Unterschiede zwischen Intensivstationen mit auffällig hohen bzw. niedrigen Infektionsraten im ITS-KISS

Abstract

Einleitung Nosokomiale Infektionen sind in Einrichtungen des Gesundheitswesens erworbene Infektionen und können die Gesundheit der Patienten bis hin zum Tod gefährden (2). Es wurde in mehreren Untersuchungen gezeigt, dass Surveillance signifikant nosokomiale Infektionen senkt (15, 22, 25, 26). Surveillance bedeutet die fortlaufende, systematische Erfassung, Analyse und Interpretation von Gesundheitsdaten (17). Das Krankenhaus-Infektions-Surveillance-System (KISS) generiert aus den Surveillance-Daten der freiwillig teilnehmenden Krankenhäusern die Referenzdaten für Deutschland. Diese Referenzdaten können als Vergleichswerte für die Bewertung von Krankenhäusern genutzt werden. Im Rahmen dieser Arbeit wurden KISS Daten von Intensivstationen (ITS) der Jahre 2005 bis einschließlich 2007 für primäre Sepsis und Infektionen der unteren Atemwege (Bronchitis und Pneumonie) ausgewertet und die durch hohe und/ oder niedrige Infektionsraten auffallenden ITS mit einem standardisierten Fragebogen näher untersucht. Ziel der Arbeit war das Aufzeigen von statistisch gesicherten Unterschieden zwischen den auffälligen ITS. Methodik Auffällige ITS (Outlier) wurden über das Funnelplot identifiziert und in Hoch- und Niedrig-Outlier eingeteilt. Für die univariate Analyse wurden das arithmetische Mittel, der Median und die anderen Quartile benutzt. Ein p-Wert kleiner als 0,10 wurde als signifikant eingestuft. Als multivariate Analysemethode wurde die multiple logistische Regression gewählt. Durch diese wurden mit schrittweiser Variablenselektion Modellgleichungen ermittelt, welche den Einfluss dichotomer Einflussgrößen auf das Outcome „hoher Outlier“ beschreiben. Als Signifikanzniveau wurde hier ein p-Wert von 0,05 gewählt. Ergebnisse Die Daten von 471 ITS wurden ausgewertet und es wurden 82 auffällige ITS identifiziert und angeschrieben. Die Rückläuferquote der Fragebögen lag zwischen 66,7 und 82,1%. Es zeigten sich signifikante Unterschiede im Antwortverhalten der unterschiedlichen Outlier. Es wurden insgesamt acht protektive Faktoren und drei Risikofaktoren identifiziert. Als protektiver Faktor für beide hohen Outlierstatus zeigte sich z.B. das Fehlen von Vertretungsregelungen bei Ausfall der Surveillance-durchführenden Person. Schlussfolgerung Mögliche Gründe für eine Outlierposition liegen einerseits in der Vorgehensweise an Patienten und Devices, die durch diese Arbeit identifiziert werden konnten. Andererseits ist die falsche oder richtige Datenerhebung ausschlaggebend an einer Outlierposition beteiligt. Somit ist die fortlaufende Schulung der teilnehmenden ITS zur korrekten Datenerhebung von Bedeutung, wenn man weiterhin eine gute Vergleichbarkeit der ITS im KISS garantieren will.

Introduction Nosocomial infections are in healthcare facilities acquired infections and are able to harm patient health even up to death (2). Many studies have shown that surveillance reduces nosocomial infections significantly (15, 22, 25, 26). Surveillance is the ongoing, systematic documentation, analysis and interpretation of health data (17). The German Krankenhaus-Infektions-Surveillance-System (KISS) generates the reference data for Germany out of the surveillance data from voluntarily participating hospitals. This data can be used to compare and evaluate hospitals. We focused on KISS data for primary sepsis and lower respiratory tract infections in intensive care units (ICU) collected from 2005 until the end of 2007. We identified ICUs with high or low infection rates (outlier) and examined those with a standardized questionnaire. Our objective was the demonstration of statistically significant differences between the ICUs . Methods Funnelplots were used to identify the outlier ICUs and to separate them into high-outlier and low-outlier. For the univariate analysis, the arithmetic mean, the median and the other quartiles were used. A p-value less than 0,10 was considered significant. As a multivariate analysis method, the multiple logistic regression was chosen. Through the multiple logistic regression with stepwise variable selection, equations were determined which describe the influence of dichotomous variables influencing the outcome "high outlier". We selected a p-value less than 0,05 here. Results The data of 471 ICUs were evaluated and 82 ICUs were identified as outlier and addressed. A response rate to the questionnaire between 66,7 and 82,1% was shown. A significant difference in some answers of the different outlier was identified. A total of eight protective factors and three risk factors have been identified. For example as a protective factor for both high outliers showed the lack of arrangements in case of absence of the person in charge of surveillancedata collecting. Conclusion This study was able to identify that reasons for having an outlierposition are based on the treatment of patient and devices and on correct or incorrect methods of data collection. Therefore the regularly training of correct data collection in the participating ICUs is important.