Ero sivun ”Radonin terveysvaikutukset” versioiden välillä

Versio 27. huhtikuuta 2014 kello 20.04

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? Erityisesti pitäisi tarkastella näitä kysymyksiä:

Mikä on radonin kokonaistautitaakka?
Kuinka suuri on radonin ja tupakan yhteisvaikutus?
- Onko kyseessä riippumaton, additiivinen, multiplikatiivinen tai yhteisvaikutus, ja mitä nämä tarkoittavat?
Miten radonin tautitaakka jakautuu erilaisissa asunnoissa asuvien kesken (esim. yli tai alle 300 Bq/m3)?
Mitä eri toimenpiteitä olisi mahdollista tehdä radonin tautitaakan pienentämiseksi?
- Mitä muita vaikutuksia näillä toimepiteillä on (kustannukset, kiellot, elämäntapamuutokset, terveyssynergiat?)
Mitkä arvoarvostelmat määräävät sitä, mitkä toimepidevaihtoehdoista näyttäytyvät suositeltavina?

Vastaus

Radonin kokonaistautitaakka näyttäisi olevan 1973 DALY /vuosi (ks. Tautitaakka Suomessa ja SETURI/TEKAISU: Sisäilman radonin tautitapausmäärä ja tautitaakka arviot

Kuinka suuri on radonin ja tupakan yhteisvaikutus?

Riippumaton: BoD = Tr + Tt - T(r ja t)
Additiivinen: BoD = BG * RRr * RRt
Multiplikatiivinen: BoD > BG * RRr * RRt
Yhteisvaikutus: jotain muuta vai mikä tahansa noista?

Jossa

BoD: burden of disease eli tautitaakka
T: tapausmäärä (ilmoitettuna DALYina)
r: radon
t: tupakka
BG: taustariski

Ne asunnot, joissa radonpitoisuus on yli 300 Bq/m3, johtavat arviolta 65-80 keuhkosyöpätapaukseen vuodessa. Näistä pelkän radonin aiheuttamia on noin kymmenen tapausta (loput: radon + tupakka). Tämän verran siis vähenisivät tapaukset , jos kaikki 300 Bq/m3 ylitykset korjattaisiin tasolle 0 Bq/m3.

Jos yli 300 Bq/m3 radonpitoisuudet korjataan tasolle 300 Bq/m3, vähenevät keuhkosyöpätapaukset noin 25-40 tapauksella vuodessa (näistä 3- 5 keuhkosyöpää on pelkän radonin aiheuttamaa).

Arvioinnissa on otettu huomioon 300 Bq/m3 ylittävän väestön altistusarvion epätarkkuus 95% luottamusvälillä (10%). Kaikkien radonin (tai radon+tupakka) aiheuttamien keuhkosyöpien määrä, 300 kpl vuodessa, on oletettu tässä arvioinnissa tarkaksi, vaikka vaihteluväli onkin 100 – 600 tapausta. Eli näihin lukuihin täytyy suhtautua lähinnä suuntaa antavina.R↻

Toimenpiteitä radonin tautitaakan pienentämiseksi?

Radontuuletus kaikkiin uusiin rakennuksiin.
Radontuuletusvalmius kaikkiin uusiin rakennuksiin, tuuletus vain jos mittaus osoittaa korkeita pitoisuuksia.
Radontuuletus myös vanhoihin rakennuksiin.
Tupakointikielto.
Kansalaistiedotus.
Radonmittausten kannustaminen tiedolla tai rahallisella tuella.
Edellä mainittujen toimien kohdistaminen vain tupakoiviin.
Edellä mainittujen toimien kohdistaminen vain radonalueille.

Radontoimepiteiden muita kuin terveysvaikutuksia:

Kustannukset.
Kiellot ja itsemääräämisoikeus.
Elämäntapamuutokset.
Vaikutusten kohdistuminen erilaisena kansalaiseen, lähimmäiseen tai yhteiskuntaan.

Arvoarvostelmia:

Tautitaakkaa on pienennettävä.
Tautitaakkaa on pienennettävä kaikilla toimilla, jotka ovat halvempia kuin 10000 € / DALY (tai jokin muu raja).
Kansalaisten itsemääräämisoikeuteen ei saa puuttua.
Kansalaisia ja erityisesti lapsia on suojeltava altisteilta, jonka määrään ei voi itse vaikuttaa.

Näkökulmia radonhaitan torjuntaan

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

Axis formatting (e.g. log2 format)
vaikutusrr poistettu kokonaan toistaiseksi, koska se ei toimi. Löytyy vanhasta versiosta.
Tolkullinen versio

+ Näytä koodi - Piilota koodi

N <- 1
erottelu1 <- 'Maakunta'
erottelu2 <- 'Causes'
verbose <- FALSE

library(OpasnetUtils)
library(ggplot2)

openv.setN(N)

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

###### OSA 1: VÄESTÖ

### ASUNTOVÄESTÖ

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

# Yksinkertaista talotyyppiluokittelua ja summaa taloista pois perhekoko.

levels(asuntovaesto@data$Talotyyppi) <- ifelse(
	levels(asuntovaesto@data$Talotyyppi) == "Asuinkerrostalo", 
	"Kerrostalo", 
	"Pientalo"
)

asuntovaesto <- oapply(EvalOutput(asuntovaesto), cols = "Asuntokunta", FUN = 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), 
		Tupakoija = 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_fi3907.maakunnat_ja_sairaanhoitopiirit"))
		colnames(dat)[colnames(dat) == "Result"] <- "Sairaanhoitopiiri"
		dat$Result <- 1
		dat
	}
)

### VÄESTÖN LASKENTA

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

		out <- kunnat * asuntovaesto * 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(Tupakoija = c("Kyllä", "Ei"), Altiste = "Tupakka", Result = c(1, 0))
)

# ALTISTUS YHTEENSÄ

radonpit <- EvalOutput(radonpit, N = N)

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("Tupakoija", "Maakunta", "Talotyyppi")) # Tätä on muutettava, jos toiseen lisätään indeksejä.

		return(out)
	}
)

### SUHTEELLINEN RISKI

# Annosvasteiden perustiedot.

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

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

### 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"

###### 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.

#vaestoosuus <- 1

#temp3 <- unkeep(väestö, cols = c("Maakunta", "Sairaanhoitopiiri"), sources = TRUE, prevresults = TRUE)
#vaestoosuus <- temp3 / sum(result(temp3 * 1))

# Tässä on tarkoituksena jakaa tautiriski keisien lukumäärinä väestössä niin pieniin osiin kuin se on mahdollista ilman altistustietoa.
väestö <- unkeep(EvalOutput(väestö), sources = TRUE, prevresults = TRUE) # cols = c("Kunta", "Maakunta"), 
syopakuolleisuus <- unkeep(EvalOutput(syopakuolleisuus), sources = TRUE, prevresults = TRUE)
takeout <- setdiff(colnames(väestö@output)[väestö@marginal], colnames(syopakuolleisuus@output)[syopakuolleisuus@marginal]) # Väestön ne indeksit, jotka EIVÄT OLE tautiriskissä.
#takeout <- c("Tupakoija", "Talotyyppi")
väestö@output <- dropall(väestö@output)
väestöb <- oapply(väestö, cols = takeout, FUN = sum) # Summaa väestö niin että vain tautiriskin indeksit jäävät.
väestöb@output <- väestöb@output[!is.na(result(väestöb)) , ]
oprint(head(väestöb@output))
keisitb <- syopakuolleisuus * väestöb # Keisien kokonaismäärä tautiriskin määräämissä soluissa.

oprint(head(keisitb@output))
ERF <- EvalOutput(ERF)
altistus <- EvalOutput(altistus)

RR <- unkeep(exp(log(ERF) * (altistus - tausta.altistus)), prevresults = TRUE, sources = TRUE) 

oprint(head(RR@output))

# pci sisältää solukohtaiset altistutiedot ja niiden aiheuttaman lisäriskin. Niinpä yleisemmän tason keisimäärät voidaan pilkkoa pienempiin osiin.
# Ensin on poistettava turhat indeksit: Maakunta on turha, koska Kunta on annettu.
# Sen sijaan Sairaanhoitopiiri tarvitaan linkkaamaan tieto keisitb:hen.
pci <- unkeep(väestö * RR, prevresults = TRUE, sources = TRUE) # [[Population attributable fraction]]

# Sitten pilkotaan yli niiden indeksien, jotka vaikuttavat keisien sijoittumiseen alaryhmiin ja joita ei vielä 
# huomioida tautiriskissä. Näitä ovat Tupakoija ja Talotyyppi eli näissä keisit eivät jakaudu väestön suhteessa.
pci <- pci / oapply(pci, cols = c(takeout, "Altiste"), FUN = sum) #INDEX = pci@output[c("Tupakoija", "Talotyyppi", "Altiste")], FUN = sum)

keisit <- keisitb * pci # tautiriskin keisit pitää jakaa kaikkiin niihin ryhmiin, joissa tätä tietoa ei vielä ole eli takeoutin määrittämiin ryhmiin.

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

		# Aluksi laske RR ja poista turhat (kun ovariablea operoidaan itsensä kanssa, ylimääräiset sarakkeet aiheuttavat harmia)
		RR <- unkeep(exp(log(ERF) * (altistus - tausta.altistus)), prevresults = TRUE, sources = TRUE) 
		PAF <- (RR - 1) / RR 

		altisteet <- unique(altistus@output$Altiste)
		altisteet <- levels(altisteet)[altisteet]

		out <- 1
		for(i in 1:length(altisteet)) {
			
			# Yksittäisen altisteen attributable fraction yhdistetään kaikkien altisteiden yhteis-PAFiin, johon tulee
			# 2^n riviä (n = altisteiden lukumäärä). Altiste on joko + tai - riippuen aiheuttiko se havaitun taudin vai ei.
			temp <- Ovariable(data = data.frame(
				Altiste = altisteet[i], 
				Temp1 = c(paste(altisteet[i], "-", sep = ""), paste(altisteet[i], "+", sep = "")), 
				Result = c(-1, 1) # Altisteen syyttömyyttä merkataan tilapäisesti negatiivisella luvulla.
			))
			temp <- temp * PAF

			# Syyttömät eli negatiiviset altisteet saavat loput (1-p) selitysosuudesta p.
			result(temp) <- ifelse(result(temp) > 0, result(temp), 1 + result(temp))
			# Syyllisen osuus 0 merkkautuu ykköseksi. Täytyy korjata.
			result(temp) <- ifelse(result(temp) == 1 & grepl("\\+", temp@output$Temp1), 0, result(temp))
			
#			temp <- unkeep(temp, prevresults = TRUE, sources = TRUE)
			out <- out * temp
			out <- unkeep(out, cols = "Altiste", sources = TRUE, prevresults = TRUE)
			
			if(i == 1) {
				colnames(out@output)[colnames(out@output) == "Temp1"] <- "Causes"
			} else {
				out@output$Causes <- paste(out@output$Causes, out@output$Temp1)
				out@output$Temp1 <- NULL
			}
		}

		out <- keisit * out

		return(out)
	}
)

out <- EvalOutput(out)

oprint(head(out@output))

ggplot(out@output, aes(weight = outResult / N, x = Causes, fill = Talotyyppi)) +
	geom_bar(position = 'dodge')

ggplot(out@output, aes(weight = outResult / N, x = Causes, fill = Tupakoija)) +
	geom_bar(position = 'dodge')

ggplot(out@output, aes(weight = outResult / N, x = Causes, fill = Maakunta)) +
	geom_bar(position = 'stack')

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("Asuntoväestö\n")
	print(nrow(asuntovaesto@output))
	oprint(head(asuntovaesto@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))
}

ograph(RR, x = erottelu1, fill =  erottelu2, title = 'Suhteellinen yksilöriski altistumattomaan verrattuna') + coord_trans(y = 'log2')

ograph(RR, x = "Tupakka", fill = "Altiste") + coord_trans(y = 'log2')

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.

Riippuvuudet

Talotyypit Suomessa
Suomen kunnat
Radon sisäilmassa
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.)
Syöpäkuolleisuus Suomessa
en:Attributable risk#Combined_PAR
op_en:Population attributable fraction
op_en:OpasnetUtils/Drafts

Katso myös

Viitteet

Aiheeseen liittyviä tiedostoja