Thema’s

De thema’s voor deze webpagina (zie Tabel 1) zijn geselecteerd op basis van de vragen vanuit de regio’s. De behoeften van zorgprofessionals, beleidsmakers, zorgverzekeraars en inwoners zijn opgehaald gedurende vijf regiobijeenkomsten verspreid door Nederland.

Tabel 1. Overzicht van indicatoren en databronnen

Meer informatie

• Nivel Zorgregistraties Eerste Lijn
• Monitor Langdurige Zorg (CBS)
• Volksgezondheid Toekomst Verkenning 2018 (RIVM)
• Gemeentelijke Monitor Sociaal Domein – Wet Maatschappelijke Ondersteuning (CBS)
• Letsel Informatiesysteem VeiligheidNL
• AZWInfo
• Bevolkingsgegevens (CBS)
• Gezondheidsmonitor Volwassenen en Ouderen 2020 (GGD’en, CBS en RIVM)
• Gezondheidsenquête (CBS)
• Atlas Leefomgeving

Voor het grootste deel van de toekomstprojecties op deze website is een demografische projectie toegepast. Voor een aantal indicatoren binnen het thema Gezondheid en leefstijl, zoals bijvoorbeeld roken, is de epidemiologische projectie uit de VTV 2018 overgenomen.

Voor de projecties wordt er gebruik gemaakt van de Primos-bevolkingsprognose van ABF Research. Zo worden de toekomstige bevolkingsomvang en -structuur als onderlegger gebruikt voor bijvoorbeeld incidentie en prevalentie projecties en zorguitgaven. De Primos-bevolkingsprognose 2021 beschrijft de verwachte ontwikkeling van de bevolking per gemeente tussen 2021 en 2040 op basis van veronderstellingen voor kindertal, migratie en sterfte.

Demografische projecties

Een demografische projectie reflecteert alleen verwachte toekomstige veranderingen van de omvang en leeftijds- en geslachtsopbouw van de bevolking. De relatieve geslachts- en leeftijdsspecifieke cijfers uit het beginjaar van de projectie worden constant gehouden. Zo wordt bijvoorbeeld bij een zorggebruik indicator aangenomen dat de kans op zorggebruik voor 90-jarige vrouwen onveranderd blijft in de toekomst.
Deze methode wordt toegepast als er geen historische reeksen beschikbaar zijn, als de analyses van de historische data geen veranderingen over de tijd hebben aangetoond, of als deze veranderingen onvoldoende robuust zijn. Hiermee worden de toekomstige veranderingen in de indicator volledig bepaald door enerzijds de omvang van de bevolking en anderzijds door de veranderende leeftijdsstructuur zoals de vergrijzing.

Epidemiologische en overige projecties

Voor een aantal indicatoren, zoals roken, is goede historische trenddata beschikbaar en zijn de toekomstige veranderingen waarschijnlijk niet sterk bepaald door demografie. In deze gevallen worden ook historische veranderingen in relatieve geslachts- en leeftijdsspecifieke cijfers (bijvoorbeeld kans op roken) geprojecteerd naar de toekomst. Deze toekomstige veranderingen komen dan bovenop de eerder genoemde demografische veranderingen.

Dan zijn er nog een paar specifieke gevallen afkomstig uit de VTV-2018 die op een speciale manier geprojecteerd zijn, zoals eenzaamheid en longkanker. Zie hiervoor ook het methodendocument  VTV 2018.

Regionale projecties

Om tot regionale projecties te komen, worden eerst op landelijk niveau geslachts- en leeftijdsspecifieke cijfers bepaald van de desbetreffende indicator. Deze cijfers worden vermenigvuldigd met de bevolking van de regio om tot een ‘verwacht’ aantal te komen op basis van demografie.

Voor sommige indicatoren, waaronder alle indicatoren afkomstig uit de VTV 2018, tonen we alleen deze verwachte cijfers. Voor de indicatoren waarvoor gemeentelijke cijfers beschikbaar zijn komt er nog een volgende stap: het schalen van de geprojecteerde aantallen. Uit het verschil tussen het geobserveerde aantal in de regio en het verwachte aantal wordt een schaalfactor berekend (geobserveerd is bijvoorbeeld voor een bepaalde regio 1.2 keer hoger dan je zou verwachten op basis van de leeftijds- en geslachtsverdeling ). Vervolgens worden alle geprojecteerde aantallen voor deze regio vermenigvuldigd met deze schaalfactor. Dit heeft als doel om werkelijke regionale verschillen in zorggebruik, die niet te verklaren zijn vanuit demografie mee te nemen. We missen hiermee regionale verschillen die leeftijdsspecifiek zijn, omdat we aannemen dat regionale verschillen uniform zijn over alle leeftijden. Vaak zijn regionale leeftijdsspecifieke cijfers echter te onbetrouwbaar om nauwkeurige projecties mee te maken en levert de huidige methode vergelijkbare maar stabielere resultaten op.

Voor een aantal indicatoren verwerken wij zelf de data in de CBS Centraal Bureau voor de Statistiek (Centraal Bureau voor de Statistiek) Remote Access omgeving. 

De resultaten op de volgende onderwerpen zijn gebaseerd op eigen berekeningen van het RIVM Rijksinstituut voor Volksgezondheid en Milieu (Rijksinstituut voor Volksgezondheid en Milieu) op basis van niet-openbare microdata van het CBS:

• Zorgkosten (Zvw Zorgverzekeringswet (Zorgverzekeringswet )): Het aantal patiënten en de kosten voor zorg die verzekerd is via de basisverzekering (Zvw) wordt bepaald vanuit zorgkostendata van Vektis (ZVWZORGKOSTENTAB).
• Zorggebruik: Het gebruik vanmedisch specialistische zorg (MSZ) en het aantal DBC Diagnose Behandel Combinatie (Diagnose Behandel Combinatie )'s wordt bepaald vanuit MSZ data van Vektis (MSZPRESTATIESVEKTTAB en MSZZORGACTIVITEITENVEKTTAB).
• Jeugdzorg:Het aantal jongeren met jeugdzorg in natura en het aantal trajecten waarin de jeugdzorg is verleend, wordt bepaald vanuit JGDHULPBUS, JGDBESCHERMBUS, JGDRECLASBUS.
• Wlz Wet langdurige zorg (Wet langdurige zorg ): Het aantal Wlz gebruikers per zorgzwaartepakket(groep) wordt bepaald vanuit GEBWLZTAB.
• Zelfdodingen: Het aantal zelfdodingen wordt bepaald vanuit DOODOORZTAB en DO. 

Voor een aantal indicatoren worden leeftijds- en geslachtsspecifieke cijfers op landelijk niveau bepaald vanuit GBAPERSOONTAB. Ter voorkoming van herleidbaarheid en kleine aantallen worden vanuit microdata altijd alle aantallen afgerond naar tientallen.

Gemeente, wijk- en buurtgegevens

De data wordt opgemeenteniveau, en waar mogelijk ook op wijk- en buurtniveau, opgehaald. Dit wordt gedaan door aan elke persoon per jaar (op 1 januari) het juiste adres-ID te koppelen (met behulp van GBAADRESOBJECTBUS). Dit adres-ID wordt vervolgens gekoppeld aan het juiste gemeente, wijk- en buurt-ID (met behulp van (NIET)VSLGWBTAB). Dit gemeente, wijk- en buurt-ID komt overeen met de regio-indeling die op Regiobeeld wordt gehanteerd. De aantallen ‘per 10.000 inwoners’ worden ten slotte berekend op basis van het aantal inwoners volgens de GBA Gemeentelijke Basis Administratie (Gemeentelijke Basis Administratie) (Gemeentelijke Basisadministratie Persoonsgegevens) in de desbetreffende gemeente, wijk of buurt. 

Aandoeningen

Voor de analyses over zorggebruik bij chronische aandoeningen, baseren we ons op de huisartsenregistratie van Nivel Zorgregistraties Eerste Lijn (zie hier voor meer informatie). Deze dataset bevat alle consulten en klachten naar ICPC classificatie voor een steekproef van ongeveer 10% van Nederlandse huisartsen.

Belangrijk om te vermelden is dat de chronische aandoeningen in deze analyses en rapportage alleen gebaseerd zijn op de registratie bij de huisartsen. Dit geeft niet een volledig beeld van prevalenties en incidenties van de chronische aandoeningen.  Sommige aandoening worden vrijwel altijd in de eerste lijn gesignaleerd, zoals Diabetes type II en COPD Chronic Obstructive Pulmonary Disease (Chronic Obstructive Pulmonary Disease). Bij andere aandoeningen is het beeld in de eerste lijn minder volledig vanwege de volgende redenen:

1. Het betreft hier patiënten die niet in een instelling verblijven. Zodra patiënten geïnstitutionaliseerd zijn, komen ze onder behandeling van een instellingsarts en zijn ze uit beeld van de reguliere huisarts. Hierdoor geeft bijv. de registratie van dementie bij de reguliere huisartsregistratie een sterke onderschatting van de totale prevalentie van dementie in Nederland.
2. Verschillende aandoeningen worden pas in het ziekenhuis vastgesteld, bijv. bij kankers. Niet altijd wordt die diagnose uit het ziekenhuis op eenduidige manier teruggekoppeld aan de huisarts en vertaald in een ICPC codering. Hierdoor worden deze chronische aandoeningen in de huisartsenregistratie onderschat. Omgekeerd wordt het genezen zijn van een aandoening, bijv. kanker, in deze dataverwerking niet meegenomen; dit betekent dat eenmaal chronisch ziek altijd als chronisch ziek wordt geteld. Dit zorg voor een overschatting van het aantal aandoeningen.
3. Tot slot, zijn sommige klachten zo acuut, dat ze niet eerst bij de huisarts worden gezien, maar direct bij de acute zorg bijv. de spoedeisende hulp, terecht komen. Hiervoor geldt ook dat de aandoening, bijv. bij hartfalen of beroerte, niet altijd wordt teruggekoppeld aan de huisarts en vertaald naar een ICPC code.

We definiëren onze set van chronische aandoeningen obv de eerstelijns zorgregistraties met behulp van onderstaande ICPC coderingen:

Prevalentiecijfers

Het verwachtte aantal mensen met een aandoening wordt berekend per gemeente, leeftijdsklasse en geslacht. Omdat de huisartsenregistratie van Nivel Zorgregistraties Eerste Lijn niet de gehele populatie van Nederland dekt (het is een steekproef van ongeveer 10%), maken we op gemeenteniveau een schatting met behulp van een model. We gebruiken hiervoor de SMAP-methodiek zoals ook beschreven in dit artikel.

Modellering

Samenvatting: We modelleren het aantal mensen dat op 1 januari 2019 een bepaalde aandoening had, op basis van individuele persoonskenmerken zoals leeftijd, geslacht, migratieachtergrond en locatie van de woning.

Data: We baseren ons model op patiënten die in het eerste kwartaal van 2019 ingeschreven stonden bij een huisartsenpraktijk die aangesloten is bij Nivel Zorgregistraties Eerste Lijn. Van deze patiënten weten we namelijk of ze op 1 januari 2019 een bepaalde aandoening hadden. We koppelen deze patiënten aan persoons- en omgevingskenmerken die in de CBS Centraal Bureau voor de Statistiek (Centraal Bureau voor de Statistiek) microdata omgeving worden opgeslagen.

Het model: Op basis van deze kenmerken trainen we een model dat zo goed mogelijk de kans voorspelt of de patiënt de aandoening heeft of niet. Voor elke aandoening is een apart model getraind. We maken gebruik van gradient boosted trees (R package xgboost). Missende waardes (zoals een onbekende etniciteit) worden niet ingevuld omdat het model hier zelf mee om kan gaan. Alle default hyperparameters worden gebruikt, met uitzondering van de learning rate (0.1). Het aantal iteraties is geoptimaliseerd door middel van 5-fold crossvalidation.

Geschatte aantallen: Voor iedereen die niet in Nivel Zorgregistraties zit, voorspellen we met het model de kans op een bepaalde aandoening. Voor iedereen die wel in de Nivel registraties zit, gebruiken we de feitelijke cijfers (aandoening ja/nee). Per gemeente, leeftijdsklasse, en geslacht worden deze aantallen bij elkaar opgeteld om zo tot een schatting te komen van het aantal mensen met de aandoening binnen die groep.

Landelijk zorggebruik

Het Nivel berekende het gemiddeld aantal consulten per jaar voor mensen met een bepaalde aandoening, leeftijdsklasse en geslacht. Hiervoor wordt de populatie gebruikt van mensen die op 1 januari 2019 de aandoening hadden.

Voor ieder contact met de huisartsenpraktijk (zowel bij de huisarts als een praktijkondersteuner) is de reden van het contact bekend. Op basis van ICPC-gecodeerde diagnosecodes kunnen  contacten specifiek voor de aandoening bepaald worden; dit zijn ICPC diagnosecodes die dírect overeenkomt met de aandoening. Sommige huisartscontacten die te maken hebben met de aandoening zullen echter een andere ICPC code krijgen dan deze specifieke diagnosecode.

De grafiek hieronder bevat data die afkomstig is van Google Trends. De gegevens van google trends zijn het resultaat van zoekopdrachten die dagelijks worden uitgevoerd op Google.

De reden dat we inzichten met behulp van Google Trends data laten zien op Regiobeeld.nl is omdat bepaalde onderwerpen die op dit moment spelen binnen de zorg en volksgezondheid in Nederland nog niet voldoende inzichtelijk zijn in de huidige databronnen. Met behulp van deze pagina kunnen deze onderwerpen toch worden meegenomen in een totaalbeeld voor een regioplan. De data geeft informatie over hoe diverse onderwerpen, zoals E-sigareten,  leven in de verschillende provincies. Krijgen de onderwerpen meer aandacht in de loop van de tijd? En is het een onderwerp waar we meer aandacht voor moeten hebben als regio?

Interpretatie van de Google Trends data

Google Trends is een tool om trends en patronen van zoekopdrachten met Google te analyseren. Google Trends toont de relatieve frequentie van de zoekvolume-activiteit in een index van 0 tot 100.

Grote voordelen:

• De data wordt real-time verzameld en gerapporteerd.
• Trends in zoekopdrachten naar verschillende termen kunnen worden vergeleken.
• Trends in zoekopdrachten in verschillende regio’s kunnen worden vergeleken.

Een aantal disclaimers:

• De data is anoniem. Het is dus niet duidelijk wie er zoekt en wat de intenties zijn.
• Exclusie van personen die de Google zoekmachine niet gebruiken.
• In de analyses zijn bepaalde zoektermen geselecteerd waarbij het niet met zekerheid kan worden vastgesteld of hiermee alle zoekopdrachten naar dat onderwerp worden gevonden.

Onderstaande figuur kan helpen om de data te interpreteren.  Deze figuur toont het zoekgedrag op Google naar vier verschillende onderwerpen van 2019 tot  juli 2024 voor heel Nederland. Het onderwerp ‘huisarts’ dient als referentie. In de grafiek is een lijn te zien bij 76,6. Dit is de gemiddelde zoekvolume-activiteit naar 'huisarts' van 2019 tot juli 2024 in Nederland. Het zoekvolume naar de andere onderwerpen kan aan de hand van deze referentie worden ingeschat.  Om te helpen bij deze inschatting, geven we hierbij nog wat cijfers vanuit NiveL; over de huisartsenzorg

• In 2022 heeft meer dan driekwart (77,6%) van de mensen die bij een huisartsenpraktijk staat ingeschreven éénmaal of vaker contact gehad met de huisartsenpraktijk.
• Patiënten die in een jaar contact hebben met een huisartsenpraktijk, hebben jaarlijks gemiddeld vijf contacten.