P. Sitta

Treatment of depressive symptoms and attitudes towards treatment options in a representative German general population sample

Objective. To estimate treatment rates, self-medication, and preferences for treatment options of depressive symptoms. Methods. A German nationwide representative sample (n=2224) was interviewed. Subjects were asked to fill in a depressive symptom checklist, as well as to answer questions about current treatments and treatment preferences. Results. A total of 16.7% was mildly, 7.5% moderately and 6.5% strongly affected by depressive symptoms; 22.7% of the total affected group were currently or previously being treated by a physician. Self-initiated treatments had been stated as effective in 54.2% of cases. The preference for phytotherapeutic treatment approaches was about 3–6-fold higher than for standard antidepressants and psychotherapies. Treatment preference and wish for treatment increased with increasing severity of symptoms with regard to treatments that had to be professionally initiated. Conclusion. Despite considerable educational efforts, the prevalence of untreated and undiagnosed depressive symptoms seems to be high. There is still little acceptance for the most efficacious therapies for depression. More efforts should be made to increase knowledge about self-administered phytotherapeutic drugs, which might play an important role in a stepped-care approach of future depression management.

Ressourcenverbrauch stationärer Episoden bei depressiven Störungen

ZusammenfassungHintergrundVon Vertretern der Krankenkassen und der Krankenhäuser werden für den stationären psychiatrischen Bereich immer wieder Fragen einer leistungsgerechten Vergütung diskutiert. Dabei ist weitgehend unklar, welche Merkmale der Kliniken und der Patienten derzeit mit den Kosten stationärer Aufenthalte korrespondieren.Material und MethodenDie Studie bezieht sich auf 1202 Episoden von Patienten mit den ICD-10-Aufnahmediagnosen F31.3–F31.5, F32, F33, F34.1, F43.20 und F43.21, die im Zeitraum vom 01.09.2001 bis 01.03.2003 in 10 Kliniken in Baden-Württemberg, Bayern und Nordrhein-Westfalen dokumentiert wurden. Mit schrittweisen multiplen Regressionsanalysen werden zunächst kostenrelevante Prädiktoren auf Patientenebene identifiziert. Mittels hierarchischer Regressionen werden auch Klinikmerkmale in die Auswertungen mit aufgenommen.Ergebnisse Durch Aufnahme- und stabile Patientenmerkmale lässt sich nur ein relativ geringer Anteil des Ressourcenverbrauchs vorhersagen, eine substanzielle Aufklärung der Kostenvarianz gelingt jedoch bei Berücksichtigung des gesamten Behandlungsprozesses. Adjustiert man für kostenprädiktive Aufnahmemerkmale, dann entstehen für eine Krankenkasse in einer universitären Einrichtung höhere Episodenkosten, bei Berücksichtigung des gesamten Behandlungsverlaufs hingegen bestehen keine überzufälligen Kostenunterschiede zwischen den Kliniken.SchlussfolgerungSogar innerhalb einer psychiatrischen Syndromgruppe lässt sich der Ressourcenverbrauch stationärer Episoden nur bei Berücksichtigung des gesamten Behandlungsverlaufs befriedigend erklären. Ebenso wie im somatisch-stationären Bereich spielen dabei Prozeduren eine wesentliche Rolle.SummaryBackgroundInpatient treatment is the most costly sector of treatment for depressive disorders in Germany. However, little is known about which patient and hospital characteristics contribute to costs of inpatient episodes.Patients and methodsTo take part in this study, patients had to fullfill criteria for ICD-10 diagnosis of F31.3–F31.5, F32, F33, F34.1, F43.20, or F43.21. Episodes were recorded between September 9 2001 and March 3 2003 in ten hospitals in three German states. Inpatient records of 1,202 persons were analysed. Multiple regression analysis was performed to identify significant patient predictors of cost per inpatient episode, and the predictive function of hospital characteristics was analysed by applying hierarchical linear modeling.ResultsPatient characteristics at admission could not explain a substantial part of the variance in episode costs. Better prediction was possible including variables from the whole treatment process. Also, conditions for admission and patient-related factors did not well explain cost differences between hospitals, but characteristics of the whole treatment were.ConclusionFor predicting costs of inpatient depressive episodes, the complete course treatment has to be considered. As in the physiologic sector, therapeutic and diagnostic procedures have a great effect on cost prediction.

[Cost predictors of depressive inpatient episodes in Germany. The health insurer's point of view].

ZusammenfassungHintergrundVon Vertretern der Krankenkassen und der Krankenhäuser werden für den stationären psychiatrischen Bereich immer wieder Fragen einer leistungsgerechten Vergütung diskutiert. Dabei ist weitgehend unklar, welche Merkmale der Kliniken und der Patienten derzeit mit den Kosten stationärer Aufenthalte korrespondieren.Material und MethodenDie Studie bezieht sich auf 1202 Episoden von Patienten mit den ICD-10-Aufnahmediagnosen F31.3–F31.5, F32, F33, F34.1, F43.20 und F43.21, die im Zeitraum vom 01.09.2001 bis 01.03.2003 in 10 Kliniken in Baden-Württemberg, Bayern und Nordrhein-Westfalen dokumentiert wurden. Mit schrittweisen multiplen Regressionsanalysen werden zunächst kostenrelevante Prädiktoren auf Patientenebene identifiziert. Mittels hierarchischer Regressionen werden auch Klinikmerkmale in die Auswertungen mit aufgenommen.Ergebnisse Durch Aufnahme- und stabile Patientenmerkmale lässt sich nur ein relativ geringer Anteil des Ressourcenverbrauchs vorhersagen, eine substanzielle Aufklärung der Kostenvarianz gelingt jedoch bei Berücksichtigung des gesamten Behandlungsprozesses. Adjustiert man für kostenprädiktive Aufnahmemerkmale, dann entstehen für eine Krankenkasse in einer universitären Einrichtung höhere Episodenkosten, bei Berücksichtigung des gesamten Behandlungsverlaufs hingegen bestehen keine überzufälligen Kostenunterschiede zwischen den Kliniken.SchlussfolgerungSogar innerhalb einer psychiatrischen Syndromgruppe lässt sich der Ressourcenverbrauch stationärer Episoden nur bei Berücksichtigung des gesamten Behandlungsverlaufs befriedigend erklären. Ebenso wie im somatisch-stationären Bereich spielen dabei Prozeduren eine wesentliche Rolle.SummaryBackgroundInpatient treatment is the most costly sector of treatment for depressive disorders in Germany. However, little is known about which patient and hospital characteristics contribute to costs of inpatient episodes.Patients and methodsTo take part in this study, patients had to fullfill criteria for ICD-10 diagnosis of F31.3–F31.5, F32, F33, F34.1, F43.20, or F43.21. Episodes were recorded between September 9 2001 and March 3 2003 in ten hospitals in three German states. Inpatient records of 1,202 persons were analysed. Multiple regression analysis was performed to identify significant patient predictors of cost per inpatient episode, and the predictive function of hospital characteristics was analysed by applying hierarchical linear modeling.ResultsPatient characteristics at admission could not explain a substantial part of the variance in episode costs. Better prediction was possible including variables from the whole treatment process. Also, conditions for admission and patient-related factors did not well explain cost differences between hospitals, but characteristics of the whole treatment were.ConclusionFor predicting costs of inpatient depressive episodes, the complete course treatment has to be considered. As in the physiologic sector, therapeutic and diagnostic procedures have a great effect on cost prediction.

Ressourcenverbrauch stationärer Episoden bei depressiven Störungen@@@Cost predictors of depressive inpatient episodes in Germany: Eine Analyse aus Sicht der Krankenkassen@@@The health insurer’s point of view

ZusammenfassungHintergrundVon Vertretern der Krankenkassen und der Krankenhäuser werden für den stationären psychiatrischen Bereich immer wieder Fragen einer leistungsgerechten Vergütung diskutiert. Dabei ist weitgehend unklar, welche Merkmale der Kliniken und der Patienten derzeit mit den Kosten stationärer Aufenthalte korrespondieren.Material und MethodenDie Studie bezieht sich auf 1202 Episoden von Patienten mit den ICD-10-Aufnahmediagnosen F31.3–F31.5, F32, F33, F34.1, F43.20 und F43.21, die im Zeitraum vom 01.09.2001 bis 01.03.2003 in 10 Kliniken in Baden-Württemberg, Bayern und Nordrhein-Westfalen dokumentiert wurden. Mit schrittweisen multiplen Regressionsanalysen werden zunächst kostenrelevante Prädiktoren auf Patientenebene identifiziert. Mittels hierarchischer Regressionen werden auch Klinikmerkmale in die Auswertungen mit aufgenommen.Ergebnisse Durch Aufnahme- und stabile Patientenmerkmale lässt sich nur ein relativ geringer Anteil des Ressourcenverbrauchs vorhersagen, eine substanzielle Aufklärung der Kostenvarianz gelingt jedoch bei Berücksichtigung des gesamten Behandlungsprozesses. Adjustiert man für kostenprädiktive Aufnahmemerkmale, dann entstehen für eine Krankenkasse in einer universitären Einrichtung höhere Episodenkosten, bei Berücksichtigung des gesamten Behandlungsverlaufs hingegen bestehen keine überzufälligen Kostenunterschiede zwischen den Kliniken.SchlussfolgerungSogar innerhalb einer psychiatrischen Syndromgruppe lässt sich der Ressourcenverbrauch stationärer Episoden nur bei Berücksichtigung des gesamten Behandlungsverlaufs befriedigend erklären. Ebenso wie im somatisch-stationären Bereich spielen dabei Prozeduren eine wesentliche Rolle.SummaryBackgroundInpatient treatment is the most costly sector of treatment for depressive disorders in Germany. However, little is known about which patient and hospital characteristics contribute to costs of inpatient episodes.Patients and methodsTo take part in this study, patients had to fullfill criteria for ICD-10 diagnosis of F31.3–F31.5, F32, F33, F34.1, F43.20, or F43.21. Episodes were recorded between September 9 2001 and March 3 2003 in ten hospitals in three German states. Inpatient records of 1,202 persons were analysed. Multiple regression analysis was performed to identify significant patient predictors of cost per inpatient episode, and the predictive function of hospital characteristics was analysed by applying hierarchical linear modeling.ResultsPatient characteristics at admission could not explain a substantial part of the variance in episode costs. Better prediction was possible including variables from the whole treatment process. Also, conditions for admission and patient-related factors did not well explain cost differences between hospitals, but characteristics of the whole treatment were.ConclusionFor predicting costs of inpatient depressive episodes, the complete course treatment has to be considered. As in the physiologic sector, therapeutic and diagnostic procedures have a great effect on cost prediction.

Datengestützte Qualitätszirkel in der stationären Depressionsbehandlung@@@Treatment quality of inpatient depression care

BACKGROUND Several quality assurance initiatives in health care have been undertaken during the past years. The next step consists of systematically combining single initiatives in order to built up a strategic quality management. METHODS In a German multicenter study, the quality of inpatient depression treatment was measured in ten psychiatric hospitals. Half of the hospitals received comparative feedback on their individual results in comparison to the other hospitals (bench marking). Those bench markings were used by each hospital as a statistic basis for in-house quality work, to improve the quality of depression treatment. RESULTS According to hospital differences concerning procedure and outcome, different goals were chosen. There were also differences with respect to structural characteristics, strategies, and outcome. The feedback from participants about data-based quality circles in general and the availability of bench-marking data was positive. The necessity of carefully choosing quality circle members and professional moderation became obvious. CONCLUSIONS Data-based quality circles including bench-marking have proven to be useful for quality management in inpatient depression care.