Zusammenfassung
Hintergrund
Maßnahmen zur Eindämmung von COVID-19 führten zu Belastungen, die gesundheitliche Ungleichheiten verstärkt haben. Wir untersuchen, inwiefern sich Risikogruppen für ein reduziertes subjektives Wohlbefinden nach Eintreten des Lockdowns 2020 identifizieren lassen. Dabei berücksichtigen wir im Rahmen eines intersektionalen Ansatzes auch mögliche Wechselwirkungen verschiedener sozialer Gruppierungsmerkmale.
Methode
Analysiert wurden Daten des Sozio-oekonomischen Panels (SOEP) aus den Jahren 2018–2020. Insgesamt 16.000 Fälle mit Angaben zu Wohlbefindensänderungen (SF-12-Scores sowie Einzelindikatoren) wurden in die Auswertung einbezogen. Zur Identifikation von Gruppen mit unterschiedlicher Entwicklung im Wohlbefinden verwenden wir das Klassifikationsverfahren Random Forests. Zur inhaltlichen Interpretation stellen wir ergänzend Ergebnisse aus einem Regressionsmodell mit sozialen und gesundheitlichen Aspekten als Prädiktoren dar.
Ergebnisse
Demografische und soziale Merkmale erklärten nur einen sehr geringen Teil der Veränderungen im subjektiven Wohlbefinden (R2 = 0,007–0,012) und ließen keine Abgrenzung homogener Risikogruppen zu. Obwohl einige signifikante Prädiktoren in den Regressionsmodellen gefunden wurden, waren entsprechende Effekte überwiegend gering. Neben dem Ausgangszustand im Wohlbefinden vor Pandemiebeginn trugen v. a. das Vorliegen chronischer Erkrankungen und Behinderungen zur Erklärung des Wohlbefindens bei.
Diskussion
Die aktuell vorliegenden Daten ermöglichen keine klare Identifikation von Risikogruppen für Einbußen im Wohlbefinden im ersten Jahr der COVID-19-Pandemie. Der Gesundheitszustand vor Pandemiebeginn scheint für kurzfristige Veränderungen im subjektiven Wohlbefinden bedeutsamer zu sein als soziodemografische und -ökonomische Kategorisierungsmerkmale.
Abstract
Background
Measures to contain COVID-19 have created burdens that have widened health inequalities. We examine the extent to which risk groups for reduced subjective well-being can be identified after the 2020 lockdown. In doing so, we also consider possible interactions of different social grouping characteristics as part of an intersectional approach.
Method
Socio-Economic Panel (SOEP) data from the years 2018–2020 were analyzed. A total of 16,000 cases with information on changes in well-being (SF-12 scores and individual indicators) were included in the analyses. We use the classification method “random forests” to identify groups with different trends in well-being. For the interpretation of the content, we also present results from a regression model with social and health aspects as predictors.
Results
Demographic and social characteristics explained only a very small part of the changes in subjective well-being (R2 = 0.007–0.012) and did not allow for the differentiation of homogeneous risk groups. Although some significant predictors were found in the regression models, the corresponding effects were mostly small. In addition to the initial state of well-being before the pandemic began, the presence of chronic illnesses and disabilities in particular contributed to the explanation of subjective well-being.
Discussion
The currently available data do not allow a clear identification of risk groups for losses in well-being in the first year of the COVID-19 pandemic. Health status before the onset of the pandemic appears to be more important for short-term changes in subjective well-being than socio-demographic and socio-economic categorization characteristics.
Avoid common mistakes on your manuscript.
Hintergrund
Sozial ungleich verteilte gesundheitliche Auswirkungen der COVID-19-Pandemie ließen sich international und national vielfach nachweisen [1,2,3,4,5]. Hinsichtlich Infektionsraten, Hospitalisierung und Mortalität besonders betroffen waren z. B. Menschen aus sozial deprivierten Regionen [6, 7], mit geringerem Bildungsgrad [8], Migrations- oder Fluchterfahrung [9, 10] sowie Arbeitslose [11]. Als anfälliger für eine Infektion und schwere Krankheitsverläufe erwiesen sich außerdem ältere Menschen und Personengruppen mit Vorerkrankungen sowie starkem Übergewicht [12].
Auch Maßnahmen zur Eindämmung der Pandemie (nicht-pharmakologische Interventionen – NPI, wie Schulschließungen und Kontaktbeschränkungen) können sich über ihre wirtschaftlichen und sozialen Konsequenzen auf die Gesundheit verschiedener Bevölkerungsgruppen unterschiedlich auswirken und so gesundheitliche Ungleichheiten verstärken. Dabei gibt es klare Hinweise, dass Belastungen durch NPI sich sozial ungleich verteilt haben [13,14,15,16]. Stärker beeinträchtigt wurden z. B. Frauen, Menschen in prekärer Beschäftigung und mit geringer Qualifikation oder solche mit Migrationserfahrung. Aber auch Bevölkerungsgruppen, welche i. d. R. nicht zu den klassischen benachteiligten Gruppen gezählt werden, wie Selbstständige und Künstler:innen, erwiesen sich als stärker durch wirtschaftliche Folgen der NPI betroffen (z. B. [17]). Solche ungleich verteilten Belastungen können wiederum (als indirekte Pandemiefolgen) gesundheitliche Ungleichheiten verstärken. Dabei ist anzunehmen, dass sich indirekte Gesundheitsfolgen in Krisen zunächst im subjektiven Wohlbefinden widerspiegeln, bevor sie sich bei andauernder Belastung in manifesten Erkrankungen niederschlagen. Subjektive Gesundheitsdimensionen wie die gesundheitsbezogene Lebensqualität, inkl. des psychischen und körperlichen Wohlbefindens, stellen wichtige Aspekte der Gesundheit dar und scheinen damit besonders geeignet, kurz- bis mittelfristige gesundheitliche Auswirkungen der pandemiebedingten Situation abzubilden. Wir verwenden hier den Begriff Wohlbefinden als Oberbegriff für verschiedene Dimensionen der subjektiven Gesundheit und Lebensqualität.
In der Corona-Health-App-Studie des Robert Koch-Instituts (RKI) wurde im zweiten Halbjahr 2020 ein geringeres Wohlbefinden berichtet bei Menschen mit geringerem Bildungsgrad, in jüngeren Altersgruppen, bei nicht regulär arbeitenden Befragten sowie beim weiblichen Geschlecht [18]. Weitere Studien zeigten Anstiege in negativen Emotionen wie Einsamkeitsgefühlen, v. a. bei Jüngeren [19], sowie Depressivität und Ängstlichkeit [20, 21], z. T. mit deutlichen sozialen Gradienten. International waren Ausgangsbeschränkungen mit einer Reduktion der Lebenszufriedenheit verbunden [22].
Die genannten Befunde zeigen eine größere Betroffenheit einiger Bevölkerungsgruppen durch direkte und indirekte Folgen der Pandemie. Um gesundheitlichen Ungleichheiten oder ihrer Verstärkung infolge der Pandemiesituation entgegenzuwirken, sollten besonders gefährdete Bevölkerungsgruppen gezielt durch unterstützende Maßnahmen adressiert werden [23]. Dies setzt zunächst die Identifikation solcher Risikogruppen voraus. Dabei wurden Kategorisierungsmerkmale wie Geschlecht, sozioökonomischer Status und Alter bislang i. d. R. einzeln untersucht. Das Zusammenwirken verschiedener Benachteiligungsdimensionen wurde erst wenig betrachtet.
Im Mittelpunkt des Konzeptes „Intersektionalität“ stehen Benachteiligungen, welche sich aus der Verschränkung verschiedener sozialer Diversitätsmerkmale ergeben können. Der Begriff wurde von Kimberlé Crenshaw [24] geprägt und bezieht sich ursprünglich auf die Marginalisierung schwarzer Frauen durch die getrennte Betrachtung der Diskriminierungsfaktoren Ethnie und Geschlecht. Er lässt sich jedoch auf weitere marginalisierende Faktoren, wie z. B. den Sozialstatus, Behinderungen, chronische Erkrankungen oder die sexuelle Orientierung, beziehen. Erfahrungen mit der Zugehörigkeit zu verschiedenen sozialen Kategorien beeinflussen sich gegenseitig und es wird angenommen, dass hier Dynamiken über additive Effekte hinaus wirken. Kategorien können als Personen- und soziale Kontextmerkmale betrachtet werden, indem sie die Identität formen und durch den sozialen Kontext hergestellt werden [25].
Es wurde gefordert, Aspekte der Intersektionalität auch in quantitativen Studien zur Bevölkerungsgesundheit stärker zu thematisieren [26,27,28,29]. Im Gegensatz zu Auswirkungen der Pandemie hinsichtlich einzelner sozialer Kategorisierungen ist ihr Zusammenwirken jedoch erst wenig untersucht. Eine Ausnahme bilden z. B. Auswertungen der SOEP-CoV-Studie, in der die Wechselwirkung von Geschlecht und beruflicher Selbstständigkeit betrachtet wurde [17, 30]. Auch international finden sich in der Literatur zu COVID-19 vorwiegend Aufrufe zu einer stärkeren Berücksichtigung intersektionaler Aspekte (z. B. [31,32,33,34]), während empirisch bisher eher spezifische Risikogruppen exemplarisch betrachtet wurden (z. B. [35,36,37]). Unklar bleibt dabei, welche (gerade mehrfach marginalisierten) Bevölkerungsgruppen in Bezug auf verschiedene gesundheitliche Outcomes besonders betroffen waren. Hier scheinen Erkenntnisse aus unterschiedlichen Kulturkreisen aufgrund der sehr verschiedenen Bedingungen und Auswirkungen der Pandemie zudem nur bedingt vergleichbar zu sein.
Ziel unseres Beitrags ist die Untersuchung möglicher Diversitätskonstellationen für eine besondere Beeinträchtigung im Wohlbefinden durch die Pandemie. Die Herausforderung liegt in der explorativen Identifikation von Risikogruppen, ohne im Vorweg die Betrachtung auf bereits bekannte Konstellationen einzuschränken. Dabei beziehen wir als potenzielle Gruppierungsmerkmale v. a. soziale Dimensionen ein, die im Kontext von COVID-19 bereits mit direkten oder indirekten gesundheitlichen Folgen in Zusammenhang gebracht wurden (s. o). Durch unser Vorgehen berücksichtigen wir insbesondere auch die Möglichkeit von Intersektionen, d. h. Kombinationen der betrachteten Merkmale bei der Definition von Risikogruppen, ohne diese jedoch vorzugeben.
Methode
Die Datenbasis unserer Auswertungen bildet das Sozio-oekonomische Panel (SOEP) in der Version 37 mit Daten bis einschließlich der Erhebungswelle 2020 [38]. Dabei handelt es sich um eine deutschlandweite Repräsentativbefragung, welche seit 1984 jährlich durchgeführt wird und längsschnittliche Daten zu einer Vielzahl wirtschaftlicher, sozialer und auch gesundheitlicher Indikatoren liefert. Wir berücksichtigen alle Befragten, bei denen Wohlbefindensaspekte vor und nach Lockdownbeginn erhoben wurden.
Hinsichtlich des Wohlbefindens betrachten wir individuelle Veränderungen zwischen der letzten Erhebung vor Beginn des ersten Lockdowns (23.03.2020) und der ersten Erhebung danach. Als potenzielle Prädiktoren berücksichtigen wir jeweils die Ausprägung zum letzten Erhebungszeitpunkt vor dem Lockdown (2018/2019 bis März 2020). Da es sich um eine Sekundäranalyse bereits erhobener SOEP-Daten handelt, sind ethische Aspekte im Umgang mit Befragten für unsere Analysen nicht relevant.
Maße
Als subjektive Wohlbefindensmaße betrachten wir die 2 Skalenwerte des Screeninginstruments „Short-Form-Health Survey“ (SF-12) zu mentalem und körperlichem Wohlbefinden. Diese basieren jeweils auf mehreren Items eines international vielfach erprobten Instruments. Die Scores wurden anhand der Werte der SOEP-Stichprobe 2004 normiert [39, 40]. Allerdings wurden die Ausgangswerte zuletzt 2018 erhoben, so dass Veränderungen weniger direkt auf die Pandemie zurückzuführen sein könnten. Daher beziehen wir 3 weitere, jährlich erhobene Indikatoren ein. Wir verwenden ein Item zum selbsteingeschätzten allgemeinen Gesundheitszustand sowie die Angaben zur allgemeinen Lebenszufriedenheit (als Maß für allgemeines Wohlbefinden) und zur Zufriedenheit mit der eigenen Gesundheit (bereichsspezifisches Wohlbefinden).
Als potenzielle Gruppierungsmerkmale einbezogen werden Variablen, die in der Literatur im Zusammenhang mit gesundheitlicher Ungleichheit allgemein sowie hinsichtlich COVID-19 diskutiert wurden. Darunter fallen neben demografischen und sozioökonomischen Merkmalen auch Angaben zu dem Vorliegen von Schwerbehinderung oder chronischen Erkrankungen sowie Übergewicht. Die einbezogenen Variablen sind in Tab. 1 beschrieben. Detaillierte Angaben zur Operationalisierung finden sich in den entsprechenden Veröffentlichungen zur Methodik im SOEPFootnote 1.
Beschreibung des statistischen Verfahrens und Vorgehens
Um Gruppen zu identifizieren, welche in ihrem subjektiven Wohlbefinden pandemiebedingt besonders beeinträchtigt wurden, haben wir das Klassifikationsverfahren Random Forests verwendet. Diese explorative Methode aus dem Bereich des maschinellen Lernens beruht auf Entscheidungsbäumen. Es soll die Vorhersage eines Outcomes anhand der vorhandenen Prädiktoren und ihres Zusammenwirkens optimiert werden [41, 42]. Das Verfahren scheint besonders geeignet, da automatisch auch Interaktionen zwischen Prädiktoren berücksichtigt werden, sofern diese zu einer Unterscheidung der Gruppen beitragen. Dies entspricht den propagierten Effekten von Intersektionalität. Das Verfahren wählt für die enthaltenen Entscheidungsbäume schrittweise Prädiktoren aus, welche zu möglichst unterschiedlichen Gruppen hinsichtlich des Outcomes führen. Je Gruppe wird dabei bei kontinuierlichen Outcomes für alle Mitglieder der Mittelwert vorhergesagt (s. ausführliche Beschreibung der Methode Random Forests im Onlinematerial).
Im Unterschied zu klassischen sozialwissenschaftlichen Methoden zielen Machine-Learning-Ansätze primär auf die Optimierung der Vorhersage ab und weniger auf eine inhaltliche Interpretierbarkeit der resultierenden Modelle. Random Forests geben inhaltliche Anhaltspunkte nur durch eine Rangfolge der Wichtigkeit einzelner Merkmale, liefern aber keine Charakterisierung unterschiedener Gruppen. Daher wählen wir ergänzend die Darstellung eines linearen Regressionsmodells, um Gruppenunterschiede über die Modellkoeffizienten abzubilden. Da es sich bei Random Forests um nicht-parametrische Modelle handelt und auch nicht-lineare Effekte einbezogen werden können, die Voraussetzungen des Regressionsverfahrens verletzen können, verwenden wir bei der Schätzung robuste Standardfehler.
Für die Erstellung der Random Forests haben wir das R‑Paket ranger und zur Vorbereitung der Daten caret genutzt [43]. 70 % der Fälle mit vorliegendem Outcome wurden jeweils als Trainingsdaten zur Optimierung des Modells verwendet.
Tuningparameter haben wir über die Prozedur tuneRanger unter Nutzung einer wiederholten 10fachen Kreuzvalidierung optimiert. Daraus haben wir die Anzahl je Schritt zu berücksichtigender Variablen, minimale Gruppengröße sowie den optimalen Stichprobenanteil übernommen und für jedes Outcome 1000 Bäume zusammengefasst. Das Kriterium für die Wichtigkeit einzelner Variablen bildete die Varianzerklärung. Dabei wird für jede Variable ermittelt, wie stark die unerklärte Varianz durch diese, gemittelt über alle Bäume, reduziert wird. Wichtige Variablen führen zu der größten Reduktion [41]. Zur Beurteilung der Modellgüte verwenden wir den mittleren quadratischen Vorhersagefehler (RMSE) sowie R2 für die erklärte Varianz.
Wir beschreiben die Effekte der Prädiktorvariablen im Rahmen von Regressionsmodellen mit den gleichen potenziellen Prädiktoren. Veränderungen im Wohlbefinden stellen wir über die für den jeweiligen Ausgangswert vor Lockdown adjustierten Outcomes dar (ANCOVA-Ansatz, s. [44]). Damit sind Gruppenunterschiede für bereits vor der Pandemie bestehende Unterschiede adjustiert. Weiterhin adjustiert wurde die seit Beginn des ersten Lockdowns vergangene Zeit. Als Maße der Modellgüte werden auch hier RMSE und erklärter Varianzanteil (R2) betrachtet. Um die Rolle der eingeschlossenen Kontrollvariablen (Ausgangswerte) zu berücksichtigen, haben wir zum Vergleich auch den erklärten Varianzanteil in den Differenzwerten ohne Adjustierung ermittelt. Alle numerischen Variablen wurden so kodiert, dass jeweils höhere Werte für eine höhere Merkmalsausprägung stehen. Kategoriale Variablen wurden dummykodiert.
Fehlende Werte in kategorialen Prädiktorvariablen wurden jeweils als eigene Kategorie kodiert. Bei kontinuierlichen Prädiktoren wurden sie über die Funktion missRanger [45, 46] imputiert, um eine deutliche Reduktion der Stichprobengröße zu vermeiden. Fehlende Angaben in den Outcomewerten wurden nicht ersetzt.
Ergebnisse
Deskription
Tab. 2 zeigt die deskriptiven Statistiken für die betrachteten Wohlbefindensmaße auf Grundlage aller einbezogenen Fälle. Dabei gehen wir von den nicht imputierten Werten aus und geben jeweils den Anteil fehlender Werte wieder.
Ergebnisse zu Gruppenunterschieden
Random Forests
Die Anteile der durch die einbezogenen demografischen und sozialen Prädiktoren erklärten Varianz in Veränderungen des Wohlbefindens lagen für die verschiedenen Outcomes nur zwischen 0,4 % und 1,6 % (Tab. 3). Eine zuverlässige Vorhersage und damit auch eine klare Unterscheidung von homogenen Risikogruppen waren damit für keines der Outcomes möglich. Dennoch lässt sich die relative Wichtigkeit der Variablen bestimmen. Tab. 4 bildet die Rangfolgen der bedeutsamsten Prädiktoren in den Random Forests ab.
Als wichtigste Splitvariablen für alle Wohlbefindensmaße erwiesen sich Nettoäquivalenzeinkommen, die bisherige Dauer der Pandemie, Anzahl der Arbeitsstunden, das Alter sowie die Anzahl der Kinder im Haushalt. Weitere Variablen waren jeweils nur für einige Outcomes relevant. Zum Beispiel spielte das Vorliegen einer chronischen (Vor‑)Erkrankung eine Rolle hinsichtlich der berichteten Veränderung des körperlichen Wohlbefindens, des allgemeinen Gesundheitszustands und der Zufriedenheit mit der Gesundheit, jedoch weniger hinsichtlich des psychischen Wohlbefindens. Auch Übergewicht bzw. starkes Übergewicht (Adipositas) fand sich mehrfach unter den wichtigsten Variablen wie auch der Bildungsgrad. Vereinzelt waren auch Migrationshintergrund, Wohnort in den östlichen Bundesländern sowie der Status „alleinerziehend“ unter den wichtigsten Merkmalen.
Allgemeines lineares Modell
In Tab. 3 stellen wir die Effekte in Form von Koeffizienten linearer Regressionsmodelle dar. Die Modelle stellen den Wohlbefindenswert nach Lockdown adjustiert um den Ausgangswert dar, um die Veränderung abzubilden. Hinsichtlich der Varianzerklärung ist zu beachten, dass diese sich hier auf das Outcome nach Lockdown, inkl. der durch die Baseline-Werte erklärten Unterschiede, bezieht. Zur besseren Vergleichbarkeit mit den Ergebnissen der Random Forests geben wir R2 ergänzend für das Modell der Differenzwerte an. Außerdem finden sich in Tab. 3 unten die Maße für Varianzerklärung und Vorhersagefehler der Random Forests.
Mit allen Veränderungen im Wohlbefinden signifikant assoziiert war das Alter der Befragten. Es zeigten sich eher positive Veränderungen mit zunehmendem Alter für das psychische Wohlbefinden (SF-12 psychisch und Lebenszufriedenheit) und negative Veränderungen hinsichtlich der körperlichen Gesundheit (SF-12 körperlich, allgemeiner Gesundheitszustand und Zufriedenheit mit der eigenen Gesundheit). Die Koeffizienten deuten auf geringe Unterschiede hin (z. B. wäre ein Anstieg im Alter um 10 Jahre nach dem Modell mit einem Anstieg des SF-12-Werts für die mentale Gesundheit um ca. 0,7 Punkte assoziiert, was weniger als 1/10 SD entspricht).
Männliche Befragte gaben fast durchgehend günstigere Werte an als weibliche. Positiv mit den meisten Outcomes assoziiert war auch das Einkommen. Verglichen mit Personen ohne Migrationserfahrung gaben eingewanderte Personen überwiegend positivere Veränderungen in den Gesundheitsvariablen an.
Durchweg ungünstigere Outcomes berichteten Personen mit chronischen Erkrankungen, wobei der Rückgang in der körperlichen Gesundheit (SF-12) am deutlichsten ausfiel. Signifikant deutlicher war der Rückgang in allen Wohlbefindensvariablen auch bei Menschen mit Behinderungen. Von Übergewicht oder Adipositas betroffene Personen berichteten stärkere Rückgänge in der körperlichen Gesundheit, nicht aber dem psychischen Wohlbefinden.
Nicht regulär Erwerbstätige zeigten fast durchgängig schlechtere Outcomes als die Referenzgruppe der Vollzeitbeschäftigten. Weitere Merkmale waren weniger konsistent oder gar nicht signifikant mit Veränderungen im Wohlbefinden assoziiert.
Die erklärte Varianz im subjektiven Wohlbefinden nach Eintreten der Pandemiesituation variiert zwischen etwa 19 % für die psychische und ca. 47,5 % für die körperliche Gesundheit bei Einbezug der Ausgangswerte. Ein Vergleich mit einem Modell der Differenzwerte zeigt jedoch, dass das aktuelle subjektive Wohlbefinden vorwiegend durch die Ausgangswerte vor Lockdown erklärt wird. Ohne Adjustierung bewegt sich der erklärte Varianzanteil der Differenzen für alle Outcomes um die 1 %-Marke. Dass dieser Anteil in den Random-Forest-Modellen nicht höher ausfällt, zeigt, dass der Einbezug von Wechselwirkungen hier keinen Vorteil bringt.
Insgesamt erwiesen sich damit vor allem Merkmale zum subjektiven Wohlbefinden sowie das Vorliegen von Behinderungen oder chronischen Erkrankungen vor Lockdownbeginn als entscheidend für das subjektive Wohlbefinden im Verlauf des ersten Pandemiejahres.
Diskussion
Hauptziel unserer Analyse war die Identifizierung von Risikogruppen für ein verringertes Wohlbefinden infolge der COVID-19-Pandemie und assoziierter Maßnahmen, wobei intersektionale Effekte explizit berücksichtigt werden sollten. Dazu wurden verschiedene Maße zum subjektiven Wohlbefinden in ihrer Veränderung beim Übergang in die Phase pandemiebedingter Einschränkungen betrachtet und es wurde durch ein exploratives Machine-Learning-Verfahren nach Gruppen mit unterschiedlichen Verläufen gesucht.
Trotz Verwendung von Random Forests mit einem Fokus auf die Optimierung der Vorhersage und Berücksichtigung statistischer Interaktionen zeigen die Ergebnisse insgesamt eine nur sehr geringe Erklärung von Veränderungen im Wohlbefinden durch die einbezogenen sozialen Kategorisierungsmerkmale. Es ergaben sich damit keine klar abgrenzbaren homogenen Risikogruppen. Insbesondere intersektional definierte Risikogruppen wurden nicht identifiziert.
Dieses Ergebnis bestätigte sich in einem linearen Regressionsmodell. Ohne Kontrolle für die Werte vor der Pandemie erklärte auch dieses Verfahren nur einen vergleichbar geringen Varianzanteil in den Differenzwerten, d. h. Veränderungen im Wohlbefinden. Eine Identifizierung von Risikogruppen lässt sich durch diese Ergebnisse nicht mit ausreichender Sicherheit vornehmen.
Auch die Höhe der Regressionskoeffizienten, die die Effekte potenzieller Risikofaktoren darstellen, fällt überwiegend gering aus. Die deutlichsten Unterschiede zeigten sich für Ausprägungen gesundheitlicher Merkmale vor Pandemiebeginn. Insbesondere chronische Vorerkrankungen gingen mit einer stärkeren Reduktion des subjektiven Wohlbefindens einher, wobei v. a. körperliche Gesundheitsaspekte betroffen waren. Ähnlich fallen die Ergebnisse bei Vorliegen einer Behinderung aus. In geringerem Ausmaß galt dies außerdem für (starkes) Übergewicht. Hier wäre jeweils sinnvoll, in weiteren Untersuchungen die Mechanismen näher zu beleuchten, welche zu diesem Rückgang beigetragen oder aber ihm entgegenwirkt haben.
Nur bei Einbezug der Ausgangswerte des subjektiven Wohlbefindens ließ sich ein nennenswerter Anteil an Varianz im Wohlbefinden nach Lockdownbeginn erklären. Das heißt, auch hier bestimmt der Ausgangszustand das Wohlbefinden nach Einsetzen der NPI. Dabei wurden diese Werte in die Regressionsmodelle einbezogen, um für Unterschiede in den Ausgangswerten zu adjustieren und dadurch Effekte der Gruppierungsvariablen auf Veränderungen abzubilden. Ein deutlicher Zusammenhang zwischen verschiedenen Werten einer Person über die Zeit ist dabei durchaus üblich.
Die beobachtete gesundheitliche Gefährdung durch Vorerkrankungen, Behinderungen, ein höheres Alter oder starkes Übergewicht deckt sich mit Beobachtungen höherer Risiken für Infektionen und schwere Verläufe [12]. Hier sind also die gleichen Merkmale mit direkten wie auch indirekten Pandemiefolgen assoziiert. Übereinstimmend mit Analysen des Infektionsgeschehens [8] berichteten Befragte mit höherem Bildungsabschluss eine geringfügig bessere körperliche Gesundheit.
Einen stärkeren Rückgang der psychischen Gesundheit fanden wir im Regressionsmodell bei Alleinerziehenden. Hier könnte sich eine höhere Belastung durch die Kinderbetreuung im psychischen Wohlbefinden niederschlagen. In der Literatur wird vor allem die Mehrbelastung von Müttern durch die Kinderbetreuung im Lockdown thematisiert [13].
Erstaunlich ist, dass die vielfach nachgewiesenen gesundheitlichen Benachteiligungen, die mit einem geringen sozioökonomischen Status einhergehen, sich in unseren Ergebnissen zum subjektiven Wohlbefinden kaum widerspiegeln. Es finden sich insbesondere auch solche Gruppen nicht klar wieder, die laut anderen Veröffentlichungen besonders stark von wirtschaftlichen Folgen des Lockdowns betroffen waren, z. B. selbstständige Frauen [17, 30], Erwerbstätige mit geringem Bildungsniveau und Einkommen [14] sowie Menschen mit Migrationserfahrung [15].
Eine mögliche Erklärung wäre, dass sich pandemiebedingte Belastungen erst mit zeitlicher Verzögerung im Wohlbefinden zeigen und diese Effekte hier noch nicht erfasst wurden, sich aber in nachfolgenden Erhebungen zeigen. Sollte dies nicht zutreffen, wäre es aufschlussreich zu untersuchen, welche Ressourcen einer Beeinträchtigung im Wohlbefinden in Bevölkerungsgruppen mit größeren wirtschaftlichen Einbußen entgegenwirken.
Mena und Bolte [47] fanden in einer Entscheidungsbaum-Analyse der Studie „Gesundheit in Deutschland aktuell“ (GEDA) aus 2009, dass Gruppen mit schlechter mentaler Gesundheit sich v. a. durch geringe soziale Unterstützung und hohe Belastungen durch Haushalt oder Pflege‑/Betreuungsaufgaben identifizieren ließen. Dies betraf häufiger Frauen. Sie verweisen auf erklärende Mechanismen für gesundheitliche Ungleichheiten, während soziokulturelle und ökonomische Variablen praktisch nicht als Variablen für Gruppenunterscheidungen bedeutsam waren. Eine Befragung zur retrospektiven Beurteilung der Lebenszufriedenheit vor, während und nach dem ersten Lockdown zeigte ebenfalls, dass die Beurteilung der eigenen Lebenssituation während der Pandemie (z. B. bezüglich sozialer Kontakte sowie Familien- und Arbeitsleben) Veränderungen der Lebenszufriedenheit über soziodemografische Merkmale hinaus erklären konnte [48]. Da in unserer Auswertung durchaus auf individueller Ebene Verläufe mit deutlichen Veränderungen im Wohlbefinden beobachtet wurden, könnten Unterschiede in Belastungen und Ressourcen, welche nicht direkt mit sozialen Kategorisierungen zusammenhängen, entscheidend für die Erklärung von Wohlbefindensveränderungen in der Pandemie sein.
Sehr ähnliche Unterschiedsmuster wie wir berichten Eicher et al. [18] aus einer App-Befragung während der Pandemie in Abhängigkeit von sozialen Merkmalen wie Alter, Geschlecht, Bildung, Erwerbssituation sowie chronischen Erkrankungen. Die Varianzaufklärung für körperliche und psychische Wohlbefindensaspekte erreichte ca. 20–30 % in der Erhebung im zweiten Halbjahr 2020. Entscheidend ist, dass dabei interindividuelle Unterschiede erklärt wurden, während wir uns auf Veränderungen beziehen, bei denen Unterschiede im Ausgangsniveau egalisiert wurden.
Bedeutsame Wechselwirkungen im Sinne intersektionaler Effekte konnten wir nicht identifizieren. Dies widerlegt intersektionale Ansätze nicht. Zum einen benennen diese keine spezifischen Intersektionen, welche hinsichtlich bestimmter Gesundheitsmaße betroffen sind. Zum anderen stellen sie keine falsifizierbare Theorie dar, sondern eine kritische Perspektive auf soziale Ungleichheit und Benachteiligung [49]. Da auch die Haupteffekte der Sozialvariablen nur geringe Gruppenunterschiede aufzeigten, stellen die Ergebnisse unseres Erachtens auch nicht die grundsätzliche Untersuchbarkeit von Intersektionalität in quantitativen Studien infrage.
Jedoch scheinen Maßnahmen zur Stabilisierung der Gesundheit für spezifische Risikogruppen anhand dieser Ergebnisse kaum gerechtfertigt. In einer Auswertung eines großen schwedischen Gesundheitssurveys (vor der COVID-19-Pandemie) definierten Wemrell et al. [50] Intersektionalität über eine Kombination von Migration, Geschlecht und Einkommen als Strata und fanden trotz sozialem Gradienten keine gute Vorhersage von Gruppen mit schlechtem subjektiven Gesundheitszustand und keine Verbesserung durch Einbezug der intersektionalen Strata gegenüber einzelnen Prädiktoren. Sie warnen, dass Public-Health-Interventionen für Risikogruppen die Gefahr beinhalten, entgegen ihrer Intention bestimmte Personen zu stigmatisieren und zu benachteiligen, wenn die identifizierten Risikogruppen nicht homogen sind.
Stärken und Limitationen
Stärken unserer Analyse bestehen in der großen Stichprobe und einer Vielzahl potenziell relevanter Indikatoren durch Nutzung des SOEP. Insbesondere erlaubt der Datensatz eine Analyse individueller Veränderungen im Längsschnitt und es besteht die Möglichkeit, Entwicklungen zukünftig weiterzuverfolgen. Außerdem berücksichtigen Random Forests nicht-lineare und nicht-additive Beziehungen in der Exploration potenzieller Risikogruppen und sind geeignet, im Sinne intersektionaler Ansätze verschiedenste Konstellationen von Merkmalen bei der Vorhersage einzubeziehen, ohne diese in ihrem Wechselwirken vorher genauer zu definieren.
Unser Vorgehen hat aber auch Limitationen. Das subjektive Wohlbefinden hängt von diversen Einflüssen sowie persönlichen Standards ab. Es ist nicht auszuschließen, dass systematische Unterschiede im Antwortverhalten zwischen den untersuchten Bevölkerungsgruppen bestehen. Betrachtet wurden hier außerdem allgemeine soziale Kategorisierungen, ohne nach pandemiebedingten Aspekten zu fragen. Dies ist auch ein möglicher Grund für recht geringe Variationen im Outcome. Allerdings schien die Beschränkung auf allgemeine, einfach verfügbare Indikatoren der Fragestellung angemessen, da spezifischere Maße vor oder während Krisensituationen wie einer Pandemie nicht breit verfügbar vorliegen. Sie sind damit weniger geeignet für die Identifikation von Risikogruppen auf Bevölkerungsebene.
Die Unterscheidung zweier Zeitperioden vor und nach dem Beginn des ersten Lockdowns ist möglicherweise nicht differenziert genug, um zeitliche Veränderungen der Outcomes angemessen zu erfassen. Zum Beispiel veränderten sich sozioökonomische Effekte für direkte Gesundheitsfolgen deutlich über die Zeit, gerade zu Beginn der Pandemie [3, 7]. Auch aus diesem Grund haben wir den zeitlichen Verlauf in der Auswertung berücksichtigt. Dabei ergaben sich bislang keine Hinweise auf zeitlich verzögerte Rückgänge im Wohlbefinden.
Fazit
Der Gesundheitszustand vor Pandemiebeginn scheint für das subjektive Wohlbefinden bedeutsamer zu sein als demografische und sozioökonomische Kategorisierungsmerkmale. Letztere ermöglichen es bislang nicht, Bevölkerungsgruppen mit erhöhtem Risiko für ein verringertes Wohlbefinden bei Einsetzen der pandemiebedingten Einschränkungen zu identifizieren. Insbesondere ließen sich auch keine Konstellationen von Risikovariablen identifizieren, deren intersektionales Zusammenwirken Ungleichheiten im Wohlbefinden erklärt. Aus der Tatsache, dass der Ausgangszustand eine Rolle spielt, lässt sich aber folgern, dass die Förderung eines hohen Wohlbefindens insgesamt zur Resilienz der Bevölkerung in Krisensituationen beitragen könnte.
Notes
https://www.diw.de/en/diw_01.c,789785.en/documentation_of_soep-core__soep_survey_papers.html (SOEP Survey Papers; 1183: Series D—Variable Description and Coding/2022); siehe auch https://paneldata.org.
Literatur
World Health Organization (2021) COVID-19 and the social determinants of health and health equity: evidence brief. WHO, Geneva
Bambra C, Lynch J, Smith K (2021) The unequal pandemic. COVID-19 and health inequalities. Bristol University Press, Bristol
Doblhammer G, Reinke C, Kreft D (2022) Social disparities in the first wave of COVID-19 incidence rates in Germany: a county-scale explainable machine learning approach. BMJ Open 12:e49852. https://doi.org/10.1136/bmjopen-2021-049852
Wachtler B, Michalski N, Nowossadeck E et al (2020) Sozioökonomische Ungleichheit und COVID-19 – Eine Übersicht über den internationalen Forschungsstand. J Health Monit 5:3–18. https://doi.org/10.25646/7058
Hoebel J, Haller S, Bartig S et al (2022) Soziale Ungleichheit und COVID-19 in Deutschland – Wo stehen wir in der vierten Pandemiewelle? Epidemiol Bull 5:3–10. https://doi.org/10.25646/9555
Dragano N, Hoebel J, Wachtler B, Diercke M, Lunau T, Wahrendorf M (2021) Soziale Ungleichheit in der regionalen Ausbreitung von SARS-CoV‑2. Bundesgesundheitsbl 64:1116–1124. https://doi.org/10.1007/s00103-021-03387-w
Hoebel J, Michalski N, Diercke M et al (2021) Emerging socio-economic disparities in COVID-19-related deaths during the second pandemic wave in Germany. Int J Infect Dis 113:344–346. https://doi.org/10.1016/j.ijid.2021.10.037
Hoebel J, Grabka MM, Schröder C et al (2022) Socioeconomic position and SARS-CoV‑2 infections: seroepidemiological findings from a German nationwide dynamic cohort. J Epidemiol Community Health 76:350–353. https://doi.org/10.1136/jech-2021-217653
Sze S, Pan D, Nevill CR et al (2020) Ethnicity and clinical outcomes in COVID-19: a systematic review and meta-analysis. EClinicalMedicine 29:100630. https://doi.org/10.1016/j.eclinm.2020.100630
Hintermeier M, Gencer H, Kajikhina K et al (2021) SARS-CoV‑2 among migrants and forcibly displaced populations: a rapid systematic review. J Migr Health 4:100056. https://doi.org/10.1016/j.jmh.2021.100056
Wahrendorf M, Rupprecht CJ, Dortmann O, Scheider M, Dragano N (2021) Erhöhtes Risiko eines COVID-19-bedingten Krankenhausaufenthaltes für Arbeitslose: Eine Analyse von Krankenkassendaten von 1,28 Mio. Versicherten in Deutschland. Bundesgesundheitsbl 64:314–321. https://doi.org/10.1007/s00103-021-03280-6
Vygen-Bonnet S, Koch J, Bogdan C et al (2021) Beschluss und Wissenschaftliche Begründung der Ständigen Impfkommission (STIKO) für die COVID-19-Impfempfehlung. Epidemiol Bull 2:3–63. https://doi.org/10.25646/7755.2
Müller K‑U, Samtleben C, Schmieder J, Wrohlich K (2020) Corona-Krise erschwert Vereinbarkeit von Beruf und Familie vor allem für Mütter – Erwerbstätige Eltern sollten entlastet werden. DIW Wochenbericht 19:331–340. https://doi.org/10.18723/diw_wb:2020-19-1
Schröder C, Entringer T, Goebel J et al (2020) Erwerbstätige sind vor dem Covid-19-Virus nicht alle gleich, (SOEPpapers on Multidisciplinary Panel Data Research, 1080). http://www.diw.de/soeppapers
Bürmann M, Jacobsen J, Kristen C, Kühne S, Tsolak D (2022) Did immigrants perceive more job insecurity during the SARS-CoV‑2 pandemic? Evidence from German panel data. Soc Sci 11:224. https://doi.org/10.3390/socsci11050224
Adams-Prassl A, Boneva T, Golin M, Rauh C (2020) Inequality in the impact of the coronavirus shock: evidence from real time surveys. J Public Econ 189:104245. https://doi.org/10.1016/j.jpubeco.2020.104245
Graeber D, Kritikos AS, Seebauer J (2021) COVID-19: a crisis of the female self-employed. J Popul Econ 34:1–47. https://doi.org/10.1007/s00148-021-00849-y
Eicher S, Pryss R, Baumeister H, Hövener C, Knoll N, Cohrdes C (2021) Lebensqualität während der COVID-19-Pandemie – Ergebnisse der CORONA-HEALTH-App-Studie. J Health Monit. https://doi.org/10.25646/8866
Lippke S, Keller F, Derksen C, Kötting L, Ratz T, Fleig L (2022) Einsam(er) seit der Coronapandemie: Wer ist besonders betroffen? – Psychologische Befunde aus Deutschland. Präv Gesundheitsf 17:84–95. https://doi.org/10.1007/s11553-021-00837-w
Dragano N, Reuter M, Berger K (2022) Increase in mental disorders during the COVID-19 pandemic—the role of occupational and financial strains. Dtsch Ärztebl Int 119:179–187. https://doi.org/10.3238/arztebl.m2022.0133
Salari N, Hosseinian-Far A, Jalali R et al (2020) Prevalence of stress, anxiety, depression among the general population during the COVID-19 pandemic: a systematic review and meta-analysis. Dtsch Arztebl Int 119:179–187. https://doi.org/10.3238/arztebl.m2022.0133
Ammar A, Chtourou H, Boukhris O et al (2020) COVID-19 home confinement negatively impacts social participation and life satisfaction: a worldwide multicenter study. Int J Environ Res Public Health. https://doi.org/10.3390/ijerph17176237
Douglas M, Katikireddi SV, Taulbut M, McKee M, McCartney G (2020) Mitigating the wider health effects of covid-19 pandemic response. BMJ 369:m1557. https://doi.org/10.1136/bmj.m1557
Crenshaw K (1989) Demarginalizing the intersection of race and sex: a black feminist critique of antidiscrimination doctrine, feminist theory and Antiracist politics. University of Chicago Legal Forum 1989 (Article 8)
Else-Quest NM, Hyde JS (2016) Intersectionality in quantitative psychological research: I. Theoretical and epistemological issues. Psychol Women Q 40:155–170. https://doi.org/10.1177/0361684316629797
Bauer GR (2014) Incorporating intersectionality theory into population health research methodology: challenges and the potential to advance health equity. Soc Sci Med 110:10–17. https://doi.org/10.1016/j.socscimed.2014.03.022
Harari L, Lee C (2021) Intersectionality in quantitative health disparities research: a systematic review of challenges and limitations in empirical studies. Soc Sci Med 277:113876. https://doi.org/10.1016/j.socscimed.2021.113876
Syed M (2010) Disciplinarity and methodology in intersectionality theory and research. Am Psychol 65:61–62. https://doi.org/10.1037/a0017495
Bowleg L (2012) The problem with the phrase women and minorities: intersectionality—an important theoretical framework for public health. Am J Public Health 102:1267–1273. https://doi.org/10.2105/AJPH.2012.300750
Caliendo M, Graeber D, Kritikos AS, Seebauer J (2022) Pandemic depression: COVID-19 and the mental health of the self-employed. Entrep Theory Pract. https://doi.org/10.1177/10422587221102106
Laster Pirtle WN, Wright T (2021) Structural gendered racism revealed in pandemic times: intersectional approaches to understanding race and gender health inequities in COVID-19. Gend Soc 35:168–179. https://doi.org/10.1177/08912432211001302
Lokot M, Avakyan Y (2020) Intersectionality as a lens to the COVID-19 pandemic: implications for sexual and reproductive health in development and humanitarian contexts. Sex Reprod Health Matters 28:1764748. https://doi.org/10.1080/26410397.2020.1764748
Ryan NE, El Ayadi AM (2020) A call for a gender-responsive, intersectional approach to address COVID-19. Glob Public Health 15:1404–1412. https://doi.org/10.1080/17441692.2020.1791214
Ho EL‑E, Maddrell A (2021) Intolerable intersectional burdens: a COVID-19 research agenda for social and cultural geographies. Soc Cult Geogr 22:1–10. https://doi.org/10.1080/14649365.2020.1837215
Abreu RL, Barrita AM, Martin JA, Sostre J, Gonzalez KA (2023) Latinx LGBTQ youth, COVID-19, and psychological well-being: a systematic review. J Clin Child Adolesc Psychol. https://doi.org/10.1080/15374416.2022.2158839
Bleckmann C, Leyendecker B, Busch J (2022) Sexual and gender minorities facing the coronavirus pandemic: a systematic review of the distinctive psychosocial and health-related impact. J Homosex. https://doi.org/10.1080/00918369.2022.2074335
Dutta M, Agarwal D, Sivakami M (2020) The ‚invisible‘ among the marginalised: do gender and intersectionality matter in the Covid-19 response? Indian J Med Ethics V:1–14. https://doi.org/10.20529/IJME.2020.086
Liebig S, Goebel J, Grabka M et al (2022) Sozio-oekonomisches Panel, Daten der Jahre 1984–2020 (SOEP-Core, v37, EU Edition)
Andersen HH, Mühlbacher A, Nübling M, Schupp J, Wagner GG (2007) Computation of standard values for physical and mental health scale scores using the SOEP version of SF-12v2. SCHM 127:171–182. https://doi.org/10.3790/schm.127.1.171
Wirtz MA, Morfeld M, Glaesmer H, Brähler E (2018) Normierung des SF-12 Version 2.0 zur Messung der gesundheitsbezogenen Lebensqualität in einer deutschen bevölkerungsrepräsentativen Stichprobe. Diagnostica 64:215–226. https://doi.org/10.1026/0012-1924/a000205
James G, Witten D, Hastie T, Tibshirani R (2021) An introduction to statistical learning with applications in R, 2. Aufl. Springer Texts in Statistics. Springer, New York, NY
Breiman L (2001) randomForest: Breiman and cutler’s random forests for classification and regression. Mach Learn 45:5–32. https://doi.org/10.1023/A:1010933404324
Wright MN, Ziegler A (2017) ranger : a fast implementation of random forests for high dimensional data in C++ and R. J Stat Soft. https://doi.org/10.18637/jss.v077.i01
Wright DB (2006) Comparing groups in a before-after design: when t test and ANCOVA produce different results. Br J Educ Psychol 76:663–675. https://doi.org/10.1348/000709905X52210
Mayer M (2021) missRanger: fast imputation of missing values (R package, Version 2.1.3, Manual). https://cran.r-project.org/package=missRanger
Stekhoven DJ, Bühlmann P (2012) MissForest—non-parametric missing value imputation for mixed-type data. Bioinformatics 28:112–118. https://doi.org/10.1093/bioinformatics/btr597
Mena E, Bolte G (2019) Intersectionality-based quantitative health research and sex/gender sensitivity: a scoping review. Int J Equity Health 18:199. https://doi.org/10.1186/s12939-019-1098-8
Ahlheim M, Kim IW, Vuong DT (2022) The return of happiness—resilience in times of pandemic. Hohenheim discussion papers in business, economics and social sciences. https://wiso.uni-hohenheim.de/papers
Else-Quest NM, Hyde JS (2016) Intersectionality in quantitative psychological research: II. Methods and techniques. Psychol Women Q 40:319–336. https://doi.org/10.1177/0361684316647953
Wemrell M, Karlsson N, Vicente RP, Merlo J (2021) An intersectional analysis providing more precise information on inequities in self-rated health. Int J Equity Health. https://doi.org/10.21203/rs.3.rs-63475/v3
Brauns H, Steinmann S (1999) Educational reform in France, West-Germany and the United Kingdom: updating the CASMIN educational classification. Zuma Nachrichten 23(44):7–44. 44. https://nbn-resolving.org/urn:nbn:de:0168-ssoar-208169
WHO (2000) Obesity—preventing and managing the global epidemic. Report of a WHO consultation. WHO technical report series, Bd. 894. World Health Organization, Geneva. https://apps.who.int/iris/handle/10665/42330
Grabka MM (2022) SOEP-core v37—codebook for the $PEQUIV file 1984–2020: CNEF variables with extended income information for the SOEP (SOEP Survey Papers, 1082). https://www.diw.de/documents/publikationen/73/diw_01.c.836478.de/diw_ssp1082.pdf
Förderung
Die Auswertung ist Teil des von der Deutschen Forschungsgemeinschaft (DFG) unter der Nummer 458299140 geförderten Projektes „GaP RISK – Groups put at Particular Risk by COVID 19“.
Funding
Open Access funding enabled and organized by Projekt DEAL.
Author information
Authors and Affiliations
Corresponding author
Ethics declarations
Interessenkonflikt
E. Finne und O. Razum geben an, dass kein Interessenkonflikt besteht.
Für diesen Beitrag wurden von den Autor/-innen keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.
Supplementary Information
Rights and permissions
Open Access Dieser Artikel wird unter der Creative Commons Namensnennung 4.0 International Lizenz veröffentlicht, welche die Nutzung, Vervielfältigung, Bearbeitung, Verbreitung und Wiedergabe in jeglichem Medium und Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle ordnungsgemäß nennen, einen Link zur Creative Commons Lizenz beifügen und angeben, ob Änderungen vorgenommen wurden.
Die in diesem Artikel enthaltenen Bilder und sonstiges Drittmaterial unterliegen ebenfalls der genannten Creative Commons Lizenz, sofern sich aus der Abbildungslegende nichts anderes ergibt. Sofern das betreffende Material nicht unter der genannten Creative Commons Lizenz steht und die betreffende Handlung nicht nach gesetzlichen Vorschriften erlaubt ist, ist für die oben aufgeführten Weiterverwendungen des Materials die Einwilligung des jeweiligen Rechteinhabers einzuholen.
Weitere Details zur Lizenz entnehmen Sie bitte der Lizenzinformation auf http://creativecommons.org/licenses/by/4.0/deed.de.
About this article
Cite this article
Finne, E., Razum, O. Folgen der COVID-19-Pandemie: Gibt es Risikogruppen für ein verringertes subjektives Wohlbefinden nach dem ersten Lockdown?. Bundesgesundheitsbl 66, 824–834 (2023). https://doi.org/10.1007/s00103-023-03737-w
Received:
Accepted:
Published:
Issue Date:
DOI: https://doi.org/10.1007/s00103-023-03737-w