Understanding fundamental causes and effects of socio-economic inequalities in health using a systems science approach

Doel

Hoe komt het dat mensen in lagere sociaaleconomische groepen een slechtere gezondheid hebben? In dit project werd deze vraag onderzocht vanuit systeemperspectief: De volksgezondheid wordt daarbij beschouwd als een complex systeem dat bestaat uit veel verschillende elementen (bijv. individuen) op veel verschillende niveaus (bijv. netwerken waarin individu participeert). Deze elementen interacteren met elkaar en leiden in hun onderlinge dynamiek tot uitkomsten, die zich aanpassen aan veranderende omstandigheden.

Onderzoek

Om de mechanismen, dynamiek en interacties in dit complexe systeem te begrijpen,.werd samengewerkt  met een team van experts op het terrein van de epidemiologie, complexity science, computational modelling, antropologie en sociologie. Verschillende typen studies (epidemiologisch, etnografisch, sociale netwerkanalyse) leverden input voor een te ontwikkelen systeem-dynamisch model, met diabetes type 2 als voorbeeld. Onderzocht werden bijvoorbeeld interacties tussen individuen en maatschappelijke factoren: bestaansonzekerheid, chronische stress, sociale normen en verhoudingen tussen groepen. Er werd vanaf het begin samengewerkt met beleidsactoren om te zorgen dat de kennis die gegenereerd werd aansloot bij hun behoeften.  

Resultaten

Een van de belangrijkste conclusies van het onderzoek is dat een groot deel van het effect van een lage sociaaleconomische status op gezondheid buiten beeld blijft als de sociale context, de historische context en de leefomstandigheden van een individu niet worden meegenomen. Met dit onderzoek is een bijdrage gedaan aan de ontwikkeling van en het aantonen van het belang van de complexiteitstheorie en -aanpak voor preventieonderzoek en gezondheidsbeleid.  Zo werd in het project een systeembenadering, met aandacht voor factoren op maatschappelijk niveau, gebruikt voor het formuleren van adviezen voor beleid in Amsterdam gericht op chronische ziekte.

Aanbevelingen

Aanbevelingen:

Voor collega wetenschappers Systems science methoden werden eigenlijk nog nauwelijks toegepast in public health bij de start van dit project. In de jaren gedurende dit project hebben deze methoden een vlucht genomen en zijn veel onderzoeksgroepen in public health aan het experimenteren. Hieronder noemen we drie kernpunten van wat wij de afgelopen jaren hebben geleerd voor de verdere ontwikkeling van systems science in public health: 

1. Voor de toekomstige ontwikkeling van CLD’s en simulatiemodellen in public health denken we dat we zouden moeten inzetten op eenvoudige, begrijpelijke en minimale CLD’s en simulatiemodellen, omdat die ons kunnen helpen om inzicht te krijgen in de dynamiek tussen elementen in een systeem en dus emergente eigenschappen. Als een model heel veel elementen bevat – zoals nu vaak het geval is in public health onderzoek met CLD’s – is het moeilijk om de dynamiek in te schatten. 
    
2. Wat betreft de plaats die voor systems science is weggelegd in toekomstig onderzoek naar gezondheidsverschillen identificeerden we twee belangrijke bijdragen die systems science kan leveren.
   -Ten eerste kan systems science ons inzicht vergroten in de dynamiek waar oorzaken op maatschappelijk niveau, zoals sociale structuren en collectieve processen, deel van uitmaken. Als zodanig kan het ons helpen om te achterhalen wat de structurele aanjagers zijn van systeemgedrag die gezondheidsverschillen veroorzaken. 
   -Ten tweede kan systems science laten zien wat het effect zou kunnen zijn van interventies op maatschappelijk niveau, zoals door ons te helpen te redeneren (al dan niet met behulp van simulatie) over de gezondheidseffecten van maatschappelijke processen zoals sociale normen en bestaansonzekerheid. 

3. Als onderdeel van dit project hebben we geëvalueerd of het verdedigbaar is om netwerkanalyse op CLD’s (causal loop diagrams ) toe te passen – in dat geval wordt het CLD beschouwd als een netwerk. Deze toepassing wordt steeds gangbaarder, in onder ander public health, als een manier om de factoren te identificeren die het belangrijkst zijn bij het verklaren van systeemgedrag. 

   Uit onze evaluatie blijkt dat deze toepassing van netwerkanalyse noch betrouwbaar, noch theoretisch verantwoord is. Netwerkanalyse houdt met name onvoldoende rekening met de aspecten van dynamiek die zijn vastgelegd in een CLD, terwijl dat juist het doel is van de systeembenadering. Daarom raden we deze specifieke benadering af in toekomstig onderzoek. 

   De paper waarin we deze bevindingen hebben opgeschreven is op dit moment under review (Crielaard, under review C). Voor beleidsmakers en andere maatschappelijke stakeholders De belangstelling van beleid voor de systeembenadering neemt toe, zoals bijvoorbeeld blijkt uit de vraag vanuit Amsterdam Vitaal & Gezond om systems science te gebruiken om tot aanbevelingen voor beleid te komen. Op sommige onderdelen hebben wij specifieke aanbevelingen kunnen doen voor beleid (zie Crielaard 2020; van Etten 2020; Crielaard 2021), maar meer in algemene zin hebben we kunnen verduidelijken en illustreren wat de meerwaarde is van een dergelijke benadering, en tot welk ander type aanpakken zo’n benadering leidt. In plaats van op afzonderlijke elementen zouden interventies in veel gevallen op de dynamiek tussen de elementen van een systeem gericht moeten worden. Een interventie op individueel niveau kan worden beschouwd als een interventie op een afzonderlijk element. Zolang de (maatschappelijke) dynamiek die tot deze uitkomst heeft geleid buiten beschouwing wordt gelaten, zal het volgende individu waarschijnlijk in de richting van diezelfde uitkomst worden geduwd.