Risiko-Adjustierung mit Angaben von Pflegekräften: Nutzen in epidemiologischen und ökonomischen Studien in der klinischen Forschung und im Qualitätsmanagement

 

 Buy Article Permissions and Reprints

Zusammenfassung

Fragestellung: Inwieweit stimmt die Beurteilung ausgewählter Krankheitsbilder zwischen Pflegepersonal und Ärzten in der internistischen Krankenhausversorgung überein und inwieweit können Angaben des Pflegepersonals in epidemiologischen und ökonomischen Studien für eine Risiko-Adjustierung eingesetzt werden? Patienten und Methoden: In zwei Querschnittsstudien mit je 50 internistischen Patienten wurde die Übereinstimmung zwischen Pflegekräften und Ärzten in der Bewertung von Erkrankungen des Index for CoExisting Diseases (ICED) untersucht. In der ersten Phase fand die Beurteilung zeitgleich bei Aufnahme statt, in der zweiten untersuchten die Ärzte bei Entlassung. Übereinstimmung, Kappa, Sensitivität und Spezifität, sowie Spearman-Korrelationen wurden mit deren 95 % Konfidenzintervallen berechnet. Ergebnisse: Pflegekräfte erfassten im Durchschnitt eine geringere Anzahl von Erkrankungen pro Patient als Ärzte (2,5 vs. 3,8; p = 0,006) und bewerteten den Schweregrad der Erkrankungen (von 0 bis 4) im Mittel geringfügig leichter als Ärzte (2,5 vs. 3,0; p = 0,001). Die Übereinstimmung des Vorhandenseins einer Erkrankung lag in Phase 1 bei 84 % (70 % - 90 %), in Phase 2 bei 80 % (67 %-89 %). Je differenzierter der Schweregrad einer Erkrankung nachgefragt wurde, desto geringer war die Übereinstimmung zwischen Ärzten und Pflegepersonal. Das Pflegepersonal erkannte Erkrankungen in Phase 1 mit einer Sensitivität von 0,63 und Spezifität von 0,83 unter der Annahme, dass die ärztliche Feststellung von Erkrankungen den Goldstandard darstellt. Schlussfolgerungen: Eine Beurteilung von (Begleit-)Erkrankungen durch pflegerisches Personal ohne eine spezielle Schulung im Sinne einer „Study Nurse” ist für einzelne Anwendungen zum derzeitigen Zeitpunkt nicht ausreichend. Umfangreichere Studien müssen die ärztliche Variabilität in der Feststellung von Erkrankungen miteinbeziehen.

Risk Adjustment Using Morbidity Information Assessed by Nurses: Utility for Epidemiological and Economic Studies in Clinical Research and Quality Management

Objectives: To what extent do nurses and physicians agree in the assessment of the prevalence and severity of medical conditions and to what extent can morbidity data provided by nurses be used for risk adjustment in epidemiological and economic studies? Patients and methods: In two cross-sectional studies of 50 medical patients each, the authors studied the agreement between nurses and physicians in the assessment of conditions listed in the Index for CoExisting Diseases (ICED). Phase 1 studied the agreement when patients were evaluated by both groups at the same time. In phase 2 physicians assessed patients at discharge. Results: Nurses recorded on average fewer conditions (2.5 vs. 3.8; p = 0.006) and rated them less severe (2.5 vs. 3.0 on a scale from 0 to 4; p = 0.001). Agreement in the prevalence of conditions was 84 % (70 % - 90 %) in phase 1 and 80 % (67 % -89 %) in phase 2. The agreement decreases continuously with an increasing number of severity categories that were to be assessed. Assuming physicians to be the gold standard, nursing information on the prevalence of conditions showed a sensitivity of 0.63 and specificity of 0.83. Conclusions: The assessment of medical conditions by nurses without a specific training may not be sufficient for epidemiological and economic studies in medical research. Larger studies should also consider the variability between physicians in assessing medical conditions.

Literatur

• 1 Unnebrink K, Pritsch M. Grundprinzipien klinischer Therapiestudien - was, wie und warum?.  Med Klin. 1999;  94 458-464
  PubMedGoogle Scholar
• 2 Black N. Why we need observational studies to evaluate the effectiveness of health care.  BMJ. 1996;  312 1215-1218
  CrossrefPubMedGoogle Scholar
• 3 Feinstein A R. Problems of randomized trials. In: Abel U, Koch A Nonrandomized comparative clinical studies. Düsseldorf; Symposion Publishing 1998
  Google Scholar
• 4 Schneeweiss S, Sangha O. Weiterentwicklung von Krankenhausbetriebsvergleichen: Wie wichtig ist Risiko-Adjustierung für den Krankenhausvergleich. In: Sieben G, Litsch M (Hrsg) Krankenhausbetriebsvergleiche. Berlin; Springer 2000: 131-147
  Google Scholar
• 5 Mantel N, Haenszel N. Statistical aspects of the analysis of data from retrospective studies of disease.  J Natl Cancer Inst. 1959;  22 719-748
  PubMedGoogle Scholar
• 6 Koch A, Windeler J. Statistische Modelle und die Auswertung von Beobachtungsstudien.  Med Klin. 1999;  94 587-593
  PubMedGoogle Scholar
• 7 Charlson M E, Pompel P, Ales K L, MacKenzie C R. A new method of classifying prognostic comorbidity in longitudinal studies: Development and validation.  J Chron Dis. 1987;  40 373-383
  CrossrefPubMedGoogle Scholar
• 8 Greenfield S, Blanco D M, Elashoff R M, Ganz P A. Patterns of care related to age of breast cancer patients.  JAMA. 1987;  257 2766-2770
  CrossrefPubMedGoogle Scholar
• 9 Schneeweiss S, Maclure M. Use of comorbidity scores for control of confounding in studies using administrative databases.  Int J Epidemiol. 2000;  29 891-898
  CrossrefPubMedGoogle Scholar
• 10 Iezzoni L I. Risk adjustment for measuring healthcare outcomes, 2nd ed. Chicago; Health Administration Press 1997
  Google Scholar
• 11 Schneeweiss S, Seeger J, Maclure M, Wang P, Avorn J, Glynn R J. Performance of comorbidity scores to control for confounding in epidemiologic studies using claims data.  Am J Epidemiol. 2001;  im Druck
  PubMedGoogle Scholar
• 12 Kaku K, Gilbert F I, Sachs R. Comparison of health appraisals by nurses and physicians.  PublicHealth Reports. 1970;  85 1042-1046
  PubMedGoogle Scholar
• 13 Schneeweiss S, Sangha O, Manstetten A, Schlottmann N, Liebetrau M, Hartman W, Walter B, Schultz W, Paeger A, Euler P, Eichenlaub A, Leber W D, Rauh G. Identifikation von medizinischen Indikatoren für Ergebnisqualität in der internistischen Krankenhausversorgung: Ergebnisse der QMK Pilotstudie.  Gesundheitsökonomie und Qualitätsmanagement. 2000;  5 173-182
  PubMedGoogle Scholar
• 14 Greenfield S, Apolone G, McNeil B J, Cleary P D. The importance of co-existent disease in the occurrence of postoperative complications and one-year recovery in patients undergoing total hip replacement. Comorbidity and outcomes after hip replacement.  Medical Care. 1993;  31 141-154
  PubMedGoogle Scholar
• 15 Bennett C L, Greenfield S, Aronow H, Ganz P, Vogelzang N J, Elashoff R M. Patterns of care related to age of men with prostate cancer.  Cancer. 1991;  67 2633-2640
  PubMedGoogle Scholar
• 16 Cohen J. A coefficient of agreement for nominal scales.  Educ Psychol Measure. 1960;  20 37-46
  CrossrefPubMedGoogle Scholar
• 17 Ciccetti D V, Allison T. A new procedure for assessing the reliability of scoring EEG sleep recordings.  Am J EEG Technol. 1971;  11 101-109
  PubMedGoogle Scholar
• 18 Brenner H, Kliebsch U. Dependence of weighted kappa coefficients on the number of categories.  Epidemiology. 1996;  7 199-202
  CrossrefPubMedGoogle Scholar
• 19 Daniel W W. Biostatistics: A foundation for analysis in health sciences, 5th ed. New York; Wiley 1991: 592-595
  Google Scholar
• 20 SAS/STAT Software .Changes and Enhancements through Release 6.12. Cary, NC; SAS Institute Inc. 1996
  Google Scholar
• 21 Syklo M, Nieto F J. Epidemiology beyond the basics. Gaithersburg, MD, Aspen; 2000: 373
  Google Scholar
• 22 Feinstein A R, Cichetti D V. High agreement but low kappa: 1. The problem of two paradoxes.  J Clin Epidemiol. 1990;  43 543
  CrossrefPubMedGoogle Scholar
• 23 Greenland S. The effect of misclassification in the presence of covariates.  Am J Epidemiol. 1980;  112 564-569
  PubMedGoogle Scholar
• 24 Kelsey J L, Whittemore A S, Evans A S, Thompson W D. Methods in observational epidemiology. New York; Oxford University Press 1996: 354
  Google Scholar
• 25 Greenland S, Kleinbaum D G. Correcting for misclassification in two-way tables and matched-pair studies.  Int J Epidemiol. 1983;  12 93-97
  PubMedGoogle Scholar
• 26 Rosner B, Spiegelman D L, Willet W C. Correction of logistic regression relative risk estimates and confidence intervals for measurement error: the case of multiple covariates measured with error.  Am J Epidemiol. 1990;  116 114-122
  PubMedGoogle Scholar
• 27 Spiegelman D L, Schneeweiss S, McDermott A. Measurement error correction for logistic regression models with an „alloyed gold standard”.  Am J Epidemiol. 1997;  145 184-196
  PubMedGoogle Scholar
• 28 Elmore J G, Feinstein A R. A bibliography of publications on observer variability (Final installment).  J Clin Epidemiol. 1992;  45 567-580
  CrossrefPubMedGoogle Scholar
• 29 Katz J N, Chang L C, Sangha O, Fossel A H, Bates D W. Can comorbidity be measured by questionnaire rather than medical record review?.  Med Care. 1996;  34 73-84
  CrossrefPubMedGoogle Scholar

Dr. med. S. Schneeweiss, Sc. D.

Department of Medicine
Div. of Pharmacoepidemiology and Pharmacoeconomics
Brigham and Women’s Hospital and Harvard Medical School

221 Longwood Ave (BLI-341)
Boston, MA 02115

Email: schneeweiss@post.harvard.edu