Lähdekoodi sivulle PFAS-yhdisteiden tautitaakka

[[Luokka:Kala]]
[[Luokka:Pysyvät orgaaniset yhdisteet]]
{{arviointi|moderaattori=Jouni|status=ongoing}}
{{edistymisluokitus|edistyminen=Luonnos}}
'''PFAS-yhdisteiden tautitaakka''' käsittelee perfluorattuja alkyyliyhdisteitä ja niiden terveysvaikutuksia Suomessa. Euroopan ruokaturvavirasto EFSA on julkaissut vuonna 2020 päivitetyn riskinarvioinnin ja saantisuosituksen PFAS-yhdisteille<ref name="efsa2020">EFSA. (2020) Risk to human health related to the presence of perfluoroalkyl substances in food. https://doi.org/10.2903/j.efsa.2020.6223 [https://www.efsa.europa.eu/en/news/pfas-food-efsa-assesses-risks-and-sets-tolerable-intake]</ref>.  PFAS-yhdisteitä on käytetty laajalti eri kuluttajatuotteissa, kuin myös teollisuudessa 1950-luvulta lähtien. Nykyisin joidenkin PFAS-yhdisteiden käyttö on Euroopassa rajoitettua, mutta edelleen niitä käytetään mm. sammutusvaahdoissa, joten esim. laajassa tulipalossa näitä aineita voi päästä ympäristöön. Muita päästölähteitä Suomessa ovat mm. jätevedenpuhdistamot, kaatopaikat tai paloharjoittelualueet. Suomessa ja muuallakin Euroopassa PFAS-yhdisteitä on käytetty yleisesti kuluttajatuotteissa, teollisuudessa ja muussa toiminnassa. Tämä selvitys on tehty kartoittamaan PFAS-yhdisteiden pitoisuuksia kalassa, ihmisen altistumista ja altistumiseen kohdentuvaa tautitaakkaa verrattuna muihin kalan terveysvaikutuksiin. Ihmiset altistuvat Suomessa PFAS-yhdisteille usein kalan kautta, ja vaikka monet kalassa olevat pysyvät ympäristömyrkyt ovat olleet pitkällä aikavälillä vähenemässä, PFAS-yhdisteiden pitoisuudet kalassa eivät ole viime aikoina seuranneet tätä trendiä. Tautitaakkaa on Suomessa arvioitu monille ympäristötekijöille, mutta PFAS-yhdisteille tämä on puuttunut. Tässä julkaisussa esitetty arviointi pyrkii korjaamaan näitä puutteita.

Helsingin Vanhankaupunginlahti 

Eviran koordinoimassa EU kalat II -projektissa tutkittiin Itämeren kalojen ja kotimaisten järvikalojen sekä kasvatettujen kalojen ympäristömyrkkypitoisuuksia (Hallikainen ym. 2011). Hanke käynnistettiin vuonna 2009 ja se oli jatkoa vuosina 2002–2003 toteutetulle EU kalat -projektille. EU kalat II -hankkeessa tutkittiin kalojen PCDD/F- ja PCB- sekä PBDE-pitoisuuksia. Lisäksi tutkittiin perfluorattujen yhdisteiden (PFC) ja organotina (OT) -yhdisteiden pitoisuuksia kalan lihaksesta ja maksasta. Helsingin Vanhankaupunginlahden ahvenen lihaksista löydettiin suurimmat pitoisuudet PFOS- ja OT-yhdisteiden osalta. Pitoisuudet olivat niin korkeita, että niiden todettiin antavan aihetta suositella etenkin isojen ahventen kulutuksen rajoittamista. 

Helsingin kaupunki ei ole antanut paikallisia kalan syöntisuosituksia taikka rajoituksia kansallisten kalan syöntisuositusten lisäksi (Pääkkönen J-P, 2021). Paikallisten rajoitusten sijaan valtakunnalliset rajoitukset mahdollistaisivat rajoitusten soveltamisen myös muille aluille, joilla ympäristömyrkkyjen pitoisuudet ovat korkeita. Helsingin kaupunki ja sen suurimmat toimijat toteuttavat pääkaupunkiseudun merialueella toteutetaan yhteistarkkailua ympäristömyrkkyjen osalta. Tarkkailussa seurataan mm. sedimentin ja eliöiden haitta-ainepitoisuuksia (mm. organotinat, raskasmetallit, PCB-yhdisteet, PAH-yhdisteet ja öljyhiilivedyt). Lisäksi kalojen organotina- ja elohopeapitoisuudet on sisällytetty Helsingin ja Espoon edustan merialueen yhteistarkkailuohjelmaan. 


== Kysymys ==

Mikä on perfluorattujen alkyyliyhdisteiden (PFAS) tautitaakka Suomessa kalansyönnin aiheuttaman altistuksen seurauksena? Millaista terveyshaittaa PFAS-yhdisteistä voisi olla ja miten nämä haitat suhteutuvat kalansyönnin muihin terveysvaikutuksiin?

Lisäksi on tarkasteltu Neste Oyj ja THL:n yhteisprojektissa perfluorattujen alkyyliyhdisteiden (PFAS) tautitaakkaa Porvoon edustan merialueella (Kilpilahti) sekä Vanhankaupunginlahdella Helsingin edustalla.

=== Oletettu käyttö ja käyttäjät ===

* Kuntien terveydensuojeluviranomaiset
* PFAS-yhdisteitä käyttävä teollisuus

=== Osallistujat ===

* Jouni Tuomisto, [[THL]] (tautitaakka-arviot, mallitus)
* Heli Lehtomäki, THL (tautitaakka-arviot)
* Päivi Ruokojärvi THL (pitoisuusanalytiikka)
* Juha Heijari (Neste oyj) (näytteenkeräys ja mittaustulokset)

=== Rajaus ===

Tarkastellaan
* nykyhetkeä
* PFAS-yhdisteiden saantia kalasta
* parasta arviota tilanteesta epävarmuuksineen (ei pahinta mahdollista skenaariota)

=== Vaihtoehdot ===

Arviointi koskee nykytilanteen tautitaakkaa, eikä päätarkoitus ole tehdä vertailua erilaisten päätösskenaarioiden välillä. Työn kuluessa saatetaan kuitenkin tunnistaa erilaisia toimenpiteitä, joiden vaikutusta tautitaakkaan arvioidaan.

=== Aikataulu ===

* Arviointi tehdään marras-tammikuussa 2020-2021.
* Tehtäviä:
** Jouni: Päivitä immuuniannosvaste tautitaakkamalliin
** Heli: Tarkista Helsingin kalastusrajoitus: mikä tietolähde, mikä sisältö / Eviran mukaan Helsingin Vanhankaupunginlahden ahvenen syöntiä tulisi välttää, mutta Helsingin kaupunki ei ole asettanut virallisia kalastusrajoituksia/suosituksia.
** Heli: Tarkastele annosvasteita kvantitatiivisesta näkökulmasta: immuunivaste, kolesteroli, alentunut syntymäpaino.
** Ei priorisoitu: Kirjaa Porvoon kalanäytteistä myös elohopea- ja dioksiinipitoisuudet t2b-taulukkoon.
** Ei priorisoitu: Kehitä bayes-malli, joka olettaa samantapaisen keskihajonnan joka johdokselle ja sen perusteella tuottaa pitoisuusestimaatit myös niistä johdoksista, joista vain pieni osa ylittää määritysrajan näytteissä. Keskiarvoa estimoimalla siis pyritään löytämään jakauma, josta havaittu X % ylittää määritysrajan.

== Vastaus ==

=== Tulokset ===

[[File:Tautitaakka kaloissa olevista tekijöistä.svg]]
[[File:Tautitaakka kalasta tekijöittäin.svg]]
[[File:Yhdisteiden saanti kalasta Suomessa.svg]]
[[File:PFAS-pitoisuus kalassa Suomessa.svg]]
[[File:Kalansyönti Suomessa ikäryhmittäin.svg]]

{| {{prettytable}}
|+ '''Tautitaakka kalasta eri tekijöiden mukaan (DALY/a). (Negatiiviset luvut ovat terveyshyötyjä.)
|----
! Altiste|| Keskiarvo|| 95 % luottamusväli|| Keskihajonta
|----
|| DHA|| -220|| -1500 - 0|| 410
|----
|| Fish|| -58000|| -240000 - 0|| 70000
|----
|| MeHg|| 800|| 0 - 10000|| 4200
|----
|| Omega3|| -15000|| -47000 - 0|| 15000
|----
|| PFAS|| 12|| 0 - 89|| 21
|----
|| TEQ|| 3300|| 0.11 - 16000|| 4200
|----
|| Vitamin D|| -2200|| -17000 - 0|| 5000
|----
|}

{| {{prettytable}}
|+ '''Tautitaakka kalasta eri terveysvaikutusten mukaan (DALY/a). (Negatiiviset luvut ovat terveyshyötyjä.)
! Terveysvaikutus|| Keskiarvo|| 95 % luottamusväli|| Keskihajonta
|----
|| All-cause mortality|| -52000|| -230000 - 0|| 66000
|----
|| Breast cancer|| -3700|| -14000 - 0|| 4300
|----
|| Cancer morbidity yearly|| 2500|| 0.14 - 15000|| 3900
|----
|| CHD2 mortality|| -11000|| -38000 - 0|| 12000
|----
|| Depression|| -5700|| -22000 - 0|| 6200
|----
|| Immunosuppression|| 12|| 0 - 89|| 21
|----
|| Loss in child's IQ points|| 580|| -1300 - 10000|| 4100
|----
|| Sperm concentration|| 390|| -54 - 3000|| 950
|----
|| Vitamin D recommendation|| -2200|| -17000 - 0|| 5000
|----
|| Yes or no dental defect|| 380|| 0 - 3200|| 800
|----
|}

=== Päätelmät ===

:''Vastaus arvioinnin pääkysymykseen ja muihin kysymyksiin tulosten perusteella.

== Perustelut ==

=== Perustietoa PFAS-yhdisteistä ===

Perfluoratut alkyyliyhdisteet (PFAS-yhdisteet) ovat yhdisteitä, joissa hiilivetyketjun kaikki tai lähes kaikki vetyatomit on korvattu fluorilla. PFAS-yhdisteitä käytetään monissa kuluttajatuotteissa, palonestoaineena sekä elektroniikassa. PFAS-yhdisteistä merkittävimpiä ovat perfluoro-oktaanisulfonaatti (PFOS) ja perfluoro-oktaanihappo (PFOA). Erittäin kestävän hiili-fluorisidoksen vuoksi PFAS-yhdisteet hajoavat ympäristössä erittäin hitaasti. 

PFAS-yhdisteitä käytetään monissa kuluttajatuotteissa niiden vettä, likaa ja rasvaa hylkivien ominaisuuksien vuoksi sekä palonestoaineina joissain sisustustekstiileissä sekä sähkö- ja elektroniikkatuotteissa tai sammutusvaahdoissa. Tunnetuimpia PFAS-yhdisteiden käyttökohteita kuluttajatuotteissa ovat esimerkiksi paistinpannut, vettä hylkivät tekniset vaatteet ja suksivoiteet.

PFAS-yhdisteet ovat laajan ja pitkään jatkuneen käytön vuoksi levinneet maailmanlaajuisesti kaikkialle ympäristöön ja kertyneet eliöihin. Yleisimmät PFAS-yhdisteet näissä näytteissä ovat PFOS ja PFOA. Joissakin ulkomaisissa tutkimuksissa on havaittu kohonneita PFAS-pitoisuuksia lentokenttien ja paloharjoittelualueiden pohjavesissä. PFAS-yhdisteitä on löydetty suuria määriä myös jätevesilietteestä ja kaatopaikkojen suotovesistä. Tämä tarkoittaa, että yhdyskuntavedet ja kaatopaikkajäte ovat merkittäviä päästölähteitä ympäristöön.

Ihmisen kannalta merkittävin PFAS-yhdisteiden lähde on ravinto, jonka osuus saannista on yli 70 %. Yksittäisistä ruoka-aineista tärkein lähde on kala. Selvästi pienempiä lähteitä ovat juomavesi, huonepöly ja hengitysilma, joiden osuus kokonaissaannista on vähäinen<ref>THL. Fluoratut yhdisteet. https://thl.fi/fi/web/ymparistoterveys/ymparistomyrkyt/fluoratut-yhdisteet] haettu 2020-03-01.</ref>.

=== Arvioinnin yleiskuva ===

[[kuva:Terveysvaikutusten arviointimalli.svg|thumb|400px]]Arvioinnissa käytetään tautitaakkalaskentaa, joka on käytössä monessa muussakin arvioinnissa Opasnetissä.
Arvioinnissa kartoitetaan suomalainen mittausaineisto PFAS-yhdisteistä kalassa. Uusia mittauksia ei tässä hankkeessa tehdä. Lisäksi tutkimuskirjallisuudesta etsitään tietoja pitoisuus- ja altistumistiedoista.

Kalankäyttötietona käytetään THL:ssä aiemmin tehtyjä tutkimuksia, kuten [[:op_en:Goherr assessment|Goherr-tutkimusta]]<ref name="tuomisto2020">Tuomisto, J.T., Asikainen, A., Meriläinen, P. et al. Health effects of nutrients and environmental pollutants in Baltic herring and salmon: a quantitative benefit-risk assessment. BMC Public Health 20, 64 (2020). [https://doi.org/10.1186/s12889-019-8094-1]</ref>. Edellä mainittuja aineistoja verrataan myös EU-kalat3-hankkeessa muualla Suomessa (Vanhankaupunginlahti, Tuusulanjärvi, Porvoonjoki) tehtyihin kalan PFAS-pitoisuusmittauksiin viime vuosilta.

PFAS-yhdisteiden terveysvasteen arvioinnissa nojaudutaan pääasiassa tuoreeseen EFSAn arvioon<ref name="efsa2020"/>, mutta tutkimuskirjallisuutta tarkastellaan myös laajemmin. Erityisesti arvioidaan sitä, onko EFSAn arvio sovellettavissa suoraan Suomen tilanteeseen, vai tulisiko käyttää myös muita aineistoja tai lähestymistapoja.

PFAS-yhdisteiden aiheuttaman tautitaakan lisäksi arvioidaan kalansyöntiä kokonaisuutena eli huomioidaan kalan sisältämät muut ympäristömyrkyt ja toisaalta myös terveelliset ravintoaineet. Tältä osin nojaudutaan pääasiassa Goherr-tutkimukseen sekä maa- ja metsätalousministeriölle tehtyyn arviointiin [[kotimaisen kalan edistämisohjelma]]n osana.

Tautitaakka lasketaan käyttämällä Goherr-arvioinnissa julkaistua tautitaakkamallia<ref name="tuomisto2020"/>.

=== Käytetyt aineistot ===

{| {{prettytable}}
|+ '''Tietolähdeitä PFAS-yhdisteistä ja kalasta. {{argument|relat1=attack|id=arg1958|type=|content=Tekninen lista projektin keräämistä tiedostoista. Kaikkia ei ole arvioinnissa käytetty. Lisäksi on monia tietolähteitä, joihin on viitattu mutta joita ei ole kerätty projektikansioon (katso Viitteet). Taulukko ei ole tulossa tässä muodossaan raporttiin.|sign=--[[Käyttäjä:Jouni|Jouni Tuomisto]] ([[Keskustelu käyttäjästä:Jouni|keskustelu]]) 2. maaliskuuta 2021 kello 10.39 (UTC)}}
! Nro
! Lähde
! Kuvaus
|----
| 1
| CELEX 32017R1000 FI TXT.pdf
| EU-komission asetus PFOA-käyttökiellosta 2017-06-13
|----
| 2
| ffrrofactsheet_contaminants pfos_pfoa_11-20-17_508_0.pdf
| U.S.EPA. (2017) Technical Fact Sheet – Perfluorooctane Sulfonate (PFOS) and Perfluorooctanoic Acid (PFOA) [https://www.epa.gov/sites/production/files/2017-12/documents/ffrrofactsheet_contaminants_pfos_pfoa_11-20-17_508_0.pdf EPA 2017]
|----
| 3
| Heijari Porvoon edustan merialueen tarkkailu kalamääriä.pptx
| Kotitarve-, virkistys- ja ammattikalastajien kalansaaliit Porvoon merialueella 1984-2008
|----
| 4
| Kalastusalueet_NLI_2019_PFAS.pdf
| Länsi-Uudenmaan vesi ja ympäristö ry, raportti 724/2018. Saalisjakaumat Naantalin edustalla 2017
|----
| 5
| Kalastusalueet_PVO_2019_PFAS.pdf
| Kalastusalueiden nimet Porvoon edustalla
|----
| 6
| Naantali_1.pdf
| Lounais-Suomen vesi-ja ympäristötutkimuksen teettämät kolme puulattua kalanäytettä 2019-10 tutkimusalueilta 2, 3 ja 4
|----
| 7
| Naantali_v_1.pdf
| L-S vesi- ja ympäristötutkimuksen teettämät merivesinäytteet syksyllä 2019-10-16 (578-19-8390) PFAS-näytteistä. Näytteitä 11 paikasta Naantalin edustalta
|----
| 8
| PFAS Tietopaketti 210616.pdf, Syke_perfluoratut.pdf
| Mehtonen ym. Perluoratut yhdisteet ympäristössä – tietopaketti 2016 Dnro YM/84/481/2015 [https://www.ymparisto.fi/fi-fi/kulutus_ja_tuotanto/kemikaalien_ymparistoriskit/ymparistoon_paatyvat_haitalliset_aineet/perfluoratut_yhdisteet Syke 2020]. Syken yleistajuinen tiivistelmä PFAS-yhdisteistä nettisivuilla.
|----
| 9
| Pintavesipisteet_NLI_2019_PFAS.pdf
| Pintavesipisteiden sijainti kartalla ja numerointi Naantalin edustalla. Lounais-Suomen vesi- ja ympräristötutkimus
|----
| 10
| Pintavesipisteet_PVO_2019_PFAS.pdf
| Pintavesipisteiden sijainti kartalla ja numerointi Porvoon edustalla
|----
| 11
| Porvoo_1.pdf
| Dioksiini- ja PCB-määritykset kolmesta puulatusta ahvennäytteestä Porvoon edustalta 2019-07/08
|----
| 12
| Porvoo_2.pdf
| PFAS-määritykset 12 puulatusta ahven- ja kalanäytteestä Porvoon edustalta 2019-07/11
|----
| 13
| Porvoo_3.pdf
| Organotinamääritykset kolmesta puulatusta ahvennäytteestä Porvoon edustalta 2019-07/08
|----
| 14
| Porvoo_Kalatarkkailu 2007-2010.pdf
| Haikonen. Kilpilahden teollisuuslaitosten jäähdytysvedenoton kalatarkkailu vuosina 2007-2010. Kalojen laji- ja kokojakaumia. Kala- ja vesitutkimus oy, Kala- ja vesiraportteja nro 5
|----
| 15
| Porvoon edustan merialueen takkailu_yhteenveto_1965-2009.pdf
| Porvoon edustan merialueen tila vuosina 1965-2009. Sisältää mm. Dioksiinituloksia mutta ei PFASeja. 2010-08-13
|----
| 16
| Porvoon edustan näytteet_Hg.xlsx
| Hg-määritykset Porvoon edustan ahvennäytteistä (yksilömittaukset kolmesta puulista, yht. 39 kalaa 2019-07/08)
|----
| 17
| Porvoo_v_1.pdf
| Merivesinäytteiden PFAS-määritykset Porvoon edustalta, 10 kpl näytteitä 2019-09-26
|----
| 18
| Porvoo_v_2.pdf
| Merivesinäytteiden PFAS-määritykset Porvoon edustalta, 1 kpl näytteitä 2019-09-30
|----
| 19
| rest_pfoa_compiled_opinions_en.pdf
| ECHAn riskinarviointi ja sosioekonomisten vaikutusten arviointi PFOAsta 2015-09-08
|----
| 20
| Rpt_16-8.pdf
| Concawe. (2016) Environmental fate  and effects of poly-  and perfluoroalkyl substances (PFAS) [https://www.concawe.eu/wp-content/uploads/2016/06/Rpt_16-8.pdf Concawe 2016] Concawe-raportti 8/16. PFAS-yhdisteiden ympäristökulkeutuminen ja vaikutukset. Sisältää myös ihmisterveysvaikutusarvioita.
|----
| 22
| Syke_PFOA.pdf
| Syke. (2020) Fluoriyhdisteen PFOA ja samankaltaisten aineiden käyttöä rajoitetaan monissa tuotteissa terveys- ja ympäristösyistä [https://www.ymparisto.fi/fi-FI/Kulutus_ja_tuotanto/Fluoriyhdisteen_PFOA_ja_samankaltaisten_(54841) Syke 2020]. Tiedote PFOAn käyttökiellosta EU:ssa Syken nettisivuilla 2020-02-11
|----
| 23
| SYKEra_21_2019.pdf
| Reinikainen ym. [http://hdl.handle.net/10138/301524 Syken raportti 21/2019]: Perfluorattujen alkyyliyhdisteiden ympäristötutkimukset ja riskinarviointi. Raportissa tarkastellaan sammutusvaahtoja neljällä paloharjoitusalueella Kuopiossa, Joroisissa, Joensuussa ja Porvoossa.
|----
| 24
| Turku_kalatarkkailu_2017-2018 (ID 43264).pdf
| Turun edustan merialueen kalataloudellinen yhteistarkkailu 2017-2018. Länsi-Uudenmaan vesi ja ympäristö ry:n raportti 724/2018.
|----
| 25
| Turun edustan merialueen ammattikalastus_2018 (ID 45146).pdf
| Turun edustan merialueen kalataloudellinen yhteistarkkailu. Ammattikalastuksen seuranta 2018. Länsi-Uudenmaan vesi ja ympäristö ry:n raportti 767/2019.
|----
| 26
| Turun edustan merialueen ammattikalastus 2019 (ID 49330).pdf
| Turun edustan merialueen ammattikalastus 2019. Turun merialueen kalataloudellinen yhteistarkkailu. Länsi-Uudenmaan vesi ja ympäristö ry:n raportti 40/2020.
|----
| 27
| Turun edustan merialueen tila - Veden laadun kuormituksen kehitys 1960-luvulta 2000-luvulle sekä tarkkailujen kehittämisehdotukset.pdf
| Turun edustan merialueen tila. Veden laadun kuormituksen kehitys 1960-luvulta 2000-luvulle sekä tarkkailujen kehittämisehdotukset. Lounais-Suomen vesiensuojeluyhdistys ry. Julkaisuvuosi on ehkä 2005, koska uusimat datat ovat vuodelta 2004.
|----
| 28
| water-11-00870-v2.pdf
| Junttila ym. PFAS in Finnish rivers and fish and the loading of PFASs to the Baltic Sea. Water 2019:11, 870. doi:10.3390/w11040870
|----
| 29
| [[:op_en:EU-kalat]]
| [http://en.opasnet.org/w/Special:Opasnet_Base?op=smp&sr=1&sa=0&id=Op_en3104&el=xx7ffffffffffffffffe7fxxxxxxxxxxxxxx&srt=&run=&rng= EU-kalat3-tietokanta]
|----
| 30
| Porvoon_2011_laaja.pdf
| PORVOON EDUSTAN MERIALUEEN YHTEISTARKKAILUN VUOSIRAPORTTI 2011 Kymijoen vesi ja ympäristö ry:n julkaisu no 223/2012 [https://docplayer.fi/45471460-Porvoon-edustan-merialueen-yhteistarkkailun-vuosiraportti-2011.html]
|----
| 31
| Porvoo_2015_laaja.pdf
| PORVOON EDUSTAN MERIALUEEN YHTEISTARKKAILUN VUOSIRAPORTTI 2015 Laajat tutkimukset Kymijoen vesi ja ympäristö ry:n julkaisu no 259/2016 [http://www.kymijoenvesijaymparisto.fi/wp-content/uploads/2014/05/Porvoo_2015_laaja.pdf]
|----
| 32
| j.efsa.2020.6223
| EFSA. Risk to human health related to the presence of perfluoroalkyl substances in food [https://www.efsa.europa.eu/en/efsajournal/pub/6223] September 2020.<ref name="efsa2020"/>
|}

=== Kulkeutuminen ympäristössä ===

Vaikka laskeuma ilmasta vaikuttaa olennaisesti PFAS-pitoisuuksiin syrjäisillä alueilla, se ei ole hallitseva lähde kaikille PFAS-yhdisteille vesiympäristössä Suomessa. Sen sijaan jätevedenpuhdistamot, kaatopaikkojen suotovedet ja todennäköisesti saastuneet maa-alueet ovat tärkeimmät PFAS-lähteet vesiympäristöön Suomessa.<ref name="junttila2019">Junttila V, Vähä E, Perkola N, Räike A, Siimes K, Mehtonen J, Kankaanpää H and Mannio J. PFASs in Finnish Rivers and Fish and the Loading of PFASs to the Baltic Sea. Water 2019, 11, 870; https://doi.org/10.3390/w11040870</ref>

=== Pitoisuudet kalassa ===

Suomalaisessa kalassa on PFAS-yhdisteitä keskimäärin 2 ng/g (0.3 - 5 ng/g) tuorepainossa. Näistä suurin osa on perfluorattua oktaanisulfonaattia (PFOS). Muita tavallisia yhdisteitä ovat PFOA, PFNA ja PFHxS, jotka ovat kaikki mukana EFSAn tekemässä riskinarviossa. Nämä neljä yhdistettä kattavat 50-90 % kaikista PFAS-yhdisteistä kalassa.

Vanhankaupunginlahella Helsingissä on korkeammat PFAS-pitoisuudet kuin muualla Suomen rannikolla, luultavimmin koska Helsingin erilaiset hule- ja jätevedet laskevat lahdelle. Yhdisteet ovat todennäköisesti peräisin pääasiassa jätevendepuhdistamolta, koska ne eivät juurikaan poistu jätevedenpuhdistuksessa. Vanhankaupunginlahdella kaloista on mitattu selvästi tavanomaisia suurempia PFOS-pitoisuuksia: 14 ng/g (1.6 - 35 ng/g) tuorepainossa.

Myös Porvoon edustan merialueella (Kilpilahti) kalojen PFAS-pitoisuudet ovat koholla, 5.2 ng/g (1.6 - 8.8 ng/g) tuorepainossa verrattuna Suomalaiseen kalaan keskimäärin. Porvoon edustan merialueen PFAS-pitoisuudet kalassa johtuvat todennäköisesti Kilpilahden teollisuuspalokunnan paloharjoitusalueesta ja säiliöpalon sammuttamisesta vuonna 1989 (näissä yhteyksissä on PFAS-yhdisteitä päätynyt maaperään ja edelleen vesistöön) sekä Porvoojoesta, Mustijoesta sekä Porvoon kunnallisesta jätevedenpuhdistamosta.

Arvioinnissa käytettiin alla kuvattuja mittaustietoja PFAS-yhdisteistä Porvoon alueelta. Lisäksi käytettiin EU-kalat3-hankkeen mittaustietoja (206 PFAS-mittausta ja 211 TEQ-mittausta eri puolilta Suomea pääasiassa merialueilta)<ref>EU-kalat. [http://en.opasnet.org/w/EU-kalat] haettu 2021-03-01.</ref>. Metyylielohopeapitoisuudet arvioitiin Kerty-tietokannan mittausten perusteella<ref>Opasnet. [[:op_en:Mercury concentrations in fish in Finland|]] haettu 2021-03-01</ref>.

{| {{prettytable}}
|+ '''Porvoon alueelta kerättyjen PFAS-kalanäytteiden metatiedot. 
! Kala|| Näytteiden määrä|| Puulin koko|| Aika|| Paikka|| Aine|| Viite
|----
|| ahven|| 1|| 3|| Reinikainen 2019|| Svartbäckinselkä|| PFAS|| 23
|----
|| ahven|| 1|| 3|| Reinikainen 2019|| Nikuviken|| PFAS|| 23
|----
|| vimpa|| 1|| 3|| Reinikainen 2019|| Svartbäckinselkä|| PFAS|| 23
|----
|| vimpa|| 1|| 3|| Reinikainen 2019|| Nikuviken|| PFAS|| 23
|----
|| ahven|| 10|| 10?|| 5/2009-3/2010|| [http://en.opasnet.org/w/Special:Opasnet_Base?op=smp&sr=1&sa=0&id=Op_en3104&el=xx7ffffffffffffffffe7fxxxxxxxxxxxxxx&srt=&run=&rng= EU-kalat3] || PFAS|| 29
|----
|| ahven|| || || 2016 (Reinikainen 2019)|| Porvoonjoki|| PFAS|| 23
|----
|| ahven?|| 1|| 9, 13|| 10/2019|| Naantali, Tutkimusalue 2|| PFAS|| 6
|----
|| ahven?|| 1|| 12, 13|| 10/2019|| Naantali, Tutkimusalue 3|| PFAS|| 6
|----
|| ahven?|| 1|| 14, 13|| 10/2019|| Naantali, Tutkimusalue 4|| PFAS|| 6
|----
|| ahven|| 1|| 14|| 30/07/19|| Orrenkylänselkä|| PFAS|| 12#1
|----
|| ahven|| 1|| 11|| 07/08/19|| Svartbäckinselkä-pohjoinen|| PFAS|| 12#2
|----
|| ahven|| 1|| 14|| 06/08/19|| Svartbäckinselkä-eteläinen|| PFAS|| 12#3
|----
|| ahven|| 1|| 10|| 02/10/19|| Nikuviken|| PFAS|| 12#4
|----
|| ahven|| 1|| 10|| 02/10/19|| Nikuviken|| PFAS|| 12#5
|----
|| kuha|| 1|| 10|| 27.8.-8.11.2019|| Merivesitunneli|| PFAS|| 12#6
|----
|| ahven|| 1|| 10|| 08/11/19|| Merivesitunneli|| PFAS|| 12#7
|----
|| silakka|| 1|| 10|| 17/10/19|| Merivesitunneli|| PFAS|| 12#8
|----
|| ankerias|| 1|| 5|| 27.8.-8.11.2019|| Merivesitunneli|| PFAS|| 12#9
|----
|| ahven|| 1|| 7|| 15/11/19|| Haikoo|| PFAS|| 12#10
|----
|| ahven|| 1|| 9|| 7-11/2019|| Kartanonlahti|| PFAS|| 12#11
|----
|| lahna|| 1|| 8|| 7-11/2019|| Svartbäck-eteläinen|| PFAS|| 12#12
|----
|| ahven|| 14|| 1|| 30/07/19|| Orrenkylänselkä|| Hg|| 16
|----
|| ahven|| 11|| 1|| 07/08/19|| Svartbäckinselkä-pohjoinen|| Hg|| 16
|----
|| ahven|| 14|| 1|| 06/08/19|| Svartbäckinselkä-eteläinen|| Hg|| 16
|----
|| ahven|| 1|| 14|| 30/07/19|| Orrenkylänselkä|| PCDDF+PCB|| 11
|----
|| ahven|| 1|| 11|| 07/08/19|| Svartbäckinselkä-pohjoinen|| PCDDF+PCB|| 11
|----
|| ahven|| 1|| 14|| 06/08/19|| Svartbäckinselkä-eteläinen|| PCDDF+PCB|| 11
|----
|| ahven|| 1|| 14|| 30/07/19|| Orrenkylänselkä|| organotina|| 13
|----
|| ahven|| 1|| 11|| 07/08/19|| Svartbäckinselkä-pohjoinen|| organotina|| 13
|----
|| ahven|| 1|| 14|| 06/08/19|| Svartbäckinselkä-eteläinen|| organotina|| 13
|----
|| ahven|| 48|| 9-30|| 2014-2016|| Suomi|| PFAS|| 28
|----
|| silakka|| 6|| 2-5|| 2014-2016|| Suomi|| PFAS|| 28
|----
|}

'''Porvoon alueelta kerättyjen PFAS-kalanäytteiden mittaustulokset tärkeimpien yhdisteiden osalta.

<t2b name="PFAS concentrations" index="Fish,Compound" locations="PFOA,PFNA,PFHxS,PFOS" unit="ng/g f.w.">
Perch|<0.15|0.58|<0.19|7.6
Perch|<0.14|0.45|0.28|27
Perch|<0.15|0.55|<0.19|6.8
Perch|<0.15|0.55|<0.19|4.5
Perch|<0.15|0.57|<0.19|3.6
Pike-perch|<0.13|0.15|<0.16|2.3
Perch|<0.13|0.33|<0.16|2.5
Herring|<0.17|<0.13|<0.21|1.4
Eel|<0.27|0.79|<0.34|6.8
Perch|<0.13|0.74|<0.17|3.5
Perch|<0.13|0.5|<0.17|9.1
Bream|0.47|0.89|<0.18|3.5
</t2b>

[http://fi.opasnet.org/fi-opwiki/index.php?title=Toiminnot:RTools&id=jmhWmpS3jwoSu5QY EU-kalat3-data]

<rcode label="EU-kalat3-data" name="conc" graphics=1>
# This is code Op_fi5932/conc on page [[PFAS-yhdisteiden tautitaakka]]

library(OpasnetUtils)
library(ggplot2)

df <- opbase.data("Op_en3104", subset="POPs")
df <- df[df$POP %in% c("PFOA", "PFOS"),-c(8,9,11,14)]
colnames(df) <- c("Code","Matrix","POP","Species","Site","Location","Date","N","Length","Weight","Age","Fat","Dry_matter","Result")
for(i in 8:14) df[[i]] <- as.numeric(df[[i]])
df$Code <- gsub("(M|L)", "", df$Code)

# oprint(df)

ggplot(df, aes(x=Species, y = Result, colour=Matrix, shape=Location))+geom_point()+
  coord_flip()+scale_y_log10()+
  facet_grid(~POP, scales="free_x")

aggregate(df$Result, by=df[c("Matrix","Location","Species","POP")], FUN=mean)
# PFOA concentrations are 0 for all except Baltic herring. Therefore, PFOA could
# be removed from further scrutiny.
# Also, remove farmed rainbow trout because it is not representative of its environment.
df <- df[df$POP!="PFOA" & df$Site!="Farmed",]

aggregate(df$Result, by=df[c("Matrix","Location","Species","POP")], FUN=length)

ggplot(df, aes(x=Species, y = Result, colour=Location, shape=Site))+geom_point(size=3)+
  coord_flip()+scale_y_log10()+
  facet_grid(~Matrix, scales="free_x")

v1 <- EvalOutput(Ovariable("v1", data=df[df$Matrix=="Muscle", c(1,3,4,6,14)]))
v2 <- EvalOutput(Ovariable("v2", data=df[df$Matrix=="Liver", c(1,3,4,6,14)]))
tmp <- v2/v1
View(tmp@output)

# It seems that
# 1) Vanhankaupunginlahti seems to be badly polluted, but otherwise minor differences 
#    between places and species in PFOS concentrations.
# 2) The liver concentrations seem to be 3 - 30 times higher than in muscle within the same
#    pooled sample.

# It could be fun to draw PFAS concentrations on map using bubble pie charts. See
# https://stat.ethz.ch/pipermail/r-help/2014-June/375749.html
# https://cran.r-project.org/web/packages/plotrix/plotrix.pdf

</rcode>

=== Kalansyönti ===

'''Kalansyönti Suomessa
* Suomalaiset syövät kalaa keskimäärin noin 40 g päivässä tai yhteensä 114 miljoonaa kg vuodessa (olettaen että kalaa käsiteltäessä jää 70 % syötäväksi).
* Tämä johtaa [[Kotimaisen kalan edistämisohjelma]]n mukaan n. 100000 DALYn suuruisen tautitaakan vähenemiseen vuodelle 2017 laskettuna. Tämä johtuu pääasiassa kalan terveellisyydestä yleensä ja sen vaikutuksesta kokonaiskuolleisuuteen. Toinen tärkeä suojaava tekijä ovat omega3-rasvahapot, jotka vähentävät sydäntaudin riskiä jonkin verran. Muita suojavaikutuksia kohdistuu masennukseen ja rintasyöpään.

'''Kalansyönti Porvoossa
* Merialueen yhteistarkkailuraportin mukaan Porvoon alueella (Haikonselkä, Emäsalonselkä, Svartbäckinselkä ja Orrenkylänselkä) kalastaa yli 1300 ruokakuntaa, joiden saalis on keskimäärin 20 kg eli yhteensä 27000 kg<ref name="kvy2020"/>.
* Keskimäärin saalis on siis 55 g päivässä ruokakuntaa kohti. Olettaen ruokakunnan koon (Suomessa keskimäärin 1.97) ja hävikin perkaamisen yhteydessä (30 %) saadaan keskimääräiseksi kulutukseksi 20 g päivässä henkeä kohti. 
* Vapaa-ajankalastajat syövät muutakin kalaa todennäköisemmin kuin keskivertokuluttaja, joten voidaan ajatella, että tarkasteltavana on erityinen osaväestö (2600 henkeä eli 0.05 % suomalaisista), 20 g/d kalaa tavanomaisen syönnin lisäksi.

Suomalaisten kalansyönnin jakauma lajeittain on saatavissa EFSAn ruoankäyttötietokannasta<ref>EFSA Comprehensive European Food Consumption Database. (2016) [https://data.europa.eu/euodp/en/data/dataset/the-efsa-comprehensive-european-food-consumption-database]</ref>. Tarkempi kuvaus syöntilaskelmista löytyy Opasnetin sivulta [[:op_en:Domestic fish consumption of the general population in Finland|Domestic fish consumption of the general population in Finland]].

{| {{prettytable}}
|+ '''Kotitarvekalastuksen jakautuminen kalalajeittain Porvoon edustalla (% saaliista)<ref name="kvy2020">Kymijoen vesi ja ympäristö ry. (2020) Porvoon edustan merialueen yhteistarkkailun vuosiraportti 2019. Laajat tutkimukset. Kymijoen vesi ja ympäristö ry:n julkaisu no 294/2020  ISSN 2670-2177 [http://www.kymijoenvesijaymparisto.fi/julkaisut/]</ref>.
|----
! Kala|| Haikonselkä|| Emäsalonselkä|| Svartbäckinselkä|| Orrenkylänselkä|| Kokonaissaalis|| Kokonaissaalis (kg)|| Kalansyönti (g/pvä/hlö)
|----
|| ahven|| 17|| 17|| 13|| 17|| 15|| 4050|| 3.0
|----
|| hauki|| 9|| 9|| 0|| 4|| 4|| 1080|| 0.8
|----
|| kampela|| || || 0|| || 0|| 0|| 0.0
|----
|| kuha|| 29|| 29|| 1|| 17|| 10|| 2700|| 2.0
|----
|| kuore|| || || 2|| || 1|| 270|| 0.2
|----
|| lahna|| 15|| 15|| 38|| 37|| 32|| 8640|| 6.3
|----
|| lohi|| || || 1|| || 0|| 0|| 0.0
|----
|| särki|| 7|| 7|| 34|| 19|| 24|| 6480|| 4.7
|----
|| siika|| 1|| 1|| 2|| 2|| 3|| 810|| 0.6
|----
|| silakka|| || || 5|| 1|| 3|| 810|| 0.6
|----
|| taimen|| || || 4|| || 2|| 540|| 0.4
|----
|| muut|| 22|| 22|| 0|| 3|| 6|| 1620|| 1.2
|----
|| Yhteensä|| 100|| 100|| 100|| 100|| 100|| 27000|| 19.7
|----
|}

Ruokakunnan koko Suomessa 2019 oli 1.97<ref>Tilastokeskus.[http://www.stat.fi/til/asas/2019/asas_2019_2020-05-20_tau_001_fi.html]</ref>.

=== Altistuminen ja siedettävä viikkosaanti ===

EFSAn arvioima siedettävä viikkoannos eli TWI-annos on 4.4 ng/kg/viikko laskettuna PFAS-yhdisteiden summalle. EFSAn arviossa laskettu nuorille äideille, koska suurimmat altistukset tulevat itse asiassa epäsuorasti raskauden ja imetyksen aikana sikiöön ja lapseen, joiden immuunipuolustuksen heikentyminen on myös herkin terveysvaste. Muiden väestöryhmien ajatellaan olevan suojassa TWI-annoksellakin, koska kaikki muut terveysvaikutukset tulevat vasta suuremmilla annoksilla.

Suomalaisen aikuisen keskimääräinen altistuminen on noin kaksinkertainen verrattuna EFSAn siedettävään viikkoannokseen (TWI) 4.4 ng/kg/vko. {{argument|relat1=attack|id=arg9901|type=|content=tarkista|sign=--[[Käyttäjä:Jouni|Jouni Tuomisto]] ([[Keskustelu käyttäjästä:Jouni|keskustelu]]) 2. maaliskuuta 2021 kello 12.04 (UTC)}}

PFAS-yhdisteillä pitkäaikaisaltistuminen on olennaista, koska ne kertyvät elimistöön, ja eliminaation eli elimistöstä poistumisen puoliintumisaika on jopa 2-6 vuotta. PFAS-yhdisteet imeytyvät ruoasta erittäin hyvin. 

Koska nuoret naiset syövät keskimäärin vähemmän kalaa kuin vanhempi väestö, keskimääräinen TWI-ylitys on vähemmän kuin kaksinkertainen. Kuitenkin yksilöllinen vaihtelu on suurta, joten suuri osa tästä osaväestöstä (nuoret naiset) ylittää siedettävän viikkosaannin.


=== Annosvaste ===

EFSAn riskinarvion<ref name="efsa2020"/> perusteella herkin annosvaste on immunosuppressio, joka on nähty heikentyneenä rokoturvasteena kurkkumädälle 1-vuotiailla. BMDL10 on 17.5 ng/ml (seerumissa?) laskettuna neljän indikaattorianeen summalle (PFOA, PFNA, PFHxS, PFOS).<ref name="efsa2020"/> Tästä on johdettu ''äidille'' TWI 4.4 ng/kg/wk perustuen farmakokineettiseen malliin ja oletukseen 12 kk imetyksestä. TWI-altistuksen oletetaan nostavan äidin summa-PFAS-pitoisuuden tasolle 6.9 ng/ml 35 ikävuoteen mennessä. Koska olennainen vaste on lapsen immuunivaste ja koska suurin osa lapsen altistuksesta tulee äidinmaidosta, olennaista on äidin, ei lapsen, altistuminen. Samaa TWI:tä sovelletaan muillekin, koska kolesteroli- ja muilla vaikutuksilla TWI olisi korkeampi ja siksi tämä alin arvo suojaa niiltäkin. {{argument|relat1=comment|id=arg6205|type=|content=Pitää etsiä noiden annosvasteet 2018-raportista.|sign=--[[Käyttäjä:Jouni|Jouni Tuomisto]] ([[Keskustelu käyttäjästä:Jouni|keskustelu]]) 1. joulukuuta 2020 kello 19.16 (UTC)}}

Muita PFAS-vasteita ovat<ref name="efsa2018">EFSA CONTAM Panel (EFSA Panel on Contaminants in the Food Chain), Knutsen HK et al., 2018. Scientific Opinion on the risk to human health related to the presence of perfluorooctane sulfonic acid and perfluorooctanoic acid in food. EFSA Journal 2018;16(12):5194, 284 pp. https://doi.org/10.2903/j.efsa.2018.5194</ref>

* seerumin kolesterolipitoisuuden nousu
* alentunut syntymäpaino ja
* suurentunut seerumin ALT-pitoisuus mahdollisen maksavaurion merkkinä.

EFSAn 2020 riskinarvio piti näitä vasteita edelleen relevantteina mutta keskittyi herkimpään eli immunosuppressioon.

Tautitaakkaa voi suhteuttaa näihin IHME-instituutin arvioihin.<ref name="ihme2020">Global Burden of Disease Collaborative Network. Global Burden of Disease Study 2019 (GBD 2019) Results. Seattle, United States: Institute for Health Metrics and Evaluation (IHME), 2020. Available from http://ghdx.healthdata.org/gbd-results-tool.</ref>

{| {{prettytable}}
|+ '''Tautitaakka eri riskitekijöistä IHME-instituutin mukaan Suomessa vuonna 2019 koko väestössä.
! measure_name|| cause_name|| rei_name|| val|| upper|| lower
|----
|| YLDs (Years Lived with Disability)|| Cirrhosis and other chronic liver diseases due to hepatitis C|| All risk factors|| 96|| 159|| 53
|----
|| YLDs (Years Lived with Disability)|| All causes|| Low birth weight|| 4082|| 5298|| 3082
|----
|| YLDs (Years Lived with Disability)|| All causes|| High LDL cholesterol|| 5671|| 8488|| 3524
|----
|| YLLs (Years of Life Lost)|| Cirrhosis and other chronic liver diseases due to hepatitis C|| All risk factors|| 5102|| 7395|| 3457
|----
|| YLLs (Years of Life Lost)|| All causes|| Low birth weight|| 2433|| 3043|| 1728
|----
|| YLLs (Years of Life Lost)|| All causes|| High LDL cholesterol|| 90414|| 116629|| 66338
|----
|| DALYs (Disability-Adjusted Life Years)|| Cirrhosis and other chronic liver diseases due to hepatitis C|| All risk factors|| 5198|| 7510|| 3551
|----
|| DALYs (Disability-Adjusted Life Years)|| All causes|| Low birth weight|| 6515|| 7850|| 5274
|----
|| DALYs (Disability-Adjusted Life Years)|| All causes|| High LDL cholesterol|| 96086|| 124260|| 71286
|----
|| Deaths|| All causes|| High LDL cholesterol|| 6984|| 9684|| 4580
|----
|| DALYs per cholesterol death || All causes|| High LDL cholesterol || 13.76|| 12.83|| 15.56
|}

Eri tautien haittapainokertoimet löytyvät IHMEen sivuilta.<ref>Global Burden of Disease Collaborative Network. Global Burden of Disease Study 2019 (GBD 2019) Disability Weights. Seattle, United States of America: Institute for Health Metrics and Evaluation (IHME), 2020. https://doi.org/10.6069/1W19-VX76</ref>
* Moderate acute hepatitis 0.051 (0.032-0.074)
* Mild motor impairment due to neonatal preterm birth complications (has some difficulty in moving around but is able to walk without help)	0.01 (0.005-0.019)

=== Kulkeutuminen elimistössä ===

Pitkäaikainen PFAS-altistuminen 4.4 ng/kg/vko johtaa EFSAn arvion mukaan äidillä pitoisuuteen 6.9 ng/ml veressä 35 ikävuoteen mennessä. Tämä puolestaan johtaa vuoden imetyksen aikana lapsen PFAS-pitoisuuteen 17.5 ng/ml veressä. Eli lapsen pitoisuus on 2.5 kertaa niin suuri kuin äidissä.

[[:op_en:Infant's dioxin exposure|Toisaalla Opasnetissä]] kuvataan malli, jonka avulla voidaan laskea imetyksen aiheuttama pitoisuus lapsessa. Malli on päivitetty EFSAn tietojen perusteella, ja sitä käytetään tässä arvioinnissa.

{|  {{prettytable}}
|+'''Valikoitujen PFAS-yhdisteiden kinetiikkaa.<ref name="efsa2020"/>, taulukko 15, s. 67.
!PFAS !! Väestö ja sukupuoli !! Puoliintumisaika (a) !! Puhdistuma (kokonais) (ml/kg/d) !! Viitteet
|----
|
PFOA
|
:M (n = 20)
:M + F(n= 4)
:M(n= 24), F (n = 2)
:M + F(n= 200)
:M + F(n= 643)(i)
:M + F(n= 1,029)(j)
:M(n= 5), F (n = 5)
:F(b)(n = 20)
:M(c)+ F(d)(n = 66)
:M + F(n= 207)
:M(n= 22), F (n = 23)
| 5 y (95% CI 2-10) covers almost all data
:NR
:NR
:3.8 y (95% CI 3.1–4.4)
:2.3 y (95% CI 2.1–2.4)
:2.9 y (95% CI 2.3–3.8)
:8.5 y (95% CI 7.1–10.1)
:NR
:1.5 y(a)(0.19–5.2)
:1.2 y(a)(0.04–14)
:1.7 y(a)
:3.9 y
| 0.4 (95% CI 0.1-1.0) covers almost all data
:0.132
:0.150
:0.150
:NR
:NR
:NR
:0.096
:0.30(k)(95% CI 0.11-0.49)
:0.77(k)(95% CI 0.47-1.1)
:NR
:NR
|synthesis of studies below
:Harada et al. (2005)
:Harada et al. (2007)
:Olsen et al. (2007)
:Bartell et al. (2010)
:Seals et al. (2011)
:Seals et al. (2011)
:Fujii et al. (2015)
:Zhang et al. (2013a)
:Zhang et al. (2013a)
:Fu et al. (2016)
:Worley et al. (2017)
|----
|
PFNA 
|
:M (n = 5), F (n = 5)
:F(b)(n = 16)
:M(c)+ F(d)(n = 50)
| 3.0 y(95% CI 0.4-20) covers most data
:NR
:1.7 y(a)(0.38–7.7)
:3.2 y(a)(0.34–20)
| 0.15 (95% CI 0.06-0.35) covers most data
:0.062
:0.25(k)(95% CI 0.13–0.37)
:0.15(k)(95% CI 0.099–0.20)
|synthesis of studies below
:Fujii et al. (2015)
:Zhang et al. (2013a)
:Zhang et al. (2013a)
|----
|
PFHxS 
|
:M (n = 24), F (n = 2)
:F(b)(n = 19)
:M(c)+ F(d)(n = 64)
:M(n= 22), F (n = 23)
:M(n= 20)
:F(n= 30)
| 6 y(95% CI 3-15) covers most data
:8.5 y (95% CI 6.4–10.6)
:7.1 y(a)(2.3–13)
:25 y(a)(1.6–182)
:15.5 y
:7.4 y (95% CI 6.0–9.7)
:4.7 y (95% CI 4.6–6.0)
| 0.035 (95% CI 0.02-0.06) covers most data
:NR
:0.039(k)(95% CI 0.020–0.057)
:0.027(k)(95% CI 0.018–0.037)
:NR
:NR
:NR
|synthesis of studies below
:Olsen et al. (2007)
:Zhang et al. (2013a)
:Zhang et al. (2013a)
:Worley et al. (2017)
:Li et al. (2018a)
:Li et al. (2018a)
|----
|
PFOS
|
:M (n = 20)
:M+F(n= 4)
:M(n= 24), F (n = 2)
:F(b)(n = 19)
:M(c)+ F(d)(n = 64)
:M(n= ca 1,000) 
:F(n= ca 1,000)
:M + F(n= 207)
:M(n= 22), F (n = 23)
:M(n= 20) 
:F(n= 30)
| 4.5 y(95% CI 3-7) covers most data
:NR
:NR
:5.4 y (95% CI 3.9–6.9)
:5.8 y(a)(3.2–10)
:18 y(a)(1.6–121)
:4.7 y (95% CI 4.2–5.3)
:4.3 y (95% CI 4.1–4.5)
:1.9 y(a)
:3.3 y
:4.6 y (95% CI 3.7–6.1)
:3.1 y (95% CI 2.7–3.7)
| 0.045 (95% CI 0.03-0.07) covers most data
:0.066
:0.106
:NR
:0.05(e) (95% CI 0.037–0.064)
:0.037(e)(95% CI 0.026–0.049)
:NR
:NR
:NR
:NR
:NR
:NR
|synthesis of studies below
:Harada et al. (2005)
:Harada et al. (2007)
:Olsen et al. (2007)
:Zhang et al. (2013a)
:Zhang et al. (2013a)
:Wong et al. (2014)
:Wong et al. (2015)
:Fu et al. (2016)
:Worley et al. (2017)
:Li et al. (2018a)
:Li et al. (2018a)
|}
* Values are means and 95% confidence interval (95% CI) or means and range.
* NR: Not Reported; M: male; F: female; y: years; d: days.
* (a): Geometric mean.
* (b): Age ≤ 50 years.
* (c): 20 y < age < 88 y.
* (d): Age > 50 years.
* (e): Age 22 ± 0.9.
* (f): Age 68 ± 5.
* (g): Age 23 ± 3.
* (h): Age 69 ± 5.
* (i): < 4 years elapsed in a water district with high exposure levels.
* (j): < 9 years elapsed in a water district with low exposure levels.
* (k): Renal clearance (mean).

Jakaantumistilavuus (volume of distribution V<sub>d</sub>) voidaan arvioida PFOA:lle: 600 ml/kg (95 % CI 300-1100) perustuen alla oleviin laskelmiin.
* V<sub>d</sub> = Cl / k = 0.15 ml/kg/d / (ln 2 / (3.8 a * 365 d/a)) = 300 ml/kg with Olsen 2007 data.
* V<sub>d</sub> = Cl / k = 0.3 ml/kg/d / (ln 2 / (1.5 a * 365 d/a)) = 240 ml/kg with the smaller Zhang 2013a data.
* V<sub>d</sub> = Cl / k = 0.3 ml/kg/d / (ln 2 / (1.5 a * 365 d/a)) = 490 ml/kg with the larger Zhang 2013a data.
* V<sub>d</sub> = Cl / k = 0.4 ml/kg/d / (ln 2 / (5 a * 365 d/a)) = 1100 ml/kg with the synthesis values.

Jakaantumistilavuus voidaan laskea myös PFNAlle epäsuorasti synteesiarvoista: 240 ml/kg.
* V<sub>d</sub> = Cl / k = 0.15 ml/kg/d / (ln 2 / (3 a * 365 d/a)) = 240 ml/kg with the synthesis values.

Jakaantumistilavuus PFHxS:lle: 150 ml/kg.
* V<sub>d</sub> = Cl / k = 0.039 ml/kg/d / (ln 2 / (7.1 a * 365 d/a)) = 150 ml/kg with the synthesis values.

Jakaantumistilavuus PFOS:lle: 200 ml/kg (95% CI 100-400 ml/kg)
* V<sub>d</sub> = Cl / k = 0.05 ml/kg/d / (ln 2 / (5.8 a * 365 d/a)) = 150 ml/kg with the smaller Zhang 2013a data.
* V<sub>d</sub> = Cl / k = 0.037 ml/kg/d / (ln 2 / (18 a * 365 d/a)) = 350 ml/kg with the larger Zhang 2013a data.
* V<sub>d</sub> = Cl / k = 0.045 ml/kg/d / (ln 2 / (4.5 a * 365 d/a)) = 110 ml/kg with the synthesis values.

Kaikkien neljän (PFOA, PFNA, PFHxS, PFOS) yhdisteen jakaantumistilavuudet ovat hämmästyttävänkin samanlaiset välillä 200-800 ml/kg. Tämä puhuu sen puolesta, että yhdisteet eivät hakeudu kudoksiin kovin hanakasti, eikä ainakaan veren ulkopuolella ole mitään spesifiä varastoa, johon yhdisteet kertyisivät. Esimerkiksi dioksiineilla jakaantumistilavuudet lienevät luokkaa 280 l/kg (huom yksikkö!), koska ne jakaantuvat rasvaan tasaisesti ja valtaosa siitä on periferiassa eikä veressä. PFAS-yhdisteet kertyvät pääasiassa vereen, maksaan ja munuaisiin. Veressä ne sitoutuvat albumiiniin ja ehkä yleisemminkin ne sitoutuvat proteiineihin.

=== Terveysvaikutukset ====

EFSAn mukaan herkin terveysvaste on immuunipuolustuksen heikentyminen, joka näkyy rokotevasteen alenemisena. Imeväisikäisen BMDL10-pitoisuus 17.5 ng/ml veressä on yhdistetty hinkuyskärokotteen vasta-ainetasojen heikkenemiseen. Vasta-ainetasojen muutos ei suoraan aiheuta mitään tautia, mutta lisää riskiä saada tartuntatauti rokotuksesta huolimatta. BMDL10 tarkoittaa, että kymmenen prosentin heikkeneminen vasteessa vaatii pitoisuuden, joka on ''95 % varmuudella suurempi'' kuin 17.5 ng/ml. Tässä arvioinnissa halutaan kuitenkin olla varovaisia ja oletetaan, että tuollainen vaikutus tulee ''keskimäärin'' PFAS-veripitoisuudella 17.5 ng/ml.

Muita todettuja terveyshaittoja ovat veren kolesterolipitoisuuden nousu (joka on sydäntaudin itsenäinen riskitekijä) ja alentunut syntymäpaino.

'''PFAS-yhdisteiden tautitaakka

Tämän immuunivasteen muutoksen aiheuttaman tautitaakan arviointi on yksi hankalimpia vaiheita tässä hyöty-riskinarvioinnissa. Suomessa hinkuyskää esiintyy vuodessa [http://ghdx.healthdata.org/gbd-results-tool?params=gbd-api-2019-permalink/ad9996c11b9b1e3febd1552a12049457 IHME-instituutin] mukaan 6000 tapausta ja tästä aiheutuu 40 DALYn tautitaakka eli noin 0.007 DALY/tapaus. Kuitenkaan ei ole syytä ajatella, että immuunivasteen muutos vaikuttaisi pelkästään hinkuyskään, vaikka ilmiö sen yhteydessä havaittiinkin. 0-9-vuotiailla lapsilla on hengitystieinfektioita 2.4 miljoonaa kappaletta vuodessa, ja näistä aiheutuu 1100 DALYn tautitaakka [http://ghdx.healthdata.org/gbd-results-tool?params=gbd-api-2019-permalink/24cdec370a020cab721546d1c1291d04] eli 0.0005 DALY/tapaus. Tämä voisi olla mahdollinen vertailukohta.

Ei ole selvää, kuinka paljon immuunivasteen 10 % heikennys lisää infektioiden riskiä. Koska tarkastellaan isoa väestöä, jossa on herkkyydeltään erilaisia ihmisiä, vaikutus tuskin on äkkijyrkkä vaan suurenee vähitellen. Lähdökohtana voidaan ajatella, että kaikki vuorovaikutukset ovat lineaarisia eli että 10 % heikennys immuunivasteessa lisää 0-9-vuotiaiden infektioriskiä 10 %. 

=== Eettisiä näkökohtia ===

Suurin osa terveyshyödyistä tulee vanhalle väestölle, jonka sydäntauti- ja kuolleisuusriski on suuri. Haitat puolesteen kohdistuvat näillä oletuksilla pieniin lapsiin ja erityisesti raskauden ja imetyksen aikana eli johtuen äidin kalansyönnistä. On moraalinen kysymys arvioida, kuinka toivottavia erilaisiin väestöryhmiin kohdistuvat vaikutukset ovat. Tässä arviossa oletetaan, että jokainen haittapainotettu elinvuosi on samanarvoinen riippumatta väestöryhmästä.

PFAS-yhdisteiden tautitaakka pyrittiin arvioimaan tässä niin, että riskiä ei ainakaan vähätellä. Vaikka tällä tavalla ei saadakaan parasta mahdollista arviota tautitaakan suuruudesta, se kuitenkin pienentää väärän negatiivisen todennäköisyyttä, eli että päätelmä jättäisi huomiotta jonkin merkittävän todellisen riskin.

=== Malliparametrit ===

{| {{prettytable}}
|+'''Yleiskuva tarkasteltavista terveysvasteista ja siitä, mistä lähtötiedoista tautitaakka lasketaan.
|----
! Response|| population|| ER function|| InpBoD|| indicence|| case burden|| Description
|----
|| All-cause mortality|| 5-year age groups|| RR|| X|| || || Only YLL
|----
|| Breast cancer|| 5-year age groups > 14 a|| RR|| X|| || || 
|----
|| Cancer morbidity yearly|| 5-year age groups|| CSF|| X|| X|| || Incidence needed for linear ERFs even if InpBoD
|----
|| CHD2 mortality|| 5-year age groups|| Relative Hill|| X|| || || 
|----
|| Depression|| 5-year age groups|| RR|| X|| || || 
|----
|| Dioxin recommendation tolerable daily intake     || Undefined|| TWI|| || X|| X|| 
|----
|| Dioxin recommendation tolerable daily intake 2018|| Undefined|| TWI|| || X|| X|| 
|----
|| Immunosuppression|| 0 – 9|| ERS|| X|| X|| || We assume that immunosuppression affects respiratory infections in children
|----
|| Loss in child's IQ points|| 0 – 4|| ERS|| || X|| X|| 
|----
|| PFAS TWI|| Undefined|| TWI|| || X|| X|| 
|----
|| Sperm concentration|| 0 – 4|| ERS|| || X|| X|| 
|----
|| Vitamin D recommendation|| Undefined|| Step|| || X|| X|| 
|----
|| Yes or no dental defect|| 0 – 4|| ERS|| || X|| X|| 
|----
|}

Malliparametrit saat näkyviin klikkaamalla.

{{piilotettu|

Kalankulutus on ilmoitettu fileepainona eikä tuorepainona, eli oletetaan että kaikki tämä tulee syödyksi.

<t2b name="Malliparametrit" index="Type,Exposure_agent,Response,Subgroup,Unit" obs="Result" desc="Description" unit="various">
amount|||Kala:Kirjolohi; Scenario: BAU|Gg /a|6.7|KKE-skenaario
amount|||Kala:Kasvatettu; Scenario: BAU|Gg /a|0.6|KKE-skenaario
amount|||Kala:Silakka; Scenario: BAU|Gg /a|1.6|KKE-skenaario
amount|||Kala:Kaupallinen; Scenario: BAU|Gg /a|3.2|KKE-skenaario
amount|||Kala:Vapaa-ajan; Scenario: BAU|Gg /a|9.9|KKE-skenaario
amount|||Kala:Tuontilohi; Scenario: BAU|Gg /a|23.6|KKE-skenaario
amount|||Kala:Tuontikirjolohi; Scenario: BAU|Gg /a|4.8|KKE-skenaario
amount|||Kala:Muu tuonti; Scenario: BAU|Gg /a|28|KKE-skenaario
background exposure|Vitamin D||Gender:Male|µg /d|0 - 9|Finriski 12 - 3 from fish
background exposure|Vitamin D||Gender:Female|µg /d|0 - 5.7|Finriski 8.7 - 3 from fish
background exposure|EPA||Gender:Male|mg /d|0 - 85|Finriski 125 - 40 from fish
background exposure|EPA||Gender:Female|mg /d|0 - 60|Finriski 100 - 40 from fish
background exposure|DHA||Gender:Male|mg /d|0 - 85|Finriski 125 - 40 from fish
background exposure|DHA||Gender:Female|mg /d|0 - 60|Finriski 100 - 40 from fish
background exposure|Omega3||Gender:Male|mg /d|0 - 170|DHA + EPA
background exposure|Omega3||Gender:Female|mg /d|0 - 120|DHA + EPA
BoD||All causes|Gender:Male; Age:0 - 4|DALY|5367.66 (4493.4 - 6410.84)|IHME 2019c, Finland (YLL only)
BoD||All causes|Gender:Female; Age:0 - 4|DALY|4367.27 (3792.03 - 5042.07)|IHME 2019c, Finland
BoD||All causes|Gender:Male; Age:5 - 9|DALY|952.87 (881.36 - 1031.89)|IHME 2019c, Finland
BoD||All causes|Gender:Female; Age:5 - 9|DALY|909.38 (867.78 - 954.89)|IHME 2019c, Finland
BoD||All causes|Gender:Male; Age:10 - 14|DALY|1158.87 (1086.51 - 1237.96)|IHME 2019c, Finland
BoD||All causes|Gender:Female; Age:10 - 14|DALY|1012.22 (969.69 - 1058.26)|IHME 2019c, Finland
BoD||All causes|Gender:Male; Age:15 - 19|DALY|3986.28 (3782.55 - 4208.03)|IHME 2019c, Finland
BoD||All causes|Gender:Female; Age:15 - 19|DALY|1945.61 (1869.73 - 2028)|IHME 2019c, Finland
BoD||All causes|Gender:Male; Age:20 - 24|DALY|7865.33 (7626.07 - 8122.06)|IHME 2019c, Finland
BoD||All causes|Gender:Female; Age:20 - 24|DALY|2684.36 (2580.31 - 2796.36)|IHME 2019c, Finland
BoD||All causes|Gender:Male; Age:25 - 29|DALY|9547.06 (9311.87 - 9798.8)|IHME 2019c, Finland
BoD||All causes|Gender:Female; Age:25 - 29|DALY|2980.02 (2850.78 - 3119.85)|IHME 2019c, Finland
BoD||All causes|Gender:Male; Age:30 - 34|DALY|9851.24 (9599.27 - 10122.17)|IHME 2019c, Finland
BoD||All causes|Gender:Female; Age:30 - 34|DALY|3569.38 (3420.58 - 3731.73)|IHME 2019c, Finland
BoD||All causes|Gender:Male; Age:35 - 39|DALY|12178.62 (11808.52 - 12579.55)|IHME 2019c, Finland
BoD||All causes|Gender:Female; Age:35 - 39|DALY|4372.67 (4191.83 - 4569.5)|IHME 2019c, Finland
BoD||All causes|Gender:Male; Age:40 - 44|DALY|14632.76 (14115.45 - 15196.33)|IHME 2019c, Finland
BoD||All causes|Gender:Female; Age:40 - 44|DALY|5831.27 (5596.38 - 6088.76)|IHME 2019c, Finland
BoD||All causes|Gender:Male; Age:45 - 49|DALY|18900.81 (18145.64 - 19719.23)|IHME 2019c, Finland
BoD||All causes|Gender:Female; Age:45 - 49|DALY|8481.75 (8139.56 - 8853.37)|IHME 2019c, Finland
BoD||All causes|Gender:Male; Age:50 - 54|DALY|28892.04 (27707.78 - 30173.11)|IHME 2019c, Finland
BoD||All causes|Gender:Female; Age:50 - 54|DALY|13751.69 (13197.64 - 14352.01)|IHME 2019c, Finland
BoD||All causes|Gender:Male; Age:55 - 59|DALY|40698.93 (39025.38 - 42514.78)|IHME 2019c, Finland
BoD||All causes|Gender:Female; Age:55 - 59|DALY|19024.89 (18275.81 - 19839.52)|IHME 2019c, Finland
BoD||All causes|Gender:Male; Age:60 - 64|DALY|52798.28 (50773.63 - 54997.77)|IHME 2019c, Finland
BoD||All causes|Gender:Female; Age:60 - 64|DALY|25603.47 (24676.53 - 26614.32)|IHME 2019c, Finland
BoD||All causes|Gender:Male; Age:65 - 69|DALY|64496.56 (62142.47 - 67051.47)|IHME 2019c, Finland
BoD||All causes|Gender:Female; Age:65 - 69|DALY|34094.45 (32974.84 - 35313.42)|IHME 2019c, Finland
BoD||All causes|Gender:Male; Age:70 - 74|DALY|75114.44 (72482.81 - 77966.85)|IHME 2019c, Finland
BoD||All causes|Gender:Female; Age:70 - 74|DALY|44484.96 (43073.39 - 46021.61)|IHME 2019c, Finland
BoD||All causes|Gender:Male; Age:75 - 79|DALY|57367.03 (55511.95 - 59367.91)|IHME 2019c, Finland
BoD||All causes|Gender:Female; Age:75 - 79|DALY|41490 (40224.04 - 42865.93)|IHME 2019c, Finland
BoD||All causes|Gender:Male; Age:80 - 84|DALY|52592.34 (51091.92 - 54206.05)|IHME 2019c, Finland
BoD||All causes|Gender:Female; Age:80 - 84|DALY|51345.49 (49943.67 - 52863.93)|IHME 2019c, Finland
BoD||All causes|Gender:Male; Age:85+|DALY|35941.64 (35145.22 - 36791.11)|IHME 2019c, Finland. Actually, 85 - 89
BoD||All causes|Gender:Female; Age:85+|DALY|49589.05 (48240.94 - 51044.84)|IHME 2019c, Finland. Actually, 85 - 89
BoD||All causes|Gender:Male; Age:85+|DALY|17196.26 (16874.34 - 17541.88)|IHME 2019c, Finland. Actually, 90 - 94
BoD||All causes|Gender:Female; Age:85+|DALY|36317.02 (35513.81 - 37181.23)|IHME 2019c, Finland. Actually, 90 - 94
BoD||Neoplasms|Gender:Male; Age:0 - 4|DALY|339.6 (214.96 - 448.74)|IHME 2019, Finland (YLL + YLD)
BoD||Neoplasms|Gender:Female; Age:0 - 4|DALY|279.44 (190.11 - 352.41)|IHME 2019, Finland
BoD||Neoplasms|Gender:Male; Age:5 - 9|DALY|338.41 (273.15 - 406.37)|IHME 2019, Finland
BoD||Neoplasms|Gender:Female; Age:5 - 9|DALY|352.63 (292.03 - 412.02)|IHME 2019, Finland
BoD||Neoplasms|Gender:Male; Age:10 - 14|DALY|337.03 (278.81 - 403.35)|IHME 2019, Finland
BoD||Neoplasms|Gender:Female; Age:10 - 14|DALY|357.12 (299.64 - 415.26)|IHME 2019, Finland
BoD||Neoplasms|Gender:Male; Age:15 - 19|DALY|443.75 (360.11 - 546.01)|IHME 2019, Finland
BoD||Neoplasms|Gender:Female; Age:15 - 19|DALY|386.2 (329.13 - 449.1)|IHME 2019, Finland
BoD||Neoplasms|Gender:Male; Age:20 - 24|DALY|614.77 (513.05 - 724.23)|IHME 2019, Finland
BoD||Neoplasms|Gender:Female; Age:20 - 24|DALY|524.28 (451.5 - 605.35)|IHME 2019, Finland
BoD||Neoplasms|Gender:Male; Age:25 - 29|DALY|862.15 (727.88 - 1000.73)|IHME 2019, Finland
BoD||Neoplasms|Gender:Female; Age:25 - 29|DALY|728.76 (635.58 - 836.09)|IHME 2019, Finland
BoD||Neoplasms|Gender:Male; Age:30 - 34|DALY|1122.29 (957.29 - 1313.54)|IHME 2019, Finland
BoD||Neoplasms|Gender:Female; Age:30 - 34|DALY|1173.68 (1036.33 - 1329.1)|IHME 2019, Finland
BoD||Neoplasms|Gender:Male; Age:35 - 39|DALY|1607.45 (1386.24 - 1839.65)|IHME 2019, Finland
BoD||Neoplasms|Gender:Female; Age:35 - 39|DALY|1750.8 (1568.44 - 1979.19)|IHME 2019, Finland
BoD||Neoplasms|Gender:Male; Age:40 - 44|DALY|2244.85 (1960.58 - 2544.56)|IHME 2019, Finland
BoD||Neoplasms|Gender:Female; Age:40 - 44|DALY|2660.28 (2384.94 - 2948.81)|IHME 2019, Finland
BoD||Neoplasms|Gender:Male; Age:45 - 49|DALY|3494.38 (3070.94 - 4000.52)|IHME 2019, Finland
BoD||Neoplasms|Gender:Female; Age:45 - 49|DALY|4204.38 (3810.27 - 4640.67)|IHME 2019, Finland
BoD||Neoplasms|Gender:Male; Age:50 - 54|DALY|6777.86 (6003.2 - 7613.16)|IHME 2019, Finland
BoD||Neoplasms|Gender:Female; Age:50 - 54|DALY|7197.94 (6580.3 - 7902.28)|IHME 2019, Finland
BoD||Neoplasms|Gender:Male; Age:55 - 59|DALY|12102.41 (10819.19 - 13511.91)|IHME 2019, Finland
BoD||Neoplasms|Gender:Female; Age:55 - 59|DALY|10372.25 (9448.96 - 11342.92)|IHME 2019, Finland
BoD||Neoplasms|Gender:Male; Age:60 - 64|DALY|18345.95 (16429.22 - 20358.02)|IHME 2019, Finland
BoD||Neoplasms|Gender:Female; Age:60 - 64|DALY|14317.87 (13160.73 - 15564.24)|IHME 2019, Finland
BoD||Neoplasms|Gender:Male; Age:65 - 69|DALY|25248 (23053.65 - 27611.18)|IHME 2019, Finland
BoD||Neoplasms|Gender:Female; Age:65 - 69|DALY|18551.3 (17148.54 - 20100.45)|IHME 2019, Finland
BoD||Neoplasms|Gender:Male; Age:70 - 74|DALY|29396.51 (27122.35 - 31897.37)|IHME 2019, Finland
BoD||Neoplasms|Gender:Female; Age:70 - 74|DALY|21707.21 (20077.87 - 23390.91)|IHME 2019, Finland
BoD||Neoplasms|Gender:Male; Age:75 - 79|DALY|20087.72 (18068.26 - 22285.71)|IHME 2019, Finland
BoD||Neoplasms|Gender:Female; Age:75 - 79|DALY|15942.74 (14335.64 - 17532.33)|IHME 2019, Finland
BoD||Neoplasms|Gender:Male; Age:80 - 84|DALY|15565.95 (13625.28 - 17283.91)|IHME 2019, Finland
BoD||Neoplasms|Gender:Female; Age:80 - 84|DALY|13735.88 (11704.04 - 15243.01)|IHME 2019, Finland
BoD||Neoplasms|Gender:Male; Age:85+|DALY|8349.32 (7215.72 - 9486.6)|IHME 2019, Finland. Actually, 85 -89
BoD||Neoplasms|Gender:Female; Age:85+|DALY|8476.79 (6862.51 - 9681.82)|IHME 2019, Finland. Actually, 85 - 89
BoD||Neoplasms|Gender:Male; Age:85+|DALY|2990.68 (2444.57 - 3477.32)|IHME 2019, Finland. Actually, 90 - 94
BoD||Neoplasms|Gender:Female; Age:85+|DALY|4083.67 (3074.97 - 4694.58)|IHME 2019, Finland. Actually, 90 - 94
BoD||Depressive disorders|Gender:Male; Age:0 - 4|DALY|0.39 (0.16 - 0.88)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Female; Age:0 - 4|DALY|0.44 (0.19 - 0.95)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Male; Age:5 - 9|DALY|65.4 (24.32 - 130.1)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Female; Age:5 - 9|DALY|87.57 (33.33 - 168.15)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Male; Age:10 - 14|DALY|431.48 (223.6 - 769.41)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Female; Age:10 - 14|DALY|680.29 (359.42 - 1190.98)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Male; Age:15 - 19|DALY|984.25 (569.08 - 1568.68)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Female; Age:15 - 19|DALY|1657.4 (981.1 - 2621.09)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Male; Age:20 - 24|DALY|1386.32 (842.11 - 2175.09)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Female; Age:20 - 24|DALY|2295.71 (1408.71 - 3553.28)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Male; Age:25 - 29|DALY|1417.26 (869.21 - 2128.93)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Female; Age:25 - 29|DALY|2185.67 (1396.77 - 3226.54)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Male; Age:30 - 34|DALY|1303.8 (798.19 - 1999.81)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Female; Age:30 - 34|DALY|1876.24 (1187.81 - 2861.03)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Male; Age:35 - 39|DALY|1434.14 (907.94 - 2074.58)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Female; Age:35 - 39|DALY|2009.31 (1311.98 - 2856.55)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Male; Age:40 - 44|DALY|1420.51 (892.26 - 2092.79)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Female; Age:40 - 44|DALY|1980.05 (1265.93 - 2911.48)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Male; Age:45 - 49|DALY|1263.34 (821.64 - 1808.41)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Female; Age:45 - 49|DALY|1805 (1197.95 - 2558.32)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Male; Age:50 - 54|DALY|1387.56 (919.06 - 1998.99)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Female; Age:50 - 54|DALY|2050.35 (1395.56 - 2888.39)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Male; Age:55 - 59|DALY|1394.62 (928.12 - 2021.06)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Female; Age:55 - 59|DALY|2139.71 (1441.61 - 3072.24)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Male; Age:60 - 64|DALY|1303.22 (849.08 - 1942.47)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Female; Age:60 - 64|DALY|2050.26 (1341.4 - 2953.45)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Male; Age:65 - 69|DALY|1212.91 (808.8 - 1735.76)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Female; Age:65 - 69|DALY|1910.24 (1285.99 - 2719.36)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Male; Age:70 - 74|DALY|1113.66 (736.29 - 1598.95)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Female; Age:70 - 74|DALY|1738.81 (1160.43 - 2387.44)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Male; Age:75 - 79|DALY|607.27 (395.62 - 879.63)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Female; Age:75 - 79|DALY|992.13 (632.93 - 1407.88)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Male; Age:80 - 84|DALY|408.4 (260.09 - 603.43)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Female; Age:80 - 84|DALY|754.19 (468.1 - 1107.22)|IHME 2019, Finland
BoD||Depressive disorders|Gender:Male; Age:85+|DALY|217.19 (143.42 - 306.18)|IHME 2019, Finland. Actually, 85 - 89
BoD||Depressive disorders|Gender:Female; Age:85+|DALY|508.96 (331.86 - 735.2)|IHME 2019, Finland. Actually, 85 - 89
BoD||Depressive disorders|Gender:Male; Age:85+|DALY|89.64 (56.81 - 130.42)|IHME 2019, Finland. Actually, 90 - 94
BoD||Depressive disorders|Gender:Female; Age:85+|DALY|282.59 (176.7 - 418.81)|IHME 2019, Finland. Actually, 90 - 94
BoD||Cardiovascular diseases|Gender:Male; Age:0 - 4|DALY|55.81 (38.8 - 72.1)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Female; Age:0 - 4|DALY|51.41 (36.91 - 62.28)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Male; Age:5 - 9|DALY|40.28 (31.09 - 53.33)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Female; Age:5 - 9|DALY|57.28 (43.51 - 73.88)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Male; Age:10 - 14|DALY|63.54 (51.33 - 78.65)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Female; Age:10 - 14|DALY|87.09 (62.96 - 117.03)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Male; Age:15 - 19|DALY|136.71 (110.24 - 167.42)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Female; Age:15 - 19|DALY|153.98 (118.47 - 199.25)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Male; Age:20 - 24|DALY|279.39 (227.03 - 336.84)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Female; Age:20 - 24|DALY|228.81 (180.02 - 288.87)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Male; Age:25 - 29|DALY|532.83 (430.61 - 638.52)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Female; Age:25 - 29|DALY|342.46 (268.59 - 426.35)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Male; Age:30 - 34|DALY|816.37 (680.83 - 972.69)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Female; Age:30 - 34|DALY|456.47 (368.51 - 556.08)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Male; Age:35 - 39|DALY|1680.87 (1433.26 - 1914.22)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Female; Age:35 - 39|DALY|655.65 (547.17 - 769.76)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Male; Age:40 - 44|DALY|2937.42 (2572.42 - 3307.94)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Female; Age:40 - 44|DALY|1017.71 (858.22 - 1188.24)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Male; Age:45 - 49|DALY|4722.73 (4249.8 - 5179.27)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Female; Age:45 - 49|DALY|1511.89 (1259.14 - 1761.99)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Male; Age:50 - 54|DALY|8534.18 (7814.07 - 9238.67)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Female; Age:50 - 54|DALY|2418.4 (2107.72 - 2759.86)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Male; Age:55 - 59|DALY|13664.14 (12654.49 - 14659.31)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Female; Age:55 - 59|DALY|3830.79 (3349.47 - 4333.78)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Male; Age:60 - 64|DALY|19981.9 (18579.26 - 21437.66)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Female; Age:60 - 64|DALY|6174.04 (5456.16 - 6895.54)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Male; Age:65 - 69|DALY|26192.04 (24283.7 - 28121.98)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Female; Age:65 - 69|DALY|10009.46 (8880.47 - 11065.86)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Male; Age:70 - 74|DALY|32896.15 (30823.42 - 35054.93)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Female; Age:70 - 74|DALY|16202.42 (14704.55 - 17659.69)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Male; Age:75 - 79|DALY|27830.29 (25860.67 - 29831.68)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Female; Age:75 - 79|DALY|18996.68 (17106.54 - 20639.64)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Male; Age:80 - 84|DALY|27498.88 (24963.18 - 29492.6)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Female; Age:80 - 84|DALY|28299.79 (24418.39 - 30775.41)|IHME 2019, Finland
BoD||Cardiovascular diseases|Gender:Male; Age:85+|DALY|20009.06 (17545.62 - 21573.12)|IHME 2019, Finland. Actually, 85 - 89
BoD||Cardiovascular diseases|Gender:Female; Age:85+|DALY|30471.01 (24907.42 - 33476.66)|IHME 2019, Finland. Actually, 85 - 89
BoD||Cardiovascular diseases|Gender:Male; Age:85+|DALY|9975.45 (8323.76 - 10867.21)|IHME 2019, Finland. Actually, 90 - 94
BoD||Cardiovascular diseases|Gender:Female; Age:85+|DALY|23285.78 (18138.13 - 26005.15)|IHME 2019, Finland. Actually, 90 - 94
BoD||Breast cancer|Gender:Male; Age:15 - 19|DALY|1.18 (0.96 - 1.37)|IHME 2019, Finland
BoD||Breast cancer|Gender:Female; Age:15 - 19|DALY|3 (1.75 - 4.76)|IHME 2019, Finland
BoD||Breast cancer|Gender:Male; Age:20 - 24|DALY|1.17 (1 - 1.35)|IHME 2019, Finland
BoD||Breast cancer|Gender:Female; Age:20 - 24|DALY|14.4 (10.03 - 20.05)|IHME 2019, Finland
BoD||Breast cancer|Gender:Male; Age:25 - 29|DALY|1.18 (0.99 - 1.34)|IHME 2019, Finland
BoD||Breast cancer|Gender:Female; Age:25 - 29|DALY|72.46 (50.75 - 99.1)|IHME 2019, Finland
BoD||Breast cancer|Gender:Male; Age:30 - 34|DALY|1.06 (0.92 - 1.22)|IHME 2019, Finland
BoD||Breast cancer|Gender:Female; Age:30 - 34|DALY|289.26 (210.11 - 392)|IHME 2019, Finland
BoD||Breast cancer|Gender:Male; Age:35 - 39|DALY|2.03 (1.01 - 3.77)|IHME 2019, Finland
BoD||Breast cancer|Gender:Female; Age:35 - 39|DALY|525.17 (400.03 - 678.09)|IHME 2019, Finland
BoD||Breast cancer|Gender:Male; Age:40 - 44|DALY|3.14 (1.47 - 5.9)|IHME 2019, Finland
BoD||Breast cancer|Gender:Female; Age:40 - 44|DALY|863.56 (676.13 - 1072.98)|IHME 2019, Finland
BoD||Breast cancer|Gender:Male; Age:45 - 49|DALY|6.46 (3.26 - 11.19)|IHME 2019, Finland
BoD||Breast cancer|Gender:Female; Age:45 - 49|DALY|1403.45 (1127.85 - 1738.21)|IHME 2019, Finland
BoD||Breast cancer|Gender:Male; Age:50 - 54|DALY|11.32 (5.67 - 20.08)|IHME 2019, Finland
BoD||Breast cancer|Gender:Female; Age:50 - 54|DALY|2079.33 (1696.3 - 2550.8)|IHME 2019, Finland
BoD||Breast cancer|Gender:Male; Age:55 - 59|DALY|15.64 (9.08 - 24.92)|IHME 2019, Finland
BoD||Breast cancer|Gender:Female; Age:55 - 59|DALY|2667.99 (2186.73 - 3219.43)|IHME 2019, Finland
BoD||Breast cancer|Gender:Male; Age:60 - 64|DALY|18.29 (10.28 - 30.11)|IHME 2019, Finland
BoD||Breast cancer|Gender:Female; Age:60 - 64|DALY|3008.14 (2442.29 - 3681.06)|IHME 2019, Finland
BoD||Breast cancer|Gender:Male; Age:65 - 69|DALY|17.69 (9.57 - 29.27)|IHME 2019, Finland
BoD||Breast cancer|Gender:Female; Age:65 - 69|DALY|3280.97 (2674.04 - 3996.94)|IHME 2019, Finland
BoD||Breast cancer|Gender:Male; Age:70 - 74|DALY|27.16 (14.8 - 44.9)|IHME 2019, Finland
BoD||Breast cancer|Gender:Female; Age:70 - 74|DALY|3328.91 (2723.36 - 4052.4)|IHME 2019, Finland
BoD||Breast cancer|Gender:Male; Age:75 - 79|DALY|15.51 (8.07 - 26.84)|IHME 2019, Finland
BoD||Breast cancer|Gender:Female; Age:75 - 79|DALY|2448.51 (1981.95 - 3017.28)|IHME 2019, Finland
BoD||Breast cancer|Gender:Male; Age:80 - 84|DALY|12.58 (6.02 - 23.17)|IHME 2019, Finland
BoD||Breast cancer|Gender:Female; Age:80 - 84|DALY|1889.18 (1466.29 - 2370.1)|IHME 2019, Finland
BoD||Breast cancer|Gender:Male; Age:85+|DALY|5.22 (2.34 - 10.9)|IHME 2019, Finland. Actually, 85 - 89
BoD||Breast cancer|Gender:Female; Age:85+|DALY|1151.16 (865.36 - 1442.12)|IHME 2019, Finland. Actually, 85 - 89
BoD||Breast cancer|Gender:Male; Age:85+|DALY|2.43 (1.16 - 4.37)|IHME 2019, Finland. Actually, 90 - 94
BoD||Breast cancer|Gender:Female; Age:85+|DALY|589.93 (434.75 - 763.12)|IHME 2019, Finland. Actually, 90 - 94
BoD||Respiratory infections and tuberculosis|Gender:Male; Age:0 - 4|DALY|319.93 (208.27 - 491.6)|IHME 2019b, Finland (YLL + YLD) Used for background BoD of immunosuppression
BoD||Respiratory infections and tuberculosis|Gender:Female; Age:0 - 4|DALY|272.04 (173.66 - 420.74)|IHME 2019b, Finland
BoD||Respiratory infections and tuberculosis|Gender:Male; Age:5 - 9|DALY|275.03 (160.81 - 447.16)|IHME 2019b, Finland
BoD||Respiratory infections and tuberculosis|Gender:Female; Age:5 - 9|DALY|248.04 (144.2 - 410.57)|IHME 2019b, Finland
case burden||Dioxin recommendation tolerable daily intake||DALY /case|0.0001 - 0.0101|Goherr assessment
case burden||Dioxin recommendation tolerable daily intake 2018||DALY /case|0.0001 - 0.0101|Goherr assessment
case burden||Loss in child's IQ points||DALY /IQ|0.11 (0.06 - 0.16)|Arja used 0.013 but here we use Goherr value instead.
case burden||PFAS TWI||DALY /case|0.0001 - 0.0101|
case burden||Sperm concentration|Gender:Female|DALY/case|0|Goherr assessment
case burden||Sperm concentration|Gender:Male|DALY/case|0 - 5|Goherr assessment
case burden||Vitamin D recommendation||DALY /case|0.0001 - 0.0101|Goherr assessment
case burden||Yes or no dental defect||DALY/case|0 - 0.12|Goherr assessment
incidence||Cancer morbidity yearly||# /100000py|657|Statistics Finland https://tilastot.syoparekisteri.fi/syovat/ applies to all subgroups because cancer is lifetime risk
incidence||Dioxin recommendation tolerable daily intake||# /100000py|11000|Average over the whole Goherr population is 11 %
incidence||Dioxin recommendation tolerable daily intake 2018||# /100000py|32000|Average over the whole Goherr population is 32 %
incidence||Immunosuppression|Age:0 - 4|# /100000py|481000|IHME: 1.23M cases per (130884+125040)
incidence||Immunosuppression|Age:5 - 9|# /100000py|395000|IHME: 1.21M cases per (156654+149663)
incidence||Loss in child's IQ points|Age:0 - 4|IQ /100000py|596000|On average, a population has ca. 6 IQ points per person below 100: mean(abs(rnorm(10000, 100,15)-100))/2
incidence||PFAS TWI||# /100000py|100000|nominal
incidence||Sperm concentration|Age:0 - 4|# /100000py|7000|Male infertility rate is 7 % (Wikipedia)
incidence||Vitamin D recommendation||# /100000py|22000|Valsta et al.: 14 and 30 % of Finnish males and females, respectivey, are below average need (7.5 µg/d) http://urn.fi/URN:ISBN:978-952-343-238-3
incidence||Yes or no dental defect|Age:0 - 4|# /20000py|22400|Alaluusua et al 2004 found 11/49 cases in two lowest groups
population|||Gender:Male; Age:0 - 4|#|130884|Statistics Finland 2019
population|||Gender:Male; Age:5 - 9|#|156654|Statistics Finland 2019
population|||Gender:Male; Age:10 - 14|#|157712|Statistics Finland 2019
population|||Gender:Male; Age:15 - 19|#|152230|Statistics Finland 2019
population|||Gender:Male; Age:20 - 24|#|161679|Statistics Finland 2019
population|||Gender:Male; Age:25 - 29|#|183092|Statistics Finland 2019
population|||Gender:Male; Age:30 - 34|#|181115|Statistics Finland 2019
population|||Gender:Male; Age:35 - 39|#|186122|Statistics Finland 2019
population|||Gender:Male; Age:40 - 44|#|177928|Statistics Finland 2019
population|||Gender:Male; Age:45 - 49|#|159982|Statistics Finland 2019
population|||Gender:Male; Age:50 - 54|#|179182|Statistics Finland 2019
population|||Gender:Male; Age:55 - 59|#|183719|Statistics Finland 2019
population|||Gender:Male; Age:60 - 64|#|176283|Statistics Finland 2019
population|||Gender:Male; Age:65 - 69|#|171275|Statistics Finland 2019
population|||Gender:Male; Age:70 - 74|#|163697|Statistics Finland 2019
population|||Gender:Male; Age:75 - 79|#|93987|Statistics Finland 2019
population|||Gender:Male; Age:80 - 84|#|65140|Statistics Finland 2019
population|||Gender:Male; Age:85+|#|47581|Statistics Finland 2019
population|||Gender:Male; Age:Undefined|#|2728262|Statistics Finland 2019
population|||Gender:Female; Age:0 - 4|#|125040|Statistics Finland 2019
population|||Gender:Female; Age:5 - 9|#|149633|Statistics Finland 2019
population|||Gender:Female; Age:10 - 14|#|151113|Statistics Finland 2019
population|||Gender:Female; Age:15 - 19|#|144441|Statistics Finland 2019
population|||Gender:Female; Age:20 - 24|#|152265|Statistics Finland 2019
population|||Gender:Female; Age:25 - 29|#|172593|Statistics Finland 2019
population|||Gender:Female; Age:30 - 34|#|169653|Statistics Finland 2019
population|||Gender:Female; Age:35 - 39|#|174660|Statistics Finland 2019
population|||Gender:Female; Age:40 - 44|#|168547|Statistics Finland 2019
population|||Gender:Female; Age:45 - 49|#|154391|Statistics Finland 2019
population|||Gender:Female; Age:50 - 54|#|176612|Statistics Finland 2019
population|||Gender:Female; Age:55 - 59|#|185152|Statistics Finland 2019
population|||Gender:Female; Age:60 - 64|#|183336|Statistics Finland 2019
population|||Gender:Female; Age:65 - 69|#|185685|Statistics Finland 2019
population|||Gender:Female; Age:70 - 74|#|186034|Statistics Finland 2019
population|||Gender:Female; Age:75 - 79|#|118190|Statistics Finland 2019
population|||Gender:Female; Age:80 - 84|#|96256|Statistics Finland 2019
population|||Gender:Female; Age:85+|#|103429|Statistics Finland 2019
population|||Gender:Female; Age:Undefined|#|2797030|Statistics Finland 2019
fish proportion|||Gender:Female|g/d|0.85|(Goherr assessment http://en.opasnet.org/en-opwiki/images/3/39/Goherr_benefit-risk_assessment_fig12.svg)
fish proportion|||Gender:Male|g/d|1.15|Goherr assessment 
ERFchoice|DHA|Loss in child's IQ points|Scaling:None|mg /d|1|
ERFchoice|Fish|Depression||g /d|1|
ERFchoice|Fish|All-cause mortality||g /d|1|
ERFchoice|MeHg|Loss in child's IQ points|Exposure:Through placenta as maternal MeHg concentration in hair|µg/g|1|
ERFchoice|Omega3|CHD2 mortality|ER_function:Relative Hill|mg /d|1|
ERFchoice|Omega3|Breast cancer||mg /d|1|
ERFchoice|PFAS|Immunosuppression||ng /kg /week|1|
ERFchoice|TEQ|Yes or no dental defect||pg /g|1|
ERFchoice|TEQ|Cancer morbidity yearly||pg /kg /d|1|
ERFchoice|TEQ|Sperm concentration||pg /g|1|
ERFchoice|Vitamin D|Vitamin D recommendation||µg /d|1|
</t2b>

<ref name="ihme2019">IHME. (2021) Global Health Data Explorer. [http://ghdx.healthdata.org/gbd-results-tool?params=gbd-api-2019-permalink/3d667f73af096494bd9dc36d22d3823e search 2019a] [http://ghdx.healthdata.org/gbd-results-tool?params=gbd-api-2019-permalink/f4652c784e8a08cb59324f1e76074b47 search 2019b]</ref>
<ref name="statfi2019">Statistics Finland. (2021) Väestörakenne. [http://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/StatFin__vrm__vaerak/statfin_vaerak_pxt_11rc.px/table/tableViewLayout1/]</ref>
We adjust the case burden of Child's IQ to one fifth, because we assume that a permanent damage happens at year 0 but the case burden refers to the whole subgroup from 0 to 4 years of age. (This is easier than creating overlapping subgroups.) Previously incidence was adjusted, but that makes no sense because with non-proportional ERFs, incidence cancels out. Yet one has to remember that the incidence and PAF values apply only to the target subgroup (0-year-olds), not the whole subgroup (0-4-year-olds). The same reasoning applies to sperm concentration and dental aberration, because we assume that one-year exposure at age 0 (or young are, it is not clearly defined with sperm concentration) results in permanent damage. However, with immunosuppression we assume that one-year exposure leads to one-year damage, and that the sensitivity to the effect disappears after 10 years of age (mainly because the breast-fed PFAS compounds no longer keep body burden elevated). Therfore, immunosuppression is not adjusted. One year is the logical resolution in the assessment (e.g. BoD is per year), even if the age groups are for five consecutive years.

<t2b name="Decisions" index="Decision,Option,Variable,Cell,Change" obs="Result" desc="Description" unit="-">
Adjust|BAU|incidence||Multiply|0.00001|1/100000 py --> 1 py
Adjust|BAU|conc_vit|Nutrient:Vitamin D,Omega3,ALA,DHA|Multiply|0.01|g /100 g --> g /g
Adjust|BAU|conc_vit|Nutrient:Omega3|Multiply|1000|g --> mg
Adjust|BAU|BoD|Response:Loss in child's IQ points,Sperm concentration,Yes or no dental defect|Multiply|0.2|Adjusting for age group. See above
Fishing|BAU|amount||Multiply|1|General Finnish fish consumption
Fishing|Porvoo|amount|Fish:Average fish|Add|4.1|Derived from Porvoo fisheries report 2019
Fishing|Porvoo|amount|Fish:Bream|Add|6.3|Derived from Porvoo fisheries report 2019
Fishing|Porvoo|amount|Fish:Herring|Add|0.6|Derived from Porvoo fisheries report 2019
Fishing|Porvoo|amount|Fish:Perch|Add|3.0|Derived from Porvoo fisheries report 2019
Fishing|Porvoo|amount|Fish:Roach|Add|4.7|Derived from Porvoo fisheries report 2019
Fishing|Porvoo|amount|Fish:Salmon|Add|0.4|Derived from Porvoo fisheries report 2019
Fishing|Porvoo|amount|Fish:Whitefish|Add|0.6|Derived from Porvoo fisheries report 2019
Fishing|Vanhankaupunginlahti|amount|Fish:Average fish|Add|4.1|Derived from Porvoo fisheries report 2019
Fishing|Vanhankaupunginlahti|amount|Fish:Bream|Add|6.3|Derived from Porvoo fisheries report 2019
Fishing|Vanhankaupunginlahti|amount|Fish:Herring|Add|0.6|Derived from Porvoo fisheries report 2019
Fishing|Vanhankaupunginlahti|amount|Fish:Perch|Add|3.0|Derived from Porvoo fisheries report 2019
Fishing|Vanhankaupunginlahti|amount|Fish:Roach|Add|4.7|Derived from Porvoo fisheries report 2019
Fishing|Vanhankaupunginlahti|amount|Fish:Salmon|Add|0.4|Derived from Porvoo fisheries report 2019
Fishing|Vanhankaupunginlahti|amount|Fish:Whitefish|Add|0.6|Derived from Porvoo fisheries report 2019
Fishing|BAU|conc|Compound:PFAS|Multiply|1|Derived from EU-kalat3
Fishing|Porvoo|conc|Compound:PFAS|Multiply|3|Derived from Porvoo measurements
Fishing|Vanhankaupunginlahti|conc|Compound:PFAS|Multiply|7|Derived from EU-kalat3
</t2b>

<t2b name="CollapseMarginals" index="Variable,Index,Probs,Function" obs="Dummy" desc="Description" unit="-">
amount|Food||sum|1|Remove, too detailed
BoD|incidenceSource,disabilityweightSource,populationSource||sum|1|Remove redundant
BoDattr|PAFSource, Adjust||sum|1|Remove redundant
case_burden|case_burdenSource||sum|1|Fill missing Ages
conc_pfas|conc_pfas_rawSource||sum|1|Remove redundant
dose|Source, concSource, expo_dirSrouce, exposureSource, BWSource, Source.1||sum|1|Remove redundant
ERF|Exposure, Age||sum|1|Remove redundant
expo_indir|f_ingSource, t0.5Source,f_mtocSource, BFSource||sum|1|Remove redundant
expo_dir|Group, Fish, fish_proportionSource, amountSource, concSource||sum|1|Remove redundant
exposure|Fish, Kala, expo_dirSource||sum|1|Remove redundant
PAF|Unit, Exposure, Scaling,Exposcen, ER_function, ERFchoiceSource, exposureSource, bgexposureSource, BWSource, doseSource, thresholdSource, ERFSource, RRSource, frexposedSource, incidenceSource, InpPAFSource||sum|1|Remove redundant
threshold|Exposure, Age||sum|1|Remove redundant
</t2b>
}}

Excluded endpoints:
* ERFchoice|PFAS|PFAS TWI||ng /kg /week|1|
* ERFchoice|TEQ|Dioxin recommendation tolerable daily intake 2018||pg /kg /d|1|

=== Laskenta ===

Malliajo 2021-02-27 [http://fi.opasnet.org/fi-opwiki/index.php?title=Toiminnot:RTools&id=zHFKH1Oquvgc1yda].
Koodi löytyy myös [https://github.com/jtuomist/pfas/blob/main/fishhealth_initiate.Rmd Githubista].

<rcode label="Initiate the model" name="initiate" embed=0>
# This is code Op_fi5932/initiate on page [[PFAS-yhdisteiden tautitaakka]]

library(OpasnetUtils) # Install the newest version from https://github.com/jtuomist/OpasnetUtils not from CRAN.
library(tidyverse)
library(plotly)
library(readxl)
library(reshape2)

# First empty all objects for a fresh start. Otherwise may be problems with CheckDecisions.
oempty(all=TRUE)
openv.setN(0)
opts = options(stringsAsFactors=FALSE)

ages <- factor(1:19, labels=c(
    "0 - 4", "5 - 9", "10 - 14", "15 - 19", "20 - 24", "25 - 29", "30 - 34", "35 - 39", "40 - 44", "45 - 49", "50 - 54",
    "55 - 59", "60 - 64", "65 - 69", "70 - 74", "75 - 79", "80 - 84", "85+", "Undefined")
)

objects.latest("Op_en2031", code_name="subgrouping") # [[Exposure-response function]] subgrouping

#' prepare adjusts the data table for ovariables. Requires function subgrouping from code Op_en2031/subgrouping on page [[Exposure-response function]]
#' @param dat data.frame
#' @param type type of data that is used. Must match content in column Type
#' @param drop columns to remove
#' @return data.frame
prepare <- function(dat, type=NULL, drop=NULL) {
  out <- dat
  if(!is.null(type)) out <- out[out$Type %in% type , ]
  if(!is.null(drop)) out <- out[!colnames(out) %in% drop]
  return(subgrouping(out))
}

#' Copies results from one location to other locations while keeping everything else constant
#' @param ova ovariable to be used
#' @param locations list of relevant indices. Each item is a list that has a name of an existing locations, and the content is a vector of new location names.
#' @return the input ovariable with new rows containing the new locations

expand_index <- function(ova, locations) {
  if("ovariable" %in% class(ova)) out <- ova@output else out <- ova
  for(i in names(locations)) {
    for(j in names(locations[[i]])) {
      addpiece <- out[out[[i]]==j,]
      for(k in locations[[i]][[j]]) {
        addpiece[[i]] <- k
        out <- rbind(out,addpiece)
      }
    }
  }
  if("ovariable" %in% class(ova)) ova@output <- out else ova <- out
  return(ova)
}

trim <- function(ova) return(oapply(ova, NULL, mean, "Iter")@output)

###### case-specific adjustments

objects.latest("Op_en2261", code_name="RR2") # RR on page [[Health impact assessment]]

RRorig <- RR@formula

RR@formula <- function(...) {
  out <- RRorig()
  out <- out * Ovariable(
    output=data.frame(Age = ages, Result=1),
    marginal=c(TRUE,FALSE)
  )
  return(out)
}

#################  DOWNLOADS

# This code was forked from https://github.com/jtuomist/fishhealth/blob/master/fishhealth.Rmd
# This code was previously forked from code Op_fi5923/model on page [[Kotimaisen kalan edistämisohjelma]]
# The code was even more previously forked from Op_fi5889/model on page [[Ruori]] and Op_en7748/model on page [[Goherr assessment]]

dat <- opbase.data("Op_fi5932", subset="Malliparametrit")[-1] # [[PFAS-yhdeisteiden tautitaakka]]
dec <- opbase.data("Op_fi5932", subset="Decisions")[-1]
DecisionTableParser(dec)

CTable <- opbase.data("Op_fi5932",subset="CollapseMarginals")
#for(i in 1:ncol(CTable)) {CTable[[i]] <- as.character(CTable[[i]])} # The default is currently character, not factor
CollapseTableParser(CTable)

cat("Laskennassa käytetty data.\n")
oprint(dat)
cat("Tarkastellut päätökset.\n")
oprint(dec)
cat("Aggregoidut marginaalit.\n")
oprint(CTable)

dummy <- Ovariable("dummy",data=data.frame(Age="dummy", Fish="dummy", Compound="dummy", Area="dummy", Result=1)) # Keep these columns marginals

objects.latest("Op_en1836", code_name="EFSA_amount") #  [[Domestic fish consumption of the general population in Finland]]
amountOrig <- amount@formula
amount@formula <- function(...) {
  out <- amountOrig()
  out <- out * fish_proportion
  return(out)
}

fish_proportion <- Ovariable( # How population subgroups eat fish differently
  "fish_proportion",
  data = data.frame(prepare(dat,"fish proportion",c("Type","Exposure_agent","Response","Unit"))),
  unit="proportion of the mean")

total_amount <- Ovariable(
  "total_amount",
  data=prepare(dat, "amount", c("Type","Response","Exposure_agent","Unit")),
  unit="M kg/a")

amount_statistics <- Ovariable( # This comes from the Finnish fish market statistics
  "amount",
  dependencies = data.frame(Name=c("total_amount", "fish_proportion")),
  formula = function(...) {
    amount <- total_amount
      # Filleted weight, i.e. no loss.
    amount <- amount * 1000 / 5.52 /365.25 
      # M kg/a per 5.52M population --> g/d per average person.
    amount <- amount * fish_proportion
      # fish_proportion tells the relative amount in each subgroup
  
    # Match KKE-classification in amount with Fineli classification
    tmp <- Ovariable(
      output = data.frame(
        Kala = c("Kasvatettu", "Kaupallinen", "Kirjolohi", "Silakka", "Vapaa-ajan", "Muu tuonti", "Tuontikirjolohi", "Tuontilohi"),
        Fish = c("Whitefish", "Average fish","Rainbow trout", "Herring", "Average fish", "Average fish", "Rainbow trout", "Salmon"),
        Result = 1
      ),
      marginal = c(TRUE, TRUE, FALSE)
    )
    
    amount <- amount * tmp
    
    return(amount)
  },
  unit="g/d"
)
# Exposure:To child and To eater not needed, because dioxins are not (yet) included

population <- Ovariable(
  "population", 
  data=prepare(dat, "population", c("Type", "Exposure_agent", "Response","Unit")),
  unit = "#"
)
population@data$Age <- factor(population@data$Age, levels=levels(ages))

incidence <- Ovariable(
  "incidence",
  data = prepare(dat,"incidence",c("Type","Exposure_agent","Unit")),
  unit="1/person-year")
incidence@data$Age <- factor(incidence@data$Age, levels=levels(ages))

case_burden <- Ovariable(
  "case_burden",
  data = prepare(dat,"case burden",c("Type", "Exposure_agent","Unit")),
  unit="DALY/case")

ERFchoice <- Ovariable(
  "ERFchoice",
  data = 
    prepare(dat, "ERFchoice", c("Unit", "Type"))
)

#### InpBoD

tmp <- prepare(dat, "BoD", c("Type","Exposure_agent","Unit"))
tmp[tmp=="All causes"] <- "All-cause mortality"
tmp[tmp=="Depressive disorders"] <- "Depression"
tmp[tmp=="Neoplasms"] <- "Cancer morbidity yearly"
tmp[tmp=="Respiratory infections and tuberculosis"] <- "Immunosuppression" # Infections of 0-9-year-olds are assumed to represent the background BoD of immunosuppressive effect of PFAS
tmp[tmp=="Cardiovascular diseases"] <- "CHD2 mortality"
tmp$Age <- factor(tmp$Age, levels=levels(ages))
InpBoD <- EvalOutput(Ovariable( # Evaluated because is not a dependency but an Input
  "InpBoD",
  data = tmp,
  unit="DALY/a"
))

###################### CONCENTRATIONS

conc_vit <- Ovariable(
  "conc_vit",
  ddata = "Op_en1838", # [[Concentrations of beneficial nutrients in fish]]
  subset = "Fineli data for common fish species",
  unit="ALA mg/g, DHA mg/g, Fish g/g, Omega3 mg/g, Vitamin D µg/g f.w. after adjustment"
)
  df = conc_vit@data
  df$Nutrient[df$Nutrient=="D-vitamiini (µg)"] <- "Vitamin D"
  df$Nutrient[df$Nutrient=="rasvahapot n-3 moni-tyydyttymättömät (g)"] <- "Omega3"
  df$Nutrient[df$Nutrient=="rasvahappo 18:3 n-3 (alfalinoleenihappo) (mg)"] <- "ALA"
  df$Nutrient[df$Nutrient=="rasvahappo 22:6 n-3 (DHA) (mg)"] <- "DHA"
  df$Nutrient[df$Nutrient=="proteiini (g)"] <- "Fish"
  df$conc_vitResult[df$Nutrient=="Fish"] <- "1"
  df <- dropall(df[df$Nutrient %in% c("Vitamin D", "Omega3", "ALA", "DHA", "Fish") , ])
conc_vit@data <- df

######## Concentration of PFAS

# Data from EU-kalat3 (Finland excl Vanhankaupunginlahti): # pg/g fresh weight
#       POP     mean       sd      min   Q0.025   median   Q0.975      max
# 2.5% PFOS 2055.757 1404.045 305.0399 330.1365 1533.269 5029.697 5814.935

# Data from EU-kalat3 (Vanhankaupunginlahti, Helsinki) # ng/g f.w.
#      POP   mean       sd      min   Q0.025   median   Q0.975      max
#2.5% PFOS 14.428 11.94542 1.499441 1.607789 15.64988 35.32517 38.91994

conc_eukalat <- EvalOutput(Ovariable(
  "conc_eukalat",
  data = data.frame(
    Area = c("Suomi","Helsinki"),
    Compound="PFOS",
    Result=c("2.056 (3.301 - 5.030)", "14.428 (1.499 - 35.325)")),
  unit="ng/g fresh weight"
))

conc_pfas_raw <- Ovariable(
  "conc_pfas_raw",
  ddata="Op_fi5932",subset="PFAS concentrations",
  unit="ng/g f.w.")

conc_pfas <- Ovariable(
  "conc_pfas",
  dependencies = data.frame(Name="conc_pfas_raw"),
  formula = function(...) {
    out <- conc_pfas_raw
    out$Source <- NULL
    out$Area <- "Porvoo"
    out <- expand_index(out, list(Fish=list(Perch=c(
      "Average fish", "Pike","Rainbow trout","Roach", "Salmon", "Vendace", "Whitefish"))))
    out <- out[sample(nrow(out@output)),]
    out <- out[!duplicated(out@output[intersect(colnames(out@output),c("Fish","Compound","Iter"))]),]
    out@marginal <- c(TRUE, TRUE, FALSE, TRUE, TRUE)
    return(out)
  },
  unit="ng/g fresh weight"
)

#sum_pfas <- oapply(conc_pfas, cols=c("Kala","Compound"), FUN=sum)
#tmp <- conc_pfas / sum_pfas
#summary(tmp, marginals="Compound")
#
## This tells that PFOS consists of 71 - 97 % of the four key PFAS, while PFOA, PFNA, and PFHxS consist of 
# 0 - 10 %, 2 - 18 %, and 0 - 9 %, respectively.
# Even if we included the next most abundant congeners, i.e. PFDA and PFUnA, the overall picture would not change.

conc <- Ovariable(
  "conc",
  dependencies = data.frame(
    Name=c("conc_vit", "conc_pfas","conc_pcddf","conc_mehg"),
    Ident = c(NA,NA,"Op_en3104/pcddf_mean","Op_en4004/conc_mehg_allfish")),
  formula = function(...){
    conc_vit <- oapply(conc_vit, cols=c("Kala", "Adjust"),FUN=mean)
    colnames(conc_vit@output)[colnames(conc_vit@output)=="Nutrient"] <- "Compound"

#    conc_pfas <- oapply(conc_pfas, cols=c("Obs","Area"), FUN=mean) # Redundant because handled already
    conc_pfas$Compound[conc_pfas$Compound %in% c("PFOA","PFNA","PFHxS","PFOS")] <- "PFAS"
    conc_pfas <- oapply(conc_pfas, cols="Area", FUN=sum) # Works because only one area
    
    conc_pcddf$Compound <- "TEQ"
    conc_pcddf$Fish[conc_pcddf$Fish=="Baltic herring"] <- "Herring"
    
    conc_mehg <- oapply(conc_mehg[conc_mehg$Area=="Gulf of Finland",], NULL, mean, c("Area","Kala"))
    conc_mehg$Compound <- "MeHg"
    
    out <- OpasnetUtils::combine(conc_vit, conc_pfas, conc_pcddf, conc_mehg)
    return(out)
  }
)

###################################################################
# Code copied from http://en.opasnet.org/w/Goherr_assessment#

mc2dparam<- list(
  N2 = 10, # Number of iterations in the new Iter
  strength = 50, # Sample size to which the fun is to be applied. Resembles number of observations
  run2d = FALSE, # Should the mc2d function be used or not?
  info = 1, # Ovariable that contains additional indices, e.g. newmarginals.
  newmarginals = c("Exposure"), # Names of columns that are non-marginals but should be sampled enough to become marginals
  method = "bootstrap", # which method to use for 2D Monte Carlo? Currently bootsrap is the only option.
  fun = mean # Function for aggregating the first Iter dimension.
)

expo_background <- Ovariable(
  "expo_background",
  data = prepare(dat, "background exposure", c("Type","Response","Unit")),
  unit = "Vitamin D: µg /day; DHA, EPA, Omega3: mg /day"
)

expo_dir <- Ovariable(
  "expo_dir",
  dependencies=data.frame(Name=c("amount","conc","expo_background")),
  formula = function(...) {
    amount$Fish[amount$Fish %in% c("Imported fish","Fish product","Tuna")] <- "Average fish"
    amount <- amount * Ovariable(output=data.frame(
      Age = ages[-19],
      Group = c("Toddlers","Other children",rep("Adolescents",2), rep("Adults",9), rep("Elderly",5)),
      Result = 1
    ),
    marginal=c(TRUE,TRUE,FALSE))
    out <- amount * conc * Ovariable(
      output = data.frame(Exposcen = c("BAU","No exposure"), Result=c(1,0)), marginal=c(TRUE,FALSE))
    colnames(out@output)[colnames(out@output)=="Compound"] <- "Exposure_agent"
    out <- OpasnetUtils::combine(out, expo_background)
    return(out)
  },
  unit = "PCDDF, PCB, TEQ: pg /day; Vitamin D, MeHg: µg /day; DHA, EPA, Omega3: mg /day"
)
#expo_dir <- EvalOutput(expo_dir, verbose=TRUE)

exposure <- Ovariable(
  "exposure",
  dependencies = data.frame(
    Name = c(
      "expo_dir", # direct exposure, i.e. the person eats or breaths the exposure agent themself
      "expo_indir", # indirect exposure, i.e. the person (typically fetus or infant) is exposed via someone else (mother)
      "mc2d" # 2D Monte Carlo function
    ),
    Ident = c(
      NA,
      "Op_en7797/expo_indir2", # [[Infant's dioxin exposure]] # expo_indir
      "Op_en7805/mc2d") # [[Two-dimensional Monte Carlo]]
  ),
  formula = function(...) {
    expo_indir <- expo_indir[expo_indir$Gender =="Female",] # Age must be selected too, if available, and then collapsed if >1 location.
    expo_indir$Gender <- NULL
    expo_indir <- expo_indir[expo_indir$Age %in% c("20 - 24","25 - 29", "30 - 34", "35 - 39", "40 - 44"),]
    expo_indir <- CollapseMarginal(expo_indir, "Age", "mean") # "sample" is not possible if openv$N==0
    expo_indir$Age <- "0 - 4"
    
    expo_dir$Exposure <- "Direct"
    
    out <- OpasnetUtils::combine(expo_dir, expo_indir)
    out <- mc2d(out)
    return(out)
  },
  unit = "PCDDF, PCB, TEQ: (To eater: pg /day; to child: pg /g fat); Vitamin D, MeHg: µg /day; DHA, EPA, Omega3: mg /day"
)

##########################3

objects.latest("Op_en2261",code_name="BoDattr2") # [[Health impact assessment]]

BoDattrOrig <- BoDattr@formula

BoDattr@formula <- function(...) {
  out <- BoDattrOrig()
  out$Age <- factor(out$Age, levels=levels(ages))
  out <- oapply(out,NULL,sum,c("BoDSource","InpBoDSource","PAFSource"))

  tmp <- out[out$Response=="CHD2 mortality",] * -1
  tmp$Response <- "All-cause mortality"
  tmp$Exposure_agent <- "Fish"
  out <- OpasnetUtils::combine(out, tmp, name = "BoDattr")
  return(out)
}

BoDattr <- EvalOutput(BoDattr, verbose=TRUE)

################ Insight network
#gr <- scrape(type="assessment")
#objects.latest("Op_en3861", "makeGraph") # [[Insight network]]
#gr <- makeGraph(gr)
#export_graph(gr, "ruori.svg")
#render_graph(gr) # Does not work: Error in generate_dot(graph) : object 'attribute' not found
##################### Diagnostics
objects.latest("Op_en6007", code_name="diagnostics")
oprint(showLoctable())
oprint(showind())

limits <- data.frame(
  Exposure_agent = c("TEQ","MeHg","PFAS","Vitamin D"),
  Type = c("TDI","TDI","TDI","RDI"),
  Result = c(2*70/7, 1.3*70/7,4.4*70/7,10)
)

oempty(all=TRUE)

objects.store(list=ls())
cat("Objects", ls(), "stored.\n")
</rcode>

== Katso myös ==

* [https://en.wikipedia.org/wiki/Firefighting_foam Wikipedia: Firefighting foam]
* [https://thl.fi/fi/web/ymparistoterveys/ymparistomyrkyt/fluoratut-yhdisteet THL: Fluoratut yhdisteet]
* [https://www.ymparisto.fi/fi-fi/kulutus_ja_tuotanto/kemikaalien_ymparistoriskit/ymparistoon_paatyvat_haitalliset_aineet/perfluoratut_yhdisteet SYKE: Perfluoratut yhdisteet]
* [https://www.efsa.europa.eu/en/news/pfas-public-consultation-draft-opinion-explained EFSA PFAS consultation]
* [[Tautitaakka Suomessa]]
* [[:op_en:Health impact assessment]]
* [[Kalansyönti Suomessa]]
* [[Kalaruoan terveysvaikutukset]]

== Lähteet ==

<references/>
Hallikainen, A., Kiviranta, H., Airaksinen, R., Rantakokko, P., Koponen, J., Vuorinen, P.J.,Jääskeläinen, T. & Mannio, J. (2011). Itämeren kalan ja muun kotimaisen kalan ympäristömyrkyt: PCDD/F-, PCB-, PBDE-, PFC- ja OT-yhdisteet. EU-kalat II. Eviran tutkimuksia 2/2011. http://urn.fi/URN:ISBN:978-952-225-083-4

Pääkkönen, Jari-Pekka. 2021. Vesitiimin päällikkö. Sähköpostikeskustelu 29.01.2021. Helsingin kaupungin ympäristöpalvelut.