Ero sivun ”Radonin terveysvaikutukset” versioiden välillä

Versio 29. huhtikuuta 2014 kello 04.06

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? Erityisesti pitäisi tarkastella näitä kysymyksiä:

Mikä on radonin kokonaistautitaakka?
Kuinka suuri on radonin ja tupakan yhteisvaikutus?
- Onko kyseessä riippumaton, additiivinen, multiplikatiivinen tai yhteisvaikutus, ja mitä nämä tarkoittavat?
Miten radonin tautitaakka jakautuu erilaisissa asunnoissa asuvien kesken (esim. yli tai alle 300 Bq/m3)?
Mitä eri toimenpiteitä olisi mahdollista tehdä radonin tautitaakan pienentämiseksi?
- Mitä muita vaikutuksia näillä toimepiteillä on (kustannukset, kiellot, elämäntapamuutokset, terveyssynergiat?)
Mitkä arvoarvostelmat määräävät sitä, mitkä toimepidevaihtoehdoista näyttäytyvät suositeltavina?

Vastaus

Radonin kokonaistautitaakka näyttäisi olevan 1973 DALY /vuosi (ks. Tautitaakka Suomessa ja SETURI/TEKAISU: Sisäilman radonin tautitapausmäärä ja tautitaakka arviot

Kuinka suuri on radonin ja tupakan yhteisvaikutus?

Riippumaton: BoD = Tr + Tt - T(r ja t)
Additiivinen: BoD = BG * RRr * RRt
Multiplikatiivinen: BoD > BG * RRr * RRt
Yhteisvaikutus: jotain muuta vai mikä tahansa noista?

Jossa

BoD: burden of disease eli tautitaakka
T: tapausmäärä (ilmoitettuna DALYina)
r: radon
t: tupakka
BG: taustariski

Ne asunnot, joissa radonpitoisuus on yli 300 Bq/m3, johtavat arviolta 65-80 keuhkosyöpätapaukseen vuodessa. Näistä pelkän radonin aiheuttamia on noin kymmenen tapausta (loput: radon + tupakka). Tämän verran siis vähenisivät tapaukset , jos kaikki 300 Bq/m3 ylitykset korjattaisiin tasolle 0 Bq/m3.

Jos yli 300 Bq/m3 radonpitoisuudet korjataan tasolle 300 Bq/m3, vähenevät keuhkosyöpätapaukset noin 25-40 tapauksella vuodessa (näistä 3- 5 keuhkosyöpää on pelkän radonin aiheuttamaa).

Arvioinnissa on otettu huomioon 300 Bq/m3 ylittävän väestön altistusarvion epätarkkuus 95% luottamusvälillä (10%). Kaikkien radonin (tai radon+tupakka) aiheuttamien keuhkosyöpien määrä, 300 kpl vuodessa, on oletettu tässä arvioinnissa tarkaksi, vaikka vaihteluväli onkin 100 – 600 tapausta. Eli näihin lukuihin täytyy suhtautua lähinnä suuntaa antavina.R↻

Toimenpiteitä radonin tautitaakan pienentämiseksi?

Radontuuletus kaikkiin uusiin rakennuksiin.
Radontuuletusvalmius kaikkiin uusiin rakennuksiin, tuuletus vain jos mittaus osoittaa korkeita pitoisuuksia.
Radontuuletus myös vanhoihin rakennuksiin.
Tupakointikielto.
Kansalaistiedotus.
Radonmittausten kannustaminen tiedolla tai rahallisella tuella.
Edellä mainittujen toimien kohdistaminen vain tupakoiviin.
Edellä mainittujen toimien kohdistaminen vain radonalueille.

Radontoimepiteiden muita kuin terveysvaikutuksia:

Kustannukset.
Kiellot ja itsemääräämisoikeus.
Elämäntapamuutokset.
Vaikutusten kohdistuminen erilaisena kansalaiseen, lähimmäiseen tai yhteiskuntaan.

Arvoarvostelmia:

Tautitaakkaa on pienennettävä.
Tautitaakkaa on pienennettävä kaikilla toimilla, jotka ovat halvempia kuin 10000 € / DALY (tai jokin muu raja).
Kansalaisten itsemääräämisoikeuteen ei saa puuttua.
Kansalaisia ja erityisesti lapsia on suojeltava altisteilta, jonka määrään ei voi itse vaikuttaa.

Näkökulmia radonhaitan torjuntaan

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?

Päätösvaihtoehdot

Tupakointi vähenee yhden prosenttiyksikön

Päätökset(-)
Obs	Decision maker	Decision	Option	Variable	Cell	Change	Value	Description
1	Valtio	Radontoimi	BAU	exposurenew	Pollutant:Radon	Multiply	1	Business as usual
2	Valtio	Radontoimi	Radontalkoot	exposurenew	Pollutant:Radon	Multiply	0.5	Raju vähennys

Laskenta

Axis formatting (e.g. log2 format)
vaikutusrr poistettu kokonaan toistaiseksi, koska se ei toimi. Löytyy vanhasta versiosta.
Tolkullinen versio

+ Näytä koodi - Piilota koodi

N <- 1
erottelu1 <- 'Maakunta'
erottelu2 <- 'Causes'
verbose <- FALSE

library(OpasnetUtils)
library(ggplot2)

################################## YLEISET OSIOT

openv.setN(N)

objects.latest('Op_en6007', code_name = 'answer') # [[OpasnetUtils/Drafts]] fetches fillna function.

objects.latest('Op_en2261', code_name = 'initiate') # [[op_en:Health impact assessment]] ovariables totcases, attrcases.

objects.latest('Op_fi2761', code_name = 'alusta') # [[Talotyypit Suomessa]], ovariable asunnot, asuntovaesto.

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

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

objects.latest('Op_fi3912', code_name = 'alusta') # [[Syöpäkuolleisuus Suomessa]], ovariable syopakuolleisuus.

######################## TAPAUSKOHTAISET SÄÄDÖT

####### PÄÄTÖKSET

DecisionTableParser(opbase.data("Op_fi2760.paatokset"))

###### OSA 1: VÄESTÖ

### ASUNTOVÄESTÖ

# Yksinkertaista talotyyppiluokittelua ja summaa taloista pois perhekoko.

levels(asuntovaesto@data$Talotyyppi) <- ifelse(
	levels(asuntovaesto@data$Talotyyppi) == "Asuinkerrostalo", 
	"Kerrostalo", 
	"Pientalo"
)

asuntovaesto <- oapply(EvalOutput(asuntovaesto), cols = "Asuntokunta", FUN = sum)

### TUPAKOINTI JA ALUEVASTAAVUUS

tupakointi <- Ovariable("tupakointi",  # Tupakoivien osuus väestöstä. Result-sarake summautuu ykköseen.
	data = data.frame(
		Sukupuoli = rep(c("Miehet", "Naiset"), 2), 
		Tupakoija = rep(c("Kyllä", "Ei"), each = 2), 
		Result = c(0.11, 0.08, 0.39, 0.42)
	)
)

aluevastaavuus <- Ovariable("aluevastaavuus", 
	data = {
		dat <- tidy(opbase.data("Op_fi3907.maakunnat_ja_sairaanhoitopiirit"))
		colnames(dat)[colnames(dat) == "Result"] <- "Sairaanhoitopiiri"
		dat$Result <- 1
		dat
	}
)

### VÄESTÖN LASKENTA

population <- Ovariable("population", 
	dependencies = data.frame(Name = c("kunnat", "asuntovaesto", "aluevastaavuus", "tupakointi")),
	formula = function(...) {

		out <- kunnat * asuntovaesto * aluevastaavuus * tupakointi

		return(out)
	}
)

########## OSA 2: ALTISTUS

bkgrexposure <- 0 # Radonille voisi olla 5.

# RADON

radon$Pollutant <- "Radon" # Uusi sarake kuvaamaan sitä, minkä altisteen altistumisesta tai riskistä on kyse ko. rivillä.


# TUPAKKA. Väestö on jo jaettu tupakoiviin ja tupakoimattomiin.

tupakkaaltistus <- Ovariable("tupakkaaltistus", 
	data = data.frame(Tupakoija = c("Kyllä", "Ei"), Pollutant = "Tupakka", Result = c(1, 0))
)

# ALTISTUS YHTEENSÄ

radonpit <- EvalOutput(radonpit, N = N)

exposure <- Ovariable("exposure", 
	dependencies = data.frame(Name = c("tupakkaaltistus", "radonpit")),
	formula = function(...) {

		out <- orbind(tupakkaaltistus * 1, radonpit * 1)

		out <- out[!colnames(out) %in% c("tupakkaaltistusSource", "radonpitSource")]
		out <- fillna(out, c("Tupakoija", "Maakunta", "Talotyyppi")) # Tätä on muutettava, jos toiseen lisätään indeksejä.

		return(out)
	}
)

###### OSA 3: RISKISUHTEET

### SUHTEELLINEN RISKI

# Annosvasteiden perustiedot.

ERF <- Ovariable("ERF", data = data.frame(
	Primaaripaikka = "Keuhkot, henkitorvi", # ICD.10.koodi == "C33-34"
	Pollutant = c("Radon", "Tupakka"), 
	Result = c(1.0016, 20)
))

### SYÖPÄKUOLLEISUUS

disincidence <- syopakuolleisuus
disincidence@name <- "disincidence"
disincidence@data <- disincidence@data[disincidence@data$Primaaripaikka == "Keuhkot, henkitorvi" , ] 
# ICD.10.koodi == "C33-34"

###################### ACTUAL MODEL

attrcases <- EvalOutput(attrcases)

####################### OUTPUT GRAPHS AND TABLES

oprint(head(attrcases@output))

ggplot(attrcases@output, aes(weight = attrcasesResult / N, x = Causes, fill = Talotyyppi)) +	geom_bar(position = 'stack') + labs(y = "Keuhkosyöpäkuolemia (lung cancer deaths) (#/a)")

ggplot(attrcases@output, aes(weight = attrcasesResult / N, x = Causes, fill = Radontoimi)) +	geom_bar(position = 'dodge') + labs(y = "Keuhkosyöpäkuolemia (lung cancer deaths) (#/a)")

ggplot(attrcases@output, aes(weight = attrcasesResult / N, x = Causes, fill = Tupakoija)) +
	geom_bar(position = 'stack') + labs(y = "Keuhkosyöpäkuolemia (lung cancer deaths) (#/a)")

ggplot(attrcases@output, aes(weight = attrcasesResult / N, x = Causes, fill = Maakunta)) +
	geom_bar(position = 'stack') + labs(y = "Keuhkosyöpäkuolemia (lung cancer deaths) (#/a)")

ggplot(attrcases@output, aes(weight = attrcasesResult / N, x = Tupakoija, fill = Talotyyppi)) + geom_bar(position = "dodge") +
	theme_grey(base_size = 24) + labs(title = "Tapauksia vuodessa")

ggplot(population@output, aes(x = Talotyyppi, weight = populationResult, fill = Tupakoija)) + geom_bar() + 
	theme_grey(base_size = 24) + labs(title = "Väestö")

ggplot(exposure@output[exposure@output$Pollutant == "Radon" , ], aes(x = exposureResult, colour = Talotyyppi)) + geom_density(adjust = 4, size = 1) + labs(title = "Radonpitoisuuden jakauma talotyypeittäin")

ggplot(radonpit@output, aes(x = Maakunta, y = radonpitResult, fill = Talotyyppi)) + geom_boxplot() + coord_flip(ylim = c(0, 1000)) + labs(y = "Radonpitoisuus (Radon concentration) (Bq/m3)")


if(verbose) {
	cat("Väestö\n")
	print(nrow(population@output))
	oprint(head(population@output))
	cat("Kunnat\n")
	print(nrow(kunnat@output))
	oprint(head(kunnat@output))
	cat("Asuntoväestö\n")
	print(nrow(asuntovaesto@output))
	oprint(head(asuntovaesto@output))
	cat("Aluevastaavuus\n")
	print(nrow(aluevastaavuus@output))
	oprint(head(aluevastaavuus@output))
	cat("Tupakointi\n")
	print(nrow(tupakointi@output))
	oprint(head(tupakointi@output))

	cat("Altistus\n")
	print(nrow(exposure@output))
	oprint(head(exposure@output))

	cat("ERF\n")
	print(nrow(ERF@output))
	oprint(head(ERF@output), digits = 4)
	cat("RR\n")
	print(nrow(RR@output))
	oprint(head(RR@output))

	cat("Syöpäkuolleisuus\n")
	print(nrow(disincidence@output))
	oprint(head(disincidence@output), digits = 6)

	cat("Kokonaisvaikutus PAF-menetelmällä\n")
	print(nrow(attrcases@output))
	oprint(head(attrcases@output))
}

## POISTETTIIN KOKO KUNTAKARTTATOIMINNALLISUUS, KOSKA JOTKIN OSAT OVAT VANHENTUNEET. ON HELPOMPI RAKENTAA ALUSTA UUDESTAAN.


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

attrisk <- Ovariable("attrcases", # Probabilities of disease attributed to specific (combinations of) causal exposures.
	dependencies = data.frame(Name = c(
		"ERF", # Exposure-response function
		"exposure", # Total exposure to an agent or pollutant
		"bkgrexposure" # Background exposure to an agent (a level below which you cannot get in practice)
	)),
	
	formula = function(...) {

		# First calculate risk ratio and remove redundant columns because they cause harm when operated with itself.
		RR <- unkeep(exp(log(ERF) * (exposure - bkgrexposure)), prevresults = TRUE, sources = TRUE) 
		PAF <- (RR - 1) / RR 

		# pollutants is a vector of pollutants considered.
		pollutants <- unique(exposure@output$Pollutant)
		pollutants <- levels(pollutants)[pollutants]

		out <- 1
		for(i in 1:length(pollutants)) {
			
			# Attributable fraction of a particular pollutant is combined with all pollutant AFs.
			# The combination has 2^n rows (n = number of pollutants). Pollutant is either + or - depending on
			# whether it caused the disease or not.
			temp <- Ovariable(data = data.frame(
				Pollutant = pollutants[i], 
				Temp1 = c(paste(pollutants[i], "-", sep = ""), paste(pollutants[i], "+", sep = "")), 
				Result = c(-1, 1) # Non-causes are temporarily marked with negative numbers.
			))
			temp <- temp * PAF

			# Non-causes are given the remainder (1-AF) of attributable fraction AF.
			result(temp) <- ifelse(result(temp) > 0, result(temp), 1 + result(temp))
			# Causes with 0 AF are marked 1. This must be corrected.
			result(temp) <- ifelse(result(temp) == 1 & grepl("\\+", temp@output$Temp1), 0, result(temp))
			
			out <- out * temp
			out <- unkeep(out, cols = "Pollutant", sources = TRUE, prevresults = TRUE)

			# Combine and rename columns.
			if(i == 1) {
				colnames(out@output)[colnames(out@output) == "Temp1"] <- "Causes"
			} else {
				out@output$Causes <- paste(out@output$Causes, out@output$Temp1)
				out@output$Temp1 <- NULL
			}
		}

		return(out)
	}
)


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

totrisk <- Ovariable("totrisk", # This calculates the annual risk of the disease in each population subgroup.
	# The cases are NOT attributed to specific (combinations of) causes.
	dependencies = data.frame(Name = c(
		"population", # Population divided into subgroups as necessary
		"disincidence", # Incidence of the disease of interest
		"ERF", # Exposure-response function of the pollutants or agents
		"exposure", # Exposure to the pollutants
		"bkgrexposure"
	)), # Background exposure (a level below which you cannot get in practice)
	formula = function(...) {

		# Calcualte the risk ratio to each subgroup based on the exposure in that subgroup.
		# Combine pollutant-specific RRs by multiplying.
		RR <- unkeep(exp(log(ERF) * (exposure - bkgrexposure)), prevresults = TRUE, sources = TRUE) 
		RR <- oapply(RR, cols = "Pollutant", FUN = prod) 

		# Remove redundant columns.
		population@output <- dropall(population@output)
		population <- unkeep(population, sources = TRUE, prevresults = TRUE)
		disincidence <- unkeep(disincidence, sources = TRUE, prevresults = TRUE)
		
		# takeout is a vector of column names of indices that are NOT in the disease incidence.
		takeout <- setdiff(
			colnames(population@output)[population@marginal], 
			colnames(disincidence@output)[disincidence@marginal]
		)

		# pci is the proportion of cases across different population subroups based on differential risks and
		# population sizes. pci sums up to 1 for each larger subgroup found in disincidence. 
		# See [[Population attributable fraction]].
		pci <- population * RR # unkeep(population * RR, prevresults = TRUE, sources = TRUE)
		pci <- pci / oapply(unkeep(pci, prevresults = TRUE, sources = TRUE), cols = takeout, FUN = sum)

		population <- oapply(population, cols = takeout, FUN = sum) # Aggregate to larger subgroups.
		population@output <- population@output[!is.na(result(population)) , ] # Not sure if this is necessary.

		# The cases are divided into smaller subgroups based on weights in pci.
		# Redundant columns are removed because totcases are used within attrcases which has same columns.
		out <- disincidence * pci 
#		out <- unkeep(out, sources = TRUE, prevresults = TRUE)
		
		return(out)
	}
)



rad <- exposure * EvalOutput(Ovariable(data = data.frame(Pollutant = "Radon"  , Result = 1)))
tup <- exposure * EvalOutput(Ovariable(data = data.frame(Pollutant = "Tupakka", Result = 1)))

tup <- unkeep(tup, cols = c("Pollutant", "exposureResult", "radonpitResult"))
rad <- unkeep(rad, cols = c("Pollutant", "exposureResult", "tupakkaaltistusResult"))
temp <- totrisk * tup * rad * 0
temp@output$tupakkaaltistusResult <- as.factor(temp@output$tupakkaaltistusResult)
ggplot(temp@output, aes(x = radonpitResult, y = totriskResult, colour = tupakkaaltistusResult)) + geom_point() + scale_x_log10() + scale_y_log10()

#### hirisk on alaryhmä, jolla henkilökohtainen riski on erityisen suuri. Huom1 Tämä EI OLE väestöpainotettu otos, 
# vaan perusyksikkönä on väestöryhmä. Ilmeisesti tämän takia painottuvat pienet alueet, jossa satunnaistaminen
# voi saada aikaan isoja riskejä.

hirisk <- totrisk
hirisk@output <- hirisk@output[result(hirisk) > 1E-5 , ]
nrow(totrisk@output)
nrow(hirisk@output)
summary(hirisk@output)

Riippuvuudet

op_en:OpasnetUtils/Drafts fillna function.
op_en:Health impact assessment ovariablet totcases, attrcases.
Talotyypit Suomessa, ovariablet asunnot, asuntovaesto.
Suomen kunnat, ovariable kunnat.
Radon sisäilmassa, ovariable radonpit, data.frame radon.
Syöpäkuolleisuus Suomessa, ovariable syopakuolleisuus.
Päivittäin tupakoivien osuus Suomessa: Tupakoivat [1]
Tupakan annosvaste: UK: päivittäin tupakoivia 22 % Miehet, 20 % Naiset. Tämä aiheuttaa 88 % ja 84 % keuhkosyövistä vastaavasti. [2] 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.)
en:Attributable risk#Combined_PAR
op_en:Population attributable fraction

Katso myös

Viitteet

Aiheeseen liittyviä tiedostoja

@@ Rivi 81: / Rivi 81: @@
 <t2b name='Päätökset' index='Decision maker,Decision,Option,Variable,Cell,Change' obs='Value' desc='Description' unit='-'>
-Valtio|Radontoimi|BAU|exposurenew||Multiply|1|Business as usual
+Valtio|Radontoimi|BAU|exposurenew|Pollutant:Radon|Multiply|1|Business as usual
-Valtio|Radontoimi|Radontalkoot|exposurenew||Multiply|0.5|Raju vähennys
+Valtio|Radontoimi|Radontalkoot|exposurenew|Pollutant:Radon|Multiply|0.5|Raju vähennys
 </t2b>