Rijksinstituut voor Volksgezondheid en Milieu (RIVM)
Toolkit regionale VTV

Toekomstverkenning

Het is voor het volksgezondheidsbeleid van belang te weten bij hoeveel mensen bepaalde aandoeningen in de toekomst voor zullen komen. Met deze informatie kan bijvoorbeeld op regionaal niveau geanticipeerd worden op een stijgende zorgvraag in de toekomst. Toekomstverkenningen vormen dan ook een zinvol onderdeel van een regionale VTV.

In dit onderdeel van de Toolkit regionale VTV presenteren we twee methoden om de toekomst van de volksgezondheid te verkennen: de demografische prognose en het doortrekken van trends.

Toekomstverkenning

Demografische prognose

Beschrijving Bronnen

Beschrijving

Waarom een demografische prognose?

Het is voor het volksgezondheidsbeleid van belang te weten bij hoeveel mensen bepaalde aandoeningen in de toekomst voor zullen komen. Naast het uitvoeren van het doortrekken van trends uit het verleden naar de toekomst is een demografische prognose een methode om de toekomst van de volksgezondheid te verkennen.

De demografische ontwikkeling van een bevolking is een factor die de toekomstige volksgezondheid in belangrijke mate zal beïnvloeden. Door de babyboom van net na de Tweede Wereldoorlog stijgt het aandeel ouderen in de Nederlandse bevolking in de komende jaren sterk. Omdat veel gezondheidsproblemen zich vooral voordoen op hogere leeftijd, is te verwachten dat het aantal mensen met gezondheidsproblemen in de Nederlandse bevolking sterk zal toenemen.

Bij planning gezondheidsvoorzieningen te verwachten toename van aandoeningen in bevolking van belang

Bij de planning van gezondheidszorgvoorzieningen is het van belang te anticiperen op de te verwachten toename van bepaalde aandoeningen in de bevolking. In het Nationaal Kompas Volkgezondheid presenteren we bijvoorbeeld het effect van veranderingen in omvang en samenstelling van de Nederlandse bevolking op de toekomstige prevalentie van diabetes mellitus over de periode 2005-2025. Deze informatie is op landelijk niveau onder andere nuttig voor het Ministerie van VWS, dat in haar beleid (preventie en zorg) kan anticiperen op de te verwachten toename van diabetes in de Nederlandse bevolking. Ook op GGD-regioniveau is deze informatie van belang om goed voorbereid te zijn op de te verwachten vraag naar aan diabetesgerelateerde zorg.

Demografische prognose geeft effect van toekomstige ontwikkelingen in omvang en samenstelling van de bevolking

In een demografische prognose wordt nagegaan wat het effect is van toekomstige ontwikkelingen in omvang en samenstelling van de bevolking op bijvoorbeeld de toekomstige incidentie en prevalentie van aandoeningen en op het toekomstige zorggebruik. Hiertoe worden bijvoorbeeld leeftijd- en geslachtspecifieke cijfers over de prevalentie of incidentie van een aandoening toegepast op de bevolkingsprognose van een gemeente, regio of land.

Ter illustratie

Als voorbeeld presenteren we de demografische prognose van diabetes: op basis van leeftijdsspecifieke cijfers over het voorkomen van diabetes (per 1.000 vrouwen) en de toekomstige ontwikkeling van de bevolking (afkomstig uit de CBS-Bevolkingsprognose 2004) zal het aantal vrouwen met diabetes naar verwachting met 30,6% stijgen tussen 2005 en 2025.

Zie rekenvoorbeeld diabetes

Welke gegevens zijn nodig voor een demografische prognose?

Voor een demografische prognose moet je vooraf bepalen:

  1. van welke demografische variabelen je het effect wilt doorrekenen naar de toekomst,
  2. voor welke periode je het effect wilt doorrekenen.

Voor de prognose heb je dan twee soorten basisgegevens nodig:

  1. cijfers over het vóórkomen van de gezondheidsindicator in de te onderzoeken populatie,
  2. cijfers over de toekomstige bevolking.

Keuze in demografische variabelen vaak beperkt tot leeftijd en geslacht

Voor de gezondheidsindicator die je wilt doorrekenen, heb je incidentie- of prevalentiecijfers nodig uitgesplitst naar de gekozen achtergrondvariabelen. Vaak is de keuze van demografische variabelen waarvoor je het effect wilt doorrekenen naar de toekomst echter beperkt tot leeftijd en geslacht. Dit komt omdat veel prevalentie- en incidentiecijfers niet uitgesplitst zijn naar andere achtergrondvariabelen zoals etniciteit.

Voor de demografische prognose van de prevalentie van diabetes heb de prevalentie van diabetes per 1.000 mensen uitgesplitst naar leeftijd (vijfjaarsleeftijdscategorieën) en geslacht nodig.  

Kanttekeningen

Voor de demografische prognose nemen we aan dat het percentage mensen dat een aandoening krijgt (incidentie) of heeft (prevalentie) of bepaalde zorg gebruikt in alle onderscheiden leeftijd- en geslachtsgroepen gelijk blijft in de tijd. In werkelijkheid kunnen leeftijd en geslachtspecifieke incidentie- en prevalentiecijfers van aandoeningen veranderen door met name:

  • Verandering in het voorkomen van risicofactoren: bijvoorbeeld doordat het aantal mensen met overgewicht is toegenomen in de laatste 10 jaar zal het aantal personen met diabetes nog sneller stijgen in de toekomst dan op basis van demografische ontwikkelingen alleen is te verwachten.
  • Veranderingen in het percentage mensen waarvan we weten dat het een ziekte heeft: bijvoorbeeld door grotere alertheid van de huisartsen worden diabetespatiënten vaker gediagnosticeerd, waardoor de prevalentie in de toekomst sneller zal stijgen.

Naar boven


Bronnen

Welke gegevens kunnen worden gebruikt voor een demografische prognose?

Voor de prevalentie- of incidentiecijfers van een gezondheidsindicator kun je verschillende bronnen gebruiken, zoals de gezondheidsenquête van de GGD of de landelijke cijfers die in de laatste landelijke VTV zijn gebruikt.

Voor de bevolkingsaantallen heb je cijfers nodig uitgesplitst naar dezelfde achtergrondvariabelen. Deze aantallen heb je nodig voor zowel het basisjaar als voor het jaar waarvoor je de prognose berekent.

Ter illustratie

Voor de demografische prognose van de prevalentie van diabetes heb je bevolkingsaantallen per 5-jaarsleeftijdscategorie nodig voor mannen en vrouwen afzonderlijk. Dit zowel voor het basisjaar (2005 in ons voorbeeld) als voor het jaar waarvoor je de prognose berekent (2025 in ons voorbeeld).

CBS publiceert toekomstige bevolkingsaantallen

Uit de CBS-bevolkingsprognose kun je bevolkingsaantallen naar leeftijd en geslacht voor de gekozen jaren halen. Het CBS publiceert op haar site elke twee jaar een kortetermijnprognose (ongeveer zes jaren) en elke twee jaar een langetermijnprognose (tot 2050) met toekomstige bevolkingsaantallen naar leeftijd en geslacht voor heel Nederland. Deze prognoses zijn gebaseerd op hypothesen over de toekomstige ontwikkeling van geboorte, migratie en sterfte. Het CBS publiceert ook gegevens over allochtonenprognoses, huishoudenprognoses en regionale prognoses. Alle prognoses op de 'StatLine Databank' zijn gemakkelijk te downloaden naar Excel om zelf mee verder te rekenen. Zie: Icoon: urlStatLine (klik op achtereenvolgens: 'selecteren via themaboom', 'bevolking' en 'prognose').

Informeer ook naar andere informatieve bevolkingsprognoses

Het kan zinvol zijn om te informeren of er nog andere bevolkingsprognoses zijn die bruikbaar zijn. Voor het rapport Groeien in Gezondheid van de GGD Midden-Holland (Treurniet et al., 2006) is bijvoorbeeld de prognose gebruikt die de provincie Zuid-Holland heeft gemaakt (Icoon: urlwww.ris_zh.nl). In deze prognose zijn onder andere de gevolgen van woningbouwprojecten voor de samenstelling van de bevolking meegenomen. Dit is niet het geval bij de CBS-prognoses.

Ter illustratie

Als voorbeeld voor een demografische prognose is in excel de verwachte verandering voor de prevalentie van diabetes in Nederland berekend op basis van demografie. We hebben berekend met hoeveel procent de prevalentie van diabetes toeneemt in de periode 2005-2025 wanneer we rekening houden met de verwachte verandering in omvang en samenstelling van de bevolking naar leeftijd en geslacht.

Zie rekenvoorbeeld diabetes

De volgende gegevens hebben we daarbij gebruikt:

  • prevalentie van diabetes per 1.000 personen naar leeftijd (5-jaarscategorieën) en geslacht (blauwe deel van kolom B en C)
  • bevolkingsaantallen naar leeftijd en geslacht van de bevolking van Nederland in 2005 en 2025 (blauwe deel van kolom D, E, F en G).

Vervolgens is per leeftijd- en geslachtsklasse het absolute aantal patiënten met diabetes voor de jaren 2005 en 2025 berekend (product van prevalentie per 1.000 en bevolkingsomvang gedeeld door 1.000) in de kolommen J, K, L en M. Daaronder wordt de toename over de periode 2005-2025 berekend. In ons voorbeeld zien we dat, wanneer we alleen rekening houden met veranderingen in de omvang en samenstelling van de bevolking naar leeftijd en geslacht, er in de periode 2005-2025 een toename is te verwachten van het aantal diabetes patiënten met 32,5%: voor mannen is dit 34,6% en voor vrouwen 30,6%.

Door in de blauwe gebieden andere cijfers in te voeren kun je berekeningen uitvoeren voor andere ziekten, andere indicatoren, andere jaren of andere regio’s.

Opmerkingen

  • In het voorbeeld is de prevalentie van diabetes doorgerekend naar de toekomst, maar dit kan op dezelfde wijze ook voor allerlei andere indicatoren worden gedaan zoals bijvoorbeeld 'het percentage mensen dat gebruik maakt van fysiotherapie'.
  • Voor alle jaren waarvoor gegevens beschikbaar zijn over de bevolkingsprognose kunnen demografische prognoses berekend worden.
  • Tot nu toe is in de VTV-producten meestal alleen gekeken naar het effect van veranderingen in de samenstelling van de bevolking naar leeftijd en geslacht. Andere demografische factoren, zoals burgerlijke staat en etniciteit, kunnen uiteraard ook meegenomen worden in een demografische prognose. In zulke gevallen moeten de gezondheidsindicatoren en de bevolkingsprognose ook uitgesplitst zijn voor die factor(en) en die gegevens zijn vaak niet beschikbaar. Zo ontbreken vaak (betrouwbare) prevalentiecijfers van allerlei aandoeningen voor verschillende etnische groepen, zeker in gemeenten en regio’s waar het aandeel van deze etnische groepen in de bevolking relatief laag is.
  • Het is aan te raden om met zo nauwkeurig mogelijke cijfers te werken en deze pas aan het eind van de analyse af te ronden. Als je het absolute aantal patiënten met diabetes wilt vermelden zou je dit kunnen afronden op 1.000-tallen of 100-tallen.

Naar boven

Toekomstverkenning

Doortrekken van trends

Beschrijving Bronnen

Beschrijving

Waarom trends doortrekken?

Het is voor het volksgezondheidsbeleid van belang te weten bij hoeveel mensen bepaalde aandoeningen in de toekomst voor zullen komen. Naast het uitvoeren van een demografische prognose is het doortrekken van trends uit het verleden naar de toekomst een methode om de toekomst van de volksgezondheid te verkennen.

Op basis van een analyse van een trend in bijvoorbeeld het vóórkomen van een aandoening in het verleden, bereken je hoe deze aandoening zich in de toekomst ontwikkelt. Hierbij gaan we uit van de aanname dat het verloop van een aandoening in de toekomst hetzelfde is als in het verleden. Het is natuurlijk niet zo dat resultaten uit het verleden garanties geven voor de toekomst maar door een trend goed te analyseren is vaak wel meer te zeggen over het toekomstige verloop van een aandoening.

Waargenomen trend uit het verleden doortrekken naar toekomst

Bij het doortrekken van trends wordt de waargenomen trend uit het verleden doorgetrokken naar de toekomst. Daarbij moeten de trendcijfers eerst gecorrigeerd worden voor effecten ten gevolge van veranderingen in samenstelling en omvang van de bevolking. Daarom worden de trendcijfers gestandaardiseerd. Op de voor demografische variabelen gecorrigeerde trendcijfers wordt vervolgens een trend berekend. Bij het doortrekken van trends voor de landelijke VTV veronderstellen we meestal een lineaire trend (dat wil zeggen dat de jaarlijkse stijging constant is) en bepalen we dus met lineaire regressie de jaarlijkse verandering (richtingscoëfficiënt).

Als de trend niet statistisch significant is, kunnen geen kwantitatieve uitspraken gedaan worden op basis van de regressieanalyse. Is de trend wel statistisch significant, dan is het verantwoord om de regressielijn door te trekken naar de toekomst.

Hou rekening met trends in risicofactoren met grote invloed

Hierbij is het wel zinvol om ook rekening te houden met trends in risicofactoren die grote invloed hebben op de trend die je berekent. Als bijvoorbeeld de prevalentie van diabetes in het verleden is gestegen met als belangrijkste oorzaak een toename van het aantal mensen met overgewicht, en het aantal mensen met overgewicht zal naar verwachting niet verder stijgen, dan zal het aantal mensen met diabetes waarschijnlijk ook niet verder stijgen. Een trendanalyse kan in dit geval een overschatting geven van de omvang van de stijging van diabetes als je hier geen rekening mee houdt. Deze aanpak vraagt om een kwalitatieve analyse, omdat je de invloed van trends in risicofactoren op de trend die je hebt berekend niet kunt kwantificeren.

Welke gegevens zijn nodig voor het doortrekken van trends?

Voor het doortrekken van trends heb je voor demografische variabelen gestandaardiseerde cijfers nodig over het vóórkomen van de te onderzoeken indicator op verschillende tijdstippen in het verleden (bijvoorbeeld de jaarlijkse prevalentie van diabetes mellitus in de periode 1990-2004). De standaardisatie van gegevens is nodig omdat de prevalentie van een aandoening in het verleden deels bepaald is door de samenstelling van de bevolking. Meestal zal het gaan om een standaardisatie naar leeftijd en geslacht. De prevalentie van een ouderdomsziekte als diabetes is bijvoorbeeld onder andere gestegen door de vergrijzing van de bevolking. Om voor bepaalde demografische variabelen te corrigeren, moeten de trendgegevens uitgesplitst zijn naar die demografische variabelen en moet ook de populatie waarop de trendgegevens betrekking hebben, uitgesplitst zijn naar die demografische variabelen.

Opmerkingen en kanttekeningen

  • Als je trendgegevens hebt over een korte periode uit het verleden dan kun je die ook maar over een korte periode doortrekken naar de toekomst. De periode waarover je de trend doortrekt, moet niet veel langer zijn dan de periode waarover je gegevens hebt geanalyseerd.
  • Erg grote stijgingen of dalingen in een relatief korte periode hebben vaak een duidelijke verklaring (bijvoorbeeld door de grotere aandacht voor diabetes mellitus zijn er gedurende een paar jaar veel nieuwe patiënten gediagnosticeerd). Daarom is het niet verstandig om een sterke trend uit het verleden zonder meer door te trekken naar de toekomst. In zo'n geval zou je kunnen overwegen om de trend wel door te trekken, maar er een duidelijke kanttekening bij te plaatsen of de trend niet door te trekken en dit met een noot uit te leggen.

Naar boven


Bronnen

Welke gegevens kunnen worden gebruikt voor het doortrekken van trends?

Voor de prevalentie- of incidentiecijfers van een gezondheidsindicator kun je verschillende bronnen gebruiken, zoals de gezondheidsenquête van de GGD of de landelijke cijfers die in de laatste landelijke VTV zijn gebruikt (zie: ziekten en aandoeningen).

De bron van de bevolkingsgegevens is afhankelijk van de standaardpopulatie die wordt gebruikt in de analyse (zie: demografische prognose).

Ter illustratie

In het bijgevoegde voorbeeld (zie onder deze alinea) is voor de periode 1990-2004 de trend van de prevalentie van diabetes mellitus voor vrouwen geanalyseerd en doorgetrokken naar 2020. De gebruikte cijfers waren al gecorrigeerd voor veranderingen in omvang en leeftijdsamenstelling van de bevolking doordat ze gestandaardiseerd waren naar de Nederlandse bevolking in 1990. De regressieanalyse leverde een significante trend op (p<0,05) en doortrekken van de regressielijn levert een stijging van de prevalentie op van 39,4 in 2005 naar 48,5 per 1.000 vrouwen in 2020. Dit is dus over de periode 2005-2020 een stijging van 23,1% (zie figuur 1).

Zie rekenvoorbeeld doortrekken trends: diabetes

Overgewicht is één van de belangrijkste risicofactoren van diabetes en de prevalentie van overgewicht is in de periode 1990-2003 ongeveer verdubbeld. Naar verwachting zal het aantal personen met overgewicht nog verder toenemen. Het lijkt dus aanemelijk dat de prevalentie van diabetes de komende periode nog verder zal stijgen dan uit de trendanalyse naar voren komt.

Prevalentie van diabetes (per 1.000): waargenomen waarden en (doorgetrokken) regressielijn (1990-2020)

Bronnen en Literatuur

Literatuur

  • Treurniet HF, Fiolet DCM, Eysink PED, Poos MJJC, Oers JAM van.Groeien in Gezondheid. Gezondheid en zorg in Midden-Holland,nu en in de toekomst. RIVM-rapport nr. 270644001. Bilthoven: RIVM, 2006.

Begrippen en afkortingen

Afkortingen

CBS
Centraal Bureau voor de Statistiek
URL: http://www.cbs.nl