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 In de Volksgezondheid Toekomst Verkenning (VTV) rapporteert het RIVM elke vier jaar over de ontwikkeling van de volksgezondheid in Nederland. (In de Volksgezondheid Toekomst Verkenning (VTV) rapporteert het RIVM elke vier jaar over de ontwikkeling van de volksgezondheid in Nederland.) 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.

Voor een aantal indicatoren hebben wij zelf de data verwerkt, bijvoorbeeld in de CBS Centraal Bureau voor de Statistiek (Centraal Bureau voor de Statistiek) Remote Access. De beschrijving van deze dataverwerkingsstappen vindt u hier.

Algemeen CBS Microdata

Leeftijds- en geslachtsspecifieke cijfers worden alleen op landelijk niveau verwerkt. Leeftijdsklassen zijn zo veel mogelijk vijfjaarsleeftijdsklassen tot en met 95+. Lage leeftijdsklassen worden soms geaggregeerd als dat niet anders kan, zoals bij verpleeghuiszorg. Dit heeft weinig tot geen effect. Leeftijden worden altijd bepaald op de peildatum. De gemeente wordt bepaald als de eerste gemeente waar iemand dat jaar woont. Meestal is dat op 1 januari, in het geval van immigratie en geboorte kan dat eventueel later in het jaar zijn.

Op regionaal niveau worden alleen totalen bepaald, voor alle jaren dat de data beschikbaar is. Dat is dus één cijfer per indicator per gemeente per jaar.

Ter voorkoming van herleidbaarheid en kleine aantallen worden vanuit microdata altijd alle aantallen afgerond naar tientallen.

Zorggebruik: Trend in veelvoorkomende ingrepen

Het aantal gedeclareerde DBC Diagnose-behandelcombinatie (Diagnose-behandelcombinatie )-zorgproducten voor verschillende veelvoorkomende ingrepen wordt bepaald vanuit MSZ data van Vektis, zie MSZPRESTATIESVEKTTAB, via de CBS Remote Access.

DBCs worden toegewezen aan een ingreep op basis van dbc zorgproductcode, specialisme en diagnose, volgens de tabel beschreven in het VTV-2018 methoden document, pagina 19 en 20(PDF).

Zorggebruik: Spoedeisende zorgvragen in het ziekenhuis

Het aantal spoedeisende zorgvragen in het ziekenhuis wordt bepaald vanuit MSZ data van Vektis, zie MSZPRESTATIESVEKTTAB, via de CBS Remote Access.

Het aantal spoedeisende zorgvragen wordt gedefinieerd als het totaal aantal spoedeisende contacten in het ziekenhuis.  Als 1 of meer van de volgende punten geldt, wordt het gezien als spoedeisend contact:

• zorgactiviteit 190015: een spoedeisende hulp contact op de seh-afdeling
• zorgactiviteit 190016: een spoedeisende hulp contact buiten de seh afdeling, elders in het ziekenhuis
• het betreffende DBC-subtraject is op die dag geopend maar er is geen SEH Spoed Eisende Hulp (Spoed Eisende Hulp)-zorgactiviteit geregistreerd, maar de code voor zelfverwijzer (variabele heet VEKTMSZVerwijzer’) is gelijk aan '01' of '03', (zelf)verwijzer SEH.
• een op die dag geopende OZP voor kaakchirurgie (declaratiecode begint met ’23’) waarbij VEKTMSZVerwijzer gelijk is aan '01' of '03'. Dat zijn er zo’n 1000 per jaar.

Er is 1 uitzondering: als er binnen 1 DBC-subtraject op 1 dag meerdere spoedeisend contacten zijn worden deze als 1 spoedeisende zorgvraag gezien. Sommige patiënten worden voor hun aandoening door meerdere specialismen gezien, bijvoorbeeld als er sprake is van meerdere letsels of aandoeningen. In sommige gevallen lopen daardoor meerdere DBC-subtrajecten parallel. Het aantal geregistreerde spoedeisende zorgvragen voor een patiënt die de SEH-afdeling bezoekt, kan dus op 1 dag groter zijn dan 1.

Zwangerschap: Een spoedeisende zorgactiviteit bij gynaecologie/verloskunde mag alleen vastgelegd worden als het tussen 18 en 8 uur plaatsvindt of in de weekenden. Daarnaast komen in sommige ziekenhuizen zwangere vrouwen mogelijk niet via SEH binnen. Om een scheef/halfslachtig beeld te voorkomen excluderen we alle spoedeisende zorgvragen waarbij de diagnose in doelgroep 51 (kinderwens, zwangerschap, bevalling en postnatale zorg) zit, m.u.v. de specialisme-diagnose combinaties betreffende endocrinologie in de zwangerschap, wat de specialisme-diagnose combinaties zijn onder het specialisme interne geneeskunde (313), nl diagnoses 0205, 0213, 0224.

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:

a) 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.

b) 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.

c) 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