Unveiling gaps in heart failure management in Germany: a retrospective analysis of national data and healthcare utilisation patterns
Notice bibliographique
Résumé
Abstract Background Heart failure (HF) is a severe condition marked by high morbidity and mortality rates. However, there is a paucity of recent national data, crucial for policymakers and healthcare professionals to make informed decisions regarding disease management and resource allocation. Here, we present a secondary analysis of insurance claims data, aiming to explore the epidemiology, comorbidities, and healthcare utilisation patterns of HF patients in Germany. Methods A retrospective analysis was conducted using German claims data, involving ca. 4.5 million individuals from Statutory Health Insurance (SHI) providers from January 2018 to December 2022. This dataset was representative of age, sex, and morbidity, allowing for extrapolation to the entire German SHI population. We examined disease prevalence, all-cause mortality, comorbidities, and various healthcare resource metrics. HF patients were identified using ICD-10 codes (I50 [terminal], I50.01, I50.1, I50.9, I11.0, I13.0, I13.2), including patients with reduced (HFrEF), mildly reduced (HFmrEF), and preserved ejection fraction (HFpEF), though phenotype differentiation was not possible. Medications were classified by Anatomical Therapeutic Chemical codes. Results In 2018, HF prevalence was 5.0%, with an average hospitalisation rate of 9.1% for HF. By 2022, prevalence slightly decreased to 4.8%, while hospitalization rates increased to 9.4%. The all-cause mortality among HF patients rose from 9.7% in 2018 to 10.7% in 2022. Average annual expenses increased from 12,477€ per patient in 2018 to 14,530€ in 2022. Notably, in 2022, only 23.0% of HF patients received a mineralocorticoid receptor antagonist (MRA), and only 17.2% were treated with a sodium-glucose cotransporter 2 inhibitor (SGLT2i), with a substantial decrease of SGLT2i prescriptions among older patients (9.9% for those over 85 years). Despite an estimated half of the cohort potentially having HFrEF1, only 7.0% received comprehensive "four pillar" therapy with SGLT2i, beta-blockers (BB), MRA, and renin-angiotensin system inhibitors (RAASi). [Note: The observation period ended in 2022, prior to the guideline recommendations for SGLT2i usage in HFmrEF and HFpEF established in 2023.] Common comorbidities of HF patients in 2022 included arterial hypertension (93.2%), dyslipidaemia (65.2%), coronary heart disease (52.9%), type 2 diabetes (41.6%), atrial fibrillation and flutter (39.5%), and chronic kidney disease (38.9%). Conclusion This analysis provides a comprehensive overview of HF epidemiology and management in Germany. The consistently high HF prevalence and HF-related hospitalisation rates, coupled with low adherence to guideline-directed medical therapy, highlight the need for targeted interventions to alleviate this growing burden. These might comprise the support of effective HF management programmes, which are yet to be established for most HF patients in Germany, despite the strong recommendation of international guidelines.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».