Reclassification and Weighting of Multiple Causes of Death: US Death Certificates 2003-2023

Deze studie analyseert de impact van herclassificatie en weging van alle 56,9 miljoen Amerikaanse overlijdensverklaringen tussen 2003 en 2023, en toont aan dat het verlaten van de traditionele methode van één onderliggende doodsoorzaak ten gunste van het toewijzen van de sterftecijfers aan alle vermelde oorzaken de ziektefardeelschattingen voor diverse aandoeningen aanzienlijk verandert, met grote gevolgen voor de toewijzing van hulpbronnen en volksgezondheidsprioriteiten.

De kern

De Doodscertificaat-Transformatie: Een Verhaal over Herindeling en Gewichten

Stel je voor dat de doodscertificaten in de VS een enorme bibliotheek zijn met bijna 57 miljoen boeken (één boek per overleden persoon). In deze bibliotheek schrijven artsen op wat de doodsoorzaak is. Maar er is een probleem: de artsen schrijven hun verhaal op in hun eigen woorden (de Entity Axis), en een computer met strikte regels herschrijft dat verhaal naar een standaardformulier (de Record Axis).

Deze studie van 2003 tot 2023 kijkt naar wat er gebeurt als je die twee versies vergelijkt, en of we misschien de "telling" van de sterfgevallen verkeerd doen door te kijken naar slechts één oorzaak, terwijl mensen vaak aan meerdere dingen tegelijk sterven.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. De Vertaler en de Regels (Herschepping)

Wanneer een arts een certificaat invult, schrijft hij of zij: "Deze persoon stierf aan een longontsteking." Maar de computer die de officiële statistieken maakt, kijkt naar de regels en zegt: "Nee, volgens de regels was het eigenlijk COVID-19 dat de longontsteking veroorzaakte."

• De Analogie: Denk aan een vertaler die een boek herschrijft. De auteur (de arts) schrijft: "Het was een storm." De vertaler (de computer) zegt: "Nee, volgens de regels van het genre is dit een 'Orkaan'."
• Het Resultaat: Door deze herschrijving veranderden de cijfers drastisch. Het aantal sterfgevallen door COVID-19 verdubbelde bijna (+92%) omdat de computer veel meer gevallen als COVID-19 classificeerde dan de artsen oorspronkelijk hadden opgeschreven. Ook sterfgevallen door verkeersongevallen stegen flink, terwijl "andere externe oorzaken" (een soort prullenbak-categorie) halveerde.

2. De "Enige Oorzaak"-Mist (Het Gewicht)

De traditionele manier om sterftecijfers te tellen is alsof je een koekje eet en alleen naar het eerste stukje kijkt dat je in je mond hebt gestopt. Je zegt: "Ik heb dit koekje gegeten." Maar in werkelijkheid is het koekje gemaakt van meel, suiker, boter en eieren. Mensen sterven zelden aan één ding; ze sterven vaak aan een combinatie van ziektes (bijvoorbeeld: hartproblemen + diabetes + een valpartij).

De auteurs zeggen: "Waarom tellen we niet alle ingrediënten mee?" Ze probeerden drie manieren om dit te doen:

• W0 (De oude manier): Tel maar 100% naar de belangrijkste oorzaak.

• W1 (De half-half manier): Geef 50% aan de belangrijkste oorzaak en verdeel de andere 50% eerlijk over de rest.

• W2 (De eerlijke manier): Verdeel het gewicht helemaal gelijk over alle oorzaken die op het certificaat staan.

• De Analogie: Stel je voor dat een team van drie mensen een zware kist draagt.

  • De oude manier zegt: "Alleen de persoon vooraan heeft de kist gedragen."
  • De nieuwe manier zegt: "Nee, ze droegen het samen. Laten we de verdiensten eerlijk verdelen."

3. Wat gebeurde er met de cijfers?

Toen ze de "eerlijke verdeling" (gewicht) toepasten, veranderde het plaatje volledig:

• COVID-19: Het aantal sterfgevallen dat we aan COVID-19 toeschreven, daalde met 44% tot 63%.
  • Waarom? Omdat veel mensen die als "COVID-19 dood" werden geteld, eigenlijk ook zware andere ziektes hadden. De computer gaf COVID-19 de volledige schuld, maar met de gewichten moest de schuld worden gedeeld met de andere ziektes.
• Valpartijen en Verkeersongevallen: Ook hier daalde het aantal, omdat deze vaak voorkomen bij mensen met andere onderliggende problemen.
• "Andere Externe Oorzaken": Dit is de grote winnaar! Dit aantal verdrievoudigde (+200%+).
  • Waarom? Veel mensen die sterven aan bijvoorbeeld verstikking of verwondingen, krijgen in de officiële statistieken vaak een andere naam. Maar als we kijken naar alle oorzaken, blijkt dat deze "andere" oorzaken veel vaker een rol spelen dan gedacht.

4. Het Seizoen-effect

Tijdens de pandemie verdwenen de normale seizoenspatronen voor longziektes (zoals grieppieken in de winter). Maar toen de auteurs de gewichten toepasten, kwamen die pieken weer terug!

• De Analogie: Het was alsof iemand een filter op de camera had gezet dat de winterkleuren wegfilterde. Toen ze het filter (de oude telmethode) verwijderden, zagen ze weer dat het in de winter echt kouder en gevaarlijker was voor de longen.

5. Waarom is dit belangrijk?

De auteurs concluderen dat we onze manier van tellen moeten veranderen.

• Het probleem: Als we alleen kijken naar de "hoofdoorzaak", krijgen we een vertekend beeld. We denken dat COVID-19 veel meer mensen heeft gedood dan het geval was (in termen van directe oorzaak), en we zien niet hoe groot het probleem is van andere oorzaken zoals valpartijen of verstikking.
• De oplossing: We moeten leren kijken naar het geheel. Net zoals je een auto niet alleen bekijkt aan de hand van de motor, maar ook van de banden, de remmen en de bestuurder.

Kortom:
Deze studie zegt: "Stop met het tellen van alleen de 'hoofdrolspeler' in het drama van de dood. Kijk naar het hele gezelschap. Als je dat doet, zien we dat COVID-19 minder dominant was dan gedacht, maar dat andere, vaak vergeten oorzaken veel groter zijn dan we dachten. Dit helpt om geld en zorg beter te verdelen waar het echt nodig is."

Technische samenvatting

Titel: Herclassificatie en Weging van Meerdere Oorzaken van Dood: VS-Overlijdenscertificaten 2003–2023

1. Het Probleem

Overlijdenscertificaten vormen de basis voor officiële sterftecijfers en volksgezondheidsbeleid, maar ze zijn berucht om hun onnauwkeurigheden en inconsistenties. Er zijn twee belangrijke niveaus van data:

• Entity Axis: De oorspronkelijke informatie ingevuld door de arts of certificeerder op het certificaat.
• Record Axis: De gestandaardiseerde, gereclassificeerde data die door het National Center for Health Statistics (NCHS) wordt gegenereerd met behulp van specifieke coderingsregels (zoals ACME/TRANSAX).

Traditionele sterftecijfers reduceren elke dood tot één enkele "onderliggende oorzaak". Dit paradigma is echter problematisch, vooral in een tijdperk van toenemende multimorbiditeit (meerdere gelijktijdige aandoeningen), waar dood vaak het resultaat is van een complex samenspel van factoren. De huidige methoden negeren bijdragende oorzaken, wat kan leiden tot vertekende inzichten in de ziektelast, verkeerde prioritering van gezondheidszorg en misleidende trends (bijvoorbeeld tijdens de COVID-19-pandemie).

2. Methodologie

De auteurs analyseerden een ongeëvenaarde dataset van 56.986.831 overlijdenscertificaten in de Verenigde Staten over een periode van 21 jaar (2003–2023).

• Data-Verwerking:
  • ICD-10-codes van zowel de Entity Axis als de Record Axis werden gemapt naar 14 brede ziektecategorieën (7 natuurlijke oorzaken zoals Circulatoir, Kanker, Respiratoir, en 7 externe oorzaken zoals Drugvergiftiging, Vervoer, Zelfdoding).
  • Specifieke aandacht voor COVID-19 (codes U07.1, U07.2, U09.9).
• Vergelijking Entity vs. Record Axis:
  • Er werd geanalyseerd hoe vaak de onderliggende oorzaak verschilt tussen de oorspronkelijke invulling en de gestandaardiseerde versie.
  • Er werd gekeken naar "promoties" (een oorzaak wordt onderliggend in de Record Axis) en "degradaties" (een oorzaak wordt bijdragend).
• Wegingsschema's (Weighting Schemes):
  Om de impact van multimorbiditeit te kwantificeren, werden drie wegingsschema's vergeleken met de traditionele telling (W0, waarbij alleen de onderliggende oorzaak telt):
  • W1: 50% gewicht voor de onderliggende oorzaak, 50% gelijk verdeeld over de bijdragende oorzaken.
  • W2: Gelijk gewicht voor alle vermelde oorzaken (onderliggend + bijdragend).
  • W2A: Gelijk gewicht op het niveau van individuele ICD-codes (inclusief herhalingen binnen dezelfde brede categorie).
• Subgroepen: Analyse per leeftijdsgroep (<65 jaar en ≥65 jaar) en per periode (pre-pandemie vs. pandemie 2020-2023).

3. Belangrijkste Bijdragen

• Empirische Validatie van Herclassificatie: Het artikel biedt de eerste grootschalige kwantificering van hoe vaak en op welke manier de officiële statistieken (Record Axis) afwijken van de oorspronkelijke medische beoordeling (Entity Axis).
• Kritische Evaluatie van COVID-19 Tellingen: Het biedt een data-gedreven perspectief op de debatten rondom over- of onderregistratie van COVID-19-doden door zowel de herclassificatie als de weging te analyseren.
• Alternatief voor "Single Cause" Paradigma: Het demonstreert dat het toepassen van wegingsschema's de sterftecijfers aanzienlijk kan verschuiven, wat suggereert dat beleidsmakers en onderzoekers moeten overstappen van een "één oorzaak"-benadering naar een "meerdere oorzaken"-benadering.

4. Resultaten

A. Verschillen tussen Entity en Record Axis (Herclassificatie):

• Er is een aanzienlijke discrepantie: in 13,6% van de gevallen (7,7 miljoen doden) werden er meerdere ICD-codes in de laatste regel van deel I ingevuld, wat leidt tot keuzes bij de herclassificatie.
• Overeenstemming: De onderliggende oorzaak komt overeen in 84,8% van de gevallen op het niveau van brede categorieën, maar daalt naar 68,9% op het niveau van specifieke ICD-10 codes.
• COVID-19 Impact: De herclassificatie leidde tot een toename van 92% in het aantal COVID-19-doden in de Record Axis ten opzichte van de Entity Axis. Veel doden die als "Respiratoir" of "Andere Natuurlijke Oorzaken" waren ingevuld, werden omgezet naar COVID-19.
• Externe Oorzaken: "Andere Externe Oorzaken" daalden met 54%, terwijl Vervoersongevallen (+43%) en Storten (+69%) toenamen door herclassificatie.

B. Impact van Weging (Weighting):
Het toepassen van weging (W1, W2, W2A) veranderde de attributie van de sterftecijfers drastisch:

• COVID-19: De geschatte last daalde met 44% tot 63% (afhankelijk van het schema) ten opzichte van de traditionele telling. Dit suggereert dat veel COVID-19-doden eigenlijk overleden aan andere onderliggende aandoeningen, waarbij COVID-19 slechts een bijdragende factor was.
• Andere Externe Oorzaken: Deze categorie verdrievoudigde (+204% tot +254%), omdat veel verwondingen en ongevallen die als "Andere Externe" werden gecodeerd, nu een groter aandeel kregen in de totale telling.
• Verkeersongevallen, Zelfdoding en Storten: Deze categorieën daalden aanzienlijk (-46% tot -66%), omdat de dood vaak werd gedeeld met andere onderliggende aandoeningen.
• Seizoenspatronen: Weging herstelde de seizoensgebonden pieken in respiratoire sterfgevallen die tijdens de pandemie in de traditionele data waren onderdrukt.
• Leeftijdsverschillen: Bij mensen onder de 65 jaar werd Kanker de meest voorkomende doodsoorzaak in de ongewogen data, maar werd Circulatoir de leidende oorzaak onder de gewogen scenario's.

5. Significantie en Conclusie

De studie concludeert dat de huidige methoden voor het vaststellen van sterftecijfers fundamenteel tekortschieten in een tijdperk van complexe multimorbiditeit.

• Beleid en Toewijzing: De keuze van het tellingsmodel (één oorzaak vs. gewogen meerdere oorzaken) heeft enorme gevolgen voor de waargenomen ziektelast. Dit beïnvloedt direct de toewijzing van middelen voor onderzoek en gezondheidszorg.
• COVID-19 Conclusie: De werkelijke pandemie-impact van COVID-19 als alleenstaande doodsoorzaak is waarschijnlijk aanzienlijk lager dan officieel gerapporteerd (misschien slechts 1/3e tot 1/2e van de officiële telling), terwijl het als bijdragende factor wel een rol speelde.
• Aanbeveling: De auteurs pleiten ervoor dat volksgezondheidsinstanties en statistiekbureaus overstappen van een unilateral afhankelijkheid van de "onderliggende oorzaak" naar methoden die meerdere oorzaken van dood expliciet wegen en rapporteren. Dit zou leiden tot nauwkeurigere gezondheidsstatistieken en betere evidence-based beleidsvorming.

De auteurs benadrukken dat hoewel autopsies de "gouden standaard" blijven, de huidige data-aanpak (herclassificatie en weging) nodig is om de complexiteit van moderne sterfgevallen beter te begrijpen en de beperkingen van de huidige systemen te mitigeren.