Onderwerpen

De onderwerpen 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 tevens de epidemiologische projectie uit de VTV 2024 toegepast.

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 beschrijft de verwachte ontwikkeling van de bevolking per gemeente tot en met 2040 op basis van veronderstellingen voor kindertal, migratie en sterfte.

Voor een aantal indicatoren verwerken wij zelf de data in de CBS (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) op basis van niet-openbare microdata van het CBS:

• Zorgkosten (Zvw): 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)'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): 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 op gemeenteniveau, 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 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). 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) 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