📊 Einführung in die quantitative Datenerhebung - Selbstlerntext - Einführung in die quantitative Datenerhebung im Gesundheitswesen

Relevanz von Daten, Variablen und Erhebungsmethoden in der Gesundheitsversorgung

Die Fähigkeit, Daten systematisch zu erheben, zu modellieren und zu interpretieren, ist heute eine zentrale Kompetenz in der Gesundheitsversorgung und Versorgungsforschung. Nur wer versteht, wie Variablen definiert und gemessen werden, kann die Qualität der Versorgung wissenschaftlich fundiert bewerten und verbessern. Unterschiedliche Skalenniveaus und Datentypen bestimmen dabei, welche Methoden zur Analyse geeignet sind und welche Aussagen überhaupt getroffen werden dürfen. Gerade im Gesundheitswesen, wo komplexe Prozesse und vielfältige Perspektiven aufeinandertreffen, ist es essenziell, Datenmodelle zu entwickeln, die sowohl objektive Messgrößen als auch subjektive Einschätzungen, etwa durch Patient-Reported Outcome Measures (PROMs) und Patient-Reported Experience Measures (PREMs), berücksichtigen. Nur so lässt sich ein umfassendes Bild der Versorgungsrealität abbilden und evidenzbasierte Entscheidungen treffen.

Die Auswahl geeigneter Datenquellen und Erhebungsmethoden ist dabei ebenso entscheidend wie die Fähigkeit, verschiedene Perspektiven von Patient:innen, Versorgenden und weiteren Akteuren einzubeziehen. Standardisierte und gut dokumentierte Datenmodelle ermöglichen nicht nur Vergleiche und Qualitätsanalysen, sondern sind auch Voraussetzung für die Entwicklung innovativer Versorgungsansätze und die Nutzung neuer Technologien wie Big Data und digitale Gesundheitsanwendungen

Diese Selbstlerneinheit vermittelt die grundlegenden Begriffe und Methoden, die notwendig sind, um Daten in der Gesundheitsversorgung sinnvoll zu erfassen, zu modellieren und zu nutzen und legt damit das Fundament für eine moderne, patientenzentrierte und wissenschaftlich fundierte Versorgungspraxis

1. Was ist eine Variable?

Eine Variable ist ein Merkmal, das gemessen oder beobachtet werden kann. In der Forschung spricht man häufig von Variablen, wenn man z. B. das Alter, den Blutdruck oder die Diagnose einer Person erfasst. Variablen können verschiedene Werte annehmen und unterscheiden sich in ihrem Skalenniveau, also in der Art und Weise, wie ihre Werte interpretiert werden können.

2. Welche Skalenniveaus gibt es?

Das Skalenniveau einer Variable entscheidet darüber, welche statistischen Methoden zur Auswertung verwendet werden dürfen. Es gibt vier klassische Skalenniveaus (vgl. Tabelle 1).

3. Von Prozessen zu Datenmodellen

In der Versorgung treffen wir auf viele Prozessmodelle, z. B. den Ablauf eines Reha-Aufenthalts oder die Schritte einer Diabetesbehandlung. Damit diese Prozesse quantitativ erfassbar und analysierbar werden, müssen sie in Datenmodelle überführt werden.

Solche Datenmodelle helfen uns, Muster zu erkennen, Ergebnisse zu vergleichen und evidenzbasierte Entscheidungen zu treffen.

4. Welche Daten passen zu welcher Frage?

Nicht jede Fragestellung lässt sich mit jeder Art von Daten beantworten. Hier ist es wichtig, kritisch zu beurteilen, welche Datenart, welche Datenquelle und welches Erhebungsverfahren geeignet sind.

Hier ist die Fähigkeit gefragt, Datenquellen kritisch zu bewerten und sinnvolle Kombinationen zu entwickeln.

5. PROMs und PREMs: Die Perspektive der Patient:innen in der Datenerhebung

Im klassischen medizinischen Kontext wird der Gesundheitszustand primär durch objektive Parameter wie Laborwerte, physiologische Messgrößen, Leistungsindikatoren oder durch Fremdbeurteilungen durch Behandelnde bestimmt. In der modernen Gesundheitsversorgung, insbesondere in der patientenzentrierten Forschung und Praxis, spielt jedoch auch die subjektive Sichtweise der Patien:tinnen eine zentrale Rolle. Diese Sichtweise muss systematisch und wissenschaftlich fundiert erfasst werden, um ein vollständiges Bild der Versorgungsrealität zu erhalten.

Hierfür wurden zwei wesentliche Konzepte etabliert: Patient-Reported Outcome Measures (PROMs) und Patient-Reported Experience Measures (PREMs).

PROM-Angaben erfolgen unabhängig von medizinischem Personal und sind nicht interpretierbar oder veränderbar durch Dritte. PROMs ergänzen somit objektive medizinische Daten um die subjektive Komponente der Gesundheitswahrnehmung. Gerade bei chronischen Erkrankungen oder in der Reha-Versorgung ist die gesundheitsbezogene Lebensqualität ein entscheidender Outcomeparameter, der z. B. im Sozialgesetzbuch (§ 35b SGB V) ausdrücklich berücksichtigt wird.

PREMs beschreiben, wie Patient:innen die Kommunikation mit Behandelnden, die Wartezeiten, die organisatorischen Abläufe oder die Einbindung in Entscheidungen erleben. PREMs tragen damit zur Bewertung von Struktur- und Prozessqualität aus Nutzendensicht bei und liefern Hinweise für Verbesserungsmaßnahmen.

Neben der Perspektive der Patient:innen sind auch die Sichtweisen der Versorgenden für eine vollständige Beurteilung der Versorgung unerlässlich. Besonders bei strukturellen und organisatorischen Themen wie Veränderungsbereitschaft, interprofessioneller Zusammenarbeit oder Führungsverhalten können nur die in der Versorgung Tätigen valide Aussagen treffen. Durch den Abgleich von Einschätzungen beider Gruppen, also Patient:innen und Versorgenden, entsteht ein differenziertes Bild, das Verzerrungen durch Einzelperspektiven reduziert und die Basis für gezielte Interventionen zur Qualitätsverbesserung bildet.

6. Überblick über Erhebungsmethoden

Je nach Forschungsfrage kommen unterschiedliche Datenerhebungsmethoden zum Einsatz. Diese lassen sich grob in vier Kategorien einteilen:

1. Primärdatenerhebung: Hierbei werden Daten gezielt neu erhoben z. B. durch Befragungen, Beobachtungen oder Messungen im Rahmen einer Studie. Diese Methode ist aufwendig, bietet aber die höchste Kontrolle über die Datenqualität.

2. Sekundärdatennutzung: Hier greift man auf bereits vorhandene Daten zurück, etwa auf Krankenkassendaten, Krankenhausdokumentationen oder Registerdaten. Diese Methode ist besonders in der Versorgungsforschung relevant und kosteneffizient, erfordert aber ein gutes Verständnis der Datenstruktur.

Es gibt zudem besondere Formen der Datenerhebung, welche Primärdaten oder auch Sekundärdaten enthalten können:

1. Technologie- und Big-Data-gestützte Methoden: Dazu zählen z. B. Daten aus Wearables, Apps, elektronischen Gesundheitsakten (EHRs) oder aus dem Internet der Dinge. Sie ermöglichen kontinuierliche, großvolumige Datenerhebungen und sind für innovative Forschungsfragen zunehmend bedeutend.

2. Metaanalysen und Langzeitstudien: Diese nutzen entweder systematisch zusammengetragene Ergebnisse vieler Studien (Metaanalyse) oder begleiten Personen über lange Zeiträume hinweg (z. B. Kohortenstudien). Sie liefern besonders robuste Erkenntnisse, sind aber methodisch anspruchsvoll.

Alle diese Methoden haben ihre Vor- und Nachteile und werden in den folgenden Modulen noch detailliert behandelt.

7. Perspektiven einbeziehen und Best-Practices nutzen

Gute Datenmodelle entstehen nicht im stillen Kämmerlein. Sie entstehen durch die Einbeziehung verschiedener Perspektiven z. B. der Pflege, der Hausärzt:innen oder der IT und durch die Anwendung von Best Practices aus der Versorgungsforschung.

8. Fazit

Daten-Anwendung und Modellierung sind der erste wichtige Schritt, um Daten sinnvoll zu nutzen. Von der Definition einer Variable über die Wahl der geeigneten Datenquellen bis hin zur Modellierung komplexer Versorgungsprozesse. All das sind essenzielle Kompetenzen in der modernen Gesundheitsforschung. Wer diese Grundlagen beherrscht, kann nicht nur Daten analysieren, sondern auch Forschung und Versorgung mitgestalten.

Literatur

• Bortz, J., & Döring, N. (2006). Forschungsmethoden und Evaluation: Für Human- und Sozialwissenschaftler (4. Aufl.). Springer.
• Mehl, M. R., & Conner, T. S. (2013). Handbook of research methods for studying daily life. Guilford Press.
• Wilson, L. A. (2019). Quantitative Research. In P. Liamputtong (Hrsg.), Handbook of Research Methods in Health Social Sciences (S. 27–49). Springer Singapore. https://doi.org/10.1007/978-981-10-5251-4_54
• Wirtz, M. A., Farin-Glattacker, E., & Koller, M. (2024). Quantitative Datenzugänge und Erhebungsmethoden. In H. Pfaff, E. A. Neugebauer, N. Ernstmann, M. Härter, & F. Hoffmann (Hrsg.), Versorgungsforschung (Kap. 15). Springer. https://doi.org/10.1007/978-3-658-42863-1_15

Kontakt: dimruhr@uni-wh.de

Website: https://dim-ruhr.de

 Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz (CC BY 4.0) .

Universität Witten/Herdecke, Projekt DIM-Ruhr