Hintergrund: Die Beschreibung und Analyse von patientenbezogenen Versorgungsdaten ist häufig nur für jeweils einzelne therapeutische Bereiche möglich. Der Patient erhält dagegen zumeist ein Leistungspaket, was insbesondere für Leistungen im Bereich der Rehabilitation gilt (Komplexleistungen). Die Latent Class Analysis (LCA) ermöglicht unter bestimmten Voraussetzungen, Versorgungsmuster in Form einer Klassenbildung („Versorgungstypen“) zu identifizieren. Ziel: Am Beispiel von Versorgungsdaten von Patienten der Rentenversicherung zur stationären Rehabilitation (aus dem Leitlinienprogramm der Deutschen Rentenversicherung Bund) soll die Möglichkeiten der LCA in der zusammenfassenden Beschreibung komplexer Versorgungsdaten aufgezeigt werden. Methoden: Grundlage der Untersuchung ist die Analyse von Versorgungsdaten von n=2762 Patienten mit Diabetes mellitus Typ 2 (Erstindikation, Jahrgänge 2003/2004) zur stationären Rehabilitation aus der Klassifikation Therapeutischer Leistungen (KTL) der Deutschen Rentenversicherung Bund mittels der LCA. Die Auswahl der Variablen erfolgte auf der Basis der von Ganten & Raspe (2003) formulierten neun Kernmodule. Der Analyse lag die Information zugrunde, ob die Patienten mindestens eine Leistung aus dem Modul erhalten hatten oder nicht. Die Modellauswahl erfolgte auf der Basis von informationstheoretischen Maßen (AIC, BIC, CAIC) sowie Modellpassung nach Bootstrap-Verfahren. Ergebnisse: Die informationstheoretischen Maße verwiesen auf eine 4-Klassen-Lösung. Das Bootstrap-Verfahren erbrachte eine mäßige Modellpassung (p(Pearson Chi-Quadrat)=0,100; p(Cressie Read=0,025). Die vier Klassen waren inhaltlich gut zu interpretieren, ihre Anteile variierten deutlich zwischen den Kliniken. Es zeigten sich signifikante Unterschiede zwischen den Klassen im Anteil der Frauen sowie dem mittleren Alter. Diskussion: Das Beispiel dieser Analyse hat gezeigt, dass die LCA in der Lage ist, komplexe Versorgungsdaten inhaltlich sinnvoll zu klassifizieren. Damit ist sie in der Lage, die vorhandene Komplexität der Leistungen aus Patientensicht auf der Populationsebene zu berücksichtigen und weiterführende Analysen zu ermöglichen. Weitere Vor- und Nachteile der LCA für die Analyse von Versorgungsdaten werden diskutiert. Schlussfolgerungen: Aufgrund des viel versprechenden Ergebnisses dieser ersten Analyse sollten die Möglichkeiten der LCA für die Analyse von Versorgungsdaten insbesondere im Rahmen von Konstruktvalidierungsstudien näher untersucht werden.

" /> Hintergrund: Die Beschreibung und Analyse von patientenbezogenen Versorgungsdaten ist häufig nur für jeweils einzelne therapeutische Bereiche möglich. Der Patient erhält dagegen zumeist ein Leistungspaket, was insbesondere für Leistungen im Bereich der Rehabilitation gilt (Komplexleistungen). Die Latent Class Analysis (LCA) ermöglicht unter bestimmten Voraussetzungen, Versorgungsmuster in Form einer Klassenbildung („Versorgungstypen“) zu identifizieren. Ziel: Am Beispiel von Versorgungsdaten von Patienten der Rentenversicherung zur stationären Rehabilitation (aus dem Leitlinienprogramm der Deutschen Rentenversicherung Bund) soll die Möglichkeiten der LCA in der zusammenfassenden Beschreibung komplexer Versorgungsdaten aufgezeigt werden. Methoden: Grundlage der Untersuchung ist die Analyse von Versorgungsdaten von n=2762 Patienten mit Diabetes mellitus Typ 2 (Erstindikation, Jahrgänge 2003/2004) zur stationären Rehabilitation aus der Klassifikation Therapeutischer Leistungen (KTL) der Deutschen Rentenversicherung Bund mittels der LCA. Die Auswahl der Variablen erfolgte auf der Basis der von Ganten & Raspe (2003) formulierten neun Kernmodule. Der Analyse lag die Information zugrunde, ob die Patienten mindestens eine Leistung aus dem Modul erhalten hatten oder nicht. Die Modellauswahl erfolgte auf der Basis von informationstheoretischen Maßen (AIC, BIC, CAIC) sowie Modellpassung nach Bootstrap-Verfahren. Ergebnisse: Die informationstheoretischen Maße verwiesen auf eine 4-Klassen-Lösung. Das Bootstrap-Verfahren erbrachte eine mäßige Modellpassung (p(Pearson Chi-Quadrat)=0,100; p(Cressie Read=0,025). Die vier Klassen waren inhaltlich gut zu interpretieren, ihre Anteile variierten deutlich zwischen den Kliniken. Es zeigten sich signifikante Unterschiede zwischen den Klassen im Anteil der Frauen sowie dem mittleren Alter. Diskussion: Das Beispiel dieser Analyse hat gezeigt, dass die LCA in der Lage ist, komplexe Versorgungsdaten inhaltlich sinnvoll zu klassifizieren. Damit ist sie in der Lage, die vorhandene Komplexität der Leistungen aus Patientensicht auf der Populationsebene zu berücksichtigen und weiterführende Analysen zu ermöglichen. Weitere Vor- und Nachteile der LCA für die Analyse von Versorgungsdaten werden diskutiert. Schlussfolgerungen: Aufgrund des viel versprechenden Ergebnisses dieser ersten Analyse sollten die Möglichkeiten der LCA für die Analyse von Versorgungsdaten insbesondere im Rahmen von Konstruktvalidierungsstudien näher untersucht werden.

" />

CareLit

30.05.2025

Neue Zeitschriften

{{ZEITSCHRIFT}}
{{UNTERTITEL}}
{{monat}}-{{jahr}}

{{detailinfo.data.api.data.document[0].titel}}


{{detailinfo.data.api.data.document[0].autor}}: {{detailinfo.data.api.data.document[0].titel}}

{{detailinfo.data.api.data.document[0].zeitschrift}} {{detailinfo.data.api.data.document[0].untertitel}}, {{detailinfo.data.api.data.document[0].verlag}}
Heft {{detailinfo.data.api.data.document[0].monat}}-{{detailinfo.data.api.data.document[0].jahr}}, Jahrgang ({{detailinfo.data.api.data.document[0].jahrgang}})
ISSN {{detailinfo.data.api.data.document[0].issn}}
Seite(n) {{detailinfo.data.api.data.document[0].seite}}
DOI: {{detailinfo.data.api.data.document[0].doi}}
CareLit-Dokument-Nr: {{detailinfo.data.api.data.document[0].dokument_nr}}


Login für Volltext kostenlos registrieren

Zusammenfassung

{{detailinfo.data.api.data.document[0].abstract}}


Vorschau


CareLit-Terms / MeSh-Terms


{{detailinfo.data.api.data.document[0].titel}}

{{detailinfo.data.api.data.document[0].autor}}

{{detailinfo.data.api.data.document[0].titel}}

{{detailinfo.data.api.data.document[0].titel}}

{{detailinfo.data.api.data.document[0].titel}}


APA

Zitation APA

{{detailinfo.data.api.data.document[0].apa}}

Vancouver

Zitation Vancouver

{{detailinfo.data.api.data.document[0].vancouver}}

Harvard

Zitation Harvard

{{detailinfo.data.api.data.document[0].harvard}}

Bibtex

Zitation Bibtex

RIS

Zitation RIS/ebscohost/Pubmed/Citavi

Analyse

  Relevanz (0-100)

Analyse

Impact


Analyse

Downloads