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

In de studie van de volksgezondheid zoeken onderzoekers al lang naar een verklaring voor het feit dat sommige groepen mensen gezonder zijn dan andere. Traditioneel is dit gedaan door naar gemiddelden te kijken: het berekenen van de gemiddelde gezondheid van een stad, een buurt of een specifieke demografische groep. Echter, gemiddelden kunnen de waarheid verhullen. Net zoals de gemiddelde diepte van een rivier kan suggereren dat het veilig is om doorheen te waden, terwijl het een diepe, gevaarlijke kuil in het midden verbergt, kan een gemiddelde gezondheidsstatistiek de zware strijd van specifieke, kleinere groepen binnen datzelfde gebied maskeren. Om het volledige beeld van ongelijkheid te zien, moeten wetenschappers verder kijken dan het gemiddelde en onderzoeken hoe de omgeving zelf de levens van individuen vormgeeft. Dit houdt in dat men niet alleen begrijpt wie er ziek is, maar ook hoe de plaatsen waar zij wonen en hun sociale positie met elkaar interageren om gezondheidspatronen te creëren. De uitdaging ligt in het nauwkeurig meten van deze patronen zonder de zeer eigenlijke verschillen die gezien moeten worden, weg te poetsen.

Een team van onderzoekers in Zweden heeft een nieuwe manier ontwikkeld om deze gezondheidsverschillen in kaart te brengen die weigert de details te verbergen. Zij richtten zich op twee zeer verschillende gezondheidsuitkomsten in de stad Malmö: het gebruik van medicatie voor mentale aandoeningen en de keuze om een privéarts te bezoeken in plaats van een publieke arts. Door gegevens van meer dan 43.000 mensen te analyseren, vergeleken ze een nieuwe, eenvoudige methode van tellen met de complexere statistische modellen die momenteel de standaard zijn in het vakgebied. Hun werk laat zien dat hoewel standaardmodellen nauw overeenstemmen wat betreft brede samenvattende maten, ze de scherpste randen van ongelijkheid voor specifieke kleine groepen kunnen afvlakken, waardoor ze minder uitgesproken lijken dan ze werkelijk zijn. De onderzoekers ontdekten dat een eenvoudige, directe telling van wat er daadwerkelijk gebeurt in de data, een duidelijker en eerlijker beeld geeft van gezondheidsverschillen dan de complexe modellen die proberen te voorspellen wat er zou moeten gebeuren.

De onderzoekers begonnen met het verdelen van de bevolking van Malmö in 300 afzonderlijke groepen. Elke groep werd gedefinieerd door een combinatie van waar iemand woonde en hun sociale kenmerken, zoals leeftijd, geslacht en inkomensniveau. Dit creëerde een gedetailleerde mozaïek van de stad, waarbij elke buurt twaalf verschillende sociale profielen bevatte. Vervolgens keken ze naar twee specifieke gezondheidsgedragingen. De eerste was het gebruik van psychofarmaca, die worden voorgeschreven voor mentale problemen. De tweede was de keuze om een privépraktijk te bezoeken in plaats van een publieke praktijk. Deze twee uitkomsten werden gekozen omdat ze de tegenovergestelde uiteinden van het spectrum vertegenwoordigen: de één wordt bijna volledig gedreven door persoonlijke omstandigheden zoals inkomen en leeftijd, terwijl de ander sterk wordt beïnvloed door geografie en waar men woont.

Toen de onderzoekers hun nieuwe methode toepasten, die zij Simple-Means MAIHDA noemen, telden ze simpelweg het aantal mensen in elk van de 300 groepen dat de medicatie gebruikte of koos voor een privéarts. Ze probeerden deze aantallen niet aan te passen op basis van statistische aannames of wiskundige formules. In plaats daarvan rapporteerden ze exact wat de data lieten zien, inclusief de onzekerheid die gepaard gaat met kleinere groepen. Voor het gebruik van medicatie voor mentale gezondheid toonden de resultaten een duidelijk patroon aan dat werd gedreven door geld en leeftijd. Mensen met lagere inkomens maakten aanzienlijk vaker gebruik van deze medicijnen dan mensen met hogere inkomens, ongeacht in welke buurt zij woonden. De verschillen tussen rijke en arme wijken waren zeer klein, en de omgeving zelf speelde bijna geen rol bij het vormen van deze gezondheidsuitkomsten; de ongelijkheid was puur een kwestie van individuele sociale positie.

In schril contrast hiermee werd de keuze voor een privéarts krachtig gevormd door geografie, maar niet door het te vervangen door persoonlijk inkomen. De onderzoekers vonden dat personen met een hoog inkomen consequent vaker voor een privéarts kozen dan personen met een laag inkomen in alle gebieden. Geografie fungeerde echter als een krachtige versterker: de kloof tussen rijke en arme inwoners was aanzienlijk groter in welvarende wijken dan in arme wijken. De omgeving verschoof niet alleen de algemene cijfers; de omgeving veranderde ook de vorm van de ongelijkheid. In welvarende gebieden was het verschil tussen rijke en arme inwoners zelfs groter dan in arme gebieden. De geografie zelf versterkte de sociale kloof, waardoor de keuze voor een zorgverlener een verhaal werd van zowel persoonlijke status als locatie.

Het artikel betoogt dat de standaard statistische modellen die de meeste onderzoekers gebruiken, bekend als Random-Effects modellen, er niet in slagen deze scherpe realiteiten voor specifieke groepen te vangen, ook al komen ze overeen wat betre betreft het algemene beeld. Deze modellen werken door de schattingen voor kleine groepen te "verkleinen" (shrinking) richting het algemene gemiddelde. De logica is dat als een groep klein is, de gegevens mogelijk onbetrouwbaar zijn, dus is het veiliger om ervan uit te gaan dat de groep dichter bij het stedelijke gemiddelde ligt. De onderzoekers laten zien dat dit proces werkt als een filter dat de randen van de kaart vervaagt. Voor de medicatie voor mentale gezondheid veranderde het standaardmodel de bevinding dat geografie verwaarloosbaar was niet significant, aangezien het geografische effect al afwezig was. Echter, voor de keuze van de privéarts trok het standaardmodel de extreme waarden van de rijke en arme wijken dichter bij elkaar, waardoor het geografische verschil minder ernstig leek dan het daadwerkelijk was voor specifieke kleine strata.

De onderzoekers benadrukken dat dit "verkleinen" niet slechts een wiskundige eigenaardigheid is; het heeft reële gevolgen voor hoe we ongelijkheid begrijpen. Wanneer een model de data gladstrijkt, kan het een kleine, gemarginaliseerde groep doen lijken also te een gezondheidsrisico dat dichter bij het gemiddelde ligt, terwijl zij in werkelijkheid wellicht met een veel ernstigere situatie te maken hebben. Door de ruwe, geobserveerde aantallen te rapporteren, behoudt de nieuwe methode de ware omvang van deze ongelijkheden. Het laat zien dat voor sommige gezondheidskwesties de plek waar je woont een machtige kracht is die je levenskansen vormgeeft, terwijl voor andere zaken je persoonlijke omstandigheden de dominante factor zijn. De studie beweert niet dat de complexe modellen nutteloos zijn; ze zijn goed voor het doen van voorspellingen wanneer data schaars is. Maar voor het beschrijven van de realiteit van gezondheidsongelijkheid zoals die nu bestaat, betogen de onderzoekers dat de eenvoudigste aanpak — het tellen van wat er is — de meest eerlijke is.

De studie concludeert dat om gezondheidsverschillen werkelijk te begrijpen en aan te pakken, wetenschappers en beleidsmakers naar de data moeten kijken zonder deze glad te strijken. De nieuwe methode biedt een instrument om dit te doen, waardoor onderzoekers precies kunnen zien hoeveel van een ongelijkheid te wijten is aan waar mensen wonen en hoeveel aan wie zij zijn. In het geval van Malmö onthulde de data dat hoewel mentale strijd grotendeels een verhaal is van individuele armoede, de keuze voor een zorgverlener een verhaal is van geografie en segregatie dat sociale verschillen versterkt. Door te weigeren de kleine, scherpe verschillen in de data te verbergen, bieden de onderzoekers een helderder pad naar het begrijpen van de werkelijke structuur van gezondheid in de samenleving. Het werk suggereert dat als we gezondheidsongelijkheid willen oplossen, we deze eerst precies moeten zien zoals ze is, en niet zoals een statistisch model denkt dat ze zou moeten zijn.