Logo + Home
 
BQS-Bundesauswertung 2008
Koronarangiographie und Perkutane
Koronarintervention (PCI)
Risikoadjustierung mit dem
logistischen Regressionsmodell
Risikoadjustierung der In-Hospital-Letalität mit dem logistischen
Regressionsmodell
1. Einleitung
Die Letalität wird als ein wichtiger Qualitätsindikator nach perkutanen koronaren
Interventionen (PCI) betrachtet. Die Letalitätsrate eines Krankenhauses hängt dabei nicht
allein von der Qualität der erbrachten Leistung ab, sondern wird unter anderem durch
Vorerkrankungen, unterschiedliche Schweregrade der Grunderkrankung und auch
krankheitsunabhängige Merkmale wie z. B. Alter oder Geschlecht seiner Patienten
beeinflusst. Das Ergebnis eines Krankenhauses hängt also auch davon ab, welches
Risikoprofil die Patienten eines Krankenhauses besitzen.
Ein Krankenhaus, in dem sehr häufig Hoch-Risiko-Patienten behandelt werden, lässt in der
Regel eine höhere Letalität erwarten als ein Krankenhaus mit wenigen Hoch-Risiko-
Patienten. Ein schlechteres Ergebnis muss in solchen Fällen nicht automatisch eine
schlechtere Qualität der Versorgung bedeuten. Erst eine angemessene Berücksichtigung
unterschiedlicher Risiken im Patientenmix sorgt für einen fairen Vergleich.
Hierzu werden risikoadjustierte Qualitätsdarstellungen genutzt. Um einen möglichen
gemeinsamen Einfluss mehrerer Risikofaktoren zu erkennen und zu gewichten, können
multiple logistische Regressionsmodelle eingesetzt werden, deren Ergebnisse in einem
weiteren Schritt zur Berechnung risikoadjustierter Letalitätsraten genutzt werden können.
Bekannte Beispiele nach herzchirurgischen Eingriffen sind die seit 1996 regelmäßig vom
New York State Department of Health (1996 bis 2004) herausgegebenen Cardiac Surgery
Reports oder der im europäischen Raum weit verbreitete additive oder logistische
EuroSCORE (Roques et al. 1999, Michel et al. 2003). Für den Leistungsbereich „isolierte
Koronarchirurgie“ wird von der BQS zudem seit dem Erfassungsjahr 2004 mit dem KCH-
SCORE ein, wie seit 2005 auch für die Karotis-TEA, eigens entwickeltes Risikoadjustierungs-
verfahren auf der Grundlage aktueller Daten eingesetzt.
2. In-Hospital-Letalität risikoadjustiert nach logistischem Regressionmodell
Für einen möglichst fairen Krankenhausvergleich, bei differenzierter Sichtweise auf
unterschiedliche Patientenrisiken, initiierte die BQS-Fachgruppe Kardiologie die
Entwicklung eines Modells zur Betrachtung der risikoadjustierten In-Hospital-Letalitätsrate.
In diesem Modell wird dabei eine möglichst niedrige Rate im Krankenhaus verstorbener an
allen Patienten mit PCI gefordert. Ein Versterben ist dabei definiert als: Entlassungsgrund =
7 (Tod) ODER Exitus im Herzkatheterlabor = „ja“ ODER Tod = „ja, bis 36 Stunden nach der
letzten Prozedur“ ODER Tod = „ja, später als 36 Stunden nach der letzten Prozedur (bis
zur Entlassung aus dem Krankenhaus)"
Bei der Entwicklung des ursprünglichen Modells wurde auf den Datenpool der
BQS-Bundesauswertung 2006 zurückgegriffen. Als Grundgesamtheit wurden zunächst alle
293.093 Patienten aus 552 Krankenhäusern eingeschlossen, für die mindestens eine PCI
während des stationären Aufenthaltes dokumentiert wurde. Potenzielle Risikofaktoren für die
In-Hospital-Letalität, die aus den Datenfeldern des Datensatzes Koronarangiographie und
Perkutane Koronarintervention (PCI) gebildet werden konnten, wurden durch die Expertise der
BQS-Fachgruppe Kardiologie sowie mittels einer Literaturrecherche ermittelt.
So wurden die folgenden möglichen Risikofaktoren näher untersucht: Alter, Geschlecht,
Diabetes mellitus, Niereninsuffizienz, Ejektionsfraktion, Herzinsuffizienz bei erster
Prozedur, kardiogener Schock bei erster Prozedur, Akutes Koronarsyndrom mit / ohne ST-
Hebung bei erster Prozedur, PCI an Ostiumstenose, PCI an Hauptstamm, PCI am letzten
verbliebenen Gefäß und PCI am kompletten Gefäßverschluss.
Unter Verwendung von multiplen logistischen Regressionsmodellen lassen sich dann nicht
nur Aussagen darüber treffen, ob bestimmte Faktoren überhaupt einen Einfluss auf einen
bestimmten binären Zustand (hier lebendig oder tot) eines Patienten ausüben, auch lässt
sich der simultane Einfluss dieser Risikofaktoren auf eine Erkrankungs- oder
Versterbenswahrscheinlichkeit quantifizieren. Darüber hinaus besteht die Möglichkeit,
explizite Wechselwirkungen zwischen den Risikofaktoren im Modell zu berücksichtigen.
Dazu wurde als erstes eine Variablenselektion nach mathematisch-statistischen
Gesichtspunkten durchgeführt, bei der zum Niveau a = 5% statistisch nicht signifikante
Variablen aus der Modellbildung entfernt werden konnten. So wurde für die In-Hospital-
Letalität bei gleichzeitiger Berücksichtigung der im Modell verbliebenen Risikofaktoren kein
signifikanter Einfluss für die Variable „PCI einer Ostiumstenose“ nachgewiesen.
Für die Datenfelder Diabetes mellitus, Niereninsuffizienz und Ejektionsfraktion erlaubt
der BQS-Datensatz die Angaben „unbekannt“. Für alle drei Datenfelder zeigte sich eine
höhere Letalitätsrate bei der Angabe „unbekannt“ als bei der Angabe „nein“. Aufgrund der
hohen Anzahl unbekannter Angaben im Feld Ejektionsfraktion und des gleichzeitigen
Vorhandenseins des klinisch relevanteren Feldes „Herzinsuffizienz“ wurde dieses
Datenfeld nicht für die Modellentwicklug berücksichtigt. Unbekannte Werte bei Diabetes
mellitus oder Niereninsuffizienz führten zu einem Ausschluss dieser Patienten bei der
Entwicklung des Modells. In der Risikoadjustierung werden jedoch alle Patienten mit PCI
berücksichtigt (s. u.).
Zur Bestimmung des in den Auswertungen 2008 verwendeten PCI-Scores wurde ein Kranken-
haus aus der Grundgesamtheit entfernt. In diesem Krankenhaus wurde in den
Erfassungsjahren 2006 und 2007 eine unplausibel hohe Rate von Patienten mit kardiogenem
Schock dokumentiert (kardiogener Schock bei ca. 90% der Patienten).
Der Effekt des kardiogenen Schocks auf die In-Hospital-Sterblichkeit wird bei Hinzunahme
dieses Krankenhauses deutlich unterschätzt. Die Ergebnisse des auf Basis des Bundesdaten-
pools 2007 (ohne das o.g. Krankenhaus) gerechneten logistischen Regressionsmodells sind
in Tabelle 1 aufgeführt.
Zur Überprüfung der Modellgüte wurde die Hosmer-Lemeshow Goodness-of-Fit
Teststatistik verwendet. Dazu werden die für jeden Patienten aus dem Modell
vorhergesagten Wahrscheinlichkeiten zu versterben aufsteigend sortiert und in zehn gleich
große Gruppen aufgeteilt. Ob die vorhergesagte Anzahl von Verstorbenen in
den zehn Gruppen mit der tatsächlich zu beobachtenden Anzahl in den Gruppen
übereinstimmt, wird schließlich mittels eines χ²-Tests überprüft.
Der sich für dieses Modell ergebende Wert von 0,106 für den Hosmer-Lemeshow
Goodness-of-Fit Test lässt dabei keine signifikanten Unterschiede erkennen. Das bedeutet,
dass das neu entwickelte Risikoadjustierungsmodell die Wahrscheinlichkeit, nach einer
PCI im Krankenhaus zu versterben, zufriedenstellend vorhersagt. Der Wert der ROC-
Kurve, der die Diskriminierungsfähigkeit zwischen richtigen und falschen Werten
beschreiben soll, kann mit 0,878 als sehr gut bezeichnet werden.
Risikofaktor
Regressions-
Standard-
p-Wert
Odds-Ratio
koeffizient
fehler
Konstante
-6,701
0,056
<0,001
-
Alter (Jahre über 65)
0,069
0,003
<0,001
1,071
Niereninsuffizienz, dialysepflichtig
1,120
0,081
<0,001
3,066
Niereninsuffizienz, nicht dialyse-pflichtig
0,543
0,041
<0,001
1,721
Diabetes mellitus
0,287
0,038
<0,001
1,333
Geschlecht weiblich
0,196
0,041
<0,001
1,216
Manifeste Herzinsuffizienz bei erster
Prozedur
1,179
0,044
<0,001
3,251
Kardiogener Schock bei erster Prozedur
2,608
0,110
<0,001
13,556
ACS mit ST-Hebung bei erster Prozedur
2,173
0,061
<0,001
8,788
ACS ohne ST-Hebung bei erster Prozedur
1,129
0,056
<0,001
3,093
PCI am Hauptstamm
1,266
0,078
<0,001
3,548
PCI am letzten Gefäß
0,948
0,107
<0,001
2,579
PCI an kompletten Gefäßverschluss
0,926
0,059
<0,001
2,616
Wechselwirkung Alter über 65 Jahre /
Schock
-0,019
0,006
0,001
0,981
Wechselwirkung ACS mit ST-Hebung /
Schock
-0,745
0,103
<0,001
0,475
Wechselwirkung Weiblich / Schock
-0,143
0,098
0,142
0,867
Wechselwirkung PCI an kompletten
Gefäßverschluss / Notfall
-0,563
0,075
<0,001
0,569
Tabelle 1: Ergebnis der multiplen logistischen Regression
3. Risikoadjustierung mit dem logistischen Regressionsmodell
Bei der Risikoadjustierung mit dem logistischen Regressionsmodell wird die beobachtete
Rate der Todesfälle nach PCI eines Krankenhauses (O für Observed) mit der erwarteten
Rate an Todesfällen (E für Expected) verglichen. Grundgesamtheit sind alle Patienten mit PCI.
Ausgehend vom logistischen Regressionsmodell
p
ln
=
β0 + βalterüber65 * xalterüber65 + β1 * x1 + ß2 * x2 + … + βn * xn
1 - p
mit den Risikofaktoren xAlter über 65 ,x1,..,xn (hier mit der Altersangabe in Jahren über 65 bei
xAlter über 65; bei Diabetes mellitus sowie den Variablen zur Niereninsuffizienz sind die möglichen
Werte ’1’ bei Vorliegen, ’0’ bei Nicht-Vorliegen bzw. bei Angabe "unbekannt" und
Verweildauer > 1 Tag sowie der folgenden Werte bei unbekannter Angabe für Patienten mit
Verweildauer <= 1 Tag: Diabetes mellitus = 0,251; Niereninsuffizienz mit Dialyse = 0,016;
Niereninsuffizienz ohne Dialyse = 0,141. Die sonstigen Variablen haben den Wert ’1’ bei
Vorliegen und ’0’ bei Nicht-Vorliegen),
der Konstanten β0 und den Regressionskoeffizienten βAlter über 651,..,βn
lässt sich die Wahrscheinlichkeit p, nach einer PCI im Krankenhaus zu versterben, für
jeden Patienten unter Berücksichtigung seiner individuellen Risikostruktur berechnen:
exp(β0 + ßalterüber65 * xalterüber65 + β1 * x1 + β2 * x2 + … + βn * xn)
p
=
1 + exp(β0 + ßalterüber65 * xalterüber65 + β1 * x1 + β2 * x2 + … + βn * xn)
Die beobachtete Rate an Todesfällen O eines Krankenhauses berechnet sich als Anzahl der
Patienten im Krankenhaus mit:
Entlassungsgrund = 7 (Tod) ODER Exitus im Herzkatheterlabor = „ja“ ODER Tod = „ja, bis
36 Stunden nach der letzten Prozedur“ ODER Tod = „ja, später als 36 Stunden nach der
letzten Prozedur (bis zur Entlassung aus dem Krankenhaus)",
geteilt durch die Anzahl behandelter Patienten mit PCI.
Die nach der Risikostruktur seiner Patienten zu erwartende Rate an Todesfällen E eines
Krankenhauses berechnet man, indem zunächst für alle behandelten Patienten eines
Krankenhauses die nach dem logistischen Regressionsmodell erwarteten
Wahrscheinlichkeiten summiert werden (= erwartete Anzahl von Todesfällen im
Krankenhaus) und diese dann ebenfalls durch die Anzahl der Patienten teilt. Durch dieses
Vorgehen werden die bei jedem Patienten beobachteten Risikofaktoren mit berücksichtigt,
und man erhält eine erwartete Rate an Todesfällen, die den jeweiligen Patientenmix eines
Krankenhauses mit einbezieht. So liegt für ein Krankenhaus mit überdurchschnittlich vielen
Hoch-Risiko-Patienten die erwartete Rate an Todesfällen E über der bundesweit erwarteten
Gesamtrate an Todesfällen.
Als Gesamtraten bezeichnet man dabei die bundesweit beobachteten und erwarteten
Raten an Todesfällen nach PCI. Die Berechnung erfolgt analog zur Berechnung der
beobachteten und erwarteten Raten der Todesfälle der einzelnen Krankenhäuser, mit dem
Unterschied, dass hier alle Patienten bundesweit mit PCI betrachtet werden,
Für einen risikoadjustierten Vergleich der Krankenhäuser wird im Weiteren der Unterschied
zwischen O und E betrachtet. Der Unterschied lässt sich einerseits über die Differenz O - E
oder das Verhältnis O / E darstellen.
Die Differenz O - E ist der Anteil Todesfälle, der über dem erwarteten Anteil liegt. Sie kann
aufgefasst werden als absolute Abweichung der beobachteten Letalität von der erwarteten
Letalität. Beträgt zum Beispiel für ein Krankenhaus der nach Patientenmix erwartete Anteil
von Todesfällen E = 3,5%, wird aber tatsächlich eine Letalitätsrate von O = 4,5% beobachtet,
ist das Ergebnis um 1,0 Prozentpunkte schlechter als nach der Risikostruktur der Patienten
zu erwarten gewesen wäre. Wird eine Letalitätsrate von O = 2,6% beobachtet, ist das
Ergebnis des Krankenhauses um 0,9 Prozentpunkte besser als nach dem Patientenmix
erwartet.
Über das Verhältnis O / E lässt sich erkennen, wie groß die Abweichung ist, wenn man sie
in Bezug zu der erwarteten Letalität setzt. Beträgt zum Beispiel E = 3,5% und sei O = 4,5%,
so ist das Ergebnis des Krankenhauses um das 1,29-fache (bzw. um 29%) schlechter als
nach dem Patientenmix zu erwarten gewesen wäre. Wird stattdessen eine Letalitätsrate von
O = 2,6% beobachtet, beträgt das Krankenhausergebnis dagegen das 0,74-fache des
erwarteten Wertes von E = 3,5%. Das Ergebnis wäre 26% besser als nach der
Risikostruktur der Patienten zu erwarten gewesen wäre.
Über die so genannte „risikoadjustierte In-Hospital-Letalität“ (= (O / E) * Gesamtletalität) kann
sich das Krankenhaus schließlich mit der Gesamt-In-Hospital-Letalitätsrate aller
teilnehmenden Krankenhäuser vergleichen. Diese Methode hat den Vorteil, dass für alle
teilnehmenden Krankenhäuser die risikoadjustierten Letalitätsraten berechnet werden, die
erreicht würden, wenn alle Krankenhäuser dieselben Patientenrisiken hätten. Damit werden
alle Krankenhausergebnisse direkt miteinander vergleichbar. Im Ergebnis wird für jedes
Krankenhaus die Letalitätsrate so berechnet, als wenn es bezüglich aller Risikofaktoren
des logistischen Regressionsmodells einen Patientenmix gehabt hätte, der identisch zum im
Jahr 2006 bundesweit in der Grundgesamtheit beobachteten Patientenmix ist.
Sei z. B. die erwartete In-Hospital-Letalitätsrate eines Krankenhauses E = 3,5% und die
tatsächlich beobachtete In-Hospital-Letalitätsrate dieses Krankenhauses O = 3,1%. Die
Gesamtletalitätsrate für das Jahr 2006 beträgt 2,0 %. In dem Wert von E = 3,5% drückt sich
dabei schon aus, dass ein entsprechendes Krankenhaus A mehr Hoch-Risiko-Patienten
behandelt, als im Durchschnitt zu erwarten gewesen wäre. Um einen Vergleich mit den
anderen Krankenhäusern zu ermöglichen, wird die risikoadjustierte Rate berechnet. So ergibt
sich die risikoadjustierte In-Hospital-Letalität zu (3,1% / 3,5%) * 2,0 % = 1,7%. Anstelle der
beobachteten 3,1% In-Hospital-Letalität ergäbe sich hier für das Krankenhaus A eine
risikoadjustierte In-Hospital-Letalitätsrate von 1,7%. Dies ist das Krankenhausergebnis, das
erzielt worden wäre, wenn es den identischen Patientenmix zur Grundgesamtheit aller
teilnehmenden Krankenhäuser gehabt hätte.
Betrachtet man ein zweites Krankenhaus B mit E = 1,2% und O = 1,5%, so berechnet sich
die risikoadjustierte In-Hospital-Letalität zu (1,5% / 1,2%) * 2,0% = 2,5%. Da die Patienten
dieses Krankenhauses geringere Risiken in sich tragen, als im Durchschnitt zu erwarten
gewesen wäre, steigt die risikoadjustierte Rate gegenüber der beobachteten von 1,5% auf
2,5% an. Bei gleichem Patientenmix, wie er in der Grundgesamtheit aller teilnehmenden
Krankenhäuser vorliegt, hätte Krankenhaus B ein Krankenhausergebnis von 2,5% erzielt.
Ein Vergleich von Krankenhaus A mit Krankenhaus B zeigt schließlich: Betrachtet man nur
die rohen In-Hospital-Letalitätsraten würde Krankenhaus A mit einer Rate von 3,1%
schlechter dastehen als Krankenhaus B mit 1,5%. In Krankenhaus A werden jedoch mehr
Hoch-Risiko-Patienten behandelt als in Krankenhaus B. Soll dieses berücksichtigt werden,
dann gibt die risikoadjustierte Rate Auskunft darüber, wie sich die Ergebnisse darstellen
würden, wenn beide Krankenhäuser einen identischen Patientenmix gehabt hätten. Dabei
wird ersichtlich, dass - wenn beide Krankenhäuser gleiche Patientenrisiken gehabt hätten -
Krankenhaus A ein besseres Ergebnis von 1,7% erzielt hätte als Krankenhaus B mit 2,5%.
4. Literaturverzeichnis
BQS Bundesgeschäftsstelle Qualitätssicherung gGmbH. Risikoadjustierung in der
Herzchirurgie. in: Mohr VD, Bauer J, Döbler K, Fischer B, Woldenga C, (Hrsg.). Qualität
sichtbar machen. BQS-Qualitätsreport 2002. Düsseldorf: BQS Bundesgeschäftsstelle
Qualitätssicherung gGmbH; 2003. 26-29.
BQS Bundesgeschäftsstelle Qualitätssicherung gGmbH. Neue Risikoadjustierung in der
Koronarchirurgie: der KCH-Score. in: Mohr VD, Bauer J, Döbler K, Eckert O, Fischer B,
Woldenga C, (Hrsg.). Qualität sichtbar machen. BQS-Qualitätsreport 2004. Düsseldorf:
BQS Bundesgeschäftsstelle Qualitätssicherung gGmbH; 2005; 46-49.
BQS Bundesgeschäftsstelle Qualitätssicherung gGmbH. Die Krankenhaussterblichkeit -
geeigneter Indikator für den Krankenhausvergleich? in: Mohr VD, Bauer J, Döbler K, Eckert O,
Fischer B, Woldenga C, (Hrsg.). Qualität sichtbar machen. BQS-Qualitätsreport 2005.
Düsseldorf: BQS Bundesgeschäftsstelle Qualitätssicherung gGmbH; 2006; 144-145.
BQS Bundesgeschäftsstelle Qualitätssicherung gGmbH. Risikoadjustierung mit den
logistischen KAROTIS-Scores I und II. in: Mohr VD, Bauer J, Döbler K, Eckert O, Fischer B,
Woldenga C, (Hrsg.). Qualität sichtbar machen. BQS-Qualitätsreport 2005. Düsseldorf:
BQS Bundesgeschäftsstelle Qualitätssicherung gGmbH; 2006. 106-108.
Michel P, Roques F, Nashef SAM. Logistic or additive EuroSCORE for high-risk patients?
European Journal of Cardio-thoracic Surgery 2003; 23: 684-687.
New York State Department of Health. Coronary Artery Bypass Surgery in New York State
1992 - 1994. New York State Department of Health; 1996. http://www.health.state.ny.us
(Recherchedatum: 20.06.2005)
Roques F, Nashef SAM, Michel P, Gauducheau E, de Vincentiis C, Baudet E, Cortina J, David
M, Faichney A, Gabrielle F, Gams E, Harjula A, Jones MT, Pinna Pintor P, Salamon R, Thulin L.
Risk factors and outcome in European cardiac surgery: analysis of the EuroSCORE
multinational database of 19030 patients. European Journal of Cardio-thoracic Surgery 1999
15: 816-823.
© BQS 2009
14.05.2009 / 2008 - D7520-L58717-P26858