Die Antwort gab die weltberühmte Krankenschwester und Statistikerin Florence Nightingale schon im Jahr 1863: „In kaum einem Fall war ich in der Lage, Krankenhausakten zu erhalten, die für irgendeinen Vergleichszweck geeignet waren ... Wenn sie klug eingesetzt werden, könnten [Krankenhausaufzeichnungen] uns mehr über den relativen Wert bestimmter Operationen und Behandlungsmethoden sagen.“

Heute veröffentlichen Krankenkassen regelmäßig Studien zur Verbreitung und Entwicklung bestimmter Krankheitsbilder. So hat die DAK in ihrem jährlichen Kinder- und Jugendreport zuletzt untersucht, wie sich Erstdiagnosen verschiedener Erkrankungen im Pandemiejahr 2021 gegenüber dem Vorjahr verändert haben. Solche deskriptiven, also beschreibenden, Analysen von Patientengruppen können helfen, mittel- bis langfristige Veränderungen des Versorgungsbedarfs zu erkennen und zu evaluieren, ob bestimmte Maßnahmen mit diesen Veränderungen in statistischem Zusammenhang stehen. Dazu ist es nicht nötig, Einzeldaten zu betrachten.

Anders passiert es bei induktiven, d. h. auf verallgemeinerbare Muster schließenden Auswertungen von Patientenregistern, die ebenfalls heute schon üblich sind. Dabei analysiert man die Auswirkung von Interventionen auf der Ebene des einzelnen Patienten, ähnlich wie bei einer klinischen Studie. Das Leipzig Heart Institute konnte so herausfinden, wie sich die Krankheitsverläufe von hospitalisierten COVID-19-Patienten unterschieden, je nachdem, ob sie an Delta oder Omikron erkrankt waren. Das war möglich, weil die Helios Kliniken seit Beginn der Pandemie ein COVID-19-Register führen, das alle aufgenommenen Patienten umfasst. Egal ob sie in einer kleinen Spezialklinik behandelt wurden oder in einem großen Universitäts-Krankenhaus.

Schon viel länger gibt es das Deutsche Mukoviszidose-Register. Mukoviszidose ist eine schwere, erbliche Stoffwechselerkrankung, die dazu führt, dass ein zäher Schleim allmählich lebenswichtige Organe verstopft. Vieles an dieser Krankheit ist noch wenig erforscht, nicht zuletzt, weil sie selten ist und die Verläufe sehr unterschiedlich sein können. Um die Behandlungsqualität zu verbessern, erstellt das Mukoviszidose-Register jedes Jahr ein Benchmarking der spezialisierten Ambulanzen in Deutschland. Um zu verstehen, warum manche dieser Ambulanzen bessere Behandlungsergebnisse erzielen als andere, muss man berücksichtigen, welche Patienten und Patientinnen sie behandeln. Denn manche Ambulanzen sind auf Kinder spezialisiert, andere auf Erwachsene. Manche Ambulanzen behandeln viele Patienten, die bereits eine Organtransplantation hinter sich haben oder sich allgemein in einem schwereren Stadium befinden. Ignoriert man solche Informationen, dann würde man Äpfel mit Birnen vergleichen und womöglich falsche Empfehlungen ableiten.

Dazu müssen Registerdaten eventuell mit anderen Datenquellen angereichert werden. Das österreichische Impfregister wurde mit der Todesfallstatistik verknüpft. So ließ sich zeigen, dass geimpfte Personen seltener verstarben als ungeimpfte. Eine solche Verknüpfung ist aufwändig, weil die Daten sorgfältig pseudonymisiert werden müssen, um den Datenschutz zu garantieren. Aber demgegenüber steht ein hoher Nutzen. Denn nur an Einzeldaten kann man untersuchen, ob die zeitweise recht parallelen Verläufe von Impfungen und Todesfällen womöglich bedeuteten, dass die Impfung zu einer erhöhten Sterblichkeit führte. Ein naiver Blick auf die Daten offenbarte, dass mit steigender Zahl der Impfungen auch die Zahl der Todesfälle anstieg; statistisch gesehen gab es eine durchaus hohe Korrelation. Dank des Impfregisters ließ sich allerdings nachweisen, dass es nur ein zeitliches Zusammentreffen war und kein kausales: Während der „Corona-Wellen“ im Jahr 2021 ließen sich eben viele Menschen impfen und viele, vor allem ungeimpfte, sind verstorben.

Über 100 Jahre nach Florence Nightingales Tod ist es immer noch schwierig, an gut organisierte Gesundheitsdaten zu kommen. Und sie allein reichen auch nicht, um das Potenzial von Daten auszuschöpfen. Es braucht zwei weitere Bausteine, um „Real World Evidence“, also Evidenz aus dem „realen“ Behandlungsalltag in der breiten Bevölkerung, zu gewinnen. Wenn Daten aus verschiedenen Quellen zusammengeführt werden, braucht es erstens Verfahren, die die Vergleichbarkeit von Patienten herstellen, und zweitens Verfahren, die den Datenschutz gewährleisten. Real-World-Studien sind so bedeutsam, weil klinische Forschung sehr teuer ist und sich oft auf streng selektierte Patienten und Patientinnen beschränkt. Das macht es schwierig, die Ergebnisse auf andere zu übertragen, die von der zu erforschenden Behandlungsmethode ebenfalls profitieren könnten.

Ein wichtiger Treiber für Real-World-Studien ist der 2016 durch die US-amerikanische Arzneimittel- Zulassungsbehörde FDA (Food and Drug Administration) verabschiedete „21st Century Cures Act“. Er fördert eine beschleunigte Entwicklung neuer Medikamente, indem Zulassungsstudien an bereits vorhandenen Daten möglich werden. Es ist also nicht mehr in jedem Fall nötig, Patienten aufwändig zu rekrutieren.

So eröffnet der Cures Act die Möglichkeit, sogenannte historische Kontrollgruppen zu bilden. In einer klassischen klinischen Studie wird ein neues Medikament an einer Patientengruppe getestet, während eine andere, sonst in allen wichtigen Merkmalen vergleichbare Gruppe ein Placebo oder ein bereits zugelassenes Medikament erhält. Soll nun ein weiterer innovativer Wirkstoff getestet werden, könnte man erheblich Zeit und Kosten sparen, wenn man einfach eine Kontrollgruppe aus einer früheren Studie benutzen könnte. Es wäre möglicherweise sogar ethischer, weil man nicht erneut Patienten mit einem potenziell weniger wirksamen Mittel behandeln muss – dasjenige, dessen Unterlegenheit man beweisen möchte.

Das Problem bei Daten aus früheren klinischen Studien oder von Krankenkassen ist, dass die dort dokumentierten Patienten nicht unbedingt miteinander vergleichbar sind. Unterscheiden sich Patientengruppen aber in ihrer Altersstruktur oder in ihren Begleiterkrankungen, dann lässt sich nicht mehr eindeutig sagen, ob ein Unterschied im Behandlungserfolg auf die Therapie zurückzuführen ist oder auf andere Effekte. Das gilt selbst, wenn Daten aus einer einzigen Quelle stammen.

Wenn man sich zum Beispiel dafür interessiert, ob eine Rehabilitationsmaßnahme bei Patientinnen nach einer Herzklappen-Operation die Sterblichkeit reduziert, dann steht man vor dem Problem, dass nur eine Auswahl von Patienten überhaupt eine solche Maßnahme bekommt. Diejenigen, die zu gesund sind oder zu krank, erhalten keine Reha. Sterblichkeit und die Entscheidung, ob ein Patient an der Reha teilnimmt, hängen also beide vom Gesundheitszustand ab.

Das motiviert den ersten Baustein zur besseren Nutzung von Gesundheitsdaten: Verfahren, die eine Vergleichbarkeit von Patienten herstellen. Eine solche ist der Propensity Score (PS). Er beschreibt die Wahrscheinlichkeit, eine bestimmte Behandlung zu erhalten, abhängig von weiteren Merkmalen des Patienten. PS-Methoden werden häufig verwendet, um die Patientenstruktur in der Behandlungs- und Nichtbehandlungsgruppe auszugleichen. Entweder werden Patienten mit ähnlichem PS in beiden Gruppen 1:1 „gematcht“, d. h. man bildet Zwillingspaare. Das kann schnell sehr aufwändig werden. Deswegen beschränkt man sich bei der Stratifizierung darauf, keine perfekten Matches zu bilden, sondern Patienten in Gruppen mit ähnlichem PS einzuteilen, sogenannte Strata. Das ist ähnlich wie die Bildung von Kampfklassen beim Boxen.

Andere Methoden wie die Heckman-Adjustierung berechnen eine Gewichtung, mit der jeder Patient in die Analyse eingeht. Damit berechnet man die „wahren“ Behandlungsunterschiede oder „True Treatment Differences“. Das kann man sich stark vereinfacht vorstellen wie bei der Wahlforschung – weil die Neigung von Wahlberechtigten, tatsächlich wählen zu gehen, sich von Partei zu Partei unterscheidet, müssen Wahlprognosen bei der „Sonntagsfrage“ entsprechende Gewichtungsfaktoren einbauen. Die „wahren“ Unterschiede bei den hochgerechneten Prozenten der Parteien sind dann die erfragten, adjustiert mit dem jeweiligen Gewicht.

Zur Ausgabe