Hybrid-QI – Hybride Qualitätsindikatoren mittels Machine Learning-Methoden
Projektlaufzeit
01.07.2021 – 30.06.2024
Hintergrund
Zur Beurteilung der Qualität stationärer Versorgung werden bereits Routinedaten der Gesetzlichen Krankenkassen (GKV) verwendet. GKV-Routinedaten stellen fallübergreifende Daten dar, welche für Abrechnungsprozesse erhoben und elektronisch an die GKV übermittelt werden. Aufgrund der versichertenbezogenen Verlaufsperspektive der Daten sind Analysen des gesamten Behandlungsverlaufes sowie von Behandlungsergebnissen nach dem eigentlichen Klinikaufenthalt möglich. Trotz der Vorteile von GKV-Routinedaten bestehen Limitationen bei den analysierbaren Outcomes und Risikofaktoren.
Klinische Daten verfügen über weitere relevante Risikofaktoren und Outcomes, welche bislang durch die alleinige Nutzung von GKV-Routinedaten für Qualitätsmessungen nicht genutzt werden können. Um die Limitationen bisheriger Qualitätsmessungen zu überwinden, sollen GKV-Routinedaten und klinische Daten auf Patient*innenebene miteinander verknüpft werden. Das Linkage der Daten bietet Aussicht auf eine Verbesserung der Aussagekraft und Validität von Qualitätsindikatoren und eine erhöhte Akzeptanz von gemessenen Qualitätsergebnissen.
Ziel
Ziel des Projektes „Hybride Qualitätsindikatoren mittels Machine Learning-Methoden (Hybrid-QI)“ ist es, auf Grundlage der Verknüpfung von GKV‑Routinedaten mit einem minimalen Set an klinischen Daten hybride Qualitätsindikatoren für akut-stationäre Behandlungen zu entwickeln. Die Entwicklung der hybriden Qualitätsindikatoren beschränkt sich auf die Indikationen akuter Myokardinfarkt, Hirninfarkt/intrazerebrale Blutung, kolorektale Resektion bei Karzinom und Schulterendoprothese oder Osteosynthese bei proximaler Humerusfraktur. Im Rahmen des Projektes sollen zudem Machine Learning-Methoden zum Einsatz kommen, um Surrogate klinischer Daten in GKV-Routinedaten zu identifizieren und Variablen für Risikoadjustierungsmodelle auszuwählen.
Ein weiterer Fokus des Projektes liegt auf der Konzeption einer dynamischen Qualitätssicherungs‑Plattform. Mit dieser Plattform soll es Kliniken und anderen Gesundheitseinrichtungen zukünftig möglich sein, zeitnahe Qualitätsmessungen und Risikostratifizierungen basierend auf den entwickelten hybriden Qualitätsindikatoren durchzuführen und einen Überblick über die eigene Versorgungsqualität und mögliche Verbesserungspotenziale zu erhalten. Durch die Aufbereitung relevanter Qualitätsergebnisse in der Plattform soll auch für Patient*innen mehr Transparenz über das Versorgungsgeschehen geschaffen werden.
Rolle der Hochschulmedizin Dresden
Die Professur für Medizinische Informatik (MI) am Institut für Medizinische Informatik und Biometrie (IMB-MI) ist im Projekt Hybrid-QI für den Aufbau eines Common Data Models für GKV-Routinedaten und klinische Daten verantwortlich. Hierzu gehört die Harmonisierung des Formats und Inhalts klinischer Daten und GKV-Routinedaten in dem Forschungsdatenrepository Observational Medical Outcomes Partnership (OMOP) Common Data Model (CDM) und die Entwicklung und Bereitstellung von ETL‑Strecken (Extract-Transform-Load) zur Überführung der Daten nach OMOP CDM. Die Verknüpfung von GKV-Routinedaten mit einem minimalen Set an klinischen Daten erfolgt in enger Zusammenarbeit mit der Unabhängigen Treuhandstelle der TU Dresden. Zudem ist das IMB-MI gemeinsam mit dem Zentrum für Evidenzbasierte Gesundheitsversorgung (ZEGV) und dem Wissenschaftlichen Institut der AOK (WIdO) an der Erarbeitung des Konzeptes für die dynamische Qualitätssicherungs-Plattform beteiligt.
Ansprechpartnerin
© MF/Stephan Wiegand
Research fellow
NameMs Elisa Henke M.Sc.
Send encrypted mail via the SecureMail portal (for TUD external users only).
Publikationen
Finanzierung
Das Projekt wurde mit Mitteln des Innovationsausschusses beim Gemeinsamen Bundesausschuss gefördert.
Förderkennzeichen: 01VSF20013
