Validierung von GKV-Routinedaten am Beispiel von geschlechtsspezifischen Diagnosen

 

 Buy Article Permissions and Reprints

Zusammenfassung

Ziel: Diagnosedaten der GKV spielen als Datenquelle in der Versorgungsforschung eine zunehmend größere Rolle, wodurch Strategien der Validierung an Bedeutung gewinnen. Ziel der vorliegenden Untersuchung ist es, am Beispiel von geschlechtsspezifischen Diagnosen den Anteil implausibler Diagnosen in GKV-Routinedaten zu bestimmen. Außerdem soll eine einfach zu implementierende Validierungsstrategie für die Geschlechtsangabe vorgestellt werden.

Methodik: Datenbasis sind ambulante Diagnosen der AOK Baden-Württemberg des Jahres 2012, die nur für ein Geschlecht zulässig sind. Als implausibel werden Diagnosen gewertet, wenn ein Widerspruch zwischen dem zulässigen Geschlecht und der Geschlechtsangabe des Versicherten besteht. Als Validierungskriterien dienen das Vorhandensein weiterer geschlechtsspezifischer Diagnosen, das Vorliegen von geschlechtsspezifischen Gebührenordnungsnummern, die Kompatibilität der Diagnose mit der Facharztgruppe des kodierenden Arztes sowie der Geschlechtsbezug des Vornamens der Versicherten. Zur Überprüfung der Güte wird kontrolliert, ob zu einem späteren Zeitpunkt die Geschlechtsangabe geändert wurde.

Ergebnisse: Insgesamt haben 5,1% aller ambulant kodierten Diagnosen einen eindeutigen Geschlechtsbezug. Bei 0,04% davon besteht ein Widerspruch mit dem Geschlecht des Versicherten. Alle 4 Validierungskriterien leisten einen Beitrag zur Aufklärung der Implausibilitäten, wobei das letzte Kriterium des Geschlechtsbezugs des Vornamens den größten Zugewinn liefert. Lediglich 14% der Fälle können mit der Validierung nicht eindeutig klassifiziert werden und bleiben unentschieden. Bei 128 der 1 145 Versicherten mit Implausibilitäten wurde innerhalb des nächsten Jahres das Geschlecht geändert. In 119 der 128 Fälle konnte die Validierungsstrategie dies korrekt vorhersagen, in 9 Fällen war keine Prognose möglich.

Schlussfolgerung: Der Anteil implausibler (geschlechtsspezifischer) Informationen in GKV-Routinedaten ist vergleichsweise gering und lässt sich durch geeignete Validierungsstrategien zudem gut aufklären. Bei der Validierung sollte darauf geachtet werden, alle genutzten Daten kritisch zu hinterfragen, ein möglichst breit gefächertes Vorgehen zu wählen und sich von dem Gedanken zu lösen, dass alles immer der Norm entspricht. Beachtet man diese Aspekte, sind GKV-Routinedaten eine gute Quelle für zahlreiche Fragestellungen der Versorgungsforschung.

Abstract

Aim: Use of statutory health insurance (SHI) data in health services research is increasing steadily and questions of validity are gaining importance. Using gender-specific diagnosis as an example, the aim of this study was to estimate the prevalence of implausible diagnosis and demonstrate an internal validation strategy.

Method: The analysis is based on the SHI data from Baden-Württemberg for 2012. Subject of validation are gender-specific outpatient diagnoses that mismatch with the gender of the insured. To uncover this implausibility, it is necessary to clarify whether the diagnosis or the gender is wrong. The validation criteria used were the presence of further gender-specific diagnoses, the presence of gender-specific settlement items, the specialization of the physician in charge and the gender assignment of the first name of the insured. To review the quality of the validation, it was verified if the gender was changed during the following year.

Results: Around 5.1% of all diagnoses were gender-specific and there was a mismatch between diagnosis and gender in 0.04% of these cases. All validation criteria were useful to sort out implausibility, whereas the last one was the most effective. Only 14% remained unsolved. From the total of 1 145 insured with implausible gender-specific diagnoses, one year later 128 had a new gender (in the data). 119 of these cases were rightly classified as insured with wrong gender and 9 cases were in the unsolved group. This confirms that the validation works well.

Conclusion: Implausibility in SHI data is relatively small and can be solved with appropriate validation criteria. When validating SHI data, it is advisable to question all data used critically, to use multiple validation criteria instead of just one and to abandon the idea that reality and the associated data conform to standardized norms. Keeping these aspects in mind, analysis of SHI data is a good starting point for research in health services.

• Literatur

• 1 Ohlmeier C, Frick J, Prütz F et al. Nutzungsmöglichkeiten von Routinedaten der Gesetzlichen Krankenversicherung in der Gesundheitsberichterstattung des Bundes. Bundesgesundheitsblatt-Gesundheitsforschung-Gesundheitsschutz 2014; 57: 464-472
  CrossrefPubMedGoogle Scholar
• 2 Schreyögg J, Stargardt T. Gesundheitsökonomische Evaluation auf Grundlage von GKV-Routinedaten. Bundesgesundheitsblatt-Gesundheitsforschung-Gesundheitsschutz 2012; 55: 668-676
  CrossrefPubMedGoogle Scholar
• 3 Hoffmann F, Glaeske G. Analyse mit Routinedaten. In: Pfaff H, Neugebauer EAM, Glaeske G, Schrappe M. (Hrsg.) Lehrbuch Versorgungsforschung. Stuttgart: Schattauer GmbH; 2011: 317-322
  Google Scholar
• 4 Grobe T, Ihle P. Versichertenstammdaten und sektorübergreifende Analyse. In: Swart E, Ihle P. (Hrsg.) Routinedaten im Gesundheitswesen. Handbuch Sekundäranalyse: Grundlagen, Methoden und Perspektiven. Hans Huber; 2005: 17-34
  Google Scholar
• 5 Schubert I, Köster I, Küpper-Nybelen J et al. Versorgungsforschung mit GKV-Routinedaten. Bundesgesundheitsblatt-Gesundheitsforschung-Gesundheitsschutz 2008; 51: 1095-1105
  CrossrefPubMedGoogle Scholar
• 6 Hoffmann F, Icks A. Unterschiede in der Versichertenstruktur von Krankenkassen und deren Auswirkungen für die Versorgungsforschung: Ergebnisse des Bertelsmann-Gesundheitsmonitors. Das Gesundheitswesen 2012; 74: 291-297
  Article in Thieme ConnectPubMedGoogle Scholar
• 7 Hoffmann F, Pfannkuche M, Glaeske G. Wie häufig sind Verordnungs- und Abgabedatum von Arzneimitteln in Routinedaten korrekt erfasst?. Bundesgesundheitsblatt-Gesundheitsforschung-Gesundheitsschutz 2007; 50: 1418-1423
  CrossrefPubMedGoogle Scholar
• 8 Bowles D, Damm O, Greiner W. Gesundheitsbezogene Versorgungsforschung mit GKV-Routinedaten-Grenzen am Beispiel der Prophylaxe venöser Thromboembolien in der Hüft- und Kniegelenkendoprothetik. Gesundheitsökonomie & Qualitätsmanagement 2011; 16: 96-107
  Article in Thieme ConnectPubMedGoogle Scholar
• 9 Holle R, Behrend C, Reitmeir P et al. Methodenfragen der Nutzung von GKV-Routinedaten für Kostenanalysen. In: Swart E, Ihle P. (Hrsg.) Routinedaten im Gesundheitswesen. Handbuch Sekundäranalyse: Grundlagen, Methoden und Perspektiven. Hans Huber; 2005: 301-318
  Google Scholar
• 10 Reinhold T, Andersohn F, Hessel F et al. Die Nutzung von Routinedaten der gesetzlichen Krankenkassen (GKV) zur Beantwortung gesundheitsökonomischer Fragestellungen – eine Potenzialanalyse. Gesundheitsökonomie & Qualitätsmanagement 2011; 16: 153-159
  Article in Thieme ConnectPubMedGoogle Scholar
• 11 Hoffmann F, Andersohn F, Giersiepen K et al. Validierung von Sekundärdaten. Bundesgesundheitsblatt-Gesundheitsforschung-Gesundheitsschutz 2008; 51: 1118-1126
  CrossrefPubMedGoogle Scholar
• 12 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
• 13 Giersiepen D, Pohlabeln H, Egidi G et al. Die ICD-Kodierqualität für Diagnosen in der ambulanten Versorgung. Bundesgesundheitsblatt-Gesundheitsforschung-Gesundheitsschutz 2007; 50: 1028-1038
  CrossrefPubMedGoogle Scholar
• 14 Quach S, Blais C, Quan H. Administrative data have high variation in validity for recording heart failure. Canadian Journal of Cardiology 2010; 26: 306-312
  CrossrefPubMedGoogle Scholar
• 15 Shiff N, Jama S, Boden C et al. Validation of administrative health data for the pediatric population: a scoping review. BMcC Health Services Research 2014; 14: 236
  PubMedGoogle Scholar
• 16 Deutsches Institut für Medizinische Dokumentation und Information (DIMDI). Metadaten zur ICD-10-GM (23.09.2011). Im Internet http://www.dimdi.de/dynamic/de/klassi/downloadcenter/icd-10-gm/vorgaenger/version2012/ Stand 18.09.2014
  PubMedGoogle Scholar
• 17 Sherman RL, Boscoe FP, O’Brien DK et al. Misclassification of sex in central cancer registries. Journal of registry management 2014; 41: 120-124
  PubMedGoogle Scholar
• 18 Richter-Appelt H. Intersexualität Nicht Transsexualität. Bundesgesundheitsblatt-Gesundheitsforschung-Gesundheitsschutz 2013; 56: 240-249
  CrossrefPubMedGoogle Scholar
• 19 Holterhus P-M. Intersexualität und Differences of Sex Development (DSD). Bundesgesundheitsblatt-Gesundheitsforschung-Gesundheitsschutz 2013; 56: 1686-1694
  CrossrefPubMedGoogle Scholar
• 20 Nicola D. Zur Operationalisierung von Geschlecht im Fragebogen: Probleme und Lösungsansätze aus Sicht von Mess-, Umfrage-, Gender- und Queer-Theorie. Gender 2013; 2: 94-113
  PubMedGoogle Scholar