Sind Prävalenzen in Survey- und Routinedaten vergleichbar? Herzinfarktprävalenzen in Krankenkassendaten der AOK Niedersachsen und in Daten der Studie zur Gesundheit Erwachsener in Deutschland (DEGS1)

Zusammenfassung

Ziele der Studie In dieser Studie wurde ein Vergleich von Herzinfarktprävalenzen zwischen Krankenkassen- und Gesundheitsbefragungsdaten vorgenommen. Bisherige Vergleichsstudien haben die jeweilige Population verwendet, ohne mögliche Unterschiede in der soziodemografischen Struktur zu berücksichtigen. Der hier verfolgte Ansatz hatte zum Ziel, die soziodemografische Struktur über verfügbare Informationen in beiden Datensätzen anzugleichen und den Vergleich der Prävalenzen bei parallelisierten Stichproben vorzunehmen.

Methodik Für die Analyse wurden die Daten der Studie zur Gesundheit Erwachsener in Deutschland (DEGS1) und Abrechnungsdaten der AOK Niedersachsen (AOKN) verwendet. Um die soziodemografische Struktur der beiden Datensätze anzugleichen wurde eine nach Geschlecht, Alter und Berufsbildungsabschluss parallelisierte Stichprobe aus den AOKN-Daten gezogen. Im Rahmen einer Sensitivitätsanalyse wurden weitere Stichproben gezogen und eine Gesamtprävalenz daraus gebildet.

Ergebnisse Es wurden Daten von 5779 DEGS1-Befragten und 22 534 AOKN-Versicherten für die Analyse verwendet. Nach der Parallelisierung der Versichertenstichprobe nach Geschlecht, Alter und Berufsbildungsabschluss ließen sich keine signifikanten Unterschiede in der Herzinfarktprävalenz zwischen Krankenkassendaten der AOKN und Daten aus dem Gesundheitssurvey DEGS1 feststellen. Bei Männern bestehen Tendenzen zu niedrigeren Herzinfarktprävalenzen in den AOKN-Daten. Mögliche Erklärung dafür ist entweder die vermutete Selektion von weniger morbiden Versicherten durch die Verwendung des Berufsbildungsabschlusses in den Daten der AOKN zur Parallelisierung oder aber mögliche Erinnerungsfehler der Befragten in DEGS1.

Schlussfolgerung Für die Interpretation von Erkrankungsprävalenzen aus unterschiedlichen Datenquellen können Unterschiede in der soziodemografischen Struktur eine Rolle spielen. Dies kann mittels Parallelisierung der Stichproben ausgeglichen werden. Künftige vergleichende Analysen mit Routinedaten sollten verfügbare soziodemografische Informationen berücksichtigen. Eine Ausweitung des Ansatzes auf Krankheiten wie Diabetes und Stoffwechselstörungen ist in Planung.

Abstract

Aims of the study This study compared prevalences of myocardial infarction between data drawn from health interviews and claims data from statutory health insurance. Previous comparative studies have drawn comparisons without having considered possible differences in the sociodemographic structure of the underlying study populations. The approach applied here aimed to match the sociodemographic structure via available information in both datasets and to compare prevalences in parallelized samples.

Methodology Data from the German Health Interview and Examination Study for Adults (DEGS1) and claims data from the AOK Lower Saxony (AOKN) were used. To match the sociodemographic structure of the two data sets, a parallelized sample was drawn from the AOKN data according to sex, age, and vocational training qualification. As part of a sensitivity analysis, additional samples were drawn and a mean overall prevalence was calculated from them.

Results Data from 5779 DEGS1 respondents and 22 534 AOKN insured persons were used for the analysis. After parallelization of the AOKN-sample by sex, age, and vocational training qualification, no significant differences in prevalence of myocardial infarction could be found between claims data from the AOKN and data from the DEGS1 Health Survey. In men, there were tendencies toward lower prevalence of myocardial infarction in the AOKN data. Possible explanations include the selection of less morbid insured persons by using the vocational education degree for parallelization or memory discrepancies in survey data.

Conclusion Differences in sociodemographic structure may play a role the interpretation of disease prevalence from difference data sources. This can be compensated for by parallelizing the samples. Future comparative analyses should take into account characteristics of the socioeconomic status. Similar analyses of other diseases such as stroke, diabetes, and metabolic disorders would be desirable.

Schlüsselwörter

Herzinfarkt - Krankenkassendaten - Surveydaten - DEGS1 - Prävalenz - Vergleichsstudie

Key words

myocardial infarction - health insurance claims data - survey data - GHIES - prevalence - comparative study

Publication History

Article published online:
19 November 2021

• Literatur

• 1 Swart E, Gothe H, Geyer S. et al. Gute Praxis Sekundardatenanalyse (GPS): Leitlinien und Empfehlungen. Gesundheitswesen 2015; 77: 120-126
• 2 Gosswald A, Lange M, Dolle R. et al. Die erste Welle der Studie zur Gesundheit Erwachsener in Deutschland (DEGS1). Gewinnung von Studienteilnehmenden, Durchführung der Feldarbeit und Qualitätsmanagement. Bundesgesundheitsblatt-Gesundheitsforschung-Gesundheitsschutz 2013; 56: 611-619
• 3 Robert_Koch_Institut. DEGS1: Basispublikationen. Wie gesund sind die Menschen in Deutschland?. 2021 https://www.degs-studie.de/deutsch/ergebnisse/degs1/degs1-basispublikation.html
• 4 Nerius M, Ziegler U, Doblhammer G. et al. Trends in der Prävalenz von Demenz und Parkinson – Eine Analyse auf Basis aller gesetzlich versicherten Personen im Alter 65+in Deutschland zwischen 2009 und 2012. Gesundheitswesen 2020; 82: 761-769
• 5 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. Bundesgesundheitsblatt-Gesundheitsforschung-Gesundheitsschutz 2020; 63: 1219-1230
• 6 Ihle P, Dippel FW, Schubert I. Statin-associated myopathy. Assessment of frequency based on data of all statutory health insurance funds in Germany. Pharmacology Research & Perspectives 2018; 6
• 7 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
• 8 Robert-Koch-Institut. DEGS – Studie zur Gesundheit Erwachsener in Deutschland. Projektbeschreibung. Berlin: 2009
• 9 Busch MA, Maske UE, Ryl L. et al. Prävalenz von depressiver Symptomatik und diagnostizierter Depression bei Erwachsenen in Deutschland. Bundesgesundheitsblatt 2013; 56: 733-739
• 10 Schubert I, Köster I. Krankheitsereignis: Operationalisierung und Falldefinition. In: Swart E, Ihle P, Gothe H and Matusiewicz D Hrsg.Routinedaten im Gesundheitswesen. Handbuch Sekundärdatenanalyse: Grundlagen, Methoden und Perspektiven, vol 2. Huber; Bern: 2014: 358-368
• 11 Schubert I, Ihle P, Köster I. Interne Validierung von Diagnosen in GKV Routinedaten: Konzeption mit Beispielen und Falldefinition. Das Gesundheitswesen 2010; 72: 316-322
• 12 Hoffmann F, Andersohn F, Giersiepen K. et al. Validierung von Sekundärdaten. Grenzen und Möglichkeiten. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 2008; 51: 1118-1126
• 13 Geyer S, Jaunzeme J. Möglichkeiten und Grenzen von Befragungsdaten und Daten gesetzlicher Krankenversicherungen. In: Swart E, Ihle P, Gothe H and Matusiewicz D Hrsg. Routinedaten im Gesundheitswesen. Huber Verlag; Bern: 2014: 223-233
• 14 Cohen G, Duffy JC. Are nonrespondents to health surveys less healthy than respondents?. Journal of Official Statistics 2002; 18: 13-24
• 15 Pirzada A, Yan LL, Garside DB. et al. Response Rates to a Questionnaire 26 Years after Baseline Examination with Minimal Interim Participant Contact and Baseline Differences between Respondents and Nonrespondents. American Journal of Epidemiology 2004; 159: 94-101
• 16 Gundgaard J, Ekholm O, Hansen EH. et al. The effect of non-response on estimates of health care utilisation: linking health surveys and registers. The European Journal of Public Health. 2007
• 17 Erler A, Beyer M, Muth C. et al. Garbage in, Garbage out? Validity of Coded Diagnoses from GP Claims Records. Das Gesundheitswesen 2009; 71: 823-831
• 18 Goffrier B, Bätzing J, Holstiege J. Entwicklung der administrativen Prävalenz des Diabetes mellitus von 2009 bis 2015. Monitor Versorgungsforschung 2017; 10: 46-49
• 19 Statistisches_Bundesamt_Hrsg. Standardbevölkerungen 2021 https://www.gbe-bund.de/gbe/abrechnung.prc_abr_test_logon?p_uid=gast&p_aid=0&p_knoten=FID&p_sprache=D&p_suchstring=10216
• 20 Grobe TG, Kleine-Budde K, Bramesfeld A. et al. Prevalences of Depression Among Adults: Comparative Analysis of a Nationwide Survey and Routine Data. Gesundheitswesen 2019; 81: 1011-1017
• 21 Frank J. Comparing nationwide prevalences of hypertension and depression based on claims data and survey data: An example from Germany. Health Policy 2016; 120: 1061-1069
• 22 McCormick N, Lacaille D, Bhole V. et al. Validity of Myocardial Infarction Diagnoses in Administrative Databases: A Systematic Review. Plos One 2014; 9: 13
• 23 Metcalfe A, Neudam A, Forde S. et al. Case Definitions for Acute Myocardial Infarction in Administrative Databases and Their Impact on In-Hospital Mortality Rates. Health Services Research 2013; 48: 290-318
• 24 Gosswald A, Lange M, Kamtsiuris P. et al. DEGS: Studie zur Gesundheit Erwachsener in Deutschland. Bundesweite Quer- und Längsschnittstudie im Rahmen des Gesundheitsmonitorings des Robert Koch-Instituts. Bundesgesundheitsblatt-Gesundheitsforschung-Gesundheitsschutz 2012; 55: 775-780
• 25 Scheidt-Nave C, Kamtsiuris P, Gosswald A. et al. German health interview and examination survey for adults (DEGS) – design, objectives and implementation of the first data collection wave. Bmc Public Health 2012; 12
• 26 Deutsches_Institut_für_Medizinische_Dokumentation_und_Information_(DIMDI). 2018. Internationale statistische Klassifikation der Krankheiten und verwandter Gesundheitsprobleme, 10. Revision – German Modification. Köln:
• 27 Bundesagentur_für_Arbeit (2011). Klassifikation der Berufe 2010 (KLDB 2010). Nürnberg: Bundesagentur_für_Arbeit
• 28 Verordnung über die Erfassung und Übermittlung von Daten für die Träger der Sozialversicherung (Datenerfassungs- und -übermittlungsverordnung – DEÜV), (1998) 343
• 29 Glickmann L, Hubbard M, Liveright T. et al. Fall-off in reporting life events: Effects of life change, desirability, and anticipation. Behavioral Medicine 1990; 16: 31-37
• 30 Tourangeau R, Rips LJ, Rasinski K. The Psychology of Survey Response. Cambridge: Cambridge University Press; 2000: 2000
• 31 Walker M, Whincup PH, Shaper G. et al. Validation of Patient Recall of Doctor-diagnosed Heart Attack and Stroke: A Postel Questionnaire and Record Review Comparison. American Journal of Epidemiology 1998; 148: 355-361
• 32 Etter JF, Perneger TV. Analysis of non-response bias in a mailed health survey. Journal of Clinical Epidemiology 1997; 50: 1123-1128
• 33 Vercambre MN, Gilbert F. Respondents in an epidemiologic survey had fewer psychotropic prescriptions than nonrespondents: an insight into health-related selection bias using routine health insurance data. Journal of Clinical Epidemiology 2012; 65: 1181-1189
• 34 Geyer S, Eberhard S, Schmidt BM. et al. Morbidity compression in myocardial infarction 2006 to 2015 in terms of changing rates and age at occurrence. A longitudinal study using claims data from Germany. PLoS ONE 2018; 13: e0202631
• 35 Tetzlaff J, Geyer S, Westhoff-Bleck M. et al. Social inequalities in mild and severe myocardial infarction: how large is the gap in health expectancies?. Bmc Public Health 2021; 21