Drohende Frühberentung wegen Minderung der Erwerbsfähigkeit nach stationärer Rehabilitation bei Patienten mit Affektionen des Bewegungsapparates: Prognosemodellierung auf der Basis von Routinedaten der LVA Baden-Württemberg.

Abstract

Diese Arbeit fokussiert das Thema Frühberentung wegen Erwerbsminderung. Ein hoher Anteil solcher Renten führt zu einer übermäßigen finanziellen Beanspruchung der gesetzlichen Rentenversicherung und hat negative Auswirkungen auf andere Teile der Sozialversicherung sowie auf die Lohnnebenkosten. Das Ziel der Masterarbeit war die Erstellung und Validierung eines logistischen Regressionsmodells zur Prognose von Erwerbsminderung bei Rehabilitanden mit Krankheiten des Muskel-Skelett-Systems und des Bindegewebes (Gruppe M des ICD-10). Sie sind in der deutschen Rentenstatistik der zweithäufigste Grund für eine frühzeitige Berentung. Zur Modellierung der Frühberentungswahrscheinlichkeit wurden routinemäßig erhobene Daten der LVA Baden-Württemberg (jetzt Deutsche Rentenversicherung Baden Würrtemberg) und computerlinguistisch generierte Variablen aus den Fließtexten des ärztlichen Entlassberichtes verwendet. Zwei Fragen waren wegweisend: 1) Welche Variablen aus dem Daten-Pool sind aussagekräftige Prädiktoren? 2) Wie valide ist die erstellte logistische Prognoseregel? Der Aufbau, die Analyse und die Validierung des Prognosemodells wurden durch ein validiertes SAS-Makro-Paket zur logistischen Regression unterstützt, das in der Abteilung Biometrie und Medizinische Dokumentation der Universität Ulm zur Verfügung steht. Beim vorliegenden Modell kam die enhanced Bootstrap-Methode bei der Validierung zur Anwendung. Die Güte-Schätzer sind Überoptimismus korrigiert. Das vorgelegte validierte Modell enthält 15 Faktoren, die den Gesundheitszustand und die berufliche Leistungsfähigkeit am Ende der Rehabilitation beschreiben. Es zeichnet sich durch eine sehr hohe Güte aus, Rehabilitanden zu bestimmen, die wahrscheinlich mittelfristig nicht berentet werden. Eine kleinere Gruppe gefährdeter Rehabilitanden könnte intensiver und spezifischer behandelt werden; sie wäre gezielter zugänglich für Forschungsarbeiten. Die aufgewendeten Ressourcen könnten effizienter und optimierter eingesetzt werden.