---
title: "Hang zum Erfolg: Wenn Vorhersage das Behandlungsmanagement chronisch Kranker steuert"
language: "de"
type: "post"
original_url: "https://www.atlas-digitale-gesundheitswirtschaft.de/blog/2020/03/20/hang-zum-erfolg/"
human_version: "../../../../../1/blog/2020/03/20/hang-zum-erfolg/"
date: "2020-03-20"
section: "Review-Artikel"
categories: ["Ambulante ärztliche Versorgung", "Ethik", "KI", "Krankenhaus", "Krankenversicherungen", "Therapie"]
reading_time: "7 Min."
description: "Effizienz im Gesundheitswesen setzt Einsparungen an Behandlungskosten voraus. Sind Algorithmen eine Lösung für das Behandlungsmanagement?"
publisher: "Lehrstuhl für Management und Innovation im Gesundheitswesen, Universität Witten/Herdecke"
---

# Hang zum Erfolg: Wenn Vorhersage das Behandlungsmanagement chronisch Kranker steuert

*20.03.2020 · Review-Artikel*

Review-Artikel

Behandlungsmanagement

Deutschland ist international mit am stärksten durch Auswirkungen des demographischen Wandels betroffen (1, 2). Zeitgleich hat insbesondere im Teil der Bevölkerung über dem 65. Lebensjahr die Anzahl mehrfach chronisch erkrankter Menschen stark zugenommen (3). Kombiniert zeigt sich eine besonders kostentreibende Wirkung auf das deutsche Gesundheitswesen (3, 4). Wie können Impactability-Modelle eine verbesserte Ressourcenallokation ermöglichen und welches Potential bieten dabei digitale Produkte?

### Status Quo: Behandlungsmanagement für Risikopatienten

Um diesen Trends zu begegnen werden Patienten unter anderem frühzeitig in strukturierte Behandlungsprogramme (z.B. disease management programme, DMP) aufgenommen, die ein strukturiertes Management der Erkrankungen anstreben. Es wird primär jene Patientenpopulation selektiert, die bei hohem Risiko einen großen Bedarf zur Intervention hat und deshalb häufig die größten Kosten hervorruft (5, 6). Ein erwünschter Effekt ist die Verminderung der Inanspruchnahme von Gesundheitsleistungen, unter anderem durch das Verhindern von Hospitalisierungen (7, 8).

Ein Nachteil der Selektion nach Risiko ist, dass ebenfalls alle Patienten miteingeschlossen werden, bei denen eine Intervention, etwa durch frühzeitiges Aussteigen, keinen ausreichenden positiven Effekt haben wird (8-10). Zusätzlich konnte international – auch in Deutschland – bisher nicht deutlich gezeigt werden, dass diese teilweise kostspieligen Programme langfristig Einsparungen für das Gesundheitssystem erzielen (7, 8, 11, 12), oder kostendeckend sind.

### Perspektivenwechsel von Risiko zu Potential

Gespeist durch Verdichtungen zur Verfügung stehender Daten z.B. mithilfe von machine learning-Methoden, sind so genannte Impactability-Modelle (6, 7, 9) dank prädiktiver Algorithmen in der Lage sowohl das individuelle Maß möglicher Einsparungen an Behandlungskosten vorherzusagen, als auch die Wahrscheinlichkeit zu bestimmen, mit der ein Patient erfolgreich an einer Intervention teilnimmt (10). Dabei überschneidet sich die Patientenpopulation mit dem größten Risiko und den höchsten Kosten nur bedingt mit jener, die die höchste Impactability aufweist (6, 8).

Unmittelbar ergeben sich zwei Implikationen für das Behandlungsmanagement (8):

1. Priorisierung von Patienten, die wahrscheinlich am meisten von Interventionen profitieren.
2. Exklusion von Patienten mit geringer Wahrscheinlichkeit eines Ansprechens auf Interventionen.

Sind Interventionen kostspielig, so zeigt die Möglichkeit zur Selektion nach möglichst hohem Return-on-Investment (ROI), der Einsparung langfristiger Versorgungskosten über dem Kostenmaß der Intervention, einen offensichtlichen Nutzen für die Allokation im Gesundheitswesen auf (10).

### Digitale Produkte zur Lösung eines ethischen Dilemmas

Verschiedene Faktoren, wie etwa sozioökonomische Schwäche, Bildungsferne und psychosoziale Probleme, beeinflussen die Impactability negativ (8). Die Modelle zeigten sich für einen Bias zu Ungunsten dieser Faktoren anfällig und bezogen den Hintergrund des jeweiligen Patienten nicht ausreichend mit ein (13). Werden Patienten für die Inklusion in eine Intervention alleinig nach Impactability hierarchisiert, stellen sich kritische Fragen nach Gerechtigkeit und Gleichberechtigung (10). Eine Wahrung dieser Aspekte konkurriert scheinbar mit dem finanziellen gesundheitsökonomischen Nutzen.

Die Nutzung digitaler Produkte zum Behandlungsmanagement, wie Gesundheits-Apps, kann dabei helfen diesen Konflikt abzumildern, da sie in der Verbreitung kostengünstig sind und aufgrund des niedrigeren ROI eine breite Inklusion von Patienten ermöglichen (10). Beispielhaft hierfür sind digitale Diabetes-Programme, die dem Patienten Protokollierung bzw. Management seiner Diabetestherapie ermöglicht (mysugr, Diabetes Tagebuch, meinDiabetes, myTherapy u.ä.).

Da Impactibility-Modelle die Faktoren mit negativer Auswirkung auf die Erfolgswahrscheinlichkeit darstellen können (10), ist das Maßschneidern einer individuellen Strategie und die Auswahl geeigneter Interventionen und Produkte zur Adressierung dieser Faktoren möglich (6-8, 10).

### Weitreichende Möglichkeiten über das Individuum hinaus

Impactibility-Modelle erlauben bei einem Vergleich des vorhergesagten potentiellen und tatsächlich gemessenen Impact die systematische Einschätzung des Erfolgs einer Intervention (10) über den Einzelfall hinaus. Insbesondere qualitative Defizite im Versorgungsprozess, wie etwa zu seltene Arztkontakte oder verpasste Kontrollen, wirken sich positiv auf die Impactability aus (8) und werden deutlicher sichtbar. Die entstehenden Qualitätsschleifen können dabei helfen Interventionen zu verbessern und effizient zu nutzen (10). So werden beispielsweise Programmplaner befähigt Präventions- und Aufklärungskampagnen, Bonusprogramme oder regionale gesundheits- und sozialpflegerische Hilfesysteme zielgerichtet zu gestalten (6, 10).

### Fazit

Impactability profitiert von verschiedenen Trends der Digitalisierung im Gesundheitswesens, kann versteckte Potentiale des Behandlungsmanagement chronischer Erkrankungen ausschöpfen (10) und ein Werkzeug des Qualitätsmanagements werden. Um der Gefahr des Missbrauchs zu begegnen, sollte die Selektion von Patienten in Versorgerhand bleiben. Durch Ergänzung von Methoden der Prädiktion und individualisierten Strategieplanung kann die Subpopulation von Patienten mit hohem Risiko und hoher Impactability identifiziert und Programme zum Behandlungsmanagement somit ethisch vertretbar sowie kosteneffizient gestalten werden.

Ein ausreichend großer Datenpool ist für die Aussagekraft der Impactability-Modelle und damit für deren Praxisnutzen entscheidend. Hier gilt es in einem ersten Schritt zu bestimmen, welche Daten erforderlich sind, wie diese generiert und in die Modelle eingepflegt werden können. Das Digitale-Versorgungsgesetz mit seiner Regelung zur Nutzung von Krankkassendaten bietet hierzu erste neue Ansatzmöglichkeiten.

<a id="expandable-block--6aac46e1844f4"></a>

Quellen

1. Anderson G, Hussey P. Population Aging: A Comparison Among Industrialized Countries. Health Affairs. 2000;19(3):191-203. [zum Original](https://jhu.pure.elsevier.com/en/publications/population-aging-a-comparison-among-industrialized-countries-3)

2. Statistisches Bundesamt. Bevölkerung im Wandel: Annahmen und Ergebnisse der 14. koordinierten Bevölkerungsvorausberechnung. Wiesbaden: Statistisches Bundesamt; 2019. [zum Original](https://www.destatis.de/DE/Presse/Pressekonferenzen/2019/Bevoelkerung/bevoelkerung-uebersicht.html)

3. Heider D, Matschinger H, Müller H, Saum KU, Quinzler R, Haefeli WE, et al. Health care costs in the elderly in Germany: an analysis applying Andersen’s behavioral model of health care utilization. BMC Health Services Research. 2014;14:71. [zum Original](https://bmchealthservres.biomedcentral.com/articles/10.1186/1472-6963-14-71)

4. Lehnert T, Heider D, Leicht H, Heinrich S, Corrieri S, Luppa M, et al. Review: Health Care Utilization and Costs of Elderly Persons With Multiple Chronic Conditions. Medical Care Research and Review. 2011;68(4):387-420. [zum Original](https://www.researchgate.net/publication/51544463_Review_Health_Care_Utilization_and_Costs_of_Elderly_Persons_With_Multiple_Chronic_Conditions)

5. McWilliams JM, Schwartz AL. Focusing on High-Cost Patients — The Key to Addressing High Costs? New England Journal of Medicine. 2017;376(9):807-9. [zum Original](https://www.ncbi.nlm.nih.gov/pubmed/28249127)

6. DuBard C, Jackson C. Active Redesign of a Medicaid Care Management Strategy for Greater Return on Investment: Predicting Impactability. Population Health Management. 2018;21(2):102-9. [zum Original](https://pubmed.ncbi.nlm.nih.gov/28968176/)

7. Hawkins K, Ozminkowski R, Mujahid A, Wells T, Bhattarai G, Wang S, et al. Propensity to Succeed: Prioritizing Individuals Most Likely to Benefit from Care Coordination. Population Health Management. 2015;18(6):402-11. [zum Original](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4685508/)

8. Lewis GH. „Impactibility models“: identifying the subgroup of high-risk patients most amenable to hospital-avoidance programs. Milbank Quarterly. 2010;88(2):240-55. [zum Original](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2980345/)

9. Weber C, Neeser K. Using individualized predictive disease modeling to identify patients with the potential to benefit from a disease management program for diabetes mellitus. Disease Management. 2006;9(4):242-56. [zum Original](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2980345/)

10. Mattie H, Reidy P, Bachtiger P, Lindemer E, Nikolaev N, Jouni M, et al. A Framework for Predicting Impactability of Digital Care Management Using Machine Learning Methods. Population Health Management. 2019. [zum Original](https://www.ncbi.nlm.nih.gov/pubmed/31765282)

11. Brown RS, Peikes D, Peterson G, Schore J, Razafindrakoto CM. Six features of Medicare coordinated care demonstration programs that cut hospital admissions of high-risk patients. Health Affairs. 2012;31(6):1156-66. [zum Original](https://www.healthaffairs.org/doi/full/10.1377/hlthaff.2012.0393)

12. Fuchs S, Henschke C, Blumel M, Busse R. Disease management programs for type 2 diabetes in Germany: a systematic literature review evaluating effectiveness. Deutsches Aerzteblatt International. 2014;111(26):453-63. [zum Original](https://www.mig.tu-berlin.de/fileadmin/a38331600/2014.publications/fuchs_Disease-Management-Programme_1.pdf)

13. Shadmi E, Freund T. Targeting patients for multimorbid care management interventions: the case for equity in high-risk patient identification. International Journal for Equity in Health. 2013;12:70. [zum Original](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3847614/)





#### Verwandte Artikel

- [Digitale Unterstützung bei chronischer Darmerkrankung](../../../2019/12/03/digitale-unterstuetzung-bei-chronischer-darmerkrankung.md)
- [Qualität im Gesundheitssystem muss sich lohnen](../../../2019/12/05/qualitaet-im-gesundheitssystem.md)
- [„Real World Evidence“ – vielversprechende Ergänzung zu klassischen Studiendesigns](../../../2019/11/28/real-world-evidence-fuer-die-pharmabranche.md)

##### **Autoren:**

Anika Zembok

,

Jakob Skatulla


**Kategorien:** Ambulante ärztliche Versorgung, Ethik, KI, Krankenhaus, Krankenversicherungen, Therapie

## Bilder auf dieser Seite

- shutterstock_1489049987-1320x880.png: ../../../../../1/assets/bilder/wp-content/uploads/2022/04/shutterstock_1489049987-1320x880.png

---
Diese Seite ist für KI-Systeme optimiert. Version für Menschen: [Hang zum Erfolg: Wenn Vorhersage das Behandlungsmanagement chronisch Kranker steuert](../../../../../1/blog/2020/03/20/hang-zum-erfolg/)
