Kodeændringer: Skaber de falske sygdomsudbrud?

I sundhedsvæsenet er data konge. Hver dag indsamles enorme mængder information om patienters helbred, fra blodprøver til lægenotater. En af de mest grundlæggende datakilder er de diagnosekoder, som læger bruger til at registrere sygdomme. Disse koder er afgørende for alt fra hospitalsregninger og kvalitetskontrol til forskning i folkesundhed. Men hvad sker der, når selve systemet til kodning ændres radikalt? En omfattende analyse af amerikanske sundhedsdata afslører, hvordan en administrativ overgang til et nyt kodesystem i oktober 2015 skabte markante og pludselige ændringer i forekomsten af mange sygdomme – ændringer, der ikke afspejlede virkelige udsving i befolkningens sundhed, men snarere var et produkt af bureaukrati og ny teknologi.

Hvad er diagnosekoder, og hvorfor er de vigtige?

Når en læge stiller en diagnose, tildeler de den en specifik alfanumerisk kode fra et internationalt klassifikationssystem. Det mest kendte er International Classification of Diseases (ICD), som vedligeholdes af Verdenssundhedsorganisationen (WHO). Disse koder sikrer, at en diagnose som "type 2-diabetes med nyrekomplikationer" forstås og registreres ensartet på tværs af hospitaler, regioner og endda lande. De bruges til:

• Fakturering og refusion: Hospitaler og klinikker bruger koderne til at få betaling fra forsikringsselskaber og offentlige instanser.
• Folkesundhedsovervågning: Myndigheder sporer udbredelsen af sygdomme som influenza, kræft og hjertesygdomme ved hjælp af disse data.
• Forskning: Forskere analyserer kodede data for at forstå sygdomsmønstre, risikofaktorer og behandlingseffektivitet.
• Kvalitetskontrol: Sygehuse kan evaluere deres behandlingsresultater for specifikke patientgrupper.

I oktober 2015 skiftede det amerikanske sundhedsvæsen fra kodesystemet ICD-9-CM til det meget mere detaljerede ICD-10-CM. Antallet af tilgængelige koder eksploderede fra omkring 14.500 til over 71.000. Denne overgang var designet til at give et mere præcist billede af patienters tilstande, men den skabte også en pludselig og dybtgående diskontinuitet i årtiers sundhedsdata.

Et dyk ned i dataene: Hvordan overgangen blev analyseret

For at forstå konsekvenserne af dette skift analyserede forskere en massiv database, IBM MarketScan, som indeholder anonymiserede sundhedsoplysninger fra millioner af amerikanere med kommerciel sundhedsforsikring. Undersøgelsen dækkede perioden fra januar 2010 til december 2017, hvilket gav et klart billede af sygdomstendenser både før og efter overgangen i oktober 2015. Hver måned blev forekomsten (prævalensen) af hundredvis af sygdomskategorier beregnet for at se, om der opstod pludselige spring eller fald, der faldt sammen med skiftet til ICD-10-CM.

Forskerne fokuserede på tre forskellige systemer, der grupperer de tusindvis af individuelle diagnosekoder i mere håndterbare kliniske kategorier:

1. WHO Kapitler: Meget brede kategorier, som f.eks. "Sygdomme i kredsløbsorganer" eller "Endokrine og metaboliske sygdomme". Anvendes primært til overordnet epidemiologisk overvågning.
2. HHS-HCC (Hierarchical Condition Categories): Et mere detaljeret system, der bruges i USA til risikojustering. Det betyder, at forsikringsselskaber modtager højere betaling for patienter med mere komplekse og dyre sygdomme.
3. AHRQ-CCS (Clinical Classification System): Et system, der ofte bruges af forskere og sundhedsplaner til at analysere kvalitet og omkostninger.

Overraskende resultater: Kunstige epidemier og pludselige helbredelser

Analysen afslørede et slående mønster. Da man kiggede på de meget brede WHO-kategorier, var der næsten ingen ændringer. Den generelle tendens for f.eks. kredsløbssygdomme fortsatte uforstyrret hen over overgangen. Dette tyder på, at befolkningens overordnede sundhedstilstand ikke ændrede sig pludseligt i oktober 2015.

Men da forskerne zoomede ind på de mere specifikke HHS-HCC og AHRQ-CCS kategorier, opstod et helt andet billede. Her var der dramatiske og statistisk signifikante spring og fald i forekomsten for hundredvis af tilstande. Disse ændringer var ikke virkelige – de var artefakter skabt af, hvordan de nye ICD-10-CM koder blev kortlagt og grupperet.

Eksempel 1: Diabetes

Før overgangen var der en stabil fordeling mellem patienter kodet med "diabetes uden komplikationer" og "diabetes med kroniske komplikationer". Præcis i oktober 2015 skete der et markant skift:

• Forekomsten af diabetes uden komplikationer faldt med 19%.
• Forekomsten af diabetes med kroniske komplikationer steg med hele 92%.

Forklaringen? ICD-10-CM introducerede nye koder, der automatisk forbinder diabetes med andre tilstande. Hvis en patient tidligere havde separate koder for "diabetes" og "hypoglykæmi" (lavt blodsukker), ville de måske blive klassificeret som ukompliceret diabetes. Med det nye system findes der en enkelt kode for "diabetes med hypoglykæmi", som automatisk placerer patienten i den mere alvorlige og dyrere kategori "diabetes med komplikationer". Det var ikke en pludselig forværring af diabetikeres helbred, men en ændring i den administrative logik.

Eksempel 2: Hjertesygdom

Et lignende fænomen blev observeret for akut hjertesygdom:

• Forekomsten af akut myokardieinfarkt (AMI), dvs. et hjerteanfald, steg med chokerende 132%.
• Samtidig faldt forekomsten af ustabil angina (hjertekramper) med 32%.

Forklaringen? Igen handlede det om omkategorisering. HHS-HCC-systemet begyndte med ICD-10-CM at inkludere en specifik type hjerteanfald (non-STEMI), som tidligere ofte blev kodet anderledes, i sin primære AMI-kategori. Resultatet var en statistisk "epidemi" af hjerteanfald, som udelukkende skyldtes en ændring i definitionen af kategorien.

Eksempel 3: Graviditet

For graviditetsrelaterede tilstande så man det modsatte mønster. Forekomsten af "afsluttet graviditet med komplikationer" faldt med 55%. Dette skyldtes, at det nye, mere detaljerede ICD-10-CM-system omstrukturerede koderne, og visse tilstande, som f.eks. underkropspræsentation (hvor barnet ligger med numsen nedad), ikke længere automatisk blev klassificeret som en "komplikation" i denne specifikke risikogruppe.

Hvorfor er dette vigtigt?

Disse "papir-epidemier" kan virke som en teknisk detalje, men de har vidtrækkende og alvorlige konsekvenser:

• Vildledende forskning: En forsker, der studerer tendenser i hjertesygdomme, og som ikke er opmærksom på denne kodningsændring, kan fejlagtigt konkludere, at der skete en dramatisk stigning i hjerteanfald i slutningen af 2015.
• Økonomiske konsekvenser: I systemer som det amerikanske, hvor betaling til forsikringsselskaber afhænger af patienternes registrerede sygdomsbyrde (HHS-HCC), kan sådanne ændringer flytte milliarder af dollars. En pludselig stigning i "komplicerede" diagnoser kan føre til højere udbetalinger, selvom patienternes reelle helbred er uændret.
• Fejl i kvalitetsvurdering: Hospitaler og læger kan blive uretfærdigt bedømt, hvis deres resultater pludselig ser værre eller bedre ud på grund af en administrativ ændring i dataindsamlingen.

Denne undersøgelse er en stærk påmindelse om, at sundhedsdata aldrig er helt objektive. De er et produkt af både patientens biologi og de administrative systemer, der bruges til at registrere den. Enhver, der arbejder med sundhedsdata – fra epidemiologer til sundhedsøkonomer og politikere – skal udvise ekstrem forsigtighed, når de fortolker tendenser over tid, især når der sker systemiske ændringer.

Ofte Stillede Spørgsmål (FAQ)

Hvad er den største forskel på ICD-9 og ICD-10?

Den primære forskel er detaljeringsgraden. ICD-10-CM har næsten fem gange så mange koder som ICD-9-CM, hvilket giver mulighed for meget mere specifik information om en patients diagnose, herunder årsag, sværhedsgrad og hvilken side af kroppen der er påvirket.

Betyder det, at befolkningens helbred slet ikke ændrede sig?

Nej, befolkningens helbred er i konstant forandring, men de pludselige, dramatiske spring, der blev observeret i oktober 2015 for specifikke kategorier, var næsten udelukkende et resultat af kodningsændringen, ikke en reel ændring i folkesundheden.

Er dette et problem, der kun findes i USA?

Studiet er baseret på amerikanske data, men princippet er universelt. Ethvert land, der foretager en større revision af sit diagnosesystem (f.eks. overgangen fra ICD-9 til ICD-10, som også er sket i Danmark og resten af verden), vil stå over for lignende udfordringer med at sammenligne data over tid.

Hvad kan man gøre for at undgå disse problemer?

Forskere og analytikere skal være opmærksomme på disse brud i datatendenser og anvende statistiske metoder til at justere for dem. Desuden skal nye modeller og betalingssystemer, der er baseret på diagnosekoder, udvikles og valideres omhyggeligt med de nye data i stedet for blot at overføre gamle metoder.

Konklusion

Overgangen til ICD-10-CM var et teknologisk fremskridt, der lovede mere præcise sundhedsdata. Men som denne analyse tydeligt viser, skabte den også betydelige forstyrrelser, der kan føre til alvorlige fejlfortolkninger af sygdomstendenser. Det understreger en afgørende lektie for den datadrevne tidsalder: Vi skal ikke kun se på, hvad dataene siger, men også forstå, hvordan de er blevet skabt. Uden denne kontekst risikerer vi at jage spøgelser i statistikken, mens de virkelige sundhedsudfordringer måske går ubemærket hen.