Radonin terveysvaikutukset

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?

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

n: talo: Kerrostalo Pientalo tupakka: Kyllä Ei vaste: Radon Asukkaita Sairastuvuus Tupakoivien osuus Kokonaisvaikutus Radonvaikutus + Näytä koodi- Piilota koodi library(sorvi) library(OpasnetUtils) library(ggplot2) kunnat <- opbase.data("Op_fi3907") # [[Suomen 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$Talotyyppi=="Asuinkerrostalo", "Kerrostalo", "Pientalo") #head(talot) väki <- data.frame(Asuntokunta = c("1 henk.", "2 henk.", "3 henk.", "4 henk.", "5 henk.", "6 henk.", "7+ henk."), n = 1:7) talot <- merge(talot, väki) #head(talot) talot$Result <- talot$Result * talot$n talot <- as.data.frame(as.table(tapply(talot$Result, list(talot$Kunta, talot$Talotyyppi), sum))) colnames(talot) <- c("Kunta", "Talo", "Asukkaita") #head(talot) talot <- merge(talot, kunnat) #head(talot) out <- merge(out, talot) #head(out) rr.radon <- 1.0016 rr.tupakka <- 20 tausta.altistus <- 5 tausta.sairastuvuus <- data.frame( Maakunta = rep(c("Uusimaa", "Itä-Uusimaa", "Varsinais-Suomi", "Satakunta", "Kanta-Häme", "Pirkanmaa", "Päijät-Häme", "Kymenlaakso", "Etelä-Karjala", "Etelä-Savo", "Itä-Savo", "Pohjois-Karjala", "Pohjois-Savo", "Keski-Suomi", "Pohjanmaa", "Vaasa", "Keski-Pohjanmaa", "Pohjois-Pohjanmaa", "Kainuu", "Länsi-Pohja", "Lappi", "Ahvenanmaa", "Koko maa"), 2), Sukupuoli = (rep( c("Miehet", "Naiset"), each = 23)), Sairastuvuus = c(29.5, 29.5, 26.3, 30.2, 30.3, 26.5, 26.9, 26.6, 29.0, 26.1, 28.7, 29.0, 26.7, 24.7, 26.1, 26.1, 29.8, 30.9, 28.3, 33.7, 34.3, 27.9, 28.2, 11.8, 11.8, 9.2, 7.7, 9.0, 7.7, 7.7, 9.5, 7.2, 7.4, 6.6, 5.8, 5.4, 6.0, 5.9, 8.7, 9.3, 8.7, 7.9, 10.1, 11.3, 13.9, 8.8)) tupakoivat <- data.frame(Sukupuoli = rep(c("Miehet", "Naiset"), 2), Tupakoivien.osuus = rep(c(0.22, 0.16), 2), Tupakka = rep(c("Kyllä", "Ei"), each = 2)) out <- merge(out, tausta.sairastuvuus) out <- merge(out, tupakoivat) out$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

• [5] Tilastokeskuksen data asunnoista talotyypeittäin.
• heande:Radon sisäilma altistus Suomi
• op_en:Radon
• Suomen kunnat
• Radon sisäilmassa

Aiheeseen liittyviä tiedostoja

<mfanonymousfilelist></mfanonymousfilelist>