Download PDF
Gesundheitswesen 2018; 80(S 02): S64-S70
DOI: 10.1055/s-0042-123845
Originalarbeit
© Georg Thieme Verlag KG Stuttgart · New York

Die räumliche Verbreitung des Typ 2 Diabetes Mellitus in Berlin – Die Anwendung einer geografisch gewichteten Regressionsanalyse zur Identifikation ortsspezifischer Risikogruppen

Spatial Distribution of Type 2 Diabetes Mellitus in Berlin: Application of a Geographically Weighted Regression Analysis to Identify Location-Specific Risk Groups
Boris Kauhl
1   Ärztliche Versorgung, AOK Nordost, Potsdam
,
Jonas Pieper
2   Fachbereich Bauingenieur- und Geoinformationswesen, Beuth Hochschule für Technik Berlin, Berlin
,
Jürgen Schweikart
3   Fachbereich III, Beuth Hochschule für Technik Berlin, Berlin
,
Andrea Keste
1   Ärztliche Versorgung, AOK Nordost, Potsdam
,
Marita Moskwyn
1   Ärztliche Versorgung, AOK Nordost, Potsdam
› Author Affiliations
Further Information

Publication History

Publication Date:
16 February 2017 (online)

Also available at
    Permissions and Reprints

Zusammenfassung

Ziel der Studie

Das Hintergrundwissen, welche Bevölkerungsgruppen an welchem Ort einem erhöhten Risiko an Typ 2 Diabetes Mellitus (T2DM) zu erkranken ausgesetzt ist, erlaubt effiziente und kostensparende Interventionen, die sich genau an die lokalen Risikogruppen richten. Das Ziel dieser Studie ist die Analyse der räumlichen Verteilung des T2DM und die Identifikation lokaler, bevölkerungsbasierter Risikofaktoren mithilfe globaler und lokaler Regressionsmodelle.

Methoden

Zur kartografischen Darstellung der T2DM Prävalenz wurde eine bivariate Kernel Density Estimation verwendet. Ein Ordinary Least Squares Regressionsmodell (OLS) wurde zur Identifikation bevölkerungsbasierter Risikofaktoren verwendet. Mithilfe eines geografisch gewichteten Regressionsmodells (GWR) wurde analysiert, wie der Zusammenhang zwischen den ermittelten Risikofaktoren und T2DM innerhalb Berlins variiert.

Ergebnisse

T2DM ist vor allem im Osten und in den Randgebieten Berlins konzentriert. Das OLS Modell identifiziert Anteile an Personen über 80, Personen ohne Migrationshintergrund, Langzeitarbeitslosigkeit, Haushalte mit Kindern und einen abnehmenden Anteil alleinerziehender Haushalte als soziodemografische Risikofaktoren. Die Ergebnisse des GWR Modells deuten zusätzlich auf starke räumliche Schwankungen des Zusammenhangs zwischen den ermittelten Risikofaktoren und T2DM innerhalb Berlins hin.

Schlussfolgerung

Die Risikofaktoren für T2DM hängen sehr stark von der lokalen soziodemografischen Zusammensetzung der Berliner Kieze ab und verdeutlichen, dass ein one-size-fits-all Ansatz für die Prävention des T2DM nicht geeignet ist. Präventionsmaßnahmen für T2DM sollten in Zukunft noch stärker auf lokal unterschiedliche Risikogruppen zugeschnitten werden.

Abstract

Background

Understanding which population groups in which locations are at higher risk for type 2 diabetes mellitus (T2DM) allows efficient and cost-effective interventions targeting these risk-populations in great need in specific locations. The goal of this study was to analyze the spatial distribution of T2DM and to identify the location-specific, population-based risk factors using global and local spatial regression models.

Methods

To display the spatial heterogeneity of T2DM, bivariate kernel density estimation was applied. An ordinary least squares regression model (OLS) was applied to identify population-based risk factors of T2DM. A geographically weighted regression model (GWR) was then constructed to analyze the spatially varying association between the identified risk factors and T2DM.

Results

T2DM is especially concentrated in the east and outskirts of Berlin. The OLS model identified proportions of persons aged 80 and older, persons without migration background, long-term unemployment, households with children and a negative association with single-parenting households as socio-demographic risk groups. The results of the GWR model point out important local variations of the strength of association between the identified risk factors and T2DM.

Conclusion

The risk factors for T2DM depend largely on the socio-demographic composition of the neighborhoods in Berlin and highlight that a one-size-fits-all approach is not appropriate for the prevention of T2DM. Future prevention strategies should be tailored to target location-specific risk-groups.

Schlüsselwörter

Typ 2 Diabetes Mellitus - Geografische Informationssysteme (GIS) - Geografisch gewichtete Regression (GWR) - Kernel Density Estimation (KDE) - Versorgungsforschung

Key words

type 2 diabetes mellitus - Geographic Information Systems (GIS) - Geographically Weighted Regression (GWR) - Kernel Density Estimation (KDE) - health care research
 

  • Literatur

  • 1 Heidemann C, Du Y, Scheidt-Nave C. Diabetes mellitus in Deutschland. GBE Kompakt 2011; 2: 1-7
    PubMedGoogle Scholar
  • 2 Liebl A, Spannheimer A, Reitberger U. et al. Kosten für Spätkomplikationen bei Diabetes mellitus Typ 2 in Deutschland. Medizinische Klinik 2002; 97: 713-719
    CrossrefPubMedGoogle Scholar
  • 3 Kremer M, Snyder CM. When is prevention more profitable than cure? The impact of time-varying consumer heterogeneity. national bureau of economic research 2013
    PubMed
  • 4 Hauner H, Landgraf R, Schulze J. et al. Prävention des Typ-2-Diabetes mellitus. Dtsch Med Wochenschr 2005; 130: b9
    PubMedGoogle Scholar
  • 5 Dijkstra A, Janssen F, De Bakker M et al. Using spatial analysis to predict health care use at the local level: a case study of type 2 diabetes medication use and its association with demographic change and socioeconomic status. PloS one 2013; 8
    PubMed
  • 6 Hipp JA, Chalise N. Peer reviewed: Spatial analysis and correlates of county-level diabetes prevalence, 2009–2010. Preventing chronic disease 2015; 12
    PubMedGoogle Scholar
  • 7 Maier W, Scheidt-Nave C, Holle R. et al. Area level deprivation is an independent determinant of prevalent type 2 diabetes and obesity at the national level in Germany. Results from the National Telephone Health Interview Surveys ‘German Health Update’ GEDA 2009 and 2010. PloS one 2014; 9: e89661
    CrossrefPubMedGoogle Scholar
  • 8 Berlin HS. Ein Instrument der quantitativen, interregionalen und intertemporalen Sozialraumanalyse und -planung. Herausgegeben von der Senatsverwaltung für Gesundheit und Soziales Online verfügbar unter: http://www.berlinde/sen/gessoz/presse/pressemitteilungen/2014/pressemitteilung 2013; 150851
    PubMed
  • 9 Kauhl B, Heil J, Hoebe CJ. et al. The spatial distribution of hepatitis c virus infections and associated determinants – an application of a geographically weighted poisson regression for evidence-based screening interventions in hotspots. PloS one 2015; 10: e0135656
    CrossrefPubMedGoogle Scholar
  • 10 Dijkstra A, Janssen F, De Bakker M. et al. Using spatial analysis to predict health care use at the local level: a case study of type 2 diabetes medication use and its association with demograpHic change and socioeconomic status. PloS one 2013; 8: e72730
    CrossrefPubMedGoogle Scholar
  • 11 Hu M, Li Z, Wang J. et al. Determinants of the incidence of hand, foot and mouth disease in China using geographically weighted regression models. PloS one 2012; 7: e38978
    CrossrefPubMedGoogle Scholar
  • 12 Schnee M. Sozioökonomische Strukturen und Morbidität in den gesetzlichen Krankenkassen. Gesundheitsmonitor 2008; 88-104
    PubMedGoogle Scholar
  • 13 Berlin SfS. Amtliche Hauskoordinaten Berlin 2016 [cited 2016 21. Juli]
    PubMed
  • 14 OpenStreetMap. [cited 2016 17. Mai]. Available from: https://download.geofabrik.de/
    PubMed
  • 15 Levine N. CrimeStat III: a spatial statistics program for the analysis of crime incident locations (version 3.0). Houston (TX): Ned Levine & Associates/Washington, DC: National Institute of Justice; 2004
    Google Scholar
  • 16 ESRI. Geographisch gewichtete Regression (GWR): ESRI; [cited 2016 7. Juli]. Available from: http://desktop.arcgis.com/de/arcmap/10.3/tools/spatial-statistics-toolbox/geographically-weighted-regression.htm
    PubMed
  • 17 Fotheringham AS, Brunsdon C, Charlton M. Geographically weighted regression. John Wiley & Sons, Limited; 2003
    Google Scholar
  • 18 ESRI. How Exploratory Regression works [cited 2016 17. Mai]. Available from: http://desktop.arcgis.com/en/arcmap/10.3/tools/spatial-statistics-toolbox/how-exploratory-regression-works.htm
    PubMed
  • 19 Haque U, Scott LM, Hashizume M. et al. Modelling malaria treatment practices in Bangladesh using spatial statistics. Malar J 2012; 11: 10.1186
    PubMedGoogle Scholar
  • 20 Anselin L. Exploring spatial data with GeoDa: A work book. spatial analysis laboratory. University of Illinois. Center for Spatially Integrated Social Science; 2005
    Google Scholar
  • 21 Nakaya T.GWR4 user manual. WWW document, http://www.st-andrews.ac.uk/geoinformatics/wp-content/uploads/GWR4manual_201311.pdf 2012
    PubMed
  • 22 Erhart M, Herring R, Schulz M et al. Morbiditätsatlas Hamburg. Gutachten zum kleinräumigen Versorgungsbedarf in Hamburg – erstellt durch das Zentralinstitut für die kassenärztliche Versorgung in Deutschland, im Auftrag der Behörde für Gesundheit und Verbraucherschutz Hamburg «Hamburg. 2013; 7
    PubMed
  • 23 Bömermann H, Rehkämper K, Rockmann U. Neue Daten zur Bevölkerung mit Migrationshintergrund in Berlin zum Stand 31.12. 2007. Zeitschrift für amtliche Statistik Berlin-Brandenburg, H 2008; 3: 20-28
    PubMedGoogle Scholar
  • 24 Icks A, Kulzer B, Razum O. Diabetes bei Migranten. Die Bestandsaufnahme 2011; 148
    PubMedGoogle Scholar
  • 25 Parmakerli-Czemmel B, Kalvelage B, Demirtas A. Zur Lage der Migranten mit Diabetes mellitus in Deutschland. Diabetologie und Stoffwechsel 2007; 2: 46-52
    Article in Thieme ConnectPubMedGoogle Scholar
  • 26 Martens R. Arme Kinder-arme Eltern: Zahlen, Daten, Fakten: Der Paritätische, Gesamtverb 2012
    PubMed
  • 27 Piantadosi S, Byar DP, Green SB. The ecological fallacy. American Journal of Epidemiology 1988; 127: 893-904
    CrossrefPubMedGoogle Scholar