Mortalität und Hospitalisierungen von Patienten mit interprofessionellem Medikationsmanagement

Resultate der Arzneimittelinitiative Sachsen-Thüringen (ARMIN)

Hintergrund: Maßnahmen zur Verbesserung der Arzneimitteltherapiesicherheit im ambulanten Versorgungssektor sind häufig komplex und beinhalten Medikationsanalysen. In Deutschland wurde 2016–2022 (im Anschluss an eine einjährige Pilotphase) in zwei Bundesländern ein interprofessionelles Medikationsmanagement (Arzneimittelinitiative Sachsen-Thüringen [ARMIN]) angeboten, in dem bis Ende 2019 über 5 000 Patientinnen und Patienten eine Medikationsanalyse durch ein Arzt-Apotheker-Team erhielten und anschließend gemeinsam kontinuierlich betreut wurden.

Methode: Im Rahmen einer retrospektiv registrierten Kohortenstudie wurden in Routinedaten einer gesetzlichen Krankenversicherung (Beobachtungszeitraum 2015–2019) Mortalität und Hospitalisierungen dieser Population (N = 5 033) untersucht und mit einer aus Krankenkassendaten über Propensity Scores ermittelten Kontrollgruppe (N = 10 039) verglichen. Es wurden Mortalität mittels Ereigniszeitanalyse (Cox-Regression) und Hospitalisierungen über die Ereigniswahrscheinlichkeit innerhalb von zwei Jahren nach Einschluss in das Medikationsmanagement untersucht. Die Robustheit wurde in mehreren Sensitivitätsanalysen geprüft.

Ergebnisse: Im Beobachtungszeitraum verstarben 9,3 % der Teilnehmenden der ARMIN-Gruppe und 12,9 % der Kontrollgruppe (Hazard Ratio der adjustierten Cox-Regression 0,84; 95-%-Konfidenzintervall [0,76; 0,94], p = 0,001). In den ersten zwei Jahren nach Einschluss in ARMIN wurden Patientinnen und Patienten genauso häufig hospitalisiert wie in der Kontrollgruppe (52,4 % versus 53,4 %; Odds Ratio aus dem adjustierten Modell 1,04 [0,96; 1,11], p = 0,347). Die Effekte waren in Sensitivitätsanalysen konsistent.

Schlussfolgerung: In dieser retrospektiven Kohortenstudie war die Teilnahme an der ARMIN-Intervention mit einem geringeren Risiko zu versterben assoziiert; explorative Analysen geben Hinweise darauf, wie diese Assoziation entstanden sein könnte.

Kernelement von komplexen Interventionen zur Verbesserung der Arzneimitteltherapiesicherheit (AMTS) sind im ambulanten Versorgungssektor häufig Medikationsanalysen (1, 2), mit denen potenzielle arzneimittelbezogene Probleme erkannt und gelöst werden sollen (2). Da einheitliche Standards zur Frage, wie und durch wen Medikationsanalysen in der Versorgung angeboten werden, fehlen (3), ist die Vergleichbarkeit bisheriger Studienergebnisse und die Ableitung von Empfehlungen erschwert (4).

Medikationsanalysen waren bislang besonders dann erfolgreich, wenn interprofessionell eng zusammengearbeitet wurde (5, 6, 7). Gleichzeitig scheinen einige arzneimittelbezogene Probleme erst im Lauf der Zeit lösbar, was eine längerfristige Begleitung favorisiert (8). Neben medikationsbezogenen Endpunkten konnten in Medikationsanalysestudien auch klinische Biomarker (zum Beispiel Blutdruck) oder patientennahe Endpunkte (zum Beispiel Adhärenz) verbessert werden (9). Klinische Endpunkte wie Hospitalisierungen oder Mortalität wurden vergleichsweise selten untersucht, zudem zeigten sich keine klaren Effekte (4). So wurde in einer Metaanalyse zu Medikationsanalysen in öffentlichen Apotheken über den Endpunkt Mortalität nur in drei von 40 randomisierten kontrollierten Studien (RCT) berichtet, wovon eine Studie keinen Effekt nachwies und zwei nicht ausreichend gepowert waren (4). Eine weitere Metaanalyse ergab, dass Medikationsanalysen (im Rahmen eines settingunabhängigen Deprescribing zur systematischen Reduktion individuell entbehrlicher Arzneimittel) die Mortalität absolut um 1,4 % (Odds Ratio: 0,74; 95-%-Konfidenzintervall [0,58; 0,95]) senken könnten, jedoch höchstens geringe Auswirkungen auf die Hospitalisierungswahrscheinlichkeit haben – beide Aussagen wurden mit einer niedrigen „certainty of evidence“ bewertet (10).

In Deutschland bieten Hausärztinnen/-ärzte und Apothekerinnen/Apotheker im Rahmen der Arzneimittelinitiative Sachsen-Thüringen (ARMIN) seit 2015 ein interprofessionelles Medikationsmanagement an. Mortalität und Hospitalisierungen der damit betreuten Patientinnen und Patienten wurden nun mit den entsprechenden Ereignissen einer Propensity-Score-gematchten (PSM) Kontrollgruppe verglichen.

Methoden

Das ARMIN-Projekt ist ein Modellvorhaben auf der gesetzlichen Grundlage von § 63 SGB V, das 2014 durch die regionalen Ärzte- und Apothekerorganisationen in Kooperation mit der AOK PLUS Krankenkasse vereinbart wurde und aus drei Modulen besteht. Im Fokus dieser Auswertung stehen Patientinnen und Patienten, die sich im Modul 3 für ein kontinuierliches Medikationsmanagement und damit die Betreuung durch ein Arzt-Apotheker-Paar eingeschrieben haben (Kasten). Das ARMIN-Projekt wurde bereits ausführlich beschrieben (11) und der eMethodenteil enthält die detaillierte Beschreibung von Datengrundlage, Endpunkt-Operationalisierung und statistischen Analysen. Die Reporting Guidelines (STROBE/RECORD) befinden sich in der eErgebnisteil-Tabelle S1. Die hier berichtete Analyse ist ein Teil der umfassenden Evaluation des ARMIN-Projektes (12).

Kasten

Studienintervention

Die Datenanalyse verwendete in der Routineversorgung erhobene Sekundärdaten der AOK PLUS, wie sie auch bereits in früheren, ARMIN-unabhängigen Routinedatenuntersuchungen verwendet wurden (13, 14). Neben den Versichertendaten wurden auch ARMIN-spezifische Daten der involvierten Leistungserbringer zur Verfügung gestellt.

In dieser retrospektiven Kohortenstudie erfüllten die Daten aller Patientinnen und Patienten, die sich bis Ende 2018 ins Medikationsmanagement eingeschrieben hatten (N = 5 180), die Einschlusskriterien und waren auswertbar. Den eingeschlossenen Teilnehmenden von ARMIN wurde mittels PSM eine Kontrollgruppe im geplanten Verhältnis von 1 : 2,5 zugeteilt (Grafik 1). Der Beobachtungszeitraum begann mit dem Index-Datum (Einschreibedatum bei ARMIN-Personen, zufällig zugeteiltes Start-Datum bei Kontrollen). Primäre Endpunkte waren Mortalität und Hospitalisierungen (letztere innerhalb von zwei Jahren nach Einschluss). Die Robustheit der Ergebnisse wurde in Sensitivitätsanalysen überprüft, zu denen alternative Operationalisierungen der Endpunkte, der Vergleich adjustierter mit nichtadjustierten Analysen und aggregierte Analysen mit Analysen auf Patientenebene zählten (eMethodenteil).

Grafik 1

Flussdiagramm zur Ermittlung der Analysepopulation mittels Propensity Score Matching (PSM)

Als sekundäre Endpunkte wurde untersucht

• wie sich Krankenhauseinweisungen in ihrer Häufigkeit (Anzahl innerhalb des gesamten Nachverfolgungszeitraums), Dynamik (Zeit bis zur ersten Hospitalisierung) und Ursache (potenziell arzneimittelinduziert [15]) unterschieden
• ob es Unterschiede in der Inanspruchnahme von Gesundheitsdienstleistungen gab und
• wie sich ausgewählte Indikatoren für Arzneimitteltherapiesicherheit (Adhärenz gemäß der Rezeptbezüge, Wechselwirkungen, Verordnung potenziell inadäquater Medikation gemäß PRISCUS-Liste 1.0 [16]), Über- und Fehlversorgung (START/STOPP-Kriterien, operationalisiert gemäß [15]) in beiden Gruppen veränderten.

Die primären Endpunkte wurden hinsichtlich der Zeit bis zum Ereignis (Mortalität in Cox-Regression) und der Wahrscheinlichkeit für das Auftreten eines Ereignisses (Hospitalisierungen in logistischer Regression) vergleichend untersucht. Bei Hospitalisierungen wurde in einer gewichteten Regressionsanalyse (mittels „inverse probability of censorship weights“, IPCW) (17) dafür kontrolliert, dass eine Patientin/ein Patient möglicherweise nicht volle zwei Jahre beobachtet werden konnte. Regressionsanalysen waren zusätzlich für prognostisch relevante Variablen (zum Beispiel Patientenalter) adjustiert (Details siehe eMethodenteil). Statistische Tests waren zweiseitig und 95-prozentige Konfidenzintervalle wurden mit einem α-Fehler von 0,05 berechnet; p-Werte < 0,05 wurden als signifikant angesehen. Alle Analysen wurden mit der R-Softwareumgebung in der Version 4.0.2 durchgeführt (R Foundation for Statistical Computing, Wien, Österreich).

Ergebnisse

Studienpopulation

Aus dem PSM ging die Analysepopulation von 5 033 Teilnehmenden von ARMIN und 10 039 Kontrollen hervor. Die Gruppen waren erfolgreich balanciert, lediglich beim Alter lagen die standardisierten Differenzen außerhalb des Vertrauensbereichs und die ARMIN-Patientinnen/-Patienten waren mit 72,6 ± 11,6 Jahren etwa 1 Jahr jünger als die Kontrollpersonen (73,7 ± 11,4; eErgebnisteil-Grafik S1, eErgebnisteil-Tabelle S2). Die Analysepopulation umfasste somit 15 072 Personen mit einer durchschnittlichen Beobachtungszeit von 30,0 ± 9,7 Monaten (Tabelle 1).

Tabelle 1

Patientencharakteristika der mit PSM ermittelten Analysepopulation

Mortalität und Hospitalisierungen

Im Beobachtungszeitraum verstarben 9,3 % Personen der ARMIN-Gruppe (N = 469/5 033) und 12,9 % des Kontrollkollektivs (N = 1 300/10 039). Das relative Risiko aus der adjustierten Überlebenszeitanalyse war in der ARMIN-Gruppe um 16 % verringert (Hazard Ratio 0,84; [0,76; 0,94], p = 0,001) (Grafik 2a, eErgebnisteil-Tabelle S3a). Dies entspricht einer Kovariaten-adjustierten absoluten Risikoreduktion von 1,52 % und einer „number needed to treat“ (NNT) von 66.

Grafik 2

Forest-Plot für Risiken in Bezug auf Mortalität und Krankenhauseinweisungen aus mit den dargestellten Variablen adjustierten Regressionsmodellen

In der zweijährigen Nachbeobachtungszeit nach Einschluss wurden 52,4 % der Teilnehmenden von ARMIN mindestens einmal hospitalisiert (N = 2 639/ 5 033) verglichen mit 53,4 % der Kontrollpersonen (N = 5 359/10 039); bezogen auf die gesamte Beobachtungszeit betraf dies 56,8 % beziehungsweise 59,3 % der Patientinnen und Patienten. Unter Berücksichtigung weiterer prognostischer Variablen gab es keinen Gruppenunterschied in der Wahrscheinlichkeit, binnen zwei Jahren überhaupt hospitalisiert zu werden (Odds Ratio 1,04 [0,96; 1,11], p = 0,347) (Grafik 2b, eErgebnisteil-Tabelle S4a).

Sensitivitätsanalysen

Konsistent mit der Hauptanalyse war auch die Wahrscheinlichkeit binnen zwei Jahren zu versterben in der ARMIN-Gruppe reduziert (eErgebnisteil-Tabelle S3b). Ebenso zeigte die nichtparametrische Kaplan-Meier-Analyse eine Mortalitätsreduktion (Grafik 3). Wenn im Sinne einer Per-Protokoll-Auswertung die 320 Personen der ARMIN-Gruppe ausgeschlossen wurden, die frühzeitig das Programm verließen, ergab sich weiterhin ein Zusammenhang (Hazard Ratio 0,88 [0,7; 0,98]), wie auch die Betrachtungsweise ohne Todesfälle binnen 30 Tagen nach Einschreibung (Hazard Ratio 0,84 [0,75; 0,94]). Explorativ konnte ein über die Zeit zunehmender Effekt gezeigt werden (eErgebnisteil-Grafik S2). Bei Betrachtung des aggregierten Hospitalisierungsanteils war kein Unterschied im zeitlichen Verlauf zwischen ARMIN- und Kontrollgruppe festzustellen (eErgebnisteil-Grafik S3).

Grafik 3

Kaplan-Meier-Darstellung der Überlebenszeiten

Sekundäre Endpunkte

Krankenhauseinweisungen unterschieden sich sowohl in der Anzahl als auch in der Dynamik in den Gruppen: Die hospitalisierten Personen der ARMIN-Gruppe wurden früher (Hazard Ratio aus einer Ereigniszeitanalyse bis zum Erstereignis 1,05 [1,01; 1,10], eErgebnisteil-Tabelle S4b) und häufiger (Incidence Rate Ratio aus einer Zähldatenanalyse für die absolute Anzahl an Hospitalisierungen 1,06 [1,03; 1,09], eErgebnisteil-Tabelle S4c) hospitalisiert. Wenn man die verlängerte Lebenszeit in einer Ereigniszeitanalyse mit kompetitiven Risiken mitberücksichtigt, so war im Einklang mit einer intensivierten Betreuung die Hospitalisierungswahrscheinlichkeit um 8 % erhöht (Hazard Ratio aus einem „cause-specific“ Hazard-Modell 1,08 [1,02; 1,13]). Die Assoziationen mit prognostischen Variablen waren bei Krankenhauseinweisungen jeglicher Ursache und Krankenhauseinweisungen, die potenziell durch unerwünschte Arzneimittelwirkungen bedingt waren, vergleichbar (eErgebnisteil-Tabelle S4a/c und S5a/c, eErgebnisteil-Grafik S4, eErgebnisteil-Grafik S5). Unter der Inanspruchnahme ambulanter Gesundheitsleistungen waren die jährlichen Kontakte zu Haus- und Fachärztinnen und -ärzten in der ARMIN-Gruppe häufiger (16,6 und 6,6) als in der Kontrollgruppe (15,0 und 4,8) und die Inzidenzraten der Hausarztbesuche nahmen im Vergleich zum Vorjahr zu (+ 1,3 in der ARMIN-Gruppe versus −0,4 in der Kontrollgruppe) (Tabelle 2). Während die durchschnittliche Anzahl unterschiedlicher besuchter Apotheken in der ARMIN-Gruppe marginal geringer war (1,1 versus 1,2), lag die durchschnittliche Gesamtzahl der Kontakte mit Apotheken bei den Patientinnen und Patienten der ARMIN-Gruppe höher (und stieg auch nach dem ARMIN-Eintritt deutlicher an [+ 2,0 versus + 0,6, Tabelle 2]).

Tabelle 2

Sekundäre Endpunkte in der ARMIN- und Kontrollkohorte

Verschiedene AMTS-Indikatoren veränderten sich während der Nachbeobachtungszeit (eErgebnisteil-Grafik S6): Bei den Teilnehmenden von ARMIN verbesserte sich häufiger die Situation im Hinblick auf Expositionstage mit potenzieller Fehl- und Überversorgung (62,4 % versus 58,4 %; deskriptiver p-Wert = 0,003) sowie in Bezug auf die Adhärenz (43,3 % versus 41,6 %; deskriptiver p-Wert = 0,001), und sie traten häufiger in spezifische Disease-Management-Programme (DMP) ein (5,3 % versus 2,8 %; deskriptiver p-Wert < 0,001). Keine Gruppenunterschiede waren feststellbar bezüglich der Anzahl an verabreichten potenziell unangemessenen Arzneimitteln (PRISCUS; 59,5 % versus 58,6 %; deskriptiver p-Wert = 0,320), an Arzneimittelwechselwirkungen (23,8 % versus 24,1 %; deskriptiver p-Wert = 0,927) oder an Expositionstagen mit potenzieller Unterversorgung (START-Kriterien) (2,5 % versus 2,8 %; deskriptiver p-Wert = 0,252).

Diskussion

Der Einfluss von Medikationsanalysen oder Medikationsmanagementprogrammen auf Mortalität oder Hospitalisierungen wurde bisher selten untersucht. Dabei waren RCTs mit geringen Fallzahlen (zum Beispiel Interventionsgruppen mit 56–315 Teilnehmenden) (18, 19, 20, 21, 22, 23, 24) oder (zu) kurzen Beobachtungszeiträumen von typischerweise sechs Monaten möglicherweise nicht ausreichend gepowert, um statistisch signifikante Ergebnisse zu zeigen (4) und in Metaanalysen wurde eine eher geringe „certainty of evidence“ berichtet (10).

In dieser retrospektiven Kohortenstudie konnten 5 033 Patientinnen und Patienten über durchschnittlich 30 Monate beobachtet werden; im Vergleich mit der über PSM generierten Kontrollgruppe war das Risiko, im Verlauf der Beobachtungszeit zu versterben, in der ARMIN-Gruppe nur 0,84-mal so groß. Dieses Ergebnis war adjustiert für das Alter, berücksichtigte also, dass die Kontrollgruppe durchschnittlich etwa 1 Jahr älter war. Das Hospitalisierungsrisiko war in beiden Gruppen vergleichbar, jedoch wurden Patientinnen und Patienten mit einer Hospitalisierung in der ARMIN-Population früher und absolut auch häufiger hospitalisiert als Kontrollpersonen. Diese Ergebnisse waren in allen Sensitivitätsanalysen auch in Größenordnung und Relevanz konsistent.

Einige Erklärungsmöglichkeiten, die sich aus den sekundären Endpunkten ergeben, erscheinen so relevant, dass sie in künftigen RCTs weiter untersucht werden sollten. So lässt unsere Sekundärdatenanalyse eine intensivere Betreuung der Patientinnen und Patienten der ARMIN-Gruppe vermuten, da diese im Beobachtungszeitraum mehr Gesundheitsdienstleistungen in Anspruch genommen hatten und die Teilnahme an DMP stärker zunahm (5,3 % versus 2,8 %). Trotz der initial bereits hohen Teilnahmerate in DMPs (> 70 % in beiden Gruppen) kann dies zum Resultat beigetragen haben, da DMPs bereits als singuläre Maßnahme in mehreren Studien mit einem Überlebensvorteil assoziiert waren (25, 26, 27, 28). Auch wir sahen entsprechende Mortalitätsreduktionen (Diabetes mellitus Typ 2 Hazard Ratio 0,85 [0,77; 0,94]; koronare Herzkrankheit 0,81 [0,73; 0,90]). Diese Daten legen somit nahe, dass Teilnehmende von ARMIN häufiger und enger im Austausch mit Angehörigen der Heilberufe waren, kritische Situationen möglicherweise früher erkannt wurden und gegebenenfalls rascher zu (notwendigen) Hospitalisierungen geführt haben könnten – was in den Daten ebenfalls sichtbar wurde.

Darüber hinaus konnte eine Verbesserung im Hinblick auf einige der untersuchten AMTS-Indikatoren festgestellt werden: So nahm die Exposition mit STOPP-Kriterien in der ARMIN-Population stärker ab als in der Kontrollgruppe und die Krankenkassendaten zeigten in potenziell wichtigen Langzeittherapien regelmäßigere Rezeptbezüge als Marker für höhere Adhärenz. Beide Marker waren in früheren Studien mit dem Sterbe- (29, 30, 31, 32) sowie Hospitalisierungsrisiko (30, 32, 33) assoziiert. Diese Assoziation ist bei anderen AMTS-Indikatoren nicht belegt, wie zum Beispiel die Verordnung von potenziell inadäquater Medikation nach PRISCUS (34), bei denen auch in der ARMIN-Gruppe keine Verbesserung beobachtet wurde. Bei der Messung von Wechselwirkungen ist darüber hinaus unsicher, ob sich ein positiver Effekt tatsächlich auch in einer geringeren Prävalenz widerspiegeln müsste, denn viele schwerwiegende Wechselwirkungen können auch durch ein geeignetes Monitoring, eine Dosisreduktion oder temporäre Pausen bewältigt werden.

Unabhängig von all diesen Überlegungen lässt sich nicht abschätzen, inwiefern Veränderungen in der Arzneimitteltherapie direkt die Endpunkte beeinflusst haben könnten – insbesondere, da für diese keine Beschreibungen wie zum Beispiel Hospitalisierungsgrund oder Sterbeursache berücksichtigt wurden.

Nicht zu quantifizieren ist auch der Einfluss, den die kontinuierliche interprofessionelle Betreuung hatte, die sich an die initiale Medikationsanalyse anschloss. Unsere Ergebnisse deuten auf einen mit der Zeit größer werdenden Effekt hin. Die Frage, ob und wenn ja in welchem Ausmaß die kontinuierliche interprofessionelle Betreuung zu dieser Beobachtung beiträgt, ist jedoch nicht kausal zu beantworten. Auch Umfang oder Veränderung der interprofessionellen Betreuung sind schwer messbar. Geschätzt betreute ein Arzt-Apotheker-Paar im Median 21 Versicherte im Medikationsmanagement, wobei die Spannbreite sehr groß war (1–136 Patientinnen und Patienten).

Im Hinblick auf die überraschend deutlichen Ergebnisse erscheint es daher umso wichtiger, in prospektiven Studien mit einer ähnlichen interprofessionellen Intervention künftig spezifische Informationen zur Medikation und zu Endpunkten – wie Todes- beziehungsweise Hospitalisierungsursache – sowie zu durchgeführten Medikationsänderungen im Detail zu erheben. Erfasst und quantifiziert werden sollten auch in Sekundärdaten typischerweise nicht zugängliche Variablen. Dazu zählen zum Beispiel soziodemografische Daten – wie etwa Bildungsstatus oder Familienstand – sowie die Einstellungen der Teilnehmenden, die sowohl die Motivation für eine Teilnahme als auch die Bereitschaft zur Umsetzung von Interventionen beeinflussen können. So könnten auch relevante Schätzer für eine potenzielle Übertragbarkeit des Vorgehens erfasst werden, wie zum Beispiel Rekrutierungsquoten oder Zeitaufwand pro Patientin/Patient.

Stärken und Schwächen

Die Stärken und Schwächen dieser Arbeit ergeben sich größtenteils aus der Datengrundlage und dem Studiendesign. Letzteres war retrospektiv und beobachtend, sodass eine prospektive Bestätigung der Ergebnisse in RCTs unter Berücksichtigung von Multiplizitätsaspekten noch aussteht. Der höheren Evidenz von RCTs stehen jedoch strengere Ein- und Ausschlusskriterien und ein enges Monitoring der studienbedingten Interventionen gegenüber, die potenzielle Effekte unter Alltagsbedingungen nur schwer wiederholbar machen („efficacy-effectiveness gap“). Weil zudem ausreichend große Fallzahlen in RCTs eine Herausforderung darstellen, wird zunehmend diskutiert, ob RCTs für die Bewertung der Effektivität komplexer Interventionen in der Gesundheitsversorgung wirklich optimal geeignet sind (35, 36).

Mit den verwendeten Daten konnten manche AMTS-Endpunkte nicht direkt gemessen werden und mussten anhand von Arzneimittelbezügen näherungsweise geschätzt werden, da keine Daten zum tatsächlichen Verordnungs- oder Einnahmeverhalten vorlagen. Dies betraf etwa die Adhärenzbeurteilung und die Analyse von Wechselwirkungen. Weiterhin ist die Auswahl der Teilnehmenden für eine Übertragbarkeit auf die Routineversorgung entscheidend. In dieser Studie wurden Patientinnen und Patienten eingeschlossen, die bei der AOK PLUS versichert waren (mit einem Versichertenanteil von etwa 50 % in den beteiligten Bundesländern), von ihren Ärztinnen/Ärzten und Apothekerinnen/Apothekern rekrutiert wurden und in das interprofessionelle Medikationsmanagement einwilligten. Dies setzt eine gewisse Selektion voraus, die sowohl bewirken könnte, dass die beobachteten Effekte überschätzt werden (weil grundsätzlich ein motivierteres, zugänglicheres Patientenkollektiv angesprochen wurde) oder auch unterschätzt wurden (weil die Personen, die besonders von einer Optimierung der Medikation und einer engeren interprofessionellen Betreuung profitieren würden, gar nicht angesprochen wurden). Eine ähnliche Selektion ist auch auf Ebene der Heilberufler zu vermuten, da zum Beispiel nur etwa 8 % aller potenziellen Ärztinnen und Ärzte tatsächlich am Medikationsmanagement teilnahmen.

Im Rahmen des PSM wurden Einflussfaktoren möglichst umfassend berücksichtigt und relevante potenzielle Confounder auch in den nachfolgenden Regressionsanalysen erneut zur Adjustierung herangezogen (doppelt-robust). Trotzdem liegt es nahe, dass weitere wichtige Einflussfaktoren nicht einbezogen wurden – wie zum Beispiel Bildungsniveau, demografische Informationen (zum Beispiel Familienstand), Veränderungsbereitschaft, Motivation oder Umsetzungsgüte der Intervention –, weil diese in den Daten nicht („omitted-variable bias“) oder nicht genau genug („misclassification bias“) erfasst waren. Die Ergebnisse dieser Analyse waren jedoch auch in allen Sensitivitätsanalysen robust und so ausgeprägt, dass eine einzelne Bias-Ursache sehr groß sein müsste, um sie relevant zu beeinflussen (E-Wert [37] von 1,67 mit einer unteren Grenze des Konfidenzintervalls von 1,32). Dem gegenüber mag aber auch eine Vielzahl unbekannter (und in Routinedaten nicht messbarer) Störgrößen existieren.

Nicht zuletzt ist diese Arbeit dadurch limitiert, dass mit den zur Verfügung stehenden Daten keine kausalen Schlüsse gezogen werden können, insbesondere hinsichtlich der therapiebezogenen Veränderungen: So ist unklar, welche Medikationsänderungen durch wen wie initiiert wurden, ob diese beibehalten wurden und ob dies die Morbidität der Patientinnen und Patienten veränderte.

Resümee

Diese retrospektive Kohortenstudie zeigt ein verringertes Mortalitätsrisiko für Patientinnen und Patienten, die in das ARMIN-Medikationsmanagement eingeschrieben waren im Vergleich zu über PSM identifizierten Kontrollpersonen. Die generierten Signale sollten nun in prospektiven, kontrollierten Studien untersucht werden, um auch potenzielle versorgungsstrukturelle und mechanistische Zusammenhänge zu erfassen. Ziel sollte dabei sein, die möglichen wirksamkeitsbestimmenden Faktoren in dieser komplexen Intervention und eventuelle Patientensubgruppen mit besonderem Interventionsvorteil zu identifizieren.

Collaborators

Mitglieder des ARMIN-Studienteams: Christiane Eickhoff, Uta Müller, Martin Schulz (ABDA – Bundesvereinigung Deutscher Apothekerverbände e. V.); Andreas Fuchs, Dorit Braun, Ulf Maywald (AOK PLUS);

Catharina Döhler, Mike Mätzler (Kassenärztliche Vereinigung Sachsen); Anja Auerbach, Urs Dieter Kuhn, Anke Möckel (Kassenärztliche Vereinigung Thüringen); Christine Honscha, Susanne Donner (Sächsischer Apothekerverband e. V.); Stefan Fink, Kathrin Wagner (Thüringer Apothekerverband e. V.); Walter E. Haefeli, Andreas D. Meid, Robert Moecker, Carmen Ruff, Hanna M. Seidling, Felicitas Stoll, Marina Weissenborn, Lucas Wirbka (Universitätsklinikum Heidelberg); Petra Kaufmann-Kolle, Anja Klingenberg, Jona Frasch (aQua Institut für Qualitätsförderung und Forschung im Gesundheitswesen GmbH).

Danksagung

Wir bedanken uns bei allen teilnehmenden Angehörigen der Heilberufe und den Patientinnen und Patienten.

Förderung

Die Abteilung Klinische Pharmakologie und Pharmakoepidemiologie des Universitätsklinikums Heidelbergs und das aQua Institut für angewandte Qualitätsförderung und Forschung im Gesundheitswesen GmbH erhielten als externe Evaluatoren eine Förderung der AOK PLUS, der ABDA, der KV Sachsen und der KV Thüringen zur Durchführung der Evaluation.

Interessenkonflikt
RM wurde für Vorträge honoriert von der Landesapothekerkammer Baden-Württemberg. Für ihn wurden Reisekosten und Kongressgebühren übernommen von der Deutschen Gesellschaft für Klinische Pharmazie.

HMS bekam Honorare für Vorträge oder Fortbildungsveranstaltungen und Reisekostenerstattung von Apothekerkammern oder Berufsverbänden (z. B. ADKA oder GSASA). Zudem übt sie ehrenamtlich Gremientätigkeiten aus beim Aktionsbündnis Patientensicherheit e. V., Berufsverband der Deutschen Krankenhausapotheker, der Arzneimittelkommission der Deutschen Apotheker und in der Koordinierungsgruppe des Aktionsplans AMTS des BMG.

Die übrigen Autorinnen und Autoren erklären, dass kein Interessenkonflikt besteht.

Manuskriptdaten
eingereicht: 25.08.2022, revidierte Fassung angenommen: 13.01.2023

Anschrift für die Verfasser
Prof. Dr. sc. hum. Hanna M. Seidling
Abteilung Klinische Pharmakologie und Pharmakoepidemiologie
Kooperationseinheit Klinische Pharmazie
Universität Heidelberg
Im Neuenheimer Feld 410
69120 Heidelberg

Zitierweise
Meid AD, Wirbka L, Moecker R, Ruff C, Weissenborn M, Haefeli WE, Seidling HM, on behalf of the ARMIN study team: Mortality and hospitalizations among patients enrolled in an interprofessional medication management program—results of the Medicines Initiative Saxony–Thuringia (Arzneimittelinitiative Sachsen-Thüringen, ARMIN). Dtsch Arztebl Int 2023; 120: 253–60. DOI: 10.3238/arztebl.m2023.0014

►Die englische Version des Artikels ist online abrufbar unter:
www.aerzteblatt-international.de

Zusatzmaterial
eMethodenteil, eErgebnisteil
www.aerzteblatt.de/m2023.0014 oder über QR-Code

Literatur

1. Dautzenberg L, Bretagne L, Koek HL, et al.: Medication review interventions to reduce hospital readmissions in older people. J Am Geriatr Soc 2021; 69: 1646–58.

2. Griese-Mammen N, Hersberger KE, Messerli M, et al.: PCNE definition of medication review: reaching agreement. Int J Clin Pharm 2018; 40: 1199–208.

3. Imfeld-Isenegger TL, Soares IB, Makovec UN, et al.: Community pharmacist-led medication review procedures across Europe: characterization, implementation and remuneration. Res Social Adm Pharm 2020; 16: 1057–66.

4. Al-Babtain B, Cheema E, Hadi MA: Impact of community-pharmacist-led medication review programmes on patient outcomes: a systematic review and meta-analysis of randomised controlled trials. Res Social Adm Pharm 2022; 18: 2559–68.

5. Delgado-Silveira E, Vélez-Díaz-Pallarés M, Muñoz-García M, Correa-Pérez A, Álvarez-Díaz AM, Cruz-Jentoft AJ: Effects of hospital pharmacist interventions on health outcomes in older polymedicated inpatients: a scoping review. Eur Geriatr Med 2021; 12: 509–44.

6. Kwint HF, Bermingham L, Faber A, Gussekloo J, Bouvy ML: The relationship between the extent of collaboration of general practitioners and pharmacists and the implementation of recommendations arising from medication review: a systematic review. Drugs Aging 2013; 30: 91–102.

7. Sloeserwij VM, Hazen ACM, Zwart DLM, et al.: Effects of non-dispensing pharmacists integrated in general practice on medication-related hospitalisations. Br J Clin Pharmacol 2019; 85: 2321–31.

8. Seidling HM, Wien K, Fabricius J, et al.: Short and mid-term impact of community pharmacy-based medication reviews on medication- and patient-related outcomes in Germany. Int J Clin Pharmacol Ther 2021; 59: 188–97.

9. Jokanovic N, Tan EC, Sudhakaran S, et al.: Pharmacist-led medication review in community settings: an overview of systematic reviews. Res Social Adm Pharm 2017; 13: 661–85.

10. Bloomfield HE, Greer N, Linsky AM, et al.: Deprescribing for community-dwelling older adults: a systematic review and meta-analysis. J Gen Intern Med 2020; 35: 3323–32.

11. Müller U, Schulz M, Mätzler M: [Electronically supported co-operation of physicians and pharmacists to improve medication safety in the ambulatory setting: The „Arzneimittelinitiative Sachsen-Thüringen“ (ARMIN)]. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 2018; 61: 1119–28.

12. Öffentlichkeitsarbeit/kbb: Evaluation für das Modellprojekt ARMIN. www.arzneimittelinitiative.de/ueber-armin/aktuelle-nachrichten/2079-evaluation-fuer-das-modellprojekt-armin/ (last accessed on 15 August 2022).

13. Hardtstock F, Myers D, Li T, et al.: Real-world treatment and survival of patients with advanced non-small cell lung cancer: a German retrospective data analysis. BMC Cancer 2020; 20: 260.

14. Wilke T, Groth A, Fuchs A, Pfannkuche M, Maywald U: Persistence with VKA treatment in newly treated atrial fibrillation patients: an analysis based on a large sample of 38,076 German patients. Eur J Clin Pharmacol 2017; 73: 1437–47.

15. Meid AD, Groll A, Heider D, et al.: Prediction of drug-related risks Using Clinical Context Information in Longitudinal Claims Data. Value Health 2018; 21: 1390–8.

16. Holt S, Schmiedl S, Thürmann PA: Potentially inappropriate medications in the elderly: the PRISCUS list. Dtsch Arztebl Int 2010; 10:7 543–51.

17. Vock DM, Wolfson J, Bandyopadhyay S, et al.: Adapting machine learning techniques to censored time-to-event health record data: a general-purpose approach using inverse probability of censoring weighting. J Biomed Inform 2016; 61: 119–31.

18. Schulz M, Griese-Mammen N, Anker SD, et al.: Pharmacy-based interdisciplinary intervention for patients with chronic heart failure: results of the PHARM-CHF randomized controlled trial. Eur J Heart Fail 2019; 21: 1012–21

19. van der Meer HG, Wouters H, Pont LG, Taxis K: Reducing the anticholinergic and sedative load in older patients on polypharmacy by pharmacist-led medication review: a randomised controlled trial. BMJ Open 2018; 8: e019042.

20. Holland R, Brooksby I, Lenaghan E, et al.: Effectiveness of visits from community pharmacists for patients with heart failure: HeartMed randomised controlled trial. BMJ 2007; 334: 1098.

21. Lenaghan E, Holland R, Brooks A: Home-based medication review in a high risk elderly population in primary care—-the POLYMED randomised controlled trial. Age Ageing 2007; 36: 292–7.

22. Bouvy ML, Heerdink ER, Urquhart J, Grobbee DE, Hoes AW, Leufkens HG: Effect of a pharmacist-led intervention on diuretic compliance in heart failure patients: a randomized controlled study. J Card Fail 2003; 9: 404–11.

23. Olesen C, Harbig P, Buus KM, Barat I, Damsgaard EM: Impact of pharmaceutical care on adherence, hospitalisations and mortality in elderly patients. Int J Clin Pharm 2014; 36: 163–71.

24. van der Heijden A, de Bruijne MC, Nijpels G, Hugtenburg JG: Cost-effectiveness of a clinical medication review in vulnerable older patients at hospital discharge, a randomized controlled trial. Int J Clin Pharm 2019; 41: 963–71.

25. George PP, Heng BH, Lim TK, et al.: Evaluation of a disease management program for COPD using propensity matched control group. J Thorac Dis 2016; 8: 1661–71.

26. Kirsch F, Becker C, Schramm A, Maier W, Leidl R: Patients with coronary artery disease after acute myocardial infarction: effects of continuous enrollment in a structured Disease Management Program on adherence to guideline-recommended medication, health care expenditures, and survival. Eur J Health Econ 2020; 21: 607–19.

27. Miksch A, Laux G, Ose D, et al.: Is there a survival benefit within a German primary care-based disease management program? Am J Manag Care 2010; 16: 49–54

28. Drabik A, Büscher G, Thomas K, Graf C, Müller D, Stock S: Patients with type 2 diabetes benefit from primary care-based disease management: a propensity score matched survival time analysis. Popul Health Manag 2012; 15: 241–7.

29. De Vera MA, Bhole V, Burns LC, Lacaille D: Impact of statin adherence on cardiovascular disease and mortality outcomes: a systematic review. Br J Clin Pharmacol 2014; 78: 684–98.

30. Ruppar TM, Cooper PS, Mehr DR, Delgado JM, Dunbar-Jacob JM: Medication adherence interventions improve heart failure mortality and readmission rates: systematic review and meta-analysis of controlled trials. J Am Heart Assoc 2016; 5: e002606.

31. Moreira ATA, Pinto CR, Lemos ACM, Assunção-Costa L, Souza GS, Martins Netto E: Evidence of the association between adherence to treatment and mortality among patients with COPD monitored at a public disease management program in Brazil. J Bras Pneumol 2021; 48: e20210120.

32. Huang CH, Umegaki H, Watanabe Y, et al.: Potentially inappropriate medications according to STOPP-J criteria and risks of hospitalization and mortality in elderly patients receiving home-based medical services. PLoS One 2019; 14: e0211947.

33. Kelly WN, Ho MJ, Bullers K, Klocksieben F, Kumar A: Association of pharmacist counseling with adherence, 30-day readmission, and mortality: a systematic review and meta-analysis of randomized trials. J Am Pharm Assoc (2003) 2021; 61: 340–50.e5.

34. Schmiedl S, Rottenkolber M, Szymanski J, et al.: Preventable ADRs leading to hospitalization—results of a long-term prospective safety study with 6,427 ADR cases focusing on elderly patients. Expert Opin Drug Saf 2018; 17: 125–37.

35. Franklin JM, Schneeweiss S: When and how can real world data analyses substitute for randomized controlled trials? Clin Pharmacol Ther 2017; 102: 924–33.

36. Serhal S, Mitchell B, Krass I, et al.: Rethinking the gold standard—the feasibility of randomized controlled trials within health services effectiveness research. Res Social Adm Pharm 2022; 18: 3656–68.

37. Mathur MB, Ding P, Riddell CA, VanderWeele TJ: Web site and R Package for computing e-values. Epidemiology 2018; 29: e45–e7.

38. Uno H, Claggett B, Tian L, et al.: Moving beyond the hazard ratio in quantifying the between-group difference in survival analysis. J Clin Oncol 2014; 32: 2380–5