Ero sivun ”Radonin terveysvaikutukset” versioiden välillä

Versio 16. marraskuuta 2013 kello 20.39

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)

collapsemarg <- function(object, marginals, fun = sum) {
	object@output <- dropall(object@output)
	temp <- as.data.frame(as.table(tapply(result(object), object@output[marginals], fun)))
	colnames(temp)[colnames(temp) == "Freq"] <- "Result"
	out <- EvalOutput(Ovariable(object@name, data = temp))
	return(out)
}

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

N <- 2

###### VÄESTÖ

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

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

# Summaa taloista pois perhekoko ja muodosta uusi ovariable asukkaat.

talot@output <- talot@output[talot@output$Kunta == "Akaa" , ] ########### POISTA TÄMÄ

levels(talot@output$Talotyyppi) <- ifelse(
	levels(talot@output$Talotyyppi) == "Asuinkerrostalo", 
	"Kerrostalo", 
	"Pientalo"
)
talot@output <- dropall(talot@output)

talot <- collapsemarg(talot, c("Kunta", "Talotyyppi"), sum)
#colnames(dat)[colnames(dat) == "Freq"] <- "Result"
#asukkaat <- EvalOutput(Ovariable("asukkaat", data = dat), N = N)

kunnat <- EvalOutput(kunnat, N = N)

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


aluevastaavuus <- EvalOutput(Ovariable("aluevastaavuus", 
	data = {
		dat <- tidy(opbase.data("Op_fi2760.maakunnat_ja_sairaanhoitopiirit"))
		colnames(dat)[colnames(dat) == "Result"] <- "Sairaanhoitopiiri"
		dat$Result <- 1
		dat
	}
))

väestö <- kunnat * talot * aluevastaavuus * tupakointi

###### altistus

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

radonpit <- EvalOutput(radonpit, N = N)

radonpit@output <- radonpit@output[radonpit@output$Maakunta == "Pirkanmaa" , ] ############# POISTA TÄMÄ

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


altistus <- orbind(
	tupakkaaltistus * EvalOutput(Ovariable(data = data.frame(Altiste = "Tupakka", Result = 1)), N = N), 
	radonpit * EvalOutput(Ovariable(data = data.frame(Altiste = "Radon", Result = 1)), N = N)
) 

altistus <- EvalOutput(Ovariable("altistus", data = altistus), N = N)

altistus@output <- fillna(altistus@output, c("Tupakka", "Maakunta", "Talotyyppi"))
#colnames(temp)[colnames(temp) == "altistusResult"] <- "Result"
#temp <- EvalOutput(Ovariable("temp", data = temp))

######## Syöpäkuolleisuus

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

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

syopakuolleisuus <- EvalOutput(syopakuolleisuus, N = N)

####### Relative risk

ERF <- EvalOutput(Ovariable("ERF", data = data.frame(Altiste = c("Radon", "Tupakka"), Result = c(1.006, 20))), N = N)

tausta.altistus <- 0 # Radonille voisi olla 5.

RR <- exp(log(ERF) * (altistus - tausta.altistus)) # Relative risk given the exposures

####### taustariski

# Calculate subgroup-specific background risks by first calculating a temporary burden estimate.
# temp is a population-weighted sum of relative risks. The actual disease risk is divided by this value and then multiplied
# by the subgroup-specific relative risk. In this way, the total burden of all subgroups equals to what is actually seen.

kokonaisvaikutus <- syopakuolleisuus * väestö

temp <- collapsemarg(RR, c("Maakunta", "Iter", "Tupakka", "Talotyyppi"), prod) 
temp <- temp * väestö
temp <- temp / collapsemarg(temp, c("Sairaanhoitopiiri", "Sukupuoli", "Iter"), sum)
tausta <- kokonaisvaikutus * temp

########### PAF

väestöosuus <- 1

RR <- exp(log(ERF) * (altistus - tausta.altistus))

PAF <- väestöosuus * (RR - 1) / (väestöosuus * (RR - 1) + 1)
#PAF@output <- fillna(PAF@output, c("Tupakka", "Talotyyppi", "Maakunta"))

######### vaikutus

vaikutus <- väestö * syopakuolleisuus * PAF

vaikutus@output <- vaikutus@output[!is.na(vaikutus@output$Result) , ]

vaikutusrr <- väestö * tausta * RR

ggplot(asukkaat@output, aes(x = asukkaatResult)) + geom_density()
ggplot(altistus@output, aes(x = altistusResult)) + geom_density()
ggplot(altistus@output, aes(x = altistusResult, fill = Altiste)) + geom_density()
ggplot(vaikutus@output, aes(weight = vaikutusResult, fill = Altiste)) + geom_bar()
ggplot(vaikutus@output, aes(weight = Result, x = Altiste)) + geom_bar()
ggplot(vaikutusrr@output, aes(weight = Result, x = Altiste)) + geom_bar()


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)

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.)

Maakunnat ja sairaanhoitopiirit(-)
Obs	Maakunta	Sairaanhoitopiiri
1	Ahvenanmaa	Åland
2	Etelä-Karjala	Etelä-Karjala
3	Etelä-Pohjanmaa	Etelä-Pohjanmaa
4	Etelä-Savo	Etelä-Savo
5	Uusimaa	Helsinki ja Uusimaa
6	Itä-Uusimaa
7		Itä-Savo
8	Kainuu	Kainuu
9	Kanta-Häme	Kanta-Häme
10	Keski-Pohjanmaa	Keski-Pohjanmaa
11	Keski-Suomi	Keski-Suomi
12		Koko maa
13	Kymenlaakso	Kymenlaakso
14		Länsi-Pohja
15	Lappi	Lappi
16	Päijät-Häme	Päijät-Häme
17	Pirkanmaa	Pirkanmaa
18	Pohjanmaa
19	Pohjois-Karjala	Pohjois-Karjala
20	Pohjois-Pohjanmaa	Pohjois-Pohjanmaa
21	Pohjois-Savo	Pohjois-Savo
22	Satakunta	Satakunta
23		Vaasa
24	Varsinais-Suomi	Varsinais-Suomi
25	Yhteensä

Katso myös

Viitteet

Aiheeseen liittyviä tiedostoja

Ero sivun ”Radonin terveysvaikutukset” versioiden välillä

Versio 16. marraskuuta 2013 kello 20.39

Sisällys

Kysymys

Vastaus

Perustelut

Kaava

Katso myös

Viitteet

Aiheeseen liittyviä tiedostoja

Navigointivalikko