Das Gesundheitswesen , Thieme Verlag Heft S 2-2023, Jahrgang 85) ISSN 1439-4421 Seite(n) S171 bis S177 DOI: 10.1055/a-1915-4526 CareLit-Dokument-Nr: 318600 |
|
Zusammenfassung In der COVID-19 Pandemie wurden zur Pandemiesteuerung und zur Evidenzgenerierung für die Beantwortung drängender Fragen empirische Datengrundlagen zu verschiedensten Fragestellungen benötigt, die mit Hilfe von GKV Routinedaten generiert werden können. Im Rahmen des Projektes egePan-Unimed des Netzwerk Universitätsmedizin (NUM) wurden fünf pandemierelevante Fragestellungen mit GKV Routinedaten bearbeitet. Untersucht wurden die Prävalenz und Relevanz von Risikofaktoren für einen schweren COVID-19 Verlauf, die Hintergrundinzidenz der Sinusvenenthrombose und Myokarditis, die Häufigkeit und Ausprägung von Post COVID sowie die Versorgung von Personen mit psychiatrischer Erkrankung. Auf Basis dieser Anwendungsfälle wurden kontextspezifische Handlungsempfehlungen zur Nutzung von GKV Routinedaten für zukünftige Pandemielagen abgeleitet. Diese umfassen u. a. die Nutzung etablierter Kooperationspartnerschaften und interdisziplinär zu besetzende Projektteams. Die datenschutzkonforme Zusammenführung von Ergebnissen verschiedener Analysestellen wird durch das (meta-analytische) Poolen aggregierter Routinedatenanalysen der verschiedenen Datenhalter möglich. So können GKV Routinedaten auch im Kontext der Pandemiesteuerung eine schnell verfügbare und valide Datenquelle zur empirischen Begründung angemessener Public Health Maßnahmen sein. Abstract For appropriate response to the COVID-19 pandemic, and for obtaining answers to various relevant research questions, empirical data are required. Claims data of health insurances are a valid data source in such a situation. Within the project egePan-Unimed of the Netzwerk Universitätsmedizin (NUM) we investigated five COVID-19-related research questions using German claims data of statutory health insurances. We studied the prevalence and relevance of risk factors for a severe course of COVID-19, the background incidence of cerebral venous sinus thrombosis and myocarditis, the frequency and symptoms of post-COVID as well as the care of people with a psychiatric condition during the COVID-19 pandemic. Based on these cases, context-specific recommendations regarding the use of German claims data for future pandemics or other public health emergencies were derived, namely that the utilization of established and interdisciplinary project teams enables a timely project start and furthermore, meta-analytic methods are a valuable way to pool aggregated results of claims data analyses when data protection regulations do not allow a consolidation of data sets from different statutory health insurances. Under these circumstances, claims data are a readily available and valid data source of empirical evidence base necessary for public health measures during a pandemic. Schlüsselwörter GKV Routinedaten - Covid-19 Pandemie - Handlungsempfehlungen - Evidenz Key words claims data - Covid-19 pandemic - recommendations for action - evidence 28 September 2022 © 2022. Thieme. All rights reserved. Georg Thieme Verlag Rüdigerstraße 14, 70469 Stuttgart, Germany Literatur 1 Bundesministerium für Gesundheit. Verordnung zum Anspruch auf Schutzimpfung gegen das Coronavirus SARS-CoV-2 (Coronavirus-Impfverordnung – CoronaImpfV). 2021 PubMed 2 Treskova-Schwarzbach M, Haas L, Reda S. et al. Pre-existing health conditions and severe COVID-19 outcomes: an umbrella review approach and meta-analysis of global evidence. BMC Med 2021; 19: 212 DOI: 10.1186/s12916-021-02058-6. CrossrefPubMedGoogle Scholar 3 Destatis. Statistisches Bundesamt Deutschland – GENESIS-Online. Ergebnis 12411-0013 – Bevölkerung: Bundesländer, Stichtag, Geschlecht, Altersjahre 2019; Im Internet: https://www-genesis.destatis.de/genesis/online?operation=abruftabelleBearbeiten&levelindex=1&levelid=1642498201869&auswahloperation=abruftabelleAuspraegungAuswaehlen&auswahlverzeichnis = ordnungsstruktur&auswahlziel=werteabruf&code=12411-0013&auswahltext=&werteabruf=Werteabruf#abreadcrumb Stand: 18.01.2022 PubMed 4 Patro SGK, Sahu KK. Normalization: A Preprocessing Stage. International Advanced Research Journal in Science, Engineering and Technology 2015; 20-22 DOI: 10.17148/IARJSET.2015.2305. CrossrefPubMedGoogle Scholar 5 Liboschik T, Fokianos K, Fried R. tscount: An R Package for Analysis of Count Time Series Following Generalized Linear Models. Journal of Statistical Software 2017; 82: 1-51 DOI: 10.18637/jss.v082.i05. CrossrefPubMedGoogle Scholar 6 Swart E, Gothe H, Geyer S. et al. Gute Praxis Sekundärdatenanalyse (GPS): Leitlinien und Empfehlungen. Das Gesundheitswesen 2015; 77: 120-126 DOI: 10.1055/s-0034-1396815. Article in Thieme ConnectPubMedGoogle Scholar 7 Koch-Institut R. Epidemiologisches Bulletin 16/2021 2021; 76 PubMed 8 Jacob J, Klamroth R, Ploner T. et al. Incidence of cerebral venous sinus thrombosis in adults in Germany – a retrospective study using health claims data. Research Square 2021; DOI: 10.21203/rs.3.rs-428469/v2. CrossrefPubMedGoogle Scholar 9 Koch-Institut R. Epidemiologisches Bulletin 33/2021 2021; 56 PubMed 10 Rößler M, Jacob J, Risch L. et al. Hierarchisierung von Risikofaktoren für schwere COVID-19-Erkrankungsverläufe im Kontext der COVID-19-Schutzimpfungen 2021; DOI: 10.25646/8405. CrossrefPubMed 11 Roessler M, Tesch F, Batram M. et al. Post COVID-19 in children, adolescents, and adults: results of a matched cohort study including more than 150,000 individuals with COVID-19. medRxiv 2021; DOI: 10.1101/2021.10.21.21265133. CrossrefPubMedGoogle Scholar 12 Schubert I, Köster I, Küpper-Nybelen J. et al. Versorgungsforschung mit GKV-Routinedaten: Nutzungsmöglichkeiten versichertenbezogener Krankenkassendaten für Fragestellungen der Versorgungsforschung. Bundesgesundheitsblatt – Gesundheitsforschung – Gesundheitsschutz 2008; 51: 1095-1105 DOI: 10.1007/s00103-008-0644-0. CrossrefPubMedGoogle Scholar 13 Ohlmeier C, Frick J, Prütz F. et al. Nutzungsmöglichkeiten von Routinedaten der Gesetzlichen Krankenversicherung in der Gesundheitsberichterstattung des Bundes. Bundesgesundheitsbl 2014; 57: 464-472 DOI: 10.1007/s00103-013-1912-1. CrossrefPubMedGoogle Scholar 14 Schubert I, Ihle P, Köster I. et al. Datengutachten für das Deutsche Institut für Medizinische Dokumentation und Information (DIMDI). Daten für die Versorgungsforschung. Zugang und Nutzungsmöglichkeiten. Köln. 2014 PubMedGoogle Scholar
{{detailinfo.data.api.data.document[0].apa}}
{{detailinfo.data.api.data.document[0].vancouver}}
{{detailinfo.data.api.data.document[0].harvard}}