Prädiktoren für den Eintritt in ein Pflegeheim bei bestehender Pflegebedürftigkeit – Eine Sekundärdatenanalyse im Längsschnittdesign

Zusammenfassung

Ziel der Studie Ermittlung von Prädiktoren für den Eintritt in ein Pflegeheim mittels einer Sekundärdatenanalyse von Krankenkassen- und Pflegebegutachtungsdaten.

Methodik Eine retrospektive Längsschnittanalyse betrachtet den Zeitraum von 2006–2016 unter Verwendung von Routinedaten. Krankenkassen- und Pflegebegutachtungsdaten von im Jahr 2006 pflegebedürftig gewordenen Menschen, die in der eigenen Häuslichkeit lebten, wurden zusammengeführt. Prädiktoren für einen Pflegeheimeintritt wurden auf dieser Basis und mit Hilfe von Cox Regressionsanalysen ermittelt.

Ergebnisse Die Studienpopulation umfasste 48 892 Menschen. Demenz, Krebserkrankungen des Gehirns, kognitive Einschränkungen, die Verschreibung von Antipsychotika, Frakturen mit Krankenhausaufenthalten, Krankenhausaufenthalte über zehn Tage Länge und höheres Alter wiesen die höchsten Effektstärken unter den Prädiktoren auf.

Schlussfolgerung Kenntnisse über die Prädiktoren dienen der Sensibilisierung von Akteuren in der Versorgung pflegebedürftiger Menschen. Sie erleichtern das Erkennen von Unterstützungsbedarf in der eigenen Häuslichkeit bei Menschen, die unter einem erhöhten Risiko eines Heimeintritts stehen.

Abstract

Objective To determine predictors of admission to nursing home by means of secondary data analysis of German statutory health insurance claims data and care needs assessments.

Materials and methods A retrospective longitudinal analysis was conducted covering the period 2006–2016 and using routine data. Health insurance data and care needs assessment data for people who became care dependent in 2006 and who lived in their own homes were merged. Cox regression analyses were conducted to identify predictors of admission to a nursing home.

Results The study population comprised 48,892 persons. Dementia, cancer of the brain, cognitive impairment, antipsychotics prescriptions, hospitalized fractures, hospital stays over ten days, and higher age had the highest hazard ratios among the predictors.

Conclusions Knowledge about the predictors serves to sensitize health care professionals in the care of people in need of care. It facilitates identification of care needs in community-dwelling persons at an increased risk of admission to a nursing home.

Schlüsselwörter

Prädiktor - Pflegeheimeintritt - Sekundärdaten - Ereigniszeitanalyse - Pflegebedürftigkeit

Key words

Predictor - nursing home admission - secondary data - survival analysis - need of care

Publication History

Article published online:
01 April 2021

• Literatur

• 1 Destatis. Pflegestatistik 2017. Pflege im Rahmen der Pflegeversicherung, Deutschlandergebnisse. In: Statistisches Bundesamt (Destatis); 2018
• 2 Schwinger A, Tsiasioti C. Pflegebedürftigkeit in Deutschland. In Jacobs K, Kuhlmey A, Greß S. et al Pflegereport 2018 Qualität in der Pflege; 2018: 173-204
• 3 Schaeffer D, Kuhlmey A. Neue Modelle für die pflegerische Versorgung alter Menschen – Herausforderungen in der ambulanten Pflege. In Schwerpunkt: Gesundheit im Alter/hrsg von Christian Günster Mit Beitr von Sabine Bartholomeyczik 2012; 177-192
• 4 Spangenberg L, Glaesmer H, Brahler E. et al. Nachdenken über das Wohnen im Alter: Einflussfaktoren auf wohnbezogene Zukunftspläne und Wohnpräferenzen in einer repräsentativen Stichprobe ab 45-Jähriger. Z Gerontol Geriatr 2013; 46: 251-259
• 5 Bundesgesundheitsministerium. Finanzentwicklung der sozialen Pflegeversicherung – Ist-Ergebnisse ohne Rechnungsabgrenzung. In; 2015
• 6 Bundesgesundheitsministerium. Leistungsempfänger nach Leistungsarten und Pflegestufen im Jahresdurchschnitt. In; 2015
• 7 Höhne A, Jedlitschka K, Hobler D. et al. Hausarztzentrierte Versorgung in Deutschland. Der Hausarzt als Lotse?. Gesundheitswesen 2009; 71: 414-422
• 8 Luppa M, Luck T, Weyerer S. et al. Prediction of institutionalization in the elderly. A systematic review. Age Ageing 2010; 39: 31-38
• 9 Wang SY, Shamliyan TA, Talley KM. et al. Not just specific diseases: systematic review of the association of geriatric syndromes with hospitalization or nursing home admission. Archives of gerontology and geriatrics 2013; 57: 16-26
• 10 Vejux J, Ben-Sadoun G, Piolet D. et al. Screening risk and protective factors of nursing home admission. Geriatrie et psychologie neuropsychiatrie du vieillissement 2019; 17: 39-50
• 11 Cepoiu-Martin M, Tam-Tham H, Patten S. et al. Predictors of long-term care placement in persons with dementia: a systematic review and meta-analysis. International journal of geriatric psychiatry 2016; 31: 1151-1171
• 12 Gaugler JE, Yu F, Krichbaum K. et al. Predictors of nursing home admission for persons with dementia. Med Care 2009; 47: 191-198
• 13 Luppa M, Luck T, Brähler E. et al. Prediction of institutionalisation in dementia. A systematic review. Dementia & Geriatric Cognitive Disorders 2008; 26: 65-78
• 14 Toot S, Swinson T, Devine M. et al. Causes of nursing home placement for older people with dementia: a systematic review and meta-analysis. International psychogeriatrics 2017; 29: 195-208
• 15 Stiefler S, Seibert K, Domhoff D. et al. Einflussfaktoren für einen Heimeintritt bei bestehender Pflegebedürftigkeit – eine systematische Übersichtsarbeit. Zeitschrift für Evidenz, Fortbildung und Qualität im Gesundheitswesen. 2020; online first
• 16 Swart E, Gothe H, Geyer S. et al. Gute Praxis Sekundärdatenanalye (GPS): Leitlinien und Empfehlungen. Gesundheitswesen 2015; 77: 120-126
• 17 Hoffmann W, Latza U, Terschuren C. et al. Leitlinien und Empfehlungen zur Sicherung von Guter Epidemiologischer Praxis (GEP) – überarbeitete Fassung nach Evaluation. Gesundheitswesen 2005; 67: 217-225
• 18 Swart E, Bitzer EM, Gothe H. et al. A Consensus German Reporting Standard for Secondary Data Analyses, Version 2 (STROSA-STandardisierte BerichtsROutine fur SekundardatenAnalysen). Gesundheitswesen 2016; 78: e145-e160
• 19 Bernhard M, Raatz C, Zahn P. et al. Validität von Einweisungsdiagnosen als Prozesssteuerungskriterium. Der Anaesthesist 2013; 62: 617-623
• 20 Schubert I, Köster I. Krankheitsereignis: Operationalisierung und Falldefinition. In: Routinedaten im Gesundheitswesen/Enno Swart. Hrsg. 2014; 358-368
• 21 Günster C, Klose J, Schmacke N. Versorgungs-Report 2011. Schwerpunkt: Chronische Erkrankungen. Stuttgart: Schattauer; 2011
• 22 Günster C, Klose J, Schmacke N. Versorgungs-Report 2012. Schwerpunkt: Gesundheit im Alter. Stuttgart: Schattauer; 2012
• 23 Klauber J, Günster C, Gerste B. et al. Versorgungs-Report 2013/2014. Schwerpunkt: Depression. Stuttgart: Schattauer; 2015
• 24 Cox DR. Regression Models and Life-Tables. Journal of the Royal Statistical Society Series B (Methodological) 1972; 34: 187-220
• 25 Wattmo C, Wallin AK. Early-versus Late-Onset Alzheimer Disease: Long-Term Functional Outcomes, Nursing Home Placement, and Risk Factors for Rate of Progression. Dementia and geriatric cognitive disorders extra 2017; 7: 172-187
• 26 Allison PD. Survival analysis using SAS : a practical guide. 2. ed. Aufl. Cary, NC: SAS Press; 2010
• 27 Kurichi JE, Bogner HR, Streim JE. et al. Predicting 3-year mortality and admission to acute-care hospitals, skilled nursing facilities, and long-term care facilities in Medicare beneficiaries. Archives of gerontology and geriatrics 2017; 73: 248-256
• 28 Neubauer S, Zeidler J, Lange A. et al. Grundlagen und Methoden von GKV-Routinedatenstudien. Diskussionspapier. Nr. 534. In: Leibniz Universität Hannover: Center for Health Economics Research Hannover (CHERH); 2014
• 29 Swart E. Routinedaten im Gesundheitswesen : Handbuch Sekundärdatenanalyse: Grundlagen, Methoden und Perspektiven. 2., vollständig überarbeitete und erweiterte Auflage. Aufl. Bern: Huber; 2014
• 30 Hoffmann F, Icks A. Unterschiede in der Versichertenstruktur von Krankenkassen und deren Auswirkungen für die Versorgungsforschung: Ergebnisse des Bertelsmann-Gesundheitsmonitors. Gesundheitswesen 2012; 74: 291-297
• 31 Jaunzeme J, Eberhard S, Geyer S. Wie „repräsentativ“ sind GKV-Daten?. Bundesgesundheitsblatt – Gesundheitsforschung – Gesundheitsschutz 2013; 56: 447-454