Ero sivun ”Ruori” versioiden välillä

Versio 22. toukokuuta 2019 kello 05.12

Tämä sivu on ensyklopedia-artikkeli. Sivutunniste: Op_fi5889
Moderaattori:Jouni (katso kaikki) Sivun edistymistä ei ole arvioitu. Arvostuksen määrää ei ole arvioitu (ks. peer review).
Lisää dataa {{#opasnet_base_link:Op_fi5889}}

Mitä kaikkea kuuluu vähäiseen hedelmien tai vihannesten syöntiin?

Vähähedelmäinen ruokavalio: hedelmien kulutus alle 3 annosta päivässä (310 g yhteensä) (sisältää tuoreet, pakastetut, keitetyt, säilötyt ja kuivatut hedelmät mutta ei sisällä hedelmämehuja tai suolaan tai etikkaan säilöttyjä hedelmiä) http://www.healthdata.org/terms-defined. Diet low in fruits: Consumption of less than 3 servings (310 g total) of fruits per day (includes fresh, frozen, cooked, canned, or dried fruit but excludes fruit juices and salted or pickled fruits).
Vähävihanneksinen ruokavalio: vihannesten kulutus alle 4 annosta (400 g yhteensä) (sisältää tuoreet, pakastetut, keitetyt, säilötyt ja kuivatut vihannekset mukaan lukien palkokasvit mutta ei sisällä suolaan tai etikkaan säilöttyjä vihanneksia eikä pähkinöitä, siemeniä tai tärkkelyspitoisia vihanneksia kuten perunaa tai maissia). Diet low in vegetables: Consumption of less than 4 servings (400 g total) of vegetables per day (includes fresh, frozen, cooked, canned, or dried vegetables including legumes but excluding salted or pickled, juices, nuts and seeds, and starchy vegetables such as potatoes or corn).

Luken tilastoista löytyy tietoja kalansyönnistä Suomessa. Järvikalaa ei ole eritelty, mutta muut kuin viljellyt ja merilajit ovat yhteensä 2.6 kg/a henkeä kohti. https://stat.luke.fi/en/fish-consumption-2017_en

Voiko DALYt muuntaa euroiksi, ja miten se tehdään?

Drake ehdottaa globaalin arvon päättämistä DALYn hinnaksi, samaan tapaan kuin 1,25 dollarin alittava päivätulo on määritelty absoluuttiseksi köyhyydeksi. Tällöin kaikki tuota hintaa kustannustehokkaammat toimet kannattaisi tehdä joko kansallisin, tai jos se ei jostain syystä onnistu, kansainvälisin toimin. Hän ei kuitenkaan ehdota suuruutta tälle hinnalle.^[1]
Brent on analysoinut implisiittisiä hintoja DALYlle Global Fund for AIDS, Tuberculosis, and Malaria -säätiön rahoituspäätöksistä. DALYn hinta näyttää olevan 6300 USD kaikille taudeille keskimäärin, ja 11900 USD erityisesti HIV/AIDSille^[2]. Globaalit luvut ovat toki pienemmät kuin mitä rikkaissa länsimaissa katsottaisiin aiheelliseksi käyttää.
Erilaisista arvioinneista löytyy vaihtelevia lukuja yhden DALYn rahalliselle hinnalle. Esimerkiksi IOMin Shecan-projekti käytti arvoa 50393 €/menetetty elinvuosi^[3], ja IGCB(N)-meluarviointiryhmä käyttää arvoa 60000 GBP/QALY (laatupainotettu elinvuosi) mutta samalla toteaa, että eri arvioinneissa arvot voivat vaihdella välillä 29000 - 130000 GBP/QALY^[4]^[5].
Berryn ja Flindellin mukaan Isossa-Britanniassa käytäntö on muodostunut sellaiseksi, että lääkkeet tai muut lääketieteelliset toimenpiteet saavat kansallisessa terveysjärjestelmässä helposti puollon, jos ne tuottavat yhden terveen elinvuoden alle 20000 GBP:n kustannuksilla. Tyypillisesti toteutetaan hankkeita tasolla 30000 GBP/QALY, mutta hankkeilta hinnaltaan yli 50000 GBP/QALY vaaditaan erityisiä perusteluja^[6].
Toisaalta Hammitt todistelee, että hinta per tilastollinen elämä (value per statistical life, VSL) ja hinta per DALY muuttuvat epälineaarisesti suhteessa toisiinsa, eikä näin ollen olisi mahdollista käyttää hyvinvointimuutoksen mittarina vakiolla kerrottua DALY-arvoa, ainakaan taloudellisen hyvinvointiteorian (economic welfare theory) puitteissa.^[7]

Pitoisuusanalyysien kustannukset (poistettu).

Trikiinin valvontakustannukset: Tämän artikkelin mukaan trikiinin DALYt ovat vain luokkaa 100 DALY/miljardi ihmistä, joten valvonta ei ole mielekästä^[8].

Laskenta

+ Näytä koodi - Piilota koodi

# Tämä on koodi Op_fi5889 sivulla [[Ruori]]

library(OpasnetUtils)
library(tidyverse)
library(treemap)
library(plotly)

#objects.latest("Op_en6007", code_name = "hnh2035") # [[OpasnetUtils/Drafts]] pushIndicatorGraph

##### Finnish translations
transl <- as_tibble(opbase.data("Op_fi3944", subset="Tautiluokittelu")) %>% # [[Tautitaakka Suomessa]]
  mutate(Id=as.integer(as.character(Id)))

BS <- 24

palet <- c(
  '#a6cee3','#1f78b4','#b2df8a','#33a02c','#fb9a99','#e31a1c','#fdbf6f',
  '#ff7f00','#cab2d6','#6a3d9a','#ffff99','#b15928', # First 12 colours from Colorbrewer Paired.
  'cyan2','cyan4','plum1','plum4', 'darkslategray4','darkslategray1','firebrick3'
)

###################### Graphs for the Tautitaakka auttaa hahmottamaan ... article

# DALYs by causes (risks not included)
dc <- 
  as_tibble(opasnet.csv("2/2d/IHME_Fin_Risks_by_Cause.zip", wiki="opasnet_en",
                        unzip="IHME-GBD_2017_DATA-8ce9adcf-1.csv",sep=",",dec=".",header=TRUE)) %>%
  left_join(transl[transl$Type=="Cause",], by=c("cause_id"="Id")) %>%
  mutate(cause_name = Result) %>% # transl combines some entries from cause_name to Name (in Finnish: Result)
  #  "Neglected tropical diseases and malaria",
  #  "HIV/AIDS and sexually transmitted infections",
  #  "Enteric infections" >> "Other infectious diseases"
  filter(measure_name=="DALYs (Disability-Adjusted Life Years)" & metric_name=="Number" & year == 2017) %>%
  group_by(cause_name) %>% 
  summarise(value=sum(val)) %>%
  mutate(cause_name = factor(cause_name, levels=cause_name[order(value)])) %>%
  mutate(valy = value/1000 + ifelse(value<250000, 20, -40)) # unit kDALY/a

plot_cause <- ggplot(dc2, aes(x=cause_name,weight=value/1000,fill=cause_name, label=round(value/1000)))+
  geom_bar(position="stack")+geom_text(aes(y=valy))+coord_flip()+
  guides(fill=FALSE)+
  scale_fill_manual(values = rev(palet))+ 
  labs(
    title="Tautitaakka Suomessa syittäin 2017",
    x="Tauti tai haitta",
    y="Tautitaakka (tuhatta DALYa vuodessa)")

plot_cause
# ggsave("Tautitaakka Suomessa 2017.svg", width=8, height=5) # Png conversion: 300 pixels/inch, font size 4 times larger

############## DALYs by causes and risks

dcr <- as_tibble(
  opasnet.csv("2/2d/IHME_Fin_Risks_by_Cause.zip", wiki="opasnet_en",
              unzip="IHME-GBD_2017_DATA-8c9ca17f-1.csv",sep=",",dec=".",header=TRUE)
) %>%
  left_join(transl[transl$Type=="Cause",], by=c("cause_id"="Id")) %>%
  filter(measure_name=="DALYs (Disability-Adjusted Life Years)" & metric_name=="Number" & year == 2017) %>%
  #  mutate(cause_name = factor(Result, levels=dc2$cause_name)) %>% # transl combines some entries from cause_name to Name (in Finnish: Result)
  left_join(transl[transl$Type=="Risk",], by=c("rei_id"="Id"))

dcr <- dcr %>%
  mutate(
    cause_name=factor(Result.x,levels=levels(dc$cause_name)),
    rei_name=factor(Result.y, levels = aggregate(dcr["val"],dcr["Result.y"],sum) %>% transmute(Result.y[order(val)]) %>% pull())) %>%
  group_by(rei_name, cause_name, Luokka.y) %>%
  summarise(val = sum(val))

#  mutate(rei_name = factor(rei_name, levels= dcr2$rei_name)) # transl combines some entries from cause_name to Name (in Finnish: Result)

# Strange discrepancy in two sources from IHME: especially in cardiovascular diseases. 
# Reason not known, use dcr anyway; because errors not found.
# ihme <- read.csv("C:/Users/jtue/AppData/Local/Temp/download(1).csv")
# ihme <- ihme[ihme$Measure=="DALYs",]
# sum(ihme$Value)
# [1] 911630.9
# sum(dcr$val)
# [1] 1205234
# View(
#   merge(
#     aggregate(ihme["Value"], by=ihme["Cause.of.death.or.injury"], FUN=sum),
#     aggregate(dcr["val"], by=dcr["cause_name"], FUN=sum),
#     by.x=c("Cause.of.death.or.injury"), by.y=c("cause_name")
#   )
# )


plot_risk <- ggplot(dcr, aes(x=rei_name, weight=val/1000, fill=cause_name))+geom_bar()+coord_flip()+
  scale_fill_manual(values = rev(palet)[-8])+ # Skin diseases missing, so remove that colour 
  guides(fill = guide_legend(reverse=TRUE, title=NULL, keyheight=0.8))+
  theme_gray(base_size=11)+ theme(legend.position=c(0.83,0.29)) + 
  labs(
    title = "Tautitaakka Suomessa 2017 tunnettujen riskitekijöiden mukaan",
    x="Riskitekijä", y="Tautitaakka (tuhatta DALYa vuodessa)")

plot_risk
# ggsave("Tautitaakka Suomessa 2017 riskitekijöittäin.svg", width=8, height=6) # Png conversion: 300 pixels/inch, font size 4 times larger

ruori <-   data.frame(
  Luokka.y = c(rep("Ympäristö",3),rep("Ravitsemus",4),rep("Ympäristö",3)),
  rei_name = c(
    "Aflatoksiini",
    "Lyijy",
    "Dioksiini",
    "Tyydyttyneet rasvat",
    "Suola",
    "Hedelmien liian vähäinen saanti",
    "Kasvisten liian vähäinen saanti",
    "Norovirus",
    "Listeria",
    "Toksoplasma"
  ),
  val = c(
    8,
    6,
    22,
    8190,
    27062,
    35314,
    27778,
    1,
    660,
    432
  ),
  lower = c(
    6,
    NA,
    NA,
    5857,
    1330,
    20197,
    13740,
    NA,
    330,
    270
  ),
  upper = c(
    13,
    NA,
    NA,
    11125,
    65542,
    53635,
    44716,
    NA,
    880,
    702
  )
)

dcr$rei_name <- as.character(dcr$rei_name)

# Subtract Ruori results from IHME background
dcr$val[dcr$rei_name=="Ravitsemusriskit" & dcr$cause_name=="Sydän- ja verisuonitaudit"] <-
  dcr$val[dcr$rei_name=="Ravitsemusriskit" & dcr$cause_name=="Sydän- ja verisuonitaudit"] - sum(ruori$val[ruori$Luokka.y=="Ravitsemus"])

dcr$val[dcr$rei_name=="Muut ympäristöriskit" & dcr$cause_name=="Syöpä"] <-
  dcr$val[dcr$rei_name=="Muut ympäristöriskit" & dcr$cause_name=="Syöpä"] - sum(ruori$val[ruori$Luokka.y=="Ympäristö"])

dcr <- rbind(dcr[colnames(dcr)!="cause_name"],ruori[!colnames(ruori) %in% c("upper","lower")])
dcr$rei_name[dcr$rei_name=="Ravitsemusriskit"] <- "Muut ravitsemusriskit"

pdf("Tautitaakka riskitekijöittäin.pdf", width=11.67, height=4.27)
treemap(dcr, index=c("Luokka.y","rei_name"),vSize="val",
        title=paste0("Tunnettujen riskitekijöiden tautitaakka Suomessa 2017 (",
                     round(sum(dcr$val),-3)," DALY)"),
        align.labels=list(c("center","top"),c("center","center")),
        aspRatio = 2, border.col = "gray")
dev.off()

tmp <- ruori %>%
  filter(rei_name %in% c("Aflatoksiini","Lyijy","Dioksiini","Norovirus","Listeria","Toksoplasma")) %>%
  rename(Altiste=rei_name) %>%
  mutate(Altiste = factor(Altiste, levels=ruori$rei_name[order(ruori$val)]))

thlBarPlot(tmp, xvar=Altiste, yvar=val)+
  coord_flip()+geom_errorbar(data=tmp, aes(ymin=lower, ymax=upper), width=0.25, size=0.7)+
  labs(
    title="Ruorissa tutkittujen riskien tautitaakka",
    subtitle = "Tautitaakka mikrobiologisille ja kemiallisille epäpuhtauksille (DALYa vuodessa)")

ggsave("Mikrobiologiset ja kemialliset riskit Ruorissa.svg", width=8, height=5)

tmp <- ruori %>%
  filter(!rei_name %in% c("Aflatoksiini","Lyijy","Dioksiini","Norovirus","Listeria","Toksoplasma")) %>%
  rename(Altiste=rei_name) %>%
  mutate(Altiste = factor(Altiste, levels=ruori$rei_name[order(ruori$val)]))

thlBarPlot(tmp, xvar=Altiste, yvar=val)+
  coord_flip()+geom_errorbar(data=tmp, aes(ymin=lower, ymax=upper), width=0.25, size=0.7)+
  labs(
    title="Ruorissa tutkittujen riskien tautitaakka",
    subtitle = "Tautitaakka ravitsemusriskeille (DALYa vuodessa)")

ggsave("Ravitsemusriskit Ruorissa.svg", width=8, height=5)

####################################

# Katso sivut [[:op_en:Goherr assessment]] ja [[:op_en:Health effects of Baltic herring and salmon: a benefit-risk assessment]]
objects.get('155401096341')

groups <- function(o) {
  o$Group <- paste(o$Gender, o$Ages)
  o$Group <- factor(o$Group, levels = c(
    "Female 18-45",
    "Male 18-45",
    "Female >45",
    "Male >45"
  ))
  return(o)
}

varit12 <- c(
  '#2f62ad', # THL-värit, koko väripaletti. Nro 2
  '#7cd0d8', # 4
  '#571259', # 9
  '#5faf2c', # 11
  '#bf4073', # 14
  '#3b007f', # 18
  '#16994a', # 20
  '#cccc72', # 22
  '#0e1e47', # 3
  '#25a5a2', # 5
  '#cc7acc', # 7
  '#244911' # 12
)

#### Burden of disease

# Figure 5. from Goherr assessment manuscript

if(FALSE) tmp <- groups(BoD * info) else tmp <- groups(BoDRaw * info)

tmp <- oapply(
  tmp[!grepl("TWI", tmp$Resp) & tmp$Background=="Yes",],
  INDEX=c("Resp","Group","Country","Cons.policy","Background"),
  mean
)@output

# levels(tmp$Group)
# [1] "Female 18-45" "Male 18-45"   "Female >45"   "Male >45"    
levels(tmp$Group) <- c("Naiset 18-45","Miehet 18-45","Naiset >45","Miehet >45")

#levels(tmp$Resp)
#[1] "Stroke"           "Heart (CHD)"      "Cancer"           "Child's IQ"       "Infertility"     
#[6] "Tooth defect"     "Dioxin TWI"       "TWI 2018"         "Vitamin D intake"
levels(tmp$Resp) <- c("Aivohalvaus","Sepelvaltimotauti","Syöpä","Lapsen ÄO","Hedelmättömyys",
                      "Hammasvaurio","","","D-vitamiini")

fig22 <- ggplot(tmp[tmp$Country=="FI" & tmp$Cons.policy=="BAU",],
                aes(x=Group, weight=Result, fill=Resp))+
  geom_bar()+facet_grid(Cons.policy ~ Country)+
  theme_grey(base_size=BS-8)+
  theme(
    legend.position = "bottom"
    #    axis.text.x = element_text(angle = -90)
  )+
  labs(
    title="Itämeren kalan aiheuttama tautitaakka Suomessa ryhmittäin",
    y = "Tautitaakka (DALY/a)",
    fill="",
    x=""
  )+
  scale_fill_manual(values=varit12[-(7:8)])

fig22
ggsave("Itämeren kalan tautitaakka Suomessa.svg", width=8, height=5)

######### Figure 6.

tmp <- groups(BoDRaw * info)

#> levels(tmp$Resp)
#[1] "Stroke"           "Heart (CHD)"      "Cancer"           "Child's IQ"       "Infertility"     
#[6] "Tooth defect"     "Dioxin TWI"       "TWI 2018"         "Vitamin D intake"
levels(tmp$Resp) <- c("Aivohalvaus","Sepelvaltimotauti","Syöpä","Lapsen ÄO","Hedelmättömyys",
                      "Hammasvaurio","TWI 2001","TWI 2018","D-vitamiini")

tmp@output <- rbind(
  cbind(tmp@output,Focusgroup = "Kaikki"),
  cbind(tmp@output[tmp$Group=="Female 18-45",],Focusgroup = "Nuoret naiset")
)

tmp <- oapply(
  tmp[tmp$Cons.policy=="BAU" & tmp$Country=="FI",],
  INDEX=c("Resp","Background","Focusgroup","Country"),
  mean
)@output

tmp <- rbind(
  cbind(
    Objective="Kokonaisterveys, oletus",
    tmp[tmp$Background=="Yes" & !grepl("TWI",tmp$Resp),]
  ),
  cbind(
    Objective="Kokonaisterveys, taustatta",
    tmp[tmp$Background=="No" & !grepl("TWI",tmp$Resp),]
  ),
  cbind(
    Objective=tmp$Resp,
    tmp
  )[grepl("TWI",tmp$Resp),]
)

sums <- aggregate(tmp["Result"], by=tmp[c("Objective","Focusgroup","Country")],sum)
fig22b <- ggplot(tmp, aes(x=Objective, weight=Result))+
  geom_bar(aes(fill=Resp))+facet_grid(Country ~ Focusgroup)+
  theme_grey(base_size=BS-8)+
  theme(
    legend.position = "bottom",
    axis.text.x = element_text(angle = -15, hjust=0.5)
  )+
  geom_text(data=sums, size=6, aes(label=round(Result,-2),y=pmax(200,Result+200)))+
  labs(
    title="Tautitaakka eri tavoitteiden näkökulmasta",
    y = "Tautitaakka (DALY/a)",
    fill="",
    x=""
  )+
  scale_fill_manual(values=varit12)
fig22b

ggsave("Itämeren kalan tautitaakka eri näkökulmista.svg", width=10, height=7)

############################ Health care costs

dat <- scrape.webtable(
  "https://en.wikipedia.org/wiki/List_of_countries_by_total_health_expenditure_per_capita",
  6) 
colnames(dat) <- c("Country","Y2000","Y2005","Y2010","Y2015")
dat$Y2015 <- as.numeric(gsub(",","",as.character(dat$Y2015)))
dat$Country <- as.character(dat$Country)
dat$Country[match(c(
  "Iran (Islamic Republic of)",
  "Lao People's Democratic Republic",
  "United Republic of Tanzania",
  "United States of America",
  "Venezuela (Bolivarian Republic of)",
  "Viet Nam"
),dat$Country)] <- c("Iran","Laos","Tanzania","United States","Venezuela","Vietnam")

dat2 <- read.csv("C:/Users/jtue/AppData/Local/Temp/IHME-GBD_2017_DATA-96ba4b83-1.csv")
levels(dat2$location_name)[match(c(
  "The Bahamas","The Gambia"),levels(dat2$location_name))] <- c("Bahamas","Gambia")

dat3 <- merge(dat,dat2, by.x="Country",by.y="location_name", all=TRUE)
dat3$label <- ifelse(dat3$Country %in% c("Finland","Sweden","United States","Poland"), dat3$Country, " ")

tmp <- dat3[dat3$metric_name=="Rate" & dat3$cause_name=="All causes",]
tmp$label[match(c("Finland","Sweden","United States","Poland"),tmp$label)] <- c("Suomi","Ruotsi", "USA","Puola")

ggplot(tmp, aes(x=Y2015,y=val/100000, label=label, colour=label))+
  geom_point()+geom_text()+
  labs(
    title="Tautitaakka terveysmenojen funktiona maittain 2015",
    y="Tautitaakka per henkilö (DALY)",
    x="Terveydenhuoltomenot per henkilö (USD)"
  )

ggsave("Tautitaakka terveysmenojen funktiona maittain.svg", width=9, height=5)

pl <- plot_ly(tmp, x=~Y2015, y=~val/100000,type="scatter", mode="markers", hovertext=~Country) %>% #, text=~label,color=~label) %>%
  layout(
    title="Tautitaakka terveysmenojen funktiona maittain 2015",
    xaxis=list(title="Terveydenhuoltomenot per henkilö (USD)"),
    yaxis=list(title="Tautitaakka per henkilö (DALY)")
  )

pl
# pushIndicatorGraph(pl, 103)#, API_KEY= apikey)

Viitteet

↑ Drake T. (2014) Priority setting in global health: towards a minimum DALY value. Health Economics Letter 23:2:248-252. https://doi.org/10.1002/hec.2925
↑ Brent RJ. (2011) An implicit price of a DALY for use in a cost-benefit analysis of ARVs. Applied Economics 43:11:1413-1421. https://doi.org/10.1080/00036840802600475
↑ Minstry R. (2011) Methodology for valuing health impacts on the SHEcan project. IOM Research Project P937/96. http://ec.europa.eu/social/BlobServlet?docId=10178&langId=en
↑ The Interdepartmental Group on Costs and Benefits Noise Subject Group. (2014) Environmental Noise: Valuing impacts on sleep disturbance, annoyance, hypertension, productivity and quiet. https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/380852/environmental-noise-valuing-imapcts-PB14227.pdf
↑ The Interdepartmental Group on Costs and Benefits Noise Subject Group (IGCB(N)). (2010) Noise & Health – Valuing the Human Health Impacts of Environmental Noise Exposure. https://khub.net/c/document_library/get_file?uuid=6a229977-e27a-43c5-a780-e224649bd2df&groupId=6197021
↑ Berry BF, Flindell IH. (2009) Estimating Dose-Response Relationships between Noise Exposure and Human Health Impacts in the UK. BEL Technical Report 2009-002. https://webarchive.nationalarchives.gov.uk/20130123222353/http://archive.defra.gov.uk/environment/quality/noise/igcb/documents/tech-report.pdf
↑ Hammitt, J.K. (2013) Admissible utility functions for health, longevity, and wealth: integrating monetary and life-year measures. J Risk Uncertain 47: 311. https://doi.org/10.1007/s11166-013-9178-4
↑ Brecht Devleesschauwer, Nicolas Praet, Niko Speybroeck, Paul R. Torgerson, Juanita A. Haagsma, KrisDe Smet, K. Darwin Murrell, Edoardo Pozio, Pierre Dorny. (2015) The low global burden of trichinellosis: evidence and implications. International Journal for Parasitology 45, 2–3, 95-99. [1] [2]

Katso myös

Ruori-hankkeen tautitaakka-arviot

[1] Drake T. (2014) Priority setting in global health: towards a minimum DALY value. Health Economics Letter 23:2:248-252. https://doi.org/10.1002/hec.2925

[2] Brent RJ. (2011) An implicit price of a DALY for use in a cost-benefit analysis of ARVs. Applied Economics 43:11:1413-1421. https://doi.org/10.1080/00036840802600475

[3] Minstry R. (2011) Methodology for valuing health impacts on the SHEcan project. IOM Research Project P937/96. http://ec.europa.eu/social/BlobServlet?docId=10178&langId=en

[4] The Interdepartmental Group on Costs and Benefits Noise Subject Group. (2014) Environmental Noise: Valuing impacts on sleep disturbance, annoyance, hypertension, productivity and quiet. https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/380852/environmental-noise-valuing-imapcts-PB14227.pdf

[5] The Interdepartmental Group on Costs and Benefits Noise Subject Group (IGCB(N)). (2010) Noise & Health – Valuing the Human Health Impacts of Environmental Noise Exposure. https://khub.net/c/document_library/get_file?uuid=6a229977-e27a-43c5-a780-e224649bd2df&groupId=6197021

[6] Berry BF, Flindell IH. (2009) Estimating Dose-Response Relationships between Noise Exposure and Human Health Impacts in the UK. BEL Technical Report 2009-002. https://webarchive.nationalarchives.gov.uk/20130123222353/http://archive.defra.gov.uk/environment/quality/noise/igcb/documents/tech-report.pdf

[7] Hammitt, J.K. (2013) Admissible utility functions for health, longevity, and wealth: integrating monetary and life-year measures. J Risk Uncertain 47: 311. https://doi.org/10.1007/s11166-013-9178-4

[8] Brecht Devleesschauwer, Nicolas Praet, Niko Speybroeck, Paul R. Torgerson, Juanita A. Haagsma, KrisDe Smet, K. Darwin Murrell, Edoardo Pozio, Pierre Dorny. (2015) The low global burden of trichinellosis: evidence and implications. International Journal for Parasitology 45, 2–3, 95-99. [1] [2]

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

@@ Rivi 14: / Rivi 14: @@
 * Toisaalta Hammitt todistelee, että hinta per tilastollinen elämä (value per statistical life, VSL) ja hinta per DALY muuttuvat epälineaarisesti suhteessa toisiinsa, eikä näin ollen olisi mahdollista käyttää hyvinvointimuutoksen mittarina vakiolla kerrottua DALY-arvoa, ainakaan taloudellisen hyvinvointiteorian (economic welfare theory) puitteissa.<ref>Hammitt, J.K. (2013) Admissible utility functions for health, longevity, and wealth: integrating monetary and life-year measures. J Risk Uncertain 47: 311. https://doi.org/10.1007/s11166-013-9178-4</ref>
-Pitoisuusanalyysien kustannukset (ilman alvia).
+Pitoisuusanalyysien kustannukset (poistettu).
-* Bisfenoli A 70 €
-* Ftalaatit 87 €
-* Indikaattori-PCB (6 yhdistettä) 269 €
-* Kotiniini 62 €
-* Parabeenit 80 €
-* PCDD/F (17 yhdistettä) 575 €
-* PCB (34 yhdistettä) 586 €
-* PBDE (12 yhdistettä) 508 €
-* PCDD/F + PCB 887 €
-* PCDD/F + PCB + PBDE 1250 €
-* PFAS 358 €
-* Organotina 218 €
-* Ympäristömyrkyt pienestä seerumi- tai plasmatilavuudesta (mikro-POP) 107 €
 Trikiinin valvontakustannukset: Tämän artikkelin mukaan trikiinin DALYt ovat vain luokkaa 100 DALY/miljardi ihmistä, joten valvonta ei ole mielekästä<ref>Brecht Devleesschauwer, Nicolas Praet, Niko Speybroeck, Paul R. Torgerson, Juanita A. Haagsma, KrisDe Smet, K. Darwin Murrell, Edoardo Pozio, Pierre Dorny. (2015) The low global burden of trichinellosis: evidence and implications. International Journal for Parasitology 45, 2–3, 95-99. [https://doi.org/10.1016/j.ijpara.2014.05.006] [https://www.sciencedirect.com/science/article/pii/S0020751914001374]</ref>.

Ero sivun ”Ruori” versioiden välillä

Versio 22. toukokuuta 2019 kello 05.12

Laskenta

Viitteet

Katso myös

Navigointivalikko