In hoeverre kunnen sociale determinanten van gezondheid, zoals opleidingsniveau en sociaal-economische positie, de voorspelling van hart- en vaatziekten en diabetes type 2 verbeteren bovenop de medische informatie die nu al wordt gebruikt? Die vraag stond centraal in een nieuwe studie van Health Campus-collega’s Hielke Muizelaar, Marcel Haas, Rimke Vos, Maarten van Aken en Marco Spruit.
Dat sociale omstandigheden samenhangen met gezondheid is al langer bekend. In deze studie onderzochten de onderzoekers daarom vooral hoeveel extra voorspellende informatie sociale determinanten bieden naast bekende medische risicofactoren, zoals leeftijd, BMI, bloeddruk en medicatiegebruik.
Dit was mogelijk dankzij de unieke koppeling binnen ELAN van gezondheidsgegevens uit de huisartsenzorg en het ziekenhuis aan individuele sociaaleconomische gegevens van het Centraal Bureau voor de Statistiek (CBS). Hierdoor kon de toegevoegde waarde van sociale determinanten rechtstreeks worden vergeleken met die van bestaande medische risicofactoren, zoals leeftijd, BMI, bloeddruk en medicatiegebruik.
Methode
Voor het onderzoek werden gegevens van meer dan 58.000 personen uit de ELAN-database (Extramuraal LUMC Academisch Netwerk) geanalyseerd. Deze database bevat longitudinale gezondheidsgegevens uit huisartsenpraktijken en ziekenhuizen. Via het CBS werden deze gegevens gekoppeld aan individuele sociaaleconomische gegevens, waaronder informatie over inkomen, sociaaleconomische positie en uitkeringen.
Door deze combinatie konden medische en sociale kenmerken op persoonsniveau en over meerdere jaren gezamenlijk worden onderzocht.
Alle deelnemers waren 30 jaar of ouder en hadden bij de start van het onderzoek nog geen diabetes type 2 of hart- en vaatziekte. Vervolgens werd gekeken welke personen tijdens de follow-up periode alsnog een van deze aandoeningen ontwikkelden.
De onderzoekers maakten gebruik van verschillende voorspelmodellen. Daarbij werden traditionele statistische methoden vergeleken met een machine learning-model genaamd XGBoost. Ook werd gekeken naar de prestaties van het veelgebruikte SCORE2-risicomodel voor hart- en vaatziekten.
Vervolgens werden drie situaties met elkaar vergeleken:
Resultaten
De onderzoekers zagen dat het gecombineerde model het beste presteerde. Met andere woorden: een voorspelling werden aantoonbaar nauwkeuriger wanneer sociale factoren werden meegenomen. Voor de voorspelling van hart- en vaatziekten of diabetes binnen vijf jaar scoorde het gecombineerde model beter dan een model met alleen medische gegevens.
Ook voor voorspellingen op langere termijn bleek het XGBoost-model beter te presteren dan traditionele modellen. Daarmee laat het onderzoek zien dat het toevoegen van sociale omstandigheden aantoonbaar helpen om gezondheidsrisico’s beter in te schatten.
Uiteindelijk bleek dat van alle sociale determinanten die werden meegewogen de sociaaleconomische positie, inkomen en informatie over uitkeringen de voorspellende waarde het meest vergroten.
Brede blik op gezondheid
Deze bevindingen onderstrepen het belang van een brede kijk op gezondheid. Door de toevoeging van sociale determinanten op waarde te schatten kunnen risico’s beter worden ingeschat en kunnen preventieve maatregelen gerichter worden ingezet.
Het onderzoek draagt bij aan de groeiende kennis over het gebruik van data-analyse en kunstmatige intelligentie in de gezondheidszorg onderstreept de waarde van het combineren van medische gegevens met sociaaleconomische registratiedata.
Dit onderzoek is onderdeel van het NWO-project genaamd Healthbox. Het project heeft als doel om iedereen met een metabool syndroom een gepersonaliseerde thuisbehandeling aan te bieden. Dit project wordt geleid door LUMC collega Niels Chavannes, lees meer via deze link.
Via deze link is het gepubliceerde artikel over dit onderzoek te lezen.