Wiskundige modellen met oog voor ongelijkheid

Wat was de aanleiding voor dit onderzoek?

Uit andere landen kwamen steeds meer aanwijzingen dat COVID-19 bepaalde groepen harder trof dan anderen. Denk aan mensen met een lage sociaaleconomische status of een migratieachtergrond. In Nederland was daar nog weinig over bekend, vooral omdat de gegevens ontbraken om dit goed te onderzoeken. Er werden wel wiskundige modellen gebruikt om beleid te maken, maar daarin werd iedereen als gelijk behandeld, afgezien van leeftijd. De modellen gingen er simpelweg vanuit dat iedereen evenveel risico liep om besmet te raken of in het ziekenhuis te worden opgenomen. In werkelijkheid zagen we dat ook sociaaleconomische factoren een rol speelden. Dat was voor ons de aanleiding om dit onderzoek te starten.

Wat was jullie aanpak?

We wilden eerst een goed beeld krijgen van de situatie in Nederland. Daarvoor hebben we verschillende databronnen samengevoegd, namelijk besmettingscijfers van het RIVM, ziekenhuisopnames vanwege COVID-19 volgens de Dutch Hospital Data (DHD) en gegevens over migratieachtergrond en sociaaleconomische status van het CBS. Ook gebruikten we vragenlijsten van het RIVM om te zien hoe vaak en met wie mensen contact hadden. Zo konden we patronen zien in gedrag en risico’s en die informatie verwerken in onze modellen. We beperkten ons tot de periode vóór de vaccinaties, omdat het model anders nog complexer zou worden.

Wat voor model hebben jullie gebouwd?

We bouwden eerst een statistisch spatiotemporeel model, dat wil zeggen een model dat liet zien hoe kwetsbaarheden zich in de tijd en in verschillende regio’s ontwikkelden, rekening houdend met factoren zoals leeftijd, sociaaleconomische status en migratieachtergrond. Dat hielp ons om de situatie in Nederland te beschrijven. Later gebruikten we een wiskundig model dat specifiek het effect van COVID-19-maatregelen — zoals lockdowns of schoolsluitingen — op verschillende bevolkingsgroepen nabootste.

Wat viel op in de resultaten?

We zagen duidelijk een verband tussen sociaaleconomische status en ziekenhuisopnames. Mensen uit lagere sociaaleconomische groepen en mensen met een migratieachtergrond werden vaker opgenomen. Dat gold vooral aan het begin van de pandemie en ook vlak voor de vaccinaties begonnen. Het aantal vastgestelde virusinfecties verschilde echter níet tussen de verschillende groepen. Dit verschil kan mogelijk verklaard worden doordat mensen uit lagere sociaaleconomische zich in die periode waarschijnlijk minder vaak lieten testen.

Was het mogelijk om het effect van migratieachtergrond en sociaaleconomische status los van elkaar te bekijken?

Dat bleek lastig, omdat die factoren vaak samen voorkomen. We hebben dit wel geprobeerd door te kijken naar buurtniveau. Inwoners van een bepaalde buurt hebben vaak een soortgelijke sociaaleconomische status, waardoor je binnen een buurt kunt onderzoeken hoeveel invloed migratieachtergrond dan nog heeft. We zagen dat vooral buurten met een hoge concentratie van beide groepen hogere ziekenhuisopnames lieten zien.

Maakte het nog uit wat voor migratieachtergrond mensen hadden?

Ja. We probeerden eerst de nieuwe CBS-definitie te gebruiken, die geen onderscheid meer maakt tussen westers en niet-westers. Maar daarmee vonden we geen duidelijke verschillen; de groep was te verschillend. Daarom zijn we teruggegaan naar de oude indeling. Toen bleek dat mensen met een niet-westerse migratieachtergrond aanzienlijk vaker in het ziekenhuis belandden.

Wat zijn de lessen voor een volgende pandemie?

De belangrijkste les is: zorg dat je vanaf het begin de juiste data kunt koppelen. Tijdens deze pandemie konden we pas na 2 jaar zulke onderzoeken doen, omdat de benodigde informatie niet direct beschikbaar was. Terwijl zulke gegevens essentieel zijn om eerlijk en effectief beleid te maken. Je kunt dan inschatten wat maatregelen doen bij verschillende groepen, en wie extra ondersteuning of gerichte communicatie nodig heeft.

Heeft dit onderzoek ook nog gevolgen buiten pandemieën?

Zeker. We benadrukken dat er juist in rustige tijden veel te winnen is. Door structureel te investeren in het verkleinen van gezondheidsverschillen kun je tijdens een volgende pandemie veel leed voorkomen. Denk aan het voorkomen van chronische aandoeningen, het verbeteren van gezondheidsvaardigheden en het verhogen van het vertrouwen in de zorg en de overheid. Dit zal niet alleen zijn vruchten afwerpen voor infectieziekten, maar ook voor andere gezondheidsproblemen zoals hart- en vaatziekten.

Wat is de volgende stap?

We gaan hiermee verder in een nieuw onderzoeksproject: het UNITY-consortium, geleid door het Pandemic & Disaster Preparedness Center. Binnen dat project werken we aan een geïntegreerd raamwerk voor pandemische paraatheid, met specifieke aandacht voor kwetsbare groepen. Daarmee hopen we nog beter voorbereid te zijn op een volgende gezondheidscrisis.