Die Anwendung Hierarchischer Linearer Modelle für Einrichtungsvergleiche in der Qualitätssicherung und Rehabilitationsforschung

Zusammenfassung

Ein fairer Vergleich von Rehabilitationskliniken im Hinblick auf Qualität und Effektivität (z. B. im Rahmen von Qualitätssicherungsprogrammen) setzt voraus, dass die relevanten Einflussfaktoren des Rehabilitationserfolgs, die von der Rehabilitationseinrichtung nicht beeinflussbar sind (die sog. „Confounder” wie z. B. Komorbidität und Alter des Patienten bei Reha-Beginn), statistisch kontrolliert werden. Häufig werden dazu einfache lineare Regressionsanalysen ohne Zufallseffekte und ohne Interaktionsterme eingesetzt. Dieses Verfahren weist aber einige Beschränkungen auf, die sich durch die Methode der Hierarchischen Linearen Modelle (HLMs) beheben lassen. Die Bezeichnung „HLM” drückt aus, dass für die verschiedenen hierarchisch gestuften Datenebenen einer Fragestellung (im Beispiel der Rehabilitationseinrichtungen z. B. die Ebene der Patienten und die Ebene der Kliniken) separate lineare Modelle aufgestellt werden. Dadurch können auch Einflussfaktoren auf der Ebene der Kliniken (z. B. das mittlere Alter der Patienten einer Einrichtung) berücksichtigt werden. Darüber hinaus kann mit den HLMs empirisch geprüft werden, ob sich die Regressionskoeffizienten (also z. B. der Einfluss des Alters auf das Rehabilitationsergebnis) zwischen den Einrichtungen bedeutsam unterscheiden. Somit weisen HLMs gegenüber gewöhnlichen regressionsanalytischen Verfahren die Vorteile auf, dass sie die Multiebenenstruktur des Vergleichsproblems berücksichtigen, die Aufnahme von Prädiktoren auf der Ebene der Einrichtungen ermöglichen und die Modellierung der Variation von Regressionskoeffizienten über die Einrichtungen erlauben. Im Beitrag wird die Anwendung der Hierarchischen Linearen Modelle anhand von Daten aus dem Qualitätssicherungsprogramm der gesetzlichen Krankenkassen in der medizinischen Rehabilitation (QS-Reha-Verfahren) verdeutlicht.

Abstract

For a fair comparison of rehabilitation centres with respect to the effects of the treatment provided (e. g. for the purpose of quality assurance programmes), it is essential that those factors which influence the outcome of rehabilitation treatment and over which the rehabilitation centres have no control (the so-called „confounders”, such as co-morbidity and age of the patients on commencement of treatment) are included in the statistical analysis. Simple linear regression models without random effects and without interaction terms are frequently used for this purpose. However, this method has certain limitations which can be avoided if hierarchical linear modelling (HLM) is employed. HLM has the advantage over standard regression analysis methods in that it can be used to take into account the multi-level structure of a comparison problem, allows predictors to be introduced at the level of the centres and also makes it possible to model variations of regression coefficients for the centres. When the HLM technique is used, separate linear models can be produced for the various hierarchically structured data levels of the question (e. g. the levels „patients” and „centres” for rehabilitation centres, for example). Moreover, it can be empirically tested with HLMs whether the rehabilitation coefficients (e. g. effects of mean age of patients on the outcome of rehabilitation) differ significantly between the centres. In this article, we describe the use of hierarchical linear modelling on the basis of data obtained from the quality assurance programme of the statutory health insurance schemes in the field of medical rehabilitation („QS-Reha”).

Schlüsselwörter

Hierarchische Lineare Modelle - Multiebenenanalyse - Risikoadjustierung - Qualitätssicherung

Key words

Hierarchical linear models - multilevel analysis - risk adjustment - quality management

Literatur

• 1 Farin E, Gerdes N, Jäckel W H, Follert P, Klein K, Glattacker M. „Qualitätsprofile” von Rehabilitationskliniken als Modell der Qualitätsmessung in Einrichtungen des Gesundheitswesens.  Gesundheitsökonomie und Qualitätsmanagement. 2003;  8 (3) 191-204
• 2 Iezzoni L I. Risk adjusting rehabilitation outcomes. An overview of methodologic issues.  American Journal of Physical Medicine and Rehabilitation. 2004;  83 316-326
• 3 Iezzoni L I. Risk adjustment for Measuring Healthcare Outcomes (3^rd ed). Chicago; Health Administration Press 2003
• 4 Raudenbush S W, Bryk A S. Hierarchical linear models. Applications and data analysis methods (2^nd ed). Thousand Oaks, CA; Sage 2002
• 5 Kreft I, Leeuw J de. Introducing Multilevel Modeling. London; Sage 1998
• 6 Singer J D. Using SAS PROC MIXED to fit multilevel models, hierarchical models, and individual growth models.  Journal of Educational and Behavioral Statistics. 1998;  24 (4) 323-355
• 7 Raudenbush S W, Bryk A, Congdon R. HLM Hierarchical Linear and Nonlinear Modeling 2001 (Version 5.05). 
• 8 Centre for Multilevel Modelling .MLwiN (Version 1.10.0007). 
• 9 Wegscheider K. Methodische Anforderungen an Einrichtungsvergleiche.  Zeitschrift für Ärztliche Fortbildung und Qualitätssicherung. 2004;  98 647-654
• 10 Schneeweiss S, Sangha O. Leistungsvergleiche in der Medizin.  Deutsche Medizinische Wochenschrift. 2001;  126 918-924
• 11 Farin E, Glattacker M, Follert P, Kuhl C, Klein K, Jäckel W H. Einrichtungsvergleiche in der medizinischen Rehabilitation.  Zeitschrift für Ärztliche Fortbildung und Qualitätssicherung. 2004;  98 655-662
• 12 Goldstein H, Spiegelhalter D J. League tables and their limitations: Statistical issues in comparisons of institutional performance.  Journal of the Royal Statistical Society. 1996;  159 (3) 385-443
• 13 Bührlen B, Gerdes N, Jäckel W H. IRES-Indikatoren des Reha-Status. In: Schumacher J, Klaiberg A, Brähler E (Hrsg) Diagnostische Verfahren zu Lebensqualität und Wohlbefinden. Göttingen; Hogrefe 2003: 180-183

1 Der Begriff „Risikoadjustierungsverfahren” bringt zum Ausdruck, dass nach den unterschiedlichen „Risiken” für einen geringen Behandlungserfolg (jenes Risiko ist z. B. bei einem wenig motivierten, multimorbiden Patienten höher) adjustiert wird, um faire Vergleiche zu ermöglichen.