Ero sivun ”Kotimaisen kalan edistämisohjelma” versioiden välillä

Versio 12. maaliskuuta 2020 kello 08.00

Tämä sivu on tietokide alatyypiltään arviointi. Sivutunniste: Op_fi5923
Moderaattori:Jouni (katso kaikki) Sivun edistymistä ei ole arvioitu. Arvostuksen määrää ei ole arvioitu (ks. peer review).
Lisää dataa {{#opasnet_base_link:Op_fi5923}}

Kysymys

Mikä olisi kalansyönnin lisääntymisen terveysvaikutus Suomessa?

Oletettu käyttö ja käyttäjät

Tässä arvioinnissa tarkastellaan skenaarioita, joissa suomalaisten kalansyöntiä lisättäisiin kotimaisen kalan edistämisohjelmalla. Tietoja käyttäisivät mm. Luke, MMM ja YM.

Osallistujat

Jouni Tuomisto, THL

Rajaus

Tilannetta tarkastelleen toisaalta toteutuneeseen 2017 tilanteeseen ja toisaalta skenaarioihin vuodelle 2027, kun on joko lisätty kotimaisen kalan tuotantoa tai tuontia.

Vaihtoehdot

Kotimaisen kalan käytön lisääminen
Viljellyn kalan tuonnin lisääminen

Aikataulu

Alustavia arvioita pyritään tuottamaan maaliskuun 2020 aikana.

Vastaus

Tulokset

Arviointimallin keskeiset tulokset.

Päätelmät

Vastaus arvioinnin pääkysymykseen ja muihin kysymyksiin tulosten perusteella.

Perustelut

Data

**Kalansyönti Suomessa eri skenaarioissa (milj kg/a kokonaiskalana)**
Kalaryhmä	BAU 2017	Kotimainen edistäminen	Tuonnin edistäiminen
Kirjolohi suomalainen	11	45	11
Kasvatettu muu suomalainen	1	8	3
Silakka	4	18	8
Kaupallinen luonnonkala	6	12	8
Vapaa-ajan saalis	20	20	20
Tuontilohi	36	38	67
Tuontikirjolohi	8	8	17
Muu tuonti	28	28	28

Eräs keskeisistä terveysvaikutuksiin vaikuttavista oletuksista on, kuka lisääntyneen kalan söisi. Mahdollisia tapoja ajatella:

Syöntiä muutetaan nykysyönnin suhteessa.
Jokainen suomalainen syö vakiomäärän kalaa enemmän.
Kalansyönnin edistämistä suunnataan tietyille väestöryhmille, ja vaikutukset tulevat siellä (mihin?).
Vaikutukset jakautuvat satunnaisessa määrin eri yksilöille.

Malliparametrit

Malliparametrit saat näkyviin klikkaamalla.

Näytä yksityiskohdat

Malliparametrit(various)
Obs	Response	Exposure_agent	Type	Subgroup	Unit	Result	Description
1			amount	Kala:Kirjolohi; Age: Total population; Scenario: BAU	Gg /a	11	KKE-skenaario
2			amount	Kala:Kasvatettu; Age: Total population; Scenario: BAU	Gg /a	1	KKE-skenaario
3			amount	Kala:Silakka; Age: Total population; Scenario: BAU	Gg /a	4	KKE-skenaario
4			amount	Kala:Kaupallinen; Age: Total population; Scenario: BAU	Gg /a	6	KKE-skenaario
5			amount	Kala:Vapaa-ajan; Age: Total population; Scenario: BAU	Gg /a	20	KKE-skenaario
6			amount	Kala:Tuontilohi; Age: Total population; Scenario: BAU	Gg /a	36	KKE-skenaario
7			amount	Kala:Tuontikirjolohi; Age: Total population; Scenario: BAU	Gg /a	8	KKE-skenaario
8			amount	Kala:Muu tuonti; Age: Total population; Scenario: BAU	Gg /a	28	KKE-skenaario
9			amount	Kala:Kirjolohi; Age: Total population; Scenario: Kotimaa	Gg /a	45	KKE-skenaario
10			amount	Kala:Kasvatattu; Age: Total population; Scenario: Kotimaa	Gg /a	8	KKE-skenaario
11			amount	Kala:Silakka; Age: Total population; Scenario: Kotimaa	Gg /a	18	KKE-skenaario
12			amount	Kala:Kaupallinen; Age: Total population; Scenario: Kotimaa	Gg /a	12	KKE-skenaario
13			amount	Kala:Vapaa-ajan; Age: Total population; Scenario: Kotimaa	Gg /a	20	KKE-skenaario
14			amount	Kala:Tuontilohi; Age: Total population; Scenario: Kotimaa	Gg /a	38	KKE-skenaario
15			amount	Kala:Tuontikirjolohi; Age: Total population; Scenario: Kotimaa	Gg /a	8	KKE-skenaario
16			amount	Kala:Muu tuonti; Age: Total population; Scenario: Kotimaa	Gg /a	28	KKE-skenaario
17			amount	Kala:Kirjolohi; Age: Total population; Scenario: Tuonti	Gg /a	11	KKE-skenaario
18			amount	Kala:Kasvatettu; Age: Total population; Scenario: Tuonti	Gg /a	3	KKE-skenaario
19			amount	Kala:Silakka; Age: Total population; Scenario: Tuonti	Gg /a	8	KKE-skenaario
20			amount	Kala:Kaupallinen; Age: Total population; Scenario: Tuonti	Gg /a	8	KKE-skenaario
21			amount	Kala:Vapaa-ajan; Age: Total population; Scenario: Tuonti	Gg /a	20	KKE-skenaario
22			amount	Kala:Tuontilohi; Age: Total population; Scenario: Tuonti	Gg /a	67	KKE-skenaario
23			amount	Kala:Tuontikirjolohi; Age: Total population; Scenario: Tuonti	Gg /a	17	KKE-skenaario
24			amount	Kala:Muu tuonti; Age: Total population; Scenario: Tuonti	Gg /a	28	KKE-skenaario
25	CHD death		BoD	Age:Female 25-69	DALY	9876 (9103 - 10784)	Z:\Projects\RUORI\tautitaakka\Rasvat\IHD_data_IHME.csv
26	CHD death		BoD	Age:Male 25-69	DALY	48851 (54035 - 46123)	Z:\Projects\RUORI\tautitaakka\Rasvat\IHD_data_IHME.csv
27	CHD death		BoD	Age:Age 25-69	DALY	58727 (63138 - 56907)	Summed from previous
28	CHD death		BoD	Age:Female 70+	DALY	42750 (41007 - 45909)	Z:\Projects\RUORI\tautitaakka\Rasvat\IHD_data_IHME.csv
29	CHD death		BoD	Age:Male 70+	DALY	48150 (46327 - 51255)	Z:\Projects\RUORI\tautitaakka\Rasvat\IHD_data_IHME.csv
30	CHD death		BoD	Age:Age 70+	DALY	90900 (87334 - 97164)	Summed from previous
31	dummy		case burden	Age:Female 25-69	DALY /case	0	Needed for case_burden to cover all Ages
32	dummy		case burden	Age:Female 70+	DALY /case	0	Needed for case_burden to cover all Ages
33	dummy		case burden	Age:Male 25-69	DALY /case	0	Needed for case_burden to cover all Ages
34	dummy		case burden	Age:Male 70+	DALY /case	0	Needed for case_burden to cover all Ages
35	dummy		case burden	Age:Age 25-64	DALY /case	0	Needed for case_burden to cover all Ages
36	dummy		case burden	Age:Age 65-74	DALY /case	0	Needed for case_burden to cover all Ages
37	IQ loss		case burden	Age:Age 1	DALY /IQ	0.11 (0.06 - 0.16)	Arja used 0.013 but here we use Goherr value instead
38	Cancer morbidity		case burden	Age:Female 18-45	DALY/case	0 - 0.28	Goherr assessment
39	Cancer morbidity		case burden	Age:Non female 18-45	DALY/case	0 - 0.28	Goherr assessment
40	Sperm concentration		case burden	Age:Age 1	DALY/case	0 - 5	Goherr assessment
41	Yes or no dental defect		case burden	Age:Age 1	DALY/case	0 - 0.12	Goherr assessment
42	CHD2 mortality		case burden		DALY /case	5 - 15	Goherr assessment
43	Stroke mortality		case burden	5 - 15	DALY /case		Goherr assessment
44	Yes or no dental defect		case burden		DALY /case	0 - 0.12	Goherr assessment
45	Cancer morbidity		case burden		DALY /case	0.3937391 (0.3566650 - 0.4356150)	Goherr assessment
46	Vitamin D recommendation		case burden		DALY /case	0.0001 - 0.0101	Goherr assessment
47	Sperm concentration		case burden	0 - 5	DALY /case		Goherr assessment
48	Loss in child's IQ points		case burden		DALY /case	0.11 (0.06 - 0.16)	Goherr assessment
49		TEQ	exposure	Exposure:To child; Age: Age 1	pg /g	1.65 (0.38 - 3.47)	Ruori code; data from Goherr assessment
50		TEQ	exposure	Exposure:To eater; Age: Female 18-45	pg /d	4.79 (1.07 - 11.48)	Ruori code; data from Goherr assessment
51		TEQ	exposure	Exposure:To eater; Age: Non female 18-45	pg /d	22.61 (9.43 - 44.75)	Ruori code; data from Goherr assessment
52		TEQ	frexposed	Age:Age 1	fraction	1	frexposed is already in the exposure distribution
53		TEQ	frexposed	Age:Female 18-45	fraction	1	frexposed is already in the exposure distribution
54		TEQ	frexposed	Age:Non female 18-45	fraction	1	frexposed is already in the exposure distribution
55	IQ loss		incidence	Age:Age 1	IQ /100000py	596000	On average, a population has ca. 6 IQ points per person below 100: mean(abs(rnorm(10000, 100,15)-100))/2
56	Cancer morbidity		incidence	Age:Female 18-45	# /100000py	657	Statistics Finland https://tilastot.syoparekisteri.fi/syovat/ applies to all subgroups because cancer is lifetime risk
57	Cancer morbidity		incidence	Age:Non female 18-45	# /100000py	657	Statistics Finland https://tilastot.syoparekisteri.fi/syovat/ applies to all subgroups because cancer is lifetime risk
58	Sperm concentration		incidence	Age:Age 1	# /100000py	7000	Male infertility rate is 7 % (Wikipedia)
59	Yes or no dental defect		incidence	Age:Age 1	# /100000py	22400	Alaluusua et al 2004 found 11/49 cases in two lowest groups
60	CHD death	Saturated fat	PAF	Age:Age 25-69	fraction	0.064 (0.050 - 0.078)	Finland, 2010 situation from Wang et al. Supplementary
61	CHD death	Saturated fat	PAF	Age:Age 70+	fraction	0.048 (0.033 - 0.063)	Finland, 2010 situation from Wang et al. Supplementary
62			population	Age:Age 1		50934	Statistics Finland, 2018 https://pxnet2.stat.fi:443/PXWeb/sq/ac3373d0-e303-4c67-b32a-73c6d26df809
63			population	Age:Age 25-64	#	2814305	Statistics Finland
64			population	Age:Age 65-74	#	692868	Statistics Finland
65			population	Age:Age 25-69	#	3176513	Statistics Finland
66			population	Age:Age 70+	#	842629	Statistics Finland
67			population	Age:Total population	#	5517919	Statistics Finland
68			population	Age:Age 0 (congenital)	#	47663	Statistics Finland
69			population	Age:Age 1+ (acquired)	#	5470256	Statistics Finland
70			population	Age:Female 18-45	#	923697	Statistics Finland
71			population	Age:Non female 18-45	#	4594222	Statistics Finland

Decisions(-)
Obs	Decision	Option	Variable	Cell	Change	Result	Description
1	Adjust	BAU	incidence		Multiply	0.00001	1/100000 py --> 1 py
2	Scenario	BAU	PAF		Identity		For completion
3	Scenario	BAU	exposure		Identity		For completion
4	Adjust	BAU	exposure		Add	0.01	Roughly 98 % of all exposures for Exposure_agents is > 0.005. This prevents NaN in log scaling.
5	Scenario	Action	exposure	Exposure: To child; Age: Age 1	Replace	0.98 (0.17 - 2.9)	Based on RUORI modelling (see code)
6	Scenario	Action	exposure	Exposure: To eater; Age: Female 18-45	Replace	2.79 (0.56 - 7.08)	Based on RUORI modelling (see code)
7	Scenario	Action	exposure	Exposure: To eater; Age: Non female 18-45	Replace	11.38 (3.44 - 46.22)	Based on RUORI modelling (see code)

CollapseMarginals(-)
Obs	Variable	Index	Probs	Function	Dummy	Description
1	BoD	incidenceSource,disabilityweightSource,populationSource,BoDSource		sum	1	Remove redundant
2	PAF	Unit, Exposure, Scaling,Exposcen, ER_function, ERFchoiceSource, exposureSource, bgexposureSource, BWSource, doseSource, thresholdSource, ERFSource, RRSource, frexposedSource, incidenceSource, InpPAFSource		sum	1	Remove redundant
3	case_burden	case_burdenSource		sum	1	Fill missing Ages
4	BoDattr	PAFSource, Hepatitis, Adjust		sum	1	Remove redundant
5	amount	assumpSource, oftenSource, muchSource, oftensideSource, muchsideSource, amountRawSource, effinfoSource, effrecommSource, amountSource		sum	1	Remove redundant
6	expo_indir	f_ingSource, t0.5Source,f_mtocSource, BFSource		sum	1	Remove redundant
7	dose	Source, concSource, expo_dirSrouce, exposureSource, BWSource, Source.1		sum	1	Remove redundant
8	conc	Fish	0, 1, 0, 0, 0, 0, 0.19, 0.19, 0.19, 0, 0, 0, 0, 0, 0, 0, 0.29, 0.14	sample	1	Probs relative to consumption; Baltic herring has equal weight with others combined because it is another scenario. Arctic char, Baltic herring, Bream, Burbot, Cod, Flounder, Perch, Pike, Pike-perch, Rainbow trout, River lamprey, Roach, Salmon, Sea trout, Sprat, Trout, Vendace, Whitefish
9	ERF	Exposure, Age		sum	1	Remove redundant
10	threshold	Exposure, Age		sum	1	Remove redundant

Laskenta

Avoimen arvioinnin mallikoodi on kirjoitettu R:llä ja se löytyy Githubista.

Keskeiset tulosteet

+ Näytä koodi - Piilota koodi

# This is code Op_fi5923/ on page [[Ruori]]
library(OpasnetUtils)
library(ggplot2)
library(thlGraphs)
library(plotly)

openv.setN(10)

objects.latest("Op_fi5923", code_name="model")

# First empty all objects for a fresh start. Otherwise may be problems with CheckDecisions.
oempty(all=TRUE)

InpBoD <- EvalOutput(InpBoD)
InpPAF <- EvalOutput(InpPAF)
utility <- EvalOutput(utility, verbose=TRUE)

# Sample from default and sensitivity scenario about lead threshold.

cat("Elintarvikeperäisen lyijyn vaikutukset herkkyystarkastelussa.\n")
oprint(summary(BoDattr[BoDattr$Exposure_agent=="Lyijy",]))

BoDattr <- CollapseMarginal(BoDattr,"Threshold","sample")
utility <- CollapseMarginal(utility,"Threshold","sample")

levels(BoDattr$Exposure_agent)[levels(BoDattr$Exposure_agent)=="Vihannesvaje"] <- "Kasvisvaje"

#levels(BoDattr$Response)
#[1] "Cancer morbidity"        "IQ loss"                 "Listeriosis"             "Liver cancer"           
#[5] "Noro infection"          "Sperm concentration"     "Toxoplasmosis"           "Yes or no dental defect"
#[9] "CHD death"               "Diet high in sodium"     "Diet low in fruits"      "Diet low in vegetables" 

levels(BoDattr$Response) <- c(
  "Syöpä",
  "Älykkyysosamäärän lasku",
  "Listerioosi",
  "Maksasyöpä",
  "Noroinfektio",
  "Miehen hedelmättömyys",
  "Toksoplasmoosi",
  "Hammasvaurio",
  "Sydäntauti",
  "Liika suola",
  "Hedelmävaje",
  "Kasvisvaje"
)

cat("Elintarvikeperäisiä tautitaakkoja Suomessa arpoen lyijylle oletetun tai matalamman kynnysarvon.\n")
tmp <- summary(oapply(BoDattr[BoDattr$Scenario=="BAU",],NULL,sum,c("Age","Response")))
oprint(data.frame(
  Altiste = tmp$Exposure_agent,
  Keskiarvo = signif(tmp$mean,2),
  "95 luottamusväli" = paste0(signif(tmp$Q0.025,2)," - ", signif(tmp$Q0.975,2)),
  Keskihajonta = signif(tmp$sd,2)
)[rev(match(lev, tmp$Exposure_agent)),])

cat("Elintarvikeperäisiä tautitaakkoja Suomessa ikä- ja tautiryhmittäin arpoen lyijylle oletetun tai matalamman kynnysarvon.\n")
tmp <- summary(BoDattr[BoDattr$Scenario=="BAU",])
oprint(data.frame(
  Altiste = tmp$Exposure_agent,
  Ikä = tmp$Age,
  Vaste = tmp$Response,
  Keskiarvo = signif(tmp$mean,2),
  Mediaani = signif(tmp$median,2),
  "95 luottamusväli" = paste0(signif(tmp$Q0.025,2)," - ", signif(tmp$Q0.975,2)),
  Keskihajonta = signif(tmp$sd,2)
))

cat("Ruori-skenaarioiden vaikutus tautitaakkaan\n")
tmp <- summary(utility)
oprint(data.frame(
  Altiste = tmp$Exposure_agent,
  Keskiarvo = signif(tmp$mean,2),
  "95 luottamusväli" = paste0(signif(tmp$Q0.025,2)," - ", signif(tmp$Q0.975,2)),
  Keskihajonta = signif(tmp$sd,2)
)[rev(match(lev, tmp$Exposure_agent)),])

dodge <- position_dodge(width=0.7)

if(FALSE) {
  
  gg <-  ggplot(summary(oapply(BoDattr[BoDattr$Scenario=="BAU",],NULL,sum,"Age")),
                aes(x=Exposure_agent, weight=unlist(mean), fill=Response))+geom_bar()+
    theme(legend.position = "bottom")+
    labs(
      title="Elintarvikkeiden tautitaakkoja Suomessa",
      subtitle="Haittapainotettua elinvuotta vuodessa (DALY/a)")+
    coord_flip()
  
  print(gg)
  
  gg <- ggplot(summary(oapply(BoDattr, NULL, sum,c("Age","Response"))),
               aes(x=Exposure_agent, weight=unlist(mean), fill=Scenario))+geom_bar(position="dodge")+
    coord_flip(ylim=c(0,70000))+
    labs(
      title="Elintarvikeperäisiä tautitaakkoja Suomessa",
      subtitle="Haittapainotettua elinvuotta vuodessa (DALY/a)")+
    geom_errorbar(aes(ymin=unlist(Q0.025),ymax=unlist(Q0.975),group=Scenario),position=dodge, width=0.3)+
    geom_text(aes(label=signif(unlist(mean),2), y=unlist(Q0.975)+5000, group=Scenario), position=dodge)
  
  print(gg)
  
  # Utility of actions
  
  gg <- ggplot(summary(utility),aes(x=Exposure_agent, weight=unlist(mean)))+geom_bar(fill="lightblue")+
    coord_flip(ylim=c(-9000,0))+
    labs(
      title="Ruori-skenaarioiden vaikutus tautitaakkaan",
      subtitle="Haittapainotettua elinvuotta vuodessa (DALY/a)")+
    geom_errorbar(aes(ymin=unlist(Q0.025),ymax=unlist(Q0.975)), width=0.3)+
    geom_text(aes(label=signif(unlist(mean),2), y=unlist(Q0.025)-600))
  
  print(gg)
  
} else {
  
  ###### RUN THESE ON OWN COMPUTER WITH thlGraphs PACKAGE
  
#  levels(BoDattr$Exposure_agent)
#  [1] "Aflatoksiini"      "Dioksiini"         "Norovirus"         "Toksoplasma"      
#  [5] "Lyijy"             "Listeria"          "Tyydyttynyt rasva" "Vihannesvaje"     
#  [9] "Suola"             "Hedelmävaje"      
  
  levels(BoDattr$Exposure_agent) <- c(
    "Aflatoxin","Dioxin","Noro virus","Toxoplasma", "Lead","Listeria",
    "Saturated fat","Lack of vegetables","Sodium","Lack of fruits")
  
  thlBarPlot(summary(oapply(BoDattr[BoDattr$Scenario=="BAU",],NULL,sum,"Age")),
             xvar=Exposure_agent, yvar=unlist(mean), groupvar=Response, legend.position="bottom",
             colors=thlColors(n=12),
             title="Elintarvikkeiden tautitaakkoja Suomessa", subtitle="Haittapainotettua elinvuotta vuodessa (DALY/a)")+coord_flip()
  
  thlBarPlot(summary(oapply(BoDattr, NULL, sum,c("Age","Response"))),xvar=Exposure_agent, yvar=unlist(mean),
             groupvar=Scenario,stacked=FALSE, ylimits=c(0,70000),
#             title="Elintarvikeperäisiä tautitaakkoja Suomessa",
#             subtitle="Haittapainotettua elinvuotta vuodessa (DALY/a)")+
title="Burden of disease of selected food-mediated risk factors in Finland",
subtitle="Disability-adjusted life years per year (DALY/a)")+
    coord_flip()+
    geom_errorbar(aes(ymin=unlist(Q0.025),ymax=unlist(Q0.975),group=Scenario),position=dodge, width=0.3)+
    geom_text(aes(label=signif(unlist(mean),2), y=unlist(Q0.975)+5000, group=Scenario), position=dodge)
  
  ggsave("Ruori Burden of disease.png",width=10,height=6)
#  ggsave("Ruori-tautitaakka.png",width=10,height=6)
  
  
  # Error bars are not used in this plotly because it is unclear what it means in a stacked bar.
 p <-plot_ly(
    summary(oapply(BoDattr[BoDattr$Scenario=="BAU",], NULL, sum,c("Age"))),
    y=~Exposure_agent,
    x=~signif(mean,3),
    text=~Response,
    name=~Response,
    type="bar",
    orientation = "h"
  ) %>%
    layout(
      barmode="stack",
      title="Elintarvikeperäisiä tautitaakkoja Suomessa",
      xaxis=list(title="Haittapainotettua elinvuotta vuodessa (DALY/a)"),
      yaxis=list(title="")
      )
 
#  pushIndicatorGraph(p, 117)
  #  ggsave("Ruori-tautitaakat.png",width=10/1.2,height=6/1.2)
  
  # Utility of actions
  
  thlBarPlot(summary(utility),xvar=Exposure_agent, yvar=unlist(mean), ylimits=c(-9000,0),
             title="Ruori-skenaarioiden vaikutus tautitaakkaan",
             subtitle="Haittapainotettua elinvuotta vuodessa (DALY/a)")+coord_flip()+
    geom_errorbar(aes(ymin=unlist(Q0.025),ymax=unlist(Q0.975)), width=0.3)+
    geom_text(aes(label=signif(unlist(mean),2), y=unlist(Q0.025)-600))
  
  
  #  ggsave("Ruori-toimenpideiden vaikutus.png",width=10/1.2,height=6/1.2)
}

Arviointimallin alustus