---
title: "Berücksichtigung von Verhaltensdaten zur Verringerung gesundheitlicher Ungleichheit"
language: "de"
type: "post"
original_url: "https://www.atlas-digitale-gesundheitswirtschaft.de/blog/2022/03/16/beruecksichtigung-von-verhaltensdaten-zur-verringerung-gesundheitlicher-ungleichheit/"
human_version: "../../../../../mensch/blog/2022/03/16/beruecksichtigung-von-verhaltensdaten-zur-verringerung-gesundheitlicher-ungleichheit/"
date: "2022-03-16"
section: "Review-Artikel"
categories: ["Big Data", "Digitalisierung von Prozessen", "KI", "Krankenversicherungen", "Machine Learning", "Marketing", "Plattform", "Prävention", "Public Health", "Social Media Daten"]
author: "Philipp Köbe"
reading_time: "9 Min."
description: "Wie können digitale Verhaltensdaten zur Prävention und Gesundheitsförderung genutzt werden, um gesundheitliche Ungleichheit zu verringern?"
publisher: "Lehrstuhl für Management und Innovation im Gesundheitswesen, Universität Witten/Herdecke"
---

# Berücksichtigung von Verhaltensdaten zur Verringerung gesundheitlicher Ungleichheit

*16.03.2022 · Review-Artikel · Von Philipp Köbe*

Der Zusammenhang von Einkommen, Gesundheit und Sterblichkeit ist zahlreich belegt (1-3). Demzufolge haben ärmere Menschen im Durchschnitt eine ungesündere Lebensweise und sterben früher. Die Gründe für die Unterschiede sind komplex und können nicht für alle Personengruppen gleichermaßen festgelegt werden (4). In der Vergangenheit konnte das Verhalten der verschiedenen Gruppen durch teilweise aufwendige Erhebungsverfahren wie Beobachtungen oder Befragungen, ergründet werden. Heute stehen ein umfassendes Spektrum an Verhaltensdaten infolge der digitalen Mediennutzung sowie umfangreiche Sekundärdaten zur Verfügung. Wie können digitale Verhaltensdaten zur Prävention und Gesundheitsförderung genutzt werden, um gesundheitliche Ungleichheit zu verringern?

### **Von der Einkommensungleichheit zur gesundheitlichen Ungleichheit**

Das verfügbare Einkommen entscheidet maßgeblich über den Gesundheitszustand eines Menschen (1, 3, 5). Menschen im unteren Einkommensdrittel in Deutschland schätzen ihren Gesundheitszustand selbst deutlich häufiger als „weniger gut“ bis „schlecht“ ein (5, 6). In der männlichen Altersgruppe von 45 bis 64 sind es 43 Prozent im Vergleich zu 19 Prozent im mittleren Einkommenssegment. Ab 65 Jahren sinkt der Unterschied bei den Männern von 30 Prozent (untere Einkommen) im Vergleich zu 24 Prozent (mittlere Einkommen). Der Unterschied bei der Lebenserwartung beläuft sich bei Männern zwischen dem untersten und dem obersten Einkommenssegment auf 8,6 Jahre im Durchschnitt (6). Bei Frauen liegt der Unterschied bei 4,4 Jahren. Die Unterschiede bei Gesundheitszustand und Lebenserwartung sind durch soziokulturelle und sozioökonomische Faktoren zu erklären (2, 3). Unter anderem unterscheiden sich die Lebensweisen bei Ernährung und Bewegungsverhalten zwischen den Einkommensgruppen. Eine gesunde Ernährung ist in der Regel teurer und erfordert einen höheren Wissensstand über die Effekte, was durch höhere Einkommen eher gegeben ist. Selbiges gilt für Suchtverhalten und Drogenkonsum (2). Von 2004 bis 2018 hat sich das Rauch- und Bewegungsverhalten der verschiedenen Einkommenssegmente unterschiedlich entwickelt (5, 6). Während es beim niedrigsten Segment bei Männern von etwa 45 Prozent im Jahr 2004 auf 42 Prozent im Jahr 2018 relativ stabil geblieben ist, ist es im höchsten Einkommenssegment von 28 Prozent auf 19 Prozent gefallen. Die Zahl der Raucherinnen ist im Vergleichszeitraum sogar im niedrigsten Einkommenssegment gestiegen (34 Prozent auf 43 Prozent), während es in den anderen Einkommenssegmenten ebenfalls gesunken ist. Eine bessere Entwicklung zeigt sich bei der sportlichen Inaktivität (5, 6). Sie ist in allen Einkommenssegmenten zurückgegangen. Im niedrigsten Einkommenssegment bei Männern von 60 Prozent auf 50 Prozent und im höchsten Einkommenssegment von 32 Prozent auf 16 Prozent.

Die Zusammenhänge zwischen Armut und Gesundheit variieren je nach der Ausgestaltung des Wirtschafts- und Sozialsystems (4). Ausgangspunkt sind dabei politische und ökonomische Faktoren, die einen Einfluss auf das individuelle Einkommen und die allgemeine Einkommensungleichheit haben (vgl. Abb. 1). Die Einkommensungleichheit kann durch die Bereitstellung öffentlicher Gesundheitsleistungen die gesundheitliche Ungleichheit reduzieren (4, 5). Beispielsweise durch einen breiten Zugang zu Gesundheitsleistungen für alle Menschen, aber auch durch Informations- und Präventionsangebote. Je niederschwelliger der Zugang zu Gesundheitsleistungen ist, desto eher kann gesundheitliche Ungleichheit vermieden werden. Damit können Bildungsdefizite bei Menschen mit geringeren Einkommen kompensiert werden. Denn mit sinkendem Bildungsstand sinkt auch die Bewertung von Gesundheits- bzw. Erkrankungsrisiken (1-3). Dieses Problem gilt ebenso für Menschen mit Migrationshintergrund, die einerseits ihre Zugangsmöglichkeiten zur Gesundheitsversorgung nicht kennen oder andererseits aufgrund von kulturellen oder Sprach-Barrieren nicht von Informationen erreicht werden (1, 3, 5).

![Zusammenhang von Einkommensungleichheit und Gesundheit](https://www.atlas-digitale-gesundheitswirtschaft.de/mensch/assets/bilder/wp-content/uploads/2022/03/1.png)

Abb. 1: Zusammenhang von Einkommensungleichheit und Gesundheit, adaptiert nach (4).

Aus dem individuellen Einkommen resultiert die individuelle Gesundheit. Menschen legen ihre Gesundheitspräferenzen aufgrund ihrer sozioökonomischen Umstände fest (2, 3), unter anderem im Hinblick auf Ernährungsverhalten oder die Inanspruchnahme von Vorsorgeuntersuchungen. Die digitalen Verhaltensdaten können hier Aufschluss über die Präferenzen geben. Metadaten des Einkaufsverhaltens (u.a. Lebensmittel), der Bewegungsprofile oder bevorzugte Informationsmedien liefern Anhaltspunkte über die Gesundheitspräferenzen und wie diese die Individuen bzw. Personengruppen beeinflussen (6, 7). Auf Grundlage dieser Daten können öffentliche Institutionen, die Präventionsangebote oder Gesundheitsleistungen bereitstellen, auf die Bedürfnisse der einzelnen Personengruppen reagieren, um deren individuelle Gesundheit zu fördern. Zudem können Individuen mithilfe der eigenen Verhaltensdaten auch selbst dabei unterstützt werden, ihr Gesundheitsverhalten zu ändern (7), beispielsweise durch Bewegungs- oder Ernährungsprofile anderen Menschen einer Vergleichsgruppe, wodurch zu einem gesünderen Verhalten motiviert werden kann.

### **Integration digitaler Verhaltensdaten im klassischen Health Belief Modell**

Betrachtet man das Zustandekommen des Gesundheitsverhaltens, das aus der individuellen Gesundheitsmotivation resultiert, zeigen sich die Potenziale der digitalen Verhaltensdaten (7). Im klassischen Health Belief Modell aus den 1950er Jahren konnten diese noch nicht berücksichtigt werden (vgl. Abb. 2). Aus heutiger Sicht schaffen die Verfügbarkeit digitaler Verhaltensdaten und die technischen Möglichkeiten der nutzerzentrierten Ansprache von Individuen jedoch neue Wege der (positiven) Beeinflussung des Gesundheitsverhaltens (8). Dafür müssten jedoch die zuständigen Instanzen der Gesundheitsförderung oder Prävention auch Zugang zu diesen Daten haben.

Die eingehenden Variablen, bestehend aus demographischen, sozialpsychologischen und strukturellen Merkmalen, liefern über die verfügbaren Verhaltensdaten die Erkenntnisse zur Segmentierung der Individuen in Gruppen (9). Beispielsweise anhand des Gesundheitszustandes oder über Ernährungsmerkmale. Je spezifischer die Segmentierung erfolgt, umso besser kann anschließend die individuelle Ansprache gelingen.

![Erweitertes Health Belief Modell](https://www.atlas-digitale-gesundheitswirtschaft.de/mensch/assets/bilder/wp-content/uploads/2022/03/2.png)

Abb. 2: Erweitertes Health Belief Modell, adaptiert nach (7).

Die Gesundheitsmotivation setzt sich aus der erwarteten Effektivität und der wahrgenommenen Bedrohung zusammen (7). Die erwartete Effektivität ergibt sich aus der Subtraktion des subjektiven Nutzens und den subjektiven Kosten. Beispielsweise hat die Inanspruchnahme einer kostenlosen Grippeschutzimpfung zwar keine direkten Kosten, aber erfordert einen Aufwand des Individuums, diese entgegenzunehmen. Wird der Nutzen vom Individuum subjektiv als gering eingeschätzt, sodass der Aufwand unverhältnismäßig erscheint, wird die Grippeschutzimpfung nicht beansprucht. Ein erster Schritt bei der Nutzung digitaler Verhaltensdaten wäre die Objektivierung des Nutzens. Durch gezielte Anzeigen könnten ältere Menschen mit geringen Einkommen über den Nutzen der Grippeschutzimpfung für sie persönlich aufgeklärt werden. Infolge der Segmentierung besteht nun auch das Wissen über die Beweggründe für oder gegen die Grippeschutzimpfung der einzelnen Personengruppen. Durch niedrigschwellige Angebote können diese Personengruppen gezielt angesprochen werden (10), unter anderem durch dezentrale Grippeschutzimpfungen in Brennpunktvierteln.

Die wahrgenommene Bedrohung setzt sich aus der eigenen Vulnerabilität und den Konsequenzen des Verhaltens zusammen (7). Beispielsweise haben Rauchende ein deutlich erhöhtes Risiko, an Lungenkrebs oder Herz-Kreislauf-Erkrankungen zu leiden. Mit gruppenspezifischen Informationen können hier die digitalen Verhaltensdaten gezielt für bessere Aufklärung und Hilfsangebote sorgen. Krankenversicherungen können mit Entwöhnungs-Apps unterstützen, um das Suchtverhalten zu reduzieren.

### **Mit Micro Targeting stets die richtigen Botschaften an die richtigen Personen senden**

Eine besondere Eigenschaft der digitalen Verhaltensdaten ist die dargestellte Segmentierungsmöglichkeit der Individuen in Subpopulationen mit gleichen Merkmalen. In diesem Fall zeichnen gesundheitsrelevante Verhaltensmerkmale das Zielbild der Segmentierung. Darauf baut das sogenannte Micro Targeting auf (11). Dabei wird auf die bereits vorgenommene Segmentierung zurückgegriffen (vgl. Abb. 3). Im weiteren Verlauf können die Personengruppen mit spezifischen Informationen oder Angeboten direkt angesprochen werden (12). Im Konsumgütermarketing ist Micro Targeting bereits seit der Nutzung des Internets ein etabliertes Instrument. Im Gesundheitssektor schränken jedoch die restriktiven Datenschutzvorschriften und der mangelnde Datenzugang diese Möglichkeiten ein. Eine Impfkampagne ist ein geeignetes Anwendungsfeld. Für die differenzierten Zielgruppen kann dann beispielsweise zwischen umfassenden Fachinformationen mit weiterführenden Studien, niedrigschwelligen Informationen in einfacher Sprache oder entsprechenden fremdsprachigen Informationen unterschieden werden.

![Systematik des Micro Targeting](https://www.atlas-digitale-gesundheitswirtschaft.de/mensch/assets/bilder/wp-content/uploads/2022/03/3.png)

Abb. 3: Systematik des Micro Targeting, adaptiert nach (11).

Ein weiteres Beispiel sind Angebote zur Gewichtsreduktion bei Adipositas. Je nach Segmentierung können Personengruppen passende Ernährungshinweise, Vorschläge für Gewichtreduktions-Apps oder Angebote zum Bewegungsmonitoring erhalten. Beispielsweise durch die Nutzung der Apps Lifesum oder Noom. Der Einsatz digitaler Gesundheitsanwendungen (DiGA) kann hier zukünftig eine große Rolle spielen, ebenso wie Gesundheitslotsen *(*[*nähere Informationen dazu gibt es hier*](https://www.atlas-digitale-gesundheitswirtschaft.de/forschung/trendstudie/)*)*. Die Informationen oder Angebote können durch die Krankenversicherungen bereitgestellt werden.

### **Potenziale digitaler Verhaltensdaten zur Minimierung von gesundheitlicher Ungleichheit nutzen**

Die Tatsache, dass ärmere Menschen ein ungesünderes Leben führen und früher sterben, ist ungerecht und kann aus gesamtgesellschaftlicher Sicht nicht akzeptiert werden. Es bestehen große Potenziale zur Nutzung der bereits vorliegenden digitalen Verhaltensdaten, die gesundheitliche Ungleichheit drastisch zu reduzieren. Viele dieser Daten liegen bei privaten Unternehmen, wie *Meta, Google* oder *Apple*. Sie kennen das Essverhalten, das Bewegungsverhalten und die Schlafgewohnheiten jedes Nutzenden digitaler Medien. Diese Daten sind nicht direkt zugänglich für Krankenversicherungen oder Institutionen der Gesundheitsförderung. Sie können jedoch mithilfe von Social Media Listening, Datenspenden oder Kooperationen mit DiGA-Anbietern eigene Datenpools vorantreiben.

Mittelfristig sollten die staatlichen Institutionen eigene Datenplattformen aufbauen, in die diese Daten einfließen. Das Projekt *Datenzentrierte Wertschöpfungsplattform für Interaktive, assistierende Dienstleistungssysteme* (DaWID) vom Fraunhofer ISST beschäftigt sich mit dem Aufbau derartiger Plattformen. Im Vordergrund dabei stehen der Datenschutz und die Selbstbestimmung über die erfassten Gesundheitsdaten im Speziellen. Da für die skizzierte Vorgehensweise jedoch lediglich personalisierte Verhaltensdaten notwendig sind, besteht hier das Potenzial, vorab für diese weniger sensiblen Daten eine Plattform aufzubauen. Später können die persönlichen Gesundheitsdaten integriert werden. Dadurch könnte der Nutzen einer solchen Plattform enorm gesteigert werden.

Insgesamt bleibt die Frage offen, inwieweit durch die Nutzung der digitalen Verhaltensdaten auch eine tatsächliche Verhaltensänderung hervorgerufen werden kann. Dem erweiterten Health Belief Modell folgend wäre für Informations- und Angebotszentrierung auf die jeweiligen Nutzergruppen mit einer Anpassung der Gesundheitsmotivation und darauf folgend des Gesundheitsverhaltens zu rechnen. Die Bereitstellenden Instanzen wie Krankenkassen oder die BzgA, sollten Skaleneffekte durch kooperative Maßnahmen nutzen. Beispielsweise sollte nicht jede Krankenkasse eigene Projekte entwickeln, sondern eine digitale Plattform aufgebaut werden, auf der alle Analyseprozesse und Interventionsschritte zentral gebündelt gesteuert werden.

Quellen

1. Benzeval M, Judge K, Shouls S. Understanding the Relationship between Income and Health: How Much Can be Gleaned from Cross-sectional Data? Social Policy & Administration. 2001;35(4):376-96. [zum Original](https://doi.org/10.1111/1467-9515.00240)
2. Geyer S. Soziale Ungleichverteilungen von Gesundheit und Krankheit und ihre Erklärungen. In: Kriwy P, Jungbauer-Gans M, editors. Handbuch Gesundheitssoziologie. Wiesbaden: Springer Fachmedien Wiesbaden; 2020. p. 169-91. [zum Original](https://doi.org/10.1007/978-3-658-06392-4_12)
3. Ettner SL. New evidence on the relationship between income and health. Journal of Health Economics. 1996;15(1):67-85. [zum Original](https://doi.org/10.1016/0167-6296(95)00032-1)
4. Shimonovich M, Pearce A, Thomson H, McCartney G, Katikireddi SV. Assessing the causal relationship between income inequality and mortality and self-rated health: protocol for systematic review and meta-analysis. Systematic Reviews. 2022;11(1):20. [zum Original](https://doi.org/10.1186/s13643-022-01892-w)
5. Michalski N, Müters S, Lampert T. Soziale Ungleichheit, Arbeit und Gesundheit. In: Badura B, Ducki A, Schröder H, Klose J, Meyer M, editors. Fehlzeiten-Report 2020: Gerechtigkeit und Gesundheit. Berlin, Heidelberg: Springer Berlin Heidelberg; 2020. p. 31-47. [zum Original](https://doi.org/10.1007/978-3-662-61524-9_3)
6. T. Lampert NM, S. Müters, B. Wachtler, J. Hoebel. Datenreport 2021. Bundeszentrale für politische Bildung. 2021;2021. [zum Original](https://www.bpb.de/kurz-knapp/zahlen-und-fakten/datenreport-2021/)
7. Strecher VJ, Rosenstock IM. The health belief model. Cambridge handbook of psychology, health and medicine. 1997;113:117.
8. Tariq MU, Babar M, Poulin M, Khattak AS, Alshehri MD, Kaleem S. Human Behavior Analysis Using Intelligent Big Data Analytics. Frontiers in Psychology. 2021;12. [zum Original](https://doi.org/10.3389/fpsyg.2021.686610)
9. Kallus N. Predicting crowd behavior with big public data. Proceedings of the 23rd International Conference on World Wide Web; Seoul, Korea: Association for Computing Machinery; 2014. p. 625–30. [zum Original](https://doi.org/10.1145/2567948.2579233)
10. Seifert N. Der Einfluss sozialer Isolation auf die subjektive Gesundheit. Bestehen Unterschiede nach Geschlecht, Einkommen und finanziellen Sorgen? Psychother Psychosom Med Psychol. 2018;68(08):415. [zum Original](https://doi.org/10.1055/s-0038-1667882)
11. Barbu O. Advertising, Microtargeting and Social Media. Procedia – Social and Behavioral Sciences. 2014;163:44-9. [zum Original](https://doi.org/10.1016/j.sbspro.2014.12.284)
12. Engl E, Sgaier S, editors. Smarter micro-targeting to improve global health outcomes: scaling cluster segmentation on novel types of data for precision public health. 32nd conference on neural information processing systems (NIPS 2018), Montréal, Canada; 2018. [zum Original](https://aiforsocialgood.github.io/2018/pdfs/track1/106_aisg_neurips2018.pdf)





#### Verwandte Artikel

- [Social Media Mining im Arzneimittelentwicklungsprozess](../../../2021/11/10/social-media-mining-im-arzneimittelentwicklungsprozess.md)
- [Amazon Care – das Gesundheitsökosystem der Zukunft?](../../../2021/08/31/amazon-care-das-gesundheitsoekosystem-der-zukunft.md)
- [Patientendaten für die Versorgung: Social Media birgt Potenziale](../../../2020/02/21/patientendaten-fuer-die-versorgung.md)


**Kategorien:** Big Data, Digitalisierung von Prozessen, KI, Krankenversicherungen, Machine Learning, Marketing, Plattform, Prävention, Public Health, Social Media Daten

## Bilder auf dieser Seite

- Zusammenhang von Einkommensungleichheit und Gesundheit: ../../../../../mensch/assets/bilder/wp-content/uploads/2022/03/1.png
- Erweitertes Health Belief Modell: ../../../../../mensch/assets/bilder/wp-content/uploads/2022/03/2.png
- Systematik des Micro Targeting: ../../../../../mensch/assets/bilder/wp-content/uploads/2022/03/3.png
- shutterstock_1018755739-1320x797.jpg: ../../../../../mensch/assets/bilder/wp-content/uploads/2022/05/shutterstock_1018755739-1320x797.jpg

---
Diese Seite ist für KI-Systeme optimiert. Version für Menschen: [Berücksichtigung von Verhaltensdaten zur Verringerung gesundheitlicher Ungleichheit](../../../../../mensch/blog/2022/03/16/beruecksichtigung-von-verhaltensdaten-zur-verringerung-gesundheitlicher-ungleichheit/)