Endometriose – Lokalisation nach Diagnoseangaben

Datenquelle: BARMER-Daten 2005 bis 2024, ICD-10-Diagnose N80 bei ambulanten und/oder stationären Behandlungen, standardisiert bzw. hochgerechnet basierend auf Angaben des Statistischen Bundesamtes zur Bevölkerung in Bundesländern nach Geschlecht und Altersgruppen im Vorjahr (ab 2024 Bevölkerungsangaben gemäß Zensus 2022)

Hinweise des bifg:
Bei den Diagnosen aus dem ambulanten Bereich handelt es sich um gesicherte Diagnosen.
In der Grafik wird zwischen zwei methodischen Varianten unterschieden, die im Filterbereich auswählbar sind. Bei der Variante „demografisch bereinigt" wurde einheitlich nach aktuellen Bevölkerungszahlen standardisiert, um Veränderung unabhängig von der demografischen Entwicklung darstellen zu können. Die Variante „jährlich angepasst standardisiert" bildet jährlich angepasst standardisierte und bevölkerungsbezogen hochgerechnete Ergebnisse zu allen Jahren ab und berücksichtigt damit die demografische Entwicklung.

Die (einheitliche) Standardisierung über alle Jahre hinweg („demografisch bereinigt“) geht davon aus, dass sich die demografische Struktur nicht verändert hat, also dass in den einzelnen Altersgruppen bereits 2005 die gleiche Anzahl an Frauen lebte wie im Jahr 2024. Wäre ausschließlich der demografische Wandel für Veränderungen verantwortlich, würden in der „demografisch bereinigten“ Darstellung über die Jahre hinweg keine Veränderungen sichtbar sein, während lediglich bei der jahresbezogenen Standardisierung ein Anstieg zu erkennen wäre. Wenn beide Kurven jedoch nahezu identisch verlaufen, deutet dies darauf hin, dass der demografische Wandel nur einen geringen Einfluss auf den Anstieg der Endometriose-Diagnosen hat.

Balken, die auf einer zu geringen Anzahl an Personen beruhen, werden ausgeblendet.

Einen Moment bitte

Grafik und Daten werden geladen ...

Für eine optimale Darstellung und Funktionalität unserer interaktiven Grafiken nutzen Sie bitte einen aktuellen Browser wie z.B. Chrome, Safari oder Firefox.

Exakte Abweichung

Verwenden Sie „Exakte Abweichungen“, um Attributwerte direkt in Farbwerte zu überführen. Hierbei entsprechen die relativen Abweichungen der Attributwerte vom Mittelwert den relativen Abweichungen in den Farbwerten.

Die exakte Abweichung ermöglicht eine unverzerrte Darstellung der Attributwerte. Diese Darstellung ist besonders für normalverteilte Daten geeignet.

Gleiches Intervall

Verwenden Sie „Gleiches Intervall“, um Attributwerte in gleich breite Klassen zu unterteilen. Die Klassengrenzen werden automatisch so bestimmt, dass die Datenintervalle in jeder Klasse gleich groß sind. Zum Beispiel ergeben sich für Werte im Bereich von 0 bis 300 und drei Klassen die Bereichsgrenzen 0 bis 100, 101 bis 200 und 201 bis 300.

Die gleichen Intervalle sind besonders für begrenzte Datenbereiche, wie Prozentsätze (0-100), geeignet. Die Darstellungsmethode hebt heraus, ob eine bestimmte Region unterhalb oder oberhalb des Mittelwertes liegt.

Quantil

Verwenden Sie „Quantil“, um die Attributwerte in gleich mächtige Klassen einzuteilen. Die Klassengrenzen werden hierbei so bestimmt, dass jede Klasse gleich viele Regionen umfasst.

Diese Darstellung eignet sich gut für linear verteilte Daten. Durch die Klassifikationsmethode können sowohl sehr nahe beieinanderliegende Attributwerte in verschiedene Klassen als auch sehr verschiedene Attributwerte in die gleiche Klasse eingeteilt werden. Hierdurch können auch extrem breite Datenbereiche (Ausreißer) optisch ansprechend dargestellt werden.

Standardabweichung

Verwenden Sie „Standardabweichung“, um die Klassengrenzen auf jeweils eine Standardabweichung des Datenbereiches zu begrenzen. Mittelwert und Standardabweichung werden automatisch berechnet.

Arithmetische Progression

Verwenden Sie „Arithmetische Progression“, um Klassengrenzen mit aufsteigender Breite zu erhalten. Je weiter eine Klasse vom Mittelwert entfernt liegt, desto größer wird der Wertebereich sein, den eine Farbe abbildet. Die Verbreiterung der Klassengrenzen erfolgt linear.

Diese Klassifikation eignet sich zur Darstellung von Daten mit breiten Verteilungsenden, z.B. Kostendaten. Seltene hohe Werte werden hierbei in größeren Klassen zusammengefasst und damit deren Gemeinsamkeit betont.

Geometrische Progression

Verwenden Sie „Geometrische Progression“, um Klassengrenzen mit einer stark aufsteigenden Breite zu erhalten. Je weiter eine Klasse vom Mittelwert entfernt liegt, desto größer wird der Wertebereich sein, den eine Farbe abbildet. Die Verbreiterung der Klassengrenzen erfolgt quadratisch.

Diese Klassifikation eignet sich zur Darstellung von extrem verteilten Daten, z.B. orphan drugs oder Kostendaten seltener Erkrankungen. Die seltenen aber extremen Ergebnisse werden hierbei in große Klassen zusammengefasst und damit deren Gemeinsamkeit betont.

Natürliche Unterbrechungen

Verwenden Sie „Natürliche Unterbrechungen“ (auch Jenks genannt), um einen Kompromiss aus „Quantilen“ und „Gleiches Intervall“ zu erhalten und eine harmonisch aussehende Karte zu generieren. Bei der Methode werden die Klassengrenzen durch einen Algorithmus so erstellt, dass Unterschiede zwischen den Klassen maximiert werden.

Weitere Informationen zu dem Algorithmus „Natürliche Unterbrechungen“ finden Sie bei George F. Jenks und Fred C. Caspall in: „Error on Choroplethic Maps. Definition, Measurement, Reduction“. Annals of the Association of American Geographers. Bd. 61, 1971, S. 217–244, doi:10.1111/j.1467-8306.1971.tb00779.x.