Hintergrund

 

Im Rahmen der Forschungsaktivitäten werden auch Zeittrends bezüglich subjektiver Gesundheitsindikatoren untersucht. Sie erfassen, wie Menschen ihre Gesundheit individuell erleben und bewerten und unterscheiden sich damit von objektiven Gesundheitsindikatoren, die über medizinische Parameter bestimmt werden (DeSalvo und Muntner 2011). Subjektive Gesundheitseinschätzungen werden von körperlichen Erkrankungen beeinflusst, jedoch gehen auch psychosoziale Aspekte in die Bewertung ein, wie der sozioökonomische Status, das Ausmaß psychosozialer Belastungen und das psychische Befinden (Spuling et al. 2017).

Studien haben nachgewiesen, dass die subjektive Gesundheit das Auftreten von Erkrankungen und das Mortalitätsrisiko vorhersagen kann (Ernstsen et al. 2011, Jylhä 2009, Scott et al. 1997). Zudem prädiziert die subjektive Gesundheit die Inanspruchnahme medizinischer Leistungen und die Höhe krankheitsbedingter Kosten (DeSalvo et al. 2009, Hardy et al. 2011, Menec und Chipperfield 2001). Subjektive Gesundheitsindikatoren stellen damit eine zentrale Zielgröße für Maßnahmen der Prävention und Gesundheitsförderung dar (Klotz et al. 2006).

 

Verwendete Gesundheitsindikatoren

 

Im Rahmen des vorliegenden Forschungsprojektes werden unterschiedliche Aspekte des subjektiven Gesundheitserlebens betrachtet. Neben dem globalen Einzelitem ‚subjektive Gesundheit‘ wird die gesundheitsbezogene Lebensqualität (SF 12) herangezogen. Sie erfasst mit jeweils sechs Items psychische und körperliche Dimensionen der Gesundheit, wie eingeschränkte Rollenfunktion, Schmerzen, Vitalität und soziale Funktionsfähigkeit (Resnick et al. 2001).

Darüber hinaus werden funktionale Limitationen in Alltagskompetenzen und Selbstversorgungsfähigkeiten berücksichtigt. Diese Einschränkungen beziehen sich auf basale Aktivitäten des Lebens (ADL), wie eigenständig Essen zu können, und auf instrumentelle Aktivitäten des Lebens (IADL), wie eigenständig einkaufen gehen zu können (Hopman-Rock et al. 2018). Zudem werden objektiv gemessene Indikatoren der funktionalen Limitationen wie die Greifkraft verwendet (Taekema et al. 2010).

 

Datengrundlage und Zeitperiode

 

Die Analysen der Zeittrends basieren auf unterschiedlichen bevölkerungsbezogenen Surveydaten. Während die Entwicklung der subjektiven Gesundheit und der gesundheitsbezogenen Lebensqualität (SF12) mit dem Sozioökonomischen Panel (Wagner et al. 2007) untersucht werden, basieren die Analysen zu den funktionalen Limitationen auf den SHARE-Daten (Börsch-Supan et al. 2013).  Die beobachteten Zeitperioden unterscheiden sich in Abhängigkeit von den verwendeten Datensätzen und dem zugrunde gelegten Gesundheitsindikator, sie variieren zwischen neun (2004-2013) und  22 Jahren (1995-2016).

 

Zentrale Untersuchungsfragen

 

Folgende übergeordnete Untersuchungsfragen stehen im Mittelpunkt der Analyse:

• Wie entwickelt sich die subjektive Gesundheit in der Bevölkerung über die Zeit, und welche Bedeutung haben hierbei Alters-, Perioden- und Kohorteneffekte?

• Wie unterscheiden sich die Gesundheitstrends zwischen Frauen und Männern und in unterschiedlichen Lebensphasen?

• Wie entwickeln sich sozial verursachte gesundheitliche Ungleichheiten über die Zeit?

• Wie können Zeittrends in der subjektiven Gesundheit erklärt werden? Welche Bedeutung kommen hierbei den medizinsoziologischen Erklärungsansätzen der ‚strukturellen‘, ‚psychosozialen‘ und ‚verhaltensbezogenen Verursachung‘ zu?

• Welche gesundheitspolitischen und praktischen Konsequenzen lassen sich aus den Befunden ableiten?

 

Literatur

 

Börsch-Supan A, Brandt M, Hunkler C et al. Data resource profile: The Survey of Health, Ageing and Retirement in Europe (SHARE). International Journal of Epidemiology. 2013;42(4):992-1001.

DeSalvo KB, Jones TM, Peabody J et al. Health care expenditure prediction with a single item, self-rated health measure. Medical Care. 2009;47(4):440-447.

DeSalvo KB, Muntner P. Discordance between physician and patient self-rated health and all-cause mortality. The Ochsner Journal. 2011;11(3):232-240.

Ernstsen L, Nilsen SM, Espnes GA et al. The predictive ability of self-rated health on ischaemic heart disease and all-cause mortality in elderly women and men: the Nord-Trondelag Health Study (HUNT). Age and Ageing. 2011;40(1):105-111.

Hardy SE, Kang Y, Studenski SA, Degenholtz HB. Ability to walk 1/4 mile predicts subsequent disability, mortality, and health care costs. Journal of General Internal Medicine. 2011;26(2):130-135.

Hopman-Rock M, van Hirtum H, de Vreede P, Freiberger E. Activities of daily living in older community-dwelling persons: A systematic review of psychometric properties of instruments. Aging Clinical and Experimental Research. doi.org/10.1007/s40520-018-1034-1036.

Jylhä M. What is self-rated health and why does it predict mortality? Towards an unified conceptual model. Social Science & Medicine. 2009;69(3):307-316.

Klotz T, Haisch J, Hurrelmann K. Prävention und Gesundheitsförderung: Ziel ist anhaltend hohe Lebensqualität. Deutsches Ärzteblatt International. 2006;103(10):606-609.

Menec V, Chipperfield J. A prospective analysis of the relation between self-rated health and health care use among elderly Canadians. Canadian Journal of Aging. 2001;20(3):293-306.

Resnick B, Nahm ES. Reliability and validity testing of the revised 12-item Short-Form Health Survey in older adults. Journal of Nursing Measurement. 2001;9(2):151-161.

Scott WK, Macera CA, Cornman CB, Sharpe PA. Functional health status as a predictor of mortality in men and women over 65. Journal of Clinical Epidemiology. 1997;50(3):291-296.

Spuling SM, Huxhold O, Wurm S. Predictors of self-rated health: Does education play a role above and beyond age? The Journals of Gerontology, Series B: Psychological Sciences and Social Sciences. 2017;72(3):415-424.

Im Projekt „Morbiditätskompression und ihre Alternativen“ wird neben der Entwicklung der subjektiven Gesundheit und funktionalen Einschränkungen auch jene von spezifischen Erkrankungen untersucht. Im Fokus stehen dabei vor allem Erkrankungen, die häufig in der Bevölkerung auftreten. Mit dem Anstieg der Lebenserwartung im Zeitverlauf ändert sich auch das Morbiditätsspektrum in der Bevölkerung. Der Fokus auf einzelne, spezifische Erkrankungen leistet daher einen wichtigen Beitrag zum Verständnis der zugrundeliegenden Prozesse bei der Morbiditätskompression oder Morbiditätsexpansion. Vor diesem Hintergrund wird untersucht, ob sich die durchschnittliche Lebenszeit in diesen Erkrankungen im Zeitverlauf ausweitet oder ob eine immer längere Lebensspanne ohne spezifische Erkrankungen verbracht wird.

Aktuell beschäftigt sich die Projektgruppe mit den Erkrankungen Diabetes Mellitus, Multimorbidität, Lungenkrebs, Herzinfarkt und Schlaganfall.

 

Dabei werden folgende Fragestellungen bearbeitet:

 

• Wie entwickelt sich die Erkrankungshäufigkeit im Zeitverlauf?

• Wie entwickelt sich die Lebensspanne frei von diesen Erkrankungen?

• Bestehen soziale Ungleichheiten beim Auftreten dieser Erkrankungen?

• Kommt es im Zeitverlauf zu einer Ausweitung oder Verringerung der gesundheitlichen Ungleichheiten?

Neben den inhaltlichen Fragestellungen wird im Forschungsprojekt „Morbiditätskompression und ihre Alternativen“ auch ein methodischer Schwerpunkt auf die Aufbereitung und Validierung von Krankenkassendaten gelegt. Aufgrund der hohen Komplexität der Datenstruktur und der großen Fallzahl von über ca. 2 Millionen Versicherten, die jährlich ca. 23 Millionen verschriebenen Arzneimittel und mehr als 150 Millionen abgerechneten Leistungen im ambulanten Bereich aufweisen, setzen wir uns mit Potentialen und Grenzen von Big Data auseinander.

 

Aktuell beschäftigen wir uns mit folgenden Fragestellungen:

 

• Wie repräsentativ sind Versicherte der AOK Niedersachsen im Vergleich zur Bevölkerung Niedersachsens und der Bundesrepublik Deutschland?

• Wie lassen sich Diagnoseinformationen validieren?

• Wie kann die Krankheitsschwere in den Krankenkassendaten bestimmt werden?

• Wie lange sind die Vorbeobachtungszeiten zu setzen, um Inzidenzraten zu bestimmen?

• Unterscheiden sich Inzidenzen ausgewählter Erkrankungen zwischen Krankenkassendaten und Daten aus Gesundheitssurveys wie DEGS oder GEDA?

An der Medizinischen Hochschule Hannover fand vom 4. bis 6. September 2019 der Workshop der Working Group "Health, Morbidity and Mortality" der European Association of Population Studies in Hannover statt. 25 Teilnehmer haben an drei Tagen intensiv über die aktuellen Trends in der Analyse der Morbidität und Mortalität diskutiert und sich über die methodischen und inhatlichen Aspekte ausgetauscht.

Vom 13. bis 22. August 2019 haben Juliane Tetzlaff, Jelena Epping und Johannes Beller eine Arbeitsgruppe bei der diesjährigen Sommerakademie der Studienstiftung des deutschen Volkes geleitet, die das Thema "Morbiditätskompression und ihre Alternativen: Wie gesund werden wir alt?" behandelte. Mit 13 sehr motivierten und engagierten Stipendiaten konnten die Dozenten an sieben intensiven Workshoptagen über solche Themen wie "Bin ich krank oder fühle ich mich nur so?", "Wie lange werden wir leben?", "Wie lange können wir arbeiten? Wie lange müssen wir arbeiten? oder "Können wir uns unsere Gesundheit leisten?" diskutiert, um nur einige zu nennen.

Nach jedem Workshoptag haben Studierende die Gelegenheit gehabt, ihre Gedanken und offene Fragen in einem Essay festzuhalten. Daraus ist eine Essaysammlung entstanden, die nach Rücksprache mit Autorinnen und Autoren für interessierte Besucher hier zum Download zur Verfügung gestellt wird. Diese Essaysammlung unterstützt das Projektteam bei der Entwicklung der neuen Ansätze für die Weiterentwicklung des Forschungsprojektes. Wir sind dankbar für die gemeinsame bereichernde Zeit in Leysin.

Im Juli 2017 hielt Prof. Siegfried Geyer einen Vortrag zur "Morbidity compression in myocardial infarction: The development 2006 to 2015" auf dem Workshop der Arbeitsgruppe "Health, Morbidity and Mortality" der EAPS (European Association for Population Studies) in Novosibirsk, Russland.

Im Juni 2015 fand ein AOK-Symposium in Hannover statt. Dort hat Prof. Dr. Siegfried Geyer Zwischenergebnisse des Forschungsprojektes im Rahmen eines Vortrags zum Thema „Später krank und länger gesund? Die Morbiditätskompression und ihre Folgen“ vorgestellt. Vertreter der Krankenkassen, Gewerkschaften, Arbeitgeberverbände und der Landespolitik diskutierten mit den Wissenschaftlern über die Auswirkungen der Morbiditätsentwicklung auf die Ausgestaltung der Gesundheitspolitik.

Beller, J, Miething, A, Regidor, E, Lostao, L, Epping, J, & Geyer, S (2019). Trends in grip strength: Age, period, and cohort effects on grip strength in older adults from Germany, Sweden, and Spain. Social Science & Medicine: Population Health, 9. doi:https://doi.org/10.1016/j.ssmph.2019.100456

Stahmeyer J T, Geyer S, Epping J, Tetzlaff J, Eberhard S. (2018). Gesundheitsausgabenentwicklung und der Einfluss des demographischen Wandels. Eine Analyse von Daten der Gesetzlichen Krankenversicherung. Bundesgesundheitsblatt, 61 (4), 432-441. doi.org/10.1007/s00103-018-2713-3

Tetzlaff J, Epping J, Sperlich S, Eberhard S, Stahmeyer J T, Geyer S. (2018). Widening inequalities in multimorbidity? Time trends among the working population between 2005 and 2015 based on German health insurance data. Int J Equity Health, 17, 103 DOI 10.1186/s12939-018-0815-z

Muschik D, Tetzlaff J, Lange K, Epping J, Eberhard S, Geyer S. Change in life expectancy with type 2 diabetes: a study using claims data from lower Saxony, Germany. Population Health Metrics. 2017;15(1). doi: 10.1186/s12963-017-0124-6.

Tetzlaff J, Junius-Walker U, Muschik D, Epping J, Eberhard S, Geyer S. Identifying time trends in multimorbidity—defining multimorbidity in times of changing diagnostic practices. Journal of Public Health. 2017; 25(2): 215-222.

Bachus L, Eberhard S, Weißenborn K, Muschik D, Epping J, Geyer S. Morbiditätskompression bei Schlaganfall? Langzeitanalysen zur Veränderung des Auftretens von Schlaganfall. Das Gesundheitswesen. 2017; DOI: 10.1055/s-0043-10986.

Tetzlaff J, Muschik D, Epping J, Eberhard S, Geyer S. Expansion or compression of multimorbidity? 10-year development of life years spent in multimorbidity based on health insurance claims data of Lower Saxony, Germany. International Journal of Public Health. 2017;DOI 10.1007/s00038-017-0962-9. doi: DOI 10.1007/s00038-017-0962-9.

Geyer S. Morbidity compression: a promising and well-established concept? International Journal of Public Health; 2016;61:727-8. doi: 10.1007/s00038-016-0853-5.

Muschik D, Icks A, Tetzlaff J, Epping J, Eberhard S, Geyer S. Morbidity compression, morbidity expansion, or dynamic equilibrium? The time trend of AOK-insured patients with type 2 diabetes in Lower Saxony, Germany. Journal of Public Health. 2017;25(1):19-28. doi: 10.1007/s10389-016-07561.

Geyer S. Compression of Morbidity. In: Wright JD, ed. International Encyclopedia of the Social & Behavioral Sciences (Second Edition). Oxford: Elsevier 2015:463-8.

Geyer S. Die Morbiditätskompressionsthese und ihre Alternativen. Das Gesundheitswesen 2015;77:442-6.

Muschik D, Jaunzeme J, Geyer S. Can spouses' socio-economic information be used to determine the risk of type 2 diabetes in their partners? Examining the consequences of a commonly used practice in studies on social inequalities in health. International Journal of Public Health 2015;60:953-60.

Trachte F, Sperlich S, Geyer S. Kompression oder Expansion der Morbidität? Entwicklung der Gesundheit in der älteren Bevölkerung. Zeitschrift für Gerontologie und Geriatrie 2015;48:255-62.