Zusammenfassung

    Zusammenfassung Hintergrund Für die Surveillance von Diabetes bedarf es aktueller Daten zur Prävalenz des Diabetes und seiner Komplikationen im zeitlichen Verlauf. Hierbei werden zunehmend Daten der gesetzlichen Krankenversicherung (GKV) genutzt, da diese zeitnah zur Verfügung stehen und die Fallzahlen detaillierte Schätzungen auch von Diabeteskomplikationen erlauben. Ziel der vorliegenden Studie war die Entwicklung und interne Validierung von Falldefinitionen für die Prävalenzschätzung der diabetischen Retinopathie (DRP), der diabetischen Polyneuropathie (DPN) und des diabetischen Fußsyndroms (DFS). Methodik Datengrundlage der Studie bilden Personen mit Diabetes unterschieden nach Typ-1-, Typ-2- und sonstigem Diabetes in einer alters- und geschlechtsstratifizierten Stichprobe von Barmer Versicherten im Jahr 2018 (n=72.744). Ausgehend von den zentralen ICD-Codes für die mikrovaskulären Komplikationen (DRP: H36.0; DPN: G63.2; DFS: E1X.74/.75) wurden Falldefinitionen unter Einbezug weiterer ICD-Codes, die die Komplikation ohne direkten Diabetesbezug verschlüsseln, entwickelt. Anschließend wurden die Falldefinitionen intern validiert. Hierfür wurden eine Codierung im stationären (m1S) oder wiederholt im ambulanten Bereich (m2Q) sowie eine Codierung spezifischer Leistungen (EBM, OPS) und Arzneimittelverordnungen oder durch relevante Facharztgruppen betrachtet. Abschließend wurde das Vorliegen der Diagnosen in den Vorjahren analysiert. Ergebnisse Im Jahr 2018 betrug die Prävalenz der zentralen ICD-Codes der DRP (H36.0) 8,4%, der DPN (G63.2) 18,9% und des DFS (E1X.74/.75) 13,4%. Unter Einbezug weiterer ICD-Codes in die Falldefinitionen erhöhten sich die Prävalenzen für DRP (9,6%) und DPN (20,7%) deutlich, für DFS kaum (13,5%). Die interne Validierung bestätigte den Großteil der Diagnosen (DRP: 96,7%; DPN: 96,5% DFS: 95,8%) und m2Q stellte das relevanteste Kriterium dar. Bei Berücksichtigung von bis zu vier Vorjahren fielen die Prävalenzen für DPN und DFS um bis zu 30% und für DRP um bis zu 64% höher aus. Schlussfolgerung Der Einbezug zusätzlicher ICD-Codes in die Falldefinition von mikrovaskulären Komplikationen des Diabetes erscheint sinnvoll, da diese die Sensitivität der Prävalenzschätzung erhöht. Die interne Validierung deutet darauf hin, dass die dokumentierten Diagnosen plausibel sind. Allerdings wird ein Teil der Diagnosen nicht jährlich dokumentiert, was zu einer Unterschätzung in der querschnittlichen Betrachtung eines Jahres führt. Abstract Background Surveillance of diabetes requires up-to-date information on the prevalence of diabetes and its complications over time. For this purpose, statutory health insurance (SHI) data is being increasingly used, as the data is available in a timely fashion and case numbers enable detailed estimates also of diabetes complications. The aim of the present study was the development and internal validation of case definitions for the prevalence estimation of diabetic retinopathy (DRP), diabetic polyneuropathy (DPN) and diabetic foot syndrome (DFS). Methods Persons with diabetes differentiated by type 1, type 2, and other diabetes in an age- and sex-stratified sample of persons insured by Barmer SHI in 2018 (n=72,744) comprised the study popuation. Based on the central ICD codes for microvascular complications (DRP: H36.0; DPN: G63.2; DFS: E1X.74/.75), case definitions were developed including additional ICD codes for complications without direct diabetes reference. Subsequently, the case definitions were internally validated. For the validation, coding in the inpatient setting (m1S) or repeatedly in the outpatient setting (m2Q) as well as coding of specific procedures (EBM, OPS) and drug prescriptions or by relevant specialists were considered. Additionally, we analysed the documentation of the diagnoses in the previous years. Results In 2018, the prevalence of the central ICD codes was 8.4% for DRP (H36.0), 18.9% for DPN (G63.2) and 13.4% for DFS (E1X.74/.75). After inclusion of additional ICD codes in the case definition, prevalence increased significantly for DRP (9.6%) and DPN (20.7%), and barely for DFS (13.5%). Internal validation confirmed the majority of diagnoses (DRP: 96.7%; DPN: 96.5% DFS: 95.8%) and m2Q represented the most relevant criterion. When up to four previous years were considered, prevalences were up to 30% higher for DPN and DFS and up to 64% higher for DRP. Conclusion The inclusion of additional ICD codes in the case definition of microvascular complications of diabetes appears meaningful, as this increases the sensitivity of the prevalence estimate. Internal validation suggests that the documented diagnoses are plausible. However, not all diagnoses are documented annually, leading to an underestimation of the prevalence using a cross-sectional study design of one year. Schlüsselwörter Diabetes mellitus - Komplikationen - Routinedaten - Retinopathie - Polyneuropathie Key words diabetes mellitus - complications - routine data - retinopathy - polyneuropathy Zusätzliches Material Zusätzliches Material 30 May 2023 © 2023. Thieme. All rights reserved. Georg Thieme Verlag Rüdigerstraße 14, 70469 Stuttgart, Germany Literatur 1 Swart E, Ihle P, Gothe H. et al. Routinedaten im Gesundheitswesen: Handbuch Sekundärdatenanalyse: Grundlagen, Methoden und Perspektiven. 2. Auflage. Bern, Schweiz: Hans Huber Verlag; 2014 Google Scholar 2 Rathmann W, Kuss O, Kostev K. Incidence of newly diagnosed diabetes after Covid-19. Diabetologia 2022; 65: 949-954 DOI: 10.1007/s00125-022-05670-0. CrossrefPubMedGoogle Scholar 3 Bundesinstitut für Arzneimittel und Medizinprodukte (BfArM). ICD-10-GM Version 2023. Im Internet: https://www.bfarm.de/DE/Kodiersysteme/Klassifikationen/ICD/ICD-10-GM/_node.html; Stand: 01.10.2022 PubMed 4 Schubert I, Ihle P, Köster I. Interne Validierung von Diagnosen in GKV-Routinedaten: Konzeption mit Beispielen und Falldefinition. Gesundheitswesen 2010; 72: 316-322 Article in Thieme ConnectPubMedGoogle Scholar 5 Drösler S, Garbe E, Hasford J et al. Sondergutachten zu den Wirkungen des morbiditätsorientierten Risikostrukturausgleichs. Im Internet: https://www.bundesamtsozialesicherung.de/fileadmin/redaktion/Risikostrukturausgleich/20180125Sondergutachten_Wirkung_RSA_2017_korr.pdf; Stand: 15.10.2022 PubMed 6 Schmidt C, Heidemann C, Rommel A. et al. Sekundärdaten in der Diabetes-Surveillance – Kooperationsprojekte und Referenzdefinition zur dokumentierten Diabetesprävalenz. Journal of Health Monitoring 2019; 4: 54-69 DOI: 10.25646/5982. CrossrefPubMedGoogle Scholar 7 Goffrier B, Schulz M, Bätzing-Feigenbaum J. Administrative Prävalenzen und Inzidenzen des Diabetes mellitus von 2009 bis 2015. Zentralinstitut für die kassenärztliche Versorgung in Deutschland (Zi). Versorgungsatlas-Bericht Nr. 17/03. Berlin 2017; 2017 DOI: 10.20364/VA-17.03.. doi:10.20364/VA-17.03 CrossrefPubMedGoogle Scholar 8 Schmidt C, Reitzle L, Dreß J. et al. Prävalenz und Inzidenz des dokumentierten Diabetes mellitus – Referenzauswertung für die Diabetes-Surveillance auf Basis von Daten aller gesetzlich Krankenversicherten. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 2019; 63: 93-102 DOI: 10.1007/s00103-019-03068-9. CrossrefPubMedGoogle Scholar 9 Tamayo T, Brinks R, Hoyer A. et al. The Prevalence and Incidence of Diabetes in Germany: An Analysis of Statutory Health Insurance Data on 65 Million Individuals From the Years 2009 and 2010. Deutsches Ärzteblatt International 2016; 113: 177 PubMedGoogle Scholar 10 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: e041508 DOI: 10.1136/bmjopen-2020-041508. CrossrefPubMedGoogle Scholar 11 Porst M, von der Lippe E, Leddin J. et al. The burden of disease in Germany at the national and regional level – results in terms of disability-adjusted life years (DALY) from the BURDEN 2020 study. Dtsch Arztebl International 2022; 119: 785-792 DOI: 10.3238/arztebl.m2022.0314. CrossrefPubMedGoogle Scholar 12 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 DOI: 10.1007/s00103-020-03211-x. CrossrefPubMedGoogle Scholar 13 Reitzle L, Ihle P, Heidemann C. et al. Algorithmus zur Unterscheidung von Diabetes mellitus Typ 1 und Typ 2 bei der Analyse von Routinedaten. Gesundheitswesen 2022; DOI: 10.1055/a-1791-0918.. doi:10.1055/a-1791-0918 CrossrefPubMedGoogle Scholar 14 Statistisches Bundesamt (Destatis). Fortschreibung des Bevölkerungsstandes (EVAS-Nr. 12411): Bevölkerung zum Stichtag 31.12.2018. Im Internet: https://www-genesis.destatis.de/genesis/online?sequenz=statistikTabellen&selectionname=12411; Stand: 01.10.2022 PubMed 15 Bundesinstitut für Arzneimittel und Medizinprodukte (BfArM). Anatomisch-Therapeutisch-Chemischen (ATC) Klassifikation mit Tagesdosen. Im Internet: https://www.bfarm.de/DE/Kodiersysteme/Klassifikationen/ATC/_node.html; Stand: 01.10.2022 PubMed 16 Kassenärztliche Bundesvereinigung (KBV). Einheitlicher Bewertungsmaßstab (EBM). Im Internet: https://www.kbv.de/html/ebm.php; Stand: 01.10.2022 PubMed 17 Köster I, Hauner H, von Ferber L. Heterogenität der Kosten bei Patienten mit Diabetes mellitus: Die KoDiM-Studie. Dtsch Med Wochenschr 2006; 131: 804-810 DOI: 10.1055/s-2006-939850. Article in Thieme ConnectPubMedGoogle Scholar 18 von Ferber L, Köster I, Hauner H. Kosten der antihyperglykämischen Behandlung des Diabetes mellitus. Medizinische Klinik 2006; 101: 384-393 DOI: 10.1007/s00063-006-1050-8. CrossrefPubMedGoogle Scholar 19 Müller N, Heller T, Freitag M. et al. Diabetes mellitus Typ 2. In. Stuttgart, Deutschland: Schattauer: Klauber J, Günster C, Gerste B, Robra, BP, Schmake, N (Hrsg.) Versorgungs-Report 2013/2014 : Schwerpunkt: Depression. 2014: 131-154 Google Scholar 20 Koster I, Huppertz E, Hauner H. et al. Costs of Diabetes Mellitus (CoDiM) in Germany, direct per-capita costs of managing hyperglycaemia and diabetes complications in 2010 compared to 2001. Exp Clin Endocrinol Diabetes 2014; 122: 510-516 DOI: 10.1055/s-0034-1375675. Article in Thieme ConnectPubMedGoogle Scholar 21 Boehme MW, Buechele G, Frankenhauser-Mannuss J. et al. Prevalence, incidence and concomitant co-morbidities of type 2 diabetes mellitus in South Western Germany – a retrospective cohort and case control study in claims data of a large statutory health insurance. BMC Public Health 2015; 15: 855 DOI: 10.1186/s12889-015-2188-1. CrossrefPubMedGoogle Scholar 22 Zentralinstitut für die kassenärztliche Versorgung in der Bundesrepublik Deutschland (Zi). DMP-Atlas Nordrhein-Westfalen: Regionalisierte Darstellung der Disease-Management-Programme. Im Internet: https://www.zi-dmp.de/dmp-atlas_nrw/; Stand: 10.08.2022 PubMed 23 Hammes HP, Kerner W, Hofer S. et al. Diabetic retinopathy in type 1 diabetes – a contemporary analysis of 8,784 patients. Diabetologia 2011; 54: 1977-1984 DOI: 10.1007/s00125-011-2198-1. CrossrefPubMedGoogle Scholar 24 Hammes HP, Welp R, Kempe HP. et al. Risk Factors for Retinopathy and DME in Type 2 Diabetes-Results from the German/Austrian DPV Database. PLoS One 2015; 10: e0132492 DOI: 10.1371/journal.pone.0132492. CrossrefPubMedGoogle Scholar 25 Wong TY, Cheung CM, Larsen M. et al. Diabetic retinopathy. Nat Rev Dis Primers 2016; 2: 16012 DOI: 10.1038/nrdp.2016.12. CrossrefPubMedGoogle Scholar 26 Du Y, Heidemann C, Schaffrath Rosario A. et al. Changes in diabetes care indicators: findings from German National Health Interview and Examination Surveys 1997-1999 and 2008-2011. BMJ Open Diabetes Res Care 2015; 3: e000135 DOI: 10.1136/bmjdrc-2015-000135. CrossrefPubMedGoogle Scholar 27 Kreft D, McGuinness MB, Doblhammer G. et al. Diabetic retinopathy screening in incident diabetes mellitus type 2 in Germany between 2004 and 2013 - A prospective cohort study based on health claims data. PLoS One 2018; 13: e0195426 DOI: 10.1371/journal.pone.0195426. CrossrefPubMedGoogle Scholar 28 Deckenbach B, Nolting H-D, Tisch T. et al. Versorgungsreport Diabetes mellitus. 1. Auflage. Heidelberg, Deutschland: medhochzwei Verlag GmbH; 2018 Google Scholar 29 Schüssel K, Breitkreuz J, Brückner G. et al. Nutzung von Krankenkassenroutinedaten zur Bestimmung von Krankheitshäufigkeiten im Projekt BURDEN 2020. Gesundheitswesen 2022; DOI: 10.1055/a-1806-2115.. doi:10.1055/a-1806-2115 CrossrefPubMedGoogle Scholar 30 GKV-Spitzenverband. Rahmenempfehlungen – Podologische Therapie - nach § 125 Abs. 1 SGB V, Anlage 3. Im Internet: https://www.gkv-spitzenverband.de/media/dokumente/krankenversicherung_1/ambulante_leistungen/heilmittel/heilmittel_rahmenempfehlungen/heilmittel_podologen/HeilM_Empf_Podologen_Anlage_3_2011.pdf Stand: 01.09.2021 PubMed 31 Fuchs S, Henschke C, Blümel M. et al. Disease-Management-Programme für Diabetes mellitus Typ 2 in Deutschland. Dtsch Arztebl International 2014; 111: 453-463 PubMedGoogle Scholar 32 Hoffmann F, Icks A. Unterschiede in der Versichertenstruktur von Krankenkassen und deren Auswirkungen für die Versorgungsforschung: Ergebnisse des Bertelsmann-Gesundheitsmonitors. Gesundheitswesen 2012; 74: 291-297 DOI: 10.1055/s-0031-1275711. Article in Thieme ConnectPubMedGoogle Scholar 33 Epping J, Geyer S, Tetzlaff J. The effects of different lookback periods on the sociodemographic structure of the study population and on the estimation of incidence rates: analyses with German claims data. BMC Med Res Methodol 2020; 20: 229 DOI: 10.1186/s12874-020-01108-6. CrossrefPubMedGoogle Scholar

Vorschau