Nejčastější důvody vzniku invalidity (ID)

Analýza veřejných dat České správy sociálního zabezpečení se zaměřením na vznik invalidního důchodu, zkráceně ID.

vypracováno 07/2022

1. přepracování 11/2022

2. přepracování 07/2023

GitHub: https://github.com/Elliska/nove-id-2008-2021

Obsah

• Použité nástroje
• Slovníček pojmů
• Úvod
• Hledání a výběr dat
• Zdroj dat
• Nejčastější příčiny vzniku invalidity
  • Čištění a příprava dat
  • Průzkumná analýza
• Počet nově přiznaných invalidních důchodů v České republice dle skupin diagnóz
  • Čištění a příprava dat
  • Průzkumná analýza
• Vyhodnocení
  • Úvod 2
  • Reforma ID
  • Covid
• Rozložení ID v populaci
• Důvody vzniku ID nad 19 let
  • Covidové roky – duševní onemocnění
  • Podpora pro lidi s PAS
• Duševní onemocnění pod 19 let
• Závěry pro ELtwins
  • Závěr
• Zdroje

Použité nástroje

• Hlavní
  • ČSSZ/ČSÚ pro data
  • MS Excel (data *.csv)
  • MS Power BI
• Vedlejší
  • MS Word
  • Adobe Illustrator
  • WordPress.org + hostingová administrace

Slovníček pojmů

• PAS – porucha autistického spektra (také autismus)
• ADHD – attention deficit hyperactivity disorder
• ID – invalidní důchod
• ABA – aplikovaná behaviorální analýza
• VBA – visual basic for application

Úvod

Veškeré úpravy dat a použité způsoby by určitě šly značně zjednodušit, ale v daném okamžiku mi buď přišly nejjednodušší, zrovna mne napadly, nebo byly maximem mých znalostí v daném okamžiku. Čištění dat by se dalo samozřejmě udělat i přes Power Query a VBA, ale jelikož nemám potřebu daný datový set používat opakovaně, byla obě řešení vyloučena jako zbytečná. Jeden soubor má pouhých 1677 řádků a druhý soubor před vyčištěním duplikátů 30241 řádků a nejedná se tak v žádném případě o „big data“, která by bylo nutné zpracovávat jinými metodami (jako např. python).

Jsem si také vědoma toho, že stejného výsledku jde dosáhnout hned několika způsoby a použití každého záleží na dané situaci, množství dat, znalostech a osobních preferencích každého jedince.

Při řešení i známých problémů je mým věrným kamarádem google, protože občas mne napadne zkusit věc udělat jinak. Popř. pouze “naslepo” hledám, zda má daný problém i jiná řešení a šel by tak zefektivnit. Pokud vidím šanci na automatizaci a vyšší efektivitu práce, tak vymýšlením a hledáním nových cest jsem obvykle ochotná strávit velké množství času. Toto hledání řešení se pak obvykle velmi rychle vrátí v úspoře času stráveného repetitivními úkony.

Analýza je v okamžiku zveřejnění nedokonalou ukázkou mých znalostí a schopností. Je zveřejněná i přes svou nedokonalost proto, že raději ukážu i nedokonalou práci než žádnou. Dotažení k dokonalosti již vyžaduje velké množství času, které se při plném pracovním úvazku hledá jen těžko. Navíc už v okamžiku zveřejnění se jedná o zastaralou ukázku mých znalostí a schopností.

Hledání a výběr dat

Poté, co jsem se rozhodla, že chci “nějaký projekt na analýzu” jsem si potřebovala ujasnit co budu zpracovávat, jak a co má být výstup. Bylo potřeba, aby data byla veřejná, a tedy jsem je dále mohla zveřejnit a využitelná i pro dobrovolnický projekt ELtwins. Nechtěla jsem totiž zpracovávat data jenom pro zpracovávání dat.

Další ze zajímavých typů dat, která jsem zvažovala ke zpracování jsou GIS data. Ty jsem nakonec zavrhla kvůli shánění ArcGIS (či oživení qGIS znalostí). Navíc se jedná o typ dat, ke kterým jsem na VŠ dostala a chtěla jsem zkusit něco jiného.

Zdroj dat

Najít zdroj dat bylo velmi jednoduché. Zde mi pomohl google s výběrem a já již jen prozkoumala jaké typy informací mám rychle k dispozici a mohu zpracovat. Volba padla na jednoduchost zpracování a data z ČSSZ (hledání přes opendata.gov.cz).

Cíleně jsem hledala zdroj dat orientovaný na zdraví, optimálně na duševní zdraví. Překvapivě se data o invalidních důchodech ukázala být vhodná a poměrně užitečná.

První dataset je o nejčastějších příčinách vzniku invalidity https://data.cssz.cz/web/otevrena-data/-/nejcastejsi-priciny-vzniku-invalidity

Druhý dataset je počet nově přiznaných ID dle skupiny diagnóz https://data.cssz.cz/web/otevrena-data/-/invalidita?inheritRedirect=true

Každý dataset je skládaný trochu jinak s mírně odlišnými hodnotami a nejdou tak vzájemně efektivně propojit. Je však možné je použít pro vzájemnou podporu informací.

Po načtení do excelu jsem obě tabulky začala důkladně zkoumat. Zkoumala jsem je nejen pouhým pohledem na data, ale i s pomocí kontingenční tabulky (zároveň pro kontrolu chyb v datech). Následně jsem si vytvořila pár základních grafů, zde jsem zjistila např. výskyt duplicitních dat.

Nejčastější příčiny vzniku invalidity

Čištění a příprava dat

Po prozkoumání struktury dat jsem se rozhodla pro přidání sloupců, aby data byla čitelnější a bylo možné zjišťovat rozložení ID v regionech.

V originální tabulce byly vypsané jednotlivé kódy diagnóz a já potřebovala spíše jejich kategorie (tzn. abych měla např. zlomenina stehenní kosti a zlomenina pažní kosti obě v kategorii zlomeniny). Kategorie jsem použila dle druhé sady dat tak, aby se mi shodovaly u obou datových sad.

Jelikož jsem potřebovala rozdělit diagnózy do kategorií podle druhého setu dat, tak jsem si v první řadě udělala několik testovacích vzorců, zda se budou chovat tak, jak mají bez nutnosti data vypisovat manuálně.

Všechny různé varianty od vyhledávání přes podmínky až po rozdělování textu na čísla a písmena pomocí fcí ZLEVA a ZPRAVA nakonec nepomohly, a tudíž jsem se vrátila zpátky k první variantě. Nové nápady na řešení jsem se snažila najít i s pomocí google.

Než vypisovat všechny MKN kódy a k nim ekvivalentní kategorie, tak jsem využila pivot se všemi existujícími MKN kódy v data setu a k nim nakopírovala adekvátní kategorie do vyhledávací tabulky v samostatném listu.

Správná kategorie je vyhledána s pomocí vzorce:

 =SVYHLEDAT([@[podskupina_diagnoz_dle_who_kod]];Tabulka2;2;NEPRAVDA)

Dělení krajů se ukázalo být drobným problémem. Používaná verze excelu neumí ani TEXTSPLIT a ani IFS (pouze IF). Oddělování textu zleva bylo velmi jednoduché, ale oddělit text zprava (Kraj Vysočina a Hlavní město Praha proti např. Jihomoravský kraj dělaly problémy). Nejjednodušší se tak ukázalo opět použití fce SVYHLEDAT na tabulku s přepsanými kraji tak, aby s nimi Bing (Power BI) dokázal správně pracovat.

Testování jednotlivých variant obvykle zahrnuje vyzkoušení samotné funkce na datech, kde vím, co má vyjít a následně funkce ladím, dokud nedostanu adekvátní výsledek. Velké množství vnořených funkcí u excelu je totiž extrémně nepřehledné. Nejvíce vnořených fcí doposud jsem měla asi 6 a to se již obtížně udržuje a je pak lepší najít jiné řešení.

Při vymýšlení způsobu vypsání krajů jsem se dostala na nepřehledné vnořené funkce:

=KDYŽ(NEBO([@kraj]=“Kraj Vysočina“;[@kraj]=“Hlavní město Praha“);ZPRAVA([@kraj];(DÉLKA([@kraj])-NAJÍT(“ „;[@kraj];1)));ZLEVA([@kraj];(HLEDAT(“ „;[@kraj]))))

Kdy Hlavní město Praha mne v daném systému nutilo přidat další hromadu vnořených funkcí. Rozhodnutí tak padlo na vyhledávací tabulku a fci SVYHLEDAT. Abych nemusela kraje ručně vypisovat, stačila mi jednoduchá fce ZLEVA a HLEDAT pozici mezery. S ručním dopsáním Prahy a Vysočiny.

Dodatečné bylo ještě vložení sloupce s kódem státu, který je ale pro všechny řádky stejný.

Hraní si s geografickými daty bylo nutné, protože Bing neumí/neuměl (07/2022) rozlišit „Jihomoravský“ a „Jihomoravský kraj“ jako stejné hodnoty pro kraj. Pokud ano, zatím jsem na to nepřišla.

Vyčištěný soubor má 1676 řádků a je tedy vyloučené dělat analýzy manuálně. S pomocí jednoduchých filtrů, seřazení, popř. kontingenční tabulky je možné si udělat náhled na strukturu dat a vzorce v nich obsažené.

Průzkumná analýza

Obnovila jsem provázání s Power BI, kde byl navázán první pokus práce s daty. Zde jsem se dostala až do fáze zpracovávání analýz, ale bylo nutné všechna data revidovat a znovu napojit vazby. Jelikož originální soubor chyběl, bylo lepší začít od začátku s pokusem zachovat všechno, co šlo. Celou analýzu jsem se totiž rozhodla o pár měsíců později kompletně předělat (11/2022).

Zde jsem si dávala grafy podle toho, co mne zrovna zaujalo a podle nových otázek, které mne napadaly na základě dat. Postupně jsem si ucelila představu o datech i o tom, jaké otázky chci zodpovědět.

Některé extrémně nízké hodnoty byly z grafů vyloučeny. Pod 18 let jsou grafy obvykle nad 5 případů a nad 18 let jsou grafy zobrazené obvykle nad 1000 případů.

Počet nově přiznaných invalidních důchodů v České republice dle skupin diagnóz

Čištění a příprava dat

Při průzkumu dat jsem si všimla, že je mezi daty ještě vložený kód diagnóz „total“ a při pokusu o ověření, zda opravdu sedí se součtem jsem narazila na problém desetinné čárky. Tzn. čísla byla ve formátu 000.0 a nikoliv 000,0 což moje verze excelu nedokázala zpracovat jinak než text (možná chyba při převádění z CSV do XLSX).

Jelikož najít a nahradit přes CTRL+F by nepřineslo vhodné výsledky, pohledala jsem, které funkce se dají použít. Našla jsem fci NAHRADIT a DOSADIT, kdy jsem ještě potřebovala zjistit, kdy a jak se která používá. Využitá byla fce DOSADIT a následně formátovat jako číslo. Díky tomu jsem si již následně ověřila, že data označená kategorií T, opravdu mohu vymazat, jelikož se jedná o souhrny dat, která zde vypadají jako nový záznam.

Vyfiltrovala jsem si tedy všechny označené „T“ a pomocí vybrat pouze viditelné buňky jsem je vymazala a následně pomocí filtru „prázdné“ odstranila prázdné řádky z tabulky

Totéž jsem udělala s daty Female, Male, Total (zajímavé je, že v lékařských záznamech chybí Intersex pohlaví a cca 1,5 % lidí s touto genetickou odlišností si tak musí vybrat, kam se zařadí).

Při další kontrole dat a průzkumu přes pivot jsem si všimla a ověřila, že v datech byl ještě součet zavšechny věkové kategorie, který bylo opět nutné vymazat z dat.

Tento soubor má po vyčištění dat 17600 řádků. Je tedy mnohem obsáhlejší než ten první.

Průzkumná analýza

Při nastavování grafů kontroluji, zda se data chovají tak, jak je od nich očekáváno a pokud ne, tak kde se stala chyba. Občas to vyžaduje doplnit ve zdrojových datech nějaký souhrnný/detailnější sloupec, přejmenování sloupce etc.

Zároveň si v této fázi definuji nové otázky. Tvořím pokusy o náhled na data z jiného úhlu pohledu.

Vyhodnocení

Úvod

Tento datový set jsem si vybrala i s cílem poukázat na další problémy, které z dat nutně nevyplývají:

V první řadě je potřeba si uvědomit, že důchody v žádném případě nejsou vypláceny všem lidem, kteří je potřebují a v adekvátní výši. Většina lidí, kteří by ID potřebovali, na něj buď nikdy nedosáhnou, popř. nikdy nedosáhnou na takovou výši, která by jim umožnila neživořit v chudobě a dosáhnout na potřebné zdravotnické vybavení a služby. Při jakémkoliv přezkoumání stupně ID hrozí i odebrání veškeré podpory. Gatekeeping je v této oblasti velký problém.

Není to způsobeno jenom politikou a snahou ušetřit, nýbrž i absencí služeb a dalších nedostatků. Velký problém je, že posudkoví lékaři jsou obvykle ze zcela jiného oboru, jsou často vyhořelí, velká část z nich si v oboru nerozvíjí znalosti (obecný problém v jakémkoliv odvětví) a jejich cílem je primárně ušetřit státu finance. Problém se vzděláváním je umocněn nedostatkem kvalitních informací v češtině (v některých oborech), jelikož většina (nejen) odborných informací je šířena v angličtině. Znalost angličtiny v ČR je pak poměrně špatná: “Středně pokročilou znalostí angličtiny, která již vyžaduje znalost jazyka na běžné komunikační úrovni, se může chlubit přibližně 15 % populace, velmi pokročilou pak 7 %.”

Adekvátní sociální služby obvykle chybí (nedostatek, či absence) a jsou finančně nedostupné (ať už v neziskovém, či komerčním sektoru). Často u sociálních pracovníků chybí vzdělání. Obrovským problémem je též ableismus, paternalismus a (nejen lékařský) gaslighting, který je často podporován i rodinami postižených lidí a násilí na postižených lidech.

Nevhodná a chybějící lékařská péče je spíše obecný problém v ČR, která se ale výrazně stupňuje, pokud člověk má chronické onemocnění. V takovém okamžiku přestává být pro lékaře „zajímavý”. Obecně je v ČR problém dostat adekvátní lékařskou péči jinak než přes známosti či soukromá zařízení. Lékaři mají často božský komplex, či jsou obecně přesvědčeni o své nadřazenosti, jsou přepracovaní a vyhořelí (bez dat, pouze posbíráno od lékařů a pacientů). Pacient je pro ně často jen položka na seznamu.

Ke všem těmto problémům se ještě přidává nedostatek vhodných pracovních míst a diskriminace na pracovišti/u pohovoru (zejména u neviditelných postižení). Velké množství postižených lidí totiž může alespoň částečně pracovat, pokud jsou jim dány vhodné podmínky a nemusí tak sociální systém státu vůbec, či jen málo zatěžovat. Z úprav na pracovišti se nejedná jenom o rampy, ale i o možnost práce na home office, zkrácené úvazky atd. Častá je neochota zaměstnavatelů se jakkoliv přizpůsobit a absurdní předsudky vůči uchazeči o práci.

Nesmyslně často jsou postižení lidé v chráněných dílnách a na nekvalifikovaných pracovních pozicích, a to včetně vysokoškolsky vzdělaných lidí. Podmínky v chráněných dílnách jsou často nevyhovující a lidé v nich jsou velmi často vykořisťování a zneužívání. Nejenom v chráněných dílnách jsou pak postižení lidé za svou práci obvykle odměňování mnohem nižšími platy než většinová populace i přesto, že jsou často schopní odvádět stejně kvalitní práci. Práce v chráněných dílnách je často jen “prací pro práci” bez jakéhokoliv smyslu.

uklízečka). Tyto pozice jsou možná vhodné pro lidi s intelektovým postižením bez fyzických omezení, ale pak je tu nemalá část lidí právě s fyzickými/kombinovanými omezeními.

Hlavní zaměření pohledu na tato data byla s ohledem na duševní onemocnění a náhledu pro lidi s poruchou autistického spektra (PAS) a ADHD.

Reforma ID

Největší množství úbytku nově vyplacených důchodů o cca 50 % se stalo s reformou ID (2009 na 2010), kdy přestal existovat důchod plný a částečný. Částečný/plný důchod k sobě byly v poměru cca 55/45 %. Je tedy vysoce pravděpodobné, že s tímto rokem přišla většina lidí s šancí na částečný důchod o veškerou potenciální podporu, kterou by jim ID skýtalo. I takto se léčí lidé v ČR.

Kvůli reformě ID jsem do většiny grafů nezahrnovala data před rokem 2010. Čísla jsou v těchto letech velmi odlišná a nejsou konzistentní s pozdějšími roky.

Covid

Počet nově vyplacených ID je od roku 2010 relativně stabilní, kromě covidových let. V době covidu byl drobný pokles, který byl nejvíce citelný v roce 2020. Je předpoklad, že od roku 2022 bude množství nových ID buď mírně narůstat, nebo se vrátí na původní hodnoty. Tento pokles je nejvíce patrný při pohledu pouze na duševní onemocnění.

Rozložení ID v populaci

Zřejmě nikoho nepřekvapí, že nejvyšší zastoupení nově přiznaných ID roste s věkem až do okamžiku nároku na starobní důchod. V tomto grafu je závěr asi celkem jednoduchý, a sice se vzrůstajícím věkem vzrůstá i pravděpodobnost množství problémů, se kterými se člověk může potýkat.

Má to něco do činění s tím, že buňky tvoří kopie kopií, když obnovují tkáně, ale to už je problém, do kterého nechci zabíhat. Jedná se o další velmi rozsáhlé téma, kde se necítím být dostatečně kvalifikovanou na jeho rozebírání.

Více než 75 % všech nových invalidních důchodů tvoří lidé nad 40 let. Tedy v druhé polovině svého života. Pokud beru v potaz, že průměrná délka dožití mužů je přibližně 76 let a žen 82 let. Což by asi byl i důvod, proč bylo přiznáno o malinko více invalidních důchodů mužům než ženám.

Počet nových invalidních důchodů za všechny věkové kategorie dohromady pak na prvních třech místech zabírají problémy se svalovou a kosterní soustavou (pohybový aparát), duševní poruchy a poruchy chování a následně novotvary (např. rakovina).

Důvody vzniku ID nad 19 let

Jelikož lidé pod 19 zabírají demograficky menší část populace než všechny věkové skupiny dohromady, je pravděpodobné, že většina invalidních důchodů bude přiznána lidem nad 19 let. S tím souvisí i to, že nad cca 25 let organismus již jen stárne.

Nad 19 let je tedy nejčastějším důvodem „svalová a kosterní soustava“, což samo o sobě vlastně nic moc neřekne. S výrazně menším počtem pak následují novotvary (např. rakovina) a problémy oběhové soustavy (typicky „kardiaci“). Trochu překvapivé by pak možná byly duševní poruchy a poruchy chování. Většinu populace nad 19 let budou stále tvořit lidé, kteří vyrůstali v době, kdy duševní onemocnění bylo „sprosté slovo“.

Když dáme stranou veškerá duševní onemocnění a poruchy chování (F diagnózy), zbydou nám hlavně bolesti zad různého typu. To jsou ony dorzalgie a onemocnění meziobratlových plotének. Níže v seznamu jsou pak i artrózy.

Epidemiologii a prevenci těchto onemocnění bych nechala na jiných, kteří se v tématice orientují.

Naprostou většinu z „fyzických“ onemocnění pak tvoří právě onemocnění pohybového ústrojí. Ty se zákonitě budou promítat na snížené pohyblivosti lidí. Bezbariérovost ať už fyzická, či virtuální tedy není jen pro „pár kriplů“, ale dříve či později pro naprostou většinu populace. Tzn. při projektování staveb je potřeba myslet na starší lidi, ale i třeba jen na rodiče s kočárky.

Trochu zajímavější je pak pohled na duševní onemocnění. V kategorii nad 19let jsou pak ID nejčastěji přiznávány podle tohoto menšího datasetu lidem se Schizofrenií (54 %), úzkostmi (23 %) a depresemi (19 %).

Schizofrenie v letech 2010-2013 tvořila kolem 70 % všech nových invalidních důchodů a postupně poklesla na cca 40 %. Do roku 2013 jako kdyby úzkosti neexistovaly a v roce 2021 už tvoří zhruba 40 % všech nových ID. Dost pravděpodobně nárůst úzkostí není spojený ani tak s vyšší hektičností doby, jako spíš proto, že přestávají být vnímány jako „ženská hysterie“. Tedy jako onemocnění, kterým může trpět každý a dokáží velmi ztrpčovat život.

Zajímavý je i vývoj nových ID na deprese. Ty v roce 2010 tvořily asi 30 % nových ID a nyní jen 12 % a to i před covidem (úbytek i v absolutních číslech). Jedná se o onemocnění, které může být smrtelné a stálo by tedy za to, zjistit z jakého důvodu je tak velký úbytek. Jestli se jedná o lepší léčbu a včasný záchyt, vyšší množství sebevražd, nebo o zanedbání lékařů a chyby v systému.

Covidové roky – duševní onemocnění

Velmi zajímavá jsou data psychických onemocnění v souvislosti s covidem. V letech 2020 a 2021 je nezanedbatelný pokles přiznaných důchodů. Obecně je zaznamenatelný viditelný pokles nových ID pro tyto roky, ale pro psychická onemocnění se jedná o pokles dost zásadní.

V roce 2010 a 2021 byl počet nových ID pro psychická onemocnění zhruba stejný, tedy nějakých 40 % průměru ostatních let. Rok 2021 se dostal dokonce ještě níže. Předpokládám, že vysvětlení není ani tak proto, že by lidé nesli pandemii s takovou lehkostí, jako spíše obava jít k lékaři (zejména jsou-li mezi novými ID značně zastoupeny úzkosti).

V tomto bude zajímavé sledovat další vývoj, protože předpokládám, že vyhodnocená data za rok 2022 přinesou znovu nemalý nárůst v nových ID pro deprese a úzkosti. Lidé se přestávají bát jít k lékaři, pandemie byla náročná a současná politická, sociální a energetická situace velmi nahrává dalšímu rozvoji zásadních psychických onemocnění.

Podpora pro lidi s PAS

Jelikož nikde mezi hlavními psychickými příčinami ID u dospělých lidí není PAS ani nic podobného, tak předpokládám, že je velmi nepravděpodobné na autismus v dospělosti získat ID (a zkušenosti lidí v mém okolí to potvrzují). Pozdní diagnostika je sice možná, ale šance na ID je pravděpodobná jen u přidružených onemocnění; tady následků nezachyceného PAS. Lidé bez podpory a správných informací tak dost pravděpodobně končí s úplně jinou diagnózou, jelikož autismus u dospělých stále často v očích lékařů neexistuje.

Z tohoto hlediska jsou problém lidé s nízkou mírou nutné podpory s PAS, protože ti velmi často uniknou diagnostice. Naopak lidé se střední a vysokou mírou nutné podpory jsou často tak nápadní, že se ke vhodným službám mohou dostat mnohem dříve. Oboje má svá rizika, u lidí s vyšší mírou nutné podpory je velmi vysoká pravděpodobnost týrání ze strany opatrovníků/rodičů, ABA “terapie” a dalších velmi nevhodných pokusů o pomoc.

Pokud tedy dotyčná osoba s PAS nemá přidruženou diagnózu, je velmi nepravděpodobné získání ID pouze kvůli autismu.

Velmi překvapivé však je velké množství ID na schizofrenii. Zejména proto, že lidí se schizofrenií by v populaci mělo být o něco málo méně nežli PAS a jedná se o problém podobně závažný! Pouze na PAS neexistuje léčba.

Podle GreenDoors je v populaci schizofreniků kolem 1-1,5 % zatímco PAS je dle Nautis 1,5-2 % lidí Tato informace je poměrně přesná a v souladu s obecným přesvědčením a posledními výzkumy.

I kdyby jenom polovina lidí s PAS vyžadovala značnou pomoc, pořád bychom se logicky měli dostat na alespoň nějaká čísla nových ID. Pořád se jedná o 150 000-200 000 lidí s touto diagnózou v populaci. V současnosti je zachyceno ale jenom kolem 25 967 osob, kdy si naštěstí jak Nautis, tak ÚZIS je vědom nedostatků a nepřesností daného čísla.

Osobně předpokládám, že toto číslo diagnostikovaných zahrnuje především lidi s přidruženou diagnózou intelektového postižení, popřípadě lidi, kteří mají vysokou míru nutné podpory (obvykle se nazývají nízkofunkční, problémy s touto terminologií jsem již vysvětlovala jinde). Dle menšího datasetu však na PAS získalo ID pouze 398 lidí bez ohledu na věk za celé zkoumané období 2010-2021! To je velmi znepokojivé číslo, protože absolutně neodráží realitu, kdy je každý rok dle Nautisu diagnostikováno kolem 1000-2000 lidí. Pokud někdo tuto diagnózu dostane, tak obvykle proto, že on sám každý den bojuje o přežití, nebo okolí s ním má problém (u dětí).

ADHD jsem nenašla jediný případ, Tedy není-li zahrnutý pod „poruchy chování a osobnosti“. I tak by se pak jednalo o jednotky případů. Těžké ADHD může život znesnadnit úplně stejně, jako PAS.

Pokud se na ID budu dívat pouze z pohledu PAS a ADHD, pak český zdravotnický a sociální systém má velký problém. Nepřekvapivě lidem s postižením nejenže nepomáhá, ale ještě jim značně komplikuje život. Systém invalidních důchodů opravdu neexistuje primárně proto, aby lidem usnadňoval život, ale aby byl vytvořen dostatečně robustní gatekeeping systém, do kterého se dostane opravdu málokdo. Díky tomuto systému se veřejnost může “plácat po zádech”, jak skvěle pomáhají postiženým lidem.

Chápu snahu o zajištění toho, aby všechny služby pro postižené (nejen ID) nevyužívali lidé, kteří služby nepotřebují. Přesto by měli někteří poskytovatelé zvážit, zda neodstrkují i lidi, kteří by to potřebovali. Ať už se jedná „jen“ o chronicky nemocné, nebo dočasně znevýhodněné lidi (zde neplatí pro ID, ale pro systém obecně).

Duševní onemocnění pod 19let

Je důležité se podívat i na porovnání dospělých s dětmi a mladistvými. Jelikož se jedná o početně pouze menší část populace (0-19 let je méně lidí, než 19-65 let) s menším množstvím nově přiznaných invalidních důchodů. Proto by nebylo možné zobrazení v grafu bez použití logaritmického měřítka.

V kategorii pod 19let duševní poruchy zabírají 56 %. Někteří by mohli namítat, že je „dnešní generace přecitlivělá“, ale měli bychom zvážit další faktory a podívat se na data hlouběji.

Ve větším datasetu nejsou podrobnosti jednotlivých diagnóz, ale v tom menším již ano a zde je vidět, že přes 80 % nově přiznaných důchodů v této kategorii jsou intelektová postižení. A Pervazivní vývojové poruchy (PAS) jsou pouze na 15 %. Konkrétní diagnózy jako Dětský autismus a Aspergerův syndrom (již zastaralé) tvoří jednotky případů. V absolutních číslech je to 391 ks pro pervazivní vývojové poruchy a dohromady 398 i se zastaralými diagnózami, které sem patří.

Je velmi vysoká šance, že z intelektových postižení bude část ve skutečnosti PAS, a to z toho důvodu, že odborníků na PAS je v ČR velmi málo a PAS a intelektové postižení se mohou projevovat velmi podobně, ne-li stejně. U lidí s PAS by se pak neměl hodnotit intelekt, jelikož nemusí vůbec vypovídat o realitě. Jedná se o problém v komunikaci, ne intelektu (samozřejmě intelektové postižení může být přidruženo). Zde bude pravděpodobně na vině i fakt, že pojišťovny a posudkoví lékaři budou zřejmě mnohem ochotnější přiznat ID pro intelektové postižení než na PAS. To vede lékaře píšící zprávy k nezbytnému slovíčkaření, aby zpráva byla šitá na míru posudkovému lékaři (zde jde pacient obvykle zcela stranou a jedná se pouze o kličkování v systému). V případě, že lékař napíše zprávu “tak jak to je”, posuzovaný pacient má jen velmi malou šanci na získání podpory, kterou opravdu potřebuje.

Pro ADHD (hyperkinetické poruchy) je pak situace ještě o hodně složitější, kdy pod 19 let to bylo pouze 12 případů. Nad 19 let pravděpodobně nikdo. Tato porucha má tak ještě o hodně těžší postavení v šanci na jakoukoliv úlevu v systému. A podle všeho by ADHD mělo mít něco kolem 5-7 % lidí.

I podle čísel je jasně patrné, že se jedná opravdu o jednotky případů a je tak jen velmi málo mladých lidí, kteří na invalidní důchod dosáhnou kvůli duševním onemocněním. Nabízí se zde totiž i otázka, kolik lékařů praktikuje přístup „z toho vyroste“, banalizování problému a svádění na snahu o získání pozornosti. Co je ještě horší, již jsem zaregistrovala svědectví rodičů označených z münchhausenova sydromu by proxy (ve zkratce rodič předstírá nemoc dítěte) při snaze najít pomoc pro jejich dítě.

Je zajímavé, že do roku 2021 pravděpodobně nebylo vůbec možné získat invalidní důchod na schizofrenii pod 18 let.

Závěry pro ELtwins

Vzhledem k mému osobnímu zaměření na osvětu v oblasti PAS a ADHD jsem se chtěla podívat na data z pohledu duševních onemocnění. Zajímalo mne, jak velká je pravděpodobnost dostat ID na PAS, jelikož „se obecně ví, že to prakticky nejde“. Zároveň co je nejčastější důvod pro ID v určitém věku.

Závěr

Zjistila jsem informace, které se daly předpokládat. Např. úbytek nových ID v populaci nad 60 let (starobní důchody). S věkem se zvyšuje pravděpodobnost vzniku invalidity a nejčastějšími důvody jsou svalové a kosterní soustavy, novotvary a trochu překvapivě i duševní onemocnění. Také, že pod 35 let je počet vzniků invalidity velmi nízký.

K mému překvapení jsem však zjistila že hlavními příčinami vzniku invalidity u mladistvých a dětí nejsou vrozené vady, ale především duševní onemocnění (většina intelektové postižení). Při porovnávání ID s populací nad 19let bylo nutné použít logaritmické měřítko, vzhledem k obrovskému rozdílu v počtu.

Sama pro sebe jsem si také v průběhu vyhodnocování zformovala nové otázky a hypotézy, z nichž některé jsem na těchto datech mohla rovnou ověřit. Jiné otázky by vyžadovaly další data.

Zdroje

Autismus. Nautis [online]. Praha: Nautis [cit. 2023-07-05]. Dostupné z: https://www.nautis.cz/autismus

O schizofrenii. GreenDoors [online]. Praha: GreenDoors, 2015 [cit. 2023-07-05]. Dostupné z: https://www.greendoors.cz/cs/schizofrenie-psychoza-a-dusevni-onemocneni/

Počet nově přiznaných invalidních důchodů v České republice dle skupin diagnóz. Česká správa sociálního zabezpečení [online]. Praha: ČSSZ, 2022 [cit. 2023-07-05]. Dostupné z: https://data.cssz.cz/web/otevrena-data/-/invalidita?inheritRedirect=true

HEJZLAR, Štěpán. Kolik je v ČR lidí s potvrzenou diagnózou PAS?. Nautis [online]. Praha: ÚZIS, 2019, 2019 [cit. 2023-07-05]. Dostupné z: https://www.nautis.cz/newsletter/kolik-je-v-cr-lidi-s-potvrzenou-diagnozou-pas

PŮBALOVÁ, Božena. Čtyři z pěti Čechů se domluví cizí řečí. Statistika&my [online]. Praha: ČSÚ, 2017 [cit. 2023-07-05]. Dostupné z: https://www.statistikaamy.cz/2017/10/17/ctyri-z-peti-cechu-se-domluvi-cizi-reci/

ŠUNKA, Jiří. Zpět Nejčastější příčiny vzniku invalidity. Česká správa sociálního zabezpečení [online]. Praha: ČSSZ, 2022 [cit. 2023-07-05]. Dostupné z: https://data.cssz.cz/web/otevrena-data/-/nejcastejsi-priciny-vzniku-invalidity