Het Strategisch Programma RIVM is ons programma voor eigen onderzoek, innovatie en kennisontwikkeling. We richten ons met dit programma op onderwerpen die extra aandacht verdienen omdat ze in de toekomst invloed kunnen hebben op onze volksgezondheid en leefomgeving.
SPR 2023-2026: nieuwe methoden en technieken
Al het onderzoek dat we bij het RIVM doen, levert veel data op. En data vormen de basis voor onze publicaties, adviezen en informatievoorziening. Maar de hoeveelheid, complexiteit en variëteit van data nemen toe. Dat vraagt om nieuwe onderzoeksmethoden en -technieken. En om nieuwe methoden en technieken voor het verzamelen, verwerken, analyseren en ontsluiten van data. In de periode van 2023 tot 2026 richt SPR (Strategisch Programma RIVM ) zich op het ontwikkelen en toepassen van die nieuwe methoden en technieken.
Er zijn vijf categorieën van methoden en technieken die we gaan vernieuwen, (door)ontwikkelen en toepassen:
- Methoden en technieken voor het meten en monitoren van gegevens die zijn verzameld door veldwerk, laboratoriumonderzoek en/of epidemiologie.
- Methoden en technieken om grote en gecombineerde gegevensbestanden te analyseren, gegevensstromen (lokaal tot globaal) te integreren en informatie in ‘real time’ samen te brengen.
- Methoden, modellen en technieken om integrale afwegingen te kunnen maken. En verbeteren proces- en uitkomstindicatoren om maatschappelijke baten uit te rekenen en zichtbaar te maken.
- Methoden om burgers te betrekken bij het verzamelen van gegevens en voor het beter ontsluiten van gegevens en het uitleggen van de effecten van interventies aan burgers en beleidsmakers.
- 5) Methoden en technieken om maatschappij- en gedragswetenschappelijke aspecten te integreren in RIVM-onderzoek dat is gericht op verbetering van de volksgezondheid, veiligheid en duurzaamheid.
In totaal worden er in deze SPR-ronde ongeveer 30 projecten uitgevoerd. De projectplannen voegen we in de loop van 2023 toe aan deze webpagina. Onderstaande projecten starten begin 2023:
content Begrijpen wanneer beleid burgers in staat stelt hun voedingsgedrag aan te passen
Naam van het onderzoek: BEleid met DOEnvermogen LaDen (BEDOELD)
Wat?
In dit project proberen we meer inzicht te krijgen in wanneer en hoe mensen beleid naleven. Daarbij kijken we naar voedingsgedrag. Wat zorgt ervoor dat mensen beleidsmaatregelen rondom voeding kunnen en willen naleven, en dat we dus een duurzame en gedragen verandering in de samenleving kunnen realiseren?
Waarom?
Of en hoe overheidsbeleid effect heeft, hangt van meerdere dingen af. Het hangt ervan af of de middelen die worden ingezet bijdragen aan de verandering die moet plaatsvinden (technische efficiëntie). Maar ook van hoe goed burgers beleid kunnen omzetten in gedrag. Soms werken meerdere beleidsmaatregelen ook tegen elkaar in, waardoor het effect ervan afneemt. Door voor beleid over voedingsgedrag te onderzoeken hoe al deze dingen op elkaar inspelen, leren we wanneer en hoe beleid effectief is.
Hoe?
We gaan een model bouwen waarin we de complexe samenhang tussen landelijk beleid en individuele keuzes inzichtelijk maken. Daarin bestuderen we het veranderen van een voedingspatroon naar minder vlees en meer groenten met zoveel mogelijk relevante factoren. We gaan hiervoor modellen van Shift Diets gebruiken, literatuuronderzoek doen en gebruikmaken van ‘group model building’ en ‘agent based modelling’.
Samenwerking
Erasmus Universiteit.
content BEHAVING
Naam van het onderzoek: BEleidsadvies op Hoger niveau Door Aansluiting Van INfectieziektemodellen op Gedragswetenschap (BEHAVING)
Wat?
Het doel van dit project is om de invloed van gedragsverandering op de verspreiding van infectieziekten beter te schatten en te begrijpen. We willen hiervoor rekenmodellen gebruiken. Dat zijn simpele weergaven van de werkelijkheid die veel gebruikt worden om de effecten van maatregelen te onderzoeken. Rekenmodellen zijn belangrijk voor de ondersteuning van beleid.
Waarom?
Gedrag speelt een belangrijke rol bij de verspreiding van infectieziekten. Dat blijkt uit gegevens over seksueel gedrag en de COVID-19-pandemie. Toch wordt kennis uit de gedragswetenschappen nog weinig gebruikt in rekenmodellen. Door gedrag en factoren die dit gedrag verklaren mee te nemen in rekenmodellen, kan de betrouwbaarheid van beleidsadviezen en de effectiviteit van beleid verbeteren.
Hoe?
We gebruiken bestaande gedragsdata. En we ontwikkelen een raamwerk om nieuwe gedragsdata te verzamelen en om gedrag van mensen beter te kunnen inschatten. Met deze nieuwe inschattingen passen we onze rekenmodellen over infectieziekten aan. We richten ons op chlamydia, COVID-19 en mazelen.
Met data de eiwittransitie vooruithelpen (BIGFOOD)
Naam onderzoek: Boer-tot-bord transities en hun impact – big data benaderingen (BIGFOOD)
Wat?
Voor mens, natuur en milieu is het nodig om minder dierlijke eiwitten te gebruiken en meer plantaardige eiwitten. Die omslag noemen we de eiwittransitie. In het BIGFOOD-project onderzoeken we de effecten van de eiwittransitie op de volksgezondheid, de voedselveiligheid en het milieu. Ook identificeren en bestuderen we veelbelovende maatregelen om de eiwittransitie vooruit te helpen. Het resultaat van ons onderzoek wordt een ‘dataplatform’, een centrale plek waar we onze data verzamelen. Een ‘BIGFOOD-toolbox’, met handige voorbeeldscripts om de data in het platform te analyseren. Een proefschrift met vier wetenschappelijke artikelen. En een lesmodule over gebruik van het dataplatform.
Waarom?
Als we willen dat onze voedselproductieketen en wijzelf gezond blijven, moeten we van een voeding met veel dierlijke eiwitten omschakelen naar een voeding met veel plantaardige eiwitten. Met het onderzoek in dit project achterhalen we wat de beste strategieën voor de eiwittransitie zijn en kunnen we de (potentiële) effecten ervan doorrekenen.
Hoe?
We gebruiken data uit verschillende schakels van de voedselketen, zoals de landbouw, voedselindustrie, voedselverkooppunten, en de consument. Deze data maken we beschikbaar , combineren en analyseren Hierbij volgen we FAIR principes, wat betekent dat onze data vindbaar, toegankelijk, uitwisselbaar en herbruikbaar zijn. De grote datasets analyseren we door middel van kunstmatige intelligentie.
Samenwerking
Betrokken centra RIVM: Voeding, Preventie en Zorg (VPZ (Voeding, Preventie en Zorg)), Zoönosen en Omgevingsmicrobiologie (Z&O (Zoönosen en Omgevingsmicrobiologie)), Duurzaamheid, Milieu en Gezondheid (DMG (Department of Sustainability, Environment and health)), Milieukwaliteit (MIL (Milieukwaliteit)), Informatievoorziening (IVO (Instituut voor Onderzoek naar Leefwijzen en Verslaving)), Gezondheidsbescherming (GZB (Gezondheidsbescherming))
Coördinatoren van de 4 werkstromen in het project:
- Marga Ocke (VPZ) – Coördinatie en disseminatie
- Rob Beffers (IVO) – Dataplatform en toolbox
- vacature () – Transdisciplinair leren
- Ido Toxopeus (VPZ) – Toepassingen eiwittransitie
Externe samenwerkingspartners:
- Wageningen Universiteit en Research
- Centraal bureau voor de Statistiek
- Nederlandse Voedsel- en Waren Autoriteit
content technologische innovaties voor de energietransitie beter beoordelen op duurzaamheid en veiligheid
Naam van het onderzoek: CHANGE: - aCtionable Hotspot identificAtion and impact iNteGration for the Energy transition
Wat?
Technologische innovaties spelen een belangrijke rol in de energietransitie. Het doel van dit project is om beter te leren beoordelen hoe duurzaam die innovaties zijn. Daarbij willen we ook de gevolgen van die innovaties voor veiligheid, sociale interacties en gedrag meenemen. Dit moet leiden tot een analysemethode waarmee we de transitie beter kunnen begrijpen. Met zo’n instrument kan beter geadviseerd worden over waar de energietransitie kan worden gestuurd en hoe knelpunten kunnen worden voorkomen.
Waarom?
Veel oplossingen voor de energietransitie zijn gebaseerd op technologische innovaties die ervoor zorgen dat we geen fossiele brandstoffen meer nodig hebben. Dit zijn innovaties zoals warmtepompen, zonnepanelen en windmolens. Het is nog onduidelijk wat de gevolgen kunnen zijn voor bijvoorbeeld veiligheid, sociale interacties en gedrag. Terwijl deze zaken zullen bepalen of mogelijke oplossingen succesvol zijn. Daarom is er, om de transitie en de mogelijke gevolgen beter te begrijpen, een analysemethode nodig waarin zowel de technologische ontwikkeling en bijbehorende impact op de gezondheid van mens en milieu als de dynamiek tussen gedrag, technologie en milieu is geïntegreerd.
Hoe?
Dit project heeft twee belangrijke onderdelen:
- Het koppelen van rekenmodellen voor impact van stoffen, materialen en geluid op gezondheid en milieu aan scenario modellen voor gebruik van nieuwe energie technologie voor verduurzaming van de woning.
- Ontwikkeling van zogenaamde agent-based modellen op basis van gedragsonderzoek met betrekking tot verduurzaming van de woning.
Uiteindelijk wordt een analysemethode ontwikkeld op basis van beide onderdelen om inzicht te krijgen in de belangrijkste factoren die de energie transitie zullen versnellen of vertragen.
Samenwerking
Binnen RIVM:
- Centrum Duurzaamheid Gezondheid en Milieu
- Centrum Veiligheid
- Centrum Veiligheid Stoffen en Producten
- Centrum Gezondheid en Maatschappij
- Centrum Milieukwaliteit
Buiten RIVM:
- TPM EnergyTransition Lab, TU (Technische Universiteit) Delft
- Centrum voor Milieuwetenschappen, Universiteit Leiden
Onderzoek naar textminingmethoden (EFFICIENT)
Naam onderzoek: Efficient
Waarom?
Het RIVM krijgt elke dag honderden vragen, opmerkingen en ideeën van burgers en van artsen en verpleegkundigen over verschillende onderwerpen. Deze informatie kunnen we gebruiken om ons onderzoek, ons beleidsadvies en onze communicatie beter af te stemmen op wat de maatschappij nodig heeft. Textmining kan een goede aanvulling zijn op traditionele manieren om aan informatie te komen, zoals interviews en vragenlijsten.
Hoe?
Voor vier onderwerpen (stikstof, gedragsinterventies tijdens COVID-19, baarmoederhalskankerscreening en HPV (humaan papillomavirus)-vaccinatie) gebruiken we nieuwe en bewezen textminingmethoden. Hierna toetsen we hoe nauwkeurig en haalbaar deze methoden zijn. De gegevens die met textmining verzameld zijn visualiseren we vervolgens op verschillende manieren en leggen we voor aan experts om te testen hoe relevant deze gegevens voor hun werk zijn. We maken ook een cursus over textmining om kennis en expertise te delen onder onderzoekers en om te zorgen dat deze kennis lang bewaard blijft.
Team
- Kernteam Efficient: Mart Stein (projectleider – LCI (Landelijke coördinatie infectieziektebestrijding)/CIb (Centre for Infectious Disease Control)), Marion de Vries (LCI/CIb), postdoc textmining (LCI/CIb-VU (Vrije Universiteit)), Jurriaan Biesheuvel (SIM/IV (human immunodeficiency virus)) en externe partner: Florian Kunneman (Faculty of Science, Artificial Intelligence of Vrije Universiteit voor hun expertise op het gebied van kunstmatige intelligentie (KI) en textmining, en de verbinding met andere vooraanstaande textminingexperts.
- Voor iedere casus betrekken we apart inhoudelijke experts van de LCI/CIb, EPI (Centrum Epidemiologie en Surveillance van infectieziekten)/CIb, G&M (Gezondheid en Maatschappij)/V&Z (Volksgezondheid en Zorg), VPZ (Voeding, Preventie en Zorg)/V&Z, Communicatie M&V, Communicatie CvB (Centrum voor Bevolkingsonderzoek) en Communicatie CIb, DVP (Dienst Vaccinvoorziening en Preventieprogramma's).
- Vanwege het gebruik van verschillende complexe databronnen, betrekken we daarnaast ook technische adviseurs zoals RIVM-informatiemanagers, privacy coördinatoren en data scientists van de IV-organisatie.
Burgers betrekken bij RIVM-onderzoek (5B)
Naam van het onderzoek: Betrekken van Burgers Bij Beleidsmodellering en Beleidsadvisering (5B)
Wat?
In dit project ontwikkelen we een leidraad voor het betrekken van burgers bij RIVM-onderzoek. Deze leidraad biedt hulp en advies aan onderzoekers over de best passende manier om burgers bij onderzoek te betrekken. We doen binnen dit project ook ervaring op met verschillende vormen en methoden van burgerbetrokkenheid
Waarom?
Het betrekken van burgers kan bijdragen aan de kwaliteit en de relevantie van onderzoek. Burgerbetrokkenheid is verder belangrijk omdat burgers via belastingen (indirect) betalen voor onderzoek. Binnen het RIVM hebben we alleen nog weinig ervaring met het betrekken van burgers bij onderzoek. Ook is het vaak onduidelijk wat de beste passende manier is om burgers bij onderzoek te betrekken.
Hoe?
We ontwikkelen eerst een eerste versie van de leidraad op basis van inzichten uit de literatuur en gesprekken met experts. Vervolgens gaan we zelf op drie manieren burgers betrekken bij ons onderzoek naar maatregelen om alcoholconsumptie te verminderen. Ook gaan we samen met andere onderzoekers ervaringen met burgerbetrokkenheid delen. Op basis hiervan wordt de leidraad verbeterd.
Samenwerking
Binnen RIVM:
- Onderzoekers van andere RIVM-projecten die zich bezighouden met burgerbetrokkenheid
Buiten RIVM:
- Drie burgeronderzoekers
- Vrije Universiteit Amsterdam
- Amsterdam Public Health
- Athena Instituut
- Trimbos Instituut
Evaluatie van afnemende bescherming door vaccins WAVE
Naam van het onderzoek: Evaluation of WAning Vaccine Effectiveness (WAVE)
Wat?
De bescherming door vaccins tegen bijvoorbeeld kinkhoest, griep en COVID-19 neemt met de tijd af. Er zijn verschillende manieren om deze afnemende bescherming te analyseren. In dit project ontwikkelen en vergelijken we die manieren/ de gebuikte methoden. De beste methoden gaan we gebruiken om gegevens van Nederlandse studies, zoals de VASCO-studie, te analyseren. Zo kunnen we in de toekomst ook/beter inschatten hoe snel de vaccineffectiviteit afneemt.
We gaan ook onderzoeken hoe persoonlijke eigenschappen de snelheid van de afnemende bescherming door vaccins beïnvloeden.
Waarom?
Informatie over de afname van vaccineffectiviteit is belangrijk om herhaalprikcampagnes te ontwerpen. Soms is na een eerste prik een herhaalprik nodig. Maar een herhaalprikcampagne is duur, ligt vaak gevoelig en is ook niet altijd nodig als je kijkt naar het risico op uitbraken. Als je weet of, hoe en hoe snel de bescherming door een vaccin afneemt, kan dat je helpen om een goede herhaalprikcampagne te ontwerpen. De coronapandemie heeft laten zien dat er te weinig goede methoden zijn om de afnemende bescherming door vaccins vast te stellen. Er zijn ook te weinig goede methoden om het verschil te zien tussen de echte en schijnbare afname van de bescherming. En om de veroorzakers van afnemende vaccineffectiviteit te onderscheiden.
Hoe?
We gaan bestaande methoden voor het analyseren van de afnemende bescherming door vaccins uitbreiden. En we gaan nieuwe methoden ontwikkelen om deze afname over tijd te vinden en om de snelheid van de afname te schatten.
Om te beoordelen hoe goed al deze methoden werken, gaan we een computersimulatie gebruiken. Die simulatie gaan we ‘vullen’ met de data van een paar lopende RIVM-studies naar COVID-19- en griepvaccins. Uiteindelijk gaan we ook een verzameling van computercode en data maken; de R-package. Daarmee kunnen onderzoekers de beste methoden voor het analyseren van de afnemende bescherming door vaccins gemakkelijk gebruiken.
Bekijk de video's: SPR in beeld
Bekijk de vorige SPR rondes
SPR rapporten
- Strategisch Programma RIVM Jaarrapportage 2021
- Strategisch Programma RIVM Jaarrapportage 2020
- Evaluatie Strategisch Programma RIVM 2015-2018
- Strategisch Programma RIVM Jaaroverzicht 2016 : Speerpuntnotities - publicaties
- Strategisch Programma RIVM Jaaroverzicht 2015 : Speerpuntnotities - publicaties