ArchivDeutsches Ärzteblatt46/2022Krankheitslast in Deutschland und seinen Regionen
Als E-Mail versenden...
Auf facebook teilen...
Twittern...
Drucken...

Hintergrund: Summenmaße wie die „disability-adjusted life years“ (DALY) werden zur standardisierten Erfassung der Krankheitslast durch Tod und gesundheitliche Einschränkungen zunehmend bedeutsamer. Das Projekt BURDEN 2020 zielte darauf ab, auf Grundlage nationaler Daten eine eigenständige Krankheitslaststudie für Deutschland mit kleinräumigen Schätzungen als Pilotprojekt durchzuführen.

Methode: DALY sind die Summe aus „durch Sterblichkeit verlorene Lebensjahre“ („years of life lost due to death“ [YLL]) und „mit gesundheitlichen Einschränkungen oder in Krankheit verbrachte Lebensjahre“ („years lived with disability“ [YLD]). Während YLL den Abstand zwischen Todesalter und fernerer Lebenserwartung beschreiben, quantifizieren YLD die Jahre, die mit gesundheitlichen Einschränkungen verbracht werden. Als Datenquellen dienen vor allem die Todesursachenstatistik, Befragungsdaten und Krankenkassenroutinedaten.

Ergebnisse: Für Deutschland ergaben sich im Jahr 2017 rund 12 Millionen DALY, umgerechnet 14 584 DALY je 100 000 Einwohner. An der Rate gemessen trug die koronare Herzkrankheit insgesamt (2 321 DALY) am meisten zur Krankheitslast bei, gefolgt von Schmerzen im unteren Rücken (1 735 DALY) und Lungenkrebs (1 197 DALY). Bei Frauen verursachten Kopfschmerzerkrankungen und Demenzen mehr Krankheitslast als bei Männern. Männer hatten eine höhere Krankheitslast durch Lungenkrebs oder alkoholbezogene Störungen. Die Schmerzerkrankungen sowie alkoholbezogene Störungen führten bei beiden Geschlechtern im jüngeren Erwachsenenalter die DALY-Rangfolgen an. Mit dem Alter stieg die Krankheitslast für einen Teil der Erkrankungen, einschließlich der kardiovaskulären Erkrankungen, Demenzen oder Diabetes mellitus. Teilweise zeigte die Krankheitslast unterschiedliche regionale Verteilungen.

Schlussfolgerung: Die Ergebnisse deuten auf alters- und geschlechtsspezifische Präventions- sowie kleinräumige Versorgungsbedarfe hin. Krankheitslaststudien liefern umfassende Daten zur Surveillance der Bevölkerungsgesundheit und können gesundheitspolitische Entscheidungen unterstützen.

LNSLNS

Epidemiologische Kennzahlen wie Inzidenzen, Prävalenzen oder Todesfälle sind für die Beobachtung der Bevölkerungsgesundheit (Public Health Surveillance) unerlässlich. Ihre alleinige Betrachtung kann jedoch die Bedeutung einzelner Erkrankungen nicht angemessen abschätzen. Zur Unterstützung gesundheitspolitischer Entscheidungen ist daher die Bewertung der Krankheitslast der Bevölkerung („burden of disease“) zunehmend bedeutsam. Summenmaße der Bevölkerungsgesundheit integrieren verschiedene Erkrankungen als Ursache für gesundheitliche Beeinträchtigungen (Morbidität) und Versterben (Mortalität). Durch standardisierte Regeln kann die Bedeutung von Erkrankungen für die Bevölkerungsgesundheit gemessen werden (1, 2). So bilden die „disability-adjusted life years“ (DALY) die Summe der Krankheitslast aus Mortalität („years of life lost due to death“ [YLL]) und Morbidität („years lived with disability“ [YLD]) (3, 4, 5, 6). DALY zählen zu den sogenannten „health gap measures“, die das Abweichen der aktuellen Bevölkerungsgesundheit von einer definierten Norm quantifizieren. „Health expectancy measures“ (zum Beispiel „healthy life years“) stellen demgegenüber verbleibende gesunde Lebensjahre über den Altersverlauf dar (7).

Die Maßzahlen YLL, YLD und DALY gehen auf die Global-Burden-of-Disease(GBD)-Studie zurück (4, 8, 9). In dieser wird die Krankheitslast für globale Vergleiche nach Merkmalen wie Geschlecht, Alter oder Land bestimmt. Da die GBD-Studie auf nationaler Ebene nur begrenzten Datenzugang hat und daher auf universale Annahmen und weitreichende statistische Verfahren zurückgreifen muss, ist eine Bewertung der Krankheitslast auf kleinräumiger Ebene für Deutschland bislang nicht möglich. Entscheidungen zur gesundheitlichen Versorgung benötigen aber Informationen unterhalb der Bundesebene. Daher haben regionale Krankheitslastanalysen einen großen Mehrwert für die Beurteilung der gesundheitlichen Lage, weil sie Informationen zur Steuerung und Priorisierung von Maßnahmen der Gesundheitsversorgung und Prävention liefern. Im Rahmen des Pilotprojekts BURDEN 2020 („Die Krankheitslast in Deutschland und seinen Regionen“) wurde die Methode zur Erfassung der Krankheitslast für Erkrankungen und Verletzungen mit hoher Public-Health-Relevanz adaptiert und auf eine verbesserte Datengrundlage gestellt (eKasten). Durch die Verwendung von Krankenkassenroutinedaten und eigenen Gesundheitsbefragungen wurden zudem erstmals regionale Auswertungen für ausgewählte Erkrankungen möglich. Krankheitslastanalysen können auf Basis dieser kontinuierlich verfügbaren Informationsgrundlage zu einem festen Bestandteil einer Public-Health-Surveillance in Deutschland werden (10).

Studie BURDEN 2020
eKasten
Studie BURDEN 2020

Methode

Innerhalb des Krankheitslastkonzeptes wird jede Abweichung der Bevölkerungsgesundheit von einem „idealen“ Gesundheitszustand pro Berichtsjahr in der Einheit Lebensjahre quantifiziert (eMethodenteil 1.1) (4). Die Krankheitslast durch Mortalität („years of life lost due to death“ [YLL]) wird über die Anzahl an Todesfällen multipliziert mit der Zahl der durchschnittlich zu erwartenden weiteren Lebenserwartung zum Zeitpunkt des Todes berechnet und ist an anderer Stelle eingehend beschrieben worden (11, 12). Die Krankheitslast durch Morbidität (YLD) quantifiziert bevölkerungsbezogen die Lebensjahre in gesundheitlicher Einschränkung („years lived with disability“ [YLD]). Sie berechnet sich aus der Häufigkeit einer Erkrankung oder Verletzung, der Verteilung der Erkrankten nach Schweregraden („severity distributions“) und bei periodisch auftretenden Erkrankungen zusätzlich der mittleren Erkrankungsdauer sowie schweregradspezifischen Gewichten („disability weights“) (eMethodenteil 1.1, [13]).

Initial wird angenommen, dass jede erkrankte Person pro Berichtsjahr ein Lebensjahr in gesundheitlicher Einschränkung verbringt. Bei episodisch auftretenden Einschränkungen wird zudem die durchschnittliche Symptomdauer berücksichtigt. Weiterhin werden die Lebensjahre in gesundheitlicher Einschränkung schweregradspezifisch anhand der „disability weights“ auf eine zu den YLL inhaltlich äquivalenten Zeiteinheit umgerechnet (14, 15). Die „disability weights“ gewichten jeden Schweregrad auf einer Skala zwischen 0 (keine Beeinträchtigung) und kleiner 1 (1 wäre äquivalent zum Tod) (15, 16). Ein größeres Gewicht entspricht einer größeren gesundheitlichen Einschränkung und führt zu einer höheren Krankheitslast (eMethodenteil 1.2). Die Summe aus YLL und YLD ergibt das DALY, das in der GBD-Studie als verlorenes gesundes Lebensjahr („years of healthy life lost“) interpretiert wird (4).

Für die vorliegende Analyse wurde eine Auswahl an Erkrankungen und Verletzungen (im Folgenden: Krankheitslastursachen) berücksichtigt. Basierend auf dem vierstufigen Klassifikationssystem der GBD-Studie (17) enthält diese Auswahl mindestens eine Ursache aus den drei Hauptgruppen (Ebene 1) der GBD-Klassifikation (eTabelle 1):

  • übertragbare, maternale, neonatale und ernährungsbedingte Erkrankungen
  • nichtübertragbare Erkrankungen
  • Verletzungen.
Darstellung der betrachteten Krankheitslastursachen innerhalb der Ebenenhierarchie (Morbidität)
eTabelle 1
Darstellung der betrachteten Krankheitslastursachen innerhalb der Ebenenhierarchie (Morbidität)

Diese Hauptgruppen werden auf den Ebenen 2–4 weiter in spezifischere Ursachen der Krankheitslast untergliedert. So gehören beispielsweise zu den nichtübertragbaren Erkrankungen die neurologischen Störungen (Ebene 2), zu denen die Kopfschmerzerkrankungen auf Ebene 3 gezählt werden. Letztere werden auf Ebene 4 weiter nach Migräne und Spannungskopfschmerz unterschieden. Die Auswahl für die vorliegende Studie erfolgte auf Ebene 3 (insgesamt 172 Krankheitslastursachen) und umfasst 19 der quantitativ wichtigsten Krankheitslastursachen (circa 53 % der von GBD für 2017 berechneten Krankheitslast für Deutschland) (18) (eTabelle 2).

Zur Berechnung ausgewählte Krankheitslastursachen gelistet nach dem Anteil ihrer Krankheitslast an allen „disability-adjusted life years“ (DALY) (Ebene 3) laut GBD-Studie (2017) (Deutschland, beide Geschlechter)
eTabelle 2
Zur Berechnung ausgewählte Krankheitslastursachen gelistet nach dem Anteil ihrer Krankheitslast an allen „disability-adjusted life years“ (DALY) (Ebene 3) laut GBD-Studie (2017) (Deutschland, beide Geschlechter)

Grundlage der Berechnung der YLD sind Primär- und Sekundärdatenquellen, vor allem alters-, geschlechts- und zumeist morbiditätsadjustierte Krankenkassenroutinedaten der AOK-Versicherten (eTabelle 3) (13, 19, 20, 21, 22). Zudem wurden Befragungsdaten zu Schmerz- und Suchterkrankungen (23, 24, 25), die Straßenverkehrsunfallstatistik (26) sowie Vorarbeiten der GBD-Studie verwendet (27). Für die YLD und YLL wurden Unsicherheitskonzepte (95-%-Unsicherheitsintervalle [UI]) entwickelt und zusammengeführt (13). Um in der Summe eine Überschätzung zu vermeiden, wurden die YLD für altersassoziierte Multimorbidität adjustiert (13, 28). Die Ergebnisse werden als absolute Werte sowie rohe und altersstandardisierte Raten je 100 000 Einwohner (EW) im Jahr 2017 berichtet (europäische Standardbevölkerung 2013 [29]).

Datengrundlage und Verfahren (Morbiditätskomponente)
eTabelle 3
Datengrundlage und Verfahren (Morbiditätskomponente)

Ergebnisse

In der Bevölkerung Deutschlands ergeben sich aus den ausgewählten Krankheitslastursachen im Jahr 2017 12,1 Millionen DALY (UI: 11,9–13,1) (30). Auf Frauen entfällt mit 6,0 Millionen DALY (UI: 5,9–6,8) in etwa so viel Krankheitslast wie auf Männer mit 6,1 Millionen DALY (UI: 6,0–6,6).

Nicht altersstandardisiert sind dies relativ 14 584 DALY je 100 000 Einwohner, wobei die Rate bei Frauen mit 14 303 DALY niedriger liegt als bei Männern mit 14 872 DALY. Im Vergleich aller betrachteten Krankheitslastursachen weist die koronare Herzkrankheit (KHK) insgesamt die höchste Rate auf (2 321 DALY), gefolgt von Schmerzen im unteren Rücken (1 735 DALY). Auf den Rängen 3–5 finden sich der Trachea-, Bronchial- und Lungenkrebs (im Folgenden kurz: Lungenkrebs) mit einer Rate von 1 197 DALY, die Kopfschmerzerkrankungen mit 1 032 DALY und die chronisch obstruktive Lungenerkrankung (COPD) mit 1 004 DALY. Im Geschlechtervergleich zeigen sich deutliche Unterschiede in Bezug auf die jeweiligen Krankheitslastursachen (Grafik 1). Die KHK nimmt bei Männern den ersten Rang ein (2 969 DALY), bei Frauen nach den Schmerzen im unteren Rücken (1 825 DALY) den zweiten mit 1 690 DALY. Weiterhin werden bei Frauen die Ränge 3–5 durch Kopfschmerzerkrankungen (1 274 DALY), Brustkrebs (1 130 DALY) sowie Alzheimer- und andere Demenzerkrankungen (im Folgenden kurz: Demenzen) (911 DALY) belegt. Bei Männern hingegen finden sich auf dem 3–5 Rang Lungenkrebs (1 542 DALY), COPD (1 115 DALY) und Diabetes mellitus (1 028 DALY). Alkoholbezogene Störungen verursachen bei Männern eine mehr als 3-mal so hohe Krankheitslast als bei Frauen. Dagegen haben Frauen eine mehr als 2-mal größere Krankheitslast durch depressive Störungen.

Krankheitslast insgesamt (DALY je 100 000 Einwohner EW) für ausgewählte Krankheitslastursachen nach Geschlecht
Grafik 1
Krankheitslast insgesamt (DALY je 100 000 Einwohner EW) für ausgewählte Krankheitslastursachen nach Geschlecht

Eine differenzierte Aufteilung der Krankheitslast auf Ebene 4 (eGrafik 1) zeigt im Vergleich zu Ebene 3 kaum nennenswerte Verschiebungen auf den oberen Rängen. Es wird allerdings deutlich, dass Einzelursachen auf Ebene 4 für das Niveau der Krankheitslast auf Ebene 3 bestimmend sind (eTabelle 4). So macht Typ-2-Diabetes (Ebene 4) 95 % der DALY des Diabetes mellitus (Ebene 3) aus, auf Migräne entfallen 94 % der DALY durch Kopfschmerzerkrankungen und Major-Depression 93 % der Krankheitslast durch depressive Störungen.

Krankheitslast insgesamt (DALY je 100 000 Einwohner [EW]) für die ausgewählten Krankheitslastursachen nach Geschlecht
eGrafik 1
Krankheitslast insgesamt (DALY je 100 000 Einwohner [EW]) für die ausgewählten Krankheitslastursachen nach Geschlecht
Krankheitslast insgesamt („disability-adjusted life years“ [DALY] absolut und Anteile) für die ausgewählten Krankheitslastursachen (Ebene 3 und 4, Deutschland, beide Geschlechter)
eTabelle 4
Krankheitslast insgesamt („disability-adjusted life years“ [DALY] absolut und Anteile) für die ausgewählten Krankheitslastursachen (Ebene 3 und 4, Deutschland, beide Geschlechter)

Relativ gesehen nimmt die Krankheitslast insgesamt sowie für beide Geschlechter über den Altersverlauf zu, wobei die Rangfolge und damit die Bedeutung der ausgewählten Krankheitslastursachen nach Alter variiert (Tabelle, eTabelle 5). Kopfschmerzerkrankungen, Schmerzen im unteren Rücken, Straßenverkehrsunfälle, alkoholbezogene und Angststörungen führen im jüngeren Erwachsenenalter die DALY-Rangfolge an. Mit höherem Alter dominieren kardiovaskuläre Erkrankungen, Schlaganfall, Demenzen, Diabetes mellitus sowie COPD (eTabelle 5, [30]). Ein altersassoziierter Rückgang der DALY-Raten ist bei Lungenkrebs, alkoholbezogenen Störungen sowie Kopfschmerzerkrankungen zu beobachten.

Krankheitslast insgesamt (DALY je 100 000 Einwohner) der ausgewählten Krankheitslastursachen im Altersverlauf (Ebene 3, Deutschland, beide Geschlechter)
Tabelle
Krankheitslast insgesamt (DALY je 100 000 Einwohner) der ausgewählten Krankheitslastursachen im Altersverlauf (Ebene 3, Deutschland, beide Geschlechter)
Krankheitslast insgesamt (DALY je 100 000 Einwohner [EW]) für die ausgewählten Krankheitslastursachen im Altersverlauf und nach Geschlecht (Ebene 3, Deutschland)
eTabelle 5
Krankheitslast insgesamt (DALY je 100 000 Einwohner [EW]) für die ausgewählten Krankheitslastursachen im Altersverlauf und nach Geschlecht (Ebene 3, Deutschland)

Die krankheitsspezifische Bedeutung von Mortalität und Morbidität für die Bevölkerungsgesundheit zeigt sich im Anteil von YLL und YLD an den DALY. Während die Krankheitslast bei den Schmerz- und psychischen Erkrankungen ausschließlich auf gesundheitliche Einschränkungen entfällt, variiert der Anteil der Mortalität bei den übrigen Krankheitslastursachen (Grafik 2). So liegt der durch Tod verursachte Teil der Krankheitslast (YLL) bei 34 % beim Diabetes mellitus und bei 97 % beim Lungenkrebs. Zwischen den Geschlechtern unterscheiden sich die Anteile nur geringfügig (Ausnahmen sind zum Beispiel Straßenverkehrsunfälle oder alkoholbezogene Störungen). Im Altersverlauf steigt bei den meisten Krankheitslastursachen der Anteil der Mortalität am DALY (30).

Anteil YLL und YLD an der Krankheitslast insgesamt (DALY absolut) für die ausgewählten Krankheitslastursachen
Grafik 2
Anteil YLL und YLD an der Krankheitslast insgesamt (DALY absolut) für die ausgewählten Krankheitslastursachen

Ein markanter Geschlechterunterschied lässt sich exemplarisch bei den Straßenverkehrsunfällen anhand der DALY-Raten erkennen. Zwar verursachen Straßenverkehrsunfälle bei beiden Geschlechtern die meiste Krankheitslast im Alter von 15–34, so ist jedoch die Rate bei Männern nahezu 2,4-fach höher (362 versus 154 DALY je 100 000 Einwohner) (Grafik 1). Im Altersverlauf sind durch Straßenverkehrsunfälle bei Männern über nahezu alle Altersgruppen mehr DALY zu beobachten als bei Frauen. Dies ist zum Großteil auf tödliche Straßenverkehrsunfälle (YLL) zurückzuführen, während der Beitrag der YLD bei beiden Geschlechtern ähnlich ist (eGrafik 2).

Krankheitslast (DALY je 100 000 Einwohner nach YLL und YLD) für Straßen verkehrsunfälle im Alters verlauf nach Geschlecht
eGrafik 2
Krankheitslast (DALY je 100 000 Einwohner nach YLL und YLD) für Straßen verkehrsunfälle im Alters verlauf nach Geschlecht

Regionale Unterschiede zeigen sich auf Ebene der 96 Raumordnungsregionen (kurz ROR) sowohl bei einzelnen Krankheitslastursachen (30) als auch bei der Summe aller bisher berechneten DALY (altersstandardisiert je 100 000 Einwohner) (Grafik 3, Karte I). Insgesamt haben die Regionen Emscher-Lippe (Nordrhein-Westfalen) und Bremerhaven relativ gesehen die höchste Krankheitslast, die ROR München und südlicher Oberrhein (Baden-Württemberg) die niedrigste (30). Weiterhin ergeben sich für bestimmte Krankheitslastursachen ähnliche räumliche Muster in der Verteilung der DALY. Für KHK (Grafik 3, Karte II) lassen sich höhere DALY-Werte in den ROR im Osten Deutschlands erkennen, was exemplarisch ist für viele kardiovaskuläre Erkrankungen. Demgegenüber ist die Krankheitslast für COPD (Grafik 3, Karte III) vor allem in den ROR im Westen Deutschlands und Berlin am höchsten, was sich für Lungenkrebs ähnlich darstellt. Ein deutlicher Unterschied zwischen den nördlichen und südlichen ROR zeigt sich bei den depressiven Störungen durch eine relativ gesehen geringere Last im Norden Deutschlands, wobei Berlin und Hamburg hier Ausnahmen darstellen (Grafik 3, Karte IV).

Krankheitslast insgesamt (DALY altersstandardisiert je 100 000 Einwohner) auf Ebene der Raumordnungsregionen
Grafik 3
Krankheitslast insgesamt (DALY altersstandardisiert je 100 000 Einwohner) auf Ebene der Raumordnungsregionen

Diskussion

Die vorliegende Analyse liefert für 19 der wichtigsten Krankheitslastursachen für das Jahr 2017 einen Überblick über die durch gesundheitliche Einschränkung und Tod verursachte Krankheitslast in Deutschland. Die Betrachtung der Krankheitslast hat gegenüber isolierten Informationen zu Sterbefällen und Krankheitshäufigkeiten den Vorteil, dass die Bedeutung von Krankheit (YLD) und Tod (YLL) für die Bevölkerungsgesundheit über ein standardisiertes Summenmaß vergleichbar ist. Die Analyse erfolgte mit einer einheitlichen und transparenten Methodik und einer im Vergleich zur GBD-Studie verbesserten, vollständigeren und regional differenzierten Datenbasis. Ein Vergleich der Ergebnisse mit den Befunden der GBD-Studie für das Jahr 2017 (17, 18) ist zwar nur eingeschränkt möglich, zeigt aber für Deutschland insgesamt viele Übereinstimmungen. Zu den Ursachen mit der höchsten Krankheitslast zählen

  • die KHK
  • Schmerzen im unteren Rücken
  • Lungenkrebs
  • Kopfschmerzerkrankungen
  • COPD
  • Diabetes mellitus.

Insbesondere auf den weiteren Rängen wurden Geschlechterunterschiede sichtbar. Bei Frauen trägt Brustkrebs deutlich zur Krankheitslast bei, zudem haben Demenzen einen großen Stellenwert. Bei den Männern ist die Krankheitslast durch alkoholbezogene Störungen oder Straßenverkehrsunfälle höher.

Der hohe Detailgrad der Ergebnisse macht es möglich zu identifizieren, welche Einzelursachen der Krankheitslast (Ebene 4) den größten Anteil am krankheitsspezifischen DALY (Ebene 3) haben, so beispielsweise der Typ-2-Diabetes innerhalb des Diabetes mellitus und die Migräne bei den Kopfschmerzerkrankungen. Darüber hinaus zeigen die Ergebnisse, dass die Bedeutung einzelner Ursachen der Krankheitslast über den Altersverlauf variiert. Während die Kopfschmerzerkrankungen oder alkoholbezogene Störungen bei beiden Geschlechtern im jüngeren Erwachsenenalter die DALY-Rangfolgen anführen, steigt die Krankheitslast durch kardiovaskuläre Erkrankungen oder Demenzen im Altersverlauf an. Zudem werden durch die Gegenüberstellung von morbiditäts- und mortalitätsbedingter Krankheitslast unterschiedliche Handlungsbedarfe deutlich. So lässt sich die morbiditätsbedingte Krankheitslast bei häufig chronischen aber selten tödlichen Erkrankungen wie Schmerzerkrankungen und psychischen Störungen vermindern, wenn Folgeerkrankungen und schwere Verläufe vermieden werden können. Der hohe Anteil der mortalitätsbedingten Krankheitslast zum Beispiel bei Krebs- und kardiovaskulären Erkrankungen verweist auf einen hohen primären Präventionsbedarf (35) und die Notwendigkeit, die Überlebenszeiten der Betroffenen durch geeignete Therapien zu erhöhen.

Im Detail unterscheiden sich Männer und Frauen im Anteil der Krankheitslast, der auf Tod oder gesundheitliche Einschränkung zurückzuführen ist. Während bei Frauen bei der hypertensiven Herzkrankheit der Anteil der Mortalität höher ist als bei Männern, ist dies bei den alkoholbezogenen Störungen umgekehrt: Hier ist der Mortalitätsanteil bei Männern deutlich größer. Durch die Differenzierung der Ergebnisse auf kleinräumiger Ebene lassen sich Muster unter anderem für die kardiovaskulären Erkrankungen, COPD oder depressive Störungen erkennen. Einerseits werfen diese Befunde Fragen zu möglichen räumlichen Versorgungsbedarfen auf. Andererseits lassen sich damit weitere Handlungsfelder identifizieren, die perspektivisch durch räumliche Analysen zu umwelt-, verhaltens- und verhältnisbezogenen sowie zu metabolischen Risikofaktoren in Beziehung gesetzt werden sollten (35).

Limitationen

Wesentliche Limitationen bestehen darin, dass wichtige Erkrankungen mit hoher Krankheitslast (zum Beispiel chronische Nierenerkrankungen oder Leberzirrhosen [18]) im Pilotprojekt zunächst unberücksichtigt blieben, wodurch ein zwar relevantes aber noch unvollständiges Bild für die Bewertung der Krankheitslast gegeben wird. Zudem wurde eine Vielzahl von Datengrundlagen verwendet, da für jede der betrachteten Krankheitslastursachen nach Möglichkeit Datenquellen hoher Validität und räumlicher Auflösung herangezogen werden sollten. Während sich Krankenkassenroutinedaten dazu eignen, Krankheitsfälle zu erfassen, die nahezu ausschließlich mit einer Inanspruchnahme des Gesundheitswesens einhergehen (zum Beispiel schwere Herzinfarkte), wurde für Schmerzerkrankungen auf Befragungsdaten zurückgegriffen. Daher sind spezifische Limitierungen zu beachten ([11, 12, 19, 23, 24, 36]; eMethodenteil 2.1). Den mit den jeweiligen Datenkörpern verbundenen Verzerrungen wird über Ausgleichsmechanismen wie ein morbiditätsadjustierendes Hochrechnungsverfahren für die Krankenkassenroutinedaten entgegengewirkt (21). Die Ergebnisse auf Basis der Krankenkassenroutinedaten wurden, soweit möglich, anhand externer Datenquellen plausibilisiert (detaillierte Diskussion eMethodenteil 2.1). Des Weiteren war es im Laufe des Projektes nicht möglich, Prävalenzschätzungen auf Basis der verwendeten Befragungsdaten für Kinder und Jugendliche sowie auf kleinräumiger Ebene durchzuführen, was zu Einschränkungen im Vergleich zwischen Altersgruppen und zwischen räumlichen Ebenen führt. Geeignete statistische Methoden zur Schließung dieser Datenlücken, darunter Small-Area-Schätzverfahren (37), werden derzeit erprobt. Hinsichtlich der Schweregradverteilungen war es für einen Teil der Erkrankungen notwendig, Vorarbeiten der GBD-Studie zu verwenden, die meist globale, das heißt länderunspezifische und zeitkonstante Verteilungen heranzieht (methodische Kritikpunkte eMethodenteil 2.2) (38). Länderunspezifische „disability weights“ wurden vollständig aus der GBD-Studie übernommen (39) (methodische Kritikpunkte: eMethodenteil 2.2).

Fazit

Alle Ergebnisse des Projektes BURDEN 2020 gehen in ein Gesundheitsinformationssystem ein (www.daly.rki.de). Sie stellen damit einen wichtigen Baustein der Public Health Surveillance am Robert Koch-Institut dar. Die auf Krankenkassenroutinedaten basierenden epidemiologischen Kennzahlen, wie zum Beispiel Prävalenzen, sind nach Alter, Geschlecht und Region ebenfalls frei verfügbar (www.krankheitslage-deutschland.de). Das Projekt BURDEN 2020 kann damit gesundheitspolitische Prozesse, wie zum Beispiel die Umsetzung der Bundesrahmenempfehlungen nach dem Präventionsgesetz oder die regionale morbiditätsorientierte Planung, unterstützen. Es kann ferner perspektivisch um weitere Erkrankungen erweitert und durch Zeitreihen, Prognosen und Evaluationen (Health Impact Assessments) ergänzt werden.

Förderhinweis

Die Studie „BURDEN 2020 – Die Krankheitslast in Deutschland und seinen Regionen“ wird gefördert aus Mitteln des Innovationsfonds beim Gemeinsamen Bundesausschuss (Förderkennzeichen: 01VSF17007). Darüber hinaus wurde BURDEN 2020 durch Mitarbeitende unterstützt, die dem Projekt „Aufbau einer nationalen Mental Health Surveillance am RKI“, das vom Bundesministerium für Gesundheit (Förderkennzeichen: ZMI5–2519FSB402) gefördert wird, zugeordnet sind.

Projektbeteiligte

BURDEN 2020 Study Group: Alexander Rommel, Elena von der Lippe, Annelene Wengler, Michael Porst, Aline Anton, Janko Leddin, Thomas Ziese (Robert Koch-Institut, RKI), Helmut Schröder, Katrin Schüssel, Gabriela Brückner, Jan Breitkreuz (Wissenschaftliches Institut der AOK, WIdO), Dietrich Plaß, Heike Gruhl (Umweltbundesamt, UBA)

Danksagung

Wir danken Anna Kast (WIdO) für ihre Unterstützung im Bereich Informatik und Datenbankmanagement sowie bei der Hochrechnung. Des Weiteren danken wir Dr. med. Nina Buttmann-Schweiger (RKI) für ihre Beratung bei der Operationalisierung der Krebserkrankungen in Sekundärdaten sowie für ihre wertvollen Anmerkungen zum Artikel. Wir danken dem wissenschaftlichen Beirat des Projektes BURDEN 2020 für die methodische Beratungen zur Berechnung der Krankheitslast.

Interessenkonflikt
Förderung individueller Mitarbeiter und Autoren siehe Förderhinweis.

Die Autorinnen und Autoren erklären, dass kein Interessenkonflikt besteht.

Manuskriptdaten
eingereicht: 01.05.2022, revidierte Fassung angenommen: 29.08.2022

Anschrift für die Verfasser
Michael Porst, M.Sc.

Robert Koch-Institut

Abteilung für Epidemiologie und Gesundheitsmonitoring

FG24 Gesundheitsberichterstattung

General-Pape-Str. 62–66, 12101 Berlin

porstm@rki.de

Zitierweise
Porst M, von der Lippe E, Leddin J, Anton A, Wengler A, Breitkreuz J, Schüssel K, Brückner G, Schröder H, Gruhl H, Plaß D, Barnes B, Busch MA, Haller S, Hapke U, Neuhauser H, Reitzle L, Scheidt-Nave C, Schlotmann A, Steppuhn H, Thom J, Ziese T, Rommel A: The burden of disease in Germany at the national and regional level—results in terms of disability-adjusted life years (DALY) from the BURDEN 2020 study. Dtsch Arztebl Int 2022; 119: 785–92. DOI: 10.3238/arztebl.m2022.0314

►Die englische Version des Artikels ist online abrufbar unter:
www.aerzteblatt-international.de

Zusatzmaterial
eLiteratur, eMethodenteil, eTabellen, eGrafiken, eKasten:
www.aerzteblatt.de/m2022.0314 oder über QR-Code

1.
van der Maas PJ: How summary measures of population health are affecting health agendas. Bull World Health Organ 2003; 314.
2.
Mathers CD, Murray CJ, Ezzati M, Gakidou E, Salomon JA, Stein C: Population health metrics: crucial inputs to the development of evidence for health policy. Popul Health Metr 2003; 1: 1–4 CrossRef MEDLINE PubMed Central
3.
Murray CJ: Quantifying the burden of disease: the technical basis for disability-adjusted life years. Bull World Health Organ 1994; 72: 429–45.
4.
Murray CJL, Lopez AD: The global burden of disease: a comprehensive assessment of mortality and disability from diseases, injuries, and risk factors in 1990 and projected to 2020. Cambridge: Harvard School of Public Health on behalf of the World Health Organization and the World Bank 1996.
5.
Murray CJ, Salomon JA, Mathers C: A critical examination of summary measures of population health. Bull World Health Organ 2000; 78: 981–94.
6.
Murray CJ, Ezzati M, Flaxman AD, et al.: GBD 2010: design, definitions, and metrics. Lancet 2012; 380: 2063–6 CrossRef
7.
Murray CJL, Salomon JA, Mathers CD, Lopez AD: Summary measures of population health: concepts, ethics, measurement and applications. Geneva: World Health Organization 2002.
8.
Murray CJL, Abbafati C, Abbas KM, et al.: Five insights from the Global Burden of Disease Study 2019. Lancet 2020; 396: 1135–59 CrossRef
9.
Mathers CD: History of global burden of disease assessment at the World Health Organization. Arch Public Health 2020; 78: 77 CrossRef MEDLINE PubMed Central
10.
Rommel A, von der Lippe E, Plaß D, et al.: BURDEN 2020—burden of disease in Germany at the national and regional level. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 2018; 61: 1159–66 CrossRef CrossRef MEDLINE
11.
Wengler A, Rommel A, Plaß D, Gruhl H, Leddin J, Ziese T, von der Lippe E on behalf of the BURDEN 2020 Study Group: Years of life lost to death—a comprehensive analysis of mortality in Germany conducted as part of the BURDEN 2020 project. Dtsch Arztebl Int 2021; 118: 137– 44 CrossRef
12.
Wengler A, Gruhl H, Plaß D, et al.: Redistributing ill-defined causes of death—a case study from the BURDEN 2020-project in Germany. Arch Public Health 2021; 79: 1–18 CrossRef MEDLINE PubMed Central
13.
Porst M, Leddin J, Rommel A, et al.: Methodenbericht zur Quantifizierung der years lived with disability (YLD) im Projekt BURDEN 2020—Genese von Krankheitshäufigkeiten, Schweregraden, Dauern und disability weights sowie Sensitivitätsanalysen. Robert Koch-Institut (RKI), Berlin. www.daly.rki.de/publications 2022 (last accessed on 25 March 2022).
14.
Salomon JA, Haagsma JA, Davis A, et al.: Disability weights for the Global Burden of Disease 2013 study. Lancet Glob Health 2015; 3: e712–e23 CrossRef
15.
Anand S, Hanson K: Disability-adjusted life years: a critical review. J Health Econ 1997; 16: 685–702 CrossRef
16.
Salomon JA, Vos T, Hogan DR, et al.: Common values in assessing health outcomes from disease and injury: disability weights measurement study for the Global Burden of Disease Study 2010. Lancet 2012; 380: 2129–43 CrossRef
17.
Vos T, Lim SS, Abbafati C, et al.: Global burden of 369 diseases and injuries in 204 countries and territories, 1990–2019: a systematic analysis for the Global Burden of Disease Study 2019. Lancet 2020; 396: 1204–22 CrossRef
18.
Institute for Health Metrics and Evaluation (IHME): Global health data exchange. GBD Results Tool. http://ghdx.healthdata.org/gbd-results-tool (last accessed on 21 January 2022).
19.
Breitkreuz J, Schüssel K, Brückner G, Schröder H: Krankheitslastbestimmung mit Prävalenzen und Schweregraden auf Routinedatenbasis. GGW 2021; 21: 24–34.
20.
Breitkreuz J, Schüssel K, Brückner G, Schröder H: Methodik zur Bestimmung von Prävalenzen und Schweregraden mit Routinedaten im Projekt BURDEN 2020—Falldefinitionen, Schweregrade, Prävalenzkonzept. Berlin: Wissenschaftliches Institut der AOK (WIdO). www.krankheitslage-deutschland.de/dokumente/methodendokumentation.pdf 2021(last accessed on 25 March 2022).
21.
Breitkreuz J, Brückner G, Burgard JP, et al.: Schätzung kleinräumiger Krankheitshäufigkeiten für die deutsche Bevölkerung anhand von Routinedaten am Beispiel von Typ-2-Diabetes. AStA Wirtsch Sozialstat Arch 2019; 13: 35–72 CrossRef
22.
Schüssel K, Breitkreuz J, Brückner G, Schröder H: Nutzung von Krankenkassenroutinedaten zur Bestimmung von Krankheitshäufigkeiten im Projekt BURDEN 2020. Gesundheitswesen 2022 CrossRef
23.
von der Lippe E, Krause L, Porst M, et al.: Prävalenz von Rücken- und Nackenschmerzen in Deutschland. Ergebnisse der Krankheitslast-Studie BURDEN 2020. J Health Monit 2021; 6: 1–14.
24.
Porst M, Wengler A, Leddin J, et al.: Migräne und Spannungskopfschmerz in Deutschland. Prävalenz und Erkrankungsschwere im Rahmen der Krankheitslast-Studie BURDEN 2020. J Health Monit 2020; 5: 1–26.
25.
Atzendorf J, Rauschert C, Seitz NN, Lochbühler K, Kraus L: The use of alcohol, tobacco, illegal drugs and medicines—an estimate of consumption and substance-related disorders in Germany. Dtsch Arztebl Int 2019; 116: 577–84 CrossRef
26.
FDZ der Statistischen Ämter des Bundes und der Länder. Statistik der Straßenverkehrsunfälle 2017; DOI: 10.21242/46241.2017.00.00.1.1.0.
27.
James SL, Abate D, Abate KH, et al.: Global, regional, and national incidence, prevalence, and years lived with disability for 354 diseases and injuries for 195 countries and territories, 1990–2017: a systematic analysis for the Global Burden of Disease Study 2017. Lancet 2018; 392: 1789–858 CrossRef
28.
Hilderink HB, Plasmans MH, Snijders BE, Boshuizen HC, Poos MR, van Gool CH: Accounting for multimorbidity can affect the estimation of the burden of disease: a comparison of approaches. Arch Public Health 2016; 74: 1–16 CrossRef MEDLINE PubMed Central
29.
Pace M, Lanzieri G, Glickman M, et al.: Revision of the European standard population: report of the Eurostat’s task force. Luxembourg: Publications Office of the European Union 2013.
30.
Robert Koch-Institut (RKI): BURDEN 2020—Studie zur Krankheitslast in Deutschland und seinen Regionen. /www.daly.rki.de/ (last accessed on 3 May 2022).
31.
FDZ der Statistischen Ämter des Bundes und der Länder. Todesursachenstatistik 2017. DOI: 10.21242/23211.2017.00.00.1.1.0.
32.
Statistisches Bundesamt: Sterbetafeln 2016/2018, nach Bundesländern, Durchschnittliche Lebenserwartung (Periodensterbetafel). https://www-genesis.destatis.de/genesis/online (last accessed on 4 May 2020).
33.
Cox N: GROUP1D: Stata module for grouping or clustering in one dimension. EconPapers 2007. https://econpapers.repec.org/software/bocbocode/S456844.htm (last accessed on 25 March 2022).
34.
Bundesinstitut für Bau-, Stadt- und Raumforschung (BBSR): Laufende Raumbeobachtung—Raumabgrenzungen. Raumordnungsregionen. www.bbsr.bund.de/BBSR/DE/forschung/raumbeobachtung/Raumabgrenzungen/deutschland/regionen/Raumordnungsregionen/raumordnungsregionen.html (last accessed on 23 February 2022).
35.
Siegrist J: Medizinische Soziologie. München: Elsevier, Urban und Fischer 2005.
36.
Jacobi F, Mack S, Gerschler A, et al.: The design and methods of the mental health module in the German Health Interview and Examination Survey for Adults (DEGS1-MH). Int J Methods Psychiatr Res 2013; 22: 83–99 CrossRef MEDLINE PubMed Central
37.
Münnich R BJ, Vogt M: Small Area-Statistik: Methoden und Anwendungen. AStA Wirtsch Sozialstat Arch 2013; 6: 149–91 CrossRef
38.
Wyper GM, Assuncao R, Fletcher E, et al.: The increasing significance of disease severity in a burden of disease framework. Scand J Public Health 2021: 1–5 CrossRef MEDLINE
39.
Plass D, Vos T, Hornberg C, Scheidt-Nave C, Zeeb H, Krämer A: Trends in disease burden in Germany—results, implications and limitations of the Global Burden of Disease Study. Dtsch Arztebl Int 2014; 111: 629–38 VOLLTEXT
e1.
Roth GA, Abate D, Abate KH, et al.: Global, regional, and national age-sex-specific mortality for 282 causes of death in 195 countries and territories, 1980–2017: a systematic analysis for the Global Burden of Disease Study 2017. Lancet 2018; 392: 1736–88 CrossRef
e2.
Haagsma JA, Maertens de Noordhout C, Polinder S, et al.: Assessing disability weights based on the responses of 30,660 people from four European countries. Popul Health Metr 2015; 13: 10 CrossRef MEDLINE PubMed Central
e3.
World Health Organization (WHO): Disability-adjusted life years (DALYs). www.who.int/data/gho/indicator-metadata-registry/imr-details/158 (last accessed on 25 March 2022).
e4.
Wyper GMA, Grant I, Fletcher E, Chalmers N, McCartney G, Stockton DL: Prioritising the development of severity distributions in burden of disease studies for countries in the European region. Arch Public Health 2020; 78: 1–4 CrossRef MEDLINE PubMed Central
e5.
Troeger C, Blacker B, Khalil IA, et al.: Estimates of the global, regional, and national morbidity, mortality, and aetiologies of lower respiratory infections in 195 countries, 1990–2016: a systematic analysis for the Global Burden of Disease Study 2016. Lancet Infect Dis 2018; 18: 1191–210 CrossRef
e6.
Burstein R, Fleming T, Haagsma J, Salomon JA, Vos T, Murray CJ: Estimating distributions of health state severity for the global burden of disease study. Popul Health Metr 2015; 13: 1–19 CrossRef MEDLINE PubMed Central
e7.
Vos T, Barber RM, Bell B, et al.: Global, regional, and national incidence, prevalence, and years lived with disability for 301 acute and chronic diseases and injuries in 188 countries, 1990–2013: a systematic analysis for the Global Burden of Disease Study 2013. Lancet 2015; 386: 743–800 CrossRef
e8.
Zhang Y, Lazzarini PA, McPhail SM, van Netten JJ, Armstrong DG, Pacella RE: Global disability burdens of diabetes-related lower-extremity complications in 1990 and 2016. Diabetes Care 2020; 43: 964–74 CrossRef MEDLINE
e9.
Haagsma JA, Graetz N, Bolliger I, et al.: The global burden of injury: incidence, mortality, disability-adjusted life years and time trends from the Global Burden of Disease study 2013. Inj Prev 2016; 22: 3–18 CrossRef MEDLINE PubMed Central
e10.
Lange C, Jentsch F, Allen J, et al.: Data resource profile: German Health Update (GEDA)—the health interview survey for adults in Germany. Int J Epidemiol 2015; 44: 442–50 CrossRef MEDLINE
e11.
Hoffmann R, Lange M, Butschalowsky H, et al.: Querschnitterhebung von KiGGS Welle 2 – Teilnehmendengewinnung, Response und Repräsentativität. J Health Monit 2018; 3: 82–96.
e12.
Davern M: Nonresponse rates are a problematic indicator of nonresponse bias in survey research. Health Serv Res 2013; 48: 905–12 CrossRef MEDLINE PubMed Central
e13.
Santos-Hövener C, Schumann M, Schmich P, et al.: Verbesserung der Informationsgrundlagen zur Gesundheit von Menschen mit Migrationshintergrund: Projektbeschreibung und erste Erkenntnisse von IMIRA. J Health Monit 2019; 4: 49–61.
e14.
Kamtsiuris P, Lange M, Hoffmann R, et al.: The first wave of the German Health Interview and Examination Survey for Adults (DEGS1). Sampling design, response, weighting, and representativeness. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 2013; 56: 620–30 CrossRef MEDLINE
e15.
Glaeske G, Rebscher H, Willich S: Versorgungsforschung: Auf gesetzlicher Grundlage systematisch ausbauen. Dtsch Arztebl 2010; 107: 1295–7.
e16.
Ohlmeier C, Frick J, Prütz F, et al.: Nutzungsmöglichkeiten von Routinedaten der Gesetzlichen Krankenversicherung in der Gesundheitsberichterstattung des Bundes. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 2014; 57: 464–72 CrossRef MEDLINE
e17.
Angelow A, Reber KC, Schmidt CO, Baumeister SE, Chenot J-F: Untersuchung der Prävalenz kardiologischer Risikofaktoren in der Allgemeinbevölkerung: Ein Vergleich ambulanter ärztlicher Abrechnungsdaten mit Daten einer populationsbasierten Studie. Gesundheitswesen 2019; 81: 791–800 CrossRef MEDLINE
e18.
Abbas S, Ihle P: Bestimmung von Behandlungs- und Erkrankungsperioden in Routinedaten. In: Swart E, Ihle P, Gothe H, Matusiewicz D (eds.): Routinedaten im Gesundheitswesen – Handbuch Sekundärdatenanalyse: Grundlagen, Methoden und Perspektiven. Bern: Huber 2014; 369–75.
e19.
Schubert I, Ihle P, Köster I: Interne Validierung von Diagnosen in GKV-Routinedaten: Konzeption mit Beispielen und Falldefinition. Gesundheitswesen 2010; 72: 316–22 CrossRef MEDLINE
e20.
Schubert I, Köster I: Krankheitsereignis: Operationalisierung und Falldefinition. In: Swart E, Ihle P, Gothe H, Matusiewicz D (eds.): Routinedaten im Gesundheitswesen – Handbuch Sekundärdatenanalyse: Grundlagen, Methoden und Perspektiven. Bern: Huber 2014; 358–68.
e21.
Schipf S, Schöne G, Schmidt B, et al.: Die Basiserhebung der NAKO Gesundheitsstudie: Teilnahme an den Untersuchungsmodulen, Qualitätssicherung und Nutzung von Sekundärdaten. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 2020; 63: 254–66 CrossRef MEDLINE
e22.
Roessler M, Schmitt J, Bobeth C, et al.: Is treatment in certified cancer centers related to better survival in patients with pancreatic cancer? Evidence from a large German cohort study. BMC Cancer 2022; 22: 1–10 CrossRef MEDLINE PubMed Central
e23.
Schröder H, Brückner G: Unterstützung für den Landrat. Gesundheit und Gesellschaft (G+G) 2019; 22: 12–3.
e24.
Hoffmann F, Icks A: Diabetes ‚epidemic‘ in Germany? A critical look at health insurance data sources. Exp Clin Endocrinol Diabetes 2012; 120: 410–5 CrossRef MEDLINE
e25.
Hoffmann F, Koller D: Verschiedene Regionen, verschiedene Versichertenpopulationen? Soziodemografische und gesundheitsbezogene Unterschiede zwischen Krankenkassen. Gesundheitswesen 2017; 79: e1–e9 CrossRef MEDLINE
e26.
Huber J, Lampert T, Mielck A: Unterschiede bei Gesundheitsrisiken, Morbidität und gesundheitlicher Versorgung zwischen Kindern GKV-bzw. PKV-versicherter Eltern: Ergebnisse aus dem Kinder-und Jugendgesundheitssurvey (KiGGS). Gesundheitswesen 2012; 74: 627–38 CrossRef MEDLINE
e27.
Kriwy P, Mielck A: Versicherte der gesetzlichen Krankenversicherung (GKV) und der privaten Krankenversicherung (PKV): Unterschiede in Morbidität und Gesundheitsverhalten. Gesundheitswesen 2006; 68: 281–8 CrossRef MEDLINE
e28.
Wyper GMA, Grant I, Fletcher E, McCartney G, Stockton DL: The impact of worldwide, national and sub-national severity distributions in Burden of Disease studies: a case study of cancers in Scotland. PLoS One 2019; 14: e0221026 CrossRef MEDLINE PubMed Central
e29.
Gerste B, Drogan D, Günster C: Diagnosehäufigkeit und Inanspruchnahme von Gesundheitsleistungen. In: Klauber J, Günster C, Gerste B, Robra BP, Schmacke N (eds.): Versorgungs-Report 2015/2016. Stuttgart: Schattauer 2016; 391–445.
e30.
Nord E: Disability weights in the Global Burden of Disease 2010: unclear meaning and overstatement of international agreement. Health Policy 2013; 111: 99–104 CrossRef MEDLINE
e31.
Chen A, Jacobsen KH, Deshmukh AA, Cantor SB: The evolution of the disability-adjusted life year (DALY). Socio-Econ Plan Sci 2015; 49: 10–5 CrossRef
Robert Koch-Institut, Abteilung 2, Epidemiologie und Gesundheitsmonitoring, Berlin: Michael Porst, Dr. rer. pol. Elena von der Lippe, Janko Leddin, Dr. rer. nat. Aline Anton, Dr. rer. pol. Annelene Wengler, Dr. sc. hum. Benjamin Barnes, Dr. med. Markus A. Busch, Dr. phil. Ulfert Hapke, PD Dr. med. Hannelore Neuhauser, Dr. med. Lukas Reitzle, Dr. med. Christa Scheidt-Nave, Dr. med. Henriette Steppuhn, Dr. rer. medic. Julia Thom, Dr. med. Thomas Ziese, Dr. rer. med. Alexander Rommel
Wissenschaftliches Institut der AOK (WIdO), Berlin: Dr. phil. Jan Breitkreuz, Dr. phil. nat. Katrin Schüssel, Gabriela Brückner, Helmut Schröder, Dr. med. Andreas Schlotmann
Umweltbundesamt, Abteilung II 1 Umwelthygiene, Berlin: Dr. PH Dietrich Plaß, Heike Gruhl
Robert Koch-Institut, Abteilung 3, Infektionsepidemiologie, Berlin: Dr. med. Sebastian Haller
Krankheitslast insgesamt (DALY je 100 000 Einwohner EW) für ausgewählte Krankheitslastursachen nach Geschlecht
Grafik 1
Krankheitslast insgesamt (DALY je 100 000 Einwohner EW) für ausgewählte Krankheitslastursachen nach Geschlecht
Anteil YLL und YLD an der Krankheitslast insgesamt (DALY absolut) für die ausgewählten Krankheitslastursachen
Grafik 2
Anteil YLL und YLD an der Krankheitslast insgesamt (DALY absolut) für die ausgewählten Krankheitslastursachen
Krankheitslast insgesamt (DALY altersstandardisiert je 100 000 Einwohner) auf Ebene der Raumordnungsregionen
Grafik 3
Krankheitslast insgesamt (DALY altersstandardisiert je 100 000 Einwohner) auf Ebene der Raumordnungsregionen
Krankheitslast insgesamt (DALY je 100 000 Einwohner) der ausgewählten Krankheitslastursachen im Altersverlauf (Ebene 3, Deutschland, beide Geschlechter)
Tabelle
Krankheitslast insgesamt (DALY je 100 000 Einwohner) der ausgewählten Krankheitslastursachen im Altersverlauf (Ebene 3, Deutschland, beide Geschlechter)
Krankheitslast insgesamt (DALY je 100 000 Einwohner [EW]) für die ausgewählten Krankheitslastursachen nach Geschlecht
eGrafik 1
Krankheitslast insgesamt (DALY je 100 000 Einwohner [EW]) für die ausgewählten Krankheitslastursachen nach Geschlecht
Krankheitslast (DALY je 100 000 Einwohner nach YLL und YLD) für Straßen verkehrsunfälle im Alters verlauf nach Geschlecht
eGrafik 2
Krankheitslast (DALY je 100 000 Einwohner nach YLL und YLD) für Straßen verkehrsunfälle im Alters verlauf nach Geschlecht
Studie BURDEN 2020
eKasten
Studie BURDEN 2020
Darstellung der betrachteten Krankheitslastursachen innerhalb der Ebenenhierarchie (Morbidität)
eTabelle 1
Darstellung der betrachteten Krankheitslastursachen innerhalb der Ebenenhierarchie (Morbidität)
Zur Berechnung ausgewählte Krankheitslastursachen gelistet nach dem Anteil ihrer Krankheitslast an allen „disability-adjusted life years“ (DALY) (Ebene 3) laut GBD-Studie (2017) (Deutschland, beide Geschlechter)
eTabelle 2
Zur Berechnung ausgewählte Krankheitslastursachen gelistet nach dem Anteil ihrer Krankheitslast an allen „disability-adjusted life years“ (DALY) (Ebene 3) laut GBD-Studie (2017) (Deutschland, beide Geschlechter)
Datengrundlage und Verfahren (Morbiditätskomponente)
eTabelle 3
Datengrundlage und Verfahren (Morbiditätskomponente)
Krankheitslast insgesamt („disability-adjusted life years“ [DALY] absolut und Anteile) für die ausgewählten Krankheitslastursachen (Ebene 3 und 4, Deutschland, beide Geschlechter)
eTabelle 4
Krankheitslast insgesamt („disability-adjusted life years“ [DALY] absolut und Anteile) für die ausgewählten Krankheitslastursachen (Ebene 3 und 4, Deutschland, beide Geschlechter)
Krankheitslast insgesamt (DALY je 100 000 Einwohner [EW]) für die ausgewählten Krankheitslastursachen im Altersverlauf und nach Geschlecht (Ebene 3, Deutschland)
eTabelle 5
Krankheitslast insgesamt (DALY je 100 000 Einwohner [EW]) für die ausgewählten Krankheitslastursachen im Altersverlauf und nach Geschlecht (Ebene 3, Deutschland)
1.van der Maas PJ: How summary measures of population health are affecting health agendas. Bull World Health Organ 2003; 314.
2.Mathers CD, Murray CJ, Ezzati M, Gakidou E, Salomon JA, Stein C: Population health metrics: crucial inputs to the development of evidence for health policy. Popul Health Metr 2003; 1: 1–4 CrossRef MEDLINE PubMed Central
3.Murray CJ: Quantifying the burden of disease: the technical basis for disability-adjusted life years. Bull World Health Organ 1994; 72: 429–45.
4.Murray CJL, Lopez AD: The global burden of disease: a comprehensive assessment of mortality and disability from diseases, injuries, and risk factors in 1990 and projected to 2020. Cambridge: Harvard School of Public Health on behalf of the World Health Organization and the World Bank 1996.
5.Murray CJ, Salomon JA, Mathers C: A critical examination of summary measures of population health. Bull World Health Organ 2000; 78: 981–94.
6.Murray CJ, Ezzati M, Flaxman AD, et al.: GBD 2010: design, definitions, and metrics. Lancet 2012; 380: 2063–6 CrossRef
7.Murray CJL, Salomon JA, Mathers CD, Lopez AD: Summary measures of population health: concepts, ethics, measurement and applications. Geneva: World Health Organization 2002.
8.Murray CJL, Abbafati C, Abbas KM, et al.: Five insights from the Global Burden of Disease Study 2019. Lancet 2020; 396: 1135–59 CrossRef
9. Mathers CD: History of global burden of disease assessment at the World Health Organization. Arch Public Health 2020; 78: 77 CrossRef MEDLINE PubMed Central
10.Rommel A, von der Lippe E, Plaß D, et al.: BURDEN 2020—burden of disease in Germany at the national and regional level. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 2018; 61: 1159–66 CrossRef CrossRef MEDLINE
11.Wengler A, Rommel A, Plaß D, Gruhl H, Leddin J, Ziese T, von der Lippe E on behalf of the BURDEN 2020 Study Group: Years of life lost to death—a comprehensive analysis of mortality in Germany conducted as part of the BURDEN 2020 project. Dtsch Arztebl Int 2021; 118: 137– 44 CrossRef
12.Wengler A, Gruhl H, Plaß D, et al.: Redistributing ill-defined causes of death—a case study from the BURDEN 2020-project in Germany. Arch Public Health 2021; 79: 1–18 CrossRef MEDLINE PubMed Central
13.Porst M, Leddin J, Rommel A, et al.: Methodenbericht zur Quantifizierung der years lived with disability (YLD) im Projekt BURDEN 2020—Genese von Krankheitshäufigkeiten, Schweregraden, Dauern und disability weights sowie Sensitivitätsanalysen. Robert Koch-Institut (RKI), Berlin. www.daly.rki.de/publications 2022 (last accessed on 25 March 2022).
14.Salomon JA, Haagsma JA, Davis A, et al.: Disability weights for the Global Burden of Disease 2013 study. Lancet Glob Health 2015; 3: e712–e23 CrossRef
15.Anand S, Hanson K: Disability-adjusted life years: a critical review. J Health Econ 1997; 16: 685–702 CrossRef
16.Salomon JA, Vos T, Hogan DR, et al.: Common values in assessing health outcomes from disease and injury: disability weights measurement study for the Global Burden of Disease Study 2010. Lancet 2012; 380: 2129–43 CrossRef
17.Vos T, Lim SS, Abbafati C, et al.: Global burden of 369 diseases and injuries in 204 countries and territories, 1990–2019: a systematic analysis for the Global Burden of Disease Study 2019. Lancet 2020; 396: 1204–22 CrossRef
18. Institute for Health Metrics and Evaluation (IHME): Global health data exchange. GBD Results Tool. http://ghdx.healthdata.org/gbd-results-tool (last accessed on 21 January 2022).
19.Breitkreuz J, Schüssel K, Brückner G, Schröder H: Krankheitslastbestimmung mit Prävalenzen und Schweregraden auf Routinedatenbasis. GGW 2021; 21: 24–34.
20.Breitkreuz J, Schüssel K, Brückner G, Schröder H: Methodik zur Bestimmung von Prävalenzen und Schweregraden mit Routinedaten im Projekt BURDEN 2020—Falldefinitionen, Schweregrade, Prävalenzkonzept. Berlin: Wissenschaftliches Institut der AOK (WIdO). www.krankheitslage-deutschland.de/dokumente/methodendokumentation.pdf 2021(last accessed on 25 March 2022).
21.Breitkreuz J, Brückner G, Burgard JP, et al.: Schätzung kleinräumiger Krankheitshäufigkeiten für die deutsche Bevölkerung anhand von Routinedaten am Beispiel von Typ-2-Diabetes. AStA Wirtsch Sozialstat Arch 2019; 13: 35–72 CrossRef
22.Schüssel K, Breitkreuz J, Brückner G, Schröder H: Nutzung von Krankenkassenroutinedaten zur Bestimmung von Krankheitshäufigkeiten im Projekt BURDEN 2020. Gesundheitswesen 2022 CrossRef
23.von der Lippe E, Krause L, Porst M, et al.: Prävalenz von Rücken- und Nackenschmerzen in Deutschland. Ergebnisse der Krankheitslast-Studie BURDEN 2020. J Health Monit 2021; 6: 1–14.
24.Porst M, Wengler A, Leddin J, et al.: Migräne und Spannungskopfschmerz in Deutschland. Prävalenz und Erkrankungsschwere im Rahmen der Krankheitslast-Studie BURDEN 2020. J Health Monit 2020; 5: 1–26.
25.Atzendorf J, Rauschert C, Seitz NN, Lochbühler K, Kraus L: The use of alcohol, tobacco, illegal drugs and medicines—an estimate of consumption and substance-related disorders in Germany. Dtsch Arztebl Int 2019; 116: 577–84 CrossRef
26.FDZ der Statistischen Ämter des Bundes und der Länder. Statistik der Straßenverkehrsunfälle 2017; DOI: 10.21242/46241.2017.00.00.1.1.0.
27.James SL, Abate D, Abate KH, et al.: Global, regional, and national incidence, prevalence, and years lived with disability for 354 diseases and injuries for 195 countries and territories, 1990–2017: a systematic analysis for the Global Burden of Disease Study 2017. Lancet 2018; 392: 1789–858 CrossRef
28. Hilderink HB, Plasmans MH, Snijders BE, Boshuizen HC, Poos MR, van Gool CH: Accounting for multimorbidity can affect the estimation of the burden of disease: a comparison of approaches. Arch Public Health 2016; 74: 1–16 CrossRef MEDLINE PubMed Central
29. Pace M, Lanzieri G, Glickman M, et al.: Revision of the European standard population: report of the Eurostat’s task force. Luxembourg: Publications Office of the European Union 2013.
30.Robert Koch-Institut (RKI): BURDEN 2020—Studie zur Krankheitslast in Deutschland und seinen Regionen. /www.daly.rki.de/ (last accessed on 3 May 2022).
31.FDZ der Statistischen Ämter des Bundes und der Länder. Todesursachenstatistik 2017. DOI: 10.21242/23211.2017.00.00.1.1.0.
32.Statistisches Bundesamt: Sterbetafeln 2016/2018, nach Bundesländern, Durchschnittliche Lebenserwartung (Periodensterbetafel). https://www-genesis.destatis.de/genesis/online (last accessed on 4 May 2020).
33.Cox N: GROUP1D: Stata module for grouping or clustering in one dimension. EconPapers 2007. https://econpapers.repec.org/software/bocbocode/S456844.htm (last accessed on 25 March 2022).
34.Bundesinstitut für Bau-, Stadt- und Raumforschung (BBSR): Laufende Raumbeobachtung—Raumabgrenzungen. Raumordnungsregionen. www.bbsr.bund.de/BBSR/DE/forschung/raumbeobachtung/Raumabgrenzungen/deutschland/regionen/Raumordnungsregionen/raumordnungsregionen.html (last accessed on 23 February 2022).
35.Siegrist J: Medizinische Soziologie. München: Elsevier, Urban und Fischer 2005.
36.Jacobi F, Mack S, Gerschler A, et al.: The design and methods of the mental health module in the German Health Interview and Examination Survey for Adults (DEGS1-MH). Int J Methods Psychiatr Res 2013; 22: 83–99 CrossRef MEDLINE PubMed Central
37.Münnich R BJ, Vogt M: Small Area-Statistik: Methoden und Anwendungen. AStA Wirtsch Sozialstat Arch 2013; 6: 149–91 CrossRef
38.Wyper GM, Assuncao R, Fletcher E, et al.: The increasing significance of disease severity in a burden of disease framework. Scand J Public Health 2021: 1–5 CrossRef MEDLINE
39.Plass D, Vos T, Hornberg C, Scheidt-Nave C, Zeeb H, Krämer A: Trends in disease burden in Germany—results, implications and limitations of the Global Burden of Disease Study. Dtsch Arztebl Int 2014; 111: 629–38 VOLLTEXT
e1.Roth GA, Abate D, Abate KH, et al.: Global, regional, and national age-sex-specific mortality for 282 causes of death in 195 countries and territories, 1980–2017: a systematic analysis for the Global Burden of Disease Study 2017. Lancet 2018; 392: 1736–88 CrossRef
e2.Haagsma JA, Maertens de Noordhout C, Polinder S, et al.: Assessing disability weights based on the responses of 30,660 people from four European countries. Popul Health Metr 2015; 13: 10 CrossRef MEDLINE PubMed Central
e3.World Health Organization (WHO): Disability-adjusted life years (DALYs). www.who.int/data/gho/indicator-metadata-registry/imr-details/158 (last accessed on 25 March 2022).
e4.Wyper GMA, Grant I, Fletcher E, Chalmers N, McCartney G, Stockton DL: Prioritising the development of severity distributions in burden of disease studies for countries in the European region. Arch Public Health 2020; 78: 1–4 CrossRef MEDLINE PubMed Central
e5.Troeger C, Blacker B, Khalil IA, et al.: Estimates of the global, regional, and national morbidity, mortality, and aetiologies of lower respiratory infections in 195 countries, 1990–2016: a systematic analysis for the Global Burden of Disease Study 2016. Lancet Infect Dis 2018; 18: 1191–210 CrossRef
e6.Burstein R, Fleming T, Haagsma J, Salomon JA, Vos T, Murray CJ: Estimating distributions of health state severity for the global burden of disease study. Popul Health Metr 2015; 13: 1–19 CrossRef MEDLINE PubMed Central
e7.Vos T, Barber RM, Bell B, et al.: Global, regional, and national incidence, prevalence, and years lived with disability for 301 acute and chronic diseases and injuries in 188 countries, 1990–2013: a systematic analysis for the Global Burden of Disease Study 2013. Lancet 2015; 386: 743–800 CrossRef
e8.Zhang Y, Lazzarini PA, McPhail SM, van Netten JJ, Armstrong DG, Pacella RE: Global disability burdens of diabetes-related lower-extremity complications in 1990 and 2016. Diabetes Care 2020; 43: 964–74 CrossRef MEDLINE
e9.Haagsma JA, Graetz N, Bolliger I, et al.: The global burden of injury: incidence, mortality, disability-adjusted life years and time trends from the Global Burden of Disease study 2013. Inj Prev 2016; 22: 3–18 CrossRef MEDLINE PubMed Central
e10.Lange C, Jentsch F, Allen J, et al.: Data resource profile: German Health Update (GEDA)—the health interview survey for adults in Germany. Int J Epidemiol 2015; 44: 442–50 CrossRef MEDLINE
e11.Hoffmann R, Lange M, Butschalowsky H, et al.: Querschnitterhebung von KiGGS Welle 2 – Teilnehmendengewinnung, Response und Repräsentativität. J Health Monit 2018; 3: 82–96.
e12.Davern M: Nonresponse rates are a problematic indicator of nonresponse bias in survey research. Health Serv Res 2013; 48: 905–12 CrossRef MEDLINE PubMed Central
e13.Santos-Hövener C, Schumann M, Schmich P, et al.: Verbesserung der Informationsgrundlagen zur Gesundheit von Menschen mit Migrationshintergrund: Projektbeschreibung und erste Erkenntnisse von IMIRA. J Health Monit 2019; 4: 49–61.
e14.Kamtsiuris P, Lange M, Hoffmann R, et al.: The first wave of the German Health Interview and Examination Survey for Adults (DEGS1). Sampling design, response, weighting, and representativeness. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 2013; 56: 620–30 CrossRef MEDLINE
e15.Glaeske G, Rebscher H, Willich S: Versorgungsforschung: Auf gesetzlicher Grundlage systematisch ausbauen. Dtsch Arztebl 2010; 107: 1295–7.
e16.Ohlmeier C, Frick J, Prütz F, et al.: Nutzungsmöglichkeiten von Routinedaten der Gesetzlichen Krankenversicherung in der Gesundheitsberichterstattung des Bundes. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 2014; 57: 464–72 CrossRef MEDLINE
e17.Angelow A, Reber KC, Schmidt CO, Baumeister SE, Chenot J-F: Untersuchung der Prävalenz kardiologischer Risikofaktoren in der Allgemeinbevölkerung: Ein Vergleich ambulanter ärztlicher Abrechnungsdaten mit Daten einer populationsbasierten Studie. Gesundheitswesen 2019; 81: 791–800 CrossRef MEDLINE
e18.Abbas S, Ihle P: Bestimmung von Behandlungs- und Erkrankungsperioden in Routinedaten. In: Swart E, Ihle P, Gothe H, Matusiewicz D (eds.): Routinedaten im Gesundheitswesen – Handbuch Sekundärdatenanalyse: Grundlagen, Methoden und Perspektiven. Bern: Huber 2014; 369–75.
e19.Schubert I, Ihle P, Köster I: Interne Validierung von Diagnosen in GKV-Routinedaten: Konzeption mit Beispielen und Falldefinition. Gesundheitswesen 2010; 72: 316–22 CrossRef MEDLINE
e20.Schubert I, Köster I: Krankheitsereignis: Operationalisierung und Falldefinition. In: Swart E, Ihle P, Gothe H, Matusiewicz D (eds.): Routinedaten im Gesundheitswesen – Handbuch Sekundärdatenanalyse: Grundlagen, Methoden und Perspektiven. Bern: Huber 2014; 358–68.
e21.Schipf S, Schöne G, Schmidt B, et al.: Die Basiserhebung der NAKO Gesundheitsstudie: Teilnahme an den Untersuchungsmodulen, Qualitätssicherung und Nutzung von Sekundärdaten. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 2020; 63: 254–66 CrossRef MEDLINE
e22.Roessler M, Schmitt J, Bobeth C, et al.: Is treatment in certified cancer centers related to better survival in patients with pancreatic cancer? Evidence from a large German cohort study. BMC Cancer 2022; 22: 1–10 CrossRef MEDLINE PubMed Central
e23.Schröder H, Brückner G: Unterstützung für den Landrat. Gesundheit und Gesellschaft (G+G) 2019; 22: 12–3.
e24. Hoffmann F, Icks A: Diabetes ‚epidemic‘ in Germany? A critical look at health insurance data sources. Exp Clin Endocrinol Diabetes 2012; 120: 410–5 CrossRef MEDLINE
e25. Hoffmann F, Koller D: Verschiedene Regionen, verschiedene Versichertenpopulationen? Soziodemografische und gesundheitsbezogene Unterschiede zwischen Krankenkassen. Gesundheitswesen 2017; 79: e1–e9 CrossRef MEDLINE
e26. Huber J, Lampert T, Mielck A: Unterschiede bei Gesundheitsrisiken, Morbidität und gesundheitlicher Versorgung zwischen Kindern GKV-bzw. PKV-versicherter Eltern: Ergebnisse aus dem Kinder-und Jugendgesundheitssurvey (KiGGS). Gesundheitswesen 2012; 74: 627–38 CrossRef MEDLINE
e27.Kriwy P, Mielck A: Versicherte der gesetzlichen Krankenversicherung (GKV) und der privaten Krankenversicherung (PKV): Unterschiede in Morbidität und Gesundheitsverhalten. Gesundheitswesen 2006; 68: 281–8 CrossRef MEDLINE
e28. Wyper GMA, Grant I, Fletcher E, McCartney G, Stockton DL: The impact of worldwide, national and sub-national severity distributions in Burden of Disease studies: a case study of cancers in Scotland. PLoS One 2019; 14: e0221026 CrossRef MEDLINE PubMed Central
e29.Gerste B, Drogan D, Günster C: Diagnosehäufigkeit und Inanspruchnahme von Gesundheitsleistungen. In: Klauber J, Günster C, Gerste B, Robra BP, Schmacke N (eds.): Versorgungs-Report 2015/2016. Stuttgart: Schattauer 2016; 391–445.
e30.Nord E: Disability weights in the Global Burden of Disease 2010: unclear meaning and overstatement of international agreement. Health Policy 2013; 111: 99–104 CrossRef MEDLINE
e31.Chen A, Jacobsen KH, Deshmukh AA, Cantor SB: The evolution of the disability-adjusted life year (DALY). Socio-Econ Plan Sci 2015; 49: 10–5 CrossRef

Kommentare

Die Kommentarfunktion steht zur Zeit nicht zur Verfügung.

Der klinische Schnappschuss

Alle Leserbriefe zum Thema

Stellenangebote