Das Gesundheitswesen , Thieme Verlag Heft S 2-2023, Jahrgang 85) ISSN 1439-4421 Seite(n) S111 bis S118 DOI: 10.1055/a-1649-7575 CareLit-Dokument-Nr: 318600 |
|
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 Zusätzliches Material Zusätzliches Material 19 November 2021 © 2021. Thieme. All rights reserved. Georg Thieme Verlag Rüdigerstraße 14, 70469 Stuttgart, Germany Literatur 1 Swart E, Gothe H, Geyer S. et al. Gute Praxis Sekundardatenanalyse (GPS): Leitlinien und Empfehlungen. Gesundheitswesen 2015; 77: 120-126 Article in Thieme ConnectPubMedGoogle Scholar 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 CrossrefPubMedGoogle Scholar 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 PubMedGoogle Scholar 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 Article in Thieme ConnectPubMedGoogle Scholar 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 CrossrefPubMedGoogle Scholar 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 PubMedGoogle Scholar 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 PubMedGoogle Scholar 8 Robert-Koch-Institut. DEGS – Studie zur Gesundheit Erwachsener in Deutschland. Projektbeschreibung. Berlin: 2009 Google Scholar 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 CrossrefPubMedGoogle Scholar 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 Google Scholar 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 Article in Thieme ConnectPubMedGoogle Scholar 12 Hoffmann F, Andersohn F, Giersiepen K. et al. Validierung von Sekundärdaten. Grenzen und Möglichkeiten. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 2008; 51: 1118-1126 CrossrefPubMedGoogle Scholar 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 Google Scholar 14 Cohen G, Duffy JC. Are nonrespondents to health surveys less healthy than respondents?. Journal of Official Statistics 2002; 18: 13-24 PubMedGoogle Scholar 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 CrossrefPubMedGoogle Scholar 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 PubMedGoogle Scholar 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 PubMedGoogle Scholar 18 Goffrier B, Bätzing J, Holstiege J. Entwicklung der administrativen Prävalenz des Diabetes mellitus von 2009 bis 2015. Monitor Versorgungsforschung 2017; 10: 46-49 CrossrefPubMedGoogle Scholar 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 PubMed 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 Article in Thieme ConnectPubMedGoogle Scholar 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 CrossrefPubMedGoogle Scholar 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 PubMedGoogle Scholar 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 CrossrefPubMedGoogle Scholar 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 CrossrefPubMedGoogle Scholar 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 PubMedGoogle Scholar 26 Deutsches_Institut_für_Medizinische_Dokumentation_und_Information_(DIMDI). 2018. Internationale statistische Klassifikation der Krankheiten und verwandter Gesundheitsprobleme, 10. Revision – German Modification. Köln: Google Scholar 27 Bundesagentur_für_Arbeit (2011). Klassifikation der Berufe 2010 (KLDB 2010). Nürnberg: Bundesagentur_für_Arbeit PubMed 28 Verordnung über die Erfassung und Übermittlung von Daten für die Träger der Sozialversicherung (Datenerfassungs- und -übermittlungsverordnung – DEÜV), (1998) 343 PubMed 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 CrossrefPubMedGoogle Scholar 30 Tourangeau R, Rips LJ, Rasinski K. The Psychology of Survey Response. Cambridge: Cambridge University Press; 2000: 2000 CrossrefGoogle Scholar 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 CrossrefPubMedGoogle Scholar 32 Etter JF, Perneger TV. Analysis of non-response bias in a mailed health survey. Journal of Clinical Epidemiology 1997; 50: 1123-1128 CrossrefPubMedGoogle Scholar 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 CrossrefPubMedGoogle Scholar 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 CrossrefPubMedGoogle Scholar 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 PubMedGoogle Scholar
{{detailinfo.data.api.data.document[0].apa}}
{{detailinfo.data.api.data.document[0].vancouver}}
{{detailinfo.data.api.data.document[0].harvard}}