MEDIZIN: Originalarbeit
Digitales Medikationsmanagement bei Multimedikation
Ergebnisse einer clusterrandomisierten kontrollierten Studie im Stepped-Wedge-Design in Hausarztpraxen (AdAM)
Digital medication management in polypharmacy—findings of a cluster-randomized, controlled trial with a stepped-wedge design in primary care practices (AdAM)
; ; ; ; ; ; ; ; ; ; ; ; ; ; ; ;
Hintergrund: Unangemessene Verschreibungen von Arzneimitteln bei Multimedikation können zu vermeidbaren negativen Folgen führen. Wir untersuchten die Auswirkungen eines klinischen Entscheidungsunterstützungssystems (CDSS) für das Medikationsmanagement auf Krankenhausaufenthalte und Sterblichkeit.
Methode: Die „stepped-wedge“, clusterrandomisierte kontrollierte Studie untersuchte eine offene Kohorte erwachsener Patientinnen und Patienten mit Multimedikation in Hausarztpraxen (= Clustern) in Westfalen-Lippe, Deutschland. Die Medikation der Patientinnen und Patienten wurde während des Interventionszeitraums jährlich mithilfe des CDSS überprüft. Das CDSS enthält patientenbezogene GKV-Leistungsdaten und warnt vor unangemessenen Verschreibungen. Primärer kombinierter Endpunkt waren Gesamtmortalität und Gesamtkrankenhauseinweisung. Sekundäre Endpunkte waren Sterblichkeit, Krankenhausaufenthalte und Hochrisikoverordnungen. Wir analysierten die vierteljährlichen GKV-Leistungsdaten der Intention-to-treat-Population mit einem gemischten logistischen Modell, das Clustering und wiederholte Messungen berücksichtigte. Sensitivitätsanalysen berücksichtigten unter anderem Pandemieeffekte.
Ergebnisse: Insgesamt wurden 688 Praxen mit 42 700 Patientinnen und Patienten in 391 994 Quartalen randomisiert. Es zeigte sich keine signifikante Reduzierung des primären Endpunkts (Odds Ratio [OR] 1,00; 95-%-Konfidenzintervall: [0,95; 1,04]; p = 0,8716) oder der sekundären Endpunkte (Krankenhausaufenthalte: OR 1,00 [0,95; 1,05]; Sterblichkeit: OR 1,04 [0,92; 1,17]; Hochrisikoverordnungen: OR 0,98 [0,92; 1,04]).
Schlussfolgerung: In den geplanten Analysen hatte die Intervention keine signifikanten Effekte. Pandemieadjustierte Analysen liefern Hinweise darauf, dass Medikationsüberprüfungen mittels CDSS die Sterblichkeit bei erwachsenen Patientinnen und Patienten mit Multimedikation potenziell senken könnten. Kontrollierte Studien mit angemessener Nachbeobachtung sind erforderlich, um CDSS-Effekte auf die Sterblichkeit bei Multimedikation zu belegen.
Medikationsfehler sind für etwa 30–50 % aller medizinischen Fehler verantwortlich (1, 2, 3). Etwa 7 % der Krankenhauseinweisungen sind auf unerwünschte Arzneimittelwirkungen (UAW) zurückzuführen, von denen 2 % tödlich und 30–70 % vermeidbar sind (4, 5, 6). Multimedikation, in der Regel definiert als gleichzeitige Einnahme von fünf oder mehr Arzneimitteln (7), betrifft mehr als ein Drittel aller Erwachsenen (8) und ist mit negativen gesundheitlichen Folgen, einer geringen Arzneimitteltherapiesicherheit und einer ungünstigen Inanspruchnahme des Gesundheitswesens assoziiert, was sich in einer höheren Zahl von Krankenhaus(wieder)einweisungen, Notfallaufnahmen und Pflegeheimunterbringungen niederschlägt (1).
Klinische Entscheidungsunterstützungssysteme (Clinical Decision Support Systems, CDSS) können die Verschreibungsqualität und die Patientensicherheit verbessern, indem Medikationsfehler, UAW und die Verschreibung potenziell inadäquater Medikamente (PIM) vermieden werden (9, 10, 11). Darüber hinaus können sie Hausärztinnen und Hausärzte bei der Durchführung von Nutzen-Risiko-Abwägungen im Zusammenhang mit der Arzneimitteltherapie unterstützen (12, 13).
Obwohl CDSS Prozessparameter verbessern und die Arzneimitteltherapiesicherheit erhöhen (14), sind patientenrelevante Ergebnisse uneinheitlich: Bisher konnte keine randomisierte Studie Effekte von CDSS auf Mortalität oder Krankenhauseinweisungen nachweisen, häufig aufgrund fehlender statistischer Aussagekraft (14).
Ziel der AdAM-Studie (Anwendung von digital unterstütztem Arzneimitteltherapie- und Versorgungsmanagement) war es daher, in einer clusterrandomisierten kontrollierten Studie zu untersuchen, ob die Anwendung eines nutzerinitiierten CDSS durch Hausärztinnen und Hausärzte Krankenhauseinweisungen und Mortalität bei Erwachsenen mit Multimedikation reduziert.
Methode
Im AdAM-Projekt wurde primär untersucht, ob eine CDSS-gestützte Medikationsüberprüfung in Hausarztpraxen in Westfalen-Lippe zu einer Reduktion von Gesamtkrankenhauseinweisungen und/oder der Gesamtmortalität bei Erwachsenen mit Multimedikation (mindestens fünf Arzneimittel) führt. Sekundär wurde evaluiert, ob die Intervention
- die Gesamtmortalität reduziert,
- die Gesamtkrankenhauseinweisungen vermindert und
- die Verschreibungsqualität und Arzneimitteltherapiesicherheit verbessert.
Eine detaillierte Beschreibung der Methodik findet sich im eMethodenteil sowie in zahlreichen Tabellen im eSupplement. Die Studie wurde bei ClinicalTrials.gov (NCT03430336) registriert, durch den Innovationsfonds (01NVF16006) des Gemeinsamen Bundesausschusses gefördert und von der Ethikkommission der Ärztekammer Nordrhein positiv votiert (Nr. 2017184, 24.07.2017).
Beschreibung der Intervention
AdAM ist eine multifaktorielle Intervention zur Unterstützung von Hausärztinnen und -ärzten bei nutzerinitiierten jährlichen CDSS-gestützten Medikationsüberprüfungen. Dazu griffen Hausärztinnen und -ärzte über ein sicheres webbasiertes Portal (KV-SafeNet) auf das nicht mit dem Praxisverwaltungssystem verbundene CDSS zu, das der Nutzer Informationen auf Praxisebene und – nach informierter Einwilligung – auf Patientenebene zur Verfügung stellte. Das CDSS enthält Diagnose- und Behandlungsdaten zu medikamentösen und nicht-pharmakologischen Behandlungen auf Basis von Leistungsdaten der Barmer-Krankenkasse (Barmer). Es unterstützt ein patientenübergreifendes Risikomanagement auf Praxisebene (für Patientinnen und Patienten, die Medikamente aus Rote-Hand-Briefen erhalten) sowie patientenindividuelle Medikationsüberprüfungen. Für die Medikationsüberprüfung griffen die Ärztinnen und Ärzte auf die im CDSS bereitgestellten Informationen der eingeschriebenen Patientinnen und Patienten zu, aktualisierten und ergänzten diese um Informationen, die (noch) nicht in den Leistungsdaten der Barmer vorhanden waren (Neuverordnungen, Dosierungen, Körpergewicht, Laborwerte). Als Ergebnis der Prüfung zeigte das CDSS Warnmeldungen an (beispielsweise zu Arzneimittelwechselwirkungen, Gegenanzeigen, Dosierfehlern und Doppelverordnungen). Die Medikation konnte von der Ärztin/vom Arzt optimiert und für Patientinnen und Patienten im Format des bundeseinheitlichen Medikationsplans mit mehrsprachigen Erläuterungen zur Arzneimitteltherapie ausgedruckt werden. Eingeschriebene Patientinnen und Patienten konnten beliebig oft im CDSS aufgerufen werden, eine mindestens jährliche Medikationsüberprüfung wurde pro Patientin/Patient mit 85 Euro vergütet. Vor Beginn der Intervention konnten die Ärztinnen und Ärzte an Präsenzveranstaltungen und Online-Schulungen zur Multimedikation und zur technischen Nutzung des CDSS teilnehmen. Eine a priori geplante Prozessevaluation untersuchte das Nutzerverhalten und die Implementierung der Intervention (15, 16).
Studiendesign
Die Studie war ursprünglich als clusterrandomisierte kontrollierte Studie im Parallelgruppendesign (Parallel-c-RCT) konzipiert. Praxen der Interventionsgruppe behandelten ihre Patientinnen und Patienten mit dem neuen digital unterstützten Medikationsmanagement, in den Kontrollpraxen erfolgte die Regelversorgung. Aufgrund niedriger Rekrutierungsraten von Hausärztinnen und -ärzten sowie Patientinnen und Patienten – insbesondere durch die Grippewelle und Corona-Pandemie – wurden Simulationsrechnungen durchgeführt. Um eine Power (Teststärke) von 80 % zu erreichen, wurde auf ein Stepped-Wedge-Design (SWD) umgestellt. Dabei wechselten alle Praxen der Kontrollgruppe nach fünf Quartalen in die Interventionsphase. Insgesamt wurde der Beobachtungszeitraum um die Daten vor Randomisierung und nach Ende des Parallel-c-RCT erweitert (eGrafik).
Studienkollektiv
Hausärztliche Praxen in Westfalen-Lippe wurden in den regionalen Medien über die Studie informiert, von der Kassenärztlichen Vereinigung Westfalen-Lippe (KVWL) angeschrieben und zur Teilnahme eingeladen. Zusätzlich versandte die Barmer Informationsflyer an ihre Versicherten in der Region. Teilnahmebereite Hausarztpraxen mit
- Gesundheitsleistungen für bei der Barmer versicherte Patientinnen und Patienten
- Ärztinnen und Ärzten für Allgemeinmedizin, Innere Medizin oder ohne Fachgebietsbezeichnung
- mindestens zehn potenziell einschlussfähigen Patientinnen oder Patienten („Potenzialpatientinnen und -patienten“)
- Zugang zur KVWL-Website über eine gesicherte Verbindung und
- Einverständnis der Ärztinnen und Ärzte zur Erfüllung der sich aus der Studie ergebenden vertraglichen Verpflichtungen
wurden in die Studie aufgenommen und in Interventions- oder Kontrollgruppe randomisiert.
Potenzialpatientinnen bzw -patienten sind erwachsene bei der Barmer versicherte Patientinnen und Patienten der teilnehmenden Hausarztpraxen mit mindestens fünf verschiedenen Arzneimittelverordnungen (definiert als Anzahl der ATC-Codes) über mindestens zwei Quartale. Sie wurden im Beobachtungszeitraum über die Barmer-Leistungsdaten identifiziert. In die Analyse wurden alle Potenzialpatientinnen und -patienten der Kontroll- und Interventionspraxen eingeschlossen, deren Hausärztin/Hausarzt an der Studie teilnahm, wenn ein Kontakt in der Beobachtungsphase stattfand. Die Patientinnen und Patienten wurden ab dem Quartal, in dem sie die Zugangskriterien erfüllten, unabhängig von der Einwilligung (Sekundärdatenanalyse) in die Analysekohorte des entsprechenden Zeitraums aufgenommen (offene Kohorte). Hausärztliche Praxen und ihre Potenzialpatientinnen und -patienten wurden von der Hauptanalyse ausgeschlossen, wenn keine Patientin/kein Patient während des Interventionszeitraums teilnahm (inaktive Praxen), da dies auf verschiedene organisatorische Gründe zurückzuführen ist (17).
Primärer Endpunkt und sekundäre Endpunkte
Der primäre kombinierte dichotome Endpunkt bestand aus Mortalität und Krankenhauseinweisung (was zuerst eintrat). Die wichtigsten sekundären Endpunkte waren Mortalität, Krankenhauseinweisungen und ein kombinierter dichotomer Endpunkt, der 19 Hochrisikoverordnungen für gastrointestinale Blutungen, kardiovaskuläre Risiken und Stürze repräsentierte (eSupplement-Tabelle 2). Die Endpunkte wurden quartalsweise auf Patientenebene für 14 Quartale (01.10.2017 bis 31.03.2021) gemessen. Die Informationen zu den teilnahmeberechtigten Patientinnen und Patienten wurden pseudonymisiert aus Leistungsdaten der Barmer entnommen.
Statistische Auswertung
Die Auswertung erfolgte nach dem Intention-to-treat-Prinzip (modifizierte ITT wegen Ausschluss inaktiver Praxen) anhand der Barmer-Leistungsdaten (Sekundärdatenanalyse) mittels eines gemischten logistischen Modells.
Drei Sensitivitätsanalysen wurden durchgeführt:
- eine Analyse des ursprünglich geplanten Parallelgruppenvergleichs (Parallel-c-RCT ohne inaktive Praxen), das heißt die Praxen und ihre Patientinnen und Patienten wurden ab Randomisierung fünf Quartale lang beobachtet,
- eine Analyse, die nur die Quartale vor dem ersten COVID-19-bedingten Lockdown (bis 31.03.2020) einschloss (als die Routineversorgung in Krankenhäusern und Allgemeinpraxen eingeschränkt wurde) und
- eine Analyse, die die Daten aller randomisierten Praxen (einschließlich der inaktiven Praxen) einschloss, aber ebenfalls nur die Quartale vor der COVID-19-Pandemie berücksichtigte.
Zusätzlich wurde für die Sensitivitätsanalyse 1 in dem sekundären Endpunkt Gesamtmortalität eine Cox-Regressionsanalyse mit robuster Varianzschätzung unter Berücksichtigung von Clustereffekten durchgeführt (ursprünglich nicht geplant).
In einer Dosis-Wirkungs-Analyse wurde mithilfe eines gemischten Poisson-Modells auf Clusterebene berechnet, ob ein höherer Anteil von Personen, die mit CDSS behandelt werden, zu einem größeren Interventionseffekt der Praxis führt.
Ergebnisse
Von Juni 2017 bis Juli 2019 wurden 1 348 Praxen (Identifikation per Hauptbetriebsstättennummer) in Westfalen-Lippe zur Teilnahme an AdAM eingeladen; davon wurden 688 Praxen randomisiert (Intervention/Kontrolle: 343/345). Es erklärten sich 937 Hausärztinnen und -ärzte zur Studienteilnahme bereit, wobei vier Studienärztinnen und -ärzte keine Potenzialpatientinnen oder -patienten hatten. Da der Zugang zur Software an die Hausärztin/den Hausarzt gebunden war, konnten mehrere Ärztinnen oder Ärzte pro Betriebsstätte an der Studie teilnehmen, ebenso konnte das ärztliche Personal während der Studie die Betriebsstätte wechseln oder in mehreren (Haupt-/Neben-)Betriebsstätten tätig sein. Dadurch erhöhte sich die Gesamtzahl der Cluster (Praxen) in den Intention-to-treat-Analysen auf 746 Praxen (Grafik 1).
In die Intention-to-treat-Analysen gingen die Daten von 42 700 Patientinnen und Patienten ein. Davon wurden 23 582 sowohl im Kontrollzeitraum als auch im Interventionszeitraum beobachtet (blaue beziehungsweise orange Felder in der eGrafik). Für 6 181 Patientinnen und Patienten lagen Daten nur für den Kontrollzeitraum vor, für 12 937 nur für den Interventionszeitraum. Insgesamt wurden im Zeitraum 01.10.2017 bis 31.03.2021 391 994 Patienten-Quartale beobachtet (eGrafik).
Von den 746 analysierten Praxen waren 411 (55 %) aktive Praxen, der Median (IQR) der eingeschriebenen Patientinnen und Patienten betrug 18 (8 bis 33), entsprechend einer medianen (Interquartilsabstand – IQR) Einschreibungsrate von 35,8 % (14,8 bis 53,6 %) der Potenzialpatientinnen und -patienten. Eingeschriebene Patientinnen und Patienten waren im Schnitt etwas älter, weniger pflegebedürftig und nahmnen etwas mehr verordnete Arzneimittel (eSupplement-Tabelle 25).
Charakteristika zu Baseline
Zur Basisuntersuchung zeigten sich keine wesentlichen Unterschiede zwischen beiden Gruppen (Tabelle 1).
Primärer Endpunkt
Für den kombinierten Endpunkt wurde in der Hauptanalyse kein signifikanter Rückgang in den Interventionszeiträumen beobachtet (Odds Ratio [OR] 1,00; 95-%-Konfidenzintervall: [0,95; 1,04]; p = 0,872; violetter Kreis in Grafik 2). Die Sensitivitätsanalyse 1 im Zeitraum der Parallel-c-RCT, bei der jedes Cluster entweder eine Kontrollpraxis oder eine Interventionspraxis darstellte, führte zu ähnlichen Ergebnissen (OR 0,99 [0,93; 1,06]; p = 0,852; blaues Quadrat in Grafik 2).
Mit Beginn der COVID-19-Pandemie wurde ein deutlicher Rückgang der Krankenhauseinweisungen und damit des kombinierten primären Endpunkts beobachtet. Vor Beginn der Pandemie trat in 16,6 % (18 599 von 111 811) der Interventions-Quartale ein Ereignis beim primären Endpunkt auf, verglichen mit 17,3 % (21 993 von 126 886) in den Kontrollzeiträumen. Dies hatte Auswirkungen auf die Analysen unter Ausschluss der COVID-Quartale: Die Effektschätzer für das OR fielen sowohl in Sensitivitätsanalyse 2 (OR 0,97 [0,92; 1,02]; p = 0,237; grüner Kreis in Grafik 2) als auch in Sensitivitätsanalyse 3 (OR 0,97 [0,93; 1,01]; p = 0,138; roter Kreis in Grafik 2) für die prä-pandemischen Quartale zugunsten der Intervention größer aus.
Sekundäre Endpunkte
Bei den wichtigsten sekundären Endpunkten führte die Intervention in der Hauptanalyse zu keiner Reduktion (Krankenhauseinweisungen: OR 1,00 [0,95; 1,05]; Sterblichkeit: OR 1,04 [0,92; 1,17]; Hochrisikoverordnungen: OR 0,98 [0,92; 1,04]; violette Kreise in Grafik 2 und Tabelle 2). Die Sensitivitätsanalyse 1 im Parallel-c-RCT-Zeitraum führte zu ähnlichen Ergebnissen (Krankenhauseinweisungen: OR 1,00 [0,94; 1,06]; Sterblichkeit: OR 0,93 [0,8; 1,07]; Hochrisikoverordnungen: OR 0,98 [0,89; 1,08]; blaue Quadrate in Grafik 2).
Die Post-hoc-Analyse des Cox-Modells ergab eine geringere Sterbenswahrscheinlichkeit für die Intervention (Hazard Ratio [HR] 0,89 [0,787; 0,997]; p = 0,0451; Grafik 3).
Die Dosis-Wirkungs-Analyse zeigte, dass die Behandlung von mehr Patientinnen und Patienten pro Praxis mit der neuen Versorgungsform mit einer stärkeren Senkung der Ereignisrate verbunden war (relatives Risiko 0,95 [0,90; 0,99]; p = 0,0182; dies entspricht den Annahmen zur Effektgröße bei Planung der Studie).
Diskussion
Insgesamt ergaben die geplanten Analysen keinen signifikanten Effekt der Intervention auf den kombinierten primären Endpunkt und die wichtigsten sekundären Endpunkte. Aufgrund der unzureichenden Praxen- und Patientenrekrutierung sowie der hohen Rate inaktiver Praxen (45 %) wurden umfangreiche Simulationen durchgeführt, die einen starken Powerverlust des Ursprungsstudiendesigns zeigten. Durch die Umstellung des Studiendesigns zu einem SWD und der damit verbundenen Verlängerung des Beobachtungszeitraums sowie durch eine Auswertungsstrategie mithilfe gemischter logistischer Regression mit wiederholten Messungen (GLMM) konnte in den Simulationen die erforderliche 80-prozentige Power sichergestellt werden. Daher wurde die a priori geplante GLMM für die Analyse aller Endpunkte verwendet (18).
Die COVID-19-Pandemie hatte erhebliche Auswirkungen auf die Studie, ihre Endpunkte und Analysen, da in dieser Zeit die Versorgung chronisch kranker Patientinnen und Patienten eingeschränkt war, diese seltener ins Krankenhaus eingewiesen wurden (19, 20) und das SWD empfindlich auf Zeiteffekte reagiert (21, 22, 23). Das für Zeiteffekte unempfindliche Parallel-c-RCT-Design wurde daher als geplante Sensitivitätsanalyse für den primären Endpunkt und die wichtigsten sekundären Endpunkte herangezogen. Als weitere Sensitivitätsanalyse wurde eine ungeplante Cox-Modell-Analyse durchgeführt, da diese unverzerrte Schätzungen der Mortalität in einem für Zeiteffekte unempfindlichen Parallelgruppendesign liefert. Die Cox-Modell-Analyse ergab, dass die Mortalität im Interventionszeitraum um 10 % sank. Die Effektschätzer weiterer Sensitivitätsanalysen, die nur die präpandemischen Quartale berücksichtigten, wiesen in die gleiche Richtung (19, 20, 21, 22, 23). In Praxen mit überdurchschnittlichem Patienteneinschluss zeigte sich ein höherer Interventionseffekt (Dosis-Wirkungs-Analyse), was darauf hindeutet, dass die pandemiebedingt geringe Patientenrekrutierung einen stärkeren Effekt auf den primären Endpunkt verhinderte. Ein weiterer Effekt der Pandemie war, dass viele der ursprünglichen Kontrollpraxen nach dem Wechsel keine Intervention durchführten (inaktive Praxen), was insbesondere wiederum die Power in der Hauptanalyse verringerte.
Wir halten dies für die erste prospektive, randomisierte kontrollierte Studie, die Grund zu der Annahme gibt, dass eine CDSS-gestützte Medikationsüberprüfung bei erwachsenen Patientinnen und Patienten mit Multimedikation in der Primärversorgung Todesfälle verhindern könnte. Eine kürzlich veröffentlichte nicht randomisierte retrospektive Studie zeigte, dass ein kooperatives Medikationsmanagement durch Ärztinnen und Ärzte sowie Apothekerinnen und Apotheker die Sterblichkeit von Patientinnen und Patienten mit Multimedikation signifikant senkte (24). Weiterhin ergab eine Metaanalyse eine relative Sterblichkeitsreduktion von 26 % (entsprechend einer absoluten Reduktion von 1,4 %) in einer älteren Population mit Multimedikation, die eine umfassende Medikationsüberprüfung erhielt (25). Eine systematische Übersichtsarbeit über eine größere Anzahl von Studien zeigte jedoch keine Mortalitätsreduktion (26). In Übereinstimmung mit früheren Studien zur Multimedikation hatte unsere Intervention keinen Einfluss auf Hospitalisierungen (26, 27, 28, 29). Im Gegensatz zu unserer Studie zeigten Dreischulte et al. einen Rückgang der Krankenhauseinweisungen nach einer Hochrisikoverordnung, gegen die gezielt interveniert wurde (30). Interventionen zur Reduktion von PIM-Verordnungen führten häufiger zu einer Verbesserung der Versorgungsprozesse (14, 26, 27, 28), deren Relevanz für patientenrelevante Endpunkte jedoch unsicher ist, da PIM nicht die Hauptursache für medikationsbedingte Hospitalisierungen sind (31).
Das Cluster-Design der AdAM-Studie und die ausschließliche Nutzung von Krankenkassendaten haben den Vorteil, dass die entsprechenden Daten lückenlos vorliegen und ein Measurement-Bias größtenteils vermieden wird (26, 32).
Die AdAM-Studie wies eine Reihe von Limitationen auf, insbesondere Fallzahllimitationen, die den Designwechsel zum SWD erforderlich machten, und ungünstige Zeiteffekte der Pandemie (21, 22, 23). Zeiteffekte entstehen dadurch, dass im SWD die Beobachtungen der Kontrollphasen früher im Studienverlauf stattfinden als die der Interventionsphasen. Die pandemiebedingte Reduktion der Hospitalisierungen fand vor allem in der Interventionsphase statt. Eine weitere zeiteffektbedingte Einschränkung bestand in der Adjustierung für Kovariaten, wie die Progression der Krankheitslast und die Alterung. Durch die quartalsweise Anpassung des Prognoseindexes des medikationsbezogenen Chronic Disease Scores (med-CDS) und der Pflegegrade in den Analysen wurde eine mögliche Verbesserung infolge der Intervention abgeschwächt. Zudem könnte unsere Effektgröße unterschätzt worden sein, da erstens die Auswahlkriterien den Einschluss von Niedrigrisikopatientinnen und -patienten begünstigten (niedrige Prävalenzen der Verschreibung von PIM, der anticholinergen Belastung, niedriger med-CDS-Score, eSupplement-Tabelle 12), die nicht oder nicht signifikant von der Intervention profitieren können (33). Zweitens wurde der Nutzen der Intervention möglicherweise nicht ausgeschöpft: unvollständige Lernkurven aufgrund geringer Patientenzahlen in den Clustern, gegebenenfalls unvollständige Dateneingaben zur Medikationsprüfung aufgrund technischer Barrieren und fehlender Integration des CDSS in die Praxisverwaltungssysteme, zeitliche Einschränkungen seitens des ärztlichen Personals durch das Pandemiemanagement sowie mangelnde Schulung (16).
Obwohl die AdAM-Intervention in den geplanten Analysen keine signifikanten Effekte zeigte, gibt es Hinweise darauf, dass CDSS-gestützte Medikationsüberprüfungen und Therapieplanung die Sterblichkeit bei erwachsenen Patientinnen und Patienten mit Multimedikation in der hausärztlichen Versorgung potenziell senken könnten, da die Effektschätzer aller vor der COVID-19-Pandemie durchgeführten Sensitivitätsanalysen diese Hypothese unterstützen. Zusammen mit anderen Studien, in denen die Qualität der Verschreibung und die Patientensicherheit verbessert wurden, rechtfertigen diese Ergebnisse eine regelmäßige CDSS-unterstützte Medikationsüberprüfung. Weitere Studien sind nötig, um die Implementierung zu verbessern, CDSS in die Arbeitsabläufe zu integrieren (34) und die Schulung in der Anwendung von CDSS und in der Optimierung der Medikation zu intensivieren (35, 36, 37, 38).
Zusammenfassend konnte unsere Studie in den geplanten Analysen keine signifikanten Effekte auf den primären Endpunkt und die wichtigsten sekundären Endpunkte zeigen. Aufgrund von Pandemie und Rekrutierungsschwierigkeiten wurden ungeplante Analysen durchgeführt, die Hinweise auf eine mögliche Mortalitätsreduktion in der Interventionsgruppe lieferten. Zum Nachweis eines Mortalitätsbenefits sind Studien mit kontrolliertem Design, geeigneter Nachbeobachtungszeit und verbesserter Implementierungsstrategie erforderlich.
Danksagung
Diese Arbeit entstand in enger Kooperation der gesamten AdAM-Studiengruppe. Dieser gehören neben den beteiligten Autorinnen und Autoren an: Lara Düvel, Till Beckmann (Barmer, Wuppertal); Reinhard Hammerschmidt, Julia Jachmich, Eva Leicher, Benjamin Brandt, Johanna Richard, Frank Meyer, Dr. Mathias Flume, Thomas Müller (Kassenärztliche Vereinigung Westfalen-Lippe, Dortmund); Prof. Dr. Ferdinand M. Gerlach, Dr. Beate S. Müller, Dr. Benno Flaig, Dr. Ana Isabel González-González, Truc S. Dinh, Kiran Chapidi (Institut für Allgemeinmedizin, Goethe-Universität, Frankfurt am Main); Ingo Meyer (PMV forschungsgruppe, Universitätsklinikum Köln); Prof. Dr. Hans J. Trampisch, Renate Klaaßen-Mielke (Abteilung für Medizinische Informatik, Biometrie und Epidemiologie, Ruhr-Universität, Bochum); Prof. Dr. Holger Pfaff, Prof. Dr. Ute Karbach (Institut für Medizinsoziologie, Versorgungsforschung und Rehabilitationswissenschaft, Universität zu Köln); Karolina Beifuß, Sarah Meyer (Lehrstuhl für Versorgungsforschung und Gesundheitsökonomische Evaluation, Bergische Universität, Wuppertal); Simone Grandt (RpDoc Solutions GmbH, Saarbrücken).
Affiliationen der weiteren Autorinnen und Autoren
Interessenkonflikt
Aus dem Innovationsfonds des G-BA (Förderkennzeichen 01NVF16006) erfolgten Zahlungen an die Institutionen der Autorinnen/Autoren (abweichend für CM: an die Goethe-Universität Frankfurt, Institut für Allgemeinmedizin; abweichend für DG: an die Deutsche Gesellschaft für Innere Medizin e. V.); SH, PG und RP haben keine Gelder aus dem Innovationsfonds erhalten.
RB ist Delegierter der Landesapothekerkammer Hessen und Mitglied im Leitenden Ausschuss des Versorgunsgwerks der Landesapothekerkammer Hessen.
DG ist seit 2016 Autor des jährlich erscheinenden Arzneimittelreports der Barmer und erstellt Analysen zu Defiziten und zu Strategien zur Optimierung der AMTS von Versicherten der Barmer; er ist Mitglied im wissenschaftlichen Beirat der RpDoc Solutions GmbH (Technologiepartner des Projektes) und Leiter der Kommission AMTH & AMTS der DGIM e. V.; seine Ehefrau ist geschäftsführende Gesellschafterin der RpDoc Solutions GmbH.
CM ist Herausgeberin und Mitautorin des Buches „Praxishandbuch Multimorbidität“ (Elsevier). Sie hat für die folgenden Projekte an der Goethe-Universität aus dem Innovationsfonds Gelder erhalten: Projekt EVITA, Fkz 01VSF16034, Projekt PROPERmed, Fkz 01VSF16018, Leitlinie Multimedikation, Fkz 01VSF22012. Für das Projekt PARTNER, Fkz 01VSF21038, an der Universität Bielefeld hat sie ebenfalls Gelder aus dem Innovationsfonds erhalten.
SH, PG und RP erklären, dass kein Interessenkonflikt besteht.
Manuskriptdaten
eingereicht: 12.07.2023, revidierte Fassung angenommen: 11.01.2024
Anschrift des korrespondierenden Verfassers
Dr. rer. med. Robin Brünn
Universitätsklinikum Frankfurt, Apotheke
Theodor-Stern-Kai 7
60590 Frankfurt am Main
Zitierweise
Brünn R, Basten J, Lemke D, Piotrowski A, Söling S, Surmann B, Greiner W, Grandt D, Kellermann-Mühlhoff P, Harder S, Glasziou P, Perera R, Köberlein-Neu J, Ihle P, van den Akker M, Timmesfeld N, Muth C, on behalf of the AdAM study group: Digital medication management in polypharmacy—findings of a cluster-randomized, controlled trial with a stepped-wedge design in primary care practices (AdAM). Dtsch Arztebl Int 2024; 121: 243–50. DOI: 10.3238/arztebl.m2024.0007
nursing-home residents—findings of a pragmatic, cluster-randomized, controlled intervention trial in 44 nursing homes. Dtsch Arztebl Int 2021; 118: 705–12 CrossRef
2 Die beiden Autorinnen teilen sich die Letztautorenschaft.
Institut für Allgemeinmedizin, Goethe-Universität Frankfurt am Main; Universitätsklinikum Frankfurt, Apotheke: Dr. rer. med. Robin Brünn
Abteilung für Medizinische Informatik, Biometrie und Epidemiologie, Ruhr-Universität Bochum: Jale Basten
Abteilung für Medizinische Informatik, Biometrie und Epidemiologie, Ruhr-Universität Bochum: Prof. Dr. Nina Timmesfeld
Institut für Allgemeinmedizin, Goethe-Universität Frankfurt am Main; AG Allgemein- und Familienmedizin, Medizinische Fakultät OWL, Universität Bielefeld: Prof. Dr. med. Christiane Muth
Die Affiliationen der übrigen an dieser Publikation beteiligten Autorinnen und Autoren sind am Ende des Beitrags aufgeführt.
Institut für Allgemeinmedizin, Goethe-Universität Frankfurt am Main: Dr. rer. med. Dorothea Lemke
Bergisches Kompetenzzentrum für Gesundheitsökonomik und Versorgungsforschung, Bergische Universität Wuppertal: Prof. Dr. rer. medic. Juliane
Köberlein-Neu, Sara Söling
Lehrstuhl für Allgemeinmedizin II und Patientenorientierung in der Primärversorgung, Institut für Allgemeinmedizin und Ambulante Gesundheitsversorgung (iamag), Universität Witten/Herdecke: Alexandra Piotrowski
Arbeitsgruppe für Gesundheitsökonomie und Gesundheitsmanagement, Fakultät für Gesundheitswissenschaften, Universität Bielefeld: Bastian Surmann, Prof. Dr. rer. pol. Wolfgang Greiner
Vorsitzender der Kommission Arzneimitteltherapie-Management und Arzneimitteltherapiesicherheit, Deutsche Gesellschaft für Innere Medizin e. V. (DGIM): Prof. Dr. med. Daniel Grandt
Barmer, Wuppertal: Petra Kellermann-Mühlhoff
Institut für Klinische Pharmakologie, Universitätsklinikum und Fachbereich Medizin, Goethe-Universität Frankfurt am Main: Sebastian Harder
Institute for Evidence-Based Healthcare, Faculty of Health Sciences &
Medicine, Bond University, Gold Coast, Queensland, 4229, Australia: Paul Glasziou
Nuffield Department of Primary Care Health Sciences, University of Oxford, UK: Rafael Perera
PMV forschungsgruppe an der Medizinischen Fakultät und Uniklinik Köln, Universität zu Köln: Dr. med. Peter Ihle
Institut für Allgemeinmedizin, Goethe-Universität Frankfurt am Main; Department of Family Medicine, Care and Public Health Research Institute, Maastricht University; Department of Public Health and Primary Care, Academic Centre of General Practice, KU Leuven: Prof. Dr. Marjan van den Akker
1. | Davies LE, Spiers G, Kingston A, Todd A, Adamson J, Hanratty B: Adverse outcomes of polypharmacy in older people: systematic review of reviews. J Am Med Dir Assoc 2020; 21: 181–7 CrossRef MEDLINE |
2. | Landrigan CP, Parry GJ, Bones CB, Hackbarth AD, Goldmann DA, Sharek PJ: Temporal trends in rates of patient harm resulting from medical care. N Engl J Med 2010; 363: 2124–34 CrossRef MEDLINE |
3. | Meyer-Massetti C, Meier CR, Guglielmo BJ: The scope of drug-related problems in the home care setting. Int J Clin Pharm 2018; 40: 325–34 CrossRef MEDLINE |
4. | Davies EC, Green CF, Taylor S, Williamson PR, Mottram DR, Pirmohamed M: Adverse drug reactions in hospital in-patients: a prospective analysis of 3695 patient-episodes. PLoS One 2009; 4: e4439 CrossRef MEDLINE PubMed Central |
5. | Pirmohamed M, James S, Meakin S, et al.: Adverse drug reactions as cause of admission to hospital: prospective analysis of 18 820 patients. BMJ 2004; 329: 15–9 CrossRef CrossRef MEDLINE PubMed Central |
6. | Schneeweiss S, Hasford J, Göttler M, Hoffmann A, Riethling AK, Avorn J: Admissions caused by adverse drug events to internal medicine and emergency departments in hospitals: a longitudinal population-based study. Eur J Clin Pharmacol 2002; 58: 285–91 CrossRef MEDLINE |
7. | Masnoon N, Shakib S, Kalisch-Ellett L, Caughey GE: What is polypharmacy? A systematic review of definitions. BMC Geriatr 2017; 17: 230 CrossRef MEDLINE PubMed Central |
8. | Delara M, Murray L, Jafari B, et al.: Prevalence and factors associated with polypharmacy: a systematic review and meta-analysis. BMC Geriatr 2022; 22: 601 CrossRef CrossRef MEDLINE PubMed Central |
9. | Clyne B, Bradley MC, Hughes C, Fahey T, Lapane KL: Electronic prescribing and other forms of technology to reduce inappropriate medication use and polypharmacy in older people: a review of current evidence. Clin Geriatr Med 2012; 28: 301–22 CrossRef MEDLINE |
10. | Lainer M, Mann E, Sönnichsen A: Information technology interventions to improve medication safety in primary care: a systematic review. Int J Qual Health Care 2013; 25: 590–8 CrossRef MEDLINE |
11. | Vélez-Díaz-Pallarés M, Pérez-Menéndez-Conde C, Bermejo-Vicedo T: Systematic review of computerized prescriber order entry and clinical decision support. Am J Health Syst Pharm 2018; 75: 1909–21 CrossRef MEDLINE |
12. | Avery AJ, Rodgers S, Cantrill JA, et al.: A pharmacist-led information technology intervention for medication errors (PINCER): a multicentre, cluster randomised, controlled trial and cost-effectiveness analysis. Lancet 2012; 379: 1310–9 CrossRef MEDLINE |
13. | Horsky J, Aarts J, Verheul L, Seger DL, van der Sijs H, Bates DW: Clinical reasoning in the context of active decision support during medication prescribing. Int J Med Inform 2017; 97: 1–11 CrossRef MEDLINE |
14. | Anderson LJ, Schnipper JL, Nuckols TK, et al.: A systematic overview of systematic reviews evaluating interventions addressing polypharmacy. Am J Health Syst Pharm 2019; 76: 1777–87 CrossRef CrossRef |
15. | Brünn R, Lemke D, Chapidi K, et al.: Use of an electronic medication management support system in patients with polypharmacy in general practice: study protocol of a quantitative process evaluation of the AdAM trial. Ther Adv Drug Saf 2022; 13: 20420986211073215 CrossRef MEDLINE PubMed Central |
16. | Brünn R, Lemke D, Basten J, et al.: Use of an electronic medication management support system in patients with polypharmacy in eneral practice: a quantitative process evaluation of the AdAM trial. Pharmaceuticals (Basel) 2022; 15: 759 CrossRef MEDLINE PubMed Central |
17. | Committee for Medicinal Products for Human Use (CHMP)/The International Conference on Harmonization (ICH): E 9 Statistical principles for clinical trials. London 1998. |
18. | Müller BS, Klaaßen-Mielke R, Gonzalez-Gonzalez AI, et al.: Effectiveness of the application of an electronic medication management support system in patients with polypharmacy in general practice: a study protocol of cluster-randomised controlled trial (AdAM). BMJ Open 2021; 11: e048191 CrossRef MEDLINE PubMed Central |
19. | Reinstadler SJ, Reindl M, Lechner I, et al.: Effect of the COVID-19 pandemic on treatment delays in patients with ST-segment elevation myocardial infarction. J Clin Med 2020; 9: 2183 CrossRef MEDLINE PubMed Central |
20. | Statistisches Bundesamt: 13% weniger stationäre Krankenhausbehandlungen im Jahr 2020. Pressemitteilung Nr. 445 vom 22. September 2021.www.destatis.de/DE/Presse/Pressemitteilungen/2021/09/PD21_445_231.html (last accessed on 19 August 2022). |
21. | Thompson JA, Fielding KL, Davey C, Aiken AM, Hargreaves JR, Hayes RJ: Bias and inference from misspecified mixed-effect models in stepped wedge trial analysis. Statist Med 2017; 36: 3670–82 CrossRef MEDLINE PubMed Central |
22. | Nickless A, Voysey M, Geddes J, Yu LM, Fanshawe TR: Mixed effects approach to the analysis of the stepped wedge cluster randomised trial-investigating the confounding effect of time through simulation. PLoS One 2018; 13: e0208876 CrossRef MEDLINE PubMed Central |
23. | Rennert L, Heo M, Litwin AH, de Gruttola V: Accounting for confounding by time, early intervention adoption, and time-varying effect modification in the design and analysis of stepped-wedge designs: application to a proposed study design to reduce opioid-related mortality. BMC Med Res Methodol 2021; 21: 53 CrossRef MEDLINE PubMed Central |
24. | Meid AD, Wirbka L, Moecker R, et al.: 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 VOLLTEXT |
25. | 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 CrossRef MEDLINE PubMed Central |
26. | Johansson T, Abuzahra ME, Keller S, et al.: Impact of strategies to reduce polypharmacy on clinically relevant endpoints: a systematic review and meta-analysis. Br J Clin Pharmacol 2016; 82: 532–48 CrossRef MEDLINE PubMed Central |
27. | Smith SM, Wallace E, O‘Dowd T, Fortin M: Interventions for improving outcomes in patients with multimorbidity in primary care and community settings. Cochrane Database Syst Rev 2016; 3: CD006560 CrossRef |
28. | Tecklenborg S, Byrne C, Cahir C, Brown L, Bennett K: Interventions to reduce adverse drug event-related outcomes in older adults: a systematic review and meta-analysis. Drugs Aging 2020; 37: 91–8 CrossRef MEDLINE |
29. | Junius-Walker U, Krause O, Thürmann P, et al.: Drug safety for nursing-home residents—findings of a pragmatic, cluster-randomized, controlled intervention trial in 44 nursing homes. Dtsch Arztebl Int 2021; 118: 705–12 CrossRef |
30. | Dreischulte T, Donnan P, Grant A, Hapca A, McCowan C, Guthrie B: Safer prescribing—a trial of education, informatics, and financial incentives. N Engl J Med 2016; 374: 1053–64 CrossRef MEDLINE |
31. | 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 CrossRef MEDLINE |
32. | French DP, Miles LM, Elbourne D, et al.: Reducing bias in trials due to reactions to measurement: experts produced recommendations informed by evidence. J Clin Epidemiol 2021; 139: 130–9 CrossRef MEDLINE PubMed Central |
33. | Muth C, Uhlmann L, Haefeli WE, et al.: Effectiveness of a complex intervention on Prioritising Multimedication in Multimorbidity (PRIMUM) in primary care: results of a pragmatic cluster randomised controlled trial. BMJ Open 2018; 8: e017740 CrossRef MEDLINE PubMed Central |
34. | Söling S, Köberlein-Neu J, Müller BS, et al.: From sensitization to adoption? A qualitative study of the implementation of a digitally supported intervention for clinical decision making in polypharmacy. Implement Sci 2020; 15: 82 CrossRef MEDLINE PubMed Central |
35. | Leiva-Fernández F, Prados-Torres JD, Prados-Torres A, et al.: Training primary care professionals in multimorbidity management: educational assessment of the eMULTIPAP course. Mech Ageing Dev 2020; 192: 111354 CrossRef MEDLINE |
36. | Prados-Torres A, Del Cura-González I, Prados-Torres JD, et al.: MULTIPAP Study: improving healthcare for patients with multimorbidity. Br J Gen Pract 2020; 70 (suppl 1): bjgp20X711257 CrossRef MEDLINE |
37. | Mann C, Shaw ARG, Guthrie B, et al.: Can implementation failure or intervention failure explain the result of the 3D multimorbidity trial in general practice: mixed-methods process evaluation. BMJ Open 2019; 9: e031438 CrossRef MEDLINE PubMed Central |
38. | Salisbury C, Man MS, Bower P, et al.: Management of multimorbidity using a patient-centred care model: a pragmatic cluster-randomised trial of the 3D approach. Lancet 2018; 392: 41–50 CrossRef MEDLINE |
e1. | Müller BS, Klaaßen-Mielke R, Gonzalez-Gonzalez AI, et al.: Effectiveness of the application of an electronic medication management support system in patients with polypharmacy in general practice: a study protocol of cluster-randomised controlled trial (AdAM). BMJ Open 2021; 11: e048191 CrossRef MEDLINE PubMed Central |
e2. | van den Bussche H, Koller D, Kolonko T, et al.: Which chronic diseases and disease combinations are specific to multimorbidity in the elderly? Results of a claims data based cross-sectional study in Germany. BMC Public Health 2011; 11: 101 CrossRef MEDLINE PubMed Central |
e3. | Quinzler R, Freitag MH, Wiese B, et al.: A novel superior medication-based chronic disease score predicted all-cause mortality in independent geriatric cohorts. J Clin Epidemiol 2019; 105: 112–24 CrossRef MEDLINE |
e4. | Holt S, Schmiedl S, Thürmann PA: Potentially inappropriate medications in the elderly: the PRISCUS list. Dtsch Arztebl Int 2010; 107: 543–51 CrossRef MEDLINE |
e5. | Renom-Guiteras A, Meyer G, Thürmann PA: The EU(7)-PIM list: a list of potentially inappropriate medications for older people consented by experts from seven European countries. Eur J Clin Pharmacol 2015; 71: 861–75 CrossRef MEDLINE PubMed Central |
e6. | Carnahan RM, Lund BC, Perry PJ, Pollock BG, Culp KR: The anticholinergic drug scale as a measure of drug-related anticholinergic burden: associations with serum anticholinergic activity. J Clin Pharmacol 2006; 46: 1481–6 CrossRef MEDLINE |
e7. | Durán CE, Azermai M, Vander Stichele RH: Systematic review of anticholinergic risk scales in older adults. Eur J Clin Pharmacol 2013; 69: 1485–96 CrossRef MEDLINE |
e8. | Hilmer SN, Mager DE, Simonsick EM, et al.: A drug burden index to define the functional burden of medications in older people. Arch Intern Med 2007; 167: 781–7 CrossRef MEDLINE |
e9. | Vestal RE: Aging and pharmacology. Cancer 1997; 80: 1302–10 3.0.CO;2-B">CrossRef |
e10. | Koper D, Kamenski G, Flamm M, Böhmdorfer B, Sönnichsen A: Frequency of medication errors in primary care patients with polypharmacy. Fam Pract 2013; 30: 313–9 CrossRef MEDLINE |
e11. | Thompson JA, Fielding KL, Davey C, Aiken AM, Hargreaves JR, Hayes RJ: Bias and inference from misspecified mixed-effect models in stepped wedge trial analysis. Stat Med 2017; 36: 3670–82 CrossRef MEDLINE PubMed Central |
e12. | Nickless A, Voysey M, Geddes J, Yu L-M, Fanshawe TR: Mixed effects approach to the analysis of the stepped wedge cluster randomised trial—Investigating the confounding effect of time through simulation. PLoS One 2018; 13: e0208876 CrossRef MEDLINE PubMed Central |
e13. | Hussey MA, Hughes JP: Design and analysis of stepped wedge cluster randomized trials. Contemp Clin Trials 2007; 28: 182–91 CrossRef MEDLINE |
e14. | Hemming K, Haines TP, Chilton PJ, Girling AJ, Lilford RJ: The stepped wedge cluster randomised trial: rationale, design, analysis, and reporting. BMJ 2015; 350: h391 CrossRef MEDLINE |
e15. | Hemming K, Taljaard M, Forbes A: Modeling clustering and treatment effect heterogeneity in parallel and stepped-wedge cluster randomized trials. Stat Med. 2018; 37: 883–98 CrossRef MEDLINE PubMed Central |
e16. | Rudolf H, Klaaßen-Mielke R, Timmesfeld N: Terminale Endpunkte bei Cluster-randomisierten Stepped-Wedge-Designs: eine Simulationsstudie. German Medical Science GMS Publishing House 2019. |