💳 Sekundärdaten: Abrechnungs- & Krankenkassendaten - Selbstlerntext - Abrechnungs- und Krankenkassendaten

1. Einführung

Zu diesen Datenquellen zählen insbesondere Abrechnungsdaten der gesetzlichen Krankenkassen, DRG-Daten (Diagnosis Related Groups), Pflegestatistiken, sowie strukturierte Informationen aus dem Morbiditätsorientierten Risikostrukturausgleich (Morbi-RSA). In zunehmendem Maße fließen auch Daten aus digitalen Gesundheitsanwendungen oder elektronischen Gesundheitsakten in die Forschung ein.

Solche Daten enthalten umfassende Informationen über die tatsächliche Gesundheitsversorgung wie beispielsweise Diagnosen, Behandlungen, Arzneimittelverordnungen, Aufenthaltsdauern, Kosten und das für Millionen von Versicherten über mehrere Jahre hinweg. Sie bieten damit eine gute Möglichkeit, Versorgungspfade, Behandlungsmuster und Versorgungsqualität systematisch zu analysieren. Besonders in Hinblick auf Langzeitverläufe und großflächige Vergleiche stellen sie eine unverzichtbare Ressource dar.

2. Was sind Abrechnungs- und Krankenkassendaten?

Diese Daten unterliegen klar definierten Kodier- und Dokumentationsregeln und beinhalten u. a.:

• Diagnosen gemäß ICD-Codierung (z. B. E11 für Typ-2-Diabetes),
• Prozeduren nach OPS-Codes (Operationen- und Prozedurenschlüssel),
• Medikamentenverordnungen mit ATC-Codes (Anatomisch-Therapeutisch-Chemisch-Klassifikation),
• Leistungszeiträume und -arten (z. B. Krankenhausaufnahme, Hausarztbesuch, Rehabilitationsleistung).

Diese Daten sind in der Regel vollständig digitalisiert und hochstrukturiert. Sie ermöglichen eine systematische Analyse sehr großer Patient:innenkohorten über lange Zeiträume. Durch ihre hohe Standardisierung eignen sie sich besonders für quantitative Auswertungen und die Entwicklung von Versorgungsindikatoren.

Allerdings ist zu beachten: Diese Daten wurden nicht primär für wissenschaftliche Zwecke erhoben. Ihre ursprüngliche Funktion ist die Dokumentation und Abrechnung von erbrachten Leistungen. Daraus ergeben sich potenzielle Verzerrungen, z. B. Über- oder Unterdokumentation, fehlende klinische Detailinformationen oder nicht abgebildete Beratungsleistungen.

3. Typische Anwendungsfelder in der Gesundheitsforschung

Sekundärdaten werden in der Versorgungsforschung vielseitig eingesetzt. Typische Fragestellungen sind:

• Beschreibung von Krankheitsverläufen (z. B. Diabetes-Management über 10 Jahre unter Einbeziehung von Medikationsdaten, Krankenhausaufenthalten und Facharztkontakten),
• Identifikation regionaler oder sozialer Unterschiede in der Gesundheitsversorgung (z. B. Unterschiede in der Versorgung psychischer Erkrankungen zwischen städtischen und ländlichen Regionen),
• Evaluation der Effizienz und Qualität von Versorgungsmodellen (z. B. Hausarztzentrierte Versorgung, integrierte Versorgungsformen),
• Überprüfung der Leitlinienadhärenz (z. B. medikamentöse Versorgung bei Herzinsuffizienz),
• Kostenanalysen und gesundheitsökonomische Bewertungen (z. B. Analyse der Ausgaben für bestimmte Indikationen oder Interventionen).

4. Methodische Anforderungen und Herausforderungen

Die Arbeit mit Abrechnungsdaten erfordert fundierte methodische Kenntnisse und eine kritische Haltung. Folgende Anforderungen sind zentral:

• Verständnis der verwendeten Kodierungssysteme (ICD, OPS, ATC) und ihrer Anwendung in der Praxis,
• Kenntnis der Datenstruktur und der Beziehungen zwischen verschiedenen Datenquellen (z. B. stationär vs. ambulant, Verordnung vs. Einlösung),
• Datenschutz und ethische Anforderungen, insbesondere bei der Arbeit mit personenbezogenen oder pseudonymisierten Gesundheitsdaten,
• kritische Reflexion über Datenqualität und mögliche Verzerrungen, z. B. Unterdokumentation nicht-vergüteter Leistungen oder strategische Kodierung.

Darüber hinaus braucht es die Fähigkeit, komplexe Versorgungsrealitäten in analysierbare Fragestellungen zu überführen und die Ergebnisse verständlich und praxisrelevant zu interpretieren.

5. Best Practices in der Versorgungsforschung

Ein besonders wirksamer Ansatz besteht darin, verschiedene Perspektiven, wie z. B. Versorgungs-, Patient:innen- und Systemperspektiven, miteinander zu verknüpfen, um ein umfassenderes Bild von Versorgungslücken und Potenzialen zu erhalten.

6. Erweiterte Datenquellen: Big Data, EHRs und Wearables

Die Versorgungsforschung entwickelt sich stetig weiter und öffnet sich zunehmend für neue Datenquellen. In Zukunft wird es entscheidend sein, klassische Sekundärdaten mit weiteren, ergänzenden Datenarten zu kombinieren:

• Elektronische Gesundheitsakten (EHRs): Erfassen klinische Detailinformationen, Medikationsverläufe, Laborwerte und Arztbriefe.
• Wearables und Sensorik: Erfassen Bewegungsverhalten, Schlaf, Herzfrequenz u. a. in Echtzeit – potenziell auch für präventive Analysen nutzbar.
• Mobile Gesundheitsanwendungen (Apps, DiGAs): Dokumentieren Symptome, Medikationsadhärenz, Selbstmanagementverhalten.
• Registerdaten: Hochwertige, oft indikationsspezifische Datensätze mit klar definierten Einschlusskriterien.

Diese neuen Datenarten eröffnen große Potenziale, stellen aber auch hohe Anforderungen an Datenintegration, Standardisierung und Datenschutz. Insbesondere ethische Fragen – etwa zur informierten Einwilligung und zur Datenhoheit – werden zukünftig noch stärker in den Fokus rücken.

Literatur

• Beck, C. T. (2019). Secondary qualitative data analysis in the health and social sciences. Routledge. 
• Boslaugh, S. (2007).Secondary data sources for public health: A practical guide. Cambridge University Press. 
• Horenkamp-Sonntag, D. (2017). Versorgungsforschung und Qualitätsmessung mit GKV-Routinedaten: Die Belastbarkeit von Abrechnungsdaten der gesetzlichen Krankenversicherung für die wissenschaftliche Nutzung. Nomos Verlagsgesellschaft. 
• Swart, E., Ihle, P., Gothe, H., & Matusiewicz, D. (Hrsg.). (2014).Routinedaten im Gesundheitswesen: Handbuch Sekundärdatenanalyse – Grundlagen, Methoden und Perspektiven (2., vollständig überarbeitete Auflage). Verlag Hans Huber.

---

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