Kotimaisen kalan edistämisohjelma

Tämä sivu on tietokide alatyypiltään arviointi. Sivutunniste: Op_fi5923
Moderaattori:Jouni (katso kaikki) Sivun edistymistä ei ole arvioitu. Arvostuksen määrää ei ole arvioitu (ks. peer review).
Lisää dataa {{#opasnet_base_link:Op_fi5923}}

Kysymys

Mikä olisi kalansyönnin lisääntymisen terveysvaikutus Suomessa?

Oletettu käyttö ja käyttäjät

Tässä arvioinnissa tarkastellaan skenaarioita, joissa suomalaisten kalansyöntiä lisättäisiin kotimaisen kalan edistämisohjelmalla. Tietoja käyttäisivät mm. Luke, MMM ja YM.

Osallistujat

• Jouni Tuomisto, THL

Rajaus

Tilannetta tarkastelleen toisaalta toteutuneeseen 2017 tilanteeseen ja toisaalta skenaarioihin vuodelle 2027, kun on joko lisätty kotimaisen kalan tuotantoa tai tuontia.

Vaihtoehdot

• Kotimaisen kalan käytön lisääminen
• Viljellyn kalan tuonnin lisääminen

Aikataulu

Alustavia arvioita pyritään tuottamaan maaliskuun 2020 aikana.

Vastaus

Tulokset

Tautitaakka erilaisissa kalankulutuksen skenaarioissa. Negatiivinen luku tarkoittaa terveyshyötyä.

Arviointimallin keskeiset tulokset löytyvät tästä HTML-tiedostosta.

Päätelmät

Kalansyönti vuonna 2017 vähensi tautitaakkaa n. 100 000 haittapainotettua elinvuotta (DALY) Suomessa. Jos kalansyönti lisääntyisi oheisen taulukon mukaisesti, tautitaakka vähenisi edelleen n. 40 000 DALY /a suomalaista kalankulutusta lisäämällä ja n. 35 000 DALY /a kalantuontia lisäämällä.

Perustelut

Data

Kalansyönti Suomessa eri skenaarioissa (milj kg/a kokonaiskalana)

Kalaryhmä	BAU 2017	Kotimainen edistäminen	Tuonnin edistäiminen
Kirjolohi suomalainen	11	45	11
Kasvatettu muu suomalainen	1	8	3
Silakka	4	18	8
Kaupallinen luonnonkala	6	12	8
Vapaa-ajan saalis	20	20	20
Tuontilohi	36	38	67
Tuontikirjolohi	8	8	17
Muu tuonti	28	28	28

Eräs keskeisistä terveysvaikutuksiin vaikuttavista oletuksista on, kuka lisääntyneen kalan söisi. Mahdollisia tapoja ajatella:

• Syöntiä muutetaan nykysyönnin suhteessa.
• Jokainen suomalainen syö vakiomäärän kalaa enemmän.
• Kalansyönnin edistämistä suunnataan tietyille väestöryhmille, ja vaikutukset tulevat siellä (mihin?).
• Vaikutukset jakautuvat satunnaisessa määrin eri yksilöille.

Malliparametrit

Malliparametrit saat näkyviin klikkaamalla.

Näytä yksityiskohdat

Kalankulutus on ilmoitettu fileepainona eikä tuorepainona, eli oletetaan että kaikki tämä tulee syödyksi. Malliparametrit(various) Obs Response Exposure_agent Type Subgroup Unit Result Description 1 amount Kala:Kirjolohi; Scenario: BAU Gg /a 6.7 KKE-skenaario 2 amount Kala:Kasvatettu; Scenario: BAU Gg /a 0.6 KKE-skenaario 3 amount Kala:Silakka; Scenario: BAU Gg /a 1.6 KKE-skenaario 4 amount Kala:Kaupallinen; Scenario: BAU Gg /a 3.2 KKE-skenaario 5 amount Kala:Vapaa-ajan; Scenario: BAU Gg /a 9.9 KKE-skenaario 6 amount Kala:Tuontilohi; Scenario: BAU Gg /a 23.6 KKE-skenaario 7 amount Kala:Tuontikirjolohi; Scenario: BAU Gg /a 4.8 KKE-skenaario 8 amount Kala:Muu tuonti; Scenario: BAU Gg /a 28 KKE-skenaario 9 amount Kala:Kirjolohi; Scenario: Kotimaa Gg /a 19 KKE-skenaario 10 amount Kala:Kasvatettu; Scenario: Kotimaa Gg /a 5 KKE-skenaario 11 amount Kala:Silakka; Scenario: Kotimaa Gg /a 8 KKE-skenaario 12 amount Kala:Kaupallinen; Scenario: Kotimaa Gg /a 7 KKE-skenaario 13 amount Kala:Vapaa-ajan; Scenario: Kotimaa Gg /a 10 KKE-skenaario 14 amount Kala:Tuontilohi; Scenario: Kotimaa Gg /a 32 KKE-skenaario 15 amount Kala:Tuontikirjolohi; Scenario: Kotimaa Gg /a 5 KKE-skenaario 16 amount Kala:Muu tuonti; Scenario: Kotimaa Gg /a 28 KKE-skenaario 17 amount Kala:Kirjolohi; Scenario: Tuonti Gg /a 6.7 KKE-skenaario 18 amount Kala:Kasvatettu; Scenario: Tuonti Gg /a 2 KKE-skenaario 19 amount Kala:Silakka; Scenario: Tuonti Gg /a 3 KKE-skenaario 20 amount Kala:Kaupallinen; Scenario: Tuonti Gg /a 4 KKE-skenaario 21 amount Kala:Vapaa-ajan; Scenario: Tuonti Gg /a 10 KKE-skenaario 22 amount Kala:Tuontilohi; Scenario: Tuonti Gg /a 44 KKE-skenaario 23 amount Kala:Tuontikirjolohi; Scenario: Tuonti Gg /a 10 KKE-skenaario 24 amount Kala:Muu tuonti; Scenario: Tuonti Gg /a 28 KKE-skenaario 25 CHD death BoD Age:Female 25-69 DALY 9876 (9103 - 10784) Z:\Projects\RUORI\tautitaakka\Rasvat\IHD_data_IHME.csv 26 CHD death BoD Age:Male 25-69 DALY 48851 (54035 - 46123) Z:\Projects\RUORI\tautitaakka\Rasvat\IHD_data_IHME.csv 27 CHD death BoD Age:Age 25-69 DALY 58727 (63138 - 56907) Summed from previous 28 CHD death BoD Age:Female 70+ DALY 42750 (41007 - 45909) Z:\Projects\RUORI\tautitaakka\Rasvat\IHD_data_IHME.csv 29 CHD death BoD Age:Male 70+ DALY 48150 (46327 - 51255) Z:\Projects\RUORI\tautitaakka\Rasvat\IHD_data_IHME.csv 30 CHD death BoD Age:Age 70+ DALY 90900 (87334 - 97164) Summed from previous 31 IQ loss case burden DALY /IQ 0.11 (0.06 - 0.16) Arja used 0.013 but here we use Goherr value instead 32 Cancer morbidity case burden DALY/case 0 - 0.28 Goherr assessment 33 Cancer morbidity case burden DALY/case 0 - 0.28 Goherr assessment 34 Sperm concentration case burden DALY/case 0 - 5 Goherr assessment 35 Yes or no dental defect case burden DALY/case 0 - 0.12 Goherr assessment 36 CHD2 mortality case burden DALY /case 5 - 15 Goherr assessment 37 Stroke mortality case burden DALY /case 5 - 15 Goherr assessment 38 Yes or no dental defect case burden DALY /case 0 - 0.12 Goherr assessment 39 Cancer morbidity case burden DALY /case 0.3937391 (0.3566650 - 0.4356150) Goherr assessment 40 Vitamin D recommendation case burden DALY /case 0.0001 - 0.0101 Goherr assessment 41 Sperm concentration case burden DALY /case 0 - 5 Goherr assessment 42 Loss in child's IQ points case burden DALY /case 0.11 (0.06 - 0.16) Goherr assessment 43 TEQ exposure Exposure:To child; Age: Age 1 pg /g 1.65 (0.38 - 3.47) Ruori code; data from Goherr assessment 44 TEQ exposure Exposure:To eater; Age: Female 18-45 pg /d 4.79 (1.07 - 11.48) Ruori code; data from Goherr assessment 45 TEQ exposure Exposure:To eater; Age: Non female 18-45 pg /d 22.61 (9.43 - 44.75) Ruori code; data from Goherr assessment 46 TEQ frexposed Age:Age 1 fraction 1 frexposed is already in the exposure distribution 47 TEQ frexposed Age:Female 18-45 fraction 1 frexposed is already in the exposure distribution 48 TEQ frexposed Age:Non female 18-45 fraction 1 frexposed is already in the exposure distribution 49 IQ loss incidence Age:Age 1 IQ /100000py 596000 On average, a population has ca. 6 IQ points per person below 100: mean(abs(rnorm(10000, 100,15)-100))/2 50 Cancer morbidity incidence Age:Female 18-45 # /100000py 657 Statistics Finland https://tilastot.syoparekisteri.fi/syovat/ applies to all subgroups because cancer is lifetime risk 51 Cancer morbidity incidence Age:Non female 18-45 # /100000py 657 Statistics Finland https://tilastot.syoparekisteri.fi/syovat/ applies to all subgroups because cancer is lifetime risk 52 Sperm concentration incidence Age:Age 1 # /100000py 7000 Male infertility rate is 7 % (Wikipedia) 53 Yes or no dental defect incidence Age:Age 1 # /100000py 22400 Alaluusua et al 2004 found 11/49 cases in two lowest groups 54 population Age:Age 1 50934 Statistics Finland, 2018 https://pxnet2.stat.fi:443/PXWeb/sq/ac3373d0-e303-4c67-b32a-73c6d26df809 55 population Age:Age 25-64 # 2814305 Statistics Finland 56 population Age:Age 65-74 # 692868 Statistics Finland 57 population Age:Age 25-69 # 3176513 Statistics Finland 58 population Age:Age 70+ # 842629 Statistics Finland 59 population Age:Total population # 5517919 Statistics Finland 60 population Age:Age 0 (congenital) # 47663 Statistics Finland 61 population Age:Age 1+ (acquired) # 5470256 Statistics Finland 62 population Age:Female 18-45 # 923697 Statistics Finland 63 population Age:Non female 18-45 # 4594222 Statistics Finland Decisions(-) Obs Decision Option Variable Cell Change Result Description 1 Adjust BAU incidence Multiply 0.00001 1/100000 py --> 1 py 2 Adjust BAU conc_vit Nutrient:Vitamin D,Omega3,ALA,DHA Multiply 0.01 g /100 g --> g /g 3 Adjust BAU conc_vit Nutrient:Omega3 Multiply 1000 g --> mg CollapseMarginals(-) Obs Variable Index Probs Function Dummy Description 1 BoD incidenceSource,disabilityweightSource,populationSource,BoDSource sum 1 Remove redundant 2 PAF Unit, Exposure, Scaling,Exposcen, ER_function, ERFchoiceSource, exposureSource, bgexposureSource, BWSource, doseSource, thresholdSource, ERFSource, RRSource, frexposedSource, incidenceSource, InpPAFSource sum 1 Remove redundant 3 case_burden case_burdenSource sum 1 Fill missing Ages 4 BoDattr PAFSource, Adjust sum 1 Remove redundant 5 expo_indir f_ingSource, t0.5Source,f_mtocSource, BFSource sum 1 Remove redundant 6 exposure Fish, Kala sum 1 Remove redundant 7 dose Source, concSource, expo_dirSrouce, exposureSource, BWSource, Source.1 sum 1 Remove redundant 8 ERF Exposure, Age sum 1 Remove redundant 9 threshold Exposure, Age sum 1 Remove redundant

Scenario|Action|exposure|Exposure: To child; Age: Age 1|Replace|0.98 (0.17 - 2.9)|Based on RUORI modelling (see code) Scenario|Action|exposure|Exposure: To eater; Age: Female 18-45|Replace|2.79 (0.56 - 7.08)|Based on RUORI modelling (see code) Scenario|Action|exposure|Exposure: To eater; Age: Non female 18-45|Replace|11.38 (3.44 - 46.22)|Based on RUORI modelling (see code)

Laskenta

Avoimen arvioinnin mallikoodi on kirjoitettu R:llä ja se löytyy Githubista.

Yleiskuva terveysvaikutusten laskentamallista.

Keskeiset tulosteet

+ Näytä koodi- Piilota koodi # This is code Op_fi5923/ on page [[Ruori]] library(OpasnetUtils) library(ggplot2) library(thlGraphs) library(plotly) openv.setN(10) objects.latest("Op_fi5923", code_name="model") # First empty all objects for a fresh start. Otherwise may be problems with CheckDecisions. oempty(all=TRUE) InpBoD <- EvalOutput(InpBoD) InpPAF <- EvalOutput(InpPAF) utility <- EvalOutput(utility, verbose=TRUE) # Sample from default and sensitivity scenario about lead threshold. cat("Elintarvikeperäisen lyijyn vaikutukset herkkyystarkastelussa.\n") oprint(summary(BoDattr[BoDattr$Exposure_agent=="Lyijy",])) BoDattr <- CollapseMarginal(BoDattr,"Threshold","sample") utility <- CollapseMarginal(utility,"Threshold","sample") levels(BoDattr$Exposure_agent)[levels(BoDattr$Exposure_agent)=="Vihannesvaje"] <- "Kasvisvaje" #levels(BoDattr$Response) #[1] "Cancer morbidity" "IQ loss" "Listeriosis" "Liver cancer" #[5] "Noro infection" "Sperm concentration" "Toxoplasmosis" "Yes or no dental defect" #[9] "CHD death" "Diet high in sodium" "Diet low in fruits" "Diet low in vegetables" levels(BoDattr$Response) <- c( "Syöpä", "Älykkyysosamäärän lasku", "Listerioosi", "Maksasyöpä", "Noroinfektio", "Miehen hedelmättömyys", "Toksoplasmoosi", "Hammasvaurio", "Sydäntauti", "Liika suola", "Hedelmävaje", "Kasvisvaje" ) cat("Elintarvikeperäisiä tautitaakkoja Suomessa arpoen lyijylle oletetun tai matalamman kynnysarvon.\n") tmp <- summary(oapply(BoDattr[BoDattr$Scenario=="BAU",],NULL,sum,c("Age","Response"))) oprint(data.frame( Altiste = tmp$Exposure_agent, Keskiarvo = signif(tmp$mean,2), "95 luottamusväli" = paste0(signif(tmp$Q0.025,2)," - ", signif(tmp$Q0.975,2)), Keskihajonta = signif(tmp$sd,2) )[rev(match(lev, tmp$Exposure_agent)),]) cat("Elintarvikeperäisiä tautitaakkoja Suomessa ikä- ja tautiryhmittäin arpoen lyijylle oletetun tai matalamman kynnysarvon.\n") tmp <- summary(BoDattr[BoDattr$Scenario=="BAU",]) oprint(data.frame( Altiste = tmp$Exposure_agent, Ikä = tmp$Age, Vaste = tmp$Response, Keskiarvo = signif(tmp$mean,2), Mediaani = signif(tmp$median,2), "95 luottamusväli" = paste0(signif(tmp$Q0.025,2)," - ", signif(tmp$Q0.975,2)), Keskihajonta = signif(tmp$sd,2) )) cat("Ruori-skenaarioiden vaikutus tautitaakkaan\n") tmp <- summary(utility) oprint(data.frame( Altiste = tmp$Exposure_agent, Keskiarvo = signif(tmp$mean,2), "95 luottamusväli" = paste0(signif(tmp$Q0.025,2)," - ", signif(tmp$Q0.975,2)), Keskihajonta = signif(tmp$sd,2) )[rev(match(lev, tmp$Exposure_agent)),]) dodge <- position_dodge(width=0.7) if(FALSE) { gg <- ggplot(summary(oapply(BoDattr[BoDattr$Scenario=="BAU",],NULL,sum,"Age")), aes(x=Exposure_agent, weight=unlist(mean), fill=Response))+geom_bar()+ theme(legend.position = "bottom")+ labs( title="Elintarvikkeiden tautitaakkoja Suomessa", subtitle="Haittapainotettua elinvuotta vuodessa (DALY/a)")+ coord_flip() print(gg) gg <- ggplot(summary(oapply(BoDattr, NULL, sum,c("Age","Response"))), aes(x=Exposure_agent, weight=unlist(mean), fill=Scenario))+geom_bar(position="dodge")+ coord_flip(ylim=c(0,70000))+ labs( title="Elintarvikeperäisiä tautitaakkoja Suomessa", subtitle="Haittapainotettua elinvuotta vuodessa (DALY/a)")+ geom_errorbar(aes(ymin=unlist(Q0.025),ymax=unlist(Q0.975),group=Scenario),position=dodge, width=0.3)+ geom_text(aes(label=signif(unlist(mean),2), y=unlist(Q0.975)+5000, group=Scenario), position=dodge) print(gg) # Utility of actions gg <- ggplot(summary(utility),aes(x=Exposure_agent, weight=unlist(mean)))+geom_bar(fill="lightblue")+ coord_flip(ylim=c(-9000,0))+ labs( title="Ruori-skenaarioiden vaikutus tautitaakkaan", subtitle="Haittapainotettua elinvuotta vuodessa (DALY/a)")+ geom_errorbar(aes(ymin=unlist(Q0.025),ymax=unlist(Q0.975)), width=0.3)+ geom_text(aes(label=signif(unlist(mean),2), y=unlist(Q0.025)-600)) print(gg) } else { ###### RUN THESE ON OWN COMPUTER WITH thlGraphs PACKAGE # levels(BoDattr$Exposure_agent) # [1] "Aflatoksiini" "Dioksiini" "Norovirus" "Toksoplasma" # [5] "Lyijy" "Listeria" "Tyydyttynyt rasva" "Vihannesvaje" # [9] "Suola" "Hedelmävaje" levels(BoDattr$Exposure_agent) <- c( "Aflatoxin","Dioxin","Noro virus","Toxoplasma", "Lead","Listeria", "Saturated fat","Lack of vegetables","Sodium","Lack of fruits") thlBarPlot(summary(oapply(BoDattr[BoDattr$Scenario=="BAU",],NULL,sum,"Age")), xvar=Exposure_agent, yvar=unlist(mean), groupvar=Response, legend.position="bottom", colors=thlColors(n=12), title="Elintarvikkeiden tautitaakkoja Suomessa", subtitle="Haittapainotettua elinvuotta vuodessa (DALY/a)")+coord_flip() thlBarPlot(summary(oapply(BoDattr, NULL, sum,c("Age","Response"))),xvar=Exposure_agent, yvar=unlist(mean), groupvar=Scenario,stacked=FALSE, ylimits=c(0,70000), # title="Elintarvikeperäisiä tautitaakkoja Suomessa", # subtitle="Haittapainotettua elinvuotta vuodessa (DALY/a)")+ title="Burden of disease of selected food-mediated risk factors in Finland", subtitle="Disability-adjusted life years per year (DALY/a)")+ coord_flip()+ geom_errorbar(aes(ymin=unlist(Q0.025),ymax=unlist(Q0.975),group=Scenario),position=dodge, width=0.3)+ geom_text(aes(label=signif(unlist(mean),2), y=unlist(Q0.975)+5000, group=Scenario), position=dodge) ggsave("Ruori Burden of disease.png",width=10,height=6) # ggsave("Ruori-tautitaakka.png",width=10,height=6) # Error bars are not used in this plotly because it is unclear what it means in a stacked bar. p <-plot_ly( summary(oapply(BoDattr[BoDattr$Scenario=="BAU",], NULL, sum,c("Age"))), y=~Exposure_agent, x=~signif(mean,3), text=~Response, name=~Response, type="bar", orientation = "h" ) %>% layout( barmode="stack", title="Elintarvikeperäisiä tautitaakkoja Suomessa", xaxis=list(title="Haittapainotettua elinvuotta vuodessa (DALY/a)"), yaxis=list(title="") ) # pushIndicatorGraph(p, 117) # ggsave("Ruori-tautitaakat.png",width=10/1.2,height=6/1.2) # Utility of actions thlBarPlot(summary(utility),xvar=Exposure_agent, yvar=unlist(mean), ylimits=c(-9000,0), title="Ruori-skenaarioiden vaikutus tautitaakkaan", subtitle="Haittapainotettua elinvuotta vuodessa (DALY/a)")+coord_flip()+ geom_errorbar(aes(ymin=unlist(Q0.025),ymax=unlist(Q0.975)), width=0.3)+ geom_text(aes(label=signif(unlist(mean),2), y=unlist(Q0.025)-600)) # ggsave("Ruori-toimenpideiden vaikutus.png",width=10/1.2,height=6/1.2) }

Arviointimallin alustus

+ Näytä koodi- Piilota koodi # This is code Op_fi5923/model on page [[Ruori]] library(OpasnetUtils) library(ggplot2) # First empty all objects for a fresh start. Otherwise may be problems with CheckDecisions. oempty(all=TRUE) openv.setN(1000) dat <- opbase.data("Op_fi5923", subset="Malliparametrit")[-1] dec <- opbase.data("Op_fi5923", subset="Decisions")[-1] DecisionTableParser(dec) CTable <- opbase.data("Op_fi5923",subset="CollapseMarginals") for(i in 1:ncol(CTable)) {CTable[[i]] <- as.character(CTable[[i]])} CollapseTableParser(CTable) cat("Laskennassa käytetty data.\n") oprint(dat) cat("Tarkastellut päätökset.\n") oprint(dec) cat("Aggregoidut marginaalit.\n") oprint(CTable) #' prepare adjusts the data table for ovariables. Requires function subgrouping from code Op_en2031/initiate 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$Type %in% type , ] if(!is.null(drop)) out <- out[!colnames(out) %in% drop] return(subgrouping(out)) } objects.latest("Op_en2031", code_name="subgrouping") # [[Exposure-response function]] subgrouping population <- Ovariable("population", data = prepare(dat,"population",c("Type","Exposure_agent","Response","Unit"))) exposure <- Ovariable("exposure", data = prepare(dat, "exposure", c("Type","Response"))) frexposed <- Ovariable("frexposed", data=prepare(dat, "frexposed", c("Type","Response","Unit"))) incidence <- Ovariable("incidence", data = prepare(dat,"incidence",c("Type","Exposure_agent","Unit"))) ERFChoice <- Ovariable( "ERFchoice", data=data.frame( Response=c("IQ loss","Liver cancer","Yes or no dental defect","Cancer morbidity","Sperm concenctration"), Exposure_agent=c("Lead","Aflatoxin","TEQ","TEQ","TEQ"), Result=1) ) case_burden <- Ovariable("case_burden", data= prepare(dat,"case burden",c("Type","Exposure_agent","Unit"))) InpPAF <- EvalOutput(Ovariable("InpPAF", data = prepare(dat,"PAF","Type"))) InpBoD <- EvalOutput(Ovariable("InpBoD", data = prepare(dat, "BoD", c("Type","Exposure_agent")))) objects.latest("Op_en2261",code_name="BoDattr2") # [[Health impact assessment]] #levels(BoDattr$Exposure_agent) #[1] "Aflatoxin" "Lead" "TEQ" "Fruits" "Listeria" "Noro virus" "Saturated fat" "Sodium" #[8] "Toxoplasma gondii" "Vegetables" BoDattrOrigFormula <- BoDattr@formula BoDattr@formula <- function(...) { BoDattr <- BoDattrOrigFormula() levels(BoDattr$Exposure_agent) <- c("Aflatoksiini","Lyijy", "Dioksiini", "Hedelmävaje","Listeria","Norovirus", "Tyydyttynyt rasva","Suola", "Toksoplasma","Vihannesvaje") lev <- oapply(BoDattr[BoDattr$Scenario=="BAU",],"Exposure_agent",sum) lev <- lev$Exposure_agent[order(result(lev))] BoDattr$Exposure_agent <- factor(BoDattr$Exposure_agent, levels=lev) return(BoDattr) } utility <- Ovariable( "utility", dependencies = data.frame(Name="BoDattr"), formula = function(...) { out <- BoDattr * Ovariable(data=data.frame(Scenario=c("Action","BAU"),Result=c(1,-1))) out <- oapply(out, cols=c("Scenario","Response","Age"),FUN=sum) return(out) } ) utility <- EvalOutput(utility) lev <- levels(BoDattr$Exposure_agent) cat("exposure\n") oprint(summary(exposure,marginals=c("Exposure_agent","Age","Scenario")),digits=7) oprint(exposure@output[exposure$Iter==1,]) cat("dose\n") oprint(summary(dose),digits=7) cat("ERF\n") oprint(ERF@output[ERF$Iter==1,],digits=7) cat("incidence\n") oprint(summary(incidence),digits=7) cat("frexposed\n") oprint(summary(frexposed),digits=7) cat("PAF\n") oprint(summary(PAF),digits=7) cat("BoD\n") oprint(summary(BoD),digits=7) cat("BoDattr\n") oprint(summary(BoDattr,marginals=c("Response","Exposure_agent","Scenario","Age")),digits=7) cat("Vähennyspotentiaali\n") tmp <- summary(utility, marginals=c("Exposure_agent")) oprint(tmp[order(unlist(tmp$mean)),]) objects.store(list=setdiff(ls(), "wiki_username")) cat("Objects", setdiff(ls(), "wiki_username"), "stored.\n") ################### # Disease burden # Sample from default and sensitivity scenario about lead threshold. cat("Elintarvikeperäisen lyijyn vaikutukset herkkyystarkastelussa.\n") oprint(summary(BoDattr[BoDattr$Exposure_agent=="Lyijy",])) BoDattr <- CollapseMarginal(BoDattr,"Threshold","sample") utility <- CollapseMarginal(utility,"Threshold","sample") cat("Elintarvikeperäisiä tautitaakkoja Suomessa\n") tmp <- summary(oapply(BoDattr[BoDattr$Scenario=="BAU",],NULL,sum,c("Age","Response"))) oprint(data.frame( Altiste = tmp$Exposure_agent, Keskiarvo = signif(tmp$mean,2), "95 luottamusväli" = paste0(signif(tmp$Q0.025,2)," - ", signif(tmp$Q0.975,2)), Keskihajonta = signif(tmp$sd,2) )[rev(match(lev, tmp$Exposure_agent)),]) cat("Ruori-skenaarioiden vaikutus tautitaakkaan\n") tmp <- summary(utility) oprint(data.frame( Altiste = tmp$Exposure_agent, Keskiarvo = signif(tmp$mean,2), "95 luottamusväli" = paste0(signif(tmp$Q0.025,2)," - ", signif(tmp$Q0.975,2)), Keskihajonta = signif(tmp$sd,2) )[rev(match(lev, tmp$Exposure_agent)),]) dodge <- position_dodge(width=0.7) ggplot(summary(oapply(BoDattr[BoDattr$Scenario=="BAU",],NULL,sum,"Age")), aes(x=Exposure_agent, weight=unlist(mean), fill=Response))+geom_bar()+ theme(legend.position = "bottom")+ labs( title="Elintarvikkeiden tautitaakkoja Suomessa", subtitle="Haittapainotettua elinvuotta vuodessa (DALY/a)")+ coord_flip() ggplot(summary(oapply(BoDattr, NULL, sum,c("Age","Response"))), aes(x=Exposure_agent, weight=unlist(mean), fill=Scenario))+geom_bar(position="dodge")+ coord_flip(ylim=c(0,70000))+ labs( title="Elintarvikeperäisiä tautitaakkoja Suomessa", subtitle="Haittapainotettua elinvuotta vuodessa (DALY/a)")+ geom_errorbar(aes(ymin=unlist(Q0.025),ymax=unlist(Q0.975),group=Scenario),position=dodge, width=0.3)+ geom_text(aes(label=signif(unlist(mean),2), y=unlist(Q0.975)+5000, group=Scenario), position=dodge) # Utility of actions ggplot(summary(utility),aes(x=Exposure_agent, weight=unlist(mean)))+geom_bar(fill="lightblue")+ coord_flip(ylim=c(-9000,0))+ labs( title="Ruori-skenaarioiden vaikutus tautitaakkaan", subtitle="Haittapainotettua elinvuotta vuodessa (DALY/a)")+ geom_errorbar(aes(ymin=unlist(Q0.025),ymax=unlist(Q0.975)), width=0.3)+ geom_text(aes(label=signif(unlist(mean),2), y=unlist(Q0.025)-600)) ################ Insight network gr <- scrape(type="assessment") objects.latest("Op_en3861", "makeGraph") # [[Insight network]] gr <- makeGraph(gr) #export_graph(gr, "ruori.svg") render_graph(gr)

Katso myös

• op_en:Goherr assessment
• Ruori