📚 Sekundärdaten: Registerdaten - Selbstlerntext - Registerdaten

🎯 Lernziele

• Die Bedeutung von Registerdaten verstehen.
• Verschiedene Registertypen und ihre Einsatzfelder unterscheiden und einordnen können.
• Rechtliche und organisatorische Rahmenbedingungen kennen, inklusive GDNG, Forschungsdatenzentrum Gesundheit, Datenschutz und Forschungsgeheimnis.

1. Registerdaten in der Gesundheitsforschung

Registerdaten stellen eine Säule der modernen Gesundheitsforschung dar und ergänzen traditionelle Forschungsansätze um systematisch erfasste, qualitätsgesicherte Informationen zu spezifischen Krankheitsbildern, Behandlungsverfahren oder Bevölkerungsgruppen. Mit dem Inkrafttreten des Gesundheitsdatennutzungsgesetzes (GDNG) am 26. März 2024 hat Deutschland einen bedeutenden Schritt zur besseren Nutzung von Gesundheitsdaten für Forschung und Qualitätssicherung unternommen. Diese Entwicklung eröffnet neue Möglichkeiten für die Versorgungsforschung, bringt aber auch methodische und ethische Herausforderungen mit sich, die ein fundiertes Verständnis der verschiedenen Registertypen, ihrer Anwendungsmöglichkeiten und Limitationen erfordern.

2. Was sind Registerdaten?

💡 Definition

Registerdaten sind systematisch erfasste, strukturierte Informationen, die kontinuierlich über definierte Krankheitsbilder, Behandlungsverfahren, Populationen oder Gesundheitsereignisse gesammelt werden.

Im Gegensatz zu Abrechnungsdaten, die primär der Leistungsabrechnung dienen, werden Register gezielt für wissenschaftliche, qualitätssichernde oder epidemiologische Zwecke konzipiert. Sie zeichnen sich durch standardisierte Erhebungsinstrumente, klar definierte Einschlusskriterien und eine systematische Dokumentation über längere Zeiträume aus.

Register ermöglichen es, Krankheits- und Therapieverläufe über mehrere Jahre abzubilden und umfangreiche gesundheitsbezogene Informationen zu gewinnen. Sie dienen dazu, das Versorgungsgeschehen unter Alltagsbedingungen zu analysieren und können zeigen, welchen Einfluss verschiedene Versorgungsangebote auf den Krankheitsverlauf und die Lebensqualität von Patient:innen haben. Durch ihre zumeist hohen Fallzahlen und lange Laufzeit bieten sie die Möglichkeit, seltene Ereignisse, Komplikationen bis hin zu Produktmängeln statistisch valide und aussagekräftig zu erfassen.

Die Qualität von Registerdaten hängt maßgeblich von der Vollständigkeit der Erfassung, der Standardisierung der Dokumentation und der Nachhaltigkeit der Datenerhebung ab. Anders als bei klinischen Studien, die unter kontrollierten Bedingungen durchgeführt werden, spiegeln Register die tatsächliche Versorgungsrealität wider und ermöglichen dadurch Real-World-Evidence-Studien mit hoher externer Validität.

3. Arten von Gesundheitsregistern

📘 Krankheitsregister

Krankheitsregister erfassen systematisch alle Fälle einer bestimmten Erkrankung innerhalb einer definierten Bevölkerung und dokumentieren, wie Krankheiten auftreten und verlaufen sowie welchen Einfluss verschiedene therapeutische Optionen auf den Krankheitsverlauf haben. In Deutschland existieren etablierte Krankheitsregister beispielsweise für Stammzell-Transplantationen, HIV-Infektionen und Mukoviszidose. Diese Register sind besonders wertvoll für die Erforschung seltener Erkrankungen, da sie trotz geringer Prävalenz ausreichende Fallzahlen für wissenschaftliche Analysen generieren können.

Krankheitsregister dokumentieren typischerweise Informationen zu Diagnose, Therapie und Verlauf von Erkrankungen und sollen so eine zuverlässige Datenbasis für die Versorgungsforschung aufbauen. Sie ermöglichen Langzeitbeobachtungen von Patientenkohorten und die Identifikation von Risikofaktoren, Prognoseparametern und Behandlungseffekten unter realen Versorgungsbedingungen.

💊 Produktregister

Produktregister fokussieren auf die systematische Erfassung von Erfahrungen mit spezifischen medizinischen Produkten, Arzneimitteln oder Therapieverfahren. Ein prominentes Beispiel ist das RABBIT-Register, das die Wirksamkeit und Sicherheit von neuen Therapien bei erwachsenen Patient:innen evaluiert. Diese Register sind besonders wichtig für die Pharmakovigilanz und die Bewertung von Nutzen-Risiko-Profilen nach der Markteinführung.

Produktregister dokumentieren nicht nur erwünschte Therapieeffekte, sondern auch unerwünschte Arzneimittelwirkungen, Komplikationen und Langzeitergebnisse. Sie ergänzen die Erkenntnisse aus präklinischen und klinischen Studien um Real-World-Daten und tragen zur kontinuierlichen Verbesserung der Arzneimittel- und Produktsicherheit bei.

📊 Qualitäts- und epidemiologische Register

Qualitätsregister dienen der systematischen Erfassung und Bewertung der Versorgungsqualität in spezifischen medizinischen Bereichen. Sie dokumentieren Struktur-, Prozess- und Ergebnisqualität und ermöglichen Benchmarking zwischen verschiedenen Einrichtungen oder Regionen. Epidemiologische Register hingegen fokussieren auf die Verteilung und Determinanten von Gesundheit und Krankheit in definierten Populationen.

Diese Registertypen sind essentiell für die kontinuierliche Qualitätsentwicklung im Gesundheitswesen und die evidenzbasierte Gesundheitspolitik. Sie liefern objektive Daten zur Versorgungsrealität und identifizieren Verbesserungspotenziale in der medizinischen Versorgung.

4. Anwendungsfelder und methodische Ansätze

Versorgungsforschung mit Registerdaten

Die Versorgungsforschung liefert die erforderliche wissenschaftliche Evidenz für die Bewertung therapeutischer und diagnostischer Verfahren unter alltäglichen Bedingungen, und Register sind ein wichtiges Instrument zur wissenschaftlichen Analyse des Versorgungsgeschehens. Registerdaten ermöglichen die Beantwortung komplexer Forschungsfragen, die in randomisierten kontrollierten Studien aufgrund ethischer oder praktischer Beschränkungen nicht adressiert werden können.

🧠 Beispiel

Typische Anwendungsfelder umfassen die Analyse von Langzeitverläufen chronischer Erkrankungen, die Bewertung der Effektivität von Versorgungsmodellen unter Realbedingungen, die Identifikation von Risikofaktoren für seltene Ereignisse und die Evaluation von Qualitätsindikatoren. Register ermöglichen dabei die Verfolgung von Patient:innen über Jahre oder Jahrzehnte hinweg und die Erfassung aller relevanten Gesundheitsereignisse.

Register-Studien und Real-World-Data

Register-Studien nutzen systematisch erfasste Daten zur Beantwortung spezifischer Forschungsfragen. Sie unterscheiden sich von randomisierten klinischen Studien (RCT) durch ihren Beobachtungscharakter und ihre Fokussierung auf Real-World-Data (RWD). Während RCTs unter kontrollierten Bedingungen durchgeführt werden und hohe interne Validität aufweisen, spiegeln Register-Studien die tatsächliche Versorgungsrealität wider und weisen daher eine hohe externe Validität auf.

Anwendungsbegleitende Datenerhebungen (awD) stellen eine besondere Form der Register-Studien dar, bei der parallel zu einer laufenden Therapie systematisch Daten zu Wirksamkeit und Sicherheit erfasst werden. Diese Studien sind besonders wertvoll für die Bewertung neuer Therapien in der Versorgungsrealität und für die kontinuierliche Nutzen-Risiko-Bewertung.

Integration verschiedener Datenquellen

Ein besonderer Vorteil von Registerdaten liegt in ihrer Kombinierbarkeit mit anderen Datenquellen. Die Verknüpfung von Registerdaten mit Abrechnungsdaten, klinischen Datenbanken oder epidemiologischen Surveydaten ermöglicht umfassende Analysen, die keine einzelne Datenquelle allein leisten könnte. Diese Datenintegration erfordert jedoch sorgfältige methodische Planung und Berücksichtigung datenschutzrechtlicher Bestimmungen.

5. Qualitätssicherung und Datenintegrität

Standards für elektronische Gesundheitsdaten

Die Nutzung elektronischer Gesundheitsdaten in der Forschung erfordert strenge Qualitätsstandards. Die FDA hat finale Leitlinien zur Nutzung elektronischer Gesundheitsdaten in klinischen Prüfungen veröffentlicht, die auch für Register-Studien relevant sind. Diese Leitlinien enthalten Empfehlungen für die Entscheidung, ob und wie elektronische Gesundheitsakten (eHRs) verwendet werden sollen, und für die Sicherstellung der Qualität und Integrität der gesammelten eHR-Daten.

Auch in Deutschland wird die Qualität der elektronischen Gesundheitsdaten durch gesetzliche und institutionelle Maßnahmen gesichert. Mit dem Gesundheitsdatennutzungsgesetz (GDNG) wurden klare Rahmenbedingungen für die Forschungsnutzung geschaffen, darunter die dezentrale Datenhaltung mit sicherer, zweckgebundener Zusammenführung sowie die Einrichtung einer Datenzugangs- und Koordinierungsstelle beim BfArM. Das Forschungsdatenzentrum Gesundheit (FDZ) ermöglicht den Zugang zu pseudonymisierten Routinedaten in gesicherten Analyseumgebungen. Die Nutzung elektronischer Patientenakten (ePA) für Forschungszwecke folgt einem Opt-out-Prinzip und unterliegt den Vorgaben der Datenschutz-Grundverordnung (DSGVO) sowie dem eingeführten Forschungsgeheimnis. Zusammen sichern diese Regelungen Datenqualität, Datensicherheit und Rechtsklarheit bei der Nutzung elektronischer Gesundheitsdaten in der Forschung.

Elektronische Patient:innenakten können beispielsweise die Krankengeschichte, Diagnosen, Behandlungspläne sowie Labor- und Testergebnisse eines/einer Patient:in enthalten. Die Integration dieser Daten in Register erfordert die Verwendung von eHR-Systemen, die mit Systemen zur elektronischen Datenerfassung (Electronic Data Capture, EDC) kompatibel sind.

Validierung und Plausibilitätsprüfungen

Register erfordern kontinuierliche Validierung und Plausibilitätsprüfungen, um die Datenqualität sicherzustellen. Dies umfasst die Überprüfung der Vollständigkeit der Datenerfassung, die Konsistenz zwischen verschiedenen Datenfeldern und die Plausibilität der dokumentierten Informationen. Automatisierte Plausibilitätschecks können viele Fehler bereits bei der Dateneingabe identifizieren, während statistische Methoden zur Ausreißerdetektion systematische Probleme aufdecken können.

6. Herausforderungen und Limitationen

Datenschutz und ethische Aspekte

Die Nutzung von Registerdaten wirft komplexe datenschutzrechtliche und ethische Fragen auf. Während das GDNG den rechtlichen Rahmen für die Forschungsnutzung von Gesundheitsdaten verbessert hat, bleiben Herausforderungen bei der Umsetzung der informierten Einwilligung, der Pseudonymisierung und der grenzüberschreitenden Datennutzung bestehen. Das Opt-Out-Verfahren für ePA-Daten ist ein wichtiger Schritt, erfordert aber eine umfassende Aufklärung der Versicherten über die Nutzung ihrer Daten.

Die datenschutzrechtliche Aufsicht für länderübergreifende Forschungsvorhaben im Gesundheitswesen soll durch das GDNG einfacher und unbürokratischer werden. Dies ist besonders wichtig für multizentrische Register, die Daten aus verschiedenen Bundesländern oder Ländern zusammenführen.

Vollständigkeit und Repräsentativität

Eine zentrale Herausforderung bei Registern ist die Sicherstellung von Vollständigkeit und Repräsentativität. Nicht alle relevanten Fälle werden möglicherweise erfasst und es kann zu systematischen Verzerrungen kommen, wenn bestimmte Patient:innengruppen, Einrichtungen oder Regionen unter- oder überrepräsentiert sind. Diese Selektionseffekte können die Generalisierbarkeit der Registerdaten erheblich beeinträchtigen.

Besonders herausfordernd ist die Erfassung von Patient:innen in verschiedenen Versorgungssektoren. Während spezialisierte Zentren möglicherweise eine hohe Dokumentationsqualität aufweisen, können Daten aus der ambulanten Versorgung oder kleineren Einrichtungen unvollständiger sein. Dies erfordert sorgfältige Strategien zur Qualitätssicherung und zur Bewertung der Repräsentativität der erfassten Daten.

Standardisierung und Interoperabilität

Die mangelnde Standardisierung zwischen verschiedenen Registern und Gesundheitsdatenquellen stellt eine erhebliche Herausforderung dar. Unterschiedliche Kodierungssysteme, Datenformate und Dokumentationsstandards erschweren die Vergleichbarkeit von Daten zwischen verschiedenen Registern und die Integration mit anderen Datenquellen. Die Entwicklung gemeinsamer Standards und Interoperabilitätsrichtlinien ist daher essentiell für die Zukunft der registerbasierten Forschung.

7. Best Practices im Umgang mit Registerdaten

8. Zukunftsperspektiven und neue Entwicklungen

Die Zukunft der Registerforschung liegt in der Integration mit neuen Digital Health Technologies. Wearables, mobile Health Apps und Internet-of-Things-Devices ermöglichen die kontinuierliche Erfassung von Gesundheitsparametern außerhalb traditioneller Versorgungsstrukturen. Die Integration dieser Datenströme in bestehende Register kann zu einer umfassenderen und zeitnäheren Erfassung von Gesundheitszuständen und Behandlungsverläufen führen.

Diese Entwicklung erfordert neue Ansätze für das Datenmanagement, die Qualitätssicherung und den Datenschutz. Die schiere Menge und Heterogenität der Daten stellt neue Herausforderungen an die Analyse und Interpretation dar.

Künstliche Intelligenz und Machine Learning-Methoden eröffnen neue Möglichkeiten für die Analyse von Registerdaten. Diese Methoden können komplexe Muster in großen Datensätzen identifizieren, Prognosemodelle entwickeln und zur automatisierten Qualitätssicherung beitragen. Sie ermöglichen auch die Analyse unstrukturierter Daten wie Freitexte in Arztbriefen oder Bilddaten. Gleichzeitig bringen diese Methoden neue Herausforderungen mit sich, insbesondere bezüglich der Interpretierbarkeit der Ergebnisse, der Validierung der Modelle und der ethischen Implikationen automatisierter Entscheidungsfindung im Gesundheitswesen.

9. Fazit

Registerdaten stellen eine unverzichtbare Ressource für die moderne Gesundheitsforschung dar. Sie ermöglichen die systematische Analyse von Versorgungsverläufen unter realen Bedingungen und tragen wesentlich zur evidenzbasierten Weiterentwicklung des Gesundheitswesens bei. Das GDNG hat wichtige rechtliche Grundlagen für die bessere Nutzung von Gesundheitsdaten geschaffen und das Potenzial für registerbasierte Forschung in Deutschland erheblich erweitert.

Die erfolgreiche Nutzung von Registerdaten erfordert jedoch fundierte methodische Kenntnisse, sorgfältige Qualitätssicherung und die Berücksichtigung ethischer und datenschutzrechtlicher Aspekte. Die Entwicklung von Standards, die Förderung interdisziplinärer Zusammenarbeit und die Integration neuer Technologien werden entscheidend für die Zukunft der registerbasierten Forschung sein. Nur durch die Kombination hoher wissenschaftlicher Standards mit innovativen Ansätzen können Register ihr volles Potenzial für die Verbesserung der Gesundheitsversorgung entfalten.

Literatur

• Ebel, T., & Trixa, J. (2015). Hinweise zur Aufbereitung quantitativer Daten (GESIS Papers 2015|09). GESIS – Leibniz-Institut für Sozialwissenschaften. Link
• AHRQ – Agency for Healthcare Research and Quality. (2020). Registries for Evaluating Patient Outcomes: A User’s Guide (4th ed.). Rockville, MD: U.S. Department of Health and Human Services. Link

---

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