Hintergrund

Die chronische Nierenkrankheit (CKD) stellt eine häufige und zugleich stark unterschätzte Erkrankung dar, die durch einen meist schleichenden, lange asymptomatischen Verlauf gekennzeichnet ist. In Deutschland sind rund 10 % der über 40-Jährigen betroffen. Ein erheblicher Teil der Erkrankungen wird erst in fortgeschrittenen Stadien diagnostiziert, was zu erhöhten Risiken für Dialysepflichtigkeit, kardiovaskuläre Ereignisse, Hospitalisierung und Mortalität führt. Die damit verbundenen gesundheitlichen Belastungen gehen mit sehr hohen Kosten für das Gesundheitssystem einher, insbesondere im Bereich der Dialyseversorgung.

Routinedaten der gesetzlichen Krankenversicherung zeigen, dass ein relevanter Anteil der Versicherten bereits bei Erstdiagnose ein präterminales oder terminales Stadium aufweist. Gleichzeitig fehlen bei vielen Versicherten regelmäßig klinische Messwerte, die in bestehenden Risikomodellen erforderlich sind. Dies erschwert eine frühzeitige Identifikation von Hochrisikopersonen erheblich.

Vor diesem Hintergrund besteht ein hoher Bedarf an einfach anwendbaren, populationsweiten Prognoseinstrumenten, die auf vorhandenen Routinedaten basieren. Ein solcher Ansatz verspricht nicht nur eine frühere Erkennung von CKD-Risiken, sondern auch die Möglichkeit, präventive und therapeutische Maßnahmen gezielt einzusetzen und langfristig sowohl Morbidität als auch Versorgungskosten zu senken.

Projektziele

Ziel des Projekts ist die Entwicklung eines Prognosescores zur Vorhersage relevanter Folgeereignisse der chronischen Nierenkrankheit, insbesondere Dialysebeginn, kardiovaskuläre Ereignisse, akutes Nierenversagen, Hospitalisierung und Mortalität. Grundlage hierfür sind Routinedaten der gesetzlichen Krankenversicherung der AOK Rheinland/Hamburg.

Hierzu sollen etablierte statistische Regressionsmodelle mit modernen Machine-Learning-Verfahren, insbesondere Transformer-Modellen, kombiniert werden. Während Regressionsmodelle eine gute Interpretierbarkeit der Risikofaktoren ermöglichen, sollen Transformer-Modelle komplexe zeitliche Muster und bislang unbekannte Risikokombinationen identifizieren. Die Erkenntnisse beider Ansätze werden zu einem integrierten Prognosescore zusammengeführt.

Der entwickelte Score soll so gestaltet werden, dass er sowohl in der ärztlichen Versorgung als auch von gesetzlichen Krankenkassen eingesetzt werden kann, unter anderem im Kontext der Versichertenansprache gemäß § 25b SGB V. Ergänzend wird der Prognosescore gesundheitsökonomisch bewertet und seine Implementierung aus Sicht von Behandelnden, Versicherten und Krankenkassen analysiert.

Arbeitspakete & Zuständigkeiten

Das Projekt ist in fünf inhaltlich und zeitlich aufeinander abgestimmte Arbeitspakete gegliedert, die über die gesamte Projektlaufzeit eng verzahnt bearbeitet werden.

Zunächst umfasst das erste Arbeitspaket eine systematische Literaturanalyse zur Identifikation relevanter Risikofaktoren der chronischen Nierenkrankheit sowie deren Abbildung in GKV-Routinedaten. Auf dieser Grundlage werden multivariate Regressionsmodelle zur Vorhersage klinischer Endpunkte entwickelt und mit bestehenden Risikorechnern verglichen.

Parallel dazu fokussiert das zweite Arbeitspaket die datengetriebene Analyse der GKV-Routinedaten. Nach Aufbereitung der Daten werden Transformer-Modelle implementiert, um komplexe zeitliche Muster und bislang unberücksichtigte Risikofaktoren zu identifizieren; die gewonnenen Ergebnisse werden systematisch mit den Befunden aus dem ersten Arbeitspaket zusammengeführt.

Das dritte Arbeitspaket dient der Integration der Resultate aus den vorangegangenen Analysen. Die identifizierten Risikofaktoren werden strukturiert zusammengeführt und in einem kombinierten Prognosescore abgebildet, der sowohl statistisch valide als auch praxisnah ausgestaltet ist.

Im vierten Arbeitspaket erfolgt die gesundheitsökonomische Evaluation des Prognosescores mittels einer Krankheitskostenanalyse sowie einer Entscheidungsbaumanalyse, um Kosten- und Nutzenaspekte des Einsatzes im Versorgungskontext zu bewerten.

Das fünfte Arbeitspaket befasst sich schließlich mit der Entwicklung von Strategien zur Implementierung des Prognosescores in die Versorgungspraxis. Hierzu werden qualitative Interviews und Fokusgruppen mit relevanten Akteursgruppen durchgeführt und die Ergebnisse in einem praxisorientierten White Paper zusammengeführt.

Alle Arbeitspakete werden durch begleitende Disseminationsmaßnahmen ergänzt, um den Wissenstransfer in Wissenschaft und Versorgung sicherzustellen.