Vesiopas

Tällä sivulla oli ennen Vesiopas-koulutusta koskeva sivusto

Vesiopas - Arviointi juomaveden laadun terveysvaikutuksista

Tämä sivu on tietokide alatyypiltään arviointi. Sivutunniste: Op_fi2583
Moderaattori:Teemu R (katso kaikki) Sivun edistymistä ei ole arvioitu. Arvostuksen määrää ei ole arvioitu (ks. peer review).
Lisää dataa {{#opasnet_base_link:Op_fi2583}}

Arviointi laadun terveysvaikutuksista käsittelee juomaveden mahdollisia mikrobiologisia terveysriskejä. Mikrobiologisten riskien taustana on raakaveden kontaminoituminen mikrobeilla joista aiheutuu mahdollista terveyshaittaa vesijohtovettä käyttäville ihmisille, sekä juomaveden käsittelyprosessien tehokkuus, joka voi olla riittämätön poistamaan haitalliset mikrobit juomavedestä. Arvioinnilla määritetään, minkä suuruinen mahdollinen terveysriski on tietyillä raakaveden mikrobeilla. Arviointi perustuu matemaattiselle Vesiopas-mallille, joka esitellään alla.

Vesiopas-malli

Raakavesi: Patogeenien pitoisuudet Raakaveden luokitus: Pohjavesi - Puhdas Pohjavesi - Pintavesikuormitus Pintavesi - Vähäinen kuormitus Pintavesi - Keskisuuri kuormitus Pintavesi - Suuri kuormitus Kampylobakteeri-pitoisuus arvio (mikrobia/l): E.coli O157:H7 -pitoisuus arvio (mikrobia/l): Rotavirus-pitoisuus arvio (mikrobia/l): Norovirus-pitoisuus arvio (mikrobia/l): Cryptosporidium-pitoisuus arvio (mikrobia/l): Giardia-pitoisuus arvio (mikrobia/l): Vedenpuhdistus: Puhdistusprosessi ja klooraus Käytössä olevat puhdistusmenetelmät: Koagulaatio/flotaatio Koagulaatio toimii hyvin Koagulaatio on tehostettu Hiekkasuodatus Kalkkikivisuodatus Aktiivihiili Klooriannos (mg/l): Viipymäaika (h): Sivutuotteiden muodostumisaika (h): pH: Lämpötila: Bromidipitoisuus (mg/l): DOC (mg/l): Kaupungin oletusarvot: Käytä yllä määriteltyjä arvoja Kuopio Verkosto ja kuluttajat veden kulutus (ml): Altistuvan väestön koko: + Näytä koodi- Piilota koodi # UV-puhdistus poistettiin vaihtoehdoista, koska siinä jokin ongelma. library(OpasnetBaseUtils) library("xtable") # Input korjailua basesta, jos niin halutaan if(!(i.city == "Custom")) { city.default.inputs <- op_baseGetData("opasnet_base", i.city) if(!is.na(city.default.inputs$Result[city.default.inputs$Havainto == "arvo" & city.default.inputs$Parametri == "Cl.dose"])) { Cl.dose <- city.default.inputs$Result[city.default.inputs$Havainto == "arvo" & city.default.inputs$Parametri == "Cl.dose"]} if(!is.na(city.default.inputs$Result[city.default.inputs$Havainto == "arvo" & city.default.inputs$Parametri == "Cl.delay"])) { Cl.delay <- city.default.inputs$Result[city.default.inputs$Havainto == "arvo" & city.default.inputs$Parametri == "Cl.delay"]} if(!is.na(city.default.inputs$Result[city.default.inputs$Havainto == "arvo" & city.default.inputs$Parametri == "Cl.byprod.t"])) { Cl.byprod.t <- city.default.inputs$Result[city.default.inputs$Havainto == "arvo" & city.default.inputs$Parametri == "Cl.byprod.t"]} if(!is.na(city.default.inputs$Result[city.default.inputs$Havainto == "arvo" & city.default.inputs$Parametri == "Cl.pH"])) { Cl.pH <- city.default.inputs$Result[city.default.inputs$Havainto == "arvo" & city.default.inputs$Parametri == "Cl.pH"]} if(!is.na(city.default.inputs$Result[city.default.inputs$Havainto == "arvo" & city.default.inputs$Parametri == "Cl.temp"])) { Cl.temp <- city.default.inputs$Result[city.default.inputs$Havainto == "arvo" & city.default.inputs$Parametri == "Cl.temp"]} if(!is.na(city.default.inputs$Result[city.default.inputs$Havainto == "arvo" & city.default.inputs$Parametri == "Cl.Br"])) { Cl.Br <- city.default.inputs$Result[city.default.inputs$Havainto == "arvo" & city.default.inputs$Parametri == "Cl.Br"]} if(!is.na(city.default.inputs$Result[city.default.inputs$Havainto == "arvo" & city.default.inputs$Parametri == "Cl.DOC"])) { Cl.DOC <- city.default.inputs$Result[city.default.inputs$Havainto == "arvo" & city.default.inputs$Parametri == "Cl.DOC"]} } # Vesiopas -malli # Niputetaan raakaveden ja sen käsittelyn inputit siistiksi i.raw.pat.conc.val <- list(i.raw.pat.conc.Kamp, i.raw.pat.conc.Ecoli, i.raw.pat.conc.Rota, i.raw.pat.conc.Noro, i.raw.pat.conc.Crpt, i.raw.pat.conc.Giardia) # Annetaan raakaveden konsentraatiolle joku arvo inputtien perusteella, 2 mahdollista metodia: estimaatti, kirjallisuus ## Luokitukset raw.pat.conc.lit <- op_baseGetData("opasnet_base", "Op_fi2655") ## Pathogen <- c("Kampylobakteeri","E.coli O157:H7","Rotavirus","Norovirus","Cryptosporidium","Giardia") raw.pat.conc <- data.frame(Pathogen, Raw.pat.conc = NA) for(i in 1:length(i.raw.pat.conc.val)) { if(is.character(i.raw.pat.conc.val[[i]])) raw.pat.conc[i,2] <- raw.pat.conc.lit[raw.pat.conc.lit$Luokitus == i.raw.class & raw.pat.conc.lit$Patogeeni == Pathogen[i], "Result"] else raw.pat.conc[i,2] <- i.raw.pat.conc.val[[i]] } # Rakennetaan objekti, joka kertoo mitkä puhdistusmenetelmät ovat käytössä ja miten tehokkaita ne ovat treat.used <- data.frame(Treatment = c("Perinteinen puhdistus","Hyvin toimiva puhdistus","Tehostettu puhdistus","Hidas hiekkasuodatus", "Kalkkikivisuodatus","Aktiivihiilisuodatus","UV"), Active = 0) treat.used$Active[i.treat.used] <- 1 if(1 %in% i.treat.used) {if(2 %in% i.treat.used) {if(3 %in% i.treat.used){treat.used$Active[c(1,2)] <- 0} else {treat.used$Active[c(1,3)] <- 0}} else {treat.used$Active[c(2,3)] <- 0}} else {treat.used$Active[c(1,2,3)] <- 0} treat.pat.eff <- op_baseGetData("opasnet_base", "Op_fi2656") treat.pat.eff <- treat.pat.eff[,c("Patogeeni", "Vedenpuhdistusmenetelmä","Result")] colnames(treat.pat.eff)[1:2] <- c("Pathogen", "Treatment") treat.pat.reduct <- merge(treat.pat.eff, treat.used) treat.pat.reduct$active.reduct <- treat.pat.reduct$Result * treat.pat.reduct$Active treat.pat.reduct.tot <- as.data.frame(as.table(tapply(treat.pat.reduct$active.reduct, treat.pat.reduct$Pathogen, sum))) # lasketaan käytössä olevat # log vähenemät yhteen colnames(treat.pat.reduct.tot) <- c("Pathogen", "Treat.pat.reduct") # Desinfiointi, klooraus Cl.test.sens <- 0 f.Cl.pat.red <- function(ct, sens) { # Free chlorine disinfection log reduct estimation function out <- NA if (sum(sens) == 0) out <- 0 if (ct < sens[1] & sens[1] > 0) {out <- ct * (1 / sens[1])} if (ct >= sens[1] & sens[1] > 0) {out <- 1 + (ct - sens[1]) * (1 / (sens[2] - sens[1]))} if (ct >= sens[2] & sens[2] > 0) {out <- 2 + (ct - sens[2]) * (1 / (sens[3] - sens[2]))} if (ct >= sens[3] & sens[3] > 0 & sens[4] > 0) {out <- 3 + (ct - sens[3]) * (1 / (sens[4] - sens[3]))} if (ct >= sens[3] & sens[3] > 0 & sens[4] == 0) {out <- 3 + (ct - sens[3]) * (1 / (sens[3] - sens[2]))} if (ct >= sens[4] & sens[4] > 0 & sens[5] > 0) {out <- 4 + (ct - sens[4]) * (1 / (sens[5] - sens[4]))} if (ct >= sens[4] & sens[4] > 0 & sens[5] == 0) {out <- 4 + (ct - sens[4]) * (1 / (sens[4] - sens[3]))} if (ct >= sens[5] & sens[5] > 0) {out <- 5} out } f.tap.tthm.conc <- function(Method, ph, temp, doc, react.time, free.cl.dose, br.conc) { # TTHM concentration estimation function if(Method == "Amy") return(0.0412 * (doc ^ 1.098) * (free.cl.dose ^ 0.152) * (br.conc ^ 0.068) * (temp ^ 0.609) * (ph ^ 1.601) * (react.time ^ 0.263)) if(Method == "Rodriguez") return(0.044 * (doc ^ 1.030) * (react.time ^ 0.262) * (ph ^ 1.149) * (free.cl.dose ^ 0.277) * (temp ^ 0.968)) } #if(Cl.used == 1) { # parameter to be removed Mrt <- 12 N.cstr <- 6 Ttimes <- c(0.001,0.01,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1,1.1,1.2,1.3,1.4,1.5,1.6,2,2.5,4) Times <- Ttimes * Mrt Times.inc <- Times - c(0,Times[1:20]) Probability <- (Times^(N.cstr - 1) * exp(-N.cstr * Times / Mrt))/(factorial(N.cstr - 1) * (Mrt / N.cstr) ^ N.cstr) if(Cl.test.sens == 1) Cl.conc <- 0 else Cl.conc <- Cl.dose Cl.t.inact <- 0.13 Cl.conc.t <- Cl.conc * exp(-Cl.t.inact * Times) Cl.conc.t.inc <- Cl.conc.t * Times.inc Cl.conc.t.cum <- cumsum(Cl.conc.t.inc) Cl.conc.t.dist <- mean(sample(Cl.conc.t.cum, 10000, TRUE, Probability)) Cl.sens.pat <- data.frame(Cl.credits = rep(1:5, each = 6), Pathogen, Cl.sens = c(0.152,0.17,0.12,0.09,0,75,0.294,0.34,0.16,0.18,0,150,0.436, 0.52,0.2,0.245,0,216,0,1.06,0.3,0.314,0,0,0,0,0,0,0,0)) # log reductions for different "credits" Cl.pat.reduct <- NA for (i in 1:length(levels(Cl.sens.pat$Pathogen))) { Cl.pat.reduct[i] <- f.Cl.pat.red(Cl.conc.t.dist, Cl.sens.pat[Cl.sens.pat$Pathogen == Pathogen[i], "Cl.sens"]) # epärobustia koodia } Cl.pat.reduct <- data.frame(Pathogen, Cl.pat.reduct) tthm.tap.conc <- f.tap.tthm.conc("Amy", Cl.pH, Cl.temp, Cl.DOC, Cl.byprod.t, Cl.dose, Cl.Br) tthm.tap.conc <- data.frame(Tthm.tap.con = tthm.tap.conc) #} # Vedenkulutus k.v.kulutus <- 0.67 * v.kulutus / 1000 # keittämättömän veden kulutus (l) # Patogeeneille altistuminen, pääketju Exposure <- merge(raw.pat.conc, treat.pat.reduct.tot) Exposure <- merge(Exposure, Cl.pat.reduct) Exposure <- merge(Exposure, tthm.tap.conc) Exposure$Tap.pat.conc <- Exposure$Raw.pat.conc * 10 ^ (-(Exposure$Treat.pat.reduct + Exposure$Cl.pat.reduct)) Exposure$Exp.pat <- Exposure$Tap.pat.conc * k.v.kulutus # Terveysvaikutukset # vaeston rakenne, yht 99.17678 %, problem? vaesto <- op_baseGetData("opasnet_base", "Op_fi2652")[,c("Ikä","Result")] colnames(vaesto) <- c("Age", "Osuus") vaesto$Populaatio <- vaesto$Osuus * vaeston.koko odotettu.elinika <- 81 f.exact.beta.poisson <- function(Param1, Param2, Dose) 1 - exp(-(Param1 / (Param1 + Param2)) * Dose) f.beta.poisson.approx <- function(Param1, Param2, Dose) 1 - (1 + Dose / Param2)^(-Param1) f.exponential <- function(Param1, Dose) 1 - exp(-Param1 * Dose) f.alt.exponential <- function(Param1, Param2, Dose) 1 - (1 + (Dose / Param1))^(Param2) dose.response <- op_baseGetData("opasnet_base", "Op_fi2653") dose.response <- data.frame(Pathogen = unique(dose.response$Pathogen), Method = dose.response$Result.Text[dose.response$Parameter == "Function type"], Parameter1 = dose.response$Result[dose.response$Parameter == "Param1"], Parameter2 = dose.response$Result[ dose.response$Parameter == "Param2"]) dose.response <- merge(dose.response, Exposure[, c("Pathogen", "Exp.pat")]) for (i in 1:nrow(dose.response)) { if(dose.response$Method[i] == "Exact beta Poisson") dose.response$P.inf[i] <- f.exact.beta.poisson(dose.response$Parameter1[i], dose.response$Parameter2[i], dose.response$Exp.pat[i]) if(dose.response$Method[i] == "Beta Poisson approximation") dose.response$P.inf[i] <- f.beta.poisson.approx(dose.response$Parameter1[i], dose.response$Parameter2[i], dose.response$Exp.pat[i]) if(dose.response$Method[i] == "Exponential") dose.response$P.inf[i] <- f.exponential(dose.response$Parameter1[i], dose.response$Exp.pat[i]) if(dose.response$Method[i] == "Alternative exponential") dose.response$P.inf[i] <- f.alt.exponential(dose.response$Parameter1[i], dose.response$Parameter2[i], dose.response$Exp.pat[i]) } # infektioiden terveysvaikutukset P.ill.g.inf <- data.frame(Pathogen, P.ill.g.inf = c(0.33, 1 - (270 / 1540), 0.9, 0.7, 0.71, 1)) # todennäköisyys sairastua kun saa infektion # Kampylobakteeri, DALYt per infektio P.treat.g.ill.Kamp.Gastr <- data.frame(Pathogen = Pathogen[c(1,1,1)], Outcome = "Gastroenteritis", ill.treat = c("Untreated", "General practitioner", "Hospitalised", "Unspecified")[c(1,2,3)], P.treat.g.ill = c(0.7627, 0.2373, 0.0097)) P.treat.ill.g.inf.Kamp.Gastr <- merge(P.treat.g.ill.Kamp.Gastr, P.ill.g.inf) P.treat.ill.g.inf.Kamp.Gastr$P.treat.ill.g.inf <- P.treat.ill.g.inf.Kamp.Gastr$P.ill.g.inf * P.treat.ill.g.inf.Kamp.Gastr$P.treat.g.ill duration.ill.treat.Kamp.Gastr <- data.frame(Outcome = c("Gastroenteritis"), ill.treat = c("Untreated", "General practitioner", "Hospitalised", "Unspecified")[c(1,2,3)], dur.ill = c(5.1 / 365, 8.4 / 365, 14.39 / 365)) severity.ill.treat.Kamp.Gastr <- data.frame(Outcome = c("Gastroenteritis"), ill.treat = c("Untreated", "General practitioner", "Hospitalised", "Unspecified")[c(1,2,3)], sev.ill = c(0.067, 0.393, 0.393)) daly.ill.treat.Kamp.Gastr <- merge(P.treat.ill.g.inf.Kamp.Gastr, duration.ill.treat.Kamp.Gastr) daly.ill.treat.Kamp.Gastr <- merge(daly.ill.treat.Kamp.Gastr, severity.ill.treat.Kamp.Gastr) daly.ill.treat.Kamp.Gastr$dalys <- daly.ill.treat.Kamp.Gastr$P.treat.ill.g.inf * daly.ill.treat.Kamp.Gastr$dur.ill * daly.ill.treat.Kamp.Gastr$sev.ill P.death.g.ill.Gastr <- 0.0004 P.death.g.inf.Gastr <- P.death.g.ill.Gastr * P.ill.g.inf$P.ill.g.inf[P.ill.g.inf$Pathogen == "Kampylobakteeri"] death.Gastr.life.lost <- 13.2 daly.death.Kamp.Gastr <- P.death.g.inf.Gastr * death.Gastr.life.lost ## GBS Kamp. P.gbs.g.ill <- 2e-004 P.gbs.g.inf <- P.gbs.g.ill * P.ill.g.inf$P.ill.g.inf[P.ill.g.inf$Pathogen == "Kampylobakteeri"] dur.sev.factor.gbs <- data.frame(Outcome = c("Clinical GBS", "Residual GBS"), dur.sev.factor = c(0.29, 5.8)) # duration * severity * fraction? daly.Kamp.gbs <- data.frame(dur.sev.factor.gbs$Outcome, dalys = dur.sev.factor.gbs$dur.sev.factor * P.gbs.g.inf) P.death.g.gbs <- 0.08 / 3 # triangular 0.01, 0.02, 0.05 P.death.g.inf.gbs <- P.death.g.gbs * P.gbs.g.inf death.gbs.life.lost <- 18.7 daly.death.Kamp.gbs <- P.death.g.inf.gbs * death.gbs.life.lost ## reactive arthritis Kamp. P.arth.g.ill <- 0.02 # triangluar 0.01, 0.02, 0.03 P.arth.g.inf <- P.arth.g.ill * P.ill.g.inf$P.ill.g.inf[P.ill.g.inf$Pathogen == "Kampylobakteeri"] duration.arth <- 6 / 52 severity.arth <- 0.21 daly.Kamp.arth <- P.arth.g.inf * duration.arth * severity.arth # E.coli P.wd.g.ill <- 0.53 # watery diarrhea P.wd.g.inf <- P.wd.g.ill * P.ill.g.inf$P.ill.g.inf[P.ill.g.inf$Pathogen == "E.coli O157:H7"] severity.wd <- 0.067 duration.wd <- 3.4 / 365 daly.wd.Ecoli <- P.wd.g.inf * severity.wd * duration.wd P.hc.g.ill <- 0.47 P.hc.g.inf <- P.hc.g.ill * P.ill.g.inf$P.ill.g.inf[P.ill.g.inf$Pathogen == "E.coli O157:H7"] severity.hc <- 0.39 duration.hc <- 5.6 / 365 daly.hc.Ecoli <- P.hc.g.inf * severity.hc * duration.hc P.death.g.ill.Ecoli <- 0.00027 P.death.g.inf.Ecoli <- P.death.g.ill.Ecoli * P.ill.g.inf$P.ill.g.inf[P.ill.g.inf$Pathogen == "E.coli O157:H7"] age.death.Ecoli <- 81 - 13.2 daly.death.Ecoli <- P.death.g.inf.Ecoli * (odotettu.elinika - age.death.Ecoli) ## Haemolytic uraemic syndrome (HUS) P.hus.g.ill <- 0.01 P.hus.g.inf <- P.hus.g.ill * P.ill.g.inf$P.ill.g.inf[P.ill.g.inf$Pathogen == "E.coli O157:H7"] severity.hus <- 0.93 duration.hus <- 21 / 365 daly.hus.Ecoli <- P.hus.g.inf * severity.hus * duration.hus P.death.g.hus <- 0.04 P.death.hus.g.inf <- P.death.g.hus * P.hus.g.inf age.death.hus.Ecoli <- 81 - 26.2 daly.death.hus.Ecoli <- P.death.hus.g.inf * (odotettu.elinika - age.death.hus.Ecoli) ## End Stage Renal Disease (ESRD) P.esrd.g.hus <- 0.118 P.esrd.g.inf <- P.hus.g.inf * P.esrd.g.hus severity.duration.hus <- 8.7 # severity * duration daly.esrd.Ecoli <- P.esrd.g.inf * severity.duration.hus P.death.g.esrd <- 0.0252 P.death.esrd.g.inf <- P.esrd.g.inf * P.death.g.esrd age.death.esrd.Ecoli <- 81 - 34 daly.death.esrd.Ecoli <- P.death.esrd.g.inf * (odotettu.elinika - age.death.esrd.Ecoli) # Rotavirus P.treat.g.ill.Rotavirus <- data.frame(Pathogen = "Rotavirus", ill.treat = c("Untreated", "General practitioner", "Hospitalised")[rep(1:3, each = 82)], Age = rep(0:81, 3), P.treat.g.ill = c(rep(0.82,5), rep(0.95, 10), rep(0.99, 50), rep(0.97, 17), rep(0.137, 5), rep(0.0244, 5), rep(0.0511, 5), rep(0.0127, 50), rep(0.0299, 17), rep(0.0416, 5), rep(0.0213, 5), rep(0, 72))) P.treat.ill.g.inf.Rotavirus <- merge(P.treat.g.ill.Rotavirus, P.ill.g.inf) P.treat.ill.g.inf.Rotavirus$P.treat.g.inf <- P.treat.ill.g.inf.Rotavirus$P.ill.g.inf * P.treat.ill.g.inf.Rotavirus$P.treat.g.ill duration.ill.treat.Rotavirus <- data.frame(ill.treat = c("Untreated", "General practitioner","Hospitalised"), dur.ill = c(4.9 / 365, 7.1 / 365, 7.7 / 365)) severity.ill.treat.Rotavirus <- data.frame(ill.treat = c("Untreated", "General practitioner", "Hospitalised"), sev.ill = c(0.067, 0.393, 0.393)) daly.ill.treat.Rotavirus <- merge(P.treat.ill.g.inf.Rotavirus, duration.ill.treat.Rotavirus) daly.ill.treat.Rotavirus <- merge(daly.ill.treat.Rotavirus, severity.ill.treat.Rotavirus) daly.ill.treat.Rotavirus$dalys <- daly.ill.treat.Rotavirus$P.treat.g.inf * daly.ill.treat.Rotavirus$dur.ill * daly.ill.treat.Rotavirus$sev.ill P.death.Rotavirus <- data.frame(Age = 0:81, P.death.g.ill = c(rep(2.13e-005, 5), rep(0, 77))) P.death.Rotavirus$P.death.g.inf <- P.death.Rotavirus$P.death.g.ill * P.ill.g.inf$P.ill.g.inf[P.ill.g.inf$Pathogen == "Rotavirus"] P.death.Rotavirus$Life.lost <- odotettu.elinika - P.death.Rotavirus$Age daly.death.Rotavirus <- data.frame(Age = P.death.Rotavirus$Age, dalys = P.death.Rotavirus$P.death.g.inf * P.death.Rotavirus$Life.lost) # Norovirus P.treat.g.ill.Norovirus <- data.frame(Pathogen = "Norovirus", ill.treat = c("Untreated", "General practitioner", "Hospitalised")[rep(1:3, each = 82)], Age = rep(0:81, 3), P.treat.g.ill = c(rep(0.94876706,5), rep(0.9902, 5), rep(0.98239, 5), rep(0.98434, 51), rep(0.992741, 16), rep(0.0448,5), rep(8.6e-003, 5), rep(0.0154, 5), rep(0.0137, 51), rep(6.17e-003, 16), rep(6.43e-003,5), rep(1.2e-003, 5), rep(2.21e-003, 5), rep(1.96e-003, 51), rep(8.85e-004, 16))) P.treat.ill.g.inf.Norovirus <- merge(P.treat.g.ill.Norovirus, P.ill.g.inf) P.treat.ill.g.inf.Norovirus$P.treat.g.inf <- P.treat.ill.g.inf.Norovirus$P.ill.g.inf * P.treat.ill.g.inf.Norovirus$P.treat.g.ill duration.ill.treat.Norovirus <- data.frame(ill.treat = c("Untreated", "General practitioner","Hospitalised"), dur.ill = c(3.8 / 365, 5.73 / 365, 7.23 / 365)) severity.ill.treat.Norovirus <- data.frame(ill.treat = c("Untreated", "General practitioner", "Hospitalised"), sev.ill = c(0.067, 0.393, 0.393)) daly.ill.treat.Norovirus <- merge(P.treat.ill.g.inf.Norovirus, duration.ill.treat.Norovirus) daly.ill.treat.Norovirus <- merge(daly.ill.treat.Norovirus, severity.ill.treat.Norovirus) daly.ill.treat.Norovirus$dalys <- daly.ill.treat.Norovirus$P.treat.g.inf * daly.ill.treat.Norovirus$dur.ill * daly.ill.treat.Norovirus$sev.ill P.death.Norovirus <- data.frame(Age = 0:81, P.death.g.ill = c(rep(2.94e-006, 5), rep(0, 61), rep(2.04e-004, 16))) P.death.Norovirus$P.death.g.inf <- P.death.Norovirus$P.death.g.ill * P.ill.g.inf$P.ill.g.inf[P.ill.g.inf$Pathogen == "Norovirus"] P.death.Norovirus$Life.lost <- odotettu.elinika - P.death.Norovirus$Age daly.death.Norovirus <- data.frame(Age = P.death.Norovirus$Age, dalys = P.death.Norovirus$P.death.g.inf * P.death.Norovirus$Life.lost) # Cryptosporidium P.treat.g.ill.Crypt <- data.frame(Pathogen = "Cryptosporidium", ill.treat = c("Untreated", "General practitioner", "Hospitalised")[rep(1:3, each = 82)], Age = rep(0:81, 3), P.treat.g.ill = c(rep(0.9175730049999999,5), rep(0.80937, 5), rep(0.6810499999999999, 5), rep(0.9774191, 50), rep(0.94706, 17), rep(0.082,5), rep(0.188, 5), rep(0.316, 5), rep(0.0209, 50), rep(0.0367, 17), rep(4.26e-004,5), rep(2.63e-003, 5), rep(2.95e-003, 5), rep(1.66e-003, 50), rep(0.0146, 17))) P.treat.ill.g.inf.Crypt <- merge(P.treat.g.ill.Crypt, P.ill.g.inf) P.treat.ill.g.inf.Crypt$P.treat.g.inf <- P.treat.ill.g.inf.Crypt$P.ill.g.inf * P.treat.ill.g.inf.Crypt$P.treat.g.ill duration.ill.treat.Crypt <- data.frame(ill.treat = c("Untreated", "General practitioner","Hospitalised"), dur.ill = c(3.5 / 365, 7 /365, 18.4 / 365)) severity.ill.treat.Crypt <- data.frame(ill.treat = c("Untreated", "General practitioner", "Hospitalised"), sev.ill = c(0.067, 0.393, 0.393)) daly.ill.treat.Crypt <- merge(P.treat.ill.g.inf.Crypt, duration.ill.treat.Crypt) daly.ill.treat.Crypt <- merge(daly.ill.treat.Crypt, severity.ill.treat.Crypt) daly.ill.treat.Crypt$dalys <- daly.ill.treat.Crypt$P.treat.g.inf * daly.ill.treat.Crypt$dur.ill * daly.ill.treat.Crypt$sev.ill P.death.Crypt <- data.frame(Age = 0:81, P.death.g.ill = c(rep(9.95e-007, 5), rep(0, 10), rep(2.09e-005, 50), rep(1.64e-003, 17))) P.death.Crypt$P.death.g.inf <- P.death.Crypt$P.death.g.ill * P.ill.g.inf$P.ill.g.inf[P.ill.g.inf$Pathogen == "Cryptosporidium"] P.death.Crypt$Life.lost <- odotettu.elinika - P.death.Crypt$Age daly.death.Crypt <- data.frame(Age = P.death.Crypt$Age, dalys = P.death.Crypt$P.death.g.inf * P.death.Crypt$Life.lost) # Giardia P.treat.g.ill.Giardia <- data.frame(Pathogen = "Giardia", ill.treat = c("Untreated", "General practitioner", "Hospitalised")[rep(1:3, each = 82)], Age = rep(0:81, 3), P.treat.g.ill = c(rep(0.9376,5), rep(0.91034, 5), rep(0.72642, 5), rep(0.92486, 50), 0.54596, rep(0.5365, 16), rep(0.0609,5), rep(0.0852, 5), rep(0.272, 5), rep(0.0721, 50), rep(0.451, 17), rep(1.5e-003,5), rep(4.46e-003, 5), rep(1.58e-003, 5), rep(3.04e-003, 51), rep(0.0125, 16))) P.treat.ill.g.inf.Giardia <- merge(P.treat.g.ill.Giardia, P.ill.g.inf) P.treat.ill.g.inf.Giardia$P.treat.g.inf <- P.treat.ill.g.inf.Giardia$P.ill.g.inf * P.treat.ill.g.inf.Giardia$P.treat.g.ill duration.ill.treat.Giardia <- data.frame(ill.treat = c("Untreated", "General practitioner","Hospitalised"), dur.ill = c(10 / 365, 10 /365, 30 / 365)) severity.ill.treat.Giardia <- data.frame(ill.treat = c("Untreated", "General practitioner", "Hospitalised"), sev.ill = c(0.067, 0.393, 0.393)) daly.ill.treat.Giardia <- merge(P.treat.ill.g.inf.Giardia, duration.ill.treat.Giardia) daly.ill.treat.Giardia <- merge(daly.ill.treat.Giardia, severity.ill.treat.Giardia) daly.ill.treat.Giardia$dalys <- daly.ill.treat.Giardia$P.treat.g.inf * daly.ill.treat.Giardia$dur.ill * daly.ill.treat.Giardia$sev.ill # yhteenveto DALYistä Health.effects <- vaesto[,c("Age","Populaatio")] Health.effects$Untreated.Gastr.Kamp <- daly.ill.treat.Kamp.Gastr[daly.ill.treat.Kamp.Gastr$ill.treat == "Untreated", c("dalys")] Health.effects$GP.Gastr.Kamp <- daly.ill.treat.Kamp.Gastr[daly.ill.treat.Kamp.Gastr$ill.treat == "General practitioner", c("dalys")] Health.effects$Hospitalised.Gastr.Kamp <- daly.ill.treat.Kamp.Gastr[daly.ill.treat.Kamp.Gastr$ill.treat == "Hospitalised", c("dalys")] Health.effects$Death.Gastr.Kamp <- daly.death.Kamp.Gastr Health.effects$Clinical.GBS.Kamp <- daly.Kamp.gbs$dalys[1] Health.effects$Residual.GBS.Kamp <- daly.Kamp.gbs$dalys[2] Health.effects$Death.GBS.Kamp <- daly.death.Kamp.gbs Health.effects$Arth.Kamp <- daly.Kamp.arth Health.effects$WD.Ecoli <- daly.wd.Ecoli Health.effects$HC.Ecoli <- daly.hc.Ecoli Health.effects$Death.Ecoli <- daly.death.Ecoli Health.effects$HUS.Ecoli <- daly.hus.Ecoli Health.effects$Death.HUS.Ecoli <- daly.death.hus.Ecoli Health.effects$ESRD.Ecoli <- daly.esrd.Ecoli Health.effects$Death.ESRD.Ecoli <- daly.death.esrd.Ecoli Health.effects <- merge(Health.effects, daly.ill.treat.Rotavirus[daly.ill.treat.Rotavirus$ill.treat == "Untreated", c("Age", "dalys")]) colnames(Health.effects)[ncol(Health.effects)] <- "Untreated.Rotavirus" Health.effects <- merge(Health.effects, daly.ill.treat.Rotavirus[daly.ill.treat.Rotavirus$ill.treat == "General practitioner", c("Age", "dalys")]) colnames(Health.effects)[ncol(Health.effects)] <- "GP.Rotavirus" Health.effects <- merge(Health.effects, daly.ill.treat.Rotavirus[daly.ill.treat.Rotavirus$ill.treat == "Hospitalised", c("Age", "dalys")]) colnames(Health.effects)[ncol(Health.effects)] <- "Hospitalised.Rotavirus" Health.effects <- merge(Health.effects, daly.death.Rotavirus) colnames(Health.effects)[ncol(Health.effects)] <- "Death.Rotavirus" Health.effects <- merge(Health.effects, daly.ill.treat.Norovirus[daly.ill.treat.Norovirus$ill.treat == "Untreated", c("Age", "dalys")]) colnames(Health.effects)[ncol(Health.effects)] <- "Untreated.Norovirus" Health.effects <- merge(Health.effects, daly.ill.treat.Norovirus[daly.ill.treat.Norovirus$ill.treat == "General practitioner", c("Age", "dalys")]) colnames(Health.effects)[ncol(Health.effects)] <- "GP.Norovirus" Health.effects <- merge(Health.effects, daly.ill.treat.Norovirus[daly.ill.treat.Norovirus$ill.treat == "Hospitalised", c("Age", "dalys")]) colnames(Health.effects)[ncol(Health.effects)] <- "Hospitalised.Norovirus" Health.effects <- merge(Health.effects, daly.death.Norovirus) colnames(Health.effects)[ncol(Health.effects)] <- "Death.Norovirus" Health.effects <- merge(Health.effects, daly.ill.treat.Crypt[daly.ill.treat.Crypt$ill.treat == "Untreated", c("Age", "dalys")]) colnames(Health.effects)[ncol(Health.effects)] <- "Untreated.Crypt" Health.effects <- merge(Health.effects, daly.ill.treat.Crypt[daly.ill.treat.Crypt$ill.treat == "General practitioner", c("Age", "dalys")]) colnames(Health.effects)[ncol(Health.effects)] <- "GP.Crypt" Health.effects <- merge(Health.effects, daly.ill.treat.Crypt[daly.ill.treat.Crypt$ill.treat == "Hospitalised", c("Age", "dalys")]) colnames(Health.effects)[ncol(Health.effects)] <- "Hospitalised.Crypt" Health.effects <- merge(Health.effects, daly.death.Crypt) colnames(Health.effects)[ncol(Health.effects)] <- "Death.Crypt" Health.effects <- merge(Health.effects, daly.ill.treat.Giardia[daly.ill.treat.Giardia$ill.treat == "Untreated", c("Age", "dalys")]) colnames(Health.effects)[ncol(Health.effects)] <- "Untreated.Giardia" Health.effects <- merge(Health.effects, daly.ill.treat.Giardia[daly.ill.treat.Giardia$ill.treat == "General practitioner", c("Age", "dalys")]) colnames(Health.effects)[ncol(Health.effects)] <- "GP.Giardia" Health.effects <- merge(Health.effects, daly.ill.treat.Giardia[daly.ill.treat.Giardia$ill.treat == "Hospitalised", c("Age", "dalys")]) colnames(Health.effects)[ncol(Health.effects)] <- "Hospitalised.Giardia" Health.effects <- reshape(Health.effects, idvar = c("Age"), times = colnames(Health.effects)[-c(1,2)], timevar = "Outcome", varying = list(colnames(Health.effects)[-c(1,2)]), direction = "long") colnames(Health.effects)[4] <- "P.daly.g.inf" Health.effects$Pathogen <- NA Health.effects$Pathogen[grep(".Kamp", Health.effects$Outcome)] <- Pathogen[1] Health.effects$Pathogen[grep(".Ecoli", Health.effects$Outcome)] <- Pathogen[2] Health.effects$Pathogen[grep(".Rotavirus", Health.effects$Outcome)] <- Pathogen[3] Health.effects$Pathogen[grep(".Norovirus", Health.effects$Outcome)] <- Pathogen[4] Health.effects$Pathogen[grep(".Crypt", Health.effects$Outcome)] <- Pathogen[5] Health.effects$Pathogen[grep(".Giardia", Health.effects$Outcome)] <- Pathogen[6] Health.effects <- merge(Health.effects, dose.response[,c("Pathogen", "P.inf")]) Health.effects$DALYs <- (1 - (1 - Health.effects$P.inf * Health.effects$P.daly.g.inf)^365) * Health.effects$Populaatio # TTHM terveysvaikutukset (ylimääräiset virtsarakon syövät) bladder.cancer.incidence <- data.frame(Age = 0:81, Incidence = c(rep(0, 5), rep(1.7, 5), rep(0, 5), rep(1.3, 5), rep(1, 5), rep(0, 5), rep(1.1, 5), rep(5.5, 5), rep(11.7, 5), rep(30.6, 5), rep(53, 5), rep(85.2, 5), rep(173.7, 5), rep(245.3, 5), rep(304.6, 5), rep(389.8, 5), rep(441.3, 2))) bladder.cancer.slope <- log(1.006134) bladder.cancer.OR <- data.frame(OR = exp(bladder.cancer.slope * tthm.tap.conc[1,1] * k.v.kulutus)) bladder.cancer.excess <- merge(bladder.cancer.incidence, vaesto) bladder.cancer.excess <- merge(bladder.cancer.excess, bladder.cancer.OR) bladder.cancer.excess$Cases <- bladder.cancer.excess$Populaatio * bladder.cancer.excess$Incidence * (bladder.cancer.excess$OR - 1) / bladder.cancer.excess$OR / 100000 bladder.cancer.dalys <- bladder.cancer.excess[, c("Age", "Cases")] bladder.cancer.dalys$Survival.rate <- c(rep(0.83, 55), rep(0.7, 10), rep(0.65, 10), rep(0.51, 7)) bladder.cancer.dalys$Survivors <- bladder.cancer.dalys$Cases * bladder.cancer.dalys$Survival.rate bladder.cancer.dalys$Terminal.cases <- bladder.cancer.dalys$Cases * (1 - bladder.cancer.dalys$Survival.rate) bladder.cancer.dalys <- reshape(bladder.cancer.dalys[,c("Age", "Survivors", "Terminal.cases")], idvar = "Age", times = c("Survivors", "Terminal.cases"), timevar = "Cases", varying = list(c("Survivors", "Terminal.cases")), direction = "long") colnames(bladder.cancer.dalys)[3] <- "Count" cancer.clinical.free.dur <- data.frame(Cases = c("Survivors", "Terminal.cases"), Clinical.free.state = c(4.88, 2.55)) cancer.initial.treatment.dur <- data.frame(Initial.treatment = 0.12) cancer.pre.terminal.dur <- data.frame(Cases = "Terminal.cases", Pre.terminal = 0.75) cancer.terminal.dur <- data.frame(Cases = "Terminal.cases", Terminal = 0.08) cancer.death.dur <- data.frame(Cases = "Terminal.cases", Age = 0:81, Death = 81:0) cancer.dur <- merge(bladder.cancer.dalys[,c("Age", "Cases")], cancer.clinical.free.dur, all = TRUE) cancer.dur <- merge(cancer.dur, cancer.initial.treatment.dur, all = TRUE) cancer.dur <- merge(cancer.dur, cancer.pre.terminal.dur, all = TRUE) cancer.dur <- merge(cancer.dur, cancer.terminal.dur, all = TRUE) cancer.dur <- merge(cancer.dur, cancer.death.dur, all = TRUE) cancer.dur <- reshape(cancer.dur, idvar = c("Age", "Cases"), times = colnames(cancer.dur)[-c(1,2)], timevar = "Outcome", varying = list(colnames(cancer.dur)[-c(1,2)]), direction = "long") colnames(cancer.dur)[4] <- "Duration" cancer.clinical.free.sev <- data.frame(Clinical.free.state = 0.18) cancer.initial.treatment.sev <- data.frame(Initial.treatment = 0.27) cancer.pre.terminal.sev <- data.frame(Cases = "Terminal.cases", Pre.terminal = 0.64) cancer.terminal.sev <- data.frame(Cases = "Terminal.cases", Terminal = 0.93) cancer.death.sev <- data.frame(Cases = "Terminal.cases", Age = 0:81, Death = 1) cancer.sev <- merge(bladder.cancer.dalys[,c("Age", "Cases")], cancer.clinical.free.sev, all = TRUE) cancer.sev <- merge(cancer.sev, cancer.initial.treatment.sev, all = TRUE) cancer.sev <- merge(cancer.sev, cancer.pre.terminal.sev, all = TRUE) cancer.sev <- merge(cancer.sev, cancer.terminal.sev, all = TRUE) cancer.sev <- merge(cancer.sev, cancer.death.sev, all = TRUE) cancer.sev <- reshape(cancer.sev, idvar = c("Age", "Cases"), times = colnames(cancer.sev)[-c(1,2)], timevar = "Outcome", varying = list(colnames(cancer.sev)[-c(1,2)]), direction = "long") colnames(cancer.sev)[4] <- "Severity" bladder.cancer.dalys <- merge(bladder.cancer.dalys, cancer.dur) bladder.cancer.dalys <- merge(bladder.cancer.dalys, cancer.sev) bladder.cancer.dalys$DALYs <- bladder.cancer.dalys$Count * bladder.cancer.dalys$Duration * bladder.cancer.dalys$Severity # Matala syntymäpaino syntymia.vuodessa <- vaeston.koko * 1170 / 1e5 sga.esiintyvyys <- syntymia.vuodessa * 0.1 sga.slope <- 0.0009955 sga.OR <- exp(sga.slope * tthm.tap.conc[1,1] * k.v.kulutus) sga.excess <- (sga.OR - 1) * sga.OR * sga.esiintyvyys # temp <- merge(dose.response, P.ill.g.inf) ############# TULOKSET ######################################################################################################### cat("<span style='font-size: 1.2em;font-weight:bold;'>Patogeenien konsentraatio raakavedessä</span>\n") print(xtable(raw.pat.conc), type='html') # Patogeenien konsentraatio raakavedessä cat("<span style='font-size: 1.2em;font-weight:bold;'>Patogeenien log vähenemä puhdistuksessa</span>\n") print(xtable(treat.pat.reduct.tot), type='html') # Patogeenien log vähenemä puhdistuksessa cat("<span style='font-size: 1.2em;font-weight:bold;'>Patogeeneille altistuminen ja infektion todennäköisyys</span>\n") print(xtable(dose.response[,c("Pathogen", "Exp.pat", "P.inf")]), type="html") # Patogeeneille altistuminen ja infektion todennäköisyys cat("<span style='font-size: 1.2em;font-weight:bold;'>Arvioitu terveysvaikutus</span>\n") cat(sum((1 - (1 - temp$P.ill.g.inf * temp$P.inf)^365) * vaeston.koko), " vatsatautia vuodessa \n") cat(sum(Health.effects$DALYs), " DALY:ä vatsataudeista \n") #cat(sum(bladder.cancer.dalys$DALYs, na.rm = TRUE), " DALY:ä virtsarakon syövistä vuodessa johtuen TTHM pitoisuudesta \n") #cat(sga.excess, " vastasyntynyttä vuodessa kärsii matalasta syntymäpainosta johtuen TTHM pitoisuudesta \n")

Malli on käännetty Analyticasta, R:lle. Alkuperäinen malli löytyy täältä: Tiedosto:Vesiopas.ANA. Mikäli "Patogeenipitoisuus arvio" -kenttä jätetään tekstimuotoiseksi, ladataan raakaveden luokituksen mukainen arvo tietokannasta.

Käyttöohjeet Vesiopas-mallille

1. Valitse raakaveden luokitus

• Pohjavesi - Puhdas
  • Puhdasta pohjavettä
• Pohjavesi - Pintavesikuormitus
  • esim. rantaimeytymistä
• Pintavesi - Vähäinen kuormitus
  • Suhteellisen puhdasta pintavettä
• Pintavesi - Keskisuuri kuormitus
  • esim. pienehkö jätevesikuormitus
• Pintavesi - Suuri kuormitus
  • esim. jätevesikuormitus

TAI

Kirjoita patogeenien pitoisuudet niiden laatikoihin. Jos "Patogeenipitoisuus arvio" -kenttä jätetään tekstimuotoiseksi, ladataan raakaveden luokituksen mukainen arvo tietokannasta.

2. Valitse puhdistusprosessit. Huom! Voit valita monta vaihtoehtoa

3. Valitse onko klooraus käytössä vai ei syöttämällä käytetty klooriannos (mg/l). Mikäli kloorausta ei ole, annokseksi tulee 0 mg/l. Klooraukseen liittyvät arvot on ilmoitettu oletusarvoina mutta niitä voi muuttaa haluttaessa. Jos valitset "Kaupungin oletusarvot", tulos lasketaan oletusarvojen perusteella huolimatta siitä onko niitä muutettu vai ei.

4. Ilmoita juomaveden kulutus vuorokautta kohden millilitroina.

5. Ilmoita kohdealueen väestön lukumäärä.

6. Tuloksen saa näkyviin uudelle sivulle "aja koodi" kohdasta.

Tulosten tulkinta

R-tools -nimiselle välilehdellä ilmoitetaan tulos. Kolmesta ensimmäisestä vihreästä laatikosta näkee millaisia lähtöarvoja malliin on syötetty. Kaksi alinta laatikko ilmoittavat mallin tulokset:

• Montako vatsatautitapausta alueella on vuodessa
• Monta DALYa eli toimintakyvyn vajaavuudella painotettua elinvuotta menetetään vatsatautitapausten vuoksi ko. alueella

Rajaus

Tässä tarkastellaan juomaveden mikrobiologisia riskejä sekä niiden aiheuttamia terveysvaikutuksia. Minkä tahansa malliin sopivan vedenpuhdistuslaitoksen tiedot voidaan syöttää arviointiin lähtötiedoiksi.

Määritelmä

Talousveden laadulle on asetettu terveysperusteisia laatuvaatimuksia ja -suosituksia. Laatua koskevasta lainsäädännästä vastaa Sosiaali- ja terveysministeriö ja laadun valvonnasta kuntien terveydensuojeluviranomaiset. Hyvän veden laadun ylläpitäminen ja kehittäminen edellyttävät korkealaatuista tutkimusta ja yhteistyötä eri tahojen kanssa. Pohjavesiä tai tekopohjavesiä ei yleensä desinfioida. Raakaveden sisältämät kemikaalit, mikrobit tai talousveden valmistuksessa muodostuvat desinfioinnin sivutuotteet voivat aiheuttaa terveysriskejä talousveden käyttäjille. Vesilaitokselta lähtevä vesi saattaa viipyä pitkiäkin aikoja verkostossa. Mikäli olosuhteet ovat mikrobikasvustolle suotuisat, vesi voi muuttua verkostossa ja kiinteistöjen vesijärjestelmissä huonolaatuiseksi ja jopa terveydelle haitalliseksi.

Talousvesi tuotetaan joko pohja- tai pintavedestä. Näillä on erilaiset ongelmat. Pintaveden käyttö vaatii aina varsinaisen vesilaitoksen perustamista ja siihen liittyvää tietoa, taitoa ja tekniikkaa sekä koulutettua valvontahenkilöstöä. Pohjavesi taas ei vaadi kovin monimutkaista käsittelyä, joten varsinaista vesilaitoshenkilökuntaa tarvitaan varsin vähän ja valvontakin on vähäisempää. Lisäksi meillä on nykyään useita vesilaitoksia, jotka valmistavat tekopohjavettä. Ominaisuuksiltaan tekopohjavedet saattavat olla hyvien pohjavesien kaltaisia, mutta usein vain keskitasoisen pintaveden veroisia.

Pohjaveden käsittelyyn kuuluu tavallisesti veden pH:n ja kovuuden nosto. Tähän voidaan käyttää erilaisia tekniikoita, joista pH:n säädössä kalsiumhydroksidin ja hiilidioksidin käyttö lienee yleisimpiä. Toisinaan tarvitaan lisäksi raudan tai mangaanin saostaminen vahvoilla hapettimilla kuten permanganaatilla tai kloorilla. Lisäksi heikkolaatuiset pohjavedet desinfioidaan.

Jotta pintavedestä saataisiin hyvää juomavettä, sitä joudutaan käsittelemään varsin rankasti. Vaikeinta on saada pintaveden humusainekset saostettua. Tähän käytetään erilaisten saostuskemikaalien lisäksi mm. pH:n säätöä ja humusaineksen pilkkomista voimakkailla hapettimilla kuten otsonilla. Lisäksi saostuskemikaalien (esim. alumiinin ja raudan suolat) jäämät on poistettava ja veden kovuutta nostettava niin, ettei putkisto aikojen kuluessa haperru. Väestö on myös suojattava pintavesissä aina piileviltä mikrobeilta, joten vesi täytyy desinfioida tautia aiheuttavien mikrobien, patogeenien, poistamiseksi.

Veden laatuun vaikuttavat myös verkoston kunto ja veden verkostossa viipymä aika. Jos verkostoon on kertynyt runsaasti saostumia, nämä sakat sisältävät erilaisten epäorgaanisten yhdisteiden lisäksi valtavasti bakteerimassaa. Verkoston saostumien ominaisuuksia ja niiden vaikutusta veden laatuun on Suomessa alettu tutkia vasta viime aikoina.

Riskinarvioinnin tarkoituksena on tuottaa tietoa riskin todellisesta suuruudesta päätöksentekoa varten. Riskinarviointi on tieteellinen prosessi, jossa asiantuntijoilla on keskeinen rooli. Koska tutkittavia riskejä monenlaisia, riskinarviointiprosessit voivat olla hyvin erilaisia. Ympäristöterveyden alalla riskinarvioinnin katsotaan tavallisesti koostuvan neljästä vaiheesta:

• 1. Vaaran tunnistaminen (aiheuttaako tutkittava tekijä vaaraa ihmiselle?)
• 2. Annosvasteen arviointi (mikä on annoksen ja vaikutuksen suhde?)
• 3. Altistumisen arviointi (kuinka paljon ihmiset altistuvat?)
• 4. Riskin karakterisointi (kuinka suuri on terveysriski?)

Kaikkien vesilaitosten tulisi ajoittain tehdä talousvedelle riskinarviointi. Siinä selvitetään toimenpiteet eri kriisitilanteita varten ja laaditaan suunnitelmat eri ongelmatilanteita ja mahdollisia vahinkoja varten. Erilaiset vesilaitokset ja esimerkiksi lomakeskukset tarvitsevat erilaiset suunnitelmat ja toteutukset.

Moduulit

• Päästöt
• Kulkeutuminen
• Altistuminen
• Terveysvaikutukset
• Riskinhallinta

Muuttujat

• Patogeenit
• Patogeenien pitoisuudet raakavedessä
• Vedenkäsittelyn tehokkuus
• UV-puhdistuksen teho
• Klooraus
• Patogeenien pitoisuudet puhdistetussa juomavedessä
• Verkostoriskit
• Vedenkulutus
• Patogeeneille altistuminen
• Patogeenien terveysvaikutukset
• Populaation koko
• Väestön ikärakenne
• Odotettu elinikä
• Mikrobien annosvasteet
• Infektion vuosittainen todennäköisyys
• Vatsatautien tapaukset
• Patogeenien DALYt vatsataudille

Data

• Raakaveden patogeenipitoisuudet
• Suomen ikäjakauma
• Vedenkäsittelyn tehokkuus
• Patogeenien annosvasteet

Katso myös

• Arviointi pohjavesilaitoksen mikrobiologisista riskeistä
• Arviointi juomaveden kloorifenolien terveysvaikutuksista
• Arviointi juomaveden laadun terveysvaikutuksista/Kuopio
• heande:Kuovesi

• http://fi.wikipedia.org/wiki/Riskinarviointi
• http://wanda.uef.fi/tkk/avoin/ymp_terveys/riski/riskinarviointi.html
• http://www.fao.org/docrep/006/y4666e/y4666e06.htm#TopOfPage
• http://wiki.camra.msu.edu/index.php?title=Main_Page
• http://www.medicina.fi/index.php?option=com_content&view=article&id=48&Itemid=56#I
• Vesiopas toteutus
• Conpat
• Vesiopas/Laitos A

Aiheeseen liittyviä tiedostoja

<mfanonymousfilelist></mfanonymousfilelist>