Die meisten regionalen Analysen, basierend auf GKV-Abrechnungen, liegen lediglich bis auf die Ebene der Landkreise und kreisfreien Städte vor (Techniker Krankenkasse, 2015, WIdO, 2020, WIdO, 2021, Akmatov et al. 2018). Grundsätzlich sind Landkreise natürlich sinnvoll für einen übergeordneten Blick auf die Erkrankungslast in den Regionen der gesamten Bundesrepublik Deutschlands. Als AOK Nordost sind unsere Ansprechpartner, wenn es um die Versorgung unserer Versicherten geht, allerdings lokale Leistungsträger. Dazu gehören beispielsweise einzelne Gemeinden, Landkreise, Arztnetze, Krankenhäuser, unsere Gesundheitspartnerschaften auf lokaler Ebene und die Kassenärztlichen Vereinigungen. Um Versorgung lokal und auf die Bedürfnisse der Bevölkerung angepasst zu planen, müssen wir als Gesundheitskasse genauer hinsehen. Ein Landkreis wäre dafür zu grob. Als Paradebeispiel sei hier Berlin genannt – die Sozialstruktur innerhalb der Berliner Kieze ist viel zu unterschiedlich, als dass ein „One-size-fits-all“ Ansatz der ganzen Stadt Berlin gerecht würde. Dasselbe gilt auch für die ländlich geprägten Regionen Nordostdeutschlands. Der Landkreis Mecklenburger Seenplatte beispielsweise, mit seinen vielen Gemeinden, seiner bis 2040 stark abnehmenden Bevölkerung und einem Durchmesser von mehr als 100 km, erfordert ein genaues Hinsehen, wo in Zukunft Versorgungsbedarf besteht und wie Versorgung so organisiert werden kann, dass zum einen genau die Patienten versorgt werden können, die Haus- und Fachärzte am dringendsten benötigen, während zum anderen gewährleistet werden muss, dass Praxisstandorte finanziell längerfristig tragfähig bleiben. Dafür müssen die Abrechnungsdaten regional sehr detailliert vorliegen – bis auf die Ebenen der Gemeinden und Ortsteile. Dasselbe gilt auch für Maßnahmen der Prävention: Erst wenn die Risikogruppen für die einzelnen Erkrankungen genau identifiziert sind, lassen sich Präventionsangebote genau auf die Bedürfnisse der jeweiligen Personen abstimmen. Denselben Ansatz für alle Erkrankungen zu verwenden ist möglicherweise unwirtschaftlich und führt im schlimmsten Fall eher zu einer Fehlversorgung, welche die Risikogruppen nicht erreicht. Auch dafür sind die Abrechnungsdaten der gesetzlichen Krankenkassen eine wertvolle Datengrundlage. So liegen neben den Diagnosen auch wichtige soziodemographische Merkmale wie die Versichertenart, die auch einen Rückschluss auf den sozioökonomischen Status der jeweiligen Versicherten erlaubt, und die Staatsbürgerschaft, vor. Das sind Merkmale, die in den Daten der Kassenärztlichen Vereinigungen nicht vorliegen. Mithilfe unserer Abrechnungsdaten wollen wir in diesem Atlas folgende Fragen beantworten: (i): Wo befindet sich ein erhöhter Versorgungsbedarf? (ii): Welche Personengruppen benötigen vorrangig Versorgung? Und (iii): In welchen Regionen müssen wir in Zukunft Versorgung planen?

Grundlage der Auswertung bilden die Abrechnungsdaten der AOK Nordost des Jahres 2021. Von den insgesamt 1,834 Millionen Versicherten, die 2021 mindestens einen Tag versichert waren, sind 1,705 Millionen mit Wohnort in Berlin, Brandenburg und Mecklenburg-Vorpommern in die Auswertung einbezogen worden. Auf Versichertenebene wurden neben Alter, Geschlecht und Diagnosen auch speziell arbeitslose Versicherte sowie die Staatsbürgerschaft getrennt nach deutscher und ausländischer Staatsbürgerschaft betrachtet. Die Versicherten wurden anhand ihrer Wohnadresse für die Darstellung der Erkrankungsprävalenz den Gemeinden und Ortsteilen zugeordnet. Für die Prognose wurden speziell die Postleitzahlen herangezogen und für die Berechnung der Risikofaktoren die Geomarkets. Die animierte Darstellung der Erkrankungsprävalenzen basiert auf den Abrechnungsdaten der Jahre 2010 bis 2021.

Für die in diesem Atlas dargestellten Erkrankungen wurde immer das M2Q-Kriterium verwendet. Demnach gilt ein Versicherter oder eine Versicherte als erkrankt, wenn mindestens zwei gesicherte Diagnosen aus dem ambulanten Bereich oder eine gesicherte Diagnose aus dem stationären Bereich für das Jahr 2021 vorlagen. Die einzelnen Erkrankungen sind anhand ihrer ICD-10 Codes definiert als: • Adipositas: E66.0, E66.2, E66.8, E66.9 • Typ 2 Diabetes Mellitus: E11 • Hypertonie: I10, I11, I12, I13, I15 • Koronare Herzkrankheit: I20 – I25 • Depressionen: F32, F33, F34.1, F38.1 • COPD: J43.2, J43.8, J43.9, J44 • Asthma: J45, J46 • Rückenschmerzen: M40 – M43, M45 – M49, M50 – M54 • Neubildungen: Kapitel II – ohne C43 – C44 • Dickdarmkrebs: C18 – C21 • Psychische und Verhaltensstörungen durch Tabak: F17

Als Grundlage der Regionaldaten wurde für diesen Atlas auf einen kommerziellen Datensatz, die sogenannten Geomarkets der Firma WIGeoGIS, zurückgegriffen. Ein Geomarket besteht aus rund 440 Einwohnerinnen und Einwohnern und bietet eine Vielzahl an demographischen und sozioökonomischen Kennziffern, die durch die Aggregation auf durchschnittlich 440 Einwohner wesentlich differenzierter sind als Daten der amtlichen Statistik, die in der Regel nur bis auf die Ebene der Landkreise und für einige Merkmale auch auf der Ebene der Gemeinden verfügbar sind. Von Interesse sind hierbei Merkmale, die in den Versichertenstammdaten nicht vorliegen. Dazu gehören beispielsweise die jeweilige Haus- und Facharztdichte und die soziale Benachteiligung am Wohnort – gemeinhin auch als Deprivation bezeichnet (WIdO 2021, WIdO 2019, Kroll et al. 2017, Maier & Schwettmann 2018). Da in der internationalen und nationalen Literatur auch ein Zusammenhang zwischen beruflich bedingtem Pendeln und einem schlechteren Gesundheitszustand gefunden wurde (Ding et al. 2014, Kauhl et al. 2018), ist der Anteil an Berufspendelnden am Wohnort der Versicherten mit in die Analyse einbezogen worden. Auch die Haushaltszusammensetzung wurde berücksichtigt. Ergebnisse des Robert Koch-Institutes deuten darauf hin, dass Paarhaushalte mit kleinen oder sehr kleinen Kindern grundsätzlich einem höheren Armutsrisiko ausgesetzt sind, wobei alleinerziehende Personen deutlich stärker von Armut betroffen sind, was sich entsprechend auch im Gesundheitszustand niederschlägt (Lampert et al. 2010). Aus weiteren Analysen des Robert Koch-Institutes geht zusätzlich hervor, dass insbesondere bei alleinerziehenden Müttern aufgrund ungünstiger sozioökonomischer Verhältnisse die physische Gesundheit schlechter ist, als bei in Partnerschaft lebenden Müttern (Rattay et al. 2017). Da allerdings keine Daten auf kleinräumiger Ebene zu alleinerziehenden Müttern vorliegen, wurde nur das generelle Merkmal Anteil an Haushalten mit Kindern als Annäherung herangezogen. Ebenso zeigen die Ergebnisse des Robert Koch-Insitutes, dass alleinlebende Personen ihren subjektiven Gesundheitszustand schlechter einschätzen (Lange et al. 2004). Aus diesem Grund wurde der Anteil an Ein-Personen-Haushalten in dieser Analyse mitberücksichtigt.

Sowohl im nationalen als auch im internationalen Kontext zeigt sich sehr deutlich, dass für eine Vielzahl von Erkrankungen die soziale Benachteiligung des Wohnortes eine entscheidende Rolle spielt. Je höher die soziale Benachteiligung, desto höher auch die Erkrankungslast (WIdO 2021, WIdO 2019, Kroll et al. 2017, Maier & Schwettmann 2018). Die soziale Benachteiligung wird meistens in Form sogenannter Deprivationsindizes abgebildet. In Deutschland existiert mittlerweile eine Vielzahl solcher Deprivationsindizes. Zu den gängigsten gehören hierbei der „German Index of Socioeconomic Deprivation“ (GISD) des Robert Koch-Insitutes (Kroll et al. 2017) und der „German Index of Multiple Deprivation“ (GIMD) des Helmholtz-Zentrums München (Maier & Schwettmann 2018). Beide Indizes beschreiben die soziale Lage anhand sozioökonomischer Indikatoren wie Arbeitslosigkeit, Einkommen und Bildungsstand. Ein wesentlicher Nachteil beider Indizes besteht allerdings in der regionalen Auflösung. So liegt der GISD nur auf Ebene der Gemeindeverbände, Landkreise und Regierungsbezirke vor (Kroll et al. 2017) und der GIMD liegt nur auf Ebene der Gemeinden und Landkreise vor (Maier & Schwettmann 2018). Große Städte wie Berlin werden hierbei nur durch einen Indexwert repräsentiert. Eine Differenzierung innerhalb der Gemeinden ist in beiden Indizes nicht möglich, obwohl sich Berlin durch eine ausgesprochen heterogene Sozialstruktur kennzeichnet. Um möglichst differenziert analysieren zu können, welche Rolle die Sozialstruktur für die Erkrankungslast spielt, wurde daher auf Ebene der rund 16.400 Geomarkets in Nordostdeutschland ein eigener Deprivationsindex konstruiert (Abb. 1). Der Index besteht hierbei aus den Domänen Arbeitslosigkeit, Beschäftigtenquote, Anteil Einwohnerinnen und Einwohner ohne Bildungsabschluss, Anteil Einwohnerinnen und Einwohner mit Hoch- und Fachhochschulabschluss sowie durchschnittlicher Kaufkraft. Die einzelnen Domänen wurden hierbei ähnlich wie beim GIMD gewichtet und zu einem Gesamtindex zusammengeführt, der Werte zwischen 0 (am wenigsten sozial benachteiligt) und 100 (am stärksten sozial benachteiligt) aufweist.

---

Die Bedarfsplanung der niedergelassenen Hausärztinnen und Hausärzte sowie Fachärztinnen und Fachärzte erfolgt im Rahmen der Bedarfsplanung auf Ebene administrativer Einheiten wie den Mittelbereichen für die hausärztliche Versorgung und den Landkreisen und kreisfreien Städten für die allgemeine fachärztliche Versorgung. Dabei gelten bestimmte Einwohner-Arzt-Relationen, wie beispielsweise 1609 Einwohner pro Hausarzt, wobei diese Verhältniszahlen zusätzlich noch durch einen sogenannten Verteilungsfaktor an die Morbidität der Bevölkerung angepasst werden (Gemeinsamer Bundessausschuss, 2019). Pro Planungsbereich wird also anhand der Einwohnerzahl und der Morbidität eine bestimmte Anzahl an haus- und fachärztlichen Niederlassungsmöglichkeiten festgeschrieben, wobei innerhalb der Planungsbereiche grundsätzlich Niederlassungsfreiheit herrscht. Ein Nachteil bei der Betrachtung der Einwohner-Arzt-Relationen auf Ebene der Planungsbereiche ist allerdings, dass Unterschiede innerhalb großer Einheiten wie den Landkreisen nicht sichtbar werden. Aus diesem Grund wurde im Rahmen des Gutachtens zur Weiterentwicklung der Bedarfsplanung i.S.d. §§ 99 ff. SGB V zur Sicherung der vertragsärztlichen Versorgung (Sundmacher et al. 2018) ein Gravitationsmodell auf Basis empirisch ermittelter maximal zurückgelegter PKW-Fahrtminuten entwickelt (Fülöp, Kopetsch & Schöpe 2009). Anstelle die Einwohner-Arzt-Relationen in festgelegten Planungsräumen darzustellen werden diese bei der Verwendung des Gravitationsmodells in gleitenden Einzugsgebieten von facharztspezifischen PKW-Fahrtminuten dargestellt. Für die Hausärztinnen und Hausärzte sind dies beispielsweise 15 Minuten und für die Psychotherapeutinnen und Psychotherapeuten 30 Minuten. Durch eine Gewichtungsfunktion werden nahegelegene Praxisstandorte höher gewichtet als weiter entfernt liegende Standorte, da sich Patientinnen und Patienten eher für nahegelegene Standorte entscheiden als für weiter entfernte Praxen. Durch diese besondere Gewichtung werden regionale Unterschiede in der Haus- und Facharztdichte auch kleinräumig sichtbar und bilden die Versorgungssituation weitaus realistischer ab als die Darstellung auf Ebene der Planungsräume (Sundmacher et al. 2018). Dieses Modell ist in dem vorliegenden Gesundheitsatlas verwendet worden. Dafür wurde anhand der Mittelpunkte der Geomarkets auf Basis eines routenfähigen TomTom-Straßennetzes eine Origin-Destination Matrix in ESRI ArcGIS Pro 2.2 berechnet. Diese Origin-Destination Matrix wurde dann in dem Statistikprogramm R weiterverarbeitet, um das Modell für Nordostdeutschland anhand der im Gutachten von Sundmacher et al. dargestellten Parameter umzusetzen. Grundlage dafür sind alle Haus- sowie Fachärztinnen und -ärzte, die im Jahr 2021 Leistungen mit der AOK Nordost abgerechnet haben. Beispielhaft ist das Gravitationsmodell für die Psychotherapeuten in Abb. 2 dargestellt. Sehr deutlich werden die großen Unterschiede innerhalb der an Berlin angrenzenden Landkreise. Neben der rein grafischen, kleinräumigen Darstellung von Versorgungsunterschieden ist das Modell auch für die Berechnung des Einflusses der Haus- und Facharztdichte auf die Wahrscheinlichkeit einer Diagnosestellung relevant: Für einige Erkrankungen spielt natürlich auch die Verfügbarkeit von niedergelassenen Ärztinnen und Ärzten eine Rolle. Wenn kein medizinisches Fachpersonal verfügbar ist, wird eine entsprechende Diagnose möglicherweise gar nicht erst gestellt. Um genau diesen Einfluss darzustellen, wurde als Einflussvariable die jeweilige Facharztdichte, gemessen mithilfe des Gravitationsmodells, einbezogen.

---

 

Die Altersstruktur innerhalb der einzelnen Gemeinden und Ortsteile unterscheidet sich erheblich innerhalb Nordostdeutschlands. Da die meisten untersuchten Erkrankungen in diesem Atlas mit dem Alter stark zunehmen, wäre eine Betrachtung der rohen Prävalenzraten wenig erkenntnisreich. In Gemeinden mit hohem Altersdurchschnitt würde man meistens eine hohe Prävalenz feststellen, während man in Gemeinden mit niedrigem Durchschnittsalter entsprechend eine niedrige Prävalenz feststellen würde. Von Interesse ist aber, ob die Einwohnerinnen und Einwohner einer bestimmten Region insgesamt kränker sind als in anderen Regionen. Dafür müssen die Regionen hinsichtlich ihrer Alters- und Geschlechtsstruktur vergleichbar gemacht werden. In der Praxis wird dies über eine Alters- und Geschlechtsstandardisierung erreicht. Das bedeutet, die einzelnen Prävalenzen in den Gemeinden und Ortsteilen werden so gewichtet, als wäre die Verteilung der Alters- und Geschlechtsgruppen überall gleich (Kreienbrock et al. 2012). Da auf der kleinräumigen Ebene der Gemeinden und Ortsteile die Anzahl an Versicherten und Erkrankten sehr stark variiert, wären regionale Muster bei der Betrachtung der reinen alters- und geschlechtsstandardisierten Rate nicht zu erkennen. Aus diesem Grund wurde zusätzlich noch ein sogenanntes Glättungsverfahren verwendet. Das in diesem Atlas verwendete Bayesianische Glättungserfahren gewichtet die Prävalenz einer Gemeinde immer zum Durchschnitt der benachbarten Gemeinden. Damit werden die Werte durch Informationen aus den benachbarten Gemeinden stabilisiert. Das in diesem Atlas verwendete Verfahren ist das Besag-York-Mollie (BYM) Modell, welches insbesondere für die Darstellung kleinräumiger Prävalenzen von Krebserkrankungen verwendet wird (Pritzkuleit et al. 2017). Umgesetzt wurde das BYM-Modell mithilfe des INLA-Packages (Blangiardo et al. 2013, Lindgren & Rue, 2015) und dargestellt mit dem ggplot2-Package in R (Wickham, 2011).

Um darzustellen, wie sich die Erkrankungen zwischen 2010 und 2021 regional entwickelt haben, wurde für jedes Jahr mit dem oben aufgeführten BYM-Modell die alters- und geschlechtsstandardisierte Prävalenz berechnet. Die Alters- und Geschlechtsstandardisierung wurde verwendet, um analysieren zu können, ob die Versicherten über den Beobachtungszeitraum insgesamt kränker geworden sind – unabhängig von der demographischen Entwicklung. Die einzelnen Erkrankungsprävalenzen wurden dann mithilfe des Gganimate Package in R (Pederson & Robinson, 2020) zu einem GIF zusammengeführt.

Für epidemiologische Untersuchungen bieten Abrechnungsdaten der gesetzlichen Krankenkassen eine Vielzahl an wichtigen Merkmalen wie Alter, Geschlecht, Versichertenart, Pflegegrad und Staatsbürgerschaft. Aus diesem Grund wurde für die Analyse auf der Individualebene von Risiko- und Einflussfaktoren ein sogenanntes logistisches Regressionsmodell verwendet. Dabei ist die zu untersuchende Erkrankung mit 1 = die entsprechende Erkrankung liegt bei der oder dem jeweiligen Versicherten vor und 0 = die entsprechende Erkrankung liegt nicht bei dem jeweiligen Versicherten vor, kodiert. Auf der Individualebene ist insbesondere der Einfluss von Alter, Geschlecht, Arbeitslosigkeit und Staatsbürgerschaft relevant. In dieser Analyse wurde daher untersucht, welchen Einfluss diese Faktoren auf die Wahrscheinlichkeit haben, dass der oder die Versicherte die jeweilige Erkrankung aufweist. Allerdings gibt es auch weitere Variablen, die epidemiologisch relevant sind, wie beispielsweise die Haushaltzusammensetzung, der Anteil an Berufspendelnden, die Verteilung von Hausärztinnen und Fachärzten sowie die Sozialstruktur am Wohnort der Versicherten. Diese Merkmale liegen aber auf der Individualebene nicht vor. Daher wurden diese Variablen auf Ebene der Geomarkets herangezogen. Zwar besteht bei aggregierten Variablen immer die Gefahr des „ökologischen Fehlschluss“, das bedeutet, dass Zusammenhänge basierend auf aggregierten Daten nicht zwangsläufig auch auf der Individualebene zutreffen müssen (Salkeld & Antolin, 2020), allerdings dürfte der dadurch entstehende Bias auf der Ebene der durchschnittlich rund 440 Einwohnerinnen und Einwohner umfassenden Geomarkets doch wesentlich kleiner sein als beispielsweise Zusammenhänge auf Ebene der Landkreise. Da nahezu alle Variablen, die im Rahmen des logistischen Regressionsmodells verwendet wurden, starke regionale Schwankungen aufweisen, wurde Regionalität innerhalb des Modells explizit berücksichtigt. Die Versicherten wurden den Geomarkets anhand ihrer Wohnadresse zugeordnet. Durch eine Nachbarschaftsmatrix wurde im Modell festgelegt, welche Geomarkets nebeneinanderliegen. Ähnlich wie beim verwendeten Glättungsverfahren wurde durch das BYM-Modell für regionale Schwankungen aufgrund kleiner Fallzahlen adjustiert und gleichzeitig räumliche Nähe in das Modell integriert. Die Regressionskoeffizienten wurden exponiert, um eine Interpretation als Odds Ratios zu erleichtern. Ein Regressionskoeffizient von >1 bedeutet einen positiven Zusammenhang, ein Regressionskoeffizient von <1 bedeutet einen negativen Zusammenhang. Signifikanz wurde über das 95-Prozent-Konfidenzintervall berechnet: Befindet sich das 95% Konfidenzintervall unter 1, liegt ein statistisch negativer Zusammenhang vor, befindet sich das 95% Konfidenzintervall über 1, liegt ein statistisch positiver Zusammenhang vor und beinhaltet das 95% Konfidenzintervall die 1, liegt kein statistisch signifikanter Zusammenhang vor (Park, 2013). Berechnet wurde das Regressionsmodell genau wie das Glättungsverfahren mithilfe des INLA-Package in R (Blangiardo et al. 2013, Lindgren & Rue, 2015).

Für die zukünftige Planung von Versorgungsstrukturen ist relevant, welcher Versorgungsbedarf in der Bevölkerung zukünftig vorhanden ist. Als Schätzung des Versorgungsbedarfes werden in diesem Atlas die untersuchten Erkrankungen verwendet. Kleinräumig differenzierte Zahlen zur Prognose von Erkrankungen liegen in Deutschland unterhalb der Landkreise bisher allerdings nicht vor, obwohl dies für einen lokal fokussierten Ansatz vor allem in den Flächenländern wünschenswert wäre. Aus diesem Grund wurde anhand der Abrechnungsdaten der AOK Nordost und der nach Altersgruppen differenzierten Bevölkerungsprognose von WIGeoGIS auf Ebene der fünfstelligen Postleitzahlen die Prävalenz in der Gesamtbevölkerung bis in das Jahr 2040 hochgerechnet. Die Bevölkerungsprognose lag hierbei für die Altersgruppen 0 – 14, 15 – 24, 25 – 44, 45 – 64 und 65+ vor. Die regionalspezifischen Prävalenzen aus den Abrechnungsdaten für die jeweiligen Altersgruppen pro Postleitzahl wurden entsprechend mit der Bevölkerungsprognose pro Altersgruppe multipliziert und anschließend aufsummiert, um die Prävalenz in der Gesamtbevölkerung zu erhalten. Um die regional unterschiedliche Entwicklung abbilden zu können, wurde zusätzlich anhand der PLZ-spezifischen Alters- und geschlechtsstandardisierten Prävalenzen aus den Jahren 2011 und 2020 und der daraus resultierenden Differenz ein Korrekturfaktor berechnet. Dadurch wird explizit die historische Entwicklung berücksichtigt, dass Versicherte in sozial schwachen Regionen tendenziell kränker werden als Versicherte in günstiger sozialer Lage. Die Veränderung bis 2040, dargestellt als Prozentangabe, ergibt sich dann aus der Differenz der Anzahl erkrankter Einwohnerinnen und Einwohner für das jeweilige Jahr geteilt durch die Anzahl erkrankter Einwohnerinnen und Einwohner des Jahres 2021. Ein ähnliches Verfahren wurde bereits zur regionalen Prognose der Pflegebedürftigkeit und Krebsneuerkrankungen auf Ebene der Landkreise verwendet (Bokemeyer et al. 2020, Rothgang et al.).

Die interaktiven Karten der alters- und geschlechtsstandardisierten Erkrankungsprävalenzen wurden mithilfe des „plotly“ (plotly, 2023) Package in R erstellt.

Zwar sind die Prävalenzen unter den Versicherten der AOK Nordost für einige Erkrankungen möglicherweise leicht höher als für alle gesetzlich Krankenversicherten, allerdings weisen unsere Ergebnisse im Vergleich zu anderen Untersuchungen grundsätzlich sehr ähnliche regionale Muster auf. Dies betrifft vor allem Adipositas (Kroll & Lampert, 2012, Steffen et al. 2021), Typ 2 Diabetes Mellitus (Goffrier et al. 2017), Hypertonie (Holstiege et al. 2020), Koronare Herzkrankheit (Holstiege et al. 2020), Depressionen (Steffen et al. 2019), COPD (Akmatov et al. 2019) und Asthma (Akmatov et al. 2018). Allerdings muss darauf hingewiesen werden, dass die Prävalenzen aufgrund anderer eingeschlossener Altersgruppen und anderer Beobachtungsjahre nicht 1:1 vergleichbar sind. Zusätzlich besteht für einige Erkrankungen ein Zusammenhang zur Zahl der Fachärztinnen und Fachärzte in einer Region. Je mehr ärztliches Fachpersonal, desto höher die Anzahl an diagnostizierten Erkrankungen. Dies betrifft insbesondere Koronare Herzkrankheit, Depressionen und Asthma.

Im Beobachtungszeitraum von 2010 bis 2021 nahm lediglich die Prävalenz von Koronarer Herzkrankheit deutlich ab. Ansonsten konnten wir zum Teil eine deutliche Zunahme für Adipositas, Typ 2 Diabetes Mellitus, Hypertonie, Depressionen, COPD, Asthma, Rückenschmerzen, Neubildungen und Dickdarmkrebs feststellen. Diese Zunahme spiegelt einen generellen Trend wider: Unsere Ergebnisse zeigen einen Anstieg der alters- und geschlechtsstandardisierten Prävalenz von Adipositas von 9,2 Prozent (2010) auf 12,6 Prozent (2021). Auch die Ergebnisse der GEDA-Studie des Robert Koch-Insitutes deuten auf einen Anstieg von Adipositas hin, wobei der stärkste Anstieg in den jüngeren Altersgruppen zwischen 18 und 29 zu verzeichnen ist (Schienkiewitz et al. 2017). In den Daten aller GKV-Versicherten nahm die Prävalenz von Adipositas zwischen 2009 (9,2 %) und 2017 (11,2 %) ebenfalls deutlich zu (Steffen et al. 2021). Die alters- und geschlechtsstandardisierte Prävalenz des Typ 2 Diabetes Mellitus stieg von 11,0 Prozent (2010) leicht auf 11,6 Prozent (2021). Dieser Anstieg deckt sich mit den Ergebnissen zur Prävalenz des Typ 2 Diabetes Mellitus unter allen gesetzlich Krankenversicherten. Untersuchungen des Zentralinstituts für die kassenärztliche Versorgung (ZI) zeigten einen Anstieg der standardisierten Prävalenz von 8,5 Prozent (2009) auf 9,5 Prozent (2015) für ganz Deutschland und einen Anstieg von 10,9 Prozent (2009) auf 11,6 Prozent (2015) im Osten der Bundesrepublik (Goffrier et al. 2017). Die alters- und geschlechtsstandardisierte Prävalenz von Hypertonie blieb über den Zeitraum von 2010 bis 2021 nahezu unverändert. Im Jahr 2010 lag diese bei 28,7 Prozent und im Jahr 2021 bei 28,4 Prozent. Unter allen gesetzlich Krankenversicherten in Deutschland nahm die standardisierte Prävalenz von 2009 (23,7 %) bis 2015 (24,6 %) leicht zu und von 2015 (24,6 %) bis 2018 (24,2 %) wieder leicht ab (Holstiege et al. 2020). Bei Koronarer Herzkrankheit nahm die alters- und geschlechtsstandardisierte Prävalenz von 2010 (8,1 %) bis 2021 (6,5 %) deutlich ab. Dieser Trend war grundsätzlich auch in den Daten aller gesetzlich Krankenversicherten zu sehen. In ganz Deutschland nahm diese von 2009 (6,0 %) bis 2018 (5,6 %) leicht ab (Holstiege et al. 2020), wobei der Rückgang der Prävalenz unter allen gesetzlich Krankenversicherten deutlich schwächer ausgeprägt war als unter den Versicherten der AOK Nordost. Bei Depressionen ließ sich ein deutlicher Anstieg der alters- und geschlechtsstandardisierten Prävalenz von 2010 (8,4 %) bis 2021 (11,7 %) feststellen. Dieser Anstieg fand auch unter allen gesetzlich Krankenversicherten statt. Lag die rohe Diagnoseprävalenz 2009 noch bei 12,5 Prozent, stieg sie bis ins Jahr 2017 auf 15,7 Prozent an (Steffen et al. 2019). Auch bei COPD nahm die alters- und geschlechtsstandardisierte Prävalenz von 2010 (5,1 %) bis 2021 (5,6 %) deutlich zu. Dieser Trend ließ sich unter allen gesetzlich Krankenversicherten feststellen. 2009 lag die alters- und geschlechtsstandardisierte Prävalenz bei den über 40-Jährigen noch bei 5,1 Prozent und stieg bis 2017 auf 6,4 Prozent (Akmatov et al. 2019). Die alters- und geschlechtsstandardisierte Prävalenz von Asthma nahm zwischen 2010 (7,9 %) und 2021 (9,5 %) deutlich zu. Hier zeigen die Daten für alle gesetzlich Krankenversicherten wieder eine Übereinstimmung: Zwischen 2009 und 2016 nahm die alters- und geschlechtsstandardisierte Prävalenz in ganz Deutschland von 4,4 Prozent auf 5,8 Prozent zu (Akmatov et al. 2018). Die alters- und geschlechtsstandardisierte Prävalenz von Rückenschmerzen nahm zwischen 2010 (21,8 %) und 2021 (23,5 %) deutlich zu. Bisher liegen allerdings noch keine Untersuchungen auf Grundlage der Daten aller gesetzlich Krankenversicherten vor, so dass nicht untersucht werden kann, ob es sich um einen deutschlandweiten Trend handelt. Auch bei der alters- und geschlechtsstandardisierten Prävalenz von Neubildungen (Krebs) fand eine Zunahme zwischen den Jahren 2010 (8,0 %) und 2021 (9,5 %) statt. Dies steht im Widerspruch zu Analysen des Robert Koch-Institutes. Hier wurde zwischen 2009 und 2018 ein Rückgang beobachtet (Erdmann et al. 2021). Unklar ist, ob es Unterschiede zwischen den Bundesländern gibt, ob dieser Widerspruch beispielsweise an Veränderungen im Kodierverhalten der Ärztinnen und Ärzte liegt, oder die Inanspruchnahme von Früherkennungsmaßnahmen gestiegen ist. Bei der alters- und geschlechtsstandardisierten Prävalenz von Dickdarmkrebs fand eine leichte Zunahme zwischen 2010 (0,446 %) und 2021 (0,486 %) statt. Auch hier zeigen die Analysen des Robert Koch-Institutes tendenziell eher eine leichte Abnahme. Es ist unklar, ob der in den Abrechnungsdaten der AOK Nordost verzeichnete leichte Anstieg auf systemische Effekte zurückzuführen ist, oder ob diese Tendenz als repräsentativ für Nordostdeutschland gilt.

Es ist in der Literatur hinlänglich beschrieben, dass alle in diesem Atlas betrachteten Erkrankungen mit dem Alter stark zunehmen. Daher wird an dieser Stelle nur auf die entsprechende Literatur verwiesen (Saß et al. 2009).

Der Einfluss des Geschlechts hing nach Adjustierung für alle anderen Faktoren von der jeweiligen untersuchten Erkrankung ab. Für Adipositas hatten Frauen ein 28,5 Prozent höheres Risiko als Männer. Das Ergebnis deckt sich mit den Ergebnissen für alle gesetzlich Krankenversicherten. So hatten im Jahr 2018 9,5 Prozent der Männer und 12,7 Prozent der Frauen eine Adipositas-Diagnose. Bei Typ 2 Diabetes Mellitus haben Männer ein 47,6 Prozent höheres Risiko als Frauen. Das Ergebnis deckt sich mit den Ergebnissen von Goffrier et al. (2017), wonach die Prävalenz des Typ 2 Diabetes Mellitus unter Männern höher ist als unter Frauen. Auch bei Hypertonie haben Männer ein höheres Risiko von 17,8 Prozent. Anhand der Daten aller gesetzlich Krankenversicherten haben Männer ein 8 bis 9 Prozent höheres Risiko als Frauen. Insofern bestätigen die Daten aller gesetzlich Krankenversicherten auch unsere Ergebnisse (Holstiege et al. 2020). Ein sehr deutlicher Unterschied besteht bei der Koronaren Herzkrankheit: Hier haben Männer ein 130,9 Prozent höheres Risiko als Frauen. Ein Befund, der auch in den Daten aller gesetzlich Krankenversicherten verzeichnet wird. Hier zeigt sich, dass Männer mit 8,0 Prozent etwa doppelt so häufig betroffen sind wie Frauen mit 3,9 Prozent (Holstiege et al. 2020). Auch bei Depressionen bestehen deutliche Geschlechterunterschiede. So haben Frauen mit 93,3 Prozent ein fast doppelt so großes Risiko an einer Despression zu erkranken als Männer. Das Ergebnis deckt sich mit den Untersuchungen auf Basis aller gesetzlich Krankenversicherten, wonach Frauen eine etwa doppelt so hohe Diagnoseprävalenz aufweisen als Männer (Steffen et al. 2019). Für COPD zeigen die Analysen, dass Männer ein 28,0 Prozent höheres Risiko aufweisen als Frauen. Das Ergebnis wird durch die Ergebnisse von Akmatov et al. 2019 bestätigt, wonach Männer im Jahr 2018 eine altersstandardisierte Prävalenz von 6,7 Prozent aufweisen und Frauen eine altersstandardisierte Prävalenz von 5,1 Prozent. Bei Asthma konnten wir ein 8,9 Prozent höheres Risiko für Männer im Vergleich zu Frauen feststellen. Hier deuten die Ergebnisse auf Basis aller gesetzlich Krankenversicherten allerdings auf einen altersbezogenen Unterschied hin. Während bei männlichen Kindern und Jugendlichen die Prävalenz deutlich höher ist, gleicht sich dieser Unterschied im mittleren Lebensalter an und im höheren Erwachsenenalter haben dann Frauen eine deutlich höhere Prävalenz als Männer (Akmatov et al. 2018). Bei Rückenschmerzen haben Frauen ein 35,3 Prozent höheres Risiko als Männer. Hier zeigt die Telefonbefragung des Robert Koch-Insitutes ebenfalls, dass die Prävalenz von Rückenschmerzen sowohl innerhalb der letzten 12 Monate als auch chronische Rückenschmerzen bei Frauen höher sind als bei Männern (Schmidt & Kohlmann, 2007). Bei Neubildungen (Krebs) haben Männer ein 6,1 Prozent höheres Risiko als Frauen. Das Ergebnis deckt sich mit den Neuerkrankungsraten, wonach Männer eine standardisierte Erkrankungsrate von 422 aufweisen im Vergleich zu Frauen mit 343 pro 100.000 (Erdmann et al. 2021). Auch speziell für Dickdarmkrebs haben Männer ein 73,8 Prozent höheres Risiko als Frauen. Männer weisen mit 52 versus Frauen mit 34 pro 100.000 die höheren standardisierten Erkrankungsraten auf (Erdmann et al. 2021).

Für die meisten Erkrankungen haben Versicherte mit deutscher Staatsbürgerschaft ein höheres Risiko. Lediglich für Typ 2 Diabetes haben Versicherte mit ausländischer Staatsbürgerschaft ein 18,4 Prozent, für Koronare Herzkrankheit ein 2,8 Prozent und für Rückenschmerzen ein 10,2 Prozent höheres Risiko als Versicherte der AOK Nordost mit deutscher Staatsbürgerschaft. Hier ist allerdings ein Vergleich mit Daten aller gesetzlich Krankenversicherten nicht möglich, da das Merkmal Staatsbürgerschaft in den Daten der kassenärztlichen Vereinigungen nicht erhoben wird. Ergebnisse aus Metastudien deuten jedoch daraufhin, dass Menschen mit Migrationshintergrund aufgrund sozioökonomischer, kultureller und ethnologischer Gründe ein erhöhtes Diabetes-Risiko aufweisen als die jeweilige einheimische Bevölkerung (Berger, 2018). Ob das höhere Risiko bei Versicherten mit ausländischer Staatsbürgerschaft für Koronare Herzkrankheit und Rückenschmerzen ebenfalls soziodemographische, kulturelle und ethnologische Gründe hat, oder das Ergebnis einer unterschiedlichen Inanspruchnahme von Hilfs- und Vorsorgeangeboten, kann in dieser Untersuchung nicht abschließend geklärt werden. Systematische Untersuchungen hinsichtlich des Einflusses der Staatsbürgerschaft beziehungsweise des Migrationshintergrunds auf die Erkrankungslast basierend auf Daten der gesetzlichen Krankenversicherung liegen in der benötigten Detailstufe bislang nicht vor. Unsere Analyse kann daher nur einen Grundstein für weitere detailliertere Untersuchungen liefern. Es muss allerdings auch darauf hingewiesen werden, dass das Merkmal Staatsbürgerschaft auf einer freiwilligen Selbstangabe beruht.

Dass ein niedriger sozioökonomischer Status mit einer höheren Erkrankungslast einhergeht, ist in der Literatur hinlänglich bekannt. Unsere Ergebnisse verdeutlichen, dass Arbeitslose Versicherte im Vergleich zu Nicht-arbeitslosen Versicherten für Adipositas ein 22 Prozent, für Typ 2 Diabetes ein 23,1 Prozent, für Hypertonie ein 3,5 Prozent, für Koronare Herzkrankheit ein 16,1 Prozent, für Depressionen ein 69,2 Prozent, für COPD ein 11,5 Prozent und für Rückenschmerzen ein 31,4 Prozent höheres Erkrankungsrisiko aufweisen. Diese Ergebnisse decken sich mit vielen Untersuchungen, die belegen, dass Arbeitslose insgesamt einen schlechteren Gesundheitszustand aufweisen (Lampert et al. 2011, Berth et al. 2008, Weber et al. 2007, Kroll et al. 2016). Hier muss allerdings aus methodischer Sicht darauf hingewiesen werden, dass in dieser Analyse nicht untersucht werden konnte, ob die Erkrankungen das Ergebnis von Arbeitslosigkeit sind, oder ob Arbeitslosigkeit das Ergebnis einer Arbeitsunfähigkeit aufgrund der jeweiligen chronischen Erkrankung ist. Für Asthma konnte kein signifikanter Zusammenhang zu Arbeitslosigkeit festgestellt werden. Lediglich für Neubildungen und Dickdarmkrebs haben Arbeitslose Versicherte ein niedrigeres Risiko. Die Diagnosestellung von Krebs hängt allerdings stark davon ab, ob auch entsprechende Untersuchungen zur Krebsfrüherkennung wahrgenommen werden. Hier deuten die Ergebnisse der DEGS1 Studie des Robert Koch-Institutes darauf hin, dass Frauen mit höherem sozioökonomischem Status signifikant öfter an Krebsfrüherkennungsuntersuchungen teilnehmen als Frauen mit niedrigem sozioökonomischem Status, während bei Männern kein Unterschied hinsichtlich des sozioökonomischen Status besteht (Starker & Saß, 2013). Insofern ist der negative Einfluss von Arbeitslosigkeit auf Neubildungen und Dickdarmkrebs wahrscheinlich eher nicht als tatsächliches Erkrankungsrisiko zu interpretieren, sondern als das Ergebnis geringerer Teilnahmequoten an den Krebsfrüherkennungsmaßnahmen unter Arbeitslosen.

Für alle in diesem Atlas untersuchten Erkrankungen konnte ein deutlicher Zusammenhang zu Adipositas festgestellt werden. Liegt gleichzeitig eine diagnostizierte Adipositas vor, erhöht sich das Risiko für Typ 2 Diabetes Mellitus um 451,8 Prozent, für Hypertonie um 619,2 Prozent, für Koronare Herzkrankheit um 121,2 Prozent, für Depressionen um 84,8 Prozent, für COPD um 90,4 Prozent, für Asthma um 99,4 Prozent, für Rückenschmerzen um 104,4 Prozent, für bösartige Neubildungen um 45,8 Prozent, und für Dickdarmkrebs um 35,8 Prozent. Dass Adipositas ein bedeutender Risikofaktor für chronische Folgeerkrankungen ist, deckt sich mit den Ergebnissen für Typ 2 Diabetes (Toplak et al. 2019), Hypertonie (Engeli, 2014) und Koronarer Herzkrankheit (Parsi, 2003). Der Zusammenhang zwischen Adipositas und Depressionen ist zwar vielseitig belegt worden, aber die genaue Beziehung zwischen den beiden Erkrankungen ist aufgrund der vielen zusätzlich vorliegenden Komorbiditäten immer noch Stand wissenschaftlicher Diskussionen (Thormann et al. 2013). Personen mit Adipositas haben auch ein höheres Risiko, Asthma zu entwickeln. Gleichzeitig ist Adipositas auch mit schlechteren Entwicklungen bei COPD assoziiert. Insbesondere das Sterblichkeitsrisiko ist für COPD-Patientinnen und -Patienten mit bestehender Adipositas deutlich erhöht (Jäger-Becker, 2016). Gleichzeitig zeigen einige Studien, dass Adipositas bei COPD-Patientinnen und -Patienten im höheren Alter auch positive Einflüsse haben kann (Bargon, 2020). Anhand unserer Ergebnisse zeigt sich zumindest, dass eine Wechselwirkung zwischen Adipositas und COPD besteht. Auch für Rückenschmerzen zeigt sich anhand früherer Untersuchungen, dass Personen mit Adipositas vergleichsweise häufiger an Rückenschmerzen leiden. Dieser Befund bestätigt somit unsere Ergebnisse (Dorner, 2016, Hashimoto, 2017). Auch für Krebs allgemein – wenn auch nicht für alle Krebsarten – und für Dickdarmkrebs im Speziellen besteht ein höheres Erkrankungsrisiko bei vorliegender Adipositas (Nimptsch & Pischon, 2014). Etwa 9,7 Prozent aller Krebs-Neuerkrankungen können auf Adipositas zurückgeführt werden (Wienecke et al. 2017). Allerdings ist bei der Interpretation von Zusammenhängen zwischen Adipositas und weiteren chronischen Erkrankungen aufgrund von Abrechnungsdaten Vorsicht geboten. Es lässt sich den Daten nicht eindeutig entnehmen, ob eine Erkrankung tatsächlich das Ergebnis von Adipositas ist, oder ob Adipositas als weitere Diagnose zusätzlich zum Befund einer chronischen Erkrankung mitcodiert wurde. Anhand der Abrechnungsdaten lässt sich lediglich bestätigen, dass ein Zusammenhang zwischen den Diagnosen besteht, aber nicht zwangsweise die Richtung des Zusammenhangs.

Von den untersuchten Erkrankungen konnten wir für Adipositas, Typ 2 Diabetes Mellitus, Hypertonie und Koronare Herzkrankheit einen signifikanten Zusammenhang mit dem Pendeln zwischen Wohn- und Arbeitsstätte feststellen. Mit jedem Prozent mehr Berufspendelnder steigt das Adipositas-Risiko um 0,5 Prozent, das Typ 2 Diabetes-Risiko um 0,3 Prozent, das Hypertonie-Risiko um 0,4 Prozent und das Risiko für Koronare Herzkrankheit um 0,3 Prozent. Beruflich bedingtes Pendeln steht bereits seit längerem im Verdacht, den Gesundheitszustand negativ zu beeinflussen. Insbesondere bei Adipositas und mentaler Stress gibt es einen deutlichen Zusammenhang mit langen Fahrtzeiten zwischen Wohnort und Arbeitsplatz (Ding et al. 2014, Kauhl et al. 2018). Zudem zeigt sich anhand der wissenschaftlichen Literatur auch ein deutlicher Zusammenhang zwischen beruflich bedingtem Pendeln und erhöhtem Bluthochdruck (Hoehner et al. 2012). Unsere Ergebnisse bestätigen diesen Befund – nicht nur für Adipositas und Hypertonie, sondern auch für Typ 2 Diabetes Mellitus und Koronare Herzkrankheit. Für Depressionen, Asthma und Neubildungen konnten wir einen negativen Zusammenhang feststellen. Für Depressionen wäre grundsätzlich ebenfalls ein positiver Zusammenhang zu erwarten gewesen (Ruppenthal & Rüger, 2011). Dass unsere Ergebnisse hier allerdings einen negativen Zusammenhang aufweisen, könnte eher daran liegen, dass Berufspendlerinnen und -pendler aufgrund ihrer hohen zeitlichen Belastung weniger Zeit für eine Psychotherapie aufwenden können als Erwerbstätige mit geringerer zeitlicher Belastung für den Weg zwischen Arbeitsplatz und Wohnort. Ebenso könnte der negative Zusammenhang zu Neubildungen (Krebs) dahingehend interpretiert werden, dass Berufspendelnde seltener an Krebsvorsorgeuntersuchungen teilnehmen und daher in dieser Bevölkerungsgruppe Krebs seltener diagnostiziert wird. Aus methodischer Sicht muss hier allerdings darauf hingewiesen werden, dass das Merkmal „Anteil Berufspendler“ nicht in den Versichertendaten vorliegt, sondern nur auf aggregierter, regionaler Ebene der Geomarkets. Auch wenn aufgrund der Detailstufe der Geomarkets die Gefahr des ökologischen Fehlschlusses tendenziell geringer ist als bei größeren administrativen Ebenen wie den Landkreisen, lässt sich diese Bias nicht gänzlich ausschließen. Insofern wären hier auch weitergehende Untersuchungen notwendig, um diesen Zusammenhang auf individueller Ebene eindeutig nachzuweisen.

Zwar schätzen alleinlebende Personen im mittleren Lebensalter ihre Gesundheit schlechter ein als in Partnerschaft lebende Personen (Lange et al. 2004), was sich anhand der Analysen allerdings lediglich für Depressionen bestätigen ließ. Dieses Ergebnis deckt sich auch mit den Befunden des Robert Koch-Insitutes, wonach alleinlebende Personen häufiger von Depressionen betroffen sind (Müters et al. 2013). Für Hypertonie, Koronare Herzkrankheit, Rückenschmerzen, Neubildungen und Dickdarmkrebs hingegen fanden wir einen negativen Zusammenhang. Je höher der Anteil an Ein-Personen-Haushalten in einer Region, desto geringer das Erkrankungsrisiko. Dies steht zwar im Gegensatz zu dem Befund, dass alleinlebende Personen ihren Gesundheitszustand schlechter einschätzen (Lange et al. 2004). Allerdings muss hier noch einmal auf das Einschlusskriterium der Erkrankungen hingewiesen werden: Als erkrankt wurden lediglich Versicherte definiert, die in mindestens 2 Quartalen eine gesicherte Diagnose aufwiesen. Insofern könnte unsere Analyse auch dahingehend gedeutet werden, dass alleinlebende Personen möglicherweise unregelmäßiger zum Arzt oder zur Ärztin gehen und daher die Diagnose schlicht seltener auftaucht. Frühere Studien deuten beispielsweise daraufhin, dass alleinlebende Frauen seltener zur Krebsfrüherkennung gehen (Scheffer et al. 2006). Vor diesem Hintergrund scheint dieses Ergebnis durchaus schlüssig. Hier wären allerdings weiterführende Analysen notwendig, da das Merkmal „Anteil an Ein-Personen-Haushalten“ ebenfalls auf aggregierter Ebene der Geomarkets verwendet wurde.

Für Adipositas und Typ 2 Diabetes Mellitus ließ sich ein positiver Zusammenhang zum Anteil an Haushalten mit Kindern feststellen. Ergebnisse des Robert Koch-Insitutes deuten darauf hin, dass Paarhaushalte mit kleinen oder sehr kleinen Kindern grundsätzlich einem höheren Armutsrisiko ausgesetzt sind, wobei alleinerziehende Personen deutlich stärker von Armut betroffen sind (Lampert et al. 2010). In den aggregierten Daten der Geomarkets ist jedoch lediglich das Merkmal „Anteil an Haushalten mit Kindern“ enthalten. In diesem Kontext scheint der Zusammenhang zwischen Adipositas, Typ 2 Diabetes Mellitus und dem Anteil an Haushalten mit Kindern durchaus plausibel. Für Neubildungen und Dickdarmkrebs konnten wir einen negativen Zusammenhang feststellen. Aufgrund des tendenziell eher höheren Alters bei Krebs-Neuerkrankungen scheint dieses Ergebnis logisch.

Für Adipositas, Typ 2 Diabetes Mellitus, Hypertonie, Koronare Herzkrankheit, Depressionen, COPD und Asthma konnten wir zusätzlich zu individueller Arbeitslosigkeit – mit Ausnahme von Asthma - auch einen Zusammenhang zur sozialen Lage am Wohnort der oder des Versicherten feststellen. Insgesamt ist der Zusammenhang zwischen der sozialen Lage am Wohnort und der Gesundheit in einer Vielzahl von Studien bestätigt worden (WIdO 2021, WIdO 2019, Kroll et al. 2017, Maier & Schwettmann 2018). Für Rückenschmerzen konnten wir nur einen Zusammenhang zu individueller Arbeitslosigkeit feststellen, allerdings nicht zur sozialen Lage am Wohnort. Für Neubildungen konnten wir einen negativen Zusammenhang feststellen: je besser die soziale Lage am Wohnort des Versicherten, desto höher die Wahrscheinlichkeit einer Krebsdiagnose. Hier muss allerdings erneut darauf hingewiesen werden, dass die Diagnosestellung für Krebs wahrscheinlich sehr eng mit der Teilnahme an Krebsvorsorgeuntersuchungen verknüpft ist. Hier zeigen die Ergebnisse, wie bereits erwähnt, dass insbesondere Frauen mit höherem sozioökonomischem Status tendenziell öfter an Vorsorgeuntersuchungen teilnehmen (Starker & Saß, 2013).

Die AOK Nordost versichert etwa ein Viertel der Einwohnerinnen und Einwohner in den drei Bundesländern Berlin, Brandenburg und Mecklenburg-Vorpommern. Dennoch können sich die Daten der einzelnen Krankenkassen hinsichtlich ihrer demographischen Struktur unterscheiden (Schmuker et al. 2019). Frühere Ergebnisse deuten darauf hin, dass einige Erkrankungen unter den Versicherten der AOK häufiger auftreten als bei anderen Krankenkassen (Hoffmann & Icks, 2012). Daher kann diese Analyse auch keinen Anspruch auf volle Repräsentativität erheben. Allerdings zeigen unsere Daten hinsichtlich der regionalen Verteilung, der geschlechterspezifischen Unterschiede und der zeitlichen Entwicklung Tendenzen, die auch auf Basis aller gesetzlich Krankenversicherten beobachtet wurden (Holstiege et al. 2020, Steffen et al. 2019, Akmatov et al. 2019, Akmatov et al. 2018). Auch die Epidemiologie der einzelnen Erkrankungen in den Daten der AOK Nordost geben den derzeitigen wissenschaftlichen Stand wider. Im Ergebnis spiegeln unsere Analysen Trends in der Gesamtbevölkerung deutlich wider, allerdings können die Ergebnisse nicht 1:1 auf die Gesamtbevölkerung übertragen werden, da die Erkrankungsprävalenzen möglicherweise etwas höher sind als in der Gesamtbevölkerung.

Unsere Untersuchungen zeigen sehr deutlich, dass für alle chronischen Erkrankungen ein deutlicher Zusammenhang zu Adipositas besteht. Aus präventiver Sicht ergibt sich daraus der dringende Handlungsbedarf, einen weiteren Anstieg von Adipositas zu verhindern, um die daraus resultierende Erkrankungslast insgesamt zu verringern. Für die Erkrankungen Adipositas, Typ 2 Diabetes Mellitus, Hypertonie, Koronare Herzkrankheit, Depressionen und COPD sind die Risikogruppen insbesondere Arbeitslose und Personen mit Wohnort in sozial schwachen Regionen. Zusätzlich zeigt sich für Typ 2 Diabetes Mellitus, Koronare Herzkrankheit und Rückenschmerzen, dass Personen mit ausländischer Staatsbürgerschaft ein höheres Erkrankungsrisiko aufweisen als mit deutscher Staatsbürgerschaft. Bei Adipositas, Hypertonie und Koronarer Herzkrankheit gehören wahrscheinlich auch Berufspendlerinnen und -pendler zu den Risikogruppen. Für Adipositas und Typ 2 Diabetes Mellitus sind auch Haushalte mit Kindern betroffen, was einmal mehr verdeutlicht, dass Prävention insbesondere für Adipositas bereits im frühen Alter stattfinden sollte. Für Neubildungen und Dickdarmkrebs zeigen unsere Ergebnisse, dass möglicherweise sozial benachteiligte Personengruppen durch die Krebsfrüherkennungsuntersuchungen nicht in dem gewünschten Maße erreicht werden. Daher sollten diese Untersuchungen zukünftig noch mehr als bisher auf diese Personengruppen fokussiert werden.

Die Planung zukünftiger Versorgungsstrukturen steht vor der Herausforderung, dass sich die Bevölkerung in den Flächenländern Brandenburg und Mecklenburg-Vorpommern insgesamt deutlich verringert, die Anzahl der älteren und damit chronisch kranken Bevölkerung ab 65 Jahre allerdings deutlich zunehmen wird. Im Rahmen der Bedarfsplanung, die die Anzahl an Arztsitzen pro Planungsbereich vorgibt, werden wahrscheinlich systematische Änderungen dringend notwendig sein. Die bisherige Bedarfsplanung basiert auf Einwohner-Arzt Relationen. Unsere Ergebnisse verdeutlichen allerdings, dass die Bevölkerungszahl in einigen Regionen stark zurückgeht, die Anzahl chronisch kranker Einwohnerinnen und Einwohner allerdings regional unterschiedlich stark zunehmen wird. Vor diesem Hintergrund scheinen die bisherigen Einwohner-Arzt Relationen möglicherweise allerdings nur noch bedingt zukunftsfähig zu sein. Zwar wird bisher durch einen Verteilungsfaktor die Morbidität der Bevölkerung in die Bedarfsplanung integriert, allerdings wird sich die Frage stellen, wie viele chronisch Kranke Einwohner eine Praxis wird versorgen können, da sich auch in den Flächenländern ein Rückgang der verfügbaren Hausärztinnen und Fachärzte abzeichnet. Vor diesem Hintergrund verdeutlicht unsere Prognose, dass Versorgung tendenziell stärker indikationsbezogen und stärker regionalisiert und lokal geplant werden muss. Dies betrifft neben den Haus- und Fachärztinnen und Ärzten auch die jeweiligen Fachabteilungen der Krankenhäuser, die an der Behandlung der jeweiligen chronischen Erkrankungen beteiligt sind. Hier liefern unsere Ergebnisse einen ersten Diskussionsansatz, der in gemeinsamen Gesprächen mit allen beteiligten Akteuren detailliert erörtert werden sollte.

Die vorliegende Publikation ist eine Analyse der AOK Nordost. AOK Nordost Gesundheitsatlas Berlin, Februar 2023 Der AOK Nordost Gesundheitsatlas wurde erstellt durch: Dr. Boris Kauhl, Maik Vietzke, Jörg König, Anke Mader AOK Nordost – Die Gesundheitskasse, Brandenburger Straße 72 14467 Potsdam Nachdruck, Wiedergabe, Vervielfältigung und Verbreitung (gleich welcher Art), auch von Teilen des Werkes, bedürfen der ausdrücklichen Genehmigung. E-Mail: impressum@nordost.aok.de

• Akmatov, M. K., Holstiege, J., Steffen, A., & Bätzing, J. (2018). Diagnoseprävalenz und-inzidenz von Asthma bronchiale–Ergebnisse einer Studie mit Versorgungsdaten aller gesetzlich Versicherten in Deutschland (2009–2016). Versorgungsatlas. Zentralinstitut für die kassenärztliche Versorgung in Deutschland (Zi), Berlin ( https://www. versorgungsatlas. de/themen/alleanalysen-nach-datum-sortiert. • Akmatov, M. K., Holstiege, J., Steffen, A., & Bätzing, J. (2018). Diagnoseprävalenz und-inzidenz von Asthma bronchiale–Ergebnisse einer Studie mit Versorgungsdaten aller gesetzlich Versicherten in Deutschland (2009–2016). Versorgungsatlas. Zentralinstitut für die kassenärztliche Versorgung in Deutschland (Zi), Berlin ( https://www. versorgungsatlas. de/themen/alleanalysen-nach-datum-sortiert. • Akmatov, M. K., Steffen, A., Holstiege, J., & Bätzing, J. (2019). Die chronisch obstruktive Lungenerkrankung (COPD) in der ambulanten Versorgung in Deutschland–Zeitliche Trends und kleinräumige Unterschiede. Zentralinstitut für die kassenärztliche Versorgung in Deutschland (Zi). Versorgungsatlas-Bericht, (19/06). • Andersohn F, Walker J (2016) Faktencheck Rücken. Ausmaß und regionale Variationen von Behandlungsfällen und bildgebender Diagnostik. ,Gütersloh • AOK Nordost (2021): Versorgungsprogramm bei starkem Übergewicht oder Adipositas. Versorgungsprogramm | AOK Nordost • AOK Nordost (2023): AOK-Curaplan Koronare Herzkrankheit. AOK-Curaplan Koronare Herzkrankheit | AOK • AOK Nordost (2021): Depressionen behandeln. Depression behandeln | AOK • AOK Nordost (2021): Psychotherapie im Institut für Psychosomatische Medizin. Psychotherapie im Institut für Psychosomatische Medizin | AOK Nordost • AOK Nordost (2023): COPD-Therapie – AOK-Curaplan COPD. AOK-Curaplan COPD | AOK • AOK Nordost (2023): AOK-Curaplan Asthma bronchiale. AOK-Curaplan Asthma | AOK • AOK Nordost (2023): Rückenschmerzen im Überblick. Rückenschmerzen | AOK – Die Gesundheitskasse | AOK • AOK Nordost. Krebsvorsorge und Früherkennung. Krebsvorsorge und Früherkennung | AOK • AOK Nordost (2023): AOK-Curaplan – bessere Behandlung des Diabetes mellitus Typ 1 und Typ 2. AOK-Curaplan Diabetes | AOK • AOK Nordost (2022): „HerzCheck“: Erfolgreiche Zwischenbilanz. „HerzCheck“: Erfolgreiche Zwischenbilanz (aok.de) • Aumann, I., Prenzler, A., Welte, T., & Gillissen, A. (2014). Epidemiologie und Kosten von Asthma bronchiale in Deutschland–eine systematische Literaturrecherche. Pneumologie, 68(08), 557-567. • Bargon, J. (2020). Im Alter ist ein höherer BMI für COPD-Patienten ein Segen. MMW-Fortschritte der Medizin, 162(20), 28-29. • Barnes, B., Kraywinkel, K., Nowossadeck, E., Schönfeld, I., Starker, A., Wienecke, A., & Wolf, U. (2016). Bericht zum Krebsgeschehen in Deutschland 2016. • Berger, F. (2018). Typ-2-Diabetes und Migranten: Menschen aus verschiedenen Sprach-und Kulturräumen. Diabetologie und Stoffwechsel, 13(03), 241-256. • Berth, H., Förster, P., Balck, F., Brähler, E., & Stöbel-Richter, Y. (2008). Arbeitslosigkeitserfahrungen, Arbeitsplatzunsicherheit und der Bedarf an psychosozialer Versorgung. Das Gesundheitswesen, 70(05), 289-294. • Blangiardo, M., Cameletti, M., Baio, G., & Rue, H. (2013). Spatial and spatio-temporal models with R-INLA. Spatial and spatio-temporal epidemiology, 4, 33-49. • Bokemeyer, C., Lüftemeyer, D., Hallek, M., Weißinger, F. (2020): Deutschlandweite Prognose der bevölkerungsbezogenen Morbiditätserwartung für häufige Krebserkrankungen. DGHO Deutsche Gesellschaft für Hämatologie und Medizinische Onkologie e. V. • Bretschneider, J., Kuhnert, R., & Hapke, U. (2017). Depressive symptomatik bei erwachsenen in deutschland. • Busch, M. A., & Kuhnert, R. (2017). 12-Monats-Prävalenz einer koronaren Herzkrankheit in Deutschland. • Busch, M., Maske, U., Ryl, L., Schlack, R., & Hapke, U. (2013). Prävalenz von depressiver Symptomatik und diagnostizierter Depression bei Erwachsenen in Deutschland. • CGJKB-PRNSC, S. (2019). Diagnosehäufigkeit und Inanspruchnahme von Gesundheitsleistungen. Versorgungs-Report Früherkennung. • Cruz, A. A. (2007). Global surveillance, prevention and control of chronic respiratory diseases: a comprehensive approach. World Health Organization. • Ding, D., Gebel, K., Phongsavan, P., Bauman, A. E., & Merom, D. (2014). Driving: a road to unhealthy lifestyles and poor health outcomes. PloS one, 9(6), e94602. • Dorner, T. E. (2016). Epidemiology of obesity in Austria. Wiener Medizinische Wochenschrift, 166, 79-87. • Engeli, S., May, M., & Jordan, J. (2014). Adipositas-assoziierte Hypertonie. Adipositas-Ursachen, Folgeerkrankungen, Therapie, 8(02), 70-75. • Erdmann, F., Spix, C., Katalinic, A., Christ, M., Folkerts, J., Hansmann, J., ... & Wienecke, A. (2021). Krebs in Deutschland für 2017/2018. • Fülöp GE, Kopetsch TH, Schöpe PA. Einzugsbereiche von Arztpraxen und die Rolle der räumlichen Distanz für die Arztwahl der Patienten. Angewandte Geoinformatik. 2009:218-27. • Gemeinsamer Bundessauschuss (2019): Richtlinie des Gemeinsamen Bundessausschusses über die Bedarfsplanung sowie die Maßstäbe zur Feststellung von Überversorgung und Unterversorgung in der vertragsärztlichen Versorgung. Bundesanzeiger BAnz AT 28.06.2019 B6 • Goffrier, B., Schulz, M., & Bätzing-Feigenbaum, J. (2017). Administrative Prävalenzen und Inzidenzen des Diabetes mellitus von 2009 bis 2015. Zentralinstitut für die kassenärztliche Versorgung in Deutschland (Zi). Versorgungsatlas-Bericht, (17/03). • Grobe T, Steinmann S. Depressionsatlas. Auswertungen zur Arbeitsunfähigkeit und Arzneimittelverordnungen. Hrsg.: Techniker Krankenkasse. Hamburg 2015. • Hashimoto, Y., Matsudaira, K., Sawada, S. S., Gando, Y., Kawakami, R., Kinugawa, C., ... & Naito, H. (2017). Obesity and low back pain: a retrospective cohort study of Japanese males. Journal of physical therapy science, 29(6), 978-983. • Heidemann, C., Du, Y., & Scheidt-Nave, C. (2011). Diabetes mellitus in Deutschland. • Hoehner, C. M., Barlow, C. E., Allen, P., & Schootman, M. (2012). Commuting distance, cardiorespiratory fitness, and metabolic risk. American journal of preventive medicine, 42(6), 571-578. • Hoffmann, F., & Icks, A. (2012). Unterschiede in der Versichertenstruktur von Krankenkassen und deren Auswirkungen für die Versorgungsforschung: Ergebnisse des Bertelsmann-Gesundheitsmonitors. Das Gesundheitswesen, 74(05), 291-297. • Holstiege, J., Akmatov, M. K., Steffen, A., & Bätzing, J. (2020). Diagnoseprävalenz der Hypertonie in der vertragsärztlichen Versorgung–aktuelle deutschlandweite Kennzahlen. Zentralinstitut für die kassenärztliche Versorgung in Deutschland (Zi). Versorgungsatlas-Bericht, 20(01). • Holstiege, J., Akmatov, M. K., Steffen, A., & Bätzing, J. (2020). Die ischämische Herzerkrankung in Der vertragsärzt-lichen Versorgung Deutschlands–Zeitliche trends und regionale Variationen. Zentralinstitut für die kassenärztliche Versorgung in Deutschland. Versorgungsatlas-Bericht Nr 20/04 [in German]. Berlin. • Jäger-Becker, D. (2016). Übergewicht erhöht Risiko für Atemwegserkrankungen. Pneumo News, 8(Suppl 7), 67-67. • Joisten, C., Gellhaus, I., Kauth, T., Leipold, G., Wabitsch, M., Weihrauch-Blüher, S., ... & Fischbach, T. (2022). Die Versorgungslage von Kindern und Jugendlichen mit Adipositas–ist ein Disease Management Programm (DMP) eine Lösung?. Adipositas-Ursachen, Folgeerkrankungen, Therapie, 16(03), 149-158. • Kauhl, B., Maier, W., Schweikart, J., Keste, A., & Moskwyn, M. (2018). Exploring the small-scale spatial distribution of hypertension and its association to area deprivation based on health insurance claims in Northeastern Germany. BMC Public Health, 18(1), 1-12. • Klein, S., Krupka, S., Behrendt, S., Pulst, A., & Bleß, H. H. (2016). Weißbuch Adipositas. Versorgungssituation in Deutschland. MWV Medizinisch Wissenschaftliche Verlagsgesellschaft, Berlin. • Kreienbrock L, Pigeot I, Ahrens W. Epidemiologische Methoden. Springer-Verlag; 2012 Feb 2. • Kroll, L. E., & Lampert, T. (2010). Regionale Unterschiede in der Gesundheit am Beispiel von Adipositas und Diabetes mellitus. Robert Koch-Institut, editor Daten und Fakten: Ergebnisse der Studie» Gesundheit in Deutschland aktuell, 51-9. • Kroll, L. E., & Lampert, T. (2012). Regionalization of health indicators: Results from the GEDA-Study 2009. • Kroll, L. E., Müters, S., & Lampert, T. (2016). Arbeitslosigkeit und ihre Auswirkungen auf die Gesundheit. • Kroll, L. E., Schumann, M., Hoebel, J., & Lampert, T. (2017). Regionale Unterschiede in der Gesundheit–Entwicklung eines sozioökonomischen Deprivationsindex für Deutschland. • Kuntz, B., Hoebel, J., Neuhauser, H., & Lampert, T. (2017). Soziale Ungleichheit und chronische Rückenschmerzen bei Erwachsenen in Deutschland. • Lange, C., Lampert, T., & Ellert, U. (2004). Subjektive Gesundheit von Frauen und Männern im mittleren Lebensalter. Das Gesundheitswesen, 66(08/09), 147. • Lampert, T., Kroll, L. E., Kuntz, B., & Ziese, T. (2011). Gesundheitliche Ungleichheit. • Lindgren, F., & Rue, H. (2015). Bayesian spatial modelling with R-INLA. Journal of statistical software, 63, 1-25. • Maier, W., & Schwettmann, L. (2018, December). Regionale Deprivation in Deutschland: Der ‚German Index of Multiple Deprivation (GIMD)‘. In Public Health Forum (Vol. 26, No. 4, pp. 376-379). De Gruyter. • Müters, S., Hoebel, J., & Lange, C. (2013). Diagnose Depression: Unterschiede bei Frauen und Männern. • Neuhauser, H., Kuhnert, R., & Born, S. (2017). 12-Monats-prävalenz von bluthochdruck in Deutschland. • Nimptsch, K., & Pischon, T. (2014). Adipositas und Krebs. Adipositas-Ursachen, Folgeerkrankungen, Therapie, 8(03), 151-156. • Park, H. A. (2013). An introduction to logistic regression: from basic concepts to interpretation with particular attention to nursing domain. Journal of Korean Academy of Nursing, 43(2), 154-164. • Parsi, E. (2003). Adipositas und Herzfunktionsstörungen. Ernährung & Medizin, 18(04), 195-198. • Pedersen, T. L., & Robinson, D. (2020). Gganimate: A grammar of animated graphics. R package version, 1(7), 403-408. • Plotly (2023): https://plotly.com/r/ • Pritzkuleit R, Eisemann N, Katalinic A. Die kartografische Darstellung regionaler Unterschiede in der Morbidität. Bundesgesundheitsblatt-Gesundheitsforschung-Gesundheitsschutz. 2017 Dec;60(12):1319-27. • Rattay, P., Lippe, E. V. D., Borgmann, L. S., & Lampert, T. (2017). Gesundheit von alleinerziehenden Müttern und Vätern in Deutschland. • Rothgang, H., Müller, R., Unger, R.: Themenreport „Pflege 2030“. Was ist zu erwarten, was ist zu tun? Bertelsmann Stifung • Ruppenthal, S., & Rüger, H. (2011). Berufsbedingte räumliche Mobilität–Konsequenzen für Wohlbefinden und Gesundheit. Zukunft der Arbeit. • Salkeld, D. J., & Antolin, M. F. (2020). Ecological fallacy and aggregated data: a case study of fried chicken restaurants, obesity and Lyme disease. Ecohealth, 17, 4-12. • Saß, A. C., Wurm, S., & Ziese, T. (2009). Alter= Krankheit? Gesundheitszustand und Gesundheitsentwicklung. Gesundheit und Krankheit im Alter, 31. • Scheffer, S., Dauven, S., & Sieverding, M. (2006). Soziodemografische Unterschiede in der Teilnahme an Krebsfrüherkennungsuntersuchungen (KFU) in Deutschland-Eine Übersicht. Das Gesundheitswesen, 68(03), 139-146. • Schienkiewitz, Anja, et al. "Übergewicht und adipositas bei erwachsenen in Deutschland." (2017). • Schmidt, C. O., Raspe, H., Pfingsten, M., Hasenbring, M., Basler, H. D., Eich, W., & Kohlmann, T. (2007). Back pain in the German adult population: prevalence, severity, and sociodemographic correlates in a multiregional survey. Spine, 32(18), 2005-2011. • Schmidt, C. O., & Kohlmann, T. (2007). Rückenschmerzen in Deutschland-ein epidemiologischer Überblick-80-90% der Deutschen sind im Laufe ihres Lebens betroffen. Der Klinikarzt, 36(12), 680-684. • Schmidt, C., Reitzle, L., Dreß, J., Rommel, A., Ziese, T., & Heidemann, C. (2019). Prävalenz und Inzidenz des dokumentierten Diabetes mellitus–Referenzauswertung für die Diabetes-Surveillance auf Basis von Daten aller gesetzlich Krankenversicherten. • Starker, A., & Saß, A. C. (2013). Inanspruchnahme von Krebsfrüherkennungsuntersuchungen. • Steffen, A., Holstiege, J., Akmatov, M. K., & Bätzing, J. (2019). Zeitliche Trends in der Diagnoseprävalenz depressiver Störungen: eine Analyse auf Basis bundesweiter vertragsärztlicher Abrechnungsdaten der Jahre 2009 bis 2017. Versorgungsatlas. de, Bericht, (19/05). • Steffen, A., Holstiege, J., Akmatov, M. K., & Bätzing, J. (2021). Trends in der Diagnoseprävalenz der Adipositas in der vertragsärztlichen Versorgung von 2009 bis 2018. • Steppuhn, H., Kuhnert, R., & Scheidt-Nave, C. (2017). 12-Monats-Prävalenz der bekannten chronisch obstruktiven Lungenerkrankung (COPD) in Deutschland. • Sundmacher L, Schang L, Schüttig W, Flemming R, Frank-Tewaag J, Geiger I, Brechtel T. Gutachten zur Weiterentwicklung der Bedarfsplanung iSd §§ 99 ff. SGB V zur Sicherung der vertragsärztlichen Versorgung. Endbericht Juli. 2018:107-11. • Toplak, H., Leitner, D. R., Harreiter, J., Hoppichler, F., Wascher, T. C., Schindler, K., & Ludvik, B. (2019). “Diabesity”—Obesity and type 2 diabetes (Update 2019). Wiener klinische Wochenschrift, 131, 71-76. • Thormann, J., Chittka, T., Minkwitz, J., Kluge, M., & Himmerich, H. (2013). Adipositas und Depression: eine Übersicht über die vielschichtigen Zusammenhänge zweier Volkserkrankungen. Fortschritte der Neurologie· Psychiatrie, 81(03), 145-153. • Weber, A., Hörmann, G., & Heipertz, W. (2007). Arbeitslosigkeit und Gesundheit aus sozialmedizinischer Sicht. Deutsches Ärzteblatt, 104(43), 2957-2962. • Wickham, H. (2011). ggplot2. Wiley interdisciplinary reviews: computational statistics, 3(2), 180-185. • WIdO (2021): Gesundheitsatlas Deutschland COPD • WIdO (2019): Gesundheitsatlas Deutschland – Diabetes Mellitus Typ 2: Verbreitung in der Bevölkerung Deutschlands und seinen Regionen. Ursachen, Folgen und Präventionmöglichkeiten • WIdO (2020): Gesundheitsatlas Sachsen Asthma Bronchiale • Wienecke, A., Barnes, B., Neuhauser, H., & Kraywinkel, K. (2017). Übergewicht und Krebs–wie stark ist der Einfluss auf der Bevölkerungsebene?. Das Gesundheitswesen, 79(08/09), P-XVI. • World Health Organization. "Obesity: preventing and managing the global epidemic." (2000).