Risikoadjustierung und Fallgruppenanalyse

Die Risikoadjustierung umfasst statistische Methoden, die angewendet werden, um Unterschiede in den Patientenmerkmalen bei Vergleichen von Ergebnissen oder Kosten verschiedener Anbieter, Programme oder Behandlungen zu berücksichtigen. Da Krankenhäuser und Kliniker Patienten mit unterschiedlichem Alter, Schweregrad und Komorbiditäten behandeln, erfordert ein fairer Vergleich der gemessenen Ergebnisse eine Anpassung an diesen Fall-Mix; andernfalls könnten scheinbare Qualitätsunterschiede lediglich Unterschiede in den behandelten Patienten widerspiegeln.

Definition

Risikoadjustierung ist der Prozess der statistischen Berücksichtigung von Unterschieden in der Patientenzusammensetzung (Case Mix), wie z. B. Krankheits-Schweregrad und Komorbidität, sodass Vergleiche von Gesundheitsergebnissen oder Kosten zwischen Anbietern oder Gruppen eher Unterschiede in der Versorgung als Unterschiede in den behandelten Patienten widerspiegeln.

Scope

Dieser Eintrag behandelt die Notwendigkeit der Risikoadjustierung, die Hauptansätze (Komorbiditätsindizes, multivariate Modelle und Propensity Scores) sowie die Daten- und Validitätsprobleme, die sie einschränken. Es handelt sich um eine methodische Referenz im Rahmen der Qualitätsmessung und liefert keine klinischen Risikoschätzungen oder Leitlinien für einzelne Patienten.

Core questions

• Warum können rohe Ergebnisvergleiche zwischen Anbietern irreführend sein?
• Welche Patientenfaktoren sollten adjustiert werden und welche nicht?
• Wie unterscheiden sich Komorbiditätsindizes, Regressionsmodelle und Propensity Scores als Adjustierungsmethoden?
• Was begrenzt die Validität der Risikoadjustierung, und wann bleibt Rest-Confounding bestehen?

Key concepts

• Fall-Mix und Krankheits-Schweregrad
• Komorbiditätsindizes
• Multivariate Risikoadjustierungsmodelle
• Propensity Scores und Kovariaten-Balance
• Standardisierte Mortalitätsrate
• Rest-Confounding
• Administrative versus klinische Daten

Key theories

Propensity Score zur Confounding-Kontrolle

Rosenbaum und Rubin zeigten, dass der Propensity Score, die Wahrscheinlichkeit, eine Behandlung zu erhalten oder in einer Gruppe zu sein, gegeben die beobachteten Kovariaten, ein ausgleichender Score ist: Die Konditionierung darauf gleicht die gemessenen Kovariaten zwischen den Gruppen aus, was einen faireren Vergleich der Ergebnisse in Beobachtungsdaten ermöglicht. Das Konzept untermauert viele moderne Strategien zur Risikoadjustierung und zum Vergleich von Fallgruppen.

Mechanisms

Die Risikoadjustierung beginnt mit der Identifizierung von patientenbezogenen Faktoren, die vor der Behandlung vorhanden sind und das interessierende Ergebnis beeinflussen, wie Alter, Schweregrad und Komorbidität. Diese Faktoren werden entweder durch Komorbiditätsindizes, wie den Charlson-Index, der aus gewichteten Diagnosen erstellt wird, oder den Elixhauser-Komorbiditätssatz, der für administrative Daten konzipiert ist, zusammengefasst oder in ein multivariates Modell eingegeben, das das erwartete Ergebnis für jeden Patienten vorhersagt. Die beobachteten Ergebnisse werden dann mit den vom Modell erwarteten Ergebnissen verglichen, oft als standardisiertes Verhältnis. Propensity-Score-Methoden, nach Rosenbaum und Rubin, gleichen stattdessen die Verteilung der gemessenen Kovariaten zwischen den Gruppen vor dem Vergleich aus. Alle diese Methoden adjustieren nur für gemessene Faktoren; ungemessene Unterschiede hinterlassen Rest-Confounding, und die Qualität der zugrunde liegenden Daten, insbesondere der administrativen Kodierung, beeinflusst die Validität stark.

Clinical relevance

Die Risikoadjustierung macht Anbieterprofile, öffentliche Berichterstattung und Pay-for-Performance-Vergleiche fairer, indem sie den Beitrag der Versorgung von dem des Patienten-Case-Mix trennt. Komorbiditätsindizes und Propensity-Score-Methoden werden in der Ergebnisforschung und der Bewertung von Gesundheitsdienstleistungen weit verbreitet eingesetzt. Dieser Eintrag erklärt die Methoden zum Vergleich von Populationen und ist kein Werkzeug zur Risikoschätzung bei einzelnen Patienten.

Evidence & guidelines

Die methodischen Grundlagen sind in Iezzonis Referenztext zur Risikoadjustierung, den ursprünglichen Charlson- und Elixhauser-Komorbiditätsmaßen sowie der Propensity-Score-Literatur, die von Rosenbaum und Rubin stammt, dargelegt. Diese Quellen werden wegen ihres methodischen Inhalts zitiert und fungieren in diesem Eintrag nicht als klinische Direktiven.

History

Die Besorgnis, dass grobe Ergebnisvergleiche Anbieter, die kränkere Patienten behandeln, unfair benachteiligen, trieb die Entwicklung der formalen Risikoadjustierung ab den 1980er Jahren voran. Komorbiditätsindizes wie der von Charlson (1987) und die administrativen Datenmaße von Elixhauser und Kollegen (1998) lieferten praktische Zusammenfassungen des Case Mix, während der Propensity-Score-Rahmen von Rosenbaum und Rubin (1983) einen allgemeinen Ansatz zum Ausgleich von Gruppen in Beobachtungsvergleichen bot.

Debates

Können administrative Daten eine valide Risikoadjustierung unterstützen?

Die Adjustierung anhand administrativer Kodierung ist kostengünstig und weit verbreitet, kann aber den Schweregrad und den Krankheitsbeginn übersehen und ist anfällig für Kodierungspraktiken; klinische Daten sind reichhaltiger, aber teurer in der Erhebung. Die Angemessenheit der Datenquelle für einen gegebenen Vergleich bleibt umstritten.

Korrigiert die Risikoadjustierung jemals über?

Die Adjustierung für Faktoren, die selbst Folgen schlechter Versorgung sind, oder für genau die Ergebnisse, die die Qualität erfassen soll, kann tatsächliche Qualitätsunterschiede verschleiern; die Entscheidung, welche Variablen in das Modell gehören, ist eine zentrale Beurteilung.

Key figures

• Lisa Iezzoni
• Mary Charlson
• Anne Elixhauser
• Paul Rosenbaum
• Donald Rubin

Seminal works

• charlson-1987
• elixhauser-1998
• rosenbaum-rubin-1983
• iezzoni-2013

Frequently asked questions

Was ist ein Fall-Mix (Case Mix)?

Der Fall-Mix ist die Mischung aus Patiententypen und -schweregraden, die von einem Anbieter behandelt werden. Unterschiede im Fall-Mix bedeuten, dass zwei Anbieter unterschiedliche Ergebnisse haben können, selbst wenn die Qualität ihrer Versorgung identisch ist, weshalb Ergebnisse vor dem Vergleich risikoadjustiert werden.

Warum kann die Risikoadjustierung Verzerrungen niemals vollständig beseitigen?

Sie kann nur für Faktoren adjustieren, die gemessen werden. Ungemessene Unterschiede zwischen Patientengruppen, als Rest-Confounding bezeichnet, bleiben nach der Adjustierung bestehen, sodass risikoadjustierte Vergleiche weiterhin eine vorsichtige Interpretation erfordern.