Describing health inequalities without distortion: Simple-Means MAIHDA vs Random-Effects MAIHDA

In der Untersuchung der öffentlichen Gesundheit haben Forscher schon lange versucht zu verstehen, warum manche Bevölkerungsgruppen gesünder sind als andere. Traditionell wurde dies durch die Betrachtung von Durchschnittswerten getan: man berechnete die durchschnittliche Gesundheit einer Stadt, eines Stadtviertels oder einer bestimmten demografischen Gruppe. Doch Durchschnittswerte können die Wahrheit verschleiern. Genau wie die durchschnittliche Tiefe eines Flusses suggerieren kann, dass es sicher ist, hindurchzuwaten, während sie ein tiefes, gefährliches Loch in der Mitte verbirgt, kann eine durchschnittliche Gesundheitsstatistik die schweren Kämpfe spezifischer, kleinerer Gruppen innerhalb desselben Gebiets maskieren. Um das volle Bild der Ungleichheit zu sehen, müssen Wissenschaftler über den Durchschnitt hinausblicken und untersuchen, wie die Umgebung selbst die Leben von Individuen formt. Dies beinhaltet das Verständnis nicht nur darüber, wer krank ist, sondern wie die Orte, an denen sie leben, und ihre soziale Stellung interagieren, um Gesundheitsmuster zu erzeugen. Die Herausforderung liegt darin, diese Muster genau zu messen, ohne die sehr Unterschiede zu glätten, die gesehen werden müssen.

Ein Forschungsteam in Schweden hat einen neuen Weg entwickelt, um diese Gesundheitsungleichheiten abzubilden, der sich weigert, die Details zu verbergen. Sie konzentrierten sich auf zwei sehr unterschiedliche Gesundheitsergebnisse in der Stadt Malmö: die Verwendung von Medikamenten für psychische Erkrankungen und die Entscheidung, einen Privatarzt anstelle eines öffentlichen Arztes aufzusuchen. Durch die Analyse von Daten aus über 43.000 Menschen verglichen sie eine neue, unkomplizierte Methode des Zählens mit den komplexeren statistischen Modellen, die derzeit der Standard auf diesem Gebiet sind. Ihre Arbeit zeigt, dass Standardmodelle zwar eng bei allgemeinen Zusammenfassungen übereinstimmen, aber die schärfsten Kanten der Ungleichheit für spezifische kleine Gruppen glätten können, wodurch sie weniger deutlich erscheinen, als sie tatsächlich sind. Die Forscher fanden heraus, dass eine einfache, direkte Zählung dessen, was tatsächlich in den Daten geschieht, ein klareres, ehrlicheres Bild der gesundheitlichen Disparitäten liefert als die komplexen Modelle, die versuchen vorherzusagen, was passieren sollte.

Die Forscher begannen damit, die Bevölkerung von Malmö in 300 unterschiedliche Gruppen zu unterteilen. Jede Gruppe wurde durch eine Kombination aus dem Ort, an dem eine Person lebte, und ihren sozialen Merkmalen wie Alter, Geschlecht und Einkommensniveau definiert. Dies erzeugte ein detailliertes Mosaik der Stadt, in dem jedes Viertel zwölf verschiedene soziale Profile enthielt. Sie untersuchten dann zwei spezifische Gesundheitsverhaltensweisen. Die erste war die Anwendung von Psychopharmaka, die für psychische Probleme verschrieben werden. Die zweite war die Entscheidung, einen privaten Allgemeinmediziner anstelle eines öffentlichen aufzusuchen. Diese beiden Ergebnisse wurden gewählt, weil sie entgegengesetzte Enden des Spektrums darstellen: Das eine wird fast ausschließlich durch persönliche Umstände wie Einkommen und Alter angetrieben, während das andere stark durch die Geografie und den Ort beeinflusst wird, an dem man lebt.

Als die Forscher ihre neue Methode anwandten, die sie Simple-Means MAIHDA nennen, zählten sie einfach die Anzahl der Menschen in jeder der 300 Gruppen, die das Medikament verwendeten oder einen Privatarzt aufsuchten. Sie versuchten nicht, diese Zahlen basierend auf statistischen Annahmen oder mathematischen Formeln anzupassen. Stattdessen berichteten sie exakt das, was die Daten zeigten, einschließlich der Unsicherheit, die mit kleineren Gruppen einhergeht. Für die Verwendung von Psychopharmaka zeigten die Ergebnisse ein klares Muster, das durch Geld und Alter getrieben war. Menschen mit niedrigerem Einkommen nutzten diese Medikamente signifikant häufiger als Menschen mit höherem Einkommen, unabhängig davon, in welchem Viertel sie lebten. Die Unterschiede zwischen reichen und armen Vierteln waren sehr gering, und die Umgebung spielte selbst fast keine Rolle bei der Gestaltung dieser Gesundheitsergebnisse; die Ungleichheit war eine reine Angelegenheit der individuellen sozialen Stellung.

Im krassen Gegensatz dazu wurde die Entscheidung, einen Privatarzt aufzusuchen, kraftvoll durch die Geografie geprägt, aber nicht durch die Ersetzung des persönlichen Einkommens. Die Forscher fanden heraus, dass Personen mit hohem Einkommen konsistent eher einen Privatarzt wählten als Personen mit niedrigem Einkommen, und zwar in allen Gebieten. Die Geografie wirkte jedoch als mächtiger Verstärker: Die Kluft zwischen reichen und armen Bewohnern war in wohlhabenden Vierteln signifikant größer als in armen Vierteln. Die Umgebung verschob nicht nur die Gesamtzahlen, sie veränderte tatsächlich die Gestalt der Ungleichheit. In wohlhabenden Gebieten war der Unterschied zwischen reichen und armen Bewohnern sogar noch größer als in armen Gebieten. Die Geografie selbst verstärkte die soziale Kluft und machte die Wahl des Gesundheitsdienstleisters zu einer Geschichte sowohl des persönlichen Status als auch des Standorts.

Das Paper argumentiert, dass die Standard-Statistikmodelle, die von den meisten Forschern verwendet werden – bekannt als Random-Effects-Modelle –, nicht in der Lage sind, diese scharfen Realitäten für spezifische Gruppen zu erfassen, obwohl sie beim Gesamtbild übereinstimmen. Diese Modelle arbeiten dadurch, dass sie die Schätzungen für kleine Gruppen in Richtung des Gesamtdurchschnitts „schrumpfen“ (shrink). Die Logik dahinter ist, dass, wenn eine Gruppe klein ist, ihre Daten möglicherweise unzuverlässig sind, daher sei es sicherer anzunehmen, dass sie näher am stadtweiten Durchschnitt liegt. Die Forscher demonstrieren, dass dieser Prozess wie ein Filter wirkt, der die Kanten der Landkarte verwischt. Für die Verwendung von Psychopharmaka änderte das Standardmodell die Erkenntnis, dass die Geografie vernachlässigbar war, nicht signifikant, da der geografische Effekt bereits abwesend war. Jedoch für die Entscheidung zum Privatarzt zog das Standardmodell die Extremwerte der wohlhabenden und armen Viertel näher zusammen und ließ die geografische Kluft weniger schwerwiegend erscheinen, als sie für spezifische kleine Schichten tatsächlich war.

Die Forsmcher betonen, dass dieses „Schrumpfen“ nicht nur eine mathematische Eigenart ist; es hat reale Konsequenzen dafür, wie wir Ungleichheit verstehen. Wenn ein Modell die Daten glättet, kann es eine kleine, marginalisierte Gruppe so erscheinen lassen, als hätte sie ein Gesundheitsrisiko, das näher am Durchschnitt liegt, während sie in Wirklichkeit mit einer viel schwerwiegenderen Situation konfrontiert sein könnte. Indem sie die beobachteten Rohzahlen berichten, bewahrt die neue Methode das wahre Ausmaß dieser Ungleichheiten. Sie zeigt, dass für einige Gesundheitsprobleme der Ort, an dem man lebt, eine mächtige Kraft ist, die das eigene Leben formt, während für andere die persönlichen Umstände der dominierende Faktor sind. Die Studie behauptet nicht, dass die komplexen Modelle nutzlos sind; sie sind gut für Vorhersagen, wenn Daten spärlich sind. Aber um die Realität der Gesundheitsungleichheit so zu beschreiben, wie sie aktuell existiert, argumentieren die Forscher, dass der einfachste Ansatz – das Zählen dessen, was vorhanden ist – der ehrlichste ist.

Die Studie kommt zu dem Schluss, dass Wissenschaftler und politische Entscheidungsträger, um Gesundheitsunterschiede wirklich zu verstehen und zu adressieren, die Daten betrachten müssen, ohne sie zu glätten. Die neue Methode bietet ein Werkzeug dazu, das es Forschern ermöglicht, genau zu sehen, wie viel einer Ungleichheit darauf zurückzuführen ist, wo Menschen leben, und wie viel darauf zurückzuführen ist, wer sie sind. Im Fall von Malmö zeigten die Daten, dass psychische Belastungen weitgehend eine Geschichte individueller Armut sind, während die Wahl des Gesundheitsdienstleisters eine Geschichte von Geografie und Segregation ist, die soziale Unterschiede verstärkt. Indem sie sich weigern, die kleinen, scharfen Unterschiede in den Daten zu verbergen, bieten die Forscher einen klareren Weg zum Verständnis der wahren Struktur der Gesundheit in der Gesellschaft. Die Arbeit legt nahe, dass wir, wenn wir Gesundheitsungleichheiten beheben wollen, sie zuerst exakt so sehen müssen, wie sie sind, und nicht so, wie ein statistisches Modell denkt, dass sie sein sollten.