En viktig del av Öppna jämförelser kring folkhälsa och sjukvård är geografiska jämförelser avseende ett antal kvalitetsindikatorer. Geografisk ojämlikhet bedöms oftast genom sortering av områden (till exempel landsting eller kommuner) enligt olika indikatorer. Emellertid redovisas inte på ett tydligt sätt de kriterier som ligger till grund för bedömning av storleken på de geografiska skillnaderna. När går det att säga att en indikator varierar »avsevärt« eller att det finns »stora variationer« i landet? När är de geografiska skillnaderna »små« eller »försumbara«? Än så länge har graderingen av storleken på de geografiska skillnaderna inte baserats på några definierade kriterier. Här diskuteras denna fråga med hänvisning till en nyligen publicerad artikel [1] och till andra tidigare publikationer [2, 3] för en djupare förklaring.

För att kunna bedöma storleken på geografiska skillnader räcker det inte att studera skillnader mellan medelvärden för en viss indikator (till exempel skillnader mellan kommuner i andel invånare med fetma), utan man bör även beakta den individuella variationen kring dessa medelvärden. För detta ändamål går det att använda lämpliga analysmetoder, exempelvis flernivåregression med variansanalys [1]. Det är av vikt att inse att individers hälsa och sjukvårdskonsumtion påverkas av flera nivåer på samma gång och att dessa nivåer (till exempel individ- och områdesnivå) bör studeras samtidigt [2]. Med flernivåregression kan vi mäta hur stor andel av den totala individuella variansen i en kvalitetsindikator som fördelas på områdesnivån [3, 4]. Grundprincipen är att om områdenas kontext har betydelse för den studerade indikatorn kommer en relevant andel av den totala individuella variansen att kunna tillskrivas det område individerna bor i. De geografiska skillnaderna kvantifieras som andelen av den totala individuella variansen som beror på variansen mellan områdenas medelvärden. I figuren förklaras detta ytterligare, och en utförligare förklaring för både kontinuerliga och dikotoma variabler finns publicerad på engelska [1].

Det går även att dra en analogi med konventionell screening eller diagnostiska test [5]. I vårt fall vill vi veta med vilken träffsäkerhet de geografiska områdena särskiljer individer med eller utan det utfall vi studerarIngen beslutfattare inom folkhälsa och sjukvård skulle vilja använda ett test utan att först veta dess prediktiva träffsäkerhet (med andra ord dess sensitivitet och specificitet). Ska insatser fokuseras på vissa områden eller inte? Man vill inte i onödan behandla falskt positiva patienter eller felaktigt neka behandling av falskt negativa individer. Följaktligen finns större anledning att fokusera på vissa områden och inte på andra, ju högre sensitivitet och specificitet som de öppna jämförelserna har. Problemet med de konventionella öppna jämförelserna är dock att deras prediktiva träffsäkerhet är okänd. Andra nackdelar som dyker upp när man bara fokuserar på skillnader mellan medelvärden är att samma medelvärde lätt tillskrivs alla individer i området, utan hänsyn till den individuella heterogeniteten. Detta fenomen har kallats for »medelvärdets tyranni« [6] och är en av anledningarna till att man i dag diskuterar relevansen av så kallad precisionsmedicin och folkhälsovetenskap [7]. 

Det finns bättre alternativ till de traditionella epidemiologiska metoderna för att genomföra geografiska jämförelser [1]. Det kan vara lämpligt att presentera listor eller diagram baserade på medelvärden, men kompletterande information om den prediktiva träffsäkerheten eller om andelen av den totala individuella variansen på områdesnivå bör också presenteras [8]. Det finns utrymme för förbättringar i de epidemiologiska metoder som används för Öppna jämförelser, och enkla flernivåregressioner med variansanalyser borde implementeras vid Öppna jämförelser [1].