Pankreaschirurgie – Optimale Fallzahlschwellen und Vorhersagegenauigkeit (PaSuT)

Hauptforschungsfragen:

• Lassen sich konkrete Interventionsfallzahlen identifizieren, die als Schwellenwerte für jährliche Mindestmengen geeignet sind und mit einer signifikant niedrigen Krankenhaussterblichkeit verbunden sind?
• Fast alle bisherigen Studien zu Fallzahleneffekten haben lediglich einen deskriptiven Zusammenhang zwischen der Fallzahl in einem bestimmten Jahr und der Qualität der Ergebnisse im selben Jahr gezeigt. Ziel dieser Studie ist es zu untersuchen, ob sich die beschriebenen Zusammenhänge unter Verwendung der Eingriffsmenge des Vorjahres als Prädiktor nachweisen lassen. Die Studie versucht zu beantworten, ob die Zahl der Eingriffsfälle einen prädiktiven Wert hat, insbesondere die Anzahl der Fälle in einem Jahr und die Sterblichkeit im Krankenhaus im darauffolgenden Jahr.

Hintergrund:

Zahlreiche Studien haben einen Zusammenhang zwischen der Fallzahl und der Ergebnisqualität verschiedener chirurgischer Eingriffe nachgewiesen. Beispielsweise hatten Patienten, die in Krankenhäusern mit hohem Volumen (HVH) operiert wurden, niedrigere Sterblichkeitsraten, längere Überlebensraten, niedrigere Komplikationsraten und niedrigere Reoperationsraten als Patienten, die in Krankenhäusern mit geringem Volumen (LVH) operiert wurden. Zur Unterteilung in HVHs und LVHs wurden entweder konkrete Fallzahlen oder Quartil- bzw. Quintilgrenzen bei gleicher Anzahl an Operationen bzw. Kliniken pro Gruppe herangezogen. Ziel der Studie ist es, diese Grenzwerte mithilfe eines Spline-modellierten Falllastterms objektiv zu bestimmen und willkürliche Entscheidungen zu vermeiden.

Eine Einschränkung der bisherigen Ergebnisse besteht darin, dass sie aufgrund der Verwendung einer begrenzten Anzahl von Fällen und der Ergebnisqualität aus demselben Jahr möglicherweise nicht verallgemeinerbar sind. Es ist jedoch wichtig zu beachten, dass das Volumen des Vorjahres entscheidend für die prädiktive Bedeutung der Fallzahl für die zukünftige Ergebnisqualität ist. Eine aktuelle Studie (im Druck) berichtet, dass es erhebliche Schwankungen in der Qualität der Ergebnisse bei HVHs gibt, sogar zwischen verschiedenen Jahren. Daher wurde die Hypothese aufgestellt, dass die Verwendung der Fallzahl als Prädiktor für qualitativ hochwertige Ergebnisse zu einer Überschätzung führen könnte.

Methoden:

Es werden die bundesweiten Krankenhausabrechnungsdaten für Deutschland (DRG-Statistik) für den Zeitraum 2010 bis 2019 analysiert. Es werden die risikoadjustierten Sterblichkeitsraten ermittelt. Zu diesem Zweck werden logistische Regressionsmodelle berechnet, die das Mortalitätsrisiko für die folgenden Variablen anpassen: Geschlecht, Alter, Notfallaufnahme, Jahr der Resektion, Diagnose (bösartige Neubildung vs. gutartige Neubildung vs. Neubildung unklarer Dignität vs. akute Pankreatitis vs. chronische Pankreatitis im Vergleich zu anderen Pankreaserkrankungen), zusätzliche Eingriffe (venöse Resektionen/ multiviszerale Resektionen/ arterielle Resektionen/ Splenektomie/ Cholezystektomie/ Gallendrainage/ Dialyseverfahren) und ausgewählte Komorbiditäten. Um zusätzliche Verfahren zu klassifizieren, um das Ausmaß des chirurgischen Eingriffs und die technischen Schwierigkeiten widerzuspiegeln, wird eine geringfügige Modifikation des Klassifizierungssystems verwendet, wie in Mihaljevic et al., 2021 beschrieben (PMID: 33386130). Für die Komorbiditäten werden die Elixhauser-Definitionen verwendet, wie in Quan et al., 2005 (PMID: 16224307) beschrieben. Die Auswahl der zu berücksichtigenden Komorbiditäten basiert auf der Veröffentlichung von Hunger et al., 2022 (PMID: 35525416).

Der Fallzahleffekt wird mithilfe natürlicher kubischer Splines modelliert. Als Knotenpunkte werden das 10., 20., 40., 60., 80. und 90. Fallzahlperzentil verwendet. Die angepasste Krankenhaussterblichkeit in Abhängigkeit von der Fallzahl wird anhand der geschätzten Grenzmittelwerte ermittelt. Lokale Extremwerte (Maxima und Minima) in den Splines werden mithilfe der 1. und 2. Diagrammableitung bestimmt.

Verschiedene Regressionsmodelle werden entweder anhand der Fallzahlen des aktuellen Betriebsjahres oder des Vorjahres berechnet. Die Vorhersagegenauigkeit der Modelle wird anhand der etablierten Maße aus der Signaldetektionstheorie (AUC, Sensitivität, Spezifität, positiver Vorhersagewert, negativer Vorhersagewert) bestimmt. Es werden Subgruppenanalysen für einzelne Resektionsverfahren durchgeführt.