Die Nutzung von Routinedaten der gesetzlichen Krankenkassen (GKV) zur Beantwortung gesundheitsökonomischer Fragestellungen – eine Potenzialanalyse

Zusammenfassung

Vor dem Hintergrund einer sich verschärfenden Finanzierungsproblematik im deutschen Gesundheitswesen werden Erkenntnisse der gesundheitsökonomischen Forschung zukünftig weiter an Relevanz gewinnen. Dabei stellt sich die Frage, aus welchen Datenquellen solche Erkenntnisse generiert werden können? In den letzten Jahren richtete sich der Fokus insbesondere in der Versorgungsforschung zunehmend auf die Nutzung von Sekundärdaten, insbesondere der gesetzlichen Krankenversicherungen. Dabei wird immer wieder auf die grundsätzlichen Vorteile solcher Daten hingewiesen: die Abbildung des Versorgungsalltags, die schnelle und kostengünstige Datenverfügbarkeit sowie hohe Fallzahlen. Der vorliegende Artikel soll das Potenzial und die Einschränkungen von Sekundärdaten zur Beantwortung gesundheitsökonomischer Fragstellungen exemplarisch aufzuzeigen. Im Fokus stehen dabei die Nutzungsmöglichkeiten routinemäßig erhobener Datensätze der gesetzlichen Krankenversicherungssysteme (GKV). Dabei erweisen sich Sekundärdaten der GKV in der Gesundheitsökonomie als sinnvolle Möglichkeit zur Durchführung von Krankheitskostenstudien und Kosten-Minimierungsanalysen sowie als zusätzliche Datenbasis für Kosten-Nutzen- bzw. Kosten-Effektivitätsanalysen. Die Möglichkeit zur Durchführung von Patientenflussanalysen bietet zudem die Möglichkeit zur Validierung gesundheitsökonomischer Modelle. Als problematisch erweist sich bei der Nutzung von Sekundärdaten aber in besonderer Hinsicht die Gefahr des Confounding und der damit verbundenen Fehlinterpretation gesundheitsökonomischer Ergebnisse. Hier muss mit speziellen Maßnahmen (z. B. Datenvalidierung, Plausibilitätsprüfungen, Nutzung von Propensity Scores) eine Kontrolle möglicher Störgrößen erfolgen. Dennoch sind Krankenkassendaten grundsätzlich zur Durchführung von gesundheitsökonomischen Sekundärdatenanalysen geeignet und bieten an dieser Stelle in besonderer Weise unterstützendes Potenzial zur Entscheidungsfindung im Gesundheitswesen.

Abstract

Facing an increasingly difficult financial situation in the German health care system, the relevance of health economic research will become more and more important. A main question is on which data sources such analyses can be based on? Particularly in the field of health services research, the use of secondary data, especially from sickness funds, gained more attention during the last years. As advantages of such data were pointed out: the reflection of routine care, the rapid and cost-effective availability of the data as well as large numbers of cases. The present article aims to illustrate and summarize the applicapability and the limitations of secondary data for answering health-economic questions and is focusing on the usage of routinely documented data from German statutory health insurance systems (SHI). As a main result it can be stated that secondary data are applicable as a useful way to carry out cost-of-illness studies as well as comparative cost-minimization analyses. The possibilities to implement patient flow analysis additionally offer the opportunity to support respectively validate health economic models to conduct cost-utility, cost-effectiveness or cost-benefit-analyses. A major limitation could arise from the increased risk of confounding, which is related with every use of secondary data. Thus, the control of possible confounders, using special instruments like data validation, plausibility checks or the use of propensity scores, should be kept in mind. However, health insurance data are generally suitable for the implementation in health economic research and could be a useful tool for supporting decision making processes in health care also in the German health care system.

Schlüsselwörter

Sekundärdaten - gesundheitsökonomische Evaluation - Krankheitskostenanalyse - Kosteneffektivität - Gesundheitsökonomie

Key words

secondary data - health economic evaluation - cost-of-illness studies - cost-effectiveness - health economy

Literatur

• 1 Damm O, Hodek J M, Greiner W. Methodological standards for cost-of-illness studies using breast cancer, prostate cancer and colon cancer as an example.  Z Evid Fortbild Qual Gesundhwes. 2009;  103 (6) 305-316
• 2 Robinson R. Cost-effectiveness analysis.  BMJ. 1993;  307 (6907) 793-795
• 3 Shiell A, Gerard K, Donaldson C. Cost of illness studies: an aid to decision-making?.  Health Policy. 1987;  8 317-323
• 4 Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen (IQWiG) .Allgemeine Methoden zur Bewertung von Verhältnissen zwischen Nutzen und Kosten (Version 1.0 vom 12.10.2009). 2009 http://www.iqwig.de/download/Methodik_fuer_die_Bewertung_von_Verhaeltnissen_zwischen_Kosten_und_Nutzen.pdf
• 5 Treweek S, Zwarenstein M. Making trials matter: pragmatic and explanatory trials and the problem of applicability.  Trials. 2009;  10 37
• 6 Foster R S, Clemens M K. Medicare financial status, budget impact, and sustainability – which concept is which?.  Health Care Financ Rev. 2009;  30 (3) 77-90
• 7 Swart E, Ihle P, Geyer S et al. GPS – good practice secondary data analysis. Working Group for the Survey and Utilization of Secondary Data (AGENS) of the German Society for Social Medicine and Prevention (DGSMP).  Gesundheitswesen. 2005;  67 (6) 416-421
• 8 Hoffmann F. Review on use of German health insurance medication claims data for epidemiological research.  Pharmacoepidemiol Drug Saf. 2009;  18 (5) 349-356
• 9 Ihle P. Data protection and methodological aspects in compiling a routine database from statutory health insurance data for research purposes.  Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz. 2008;  51 (10) 1127-1134
• 10 Tarricone R. Cost-of-illness analysis. What room in health economics?.  Health Policy. 2006;  77 (1) 51-63
• 11 Graf von der Schulenburg J M, Greiner W. Gesundheitsökonomik. Mohr Siebeck. Tübingen; 2000
• 12 Graf von der Schulenburg J M, Greiner W, Jost F et al. German recommendations on health economic evaluation: third and updated version of the Hanover Consensus.  Value Health. 2008;  11 (4) 539-544
• 13 Segel J E. Cost-of-Illness Studies: A Primer. 2006 Ref Type: Report
• 14 Byford S, Torgerson D J, Raftery J. Economic note: cost of illness studies.  BMJ. 2000;  320 (7245) 1335
• 15 Sturmer T, Joshi M, Glynn R J et al. A review of the application of propensity score methods yielded increasing use, advantages in specific settings, but not substantially different estimates compared with conventional multivariable methods.  J Clin Epidemiol. 2006;  59 (5) 437-447
• 16 Suissa S. Immortal time bias in pharmaco-epidemiology.  Am J Epidemiol. 2008;  167 (4) 492-499
• 17 Briggs A, Claxton K, Sculpher M. Decision Modelling for Health Economic Evaluation. Oxford University Press. Oxford, New York; 2006
• 18 Schubert I, Koster I, Kupper-Nybelen J et al. Health services research based on routine data generated by the SHI. Potential uses of health insurance fund data in health services research.  Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz. 2008;  51 (10) 1095-1105
• 19 Juszczak P, Wiliams T, Staa van T. Assessment of Data Quality in Health Care Databases. Meeting Abstract (25th International Conference on Pharmacoepidemiology and Therapeutic Risk Management). 2009
• 20 Reinhold T, Thierfelder K, Muller-Riemenschneider F et al. Health economic effects after DRG-implementation – a systematic overview.  Gesundheitswesen. 2009;  71 (5) 306-312
• 21 Roland M, Torgerson D J. What are pragmatic trials?.  BMJ. 1998;  316 (7127) 285
• 22 Miettinen O S. The need for randomization in the study of intended effects.  Stat Med. 1983;  2 (2) 267-271
• 23 Schneeweiss S. Developments in post-marketing comparative effectiveness research.  Clin Pharmacol Ther. 2007;  82 (2) 143-156
• 24 Schneeweiss S, Rassen J A, Glynn R J et al. High-dimensional propensity score adjustment in studies of treatment effects using health care claims data.  Epidemiology. 2009;  20 (4) 512-522
• 25 Schlesselman J J. Assessing effects of confounding variables.  Am J Epidemiol. 1978;  108 (1) 3-8
• 26 Schneeweiss S. Sensitivity analysis and external adjustment for unmeasured confounders in epidemiologic database studies of therapeutics.  Pharmacoepidemiol Drug Saf. 2006;  15 (5) 291-303