Ero sivun ”Radonin terveysvaikutukset” versioiden välillä

Versio 20. marraskuuta 2013 kello 05.24

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?

Laskenta

+ Näytä koodi - Piilota koodi

library(OpasnetUtils)
library(ggplot2)

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

###### OSA 1: VÄESTÖ

### TALOT

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

# Yksinkertaista talotyyppiluokittelua ja summaa taloista pois perhekoko.

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

talot <- collapsemarg(talot, "Vuosi", fun = "pick", picks = list(c("2010")))
talot <- collapsemarg(talot, c("Asuntokunta"), "sum")

### KUNNAT

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

### TUPAKOINTI JA ALUEVASTAAVUUS

tupakointi <- 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)
	)
)

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

### VÄESTÖN LASKENTA

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

		out <- kunnat * talot * aluevastaavuus * tupakointi

		return(out)
	}
)

###### OSA 2: RISKISUHTEET

### ALTISTUS

# RADON

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

radon$Altiste <- "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(Tupakka = c("Kyllä", "Ei"), Altiste = "Tupakka", Result = c(1, 0))
)

# ALTISTUS YHTEENSÄ

altistus <- Ovariable("altistus", 
	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("Tupakka", "Maakunta", "Talotyyppi")) # Tätä on muutettava, jos toiseen lisätään indeksejä.

		return(out)
	}
)

### SUHTEELLINEN RISKI

# Annosvasteiden perustiedot.

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

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

RR <- Ovariable("RR",
	dependencies = data.frame(Name = c("ERF", "altistus", "tausta.altistus")),
	formula = function(...) {

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

		return(out)
	}
)

### 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)

###### OSA 3: TAUTIKUORMA

### ARVIO PERUSTUEN POPULATION ATTRIBUTABLE FRACTIONIIN
# Tässä oletetaan, että riskisuhteiden avulla voidaan suoraan laskea eri teijöiden osuus tautikuormasta.
# Luku on yliarvio, koska jokainen altiste lasketaan ikään kuin muita altisteita ei olisi tautia aiheuttamassa.
# Etuna on, että jokaiselle altisteelle saadaan arvio erikseen.

väestöosuus <- 1

vaikutuspaf <- Ovariable("vaikutuspaf", 
	dependencies = data.frame(Name = c("väestöosuus", "RR", "väestö", "syopakuolleisuus")),
	formula = function(...) {

		PAF <- väestöosuus * (RR - 1) / (väestöosuus * (RR - 1) + 1)

		out <- väestö * PAF * syopakuolleisuus

		return(out)
	}
)


### ARVIO PERUSTUEN TAUSTARISKIIN
# Tässä oletetaan, että on olemassa populaatiokohtainen taustariski, jota ei altistumisen takia havaita. 
# Se voidaan kuitenkin laskea ottamalla havaittu tautikuorma ja poistamalla altistumisen vaikutus.
# Arvio lienee tarkempi kuin PAF-menetelmällä, mutta altistekohtainen tieto menetetään.

# Calculate subgroup-specific background risks by first calculating a temporary burden estimate.
# temp is a population-weighted average 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.


vaikutusrr <- Ovariable("vaikutusrr", 
	dependencies = data.frame(Name = c("väestö", "RR")),
	formula = function(...) {

		RRkok <- collapsemarg(RR, c("Altiste"), "prod") 

		temp1 <- RRkok * väestö # Population-weighted sum of the relative risk.
		temp2 <- (RRkok * 0 + 1) * väestö # Population-weighted sum of ones with the same dimensions.

		integrate <- colnames(temp1)[
			colnames(temp1) %in% temp1@marginal & ! 
			colnames(temp1) %in% c("Sairaanhoitopiiri", "Sukupuoli", "Iter")
		]

#c("Tupakka", "Maakunta", "Talotyyppi", "Primaaripaikka", "ERFSource", "altistusSource", "RRSource", "Kunta", 
#	"kunnatSource", "talotSource", "väkiSource", "aluevastaavuusSource", "Sukupuoli", "tupakointiSource", "väestöSource"
#)

		temp1 <- collapsemarg(temp1, integrate, "sum") # Aggregate to the same indices as kokonaisvaikutus.
		temp2 <- collapsemarg(temp2, integrate, "sum")

		tausta <- syopakuolleisuus / (temp1 / temp2) # syopakuolleisuus without any exposure

cat("väestö * tausta, väestö * RRkok, tausta * RRkok\n")
print(nrow((väestö * tausta)@output))
print(nrow((väestö * RRkok)@output))
print(nrow((tausta * RRkok)@output))

print(ograph(RRkok, x = "Maakunta", fill = "Tupakka"))

print(ograph(tausta, x = "Maakunta", fill = "Sukupuoli"))

		out <- väestö * tausta * RRkok

#		out <- collapsemarg(out, c("Iter", "Kunta", "Tupakka", "Talotyyppi"), "sum")

		return(out)
	}
)

#turhat <- c("Maakunta", "kunnatSource", "talotSource", "väkiSource", "Sairaanhoitopiiri", "aluevastaavuusSource", 
#	"tupakointiSource", "väestöSource", "ERFSource")

väestö <- EvalOutput(väestö, N = N)
väestö <- collapsemarg(väestö, "Maakunta", fun = "pick", picks = "Itä-Uusimaa")

vaikutuspaf <- EvalOutput(vaikutuspaf, N = N)
vaikutusrr <- EvalOutput(vaikutusrr, N = N)

if(verbose) {
	cat("Väestö\n")
	print(nrow(väestö@output))
	oprint(head(väestö@output))
	cat("Kunnat\n")
	print(nrow(kunnat@output))
	oprint(head(kunnat@output))
	cat("Talot\n")
	print(nrow(talot@output))
	oprint(head(talot@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(altistus@output))
	oprint(head(altistus@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(syopakuolleisuus@output))
	oprint(head(syopakuolleisuus@output), digits = 6)

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

oprint(vaikutuspaf)
oprint(vaikutusrr)

geombar <- function(object, title = "", y = "", x = "") {
out <- ggplot(object@output, aes(weight = Result, x = Tupakka, fill = Talotyyppi)) + geom_bar(position = "dodge") +
	theme_grey(base_size = 24) +
	labs( # label names
		title 	= title, 
		y 	= y,
		x 	= x
	)
return(out)
}

ograph(RR, x = erottelu1, fill =  erottelu2, title = 'Suhteellinen yksilöriski altistumattomaan verrattuna')

ograph(RR, x = "Tupakka", fill = "Altiste")

ggplot(vaikutuspaf@output, aes(weight = vaikutuspafResult, x = Tupakka, fill = Talotyyppi)) + geom_bar(position = "dodge") +
	theme_grey(base_size = 24) +
	labs( # label names
		title 	= "Vaikutus PAF-menetelmällä"
	)

ggplot(vaikutusrr@output, aes(weight = vaikutusrrResult, x = Tupakka, fill = Talotyyppi)) + geom_bar(position = "dodge") +
	theme_grey(base_size = 24) +
	labs( # label names
		title 	= "Vaikutus RR-menetelmällä"
	)

ggplot(väestö@output, aes(x = Talotyyppi, weight = väestöResult)) + geom_bar() + labs(title = "Väestö")

ggplot(altistus@output[altistus@output$Altiste == "Radon" , ], aes(x = altistusResult, fill = Talotyyppi)) + geom_density(alpha = 0.2)

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

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.)

Data

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	Helsinki ja Uusimaa
7		Itä-Savo
8	Kainuu	Kainuu
9	Kanta-Häme	Kanta-Häme
10	Keski-Pohjanmaa	Keski-Pohjanmaa
11	Keski-Suomi	Keski-Suomi
12	Kymenlaakso	Kymenlaakso
13		Länsi-Pohja
14	Lappi	Lappi
15	Päijät-Häme	Päijät-Häme
16	Pirkanmaa	Pirkanmaa
17	Pohjanmaa	Vaasa
18	Pohjois-Karjala	Pohjois-Karjala
19	Pohjois-Pohjanmaa	Pohjois-Pohjanmaa
20	Pohjois-Savo	Pohjois-Savo
21	Satakunta	Satakunta
22	Varsinais-Suomi	Varsinais-Suomi
23	Yhteensä	Koko maa

Katso myös

Viitteet

Aiheeseen liittyviä tiedostoja

Ero sivun ”Radonin terveysvaikutukset” versioiden välillä

Versio 20. marraskuuta 2013 kello 05.24

Sisällys

Kysymys

Vastaus

Perustelut

Laskenta

Data

Katso myös

Viitteet

Aiheeseen liittyviä tiedostoja

Navigointivalikko