Ero sivun ”Radonin terveysvaikutukset” versioiden välillä

Versio 15. marraskuuta 2013 kello 14.26

Tämä sivu on tietokide alatyypiltään muuttuja. Sivutunniste: Op_fi2760
Moderaattori:Jouni (katso kaikki) Sivun edistymistä ei ole arvioitu. Arvostuksen määrää ei ole arvioitu (ks. peer review).
Lisää dataa {{#opasnet_base_link:Op_fi2760}}

Kysymys

Mitkä ovat radonin terveysvaikutukset Suomessa?

Vastaus

Perustelut

Vastaus on alustava, ja malli pitäisi tarkistaa ennen kuin vankkoja päätelmiä tehdään. Kehityskohteita:

Maakuntien ja kuntien yhdistäminen pitäisi tehdä jotenkin älykkäästi skräpätystä datasta eikä tässä koodissa.
Itä-Uudenmaan kunnat voisi korjata näin: out$Kunta[out$Kunta %in% c("Mäntsälä", "Pornainen", "Porvoo", "etc", "", "", "")] <- "Itä-Uusimaa"
Radonpitoisuudet pitää sämplätä maakunnittain, ei kunnittain kuten nyt. Pienillä ännän arvoilla tulee isoja eroja kuntien välille, mutta se on pelkkää harhaa.
Epävarmuudet voiti ottaa myös annosvasteisiin.
Pitoisuusjakaumat voisi toteuttaa oikeasti jakaumina olettaen esim. lognormaalijakauman epävarmoilla parametreilla joka maakuntaan. Nyt kuvaajiin tulee harhaisia piikkejä. Jos olisi alkuperäisdata, niin voisi tehdä pikku Bayes-mallin.
Kartan piirtäminen ja muutamat muut jutut voisi tehdä funktioiksi ja pistää jollekin järkevälle sivulle, josta ne inkludeerataan tähän.
Miksi yksikköriski näyttää tosi isolta, mutta kun summataan yli koko väestön, talo*tupakointikohtaiset luvut näyttävät tosi pieniltä.
Pitäisi katsoa, onko puuttuvia arvoja, jotka mergatessa slaissaavat dataa pois.
Satunnaistaminen pitäisi tehdä sellaisissa vaiheissa, että se olisi nopeaa.
Miten pitäisi käsitellä asuntojen radonpitoisuuksien vaihtelu vs. epävarmuus syöpäriskistä? Meneekö 2DMC liian raskaaksi ja onko siitä vastaavaa hyötyä? Voiko saman toteuttaa 1DMC:na siten, että haluttu epävarmuus käsitellään vaihteluna eri tavalla kuin muut?

Kaava

+ Näytä koodi - Piilota koodi

library(sorvi)
library(OpasnetUtils)
library(ggplot2)

objects.latest('Op_fi3907', code_name = 'alusta') # [[Suomen kunnat]], ovariable kunnat.

objects.latest('Op_fi2759', code_name = 'alusta') # [[Radon sisäilmassa]], ovariable radonpit.


rr.radon <- 1.0016
rr.tupakka <- 20
tausta.altistus <- 5
tausta.sairastuvuus <- data.frame( Maakunta = rep(c("Uusimaa", "Itä-Uusimaa", "Varsinais-Suomi", "Satakunta", "Kanta-Häme", 
"Pirkanmaa", "Päijät-Häme", "Kymenlaakso", "Etelä-Karjala", "Etelä-Savo", "Itä-Savo", "Pohjois-Karjala", "Pohjois-Savo", 
"Keski-Suomi", "Pohjanmaa", "Vaasa", "Keski-Pohjanmaa", "Pohjois-Pohjanmaa", "Kainuu", "Länsi-Pohja", "Lappi", "Ahvenanmaa", "Koko maa"), 2), 
Sukupuoli = (rep( c("Miehet", "Naiset"), each = 23)), Sairastuvuus = c(29.5, 29.5, 26.3, 30.2, 30.3, 26.5, 26.9, 26.6, 29.0, 26.1, 28.7, 29.0, 26.7, 24.7, 26.1, 26.1, 29.8, 30.9, 28.3, 33.7, 34.3, 27.9, 28.2, 11.8, 11.8, 9.2, 7.7, 9.0, 7.7, 7.7, 9.5, 7.2, 7.4, 6.6, 5.8, 5.4, 6.0, 5.9, 8.7, 9.3, 8.7, 7.9, 10.1, 11.3, 13.9, 8.8))
tupakoivat <- data.frame(Sukupuoli = rep(c("Miehet", "Naiset"), 2), Tupakoivien.osuus = rep(c(0.22, 0.16), 2), Tupakka = rep(c("Kyllä", "Ei"), each = 2))
out <- merge(out, tausta.sairastuvuus)
out <- merge(out, tupakoivat)
out$Asukkaita <- out$Asukkaita/2 * ifelse(out$Tupakka == "Kyllä", out$Tupakoivien.osuus, 1-out$Tupakoivien.osuus)

out$Sairastuvuus <- out$Sairastuvuus * (1 - out$Tupakoivien.osuus * (rr.tupakka - 1) / (out$Tupakoivien.osuus * (rr.tupakka - 1) +1))

out$Kokonaisvaikutus <- exp(log(rr.tupakka)*ifelse(out$Tupakka == "Kyllä", 1,0) + log(rr.radon)*out$Radon)
out$Radonvaikutus  <- out$Kokonaisvaikutus - exp(log(rr.tupakka)*ifelse(out$Tupakka == "Kyllä", 1,0))

out$Radonvaikutus <- out$Radonvaikutus * out$Sairastuvuus/100000 * out$Asukkaita
out$Kokonaisvaikutus <- out$Kokonaisvaikutus * out$Sairastuvuus/100000 * out$Asukkaita

oprint(out[1:20, ])

print("Yksikköriski: tapauksia tuhatta asukasta kohti vuodessa")
temp <- as.data.frame(as.table(tapply(out$Radonvaikutus/out$Asukkaita, list(out$Maakunta, out$Tupakka, out$Talo), sum)/n))
temp <- temp[!is.na(temp$Freq), ]
#head(temp)
temp$Freq <- temp$Freq*1000
colnames(temp) <- c("Maakunta", "Tupakka", "Talotyyppi", "Riski")
oprint(temp)

print("Radonin aiheuttama lisäriski, tapausta vuodessa")
oprint(as.data.frame(as.table(((tapply(out$Radonvaikutus, list(out$Talo, out$Tupakka), sum)/n)))))

ggplot(out, aes(x = Maakunta, weight = Kokonaisvaikutus, fill = Tupakka)) + geom_bar(position = "stack") # position = "dodge"

out$Radonvaikutus <- ifelse(out$Radonvaikutus < 0, 0, out$Radonvaikutus)

out$Radonsata <- round(as.numeric(as.character(out$Radon)), -2)

ggplot(out, aes(x = Radon, weight = Radonvaikutus)) + geom_density(alpha = 1)
ggplot(out, aes(x = Radonsata, weight = Radonvaikutus, fill = Talo)) + geom_bar(position = "stack")

###########################################################
# (C) 2011 Leo Lahti <leo.lahti[at]iki.fi> All rights reserved. 
# License: FreeBSD, http://en.wikipedia.org/wiki/BSD_licenses

# Tama esimerkki on testattu sorvi-paketin versiolla 0.1.23

# Esimerkki Suomen kuntatason vaestonkasvutilastojen (Tilastokeskus)
# visualisoinnista Maanmittauslaitoksen karttadatalla (vuonna 2010)


###############################################

# Lue Suomen kuntarajat SpatialPolygon-muodossa
# (C) Maanmittauslaitos 2011
# http://www.maanmittauslaitos.fi/aineistot-palvelut/digitaaliset-tuotteet/ilmaiset-aineistot/hankinta
#LoadData(MML)
#sp <- MML[["1_milj_Shape_etrs_shape"]][["kunta1_p"]]

sp <- LoadMML(data.id = "kunta1_p", resolution = "1_milj_Shape_etrs_shape")

#################################################

# Lue kuntatason vaestonkasvutiedot tilastokeskuksen StatFin-tietokannasta
# http://www.stat.fi/tup/statfin/index.html
# PC Axis-muodossa
px <- statfin.px("vrm/synt/080_synt_tau_203.px")
# statfin.px-funktio käyttää soRvin read.px-funktiota hakemaan dataa URLista, joka alkaa "http://pxweb2.stat.fi/database/StatFin/"
# URLin loppuosa pitää antaa statfin.px:lle parametrina.
# Poimi taulukosta halutut tiedot
# pxs <- subset(as.data.frame(px), Väestönmuutos.ja.väkiluku == "Luonnollinen väestönlisäys" & Vuosi == year)
# pxs <- subset(as.data.frame(px), Väestönmuutos.ja.väkiluku == parameter & Vuosi == year)
# Putsaa data
# vaestonkasvu <- preprocess.px(pxs)
# head(vaestonkasvu)
################################################
vaestonkasvu <- out[out$Talo == talo & out$Tupakka == tupakka, ]
vaestonkasvu <- as.data.frame(as.table(tapply(vaestonkasvu[, vaste], list(vaestonkasvu$Kunta), sum)/n))
colnames(vaestonkasvu) <- c("Kunta", "Vaste")
head(vaestonkasvu)
vaestonkasvu[is.na(vaestonkasvu)] <- 0
##############################################
# Lisaa tiedot karttaobjektiin
sp@data$vaestonkasvu <- vaestonkasvu$Vaste[match(sp$Kunta.FI, vaestonkasvu$Kunta)]
# Korvaa puuttuvat arvot nollalla
sp[["vaestonkasvu"]][is.na(sp[["vaestonkasvu"]])] <- 0
#colnames(out)[vaste]
#vaestonkasvu$Vaste
################################################

# Maarittele varipaletti
my.palette <- colorRampPalette(c("white", "red"), space = "rgb") # , "blue"
ncol <- 40 # Number of colors

#################################################

# Piirra kuva
varname <- "vaestonkasvu"
int <- max(abs(vaestonkasvu$Vaste))
int
q <- spplot(sp, varname,
       col.regions = my.palette(ncol),
       main = paste(colnames(out)[vaste], talo, "Tupakointi: ", tupakka, sep = ", "),
       colorkey = TRUE, 
       lwd = .4,
       col = "black", 
       at = seq(0, 0 + int, length = ncol)
)

print(q)

Ikävakioitu (maailman standardiväestöön) syöpäkuolleisuus 100 000 henkilövuotta kohden vuosina 2005-2009 primaaripaikoittain ja sairaanhoitopiireittäin. Keuhkosyöpä miehet [1] naiset [2]
Päivittäin tupakoivien osuus Suomessa: Tupakoivat [3]
Tupakan annosvaste: UK: päivittäin tupakoivia 22 % Miehet, 20 % Naiset. Tämä aiheuttaa 88 % ja 84 % keuhkosyövistä vastaavasti. [4] Tämän perusteella voidaan laskea riskisuhde RR = AF / (EF(RR-1)+1), missä AF on attributable fraction eli altisteen aiheuttama osuus koko tautikuormasta ja EF on altistuneiden osuus koko väestöstä. Tämän perusteella päivittäisen tupakoinnin riskisuhteeksi keuhkosyövälle saadaan 20 - 30. (Laskennassa käytetään 20:tä.)

Katso myös

Viitteet

Aiheeseen liittyviä tiedostoja

@@ Rivi 39: / Rivi 39: @@
 		default:12
 ">
 library(sorvi)
 library(OpasnetUtils)
 library(ggplot2)
-kunnat <- opbase.data("Op_fi3907") # [[Suomen kunnat]]
+objects.latest('Op_fi3907', code_name = 'alusta') # [[Suomen kunnat]], ovariable kunnat.
-colnames(kunnat)[colnames(kunnat) == "Result"] <- "Maakunta"
-# Luonnos uudemmaksi tavaksi kaivaa data.
-rad <- opbase.data("Op_fi2759") # [[Radon sisäilmassa]]
-colnames(rad)[colnames(rad) == "Havainto"] <- "Observation"
-#rad <- tidy(rad, objname = "radon", direction = "long")
-#print(xtable(rad), type = 'html')
-oprint(head(rad))
-radon <- opbase.data("op_fi2759")#[, 3:6]
-head(radon)
-#radon$Result <- ifelse(is.na(radon$Result.Text), radon$Result, as.numeric(as.character(radon$Result.Text)))
-#radon <- radon[, 1:3]
-colnames(radon)[3] <- "r"
-#head(radon)
-radon <- radon[substr(radon$Havainto, 1, 7) != "kaikki.", ]
-radon <- radon[radon$Maakunta != "Yhteensä", ]
-#print(xtable(reshape(radon, idvar = "Maakunta", timevar = "Havainto", direction = "wide")), type = 'html')
-radon$Talo <- ifelse(substr(radon$Havainto, 1, 3) == "pt.", "Pientalo", "Kerrostalo")
-radon$P <- substr(radon$Havainto, 4, 10)
-radon <- radon[, colnames(radon)!="Havainto"]
-radon <- reshape(radon, idvar = c("Maakunta", "Talo"), timevar = "P", direction = "wide")
-radon[is.na(radon)] <- 0
-#print(xtable(radon), type = 'html')
-j <- 2/3 # c( rep(2/3, 8), 3/4, rep(2/3, 9), 3/4, rep(2/3, 21))
-X2 <- radon$r.max
-for(i in 1:nrow(radon)) {X2[i] <- min(radon$r.max[i], (radon$r.med[i] + 201)/2)}
-X <- data.frame(P1 = radon$r.med, P2 = X2, P3 = radon$r.max, P4 = 201, P5 = 351, P6 = 401, P7 = 601, P8 = 801)
-P <- data.frame(
-	P1 = 50,
-	P2 = (50 - radon$r.y200),
-	P3 = (radon$r.y800)*(1-j),
-	P4 = (radon$r.y200 - radon$r.y400)*j,
-	P5 = (radon$r.y200 - radon$r.y400)*(1-j),
-	P6 = (radon$r.y400 - radon$r.y800)*j,
-	P7 = (radon$r.y400 - radon$r.y800)*(1-j),
-	P8 = (radon$r.y800)*j)/100
-#X <- data.frame(P1 = radon$r.Mediaani, P2 = radon$r.Maksimi, P3 = 201, P4 = 351, P5 = 401, P6 = 601, P7 = 801)
-#P <- data.frame(P1 = 50, P2 = radon$r.Yli800*(1-j), P3 = radon$r.Yli200*j, P4 = radon$r.Yli200*(1-j), P5 = radon$r.Yli400*j, P6 = radon$r.Yli400*(1-j), P7 = radon$r.Yli800*j)/100
-Xsort <- X
-for(i in 1:nrow(X)){Xsort[i, ] <- sort.int(t(X[i, ]), index.return=TRUE)[[2]]}
-for(i in 1:nrow(X)){X[i, ] <- X[i, t(Xsort[i, ])]}
-for(i in 1:nrow(X)){P[i, ] <- P[i, t(Xsort[i, ])]}
-#head(radon)
-#print(xtable(Xsort), type = 'html')
-#print(xtable(P), type = 'html')
-#head(P)
-X$P1 <- (radon$r.ka - rowSums((X*P)[, -1])) / 0.5
-#print(xtable(X), type = 'html')
-#rowSums(X*P)
-#rowSums(P)
-intP <- P
-for(i in 2:ncol(P)){intP[, i] <- rowSums(P[, 1:i])}
-#intP
-out <- data.frame()
-for(j in 1:n){
-radoniter <- intP[, 1]
-iter <- rowSums(runif(nrow(intP), 0, 1) > intP)+1
-for(i in 1:nrow(intP)){radoniter[i] <- X[i, iter[i]]}
-radon2 <- data.frame(Maakunta = radon$Maakunta, Talo = radon$Talo, obs = n, Radon = radoniter)
-radon2
-out <- rbind(out, radon2)
-}
-#radon2
-#head(out)
-#talot <- opbase.data("Op_fi2761")[, -c(1, 2, 8)]
-talot <- opbase.data("Op_fi2761")
-talot <- talot[talot$Talotyyppi != "Kaikki talotyypit" & talot$Kunta !="KOKO MAA - HELA LANDET" & talot$Asuntokunta != "Kaikki asuntokunnat", ]
-talot$Talotyyppi <- ifelse(talot$Talotyyppi=="Asuinkerrostalo", "Kerrostalo", "Pientalo")
-#head(talot)
+objects.latest('Op_fi2759', code_name = 'alusta') # [[Radon sisäilmassa]], ovariable radonpit.
-väki <- data.frame(Asuntokunta = c("1 henk.", "2 henk.", "3 henk.", "4 henk.", "5 henk.", "6 henk.", "7+ henk."), n = 1:7)
-talot <- merge(talot, väki)
-#head(talot)
-talot$Result <- talot$Result * talot$n
-talot <- as.data.frame(as.table(tapply(talot$Result, list(talot$Kunta, talot$Talotyyppi), sum)))
-colnames(talot) <- c("Kunta", "Talo", "Asukkaita")
-#head(talot)
-talot <- merge(talot, kunnat)
-#head(talot)
-out <- merge(out, talot)
-#head(out)
 rr.radon <- 1.0016
@@ Rivi 264: / Rivi 168: @@
 ==Katso myös==
-* [http://pxweb2.stat.fi/Dialog/varval.asp?ma=010_asas_tau_101_fi&ti=Asuntokunnat+koon+ja+asunnon+talotyypin+mukaan+1985%2D2010&path=../Database/StatFin/asu/asas/&lang=3&multilang=fi] Tilastokeskuksen data asunnoista talotyypeittäin.
 * [[:heande:Radon sisäilma altistus Suomi]]
 * [[:op_en:Radon]]
 * [[Suomen kunnat]]
 * [[Radon sisäilmassa]]
+* [[Talotyypit Suomessa]]
 [[Luokka:Radon]]

Ero sivun ”Radonin terveysvaikutukset” versioiden välillä

Versio 15. marraskuuta 2013 kello 14.26

Sisällys

Kysymys

Vastaus

Perustelut

Kaava

Katso myös

Viitteet

Aiheeseen liittyviä tiedostoja

Navigointivalikko