Ero sivun ”Pneumokokkirokotteen hankinta kansalliseen rokotusohjelmaan” versioiden välillä

Versio 4. kesäkuuta 2014 kello 10.52

Tämä sivu on tietokide alatyypiltään arviointi. Sivutunniste: Op_fi4305
Moderaattori:Jouni (katso kaikki) Sivun edistymistä ei ole arvioitu. Arvostuksen määrää ei ole arvioitu (ks. peer review).
Lisää dataa {{#opasnet_base_link:Op_fi4305}}

Rajaus

Kysymys

Miten pitäisi toteuttaa keskustelu pneumokokkirokotteesta avoimen arvioinnin mukaisesti?

Rajaus

Tarkastellaan tilannetta Suomessa nykypäivänä.

Osallistujat

Avoimen päätöksentekokäytännön taitajat:
- Jouni Tuomisto (ohjaaja)
- Teemu Rintala (mallintaja)
- Pauli Orden (moderaattori)
- Timo Koski (moderaattori)
- Matleena Tuomisto (moderaattori)
- Tuukka Hämynen (moderaattori)
- Julia Rintala (osa-aikainen moderaattori)
- Jaakko Örmälä (moderaattori)
- Vilma Sandström (osa-aikainen moderaattori)
Rokoteasiantuntijat:
- Hanna Nohynek (vastaava tutkija)
- Heini Salo
- Terhi Kilpi
- Pertti Sormunen
- Kari Auranen
- Tuija Leino
- Simopekka Vänskä
- Markku Nurhonen

Oletettu käyttö ja käyttäjät

Tämän työn tulosten odotetaan kehittävän jäsentynyttä, perusteltua ja kriittistä rokotekeskustelua Suomessa. Lisäksi se voi jatkossa auttaa rokotehankintoihin liittyviä päätösprosesseja. Tärkeimmät käyttäjät ovat:

THL
Sosiaali- ja terveysministeriö
Lääke- ja rokoteteollisuusteollisuus
Kansainväliset rokotetutkijat
Kansalaiset

Päätökset

Vastaus

Työssä on ainakin seuraavat osat

Keskustelutilan luominen eli osakysymysten päättäminen ja sivujen luonti niille.
Keskustelutilan jatkuva seuraaminen ja häiriköinnin siivoaminen.
Kommentointityökalun seuraaminen ja kommenttien nosto varsinaiseen tekstiin. Tämä työkalu on niille jotka eivät halua kirjautua.
Tägikone on työkalu tekstin jäsentämiseen ja asiasanoittamiseen. Se on koekäytössä.
Varsinaisen keskustelun tueksi tuotettava taustamateriaali: wikistetään erilaisia rokotteeseen liittyviä yleisiä ja spesifisiä raportteja ja yhteenvetoja sen hyödyistä, haitoista ja tehosta. Tätä materiaalia voisi alkaa listata ja työstää jo nopeasti.
Kustannus-hyötymallin toteutus R:llä JAGSilla.
Mallin parametritietojen kerääminen ja syöttäminen malliin.
Päätösvaihtoehtojen kuvaaminen (suoraviivainen)
Eri vaikutusten kuvaaminen ovariableina osana kausaalimallia. (Nämä lienevät pääosin tiedossa yleistasolla)
Lopputuloksia koskevien arvojen kuvaaminen. Tämä on iso työ ja vaatii myös teoriapohdintaa siitä, käytetäänkö esim MCDAta tai kahdesta paremman valitsemista. Molemmat olisi kiinnostavin. Muitakin vaihtoehtoja voi harkita.
Osallistujien kouluttaminen keskeisiin menetelmiin tarpeen mukaan. Näitä ovat Keskustelu ja Opasnet-mallinnus.
Päivitettyjen ohjeiden kirjoittaminen näistä menetelmistä. Menetelmien edelleen kehittäminen tämän hankkeen oppien perusteella.

Kustannukset

Jouni Tuomisto: ohjaus ja avoimen päätöksentekokäytännön koordinointi: 3 htkk virkatyönä
Opasnet-moderaattorit: 4.5 hlö * 3 kk * 150 h/kk * 12 e/h * 1.35 sivukulut = 32805 e (oletetaan maksimityöllisyys kaikille, vaikka moderaattorit tuskin työskentelevät täyspäiväisesti)
R-mallinnus Opasnettiin: 1 hlö * 3 kk * 150 h/kk * 17 e/h * 1.35 sivukulut = 10328 e
Rokoteasiantuntijatyö: 3 hlö * 1.5 kk virkatyönä

Vertailun vuoksi: LVMn Liikenne ja viestintä digitaalisessa Suomessa 2020 on houkutellut viikossa toistakymmentä uutta käyttäjää ja n. 50000 merkkiä uutta tekstiä jäsennettäväksi.

Perustelut

Riippuvuudet

Päätökset:
Muuttujat:
- rokotuskattavuus
- rokotteen teho eri kantoihin
- rokotteen haittavaikutukset
- rokotteen hinta
- pneumokokin terveyshaitat: invasiivinen pneumokokki-infektio, välikorvantulehdus, aivokalvontulehdus
- rokotteen epäsuorat vaikutukset muiden kantojen ja bakteerien yleisyyteen
- rokotteen epäsuorat vaikutukset antibioottien tarpeeseen ja hoitokustannuksiin
- laumaimmuniteetti
Arvot
- kustannustehokkuus
- sairauksien laatupainokertoimet (op_en:Disability weights)
- sairauksien, rokotteiden ja hoitojen nettikustannukset
- rokotehaittojen kohdistuminen (ei saisi tulla haittaa niille jotka eivät rokotteesta hyödy)

Wikistettävää aineistoa

Tartuntataudit Suomessa 2012 [1] luku Invasiivinen pneumokokkitauti, ss. 30-32.
Pneumokokki-konjugaattirokotteen vaikuttavuuden seuranta osana kansallista rokotusohjelmaa - Prosessikuvausasiakirja [2] Kokonaan

Käytettäviä menetelmiä

Avoin päätöksentekokäytäntö, katso myös julkaisu Tuomisto, Pohjola, Pohjola: Avoin päätöksentekokäytäntö voisi parantaa tiedon hyödyntämistä. Yhteiskuntapolitiikka 79 (2014) 1: 66-75. [3]
Avoin arviointi
Jaettu ymmärrys
op_en:Portal:Modelling with Opasnet

Muuta aineistoa

[4]
Nurhonen, Auranen: Optimal Serotype Compositions for Pneumococcal Conjugate Vaccination under Serotype Replacement
Epidemiological modelling

----#: . Näistä vain keskimmäiseen pääsee thl:n ulkopuolelta käsiksi. Saisko nuo kaksi muuta ladattua tänne tai Heandeen? --Teemu R (keskustelu) 4. kesäkuuta 2014 kello 10.48 (UTC) (type: truth; paradigms: science: comment)

Laskenta

S1.1-S1.4 below File S1 Nurhonen M, Auranen K: Optimal serotype compositions for pneumococcal conjugate vaccination under serotype replacement [[5]

The program code with instructions and examples.

This file contains a core set of functions implementing the basic tools presented in the manuscript and instructions on how to use the code. The code is written in the R programming language, which is freely available at www.r-project.org. To run the examples in Sections S1.1-S1.3, first load the functions listed in Section S1.4. The calculation of the projected net effectiveness of a vaccination programme assuming a given vaccine composition is demonstrated in Section S1.2 and Section S1.3 shows how to use the code in searching for optimal vaccine compositions.

S1.1. Data preparation

In our example, we apply the code to the IPD data from Finland and carriage data from Finland and the UK. The data contain 24 serotypes and 2 age categories, the <5 and 5+ year olds.

S1.2 Predicting the net effectiveness under a given vaccine composition

The function Vaccination is an implementation of equation (1). Its arguments are the pre-vaccination IPD and carriage incidences by age category and serotype. It returns the predicted post-vaccination versions of these two matrices. If only one age category is considered, the arguments can be vectors.

Example S1.2A: Calculate the predicted incidence of IPD for the non-vaccine types(NVTs) under PCV13. The predictions are calculated separately for the two age classes. These are the values reported on the bottom panel in Figure 2 (there given as per 100K incidences).

serotypes     8    9N   10   11   12   15   16  20   22  23A   33   35  38  6C   Oth
ipd_under5   0.4    3  1.5  1.5  0.8  7.2  0.8  0   3.4  0.4  1.5  1.1 1.5   0   2.7
ipd_over5   30.2 67.8 16.9 34.3 37.4 24.7 12.7 8.9 78.1 11.8 15.2 33.4 3.8 14.8 30.1

Example S1.2B: Decrease in IPD incidence after adding a single new serotype to PCV13 separately for the two age categories.

serotypes     8    9N   10   11     12  15    16    20   22 23A  33    35   38    6C
ipd_under5   0.2  0.8  1.1  -8.9   0.8  4.2   0.4   0   2.2  0   1.5 -2.4  1.1  -3.2
ipd_over5   26.4 64.5  7.7  -10.9 37.3 24.7 -93.3 -2.5 49.2 1.9 15.1  1.2  3.8   -23

S1.3. Finding optimal vaccine serotype compositions

The search for optimal vaccine compositions is implemented in the function “OptimalSequence”. The optimum is found for the entire data, i.e. taking into account all age categories (columns) included in the matrix arguments. If optimum is intended to be found only for one age category, the arguments for “OptimalSequence” should be vectors corresponding to this category.

Example S1.3A: The optimal sequence for under 5 year olds when replacement is 100%. The output shows the decreases in IPD incidence for each step, corresponding to Figure 5(C). The last serotype (row 27, the category "Other") is excluded from any vaccine composition but is taken into account as a replacing serotype at each stage.

rank     1    2    3    4  5  6  7   8    9  10 11  12   13  14  15  16  17 18   19  20
stype   14   6B  19A  18C  7  4 9V  6A  23F 19F 15   3   22  33  9N  38  10  1   12  16
eff    16.8 15.4 10.3 7.8 2.9 3 2.5 2.2 2.4 5.1 3.3 3.7 2.7 1.8 1.9 1.7 1.8 1.6 1.1 0.9

Example S1.3B: The optimal sequence for the whole population when replacement is 50% and the current composition includes the PCV7 serotypes.

rank     1    2    3     4    5  6   7    8    9    10   11  12    13   14   15  16   17
stype    3    7   19A   9N   22 12   6A   15   8    35   11   1    33   10  23A  6C   20
effect 82.3 79.3 42.8 40.9 41.6 24 21.1 20.8 20.3 17.7 15.2 15.1 13.6 13.7  8.6  6.1 6.5

Esimerkkejä

VT: vaccine serotypes, i.e. pneumococcus serotypes that are found in a vaccine.
NVT: non-vaccine serotypes, i.e. pneumococcus serotypes that are not found in the vaccine.
Example model run

Funktioiden alustus

+ Näytä koodi - Piilota koodi


library(OpasnetUtils)

#S1.4. The R-functions
###############################################################################
##
## R code for the core methods introduced in
## Markku Nurhonen and Kari Auranen:
## "Optimal serotype compositions for pneumococcal conjugate
## vaccination under serotype replacement",
## PLoS Computational Biology, 2014.
##
###############################################################################
## List of arguments common to most functions:
##
## IPD = matrix of IPD incidences by age class (columns) and serotype (rows)
## Car = corresponding matrix of carriage incidences
## VT_rows = vector of the row numbers in matrices IPD and Car
## corresponding to vaccine types (VT_rows=0 for no vaccination)
## p = proportion of lost VT carriage which is replaced by NVT carriage
## q = proportion of VT carriage lost either due to elimination or replacement
##
## This code includes 4 functions:
## Vaccination, NextVT, OptimalSequence and OptimalVacc.
##

Vaccination<-function(IPD,Car,VT_rows,p,q) {
	##
	## Result:
	## A list of 2 matrices: IPD and carriage incidences
	## after vaccination (corresponding to matrices IPD and Car).
	## [Markku Nurhonen 2013]
	##
	if (VT_rows[1]>0) {
		IPD<-as.matrix(IPD); Car<-as.matrix(Car)
		# Post vaccination carriage incidences
		Car_Total<-t(matrix(apply(Car,2,sum),dim(Car)[2],dim(Car)[1]))
		Car2<-Car; Car2[VT_rows,]<-0
		Car_NVT<-t(matrix(apply(Car2,2,sum),dim(Car2)[2],dim(Car2)[1]))
		Car_VT<-Car_Total-Car_NVT
		CarNew<-q*(1+p*Car_VT/Car_NVT)*Car2+(1-q)*Car
		# Post vaccination IPD incidences
		NVT_rows<-seq(dim(IPD)[1])[-1*VT_rows]
		# CCR=Case-to-carrier ratios
		CCR<-IPD/Car ; IPDNew<-0*IPD
		# Apply the equation appearing above
		# equation (1) in text for each serotype.
		# First term applies to NVTs.
		IPDNew[VT_rows,]<-(1-q)*IPD[VT_rows,]
		# Second term applies to NVTs.
		IPDNew[NVT_rows,]<-((Car_NVT+p*q*Car_VT)*(Car/Car_NVT)*CCR)[NVT_rows,]
		}
	else {
		IPDNew<-IPD; CarNew<-Car
	}
	list(IPDNew,CarNew) 
}

NextVT<-function(IPD,Car,VT_rows,p) {
	##
	## Result:
	## A vector of decreases in IPD due to adding a serotype
	## to the vaccine. If VT_rows=0, initially no vaccination.
	## For row indexes incuded in VT_rows, the result is 0.
	## [Markku Nurhonen 2013]
	##
	IPD<-as.matrix(IPD); Car<-as.matrix(Car)
	
	## VaccMat = IPD and Car matrices after vaccination
	VaccMat<-Vaccination(IPD,Car,VT_rows,p,1)
	IPD<-VaccMat[[1]]; Car<-VaccMat[[2]]
	
	## Total_IPD,Total_Car = Matrices corresponding to
	## overall IPD and carriage in each age class.
	Total_IPD<-t(matrix(apply(IPD,2,sum),dim(IPD)[2],dim(IPD)[1]))
	Total_Car<-t(matrix(apply(Car,2,sum),dim(Car)[2],dim(Car)[1]))
	
	## Effect = decrease in IPD when one serotype is added to the vaccine.
	## See equation (3) in text.
	Effect<-(Total_IPD-IPD)*((IPD/(Total_IPD-IPD))-(p*Car/(Total_Car-Car)))
	
	## Special case when only one NVT remains.
	IPD_nonzero<-which(apply(IPD,1,sum)!=0)
	if (length(IPD_nonzero)==1) {Effect[IPD_nonzero,]<-IPD[IPD_nonzero,]}

	## Result is obtained after summation over age classes.
	apply(Effect,1,sum) 
}

OptimalSequence<-function(IPD,Car,VT_rows,Excluded_rows,p,HowmanyAdded) {
	##
	## Starting from VTs indicated by the vector VT_rows
	## (VT_rows=0, for no vaccination) sequentially add new VTs
	## to the vaccine composition s.t. at each step the optimal
	## serotype (corresponding to largest decrease in IPD) is added.
	##
	## Excluded_rows = Vector of indexes of the rows in matrices
	## IPD and Car corresponding to serotypes that are not to
	## be included in a vaccine composition, e.g. a row
	## corresponding to a group of serotypes labelled "Other".
	## Enter Excluded_rows=0 for no excluded serotypes.
	## HowmanyAdded = number of VTs to be added.
	##
	## Result:
	## Matrix of dimension 2*HowmanyAdded with 1st row indicating
	## the row numbers of added serotypes in the order they appear
	## in the sequence. The 2nd row lists the decreases in IPD
	## due to addition of each type. [Markku Nurhonen 2013]
	##
	IPD<-as.matrix(IPD); Car<-as.matrix(Car)
	## First check the maximum possible number of added VTs.
	VT_howmany<-length(VT_rows)
	if (VT_rows[1]==0) {VT_howmany<-0}
	Excluded_howmany<-length(Excluded_rows)
	if (Excluded_rows[1]==0) {Excluded_howmany<-0}
	HowmanyAdded<-min(HowmanyAdded,dim(IPD)[1]-(VT_howmany+Excluded_howmany))
	BestVTs<-BestEffects<-rep(0,HowmanyAdded)
	## Sequential procedure: at each step find the best additional VT.
	for (i in 1:HowmanyAdded) {
		## Effects = Decrease in IPD after addition of each serotype
		Effects<-NextVT(IPD,Car,VT_rows,p)
		## Set Effects for VTs and excluded types equal to small values
		## so that none of these will be selected as the next VT.
		minvalue<- -2*max(abs(Effects))
		if (Excluded_howmany>0) {Effects[Excluded_rows]<-minvalue}
		if (VT_rows[1]>0) {Effects[VT_rows]<-minvalue}
		## BestVTs[i] = Index of serotype with maximum decrease in IPD.
		BestVTs[i]<-order(-1*Effects)[1]
		## BestEffects[i] = Decrese in IPD due to addition of BestVTs[i]
		## to the vaccine.
		BestEffects[i]<-Effects[BestVTs[i]]
		VT_rows<-c(VT_rows,BestVTs[i])
		if (VT_rows[1]==0) {VT_rows<-VT_rows[-1]}
		VaccMat<-Vaccination(IPD,Car,VT_rows,p,1)
		IPD<-VaccMat[[1]]; Car<-VaccMat[[2]] 
	}
	t(matrix(c(BestVTs,BestEffects),HowmanyAdded,2)) 
}

OptimalVacc<-function(IPD,Car,VT_rows,p,q,HowmanyAdded) {
	##
	## Result:
	## A list of 3 elements: (1) Row numbers of serotypes in the optimal
	## vaccine composition (2)-(3) IPD and carriage incidences
	## by serotype and age class corresponding to the optimal
	## vaccine formed using the sequential procedure in the
	## function OptimalSequence. [Markku Nurhonen 2013]
	##
	Additional_VTs<-OptimalSequence(IPD,Car,VT_rows,p,HowmanyAdded)[1,]
	All_VTs<-c(VT_rows,Additional_VTs)
	if (All_VTs[1]==0) All_VTs<-All_VTs[-1]
	VaccMat<-Vaccination(IPD,Car,All_VTs,p,q)
	list(All_VTs,VaccMat[[1]],VaccMat[[2]]) 
}

VacCar <- Ovariable("VacCar",
	dependencies = data.frame(Name = c(
		"IPD", # incidence of pneumococcus disease
		"Car", # number of carriers of pneumococcus
		"servac", # ovariable of serotypes in vaccine (1 for serotypes in a vaccine, otherwise result is 0)
		"p", # proportion of eliminated VT carriage that is replaced by NVT carriage
		"q" # proportion of of VT carriage eliminated by vaccine
	)), 
	formula = function(...) {
		## Result:
		## An ovariable of carriage incidences
		## after vaccination (corresponding to Car).
		## [Markku Nurhonen 2013, Jouni Tuomisto 2014]
		# Post vaccination carriage incidences
		
		# Sum over serotypes and drop extra columns
		Car_Total<- unkeep(oapply(Car, cols = "Serotype", FUN = sum) * 1, prevresults = TRUE)
		# Car2 is a temporary ovariable with NVT carriers only
		Car2 <- unkeep(Car * (1 - servac), prevresults = TRUE) # Take only NVT carriers
			
		Car_NVT <- oapply(Car2, cols = "Serotype", FUN = sum) # Carriers of serotypes not in vaccine (NVT)
		Car_VT <- Car_Total - Car_NVT # Carriers of vaccine serotypes

		CarNew <- q * (1 + p * Car_VT / Car_NVT) * Car2 + (1 - q) * Car

		return(CarNew)
	}
)
		
VacIPD <- Ovariable("VacIPD",
	dependencies = data.frame(Name = c(
		"IPD", # incidence of pneumococcus disease
		"Car", # number of carriers of pneumococcus
		"servac", # ovariable of serotypes in vaccine (1 for serotypes in a vaccine, otherwise result is 0)
		"p", # proportion of eliminated VT carriage that is replaced by NVT carriage
		"q" # proportion of of VT carriage eliminated by vaccine
	)), 
	formula = function(...) {
		## Result:
		## An ovariable of IPD incidence
		## after vaccination (corresponding to ovariable IPD).
		## [Markku Nurhonen 2013, Jouni Tuomisto 2014]
		
		# Post vaccination carriage incidences (same code as in VacCar)
			
		Car_Total <- unkeep(oapply(Car, cols = "Serotype", FUN = sum) * 1, prevresults = TRUE) # Sums over serotypes
		Car2 <- unkeep(Car * (1 - servac), prevresults = TRUE)
			
		Car_NVT <- oapply(Car2, cols = "Serotype", FUN = sum) # Carriers of serotypes not in vaccine (NVT)
		Car_VT <- Car_Total - Car_NVT # Carriers of vaccine serotypes
		CarNew <- q * (1 + p * Car_VT / Car_NVT) * Car2 + (1 - q) * Car
			
		# Post vaccination IPD incidences
		# CCR=Case-to-carrier ratios
		CCR <- IPD / Car

		# Apply the equation appearing above
		# equation (1) in text for each serotype.
		# First term applies to VTs.
		IPDNewVT <- (1 - q) * IPD * servac

		# Second term applies to NVTs.
		IPDNewNVT <- (Car_NVT + p * q * Car_VT) * (Car / Car_NVT) * CCR * (1 - servac)

		IPDNew <- IPDNewVT + IPDNewNVT

		return(IPDNew) 
	}
)

objects.store(Vaccination, NextVT, OptimalSequence, OptimalVacc, VacCar, VacIPD)

cat("Funktiot Vaccination, NextVT, OptimalSequence, OptimalVacc sekä ovariablet VacCar, VacIPD tallennettu. \n")

Data

Pneumokokin esiintyvyys suomalaisessa väestössä. Carrier: (oireettomien) kantajien lukumäärä, Incidence: invasiivisen pneumokokkitaudin ilmaantuvuus 100000 henkilövuotta kohti.

Pneumokokki väestössä(#, #/100000py)
Obs	Serotype	Age	Carrier	Incidence
1	19F	Under 5	156030	7.78
2	23F	Under 5	156030	7.88
3	6B	Under 5	126990	24.39
4	14	Under 5	41200	20.76
5	9V	Under 5	22290	2.91
6	4	Under 5	12830	2.91
7	18C	Under 5	10130	6.64
8	1	Under 5	10	0.31
9	7	Under 5	14180	3.02
10	6A	Under 5	54940	3.94
11	19A	Under 5	24320	9.88
12	3	Under 5	12160	1.25
13	8	Under 5	1350	0.1
14	9N	Under 5	20940	0.83
15	10	Under 5	4050	0.41
16	11	Under 5	72270	0.42
17	12	Under 5	10	0.21
18	15	Under 5	33100	1.98
19	16	Under 5	3380	0.21
20	20	Under 5	1350	0.01
21	22	Under 5	12160	0.93
22	23A	Under 5	3380	0.1
23	33	Under 5	680	0.42
24	35	Under 5	30400	0.31
25	38	Under 5	4050	0.42
26	6C	Under 5	27470	0.01
27	Oth	Under 5	24320	0.73
28	19F	Over 5	168100	28.51
29	23F	Over 5	314800	53.72
30	6B	Over 5	256700	29.53
31	14	Over 5	209800	99.43
32	9V	Over 5	114100	43.07
33	4	Over 5	62500	76.99
34	18C	Over 5	200700	24.39
35	1	Over 5	100	6.58
36	7	Over 5	100	46.88
37	6A	Over 5	158800	17.42
38	19A	Over 5	54900	20.54
39	3	Over 5	30800	55.04
40	8	Over 5	8800	11.21
41	9N	Over 5	8800	25.2
42	10	Over 5	20800	6.28
43	11	Over 5	97700	12.76
44	12	Over 5	100	13.89
45	15	Over 5	100	9.18
46	16	Over 5	191900	4.73
47	20	Over 5	25200	3.29
48	22	Over 5	72500	29.03
49	23A	Over 5	22000	4.4
50	33	Over 5	100	5.64
51	35	Over 5	71300	12.41
52	38	Over 5	100	1.43
53	6C	Over 5	79400	5.5
54	Oth	Over 5	330100	11.2

Katso myös

Biopolttoainearvioinnit
Avoin päätöksenteko rokotehankinnassa (suojattu sivu)
Duodecim 2013: Lasten pneumokokkirokotukset – menestystarina alkanut myös Suomessa [6]
THL:n sivu pneumokokkirokotteesta
Pneumokokkiohjelman vaikuttavuusarviointi (suojattu sivu)
Vakavan pneumokokkitaudin ilmaantuvuus Suomessa
FinIP-tutkimukset

Viitteet

@@ Rivi 109: / Rivi 109: @@
 * [https://www3.thl.fi/wiki03/x/CAGqAQ Epidemiological modelling]
-{{comment|# |Näistä vain keskimmäiseen pääsee thl:n ulkopuolelta käsiksi. Saisko nuo kasi muuta ladattua tänne tai Heandeen?|--[[Käyttäjä:Teemu R|Teemu R]] ([[Keskustelu käyttäjästä:Teemu R|keskustelu]]) 4. kesäkuuta 2014 kello 10.48 (UTC)}}
+{{comment|# |Näistä vain keskimmäiseen pääsee thl:n ulkopuolelta käsiksi. Saisko nuo kaksi muuta ladattua tänne tai Heandeen?|--[[Käyttäjä:Teemu R|Teemu R]] ([[Keskustelu käyttäjästä:Teemu R|keskustelu]]) 4. kesäkuuta 2014 kello 10.48 (UTC)}}
 === Laskenta ===

Ero sivun ”Pneumokokkirokotteen hankinta kansalliseen rokotusohjelmaan” versioiden välillä

Versio 4. kesäkuuta 2014 kello 10.52

Sisällys

Rajaus

Kysymys

Rajaus

Osallistujat

Oletettu käyttö ja käyttäjät

Päätökset

Vastaus

Kustannukset

Perustelut

Riippuvuudet

Wikistettävää aineistoa

Käytettäviä menetelmiä

Muuta aineistoa

Laskenta

Esimerkkejä

Funktioiden alustus

Data

Katso myös

Viitteet

Navigointivalikko