Show simple item record

dc.contributor.authorHoogenveen RT
dc.contributor.authorGijsen R
dc.contributor.authorGenugten MLL van
dc.contributor.authorKommer GJ
dc.contributor.authorSchouten JSAG
dc.contributor.authorHollander AEM de
dc.date.accessioned2007-02-27T12:41:35Z
dc.date.available2007-02-27T12:41:35Z
dc.date.issued2000-04-21en_US
dc.identifier260751001en_US
dc.identifier.urihttp://hdl.handle.net/10029/9412
dc.description.abstractUsing the simulation model context we analysed data the consistency of data on incidence, prevalence and mortality for specific chronic diseases so as to construct an appropriate data set for chronic disease models. These simulation models integrate data from different sources and are used to estimate the public health effects of trends in and interventions on disease risk factors. Disease incidence and prevalence data are derived from disease registration in general practice, epidemiological surveys and health-care registration. Disease-specific mortality data are collected from national statistics, while remission and case fatality rates are taken from the scientific literature. The successive steps followed in the consistency analyses were: (visual) comparison of data from different sources, calculation of remission and mortality rates from given disease incidence and prevalence rates and comparison of results with remission and mortality data from other sources. Data was evaluated on lung cancer, asthma and COPD, coronary heart diseases and congestive heartfailure, diabetes mellitus, and dementia and stroke. From the results it can be concluded that differences between data from several sources can often be explained by differences in registration coding rules. For most diseases, calculated excess mortality rates are much greater than the mortality where the disease is the primary cause of death, registered in national statistics. In general, the estimated mortality parameters are in agreement with data from the literature, with the estimation of age-specific rates being complicated by time-trends.
dc.description.abstractOm te komen tot consistente verzamelingen van invoergegevens voor dynamische modellen van chronische ziekten hebben we de consistentie binnen de modelcontext geanalyseerd van gegevens over incidentie, prevalentie en sterfte voor specifieke ziekten. Dergelijke modellen integreren gegevens uit verschillende bronnen en worden gebruikt om de volksgezondheids-effecten van trends in en interventies op risicofactoren door te rekenen. Incidentie- en prevalentie-gegevens komen uit huisartsenregistraties, epidemiologische onderzoeken en registraties in de gezondheidszorg, gegevens over overleving uit de wetenschappelijke literatuur, terwijl ziekte-specifieke sterftecijfers uit de CBS-statistieken komen. De opeenvolgende analysestappen zijn: 1) een vergelijking van de gegevens uit verschillende bronnen, 2) de berekening van remissie- en sterfterates uit gegeven incidentie- en prevalentierates, vervolgens 3) een vergelijking met data uit de literatuur. We hebben data ge6valueerd met betrekking tot longkanker, astma en COPD, coronaire hartziekten en hartfalen, diabetes mellitus, dementie, en beroerte. Verschillende algemene conclusies kunnen getrokken worden: de gevonden verschillen tussen de bronnen zijn meestal terug te vertalen naar verschillen in registratiekarakteristieken; voor veel aandoeningen is de berekende 'excess' sterfte veel groter dan de sterfte met de ziekte als de primaire doodsoorzaak in de CBS-statistieken; de geschatte sterfteparameters komen in de meeste gevallen goed overeen met die uit de literatuur; de aanwezigheid van trends in de tijd maakt het schatten van leeftijd-specifieke cijfers lastig.
dc.format.extent640000 bytesen_US
dc.format.extent654581 bytes
dc.format.mimetypeapplication/pdf
dc.language.isoenen_US
dc.publisherRijksinstituut voor Volksgezondheid en Milieu RIVMen_US
dc.relation.ispartofseriesRIVM Rapport 260751001en_US
dc.relation.urlhttp://www.rivm.nl/bibliotheek/rapporten/260751001.htmlen_US
dc.subject.otherchronic diseaseen
dc.subject.otherpublic healthen
dc.subject.othersimulation modelsen
dc.subject.othercase fatalityen
dc.subject.othervalidationen
dc.titleDutch DisMod. Constructing a set of consistent data for chronic disease modellingen_US
dc.title.alternativeNederlandse DisMod. De constructie van consistente gegevensverzamelingen voor de modellering van chronische ziektenen_US
dc.typeReport
dc.contributor.departmentCZEen_US
dc.contributor.departmentVTVen_US
dc.contributor.departmentMNVen_US
refterms.dateFOA2018-12-18T17:09:17Z
html.description.abstractUsing the simulation model context we analysed data the consistency of data on incidence, prevalence and mortality for specific chronic diseases so as to construct an appropriate data set for chronic disease models. These simulation models integrate data from different sources and are used to estimate the public health effects of trends in and interventions on disease risk factors. Disease incidence and prevalence data are derived from disease registration in general practice, epidemiological surveys and health-care registration. Disease-specific mortality data are collected from national statistics, while remission and case fatality rates are taken from the scientific literature. The successive steps followed in the consistency analyses were: (visual) comparison of data from different sources, calculation of remission and mortality rates from given disease incidence and prevalence rates and comparison of results with remission and mortality data from other sources. Data was evaluated on lung cancer, asthma and COPD, coronary heart diseases and congestive heartfailure, diabetes mellitus, and dementia and stroke. From the results it can be concluded that differences between data from several sources can often be explained by differences in registration coding rules. For most diseases, calculated excess mortality rates are much greater than the mortality where the disease is the primary cause of death, registered in national statistics. In general, the estimated mortality parameters are in agreement with data from the literature, with the estimation of age-specific rates being complicated by time-trends.
html.description.abstractOm te komen tot consistente verzamelingen van invoergegevens voor dynamische modellen van chronische ziekten hebben we de consistentie binnen de modelcontext geanalyseerd van gegevens over incidentie, prevalentie en sterfte voor specifieke ziekten. Dergelijke modellen integreren gegevens uit verschillende bronnen en worden gebruikt om de volksgezondheids-effecten van trends in en interventies op risicofactoren door te rekenen. Incidentie- en prevalentie-gegevens komen uit huisartsenregistraties, epidemiologische onderzoeken en registraties in de gezondheidszorg, gegevens over overleving uit de wetenschappelijke literatuur, terwijl ziekte-specifieke sterftecijfers uit de CBS-statistieken komen. De opeenvolgende analysestappen zijn: 1) een vergelijking van de gegevens uit verschillende bronnen, 2) de berekening van remissie- en sterfterates uit gegeven incidentie- en prevalentierates, vervolgens 3) een vergelijking met data uit de literatuur. We hebben data ge6valueerd met betrekking tot longkanker, astma en COPD, coronaire hartziekten en hartfalen, diabetes mellitus, dementie, en beroerte. Verschillende algemene conclusies kunnen getrokken worden: de gevonden verschillen tussen de bronnen zijn meestal terug te vertalen naar verschillen in registratiekarakteristieken; voor veel aandoeningen is de berekende 'excess' sterfte veel groter dan de sterfte met de ziekte als de primaire doodsoorzaak in de CBS-statistieken; de geschatte sterfteparameters komen in de meeste gevallen goed overeen met die uit de literatuur; de aanwezigheid van trends in de tijd maakt het schatten van leeftijd-specifieke cijfers lastig.


Files in this item

Thumbnail
Name:
260751001.pdf
Size:
639.2Kb
Format:
PDF

This item appears in the following Collection(s)

Show simple item record