Die Ziele der Studie sind die Berechnung der Influenza-Impfquote bei Personen ab 60 Jahren, die Untersuchung räumlicher Variationen und die Identifizierung räumlicher Cluster sowie der regionalen Risikofaktoren für eine niedrige Impfquote.
Methoden
Als Datengrundlage dienten die bundesweiten vertragsärztlichen Abrechnungsdaten der Jahre 2022 und 2023. Die Studienpopulation bildeten 22.303.411 gesetzlich Versicherte ab 60 Jahren. Berechnet wurde die Influenza-Impfquote als Anteil geimpfter Versicherter in der Saison 2022/2023 an allen Versicherten mit Vertragsarztkontakt im Jahr 2022. Untersucht wurden die globale räumliche Autokorrelation, lokale Cluster sowie regionale Risikofaktoren für eine niedrige Impfquote mittels Global und Local Moran’s I sowie geografisch gewichteter Regression.
Ergebnisse
Die bundesweite Influenza-Impfquote betrug 37 %, auf Kreisebene variierte sie zwischen 10–61 %. Die globale Autokorrelation lag bei 0,87 (p < 0,0001). Lokal zeigten sich 2 stark ausgedehnte Cluster. Ein großes Cluster mit relativ hohen Impfquoten erstreckte sich über alle östlichen Bundesländer und Kreise im Südosten Niedersachsens, Schleswig-Holstein sowie Hamburg. Ein weiteres Cluster mit relativ niedrigen Impfquoten umfasste fast alle Kreise in Süddeutschland. Die Risikofaktoren für eine niedrige Impfquote waren Wohnkreis in Westdeutschland sowie in dünn besiedelten ländlichen Kreisen. Die Hausarztdichte wies einen positiven Zusammenhang mit der Impfquote auf. Die Zusammenhänge zwischen der Impfquote und den erklärenden Variablen zeigten regionale Variationen.
Diskussion
Die Identifizierung räumlicher Cluster sowie von Risikofaktoren für eine niedrige Impfquote kann als Grundlage für regional zugeschnittene Interventionsmaßnahmen zur Verbesserung der Impfinanspruchnahme dienen.
Der Verlag bleibt in Hinblick auf geografische Zuordnungen und Gebietsbezeichnungen in veröffentlichten Karten und Institutsadressen neutral.
Hintergrund
Es ist unbestritten, dass Impfungen zu den wirksamsten Präventionsmaßnahmen gegen viele Infektionskrankheiten gehören [1]. Aus primärpräventiver Sicht sind Impfungen insbesondere bei bestimmten Bevölkerungsgruppen von immenser Bedeutung, wie z. B. Menschen mit chronischen Grunderkrankungen oder älteren Personen, da diese deutlich anfälliger gegenüber Infektionskrankheiten sind und ein höheres Risiko aufweisen, schwerwiegende Folgen nach Infektionskrankheiten zu entwickeln [2]. Diese Folgen umfassen längere Krankheitsverläufe, häufigere Hospitalisierungen und eine erhöhte Mortalität [3]. Dies stellt nicht nur auf individueller Ebene eine große Belastung dar, sondern führt zu einer erhöhten Beanspruchung des Gesundheitssystems, was Ressourcenknappheit und höhere Gesamtkosten mit sich bringen kann. Impfungen tragen neben dem direkten Schutz der Geimpften zudem zur Reduktion der Krankheitslast in der Gesamtbevölkerung bei, indem sie die Verbreitung von Erregern eindämmen und damit vulnerable Gruppen auch indirekt schützen [4, 5].
Aus diesen Gründen empfiehlt die Ständige Impfkommission (STIKO) aktuell für Menschen im Alter von über 60 Jahren 4 Impfungen: gegen COVID-19, Influenza, Pneumokokken und Herpes Zoster [6]. Seit August 2024 empfiehlt die STIKO außerdem eine einmalige Impfung gegen respiratorische Synzytial-Viren (RSV) für Menschen ab einem Alter von 75 Jahren sowie Menschen im Alter von 60 bis 74 Jahren mit einer schweren Grunderkrankung [6]. Die Impfquoten sind jedoch in dieser Bevölkerungsgruppe auf einem niedrigen Niveau in Deutschland [7]. So ließen sich lediglich 38 % der Menschen ab 60 Jahren in der Saison 2023/2024 gegen Influenza impfen [7]. Noch geringer fiel die Impfquote für Pneumokokken im Jahr 2020 aus; lediglich 20 % der Menschen in Deutschland zwischen 60 und 69 Jahren hatten sich für die Impfung gegen Pneumokokken entschieden [7].
Anzeige
Die individuelle Impfinanspruchnahme ist das Ergebnis eines komplexen Entscheidungsprozesses und wird von vielen verschiedenen Faktoren beeinflusst [8]. Faktoren auf der Individualebene, wie z. B. persönliche Einstellungen gegenüber Impfungen, impf- oder erkrankungsspezifisches Wissen, Risikowahrnehmung [9], sowie verschiedene soziodemografische Faktoren wie sozioökonomischer Status spielen eine wichtige Rolle, wobei der sozioökonomische Status sowohl mit höheren als auch mit niedrigeren Impfquoten einhergehen kann und durch Wissen, Einstellungen und Risikowahrnehmung mediiert wird [10, 11]. Aber auch spezifische regionale Faktoren sind relevant – so kann es beispielsweise räumliche Cluster mit hohen oder niedrigen Impfquoten geben [12]. Dies zeigen Studienerkenntnisse zu regionalen Unterschieden in der Impfinanspruchnahme. Beobachtet wurden Unterschiede in verschiedenen geografischen Regionen in Deutschland. Die Impfquoten sind beispielsweise für einige Impfungen in den östlichen Bundesländern höher als in den westlichen [13]. Zwischen den Bundesländern bestehen ebenfalls deutliche Unterschiede [7]. Auch kleinräumige Variationen in den Impfquoten wurden beobachtet, z. B. für die Kinderimpfungen gegen Masern [14] oder humane Papillomviren (HPV; [15]) oder für Impfungen im Erwachsenenalter (Impfung gegen saisonale Influenza bei Schwangeren [16] oder bei Menschen mit chronischen Erkrankungen [17]). Erklärungen hierfür können regional unterschiedliche Versorgungsstrukturen sein, wie z. B. unterschiedliche Erreichbarkeit von impfenden Ärzt*innen. Aber auch regional wirksame gesundheitspolitische Maßnahmen könnten die Impfbereitschaft beeinflussen [18]. Regionale Faktoren der Impfinanspruchnahme auf Basis von bundesweiten Daten wurden bisher nicht untersucht. Es finden sich lediglich vereinzelte, regional begrenzte Studien, wie z. B. die Untersuchung der Inanspruchnahme der Masern-Mumps-Röteln-Impfung in Westfalen-Lippe [19].
Basierend auf einer Vollerfassung der Daten aller gesetzlich Krankenversicherten in Deutschland verfolgte die vorliegende Studie folgende Ziele: a) die Berechnung der Influenza-Impfquote bei Personen ab 60 Jahren, b) die Untersuchung räumlicher Variationen und die Identifizierung räumlicher Cluster am Beispiel der Influenza-Impfung und c) die Identifizierung von regionalen Risikofaktoren für eine niedrige Impfquote.
Methoden
Datengrundlage und Studienpopulation
Als Datengrundlage dienten die bundesweiten vertragsärztlichen Abrechnungsdaten für alle Versicherten der Gesetzlichen Krankenversicherung (GKV) in Deutschland, die mindestens einmal in den Jahren 2022 und 2023 eine vertragsärztliche Leistung in Anspruch genommen haben. Diese Daten werden gemäß § 295 Fünftes Sozialgesetzbuch (SGB V) erfasst. Die Abrechnungsdaten werden von den 17 Kassenärztlichen Vereinigungen (KV) bereitgestellt. Der Datenkörper umfasst alle von den Vertragsärzt*innen dokumentierten Diagnosen sowie alle abgerechneten kollektivvertraglichen Leistungen, zu denen auch Impfungen gehören, sofern sie aufgrund einer STIKO-Empfehlung in die Schutzimpfungs-Richtlinie und damit in den GKV-Leistungskatalog aufgenommen wurden. Der Datenkörper enthält keine Leistungen, die im Rahmen der Hausarztzentrierten Versorgung (HzV) erbracht wurden. Dies ist vor allem in Baden-Württemberg, Bayern und Westfallen-Lippe der Fall. Zusätzlich stehen Angaben zu Geschlecht, Alter und Wohnkreis der Versicherten zur Verfügung. Die Studienpopulation bildeten weibliche und männliche Versicherte ab 60 Jahren (N = 22.303.411).
Influenza-Impfung
Die STIKO empfiehlt die saisonale Influenza-Impfung für Menschen ab 60 Jahren, Personen, die einer Risikopopulation angehören oder solche Risikopersonen betreuen, sowie Schwangere [6]. Die ersten Impfungen gegen Influenza innerhalb einer Saison werden in der Regel im September durchgeführt. Die vertragsärztlichen Daten stehen auf Quartalsebene zur Verfügung. In der vorliegenden Studie werden Influenza-Impfungen berücksichtigt, die zwischen dem dritten Quartal des Jahres 2022 und dem ersten Quartal des Jahres 2023 abgerechnet wurden (d. h. Saison 2022/2023, Abrechnungen zwischen Juli 2022 und März 2023; [20]). Die in diesen 3 Quartalen durchgeführten Impfungen gegen die saisonale Influenza wurden anhand der KV-spezifischen Abrechnungspositionen identifiziert, die weitgehend den Dokumentationsziffern der Schutzimpfungs-Richtlinie des Gemeinsamen Bundesausschusses (G-BA) entsprechen [21]. Die im zweiten Quartal des Jahres 2023 abgerechneten Impfungen werden in dieser Analyse nicht berücksichtigt, da die vorangegangene Influenzasaison in den Monaten April bis Juni weitgehend abgeschlossen war. Berechnet wurde die Impfquote als Anteil der Versicherten in der Altersgruppe ab 60 Jahren, bei dem in den 3 genannten Quartalen eine Influenza-Impfung abgerechnet wurde, an allen Versicherten dieser Altersgruppe im Jahr 2022. Aufgrund der abweichenden Kriterien für die Zusammensetzung der Studienpopulation wurde die Influenza-Impfquote entsprechend der für diese Studie spezifizierten Charakteristika berechnet und weist leichte Abweichungen von der vom Robert Koch-Institut (RKI) berichteten Impfquote auf [7].
Anzeige
Statistische Auswertung
Untersuchung globaler Autokorrelation und Identifizierung lokaler räumlicher Cluster.
Das Vorhandensein einer räumlichen Autokorrelation bei der Inanspruchnahme von Influenza-Impfungen in der Altersgruppe ab 60 Jahren (d. h. Impfquote) wurde mittels Global Moran’s I mit einer reihenstandardisierten Raumgewichtungsmatrix untersucht [22]. Für die Erstellung der räumlichen Gewichtungsmatrix wurde die Queen-Contiguity-Methode verwendet. Diese Methode wird meist als Default-Methode für polygonale Daten empfohlen, die unterschiedliche Flächengrößen aufweisen [23]. Dies ist der Fall in Deutschland, wo die Kreisfläche stark zwischen ca. 36 km2 (Stadt Schweinfurt) und 5470 km2 (Mecklenburgische Seenplatte) variiert. Die Werte für Global Moran’s I können zwischen −1 und 1 liegen und werden wie andere Korrelationskoeffizienten interpretiert: Ein Wert nahe 1 weist auf eine starke positive räumliche Autokorrelation hin, was bedeutet, dass sich benachbarte Regionen hinsichtlich der untersuchten Variable ähneln, während ein Wert nahe −1 zeigt, dass sich benachbarte Regionen eher unähnlich sind. Ein Wert um 0 signalisiert das Fehlen einer Autokorrelation und lässt zufällige Verteilungen über den Raum annehmen.
Als nächster Schritt wurde das Local Moran’s I (Local Indicators of Spatial Association, LISA) angewandt, um lokale räumliche Cluster zu identifizieren [24]. Dabei können die einzelnen Regionen in 4 verschiedene Clustertypen eingeteilt werden:
a)
Regionen mit hohen Impfquoten, die von Regionen mit ähnlich hohen Impfquoten umgeben sind (Clustertyp „hoch-hoch“),
b)
Regionen mit niedrigen Impfquoten, die an Regionen mit ähnlich niedrigen Impfquoten angrenzen (Clustertyp „niedrig-niedrig“),
c)
Regionen mit einer hohen Impfquote, die von Regionen mit niedrigen Impfquoten umgeben sind (Clustertyp „hoch-niedrig“) oder
d)
Regionen mit einer niedrigen Impfquote, die an Regionen mit einer hohen Impfquote angrenzen (Clustertyp „niedrig-hoch“).
Aus der räumlichen Auftretenshäufigkeit der Regionen mit bestimmten Typzugehörigkeiten können anschließend Rückschlüsse auf Cluster gezogen werden. Die räumliche Autokorrelation sowie die Untersuchung lokaler räumlicher Cluster wurden mit dem R‑Paket „spdep“, Version 1.2–8 [25], durchgeführt.
Untersuchung regionaler Indikatoren.
Die abhängige Variable für die regressionsanalytische Untersuchung war die Inanspruchnahme von Influenza-Impfungen auf Kreisebene (d. h. Influenza-Impfquote). Folgende erklärende Variablen aus dem INKAR-Datensatz (Indikatoren und Karten zur Raum- und Stadtentwicklung, [26]) wurden untersucht: Anzahl der Hausärzt*innen pro 10.000 Einwohner*innen (d. h. Hausarztdichte), wohnungsnahe hausärztliche Grundversorgung in Metern (d. h. Entfernung zum(r) nächsten Hausarzt*in), Anteil der ausländischen Bevölkerung an den Einwohner*innen in Prozent, Anteil der Schulabgänger*innen ohne Schulabschluss an den Schulabgänger*innen in Prozent, durchschnittliches Haushaltseinkommen in Euro je Einwohner*in und Anteil der Arbeitslosen an den zivilen Erwerbspersonen in Prozent. Zusätzlich wurden 2 kategoriale Variablen als Dummy-Variablen ins Modell aufgenommen: a) Ost-(einschließlich Berlin)-West-Kreise sowie b) 4 siedlungsstrukturelle Kreistypen gemäß Bundesinstitut für Bau‑, Stadt- und Raumforschung ([27]; kreisfreie Großstädte, städtische Kreise, ländliche Kreise mit Verdichtungsansätzen und dünn besiedelte ländliche Kreise). Die Auswahl der zu untersuchenden erklärenden Variablen basierte auf theoretischen Überlegungen sowie bisher bekanntem Wissen über Risikofaktoren der unzureichenden Impfinanspruchnahme [13, 28, 29]. Die genaue Beschreibung der erklärenden Variablen sowie deren geografische Verteilung sind im Onlinematerial zu sehen (Tabelle A1 und Abbildung A1). Die Untersuchungseinheit aller eingeschlossenen Variablen bildeten die 401 Kreise gemäß der administrativen Struktur zum 31.12.2016. Die regionale Verteilung dieser Variablen ist im Onlinematerial abrufbar. Die Variablen aus dem INKAR-Datensatz stammen aus den Jahren 2021 und 2022. Da anzunehmen ist, dass kreisstrukturelle Faktoren sich zeitlich langfristiger entwickeln und beständiger sind als die jährliche Impfquote, werden die in dieser Arbeit untersuchten Kreisindikatoren trotz des ökologischen Designs als regionale Risikofaktoren bezeichnet.
Zunächst wurden alle definierten Risikofaktoren auf Kreisebene sowohl univariabel als auch multivariabel mittels globaler linearer Regression auf ihren Zusammenhang mit der Influenza-Impfquote untersucht. Alle Variablen, die im multivariablen Modell statistisch signifikant mit der Impfquote assoziiert waren, wurden im nächsten Schritt auf Multikollinearität mittels Variance Inflation Factor (VIF) überprüft. Anschließend wurden sie in die geografisch gewichtete Regressionsanalyse (GWR) aufgenommen [30]. Die GWR ist eine Art lokale Version der globalen linearen Regression und ermöglicht, für jedes räumliche Gebiet eine eigene lokal angepasste Regressionsgleichung zu erstellen. Die Gewichtung der benachbarten Kreise erfolgt durch eine adaptive Kernel-Funktion, die die Entfernung zwischen den Kreisen und die Anzahl der Kreise berücksichtigt. Näher gelegene benachbarte Kreise werden im Modell stärker gewichtet als weiter entfernte Kreise. Die GWR-Analyse wurde mit dem R‑Paket „spgwr“, Version 06–37 [31], durchgeführt. Das Signifikanzniveau wurde auf 5 % festgelegt, aufgrund des explorativen Vorgehens erfolgte keine Korrektur für multiples Testen [32]. Zudem gehen die klassischen Korrekturverfahren wie Bonferroni von unabhängigen Tests aus, welche bei räumlichen Daten mit benachbarten Regionen meist nicht gegeben sind. Die statistische Auswertung erfolgte mit R, Version 4.3.1.
Ergebnisse
Impfquote, räumliche Autokorrelation und Cluster
Die bundesweite Influenza-Impfquote unter den GKV-Versicherten ab 60 Jahren in der Saison 2022/2023 lag bei 37 %. Die Impfquote war höher in den östlichen Bundesländern (50 %) sowie in Berlin (46 %) im Vergleich zu den westlichen Bundesländern (33 %). Auf Kreisebene variierte die Impfquote um den Faktor 6 zwischen 10 % im Kreis Schwäbisch Hall (Baden-Württemberg) und 61 % in Magdeburg (Sachsen-Anhalt; Abb. 1a).
Abb. 1
Kreisspezifische Influenza-Impfquoten (a) und räumliche Cluster mit hohen und niedrigen Influenza-Impfquoten (b)a. (a Räumliche Cluster des Typs „hoch-hoch“ (grün) und „niedrig-niedrig“ (gelb) wurden anhand eines LISA-Modells (Local Moran’s I) identifiziert [24]. 401 Kreise gemäß administrativer Struktur zum 31.12.2016). LISA Local Indicators of Spatial Association
Die globale Autokorrelation lag bei 0,87 (Global Moran’s I, p < 0,0001), was darauf hindeutet, dass sich benachbarte Regionen hinsichtlich ihrer Impfquoten tendenziell ähneln. Lokal zeigten sich 2 stark ausgedehnte Cluster des Typs „hoch-hoch“ und „niedrig-niedrig“. Ein großes Cluster mit relativ hohen Impfquoten erstreckte sich über die östlichen Bundesländer mit allen Kreisen in Mecklenburg-Vorpommern und nahezu allen Kreisen in Sachsen-Anhalt und Brandenburg sowie Berlin. Zusätzlich gehörten zu diesem Cluster Kreise im Südosten Niedersachsens, in Schleswig-Holstein sowie in Hamburg (Abb. 1b). Der Clustertyp „niedrig-niedrig“ umfasste die meisten Kreise im Süden Deutschlands.
Globale und lokale Risikofaktoren für eine niedrige Influenza-Impfquote
Im globalen multivariablen linearen Modell waren 6 Variablen statistisch signifikant mit der Impfquote assoziiert (Tab. 1). Die VIF-Werte für alle 6 Variablen lagen unter 3,50 und deuten damit auf leichte, aber unproblematische Multikollinearität hin (Tab. 1). Den stärksten Zusammenhang mit der Impfquote zeigte die Variable „Ost-West“; in den östlichen Kreisen war die Influenza-Impfquote um knapp 10 % höher als in den westlichen Kreisen. Weiterhin war die Impfquote um 3 % niedriger in dünn besiedelten ländlichen Kreisen im Vergleich zu kreisfreien Großstädten. Eine höhere Hausarztdichte war mit einer höheren Influenza-Impfquote assoziiert, jede zusätzliche Hausärztin bzw. jeder zusätzliche Hausarzt erhöhte die Impfquote um 1,2 %. Ein positiver Zusammenhang war auch für Arbeitslosenquote zu verzeichnen; mit einem Anstieg der Arbeitslosenquote um 1 % stieg die Impfquote um 2,57 %. Ein höherer Anteil ausländischer Personen hing mit geringeren Impfquoten zusammen; hier sank die Impfquote um 0,72 % mit einem Anstieg des Ausländeranteils um 1 %. Das Modell mit allen untersuchten Variablen erklärte 52 % der regionalen Unterschiede bei den Impfquoten.
Tab. 1
Zusammenhänge zwischen Influenza-Impfquoten und erklärenden Variablen auf Kreisebene – Ergebnisse der globalen linearen Regression sowie der lokalen geografisch gewichteten Regression (GWR)
Variablen
Mittelwert (SD) oder n
Univariable lineare Regression
Multivariable lineare Regressiona
Multivariable geografisch gewichtete Regressionb
Regressionskoeffizient
P-Wert
Regressionskoeffizient
P-Wert
VIF
1. Quintil
Median
3. Quintil
Anzahl der Hausärzt*innen je 10.000 Einwohner*innen
6,2 (0,6)
3,648
< 0,0001
1,234
0,032
1,10
0,691
1,870
2,770
Ausländeranteil an den Einwohner*innen, %
12,9 (5,6)
−0,698
< 0,0001
−0,725
< 0,0001
2,34
−0,331
−0,117
0,019
Anteil der Schulabgänger*innen ohne Abschluss, %
7,1 (2,5)
1,792
< 0,0001
−0,053
0,759
1,61
–
–
–
Haushaltseinkommen in € je Einwohner*innen
2012 (194)
−0,024
< 0,0001
0,006
0,021
2,06
0,002
0,007
0,012
Arbeitslosenquote, %
5,2 (2,2)
2,445
< 0,0001
2,575
< 0,0001
2,49
0,174
1,396
2,594
Entfernung zum(r) nächsten Hausarzt*in, Meter
1155 (583)
0,001
0,168
–
–
–
–
–
–
Regionc
Östliche Kreise, einschließlich Berlin, n
77
17,077
< 0,0001
9,815
< 0,0001
1,83
5,141
9,196
14,673
Westliche Kreise, n
324
Referenz
–
Referenz
–
–
Referenz
Referenz
Referenz
Kreistypc
Dünn besiedelte ländliche Kreise, n
100
−0,203
0,902
−3,010
0,036
3,41
−2,740
−1,206
1,249
Ländliche Kreise mit Verdichtungsansätzen, n
101
−1,557
0,345
−1,948
0,159
3,19
–
–
–
Städtische Kreise, n
134
−4,835
0,002
−1,298
0,302
3,10
–
–
–
Kreisfreie Großstädte, n
66
Referenz
–
Referenz
–
–
Referenz
Referenz
Referenz
Adjustiertes R‑Quadrat (R2)
–
–
–
0,52 (0,60d)
–
–
–
0,91
–
Akaike’s Information Criterion (AIC)
–
–
–
2690(2686d)
–
–
–
2155
–
Beispielinterpretation (multivariable lineare Regression): Jeder zusätzliche Hausarzt bzw. jede zusätzliche Hausärztin ist mit einer 1,2 % höheren Impfquote assoziiert. Mit einer Zunahme des Ausländeranteils um 1 % sinkt die Impfquote um 0,7 %. Das Modell erklärt 52 % der regionalen Variation in der Influenza-Impfquote auf Kreisebene (R-Quadrat)
Beispielinterpretation (multivariable geografisch gewichtete Regression): Die Stärke der Zusammenhänge zwischen der Impfquote und den erklärenden Variablen weist regionale Variationen auf. Beispielsweise liegt der Regressionskoeffizient für Anzahl der Hausärzt*innen zwischen 0,691 (1. Quintil) und 2,770 (3. Quintil) mit Median von 1,870 je nach Kreis. Mit anderen Worten: Jeder zusätzliche Hausarzt bzw. jede zusätzliche Hausärztin ist in manchen Kreisen mit 0,69 % höherer Impfquote assoziiert, während in anderen Kreisen dieser Wert deutlich höher ist (2,77 %)
a Verallgemeinertes lineares Modell adjustiert für alle Variablen in der Tabelle
b Geografisch gewichtetes Modell adjustiert für die Variablen, die im verallgemeinerten linearen Modell statistisch signifikant assoziiert waren, d. h. Hausärztezahl, Ausländeranteil, Haushaltseinkommen, Arbeitslosenquote, Region und Kreistyp (dünn besiedelte ländliche Kreise vs. kreisfreie Großstädte)
c Die kategorialen Variablen wurden in das Modell als Dummy-Variablen eingeschlossen
d Der AIC-Wert in den Klammern steht für das Modell mit den Variablen, die im geografisch gewichteten Modell untersucht wurden, um die Vergleichbarkeit der AIC-Werte zu gewährleisten
Die Stärke der Zusammenhänge zwischen der Impfquote und den erklärenden Variablen wies regionale Unterschiede auf (Tab. 1 und Abb. 2). Zudem zeigte das lokale GWR-Modell eine bessere Modellgüte (Tab. 1, AIC-Werte). Außerdem erhöhte sich die durch die untersuchten Variablen erklärte Varianz auf 91 %. Der positive Zusammenhang zwischen der Impfquote und der Hausarztdichte war im Süden von Baden-Württemberg, im Südwesten von Niedersachsen, im Norden von Hessen und in Westfalen-Lippe am stärksten ausgeprägt. Der Anteil der ausländischen Bevölkerung hatte die stärksten negativen Zusammenhänge mit der Impfquote im Nordwesten von Baden-Württemberg und in Teilen von Nordhessen, Südniedersachsen und im Nordwesten von Thüringen. Positive Zusammenhänge mit dem Anteil der ausländischen Bevölkerung wurden ebenfalls beobachtet, wie z. B. im Westen von Niedersachsen oder in Teilen von Nordrhein-Westfalen (Abb. 2).
Abb. 2
Kreisspezifische Regressionskoeffizienten der erklärenden Variablen im Zusammenhang mit den Influenza-Impfquoten – Ergebnisse der multivariablen geografisch gewichteten Regressionsanalyse (GWR)a. a Hausärzt*innen, b Ausländeranteil, c Haushaltseinkommen, d Arbeitslosenquote. (a Geografisch gewichtetes Modell adjustiert für alle Variablen in der Abbildung sowie Region (Ost vs. West) und siedlungsstruktureller Kreistyp (dünn besiedelte ländliche Kreise vs. kreisfreie Großstädte; Tab. 1). 401 Kreise gemäß administrativer Struktur zum 31.12.2016)
Diese Studie hatte neben der Ermittlung der Influenza-Impfquote zum Ziel, räumliche Muster in der Inanspruchnahme von Impfungen zu analysieren und potenzielle Einflussfaktoren zu identifizieren. Dabei wurde insbesondere untersucht, inwiefern soziodemografische und strukturelle Merkmale mit der Impfquote in Zusammenhang stehen. Die hier errechnete Impfquote von 37 % für Personen ab 60 Jahren entspricht den in der Literatur berichteten Werten [7], was die Validität unserer Ergebnisse bestätigt und die methodische Robustheit unterstreicht.
Anzeige
Die Analyse der räumlichen Cluster zeigt, dass sich innerhalb Deutschlands benachbarte Regionen hinsichtlich ihrer Impfquote tendenziell ähneln. Hierbei gibt es 2 ausgeprägte räumliche Cluster. Zum einen zeigte sich ein „Hoch-hoch“-Cluster in Ostdeutschland, aber auch in benachbarten westlichen Kreisen (z. B. Ostniedersachsen und im östlichen Teil von Schleswig-Holstein). Die höhere Influenza-Impfquote in Ostdeutschland im Vergleich zu Westdeutschland ist kein neuer Befund und wurde bereits bei einigen anderen Impfungen sowohl bei Kindern und Jugendlichen (z. B. gegen HPV [15]) als auch bei Erwachsenen (z. B. gegen Pneumokokken [33] oder Diphtherie-Tetanus-Pertussis [13]) beobachtet. Ein Teil der Ost-West-Unterschiede bei der Influenza-Impfquote wurde durch die untersuchten Variablen erklärt. Während die Impfquote in der univariablen Analyse in Ostdeutschland um 17 Prozentpunkte höher war als in Westdeutschland, verringerte sich der Unterschied auf knapp 10 Prozentpunkte nach der Kontrolle für weitere Variablen, der Unterschied blieb jedoch statistisch signifikant. Die im Vergleich zu Westdeutschland etwas höhere Impfinanspruchnahme in Ostdeutschland könnte auf eine höhere Impfakzeptanz in der Bevölkerung zurückzuführen sein. In der ehemaligen DDR hatten präventivmedizinische Maßnahmen eine hohe Relevanz [34], was die auch heute noch vergleichsweise hohen Influenza-Impfquoten der älteren Bevölkerung begünstigen könnte.
Zum anderen fand sich ein „Niedrig-niedrig“-Cluster in Süddeutschland, was durch eine stärkere Impfzurückhaltung beeinflusst sein könnte, die in einigen Bevölkerungsgruppen verbreitet ist. Manche Studien zeigen, dass gerade in wohlhabenderen Regionen mit höherem durchschnittlichen Bildungsniveau teilweise eine höhere Impfskepsis besteht [11]. Es ist jedoch nicht auszuschließen, dass bestimmte regionale Besonderheiten in der ambulanten Versorgung zum Unterschied der Impfquoten beitragen können. Das Vorhandensein von Selektivverträgen, die vor allem in Baden-Württemberg und Bayern verbreitet sind, könnte beispielsweise Teile der regionalen Unterschiede erklären (siehe Abschnitt „Stärken und Limitationen“).
Für die genauere Betrachtung dieser regionalen Unterschiede sind Analysen zu regionalen Risikofaktoren für eine niedrige Impfquote hilfreich. So spielen vermutlich auch strukturelle Barrieren, wie die Verfügbarkeit von impfenden Ärzt*innen oder Impfstoffen, die Entfernung zur nächsten Impfstelle und verfügbare Impfangebote, eine Rolle [18]. Unsere Studie zeigt, dass in ländlichen Regionen mit einer geringeren Hausarztdichte die Inanspruchnahme von Impfungen niedriger ausfällt, während in urbanen Gebieten mit gut ausgebauten Gesundheitsangeboten die Impfquoten höher sind. Bis zu 90 % aller Impfungen in Deutschland werden von niedergelassenen Ärzt*innen durchgeführt. Der überwiegende Anteil davon findet wiederum in Hausarztpraxen statt. In einer früheren Untersuchung haben wir gezeigt, dass etwa 90 % aller Influenza-Impfungen von Hausärzt*innen durchgeführt werden [35]. Wenig überraschend ist daher der Befund zum positiven Zusammenhang zwischen der Impfquote und der Hausarztdichte.
Neben diesen strukturellen Faktoren spielen regional variierende soziodemografische Faktoren, wie beispielsweise die demografische Zusammensetzung der Bevölkerung und daraus resultierende Barrieren (z. B. Sprachbarrieren), ebenfalls eine wichtige Rolle [18]. Insgesamt 3 soziodemografische Variablen zeigten in unserer Analyse einen signifikanten Zusammenhang mit der Impfquote: Ausländeranteil, Arbeitslosenquote und Haushaltseinkommen. Ein möglicher Erklärungsansatz für den negativen Zusammenhang zwischen dem Ausländeranteil und der Impfquote kann möglicherweise durch Sprachbarrieren in dieser Bevölkerungsgruppe erklärt werden, die vor allem bei älteren Menschen mit Migrationsgeschichte vorliegen [36, 37]. In anderen Studien zeigen Personen mit Migrationshintergrund eine geringere Inanspruchnahme niedergelassener Ärzt*innen insgesamt, was sich ebenfalls in den niedrigeren Impfquoten widerspiegeln könnte [38]. Der positive Zusammenhang zwischen der regionalen Arbeitslosen- und Impfquote ist zunächst nicht eindeutig zu interpretieren. Möglich wäre es, dass in Regionen mit höherer Arbeitslosenquote auch die Krankheitslast insgesamt erhöht ist, was eine häufigere Inanspruchnahme ambulanter Versorgungsstrukturen mit sich bringen könnte. Dieser erhöhte Kontakt zu Ärzt*innen könnte zur Folge haben, dass mehr Menschen mit Impfangeboten konfrontiert sind und sich daher auch impfen lassen. Weiterhin können auch soziale Normen und Netzwerke einen Einfluss auf das Impfverhalten haben. In Regionen mit einer hohen Akzeptanz von Impfungen steigt die Wahrscheinlichkeit, dass sich Einzelpersonen impfen lassen, da Impfungen als soziale Norm wahrgenommen werden. Umgekehrt können in Regionen mit einer stärkeren impfkritischen Haltung, verstärkt durch soziale Medien oder lokale Gruppendynamiken, niedrigere Impfquoten beobachtet werden [39]. Leider stehen Daten zur Akzeptanz von Impfungen auf regionaler Ebene nicht zur Verfügung.
Anzeige
Stärken und Limitationen
Es handelt sich um eine Vollerfassung aller GKV-Versicherten mit vertragsärztlicher Leistungsinanspruchnahme in Deutschland, die knapp 90 % der Wohnbevölkerung ausmacht. Aus diesem Grund gehen wir von einer hohen Repräsentativität der Studienpopulation aus. Zu den Limitationen der Studie gehört eine mögliche Unterschätzung der Impfquote in einigen Regionen Deutschlands, in denen Selektivverträge im Rahmen der HzV angeboten werden. Die dort erbrachten Leistungen werden nicht über das KV-System abgerechnet und sind somit in unserem Datenkörper nicht enthalten. Bundesweit nehmen knapp 10 Mio. Personen an der HzV teil. Regionale Daten zur Anzahl der Personen, die im Rahmen der HzV versorgt werden, existieren nicht. Im Onlinematerial stellen wir eine Übersicht über die Anzahl der Kassen mit bestehenden HzV-Verträgen nach 17 KV-Bereichen (Abbildung A2).
Manche berufstätige GKV-Versicherte über 60 Jahren werden im Rahmen einer arbeitsmedizinischen Maßnahme betriebsärztlich gegen Influenza geimpft. Diese Impfungen fehlen ebenfalls in unserem Datenkörper. Der Datenkörper enthält keine Daten zu Privatversicherten, die etwa 11 % der deutschen Bevölkerung ausmachen. Die Impfinanspruchnahme in dieser Bevölkerungsgruppe ist weitgehend unbekannt.
Eine weitere Limitation der Studie sind der ökologische Ansatz und ein daraus möglicherweise resultierender ökologischer Fehlschluss der Untersuchung regionaler Risikofaktoren für eine niedrige Impfquote. Die dargestellten Assoziationen basieren auf einer Analyse von auf Kreisebene aggregierten Daten und können somit nicht als ursächliche Zusammenhänge auf individueller Ebene interpretiert werden. Vielmehr handelt es sich um eine explorativ-deskriptive Analyse. In bestimmten Fällen (z. B. bei hoher Multikollinearität der erklärenden Variablen) kann die GWR-Analyse zu Scheinkorrelationen führen. Ebenfalls besteht die Gefahr einer Überanpassung des Modells beim Einschluss von mehreren erklärenden Variablen. Weiterhin können sich die Ergebnisse je nach gewählter räumlicher Aggregationsebene (z. B. Kreise, Gemeinde, Postleitzahl) unterscheiden. Die kleinräumigeren Analysen der Impfinanspruchnahme bieten detailliertere Ergebnisse, sind jedoch aufgrund der aktuellen Datenschutzbestimmungen auf Bundesebene nicht möglich.
Fazit
Die Ergebnisse der vorliegenden Studie liefern wichtige Hinweise darauf, dass regionale Faktoren die Impfakzeptanz und -beteiligung beeinflussen können. Die Identifizierung räumlicher Cluster sowie von Risikofaktoren für eine niedrige Impfquote kann als zusätzliche Grundlage für regional zugeschnittene Interventionsmaßnahmen zur Verbesserung der Impfinanspruchnahme dienen. Aus den Befunden lassen sich gezielte Empfehlungen ableiten, um Impfstrategien in bestimmten Bevölkerungsgruppen oder Regionen zu optimieren. Bemerkenswert ist die Tatsache, dass die untersuchten Variablen 91 % der regionalen Unterschiede bei der Influenza-Impfquote erklärt haben.
Anzeige
Danksagung
Wir danken allen 17 Kassenärztlichen Vereinigungen für die Bereitstellung der vertragsärztlichen Abrechnungsdaten.
Einhaltung ethischer Richtlinien
Interessenkonflikt
M.K. Akmatov, C. Kohring, J. Holstiege und D. Müller geben an, dass kein Interessenkonflikt besteht.
Die Verwendung von den vertragsärztlichen Abrechnungsdaten für die wissenschaftliche Forschung ist in Deutschland durch das Sozialgesetzbuch V geregelt. Eine Genehmigung von der zuständigen Ethik-Kommission sowie eine Einverständniserklärung von beteiligten Patient*innen sind nicht erforderlich, da in dieser Studie routinemäßig erhobene, anonymisierte Daten verwendet wurden. Die Studie wurde im Einklang mit der Deklaration von Helsinki in ihrer aktuellen, überarbeiteten Fassung (75. WMA-Generalversammlung, Helsinki, Finnland, Oktober 2024) durchgeführt.
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.
Hinweis des Verlags
Der Verlag bleibt in Hinblick auf geografische Zuordnungen und Gebietsbezeichnungen in veröffentlichten Karten und Institutsadressen neutral.
Kwok CS, Will M, Moertl D, Qureshi AI, Borovac JA (2023) The influence of diagnoses of specific viral infections on in-hospital mortality, length of stay and cost in patients admitted to hospital with a diagnosis of Myocarditis: an analysis of the national inpatient sample. Rev Cardiovasc Med 24(7):206CrossRefPubMedPubMedCentral
4.
Rashid H, Khandaker G, Booy R (2012) Vaccination and herd immunity: what more do we know? Curr Opin Infect Dis 25(3):243–249CrossRefPubMed
5.
Plans-Rubió P (2012) The vaccination coverage required to establish herd immunity against influenza viruses. Prev Med 55(1):72–77CrossRefPubMed
6.
Ständige Impfkommission (2025) Empfehlungen der Ständigen Impfkommission beim Robert Koch-Institut 2025. Epidemiol Bull 4:1–75
7.
Rieck T, Steffen A, Feig M, Rau C (2024) Impfquoten in Deutschland – aktuelle Ergebnisse aus dem RKI-Impfquotenmonitoring. Epidemiol Bull 50:3–10
8.
Larson HJ, Jarrett C, Eckersberger E, Smith DM, Paterson P (2014) Understanding vaccine hesitancy around vaccines and vaccination from a global perspective: a systematic review of published literature, 2007–2012. Vaccine 32(19):2150–2159CrossRefPubMed
9.
Akmatov MK, Rubsamen N, Deyneko IV, Karch A, Mikolajczyk RT (2018) Poor knowledge of vaccination recommendations and negative attitudes towards vaccinations are independently associated with poor vaccination uptake among adults—Findings of a population-based panel study in Lower Saxony, Germany. Vaccine 36(18):2417–2426CrossRefPubMed
10.
Bocquier A, Ward J, Raude J, Peretti-Watel P, Verger P (2017) Socioeconomic differences in childhood vaccination in developed countries: a systematic review of quantitative studies. Expert Rev Vaccines 16(11):1107–1118CrossRefPubMed
11.
Carpiano RM, Polonijo AN, Gilbert N, Cantin L, Dube E (2019) Socioeconomic status differences in parental immunization attitudes and child immunization in Canada: Findings from the 2013 Childhood National Immunization Coverage Survey (CNICS). Prev Med 123:278–287CrossRefPubMed
12.
Völker S (2020) Geografische Cluster der Unterimmunisierung gegen Influenza bei über 60-Jährigen am Beispiel Westfalen-Lippe. Gesundheitswesen 82(05):413–421CrossRefPubMed
13.
Poethko-Müller C, Schmitz R (2013) Vaccination coverage in German adults: results of the German Health Interview and Examination Survey for Adults (DEGS1). Bundesgesundheitsbl 56(5–6):845–857CrossRef
14.
Goffrier B, Schulz M, Bätzing-Feigenbaum J (2016) Maserngrundimmunisierung gemäß STIKO-Empfehlungen nach Geburtsjahrgängen anhand vertragsärztlicher Abrechnungsdaten von 2009 bis 2014. Versorgungsatlas-Bericht Nr. 16/07. Zentralinstitut für die kassenärztliche Versorgung in Deutschland (Zi), Berlin https://doi.org/10.20364/VA-16.07CrossRef
15.
Rieck T, Feig M, Wichmann O (2016) HPV-Impfquoten 12- bis 17-jähriger Mädchen im Regionalvergleich: Eine Sekundärdatenanalyse aus der KV-Impfsurveillance (Datenstand 2013). Versorgungsatlas-Bericht Nr. 16/01. Zentralinstitut für die kassenärztliche Versorgung in Deutschland (Zi), Berlin https://doi.org/10.20364/VA-16.01CrossRef
16.
Bätzing-Feigenbaum J, Schulz M, Dammertz L, Goffrier B (2017) Impfung gegen saisonale Influenza in der Schwangerschaft gemäß STIKO-Empfehlung – Analyse anhand von Schwangerschaftskohorten 2010 bis 2014. Versorgungsatlas-Bericht Nr. 17/06. Zentralinstitut für die kassenärztliche Versorgung in Deutschland (Zi), Berlin https://doi.org/10.20364/VA-17.06CrossRef
17.
Akmatov MK, Holstiege J, Steffen A, Bätzing J (2020) Inanspruchnahme von Influenzaimpfungen bei chronisch kranken Personen im vertragsärztlichen Sektor – Auswertung der Abrechnungsdaten für den Zeitraum 2009 bis 2018. Versorgungsatlas-Bericht Nr. 20/03. Zentralinstitut für die kassenärztliche Versorgung in Deutschland (Zi), Berlin https://doi.org/10.20364/VA-20.03CrossRef
18.
Betsch C, Schmid P, Heinemeier D, Korn L, Holtmann C, Bohm R (2018) Beyond confidence: development of a measure assessing the 5C psychological antecedents of vaccination. PLoS ONE 13(12):e208601CrossRefPubMedPubMedCentral
19.
Volker S, Hammerschmidt R, Spura A (2021) Geographic analyses as a foundation for evidence-based public health interventions: the example identification and typology of risk clusters for mumps, measles, and rubella. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz 64(5):600–609PubMedPubMedCentral
20.
Akmatov MK, Holstiege J, Steffen A, Batzing J (2021) Utilization of influenza vaccination among chronically ill individuals in Germany: a nationwide claims-based analysis. Vaccine 39(6):952–960CrossRefPubMed
21.
Gemeinsamer Bundesausschuss (G-BA). (2025) Richtlinie des Gemeinsamen Bundesausschusses über Schutzimpfungen nach § 20i Abs. 1 SGB V (Schutzimpfungs-Richtlinie/SI-RL) in der Fassung vom 21. Juni 2007/ 18. Oktober 2007 veröffentlicht im Bundesanzeiger 2007, Nr. 224 (S. 8 154); zuletzt geändert am 19. Dezember 2024 veröffentlicht im Bundesanzeiger (BAnz AT 4. Febr. 2025 B3) in Kraft getreten am 05. Februar 2025. Berlin. https://www.g-ba.de/informationen/richtlinien/60/. Zugegriffen: 1. April 2025
22.
Moran P (1948) The interpretation of statistical maps. Jr Stat Soc Series B Stat Methodol 10(2):243–251CrossRef
BBSR (2025) INKAR – Indikatoren und Karten zur Raum- und Stadtentwicklung. Bundesinstitut für Bau‑, Stadt- und Raumforschung (BBSR), Bonn (https://www.inkar.de/. Zugegriffen: 1. April 2025)
Goje O, Kapoor A (2024) Meeting the challenge of vaccine hesitancy. Cleve Clin J Med 91(9 suppl 1):S50–S56CrossRefPubMed
29.
Dingoyan D, Metzner F, Usko N, Krause N, Kofahl C (2022) Inanspruchnahme von gesundheitsfördernden und präventiven Angeboten für Menschen mit Migrationshintergrund. Eine qualitative Studie mit Fachkräften von Migrant:innenselbstorganisationen. Präv Gesundheitsf 17:409–415CrossRef
30.
Brunsdon C, Fotheringham A, Charlton M (1996) Geographically weighted regression: a method for exploring spatial nonstationarity. Geogr Anal 28(4):281–298CrossRef
Victor A, Elsasser A, Hommel G, Blettner M (2010) Judging a plethora of p‑values: how to contend with the problem of multiple testing—part 10 of a series on evaluation of scientific publications. Dtsch Ärztebl Int 107(4):50–56PubMedPubMedCentral
33.
Rieck T, Steffen A, Feig M, Siedler A (2022) Impfquoten bei Erwachsenen in Deutschland – aktuelles aus der KV-Impfsurveillance. Epidemiol Bull 49:3–23
34.
Lynek J (2016) Gesundheitsvorsorge in der DDR zwischen Propaganda und Praxis. Franz SteinerCrossRef
35.
Akmatov M, Holstiege J, Steffen A, Bätzing J (2020) Inanspruchnahme von Influenzaimpfungen bei chronisch kranken Personen im vertragsärztlichen Sektor – Auswertung der Abrechnungsdaten für den Zeitraum 2009 bis 2018. BerlinVersorgungsatlas-Bericht Nr. 20/03. https://doi.org/10.20364/VA-20.03CrossRef
36.
Matthäi I (2004) Die Lebenssituation älterer alleinstehender Migrantinnen – Ausgewählte Ergebnisse einer empirischen Untersuchung. Bundesministerium für Familie, Senioren, Frauen und Jugend
37.
Kim M (2025) 9. Altersbericht der Bundesregierung. Teilhabe, ältere Migrant*innen und Rassismuserfahrungen – Expertise zum Neunten Altersbericht der Bundesregierung, 2025. Deutsches Zentrum für Altersfragen, Berlin
38.
Klein J, von dem Knesebeck O (2018) Inequalities in health care utilization among migrants and non-migrants in Germany: a systematic review. Int J Equity Health 17(1):160CrossRefPubMedPubMedCentral
Die Zahl der diagnostizierten Depressionen steigt – gleichzeitig fehlen flächendeckend Therapieplätze. Für Betroffene ist die Hausarztpraxis eine erste Anlaufstelle. Doch wie kann dort der passende Raum entstehen? Allgemeinmedizinerin Prof. Dr. med. Anne Simmenroth und Psychologin Maike Krauthausen berichten, wie niederschwellig Hilfe angeboten werden kann.
Wiederholte Insulininjektionen an derselben Stelle können in eine Lipohypertrophie münden. Eine andere, ähnlich aussehende Folgekomplikation, die nicht von selbst verschwindet, ist seltener und weniger bekannt. Eine Kasuistik.
Ob Patienten und Patientinnen, die wegen einer Herzinsuffizienz mit reduzierter Ejektionsfraktion bereits einen RAS-Inhibitor und einen Betablocker erhalten, erst einen Mineralokortikoidantagonisten oder einen SGLT-2-Inhibitor dazubekommen, könnte sich Registerdaten zufolge auf das Mortalitätsrisiko auswirken.
Eines systematischen Reviews mit Metaanalyse zufolge gibt rund jeder Zehnte weltweit an, unter einer Nicht-Zöliakie-Gluten- beziehungsweise Weizensensitivität (NZGWS) zu leiden. Bestimmte Bevölkerungsgruppen sind besonders häufig betroffen.
In diesem CME-Kurs können Sie Ihr Wissen zur EKG-Befundung anhand von zwölf Video-Tutorials auffrischen und 10 CME-Punkte sammeln.
Praxisnah, relevant und mit vielen Tipps & Tricks vom Profi.
