Adjustierung des sozialmedizinischen Verlaufs nach medizinischer Rehabilitation: methodische Weiterentwicklung der Reha-Qualitätssicherung der Deutschen Rentenversicherung

Zusammenfassung

Ziel der Studie Die berufliche (Wieder-)Eingliederung der Rehabilitanden stellt neben der Lebensqualität ein wichtiges Behandlungsergebnis einer medizinischen Rehabilitationsmaßnahme in Trägerschaft der Deutschen Rentenversicherung dar. Um den sozialmedizinischen Verlauf in Form der beruflichen (Wieder-)Eingliederung als Qualitätsindikator nutzen zu können, musste zunächst eine geeignete Operationalisierung gefunden werden, um anschließend eine Risikoadjustierung hinsichtlich vorbestehender ergebnisrelevanter Rehabilitanden-, Fachabteilungs- und Arbeitsmarktmerkmale zu erarbeiten, welche die Fachabteilungen nicht unmittelbar beeinflussen können.

Methodik Dazu wurde mittels multipler Regressionsanalysen und Kreuzvalidierung eine Adjustierungsstrategie entwickelt, welche die Einflüsse ergebnisrelevanter Confounder (Einflussgrößen) mathematisch kompensiert und so sachgerechte Fachabteilungsvergleiche bezüglich der sozialmedizinischen Verläufe der Rehabilitanden nach ihrer medizinischen Rehabilitation zulässt. Als geeignete Operationalisierung des sozialmedizinischen Verlaufs in Form der beruflichen (Wieder-)Eingliederung wurden unter Einbezug von Experten die sozialversicherungspflichtigen Beschäftigungstage im ersten und zweiten Jahr nach der Rehabilitationsmaßnahme ausgewählt. Methodische Herausforderungen bei der Entwicklung der Adjustierungsstrategie stellten die Auswahl einer geeigneten Regressionsmethode für die Verteilungsbesonderheiten der Zielgröße, die adäquate Modellierung der Mehr-Ebenenstruktur der Daten, und die Selektion der relevanten Einflussgrößen auf den sozialmedizinischen Verlauf dar. Auf Basis der adjustierten Ergebnisse wurde ein anwenderfreundliches Rückmeldekonzept entwickelt.

Ergebnisse Als angemessene Regressionsmethode zur Modellierung der U-förmig verteilten Anzahl der Beschäftigungstage wurde die Fractional Logit Regression gewählt. Die Mehr-Ebenenstruktur der Daten (cross-classified Arbeitsmarktregionen und Fachabteilungen) ist aufgrund von durchweg niedrigen Intraklassenkorrelationen statistisch zu vernachlässigen. Potenzielle Einflussgrößen wurden theoretisch vorselektiert (unter Einbezug medizinischer Experten bei medizinischen Parametern) und indikationsspezifisch über Rückwärtsselektion auf ihre prognostische Relevanz geprüft. Die Strategie erwies sich nach Kreuzvalidierung als stabil. Die Ergebnisse der Adjustierung wurden unter Einbezug der Nutzerperspektive (Interviews und Fokusgruppen) anwenderorientiert in einem Rückmeldekonzept dargestellt.

Schlussfolgerung Das entwickelte Adjustierungsverfahren ermöglicht durch die Kompensation vorbestehender Rehabilitandenmerkmale einen sachgerechten Fachabteilungsvergleich zur Beurteilung der Behandlungsergebnisse im Rahmen der Reha-Qualitätssicherung. Die methodischen Herausforderungen, Entscheidungen und Limitationen werden in diesem Beitrag ausführlicher dargestellt.

Abstract

Purpose Besides the quality of life, patients’ return to work is one of the most important treatment results of medical rehabilitation paid by the German Pension Insurance. In order to be able to use the return to work as a quality indicator for medical rehabilitation, a risk adjustment strategy for pre-existing characteristics of patients, rehabilitation departments and labour markets had to be developed.

Methods Multiple regression analyses and cross validation were used to develop a risk adjustment strategy, which mathematically compensates the influence of confounders and thus allows for appropriate comparisons between rehabilitation departments regarding patients‘ return to work after medical rehabilitation. Under the inclusion of experts, the number of employment days in the first and second year after medical rehabilitation were chosen as an appropriate operationalization of return to work. Methodological challenges in the development of the risk adjustment strategy were the identification of a suitable regression method for the distribution of the dependent variable, modelling the multilevel structure of the data appropriately and selecting relevant confounders for return to work. A user-friendly way of communicating the results was developed.

Results The fractional logit regression was chosen as an appropriate regression method to model the U-shaped distribution of the employment days. Low intraclass correlations indicate that the multilevel structure of the data (cross-classified labour market regions and rehabilitation departments) is statistically negligible. Potential confounding factors were theoretically preselected (medical experts were involved for medical parameters) and tested for their prognostic relevance in each indication area using backwards selection. Cross validations proved the risk adjustment strategy to be stable. Adjustment results were displayed in a user-friendly report, including the users’ perspective (focus groups and interviews).

Conclusions The developed risk adjustment strategy allows for adequate comparisons between rehabilitation departments and thus enables a quality assessment of treatment results. Methodological challenges, decisions and limitations are discussed in details throughout this paper.

Schlüsselwörter

Rehabilitation - Qualitätsindikator - sozialmedizinischer Verlauf - Return to Work - Risikoadjustierung

Key words

rehabilitation - quality indicator - return to work - risk adjustment

Publikationsverlauf

Artikel online veröffentlicht:
16. Februar 2023

• Literatur

• 1 Deutsche Rentenversicherung Bund. Rahmenkonzept zur medizinischen Rehabilitation in der gesetzlichen Rentenversicherung. Im Internet: https://www.deutsche-rentenversicherung.de/SharedDocs/Downloads/DE/Experten/infos_reha_einrichtungen/konzepte_systemfragen/konzepte/rahmenkonzept_medizinische_reha.html; Stand: 17.11.2020
• 2 Becker A, Stausberg J, Fischer B. et al. Risikoadjustierung von Qualitätsindikatoren. Das Krankenhaus 2016; 11: 954-963
• 3 Gregorkiewicz A, Sägebarth M. Überarbeitung der Adjustierung in der Rehabilitandenbefragung der DRV. DRV-Schriften 2020; 29: 41-43
• 4 Hetzel C, Streibelt M. Hängt die berufliche Wiedereingliederung nach beruflichen Bildungsleistungen vom Arbeitsmarkt ab?. Rehabilitation (Stuttg) 2016; 55: 290-298 DOI: 10.1055/s-0042-113932.
• 5 Streibelt M, Egner U. Eine Meta-Analyse zum Einfluss von Stichprobe, Messmethode und Messzeitpunkt auf die berufliche Wiedereingliederung nach beruflichen Bildungsleistungen. Rehabilitation (Stuttg) 2012; 51: 398-404 DOI: 10.1055/s-0031-1291283.
• 6 Snijders TAB, Bosker RJ. Multilevel analysis. An introduction to basic and advanced multilevel modeling. Sage. 1999
• 7 Hox JJ. Multilevel analysis: Techniques and applications. 2nd ed. New York, NY: Routledge; 2010
• 8 Rasbash J, Goldstein H. Efficient Analysis of Mixed Hierarchical and Cross-Classified Random Structures Using a Multilevel Model. Journal of Educational and Behavioral Statistics 1994; 19: 337 DOI: 10.2307/1165397.
• 9 Nübling R, Kaluscha R, Krischak G. et al. Return to Work nach stationärer Rehabilitation – Varianten der Berechnung auf der Basis von Patientenangaben und Validierung durch Sozialversicherungs-Beitragszahlungen. Phys Med Rehab Kuror 2016; 26: 293-302 DOI: 10.1055/s-0042-117282.
• 10 Babyak MA. What You See May Not Be What You Get. A Brief, Nontechnical Introduction to Overfitting in Regression-Type Models. Psychosomatic Medicine 2004; 66: 411-421
• 11 Deutsche Rentenversicherung. Datensatz zur Reha-Statistik-Datenbasis (RSD) ab Berichtsjahr 2015 (11.12.2015). Im Internet: http://forschung.deutsche-rentenversicherung.de/FdzPortalWeb/getRessource.do?key=sk_94_ab_2015.pdf; Stand: 31.11.2020
• 12 Bundesinstitut für Bau-, Stadt- und Raumforschung. INKAR. Indikatoren und Karten zur Raum- und Stadtentwicklung (05.2020). Im Internet: https://www.inkar.de/
• 13 Wedderburn RWM. Quasi-Likelihood Functions, Generalized Linear Models, and the Gauss-Newton Method. Biometrika 1974; 61: 439 DOI: 10.2307/2334725.
• 14 Papke L, Wooldrige J. Econometric methods for fractional response variables with an application to 401(k) plan participation rates. Journal of Applied Econometrics 1996; 6: 619-632
• 15 Best H, Wolf C. Logistische Regression. In: Wolf C, Best H, Hrsg. Handbuch der sozialwissenschaftlichen Datenanalyse. Wiesbaden: VS Verlag für Sozialwissenschaften/Springer Fachmedien Wiesbaden GmbH Wiesbaden; 2010: 827-854 DOI: 10.1007/978-3-531-92038-2_31
• 16 Williams R. Marginal Effects for Continuous Variables. Im Internet: https://www3.nd.edu/~rwilliam/stats3/Margins02.pdf
• 17 McKelvey RD, Zavoina W. A statistical model for the analysis of ordinal level dependent variables. The Journal of Mathematical Sociology 1975; 4: 103-120 DOI: 10.1080/0022250X.1975.9989847.
• 18 Veall MR, Zimmermann KF. Evaluating Pseudo-R2’s for binary probit models. Qual Quant 1994; 28: 151-164 DOI: 10.1007/BF01102759.
• 21 Muche R, Ring C, Ziegler C. Entwicklung und Validierung von Prognosemodellen auf Basis der logistischen Regression. [Zugl.: Ulm, Univ., Habil.-Schr., 2004]. Aachen: Shaker; 2005
• 20 Abdel-Karim AH. Extended zero-one inflated beta and adjusted three-part regression models for proportional data analysis. Communications in Statistics – Simulation and Computation 2016; 46: 6155-6172 DOI: 10.1080/03610918.2016.1197248.