsblatt, Gesundheitsforschung, Gesundheitsschutz 2008; 51: 1118-1126
  • 35 Nerius M, Fink A, Doblhammer G. Parkinsonʼs disease in Germany: prevalence and incidence based on health claims data. Acta Neurol Scand 2017; 136: 386-392
  • 36 Schubert I, Ihle P, Koster I. [Internal confirmation of diagnoses in routine statutory health insurance data: concept with examples and case definitions]. Gesundheitswesen 2010; 72: 316-322
  • 37 Bramesfeld A, Grobe TG, Schwartz FW. Who is diagnosed as suffering from depression in the German statutory health care system? An analysis of health insurance data. Eur J Epidemiol 2007; 22: 397-403
  • 38 Ziegler U, Doblhammer G. [Prevalence and incidence of dementia in Germany – a study based on data from the public sick funds in 2002]. Gesundheitswesen 2009; 71: 281-290
  • 39 Schmedt N, Khil L, Berger K. et al. Incidence of Multiple Sclerosis in Germany: A Cohort Study Applying Different Case Definitions Based on Claims Data. Neuroepidemiology 2017; 49: 91-98
  • 40 Collett D. Modelling survival data in medical research: Chapman and Hall/CRC. 2015;
  • 41 Leung KM, Elashoff RM, Afifi AA. Censoring issues in survival analysis. Annu Rev Public Health 1997; 18: 83-104
  • 42 Singer JD, Willett JB. Applied longitudinal data analysis: Modeling change and event occurrence. Oxford university press; 2003
  • 43 Bakoyannis G, Yu M, Yiannoutsos CT. Semiparametric regression on cumulative incidence function with interval-censored competing risks data. Stat Med 2017; 36: 3683-3707