Democase Diagnosehäufigkeiten

Harald G. Grohganz, Visionsberatung GmbH, 24.01.2025

Eine 1%-Stichprobe der Diagnosen aller gesetzlich Versicherten in Deutschland in den Jahren 2012 und 2017 – erstellt mithilfe des Public Use File des Forschungsdatenzentrum Gesundheit am Bundesinstitut für Arzneimittel und Medizinprodukte (BfArM).

Das Public Use File ist stark anonymisiert. Alle Spalten wurden separat zufällig permutiert, daher können echte Informationen nur durch Betrachtung einer Einzelspalte gewonnen werden. Wir lesen also pro Datei auch nur eine Spalte ein. Dadurch können wir nur die Diagnosehäufigkeiten auslesen – wir können nicht unterscheiden, ob eine Person eine Diagnose mehrfach bekommen hat oder ob es mehrere Personen waren.

Quellen

  • Public Use File: https://zenodo.org/records/14524120
  • Datensatzbeschreibung: https://fdz-gesundheit.github.io/datensatzbeschreibung_fdz_gesundheit/
  • ICD-Kataloge für 2012 und 2017:
    https://www.bfarm.de/SharedDocs/Downloads/DE/Kodiersysteme/klassifikationen/icd-10-gm/vorgaenger-bis-2020/icd10gm2012_zip.html
    https://www.bfarm.de/SharedDocs/Downloads/DE/Kodiersysteme/klassifikationen/icd-10-gm/vorgaenger-bis-2020/icd10gm2017_zip.html

Vorbereitungen

  1. CSV-Dateien des PUF herunterladen und entzippen.
  2. Lektüre der Datensatzbeschreibung, um die Struktur der Daten nachzuvollziehen.
  3. ICD-Kataloge herunterladen. Das sind sehr umfangreiche ZIP-Archive, uns interessieren nur die txt/csv-Dateien aus dem jew. Ordner beginnend mit x1gm (Metadaten zur ICD im csv-Format). Dort die drei txt-Dateien zu Kodes, Gruppen und Kapiteln entpacken.
In [1]:
import pandas as pd

Einlesen der Daten

In [2]:
# Wir brauchen aus der CSV nur die Spalte mit den ICD-Codes
# Daran spielen wir die Infos aus den Metadaten: Jahr & Typ (d.h. stationär oder ambulant)
def read_diagnoses(dm, sa):
    df_tmp = pd.read_csv(dm+"/"+sa+".csv", usecols=[sa+"_ICD_CODE"], dtype=str)
    df_tmp.columns = ["ICD"]
    df_tmp["Jahr"] = "2012" if dm == "DM1" else "2017"
    df_tmp["Typ"] = "stationär" if sa == "SA551" else "ambulant"
    return df_tmp
In [3]:
# Nun lesen wir die einzelnen Rohdatendateien ein und hängen sie in eine große Tabelle untereinander
df = pd.concat([
    read_diagnoses("DM1", "SA551"),
    read_diagnoses("DM2", "SA551"),
    read_diagnoses("DM1", "SA651"),
    read_diagnoses("DM2", "SA651")
])
In [4]:
# Um die Dateigröße webtauglich (klein) zu halten, nutzen wir später nur die ersten 3 Stellen der ICD-Codes
df["ICD3"] = df["ICD"].str[0:3]
In [5]:
# Ein erster Blick...
df
Out[5]:
ICD Jahr Typ ICD3
0 Z922 2012 stationär Z92
1 G431 2012 stationär G43
2 Z867 2012 stationär Z86
3 I200 2012 stationär I20
4 C4131 2012 stationär C41
... ... ... ... ...
24335376 K219 2017 ambulant K21
24335377 E6699 2017 ambulant E66
24335378 K529 2017 ambulant K52
24335379 H520 2017 ambulant H52
24335380 R103 2017 ambulant R10

45017329 rows × 4 columns

Zusammenfassen der Daten

In [6]:
# Daten zusammenfassen - von 45 Mio auf 6500
df_grp = df.groupby(["Typ", "Jahr", "ICD3"]).size().reset_index(name='Anzahl')
In [7]:
df_grp
Out[7]:
Typ Jahr ICD3 Anzahl
0 ambulant 2012 999 6
1 ambulant 2012 A00 43
2 ambulant 2012 A01 178
3 ambulant 2012 A02 1031
4 ambulant 2012 A03 78
... ... ... ... ...
6584 stationär 2017 Z95 21133
6585 stationär 2017 Z96 8055
6586 stationär 2017 Z97 1246
6587 stationär 2017 Z98 2672
6588 stationär 2017 Z99 3827

6589 rows × 4 columns

Die ICD-Informationen

In [8]:
def read_icd(files):
    icd_kodes = pd.read_csv(r"ICD/"+files[0]+".txt", sep=";", dtype=str, header=None)
    icd_grp = pd.read_csv(r"ICD/"+files[1]+".txt", sep=";", dtype=str, header=None)
    icd_kap = pd.read_csv(r"ICD/"+files[2]+".txt", sep=";", dtype=str, header=None)
    
    icd_grp["Gruppe"] = icd_grp[0] + "-" + icd_grp[1]
    icd = pd.merge(pd.merge(icd_kodes[[3,4,7,8]], 
                            icd_grp[[0,3,"Gruppe"]], 
                            how="left", left_on=4, right_on=0),
                   icd_kap, 
                   how="left", left_on="3_x", right_on=0)
    
    icd = icd[[7, 8, "Gruppe", "3_y", "3_x", 1]]
    icd.columns = ["ICD3", "ICD3_Name", "ICD2", "ICD2_Name", "ICD1", "ICD1_Name"]
    
    return icd[icd["ICD3"].str.len() == 3]
In [9]:
icd_files_2017 = ["icd10gm2017syst_kodes", "icd10gm2017syst_gruppen", "icd10gm2017syst_kapitel"]
icd_files_2012 = ["icd10gmsyst_kodes2012", "icd10gmsyst_gruppen2012", "icd10gmsyst_kapitel2012"]

icd_2012 = read_icd(icd_files_2012)
icd_2017 = read_icd(icd_files_2017)

icd_2012["ICD_Jahr"] = "2012"
icd_2017["ICD_Jahr"] = "2017"

df_icd = pd.concat([icd_2012, icd_2017])
df_icd
Out[9]:
ICD3 ICD3_Name ICD2 ICD2_Name ICD1 ICD1_Name ICD_Jahr
0 A00 Cholera A00-A09 Infektiöse Darmkrankheiten 01 Bestimmte infektiöse und parasitäre Krankheiten 2012
4 A01 Typhus abdominalis und Paratyphus A00-A09 Infektiöse Darmkrankheiten 01 Bestimmte infektiöse und parasitäre Krankheiten 2012
10 A02 Sonstige Salmonelleninfektionen A00-A09 Infektiöse Darmkrankheiten 01 Bestimmte infektiöse und parasitäre Krankheiten 2012
16 A03 Shigellose [Bakterielle Ruhr] A00-A09 Infektiöse Darmkrankheiten 01 Bestimmte infektiöse und parasitäre Krankheiten 2012
23 A04 Sonstige bakterielle Darminfektionen A00-A09 Infektiöse Darmkrankheiten 01 Bestimmte infektiöse und parasitäre Krankheiten 2012
... ... ... ... ... ... ... ...
15912 U82 Mykobakterien mit Resistenz gegen Antituberkul... U80-U85 Infektionserreger mit Resistenzen gegen bestim... 22 Schlüsselnummern für besondere Zwecke 2017
15916 U83 Candida mit Resistenz gegen Fluconazol oder Vo... U80-U85 Infektionserreger mit Resistenzen gegen bestim... 22 Schlüsselnummern für besondere Zwecke 2017
15917 U84 Herpesviren mit Resistenz gegen Virustatika U80-U85 Infektionserreger mit Resistenzen gegen bestim... 22 Schlüsselnummern für besondere Zwecke 2017
15918 U85 Humanes Immundefizienz-Virus mit Resistenz geg... U80-U85 Infektionserreger mit Resistenzen gegen bestim... 22 Schlüsselnummern für besondere Zwecke 2017
15919 U99 Nicht belegte Schlüsselnummer U99 U99-U99 Nicht belegte Schlüsselnummern 22 Schlüsselnummern für besondere Zwecke 2017

3420 rows × 7 columns

Abschluss: Daten mit ICD-Hierarchie anreichern

In [10]:
df_final = df_grp.merge(df_icd, left_on=["ICD3","Jahr"], right_on=["ICD3", "ICD_Jahr"], how="left")

df_final
Out[10]:
Typ Jahr ICD3 Anzahl ICD3_Name ICD2 ICD2_Name ICD1 ICD1_Name ICD_Jahr
0 ambulant 2012 999 6 NaN NaN NaN NaN NaN NaN
1 ambulant 2012 A00 43 Cholera A00-A09 Infektiöse Darmkrankheiten 01 Bestimmte infektiöse und parasitäre Krankheiten 2012
2 ambulant 2012 A01 178 Typhus abdominalis und Paratyphus A00-A09 Infektiöse Darmkrankheiten 01 Bestimmte infektiöse und parasitäre Krankheiten 2012
3 ambulant 2012 A02 1031 Sonstige Salmonelleninfektionen A00-A09 Infektiöse Darmkrankheiten 01 Bestimmte infektiöse und parasitäre Krankheiten 2012
4 ambulant 2012 A03 78 Shigellose [Bakterielle Ruhr] A00-A09 Infektiöse Darmkrankheiten 01 Bestimmte infektiöse und parasitäre Krankheiten 2012
... ... ... ... ... ... ... ... ... ... ...
6584 stationär 2017 Z95 21133 Vorhandensein von kardialen oder vaskulären Im... Z80-Z99 Personen mit potentiellen Gesundheitsrisiken a... 21 Faktoren, die den Gesundheitszustand beeinflus... 2017
6585 stationär 2017 Z96 8055 Vorhandensein von anderen funktionellen Implan... Z80-Z99 Personen mit potentiellen Gesundheitsrisiken a... 21 Faktoren, die den Gesundheitszustand beeinflus... 2017
6586 stationär 2017 Z97 1246 Vorhandensein anderer medizinischer Geräte ode... Z80-Z99 Personen mit potentiellen Gesundheitsrisiken a... 21 Faktoren, die den Gesundheitszustand beeinflus... 2017
6587 stationär 2017 Z98 2672 Sonstige Zustände nach chirurgischem Eingriff Z80-Z99 Personen mit potentiellen Gesundheitsrisiken a... 21 Faktoren, die den Gesundheitszustand beeinflus... 2017
6588 stationär 2017 Z99 3827 Abhängigkeit (langzeitig) von unterstützenden ... Z80-Z99 Personen mit potentiellen Gesundheitsrisiken a... 21 Faktoren, die den Gesundheitszustand beeinflus... 2017

6589 rows × 10 columns

In [11]:
# Spalten umsortieren und abspeichern
df_final = df_final[["ICD1", "ICD1_Name", "ICD2", "ICD2_Name", "ICD3", "ICD3_Name", "Typ", "Jahr", "Anzahl"]]
df_final.to_csv("diagnosen_PUF.csv", index=False, encoding='utf8')
In [ ]: