Das Public Use File des Forschungsdatenzentrum Gesundheit

Das Forschungsdatenzentrum Gesundheit

Das Forschungsdatenzentrum (FDZ) Gesundheit hat sich zum Ziel gesetzt, die medizinische Versorgung in Deutschland und der EU zu verbessern. Dies geschieht durch neue Forschung, die durch den Zugang zu Krankenversicherungsdaten ermöglicht wird. Die Datennutzung wird jedoch von strengen Datenschutzbestimmungen eingeschränkt. Folgende Schritte sind für die Datennutzung notwendig:

Forschende können den Zugang zu Gesundheitsdaten gemäß §303e SGB V beantragen.

Nach Genehmigung erhalten Forschende Zugriff auf eine sichere Verarbeitungsumgebungen im Sinne des Europäischen Gesundheitsdatenraums (EHDS).

In diesen Umgebungen werden anonymisierte, synthetische oder pseudonymisierte Daten für die Entwicklung von Algorithmen verwendet. Die endgültigen Analysen werden unter strenger Aufsicht auf dem gesamten Originaldatensatz durchgeführt, um den Datenschutz zu gewährleisten. Für weitere Informationen zum FDZ Gesundheit können Sie unsere Website besuchen.

Das Public Use File

Um den Herausforderungen des zeitaufwändigen Antragsverfahrens zu begegnen und den Forschenden die Möglichkeit zu geben, sich mit der Datenstruktur vertraut zu machen, hat das FDZ ein Public Use File (PUF) entwickelt. Das PUF ist ein anonymisierter Datensatz, der aus den Originaldaten der Krankenkassen abgeleitet wurde. Er behält die univariaten Verteilungen der Originaldaten bei, entfernt aber die Korrelationen zwischen den Variablen, um den Datenschutz zu gewährleisten. Der Datensatz enthält realistische Fehler aus den Originaldaten, was seinen Nutzen für vorläufige Analysen, Softwareentwicklung und Testskripte erhöht.

Das PUF ist ein öffentliches Datenprodukt des Forschungsdatenzentrum Gesundheit. Um die Publikation des Datenprodukts zu ermöglichen, muss der Datensatz anonym sein. Um Anonymität zu erreichen, haben wir folgende Methoden angewandt:

Auflösung aller Korrelationen zwischen Variablen

Vergröberung von Variablen, bei denen ein Wert nicht mindesten k-mal vorkommt

Ersetzung der Pseudonyme durch zufällige (aber theoretisch gültige) Werte

Veröffentlichung einer Stichprobe (1%) 

Veröffentlichung nur eines Berichtsjahres pro Datenmodell

Der vollständige Code zu Erstellung des Public Use Files ist ebenfalls öffentlich einsehbar in diesem Github Repository. 

Die Daten sind in drei Datenmodellen verfügbar. Eine genaue Beschreibung der Datenmodelle und dem Inhalt der einzelnen Variablen ist in unserer Datensatzbeschreibung einsehbar. Wir stellen pro Datenmodell eine ZIP-Datei bereit, welche alle Tabellen dieses Datenmodells enthält. Zusätzlich ist in jeder Tabelle eine Spalte "Datenmodell" enthalten, welche die Zugehörigkeit zum Datenmodell eindeutig kennzeichnet.

Die Daten für das dritte Datenmodell folgen zeitnah. 

Hinweise

Einlesen der Dateien

Beim Einlesen der Dateien bitte auf die in der Datensatzbeschreibung angegebenen Datentypen achten und explizit angeben, andernfalls werden zum Beispiel führende Nullen abgeschnitten. 

Beispiel (Python):

import pandas as pd

df_sa451 = pd.read_csv('DM1/SA451.csv', dtype={'SA451_VSID': str, 'SA451_PHARMAZENTRALNUMMER': str})

VSID und PSID

Die Identifier-Variablen VSID und PSID sind nicht im gleichen Verhältnis wie in den Orginaldaten vorhanden. Es gibt deutlich mehr PSIDs die mehr als eine VSID zugeordnet hat. In den Echtdaten ist dies ein Hinweis auf einen Krankenkassenwechsel.

Versionierung

v1.0.0

initialer Release 

v1.1.0

Hinzufügen der Satzart SA131 für Datenmodell 2

Hinzufügen von doppelten PSIDs für Datenmodell 2

Kontakt

Bei Fragen oder Anregungen wenden Sie sich gerne an [e-mail].