31
views
0
recommends
+1 Recommend
1 collections
    0
    shares
      • Record: found
      • Abstract: found
      • Article: found
      Is Open Access

      Folgen der COVID-19-Pandemie: Gibt es Risikogruppen für ein verringertes subjektives Wohlbefinden nach dem ersten Lockdown? Translated title: Consequences of the COVID-19 pandemic: Are there risk groups for reduced subjective well-being after the first lockdown?

      research-article

      Read this article at

      Bookmark
          There is no author summary for this article yet. Authors can add summaries to their articles on ScienceOpen to make them more accessible to a non-specialist audience.

          Abstract

          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 (R 2 = 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.

          Zusatzmaterial online

          Zusätzliche Informationen sind in der Online-Version dieses Artikels (10.1007/s00103-023-03737-w) enthalten.

          Translated 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 (R 2 = 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.

          Related collections

          Most cited references52

          • Record: found
          • Abstract: not found
          • Article: not found

          Random Forests

            Bookmark
            • Record: found
            • Abstract: found
            • Article: not found

            MissForest--non-parametric missing value imputation for mixed-type data.

            Modern data acquisition based on high-throughput technology is often facing the problem of missing data. Algorithms commonly used in the analysis of such large-scale data often depend on a complete set. Missing value imputation offers a solution to this problem. However, the majority of available imputation methods are restricted to one type of variable only: continuous or categorical. For mixed-type data, the different types are usually handled separately. Therefore, these methods ignore possible relations between variable types. We propose a non-parametric method which can cope with different types of variables simultaneously. We compare several state of the art methods for the imputation of missing values. We propose and evaluate an iterative imputation method (missForest) based on a random forest. By averaging over many unpruned classification or regression trees, random forest intrinsically constitutes a multiple imputation scheme. Using the built-in out-of-bag error estimates of random forest, we are able to estimate the imputation error without the need of a test set. Evaluation is performed on multiple datasets coming from a diverse selection of biological fields with artificially introduced missing values ranging from 10% to 30%. We show that missForest can successfully handle missing values, particularly in datasets including different types of variables. In our comparative study, missForest outperforms other methods of imputation especially in data settings where complex interactions and non-linear relations are suspected. The out-of-bag imputation error estimates of missForest prove to be adequate in all settings. Additionally, missForest exhibits attractive computational efficiency and can cope with high-dimensional data. The package missForest is freely available from http://stat.ethz.ch/CRAN/. stekhoven@stat.math.ethz.ch; buhlmann@stat.math.ethz.ch
              Bookmark
              • Record: found
              • Abstract: not found
              • Article: not found

              ranger: A Fast Implementation of Random Forests for High Dimensional Data in C++ and R

                Bookmark

                Author and article information

                Contributors
                emily.finne@uni-bielefeld.de
                Journal
                Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz
                Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz
                Bundesgesundheitsblatt, Gesundheitsforschung, Gesundheitsschutz
                Springer Berlin Heidelberg (Berlin/Heidelberg )
                1436-9990
                1437-1588
                20 July 2023
                20 July 2023
                2023
                : 66
                : 8
                : 824-834
                Affiliations
                GRID grid.7491.b, ISNI 0000 0001 0944 9128, Fakultät für Gesundheitswissenschaften, School of Public Health, Arbeitsgruppe Epidemiologie & International Public Health, , Universität Bielefeld, ; PF 10 01 31, 33501 Bielefeld, Deutschland
                Article
                3737
                10.1007/s00103-023-03737-w
                10371891
                37474793
                79a1d8af-8a17-4131-b00e-6be9aa0a5eaa
                © The Author(s) 2023

                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.

                History
                : 16 February 2023
                : 14 June 2023
                Funding
                Funded by: Universität Bielefeld (3146)
                Categories
                Leitthema
                Custom metadata
                © Robert Koch-Institut 2023

                coronavirus,ungleichheiten,subjektive gesundheit,panelstudie,intersektionalität,inequalities,subjective health,panel study,intersectionality

                Comments

                Comment on this article