Kotimaisen kalan edistämisohjelma

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; Scenario: BAU Gg /a 11 KKE-skenaario 2 amount Kala:Kasvatettu; Scenario: BAU Gg /a 1 KKE-skenaario 3 amount Kala:Silakka; Scenario: BAU Gg /a 4 KKE-skenaario 4 amount Kala:Kaupallinen; Scenario: BAU Gg /a 6 KKE-skenaario 5 amount Kala:Vapaa-ajan; Scenario: BAU Gg /a 20 KKE-skenaario 6 amount Kala:Tuontilohi; Scenario: BAU Gg /a 36 KKE-skenaario 7 amount Kala:Tuontikirjolohi; Scenario: BAU Gg /a 8 KKE-skenaario 8 amount Kala:Muu tuonti; Scenario: BAU Gg /a 28 KKE-skenaario 9 amount Kala:Kirjolohi; Scenario: Kotimaa Gg /a 45 KKE-skenaario 10 amount Kala:Kasvatattu; Scenario: Kotimaa Gg /a 8 KKE-skenaario 11 amount Kala:Silakka; Scenario: Kotimaa Gg /a 18 KKE-skenaario 12 amount Kala:Kaupallinen; Scenario: Kotimaa Gg /a 12 KKE-skenaario 13 amount Kala:Vapaa-ajan; Scenario: Kotimaa Gg /a 20 KKE-skenaario 14 amount Kala:Tuontilohi; Scenario: Kotimaa Gg /a 38 KKE-skenaario 15 amount Kala:Tuontikirjolohi; Scenario: Kotimaa Gg /a 8 KKE-skenaario 16 amount Kala:Muu tuonti; Scenario: Kotimaa Gg /a 28 KKE-skenaario 17 amount Kala:Kirjolohi; Scenario: Tuonti Gg /a 11 KKE-skenaario 18 amount Kala:Kasvatettu; Scenario: Tuonti Gg /a 3 KKE-skenaario 19 amount Kala:Silakka; Scenario: Tuonti Gg /a 8 KKE-skenaario 20 amount Kala:Kaupallinen; Scenario: Tuonti Gg /a 8 KKE-skenaario 21 amount Kala:Vapaa-ajan; Scenario: Tuonti Gg /a 20 KKE-skenaario 22 amount Kala:Tuontilohi; Scenario: Tuonti Gg /a 67 KKE-skenaario 23 amount Kala:Tuontikirjolohi; Scenario: Tuonti Gg /a 17 KKE-skenaario 24 amount Kala:Muu tuonti; 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 Scenario

Laskenta

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

Yleiskuva terveysvaikutusten laskentamallista.

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

+ Näytä koodi- Piilota koodi # This is code Op_fi5923/model on page [[Ruori]] library(OpasnetUtils) library(ggplot2) # First empty all objects for a fresh start. Otherwise may be problems with CheckDecisions. oempty(all=TRUE) openv.setN(1000) dat <- opbase.data("Op_fi5923", subset="Malliparametrit")[-1] dec <- opbase.data("Op_fi5923", subset="Decisions")[-1] DecisionTableParser(dec) CTable <- opbase.data("Op_fi5923",subset="CollapseMarginals") for(i in 1:ncol(CTable)) {CTable[[i]] <- as.character(CTable[[i]])} CollapseTableParser(CTable) cat("Laskennassa käytetty data.\n") oprint(dat) cat("Tarkastellut päätökset.\n") oprint(dec) cat("Aggregoidut marginaalit.\n") oprint(CTable) #' prepare adjusts the data table for ovariables. Requires function subgrouping from code Op_en2031/initiate on page [[Exposure-response function]] #' @param dat data.frame #' @param type type of data that is used. Must match content in column Type #' @param drop columns to remove #' @return data.frame prepare <- function(dat, type=NULL, drop=NULL) { out <- dat if(!is.null(type)) out <- out[out$Type %in% type , ] if(!is.null(drop)) out <- out[!colnames(out) %in% drop] return(subgrouping(out)) } objects.latest("Op_en2031", code_name="subgrouping") # [[Exposure-response function]] subgrouping population <- Ovariable("population", data = prepare(dat,"population",c("Type","Exposure_agent","Response","Unit"))) exposure <- Ovariable("exposure", data = prepare(dat, "exposure", c("Type","Response"))) frexposed <- Ovariable("frexposed", data=prepare(dat, "frexposed", c("Type","Response","Unit"))) incidence <- Ovariable("incidence", data = prepare(dat,"incidence",c("Type","Exposure_agent","Unit"))) ERFChoice <- Ovariable( "ERFchoice", data=data.frame( Response=c("IQ loss","Liver cancer","Yes or no dental defect","Cancer morbidity","Sperm concenctration"), Exposure_agent=c("Lead","Aflatoxin","TEQ","TEQ","TEQ"), Result=1) ) case_burden <- Ovariable("case_burden", data= prepare(dat,"case burden",c("Type","Exposure_agent","Unit"))) InpPAF <- EvalOutput(Ovariable("InpPAF", data = prepare(dat,"PAF","Type"))) InpBoD <- EvalOutput(Ovariable("InpBoD", data = prepare(dat, "BoD", c("Type","Exposure_agent")))) objects.latest("Op_en2261",code_name="BoDattr2") # [[Health impact assessment]] #levels(BoDattr$Exposure_agent) #[1] "Aflatoxin" "Lead" "TEQ" "Fruits" "Listeria" "Noro virus" "Saturated fat" "Sodium" #[8] "Toxoplasma gondii" "Vegetables" BoDattrOrigFormula <- BoDattr@formula BoDattr@formula <- function(...) { BoDattr <- BoDattrOrigFormula() levels(BoDattr$Exposure_agent) <- c("Aflatoksiini","Lyijy", "Dioksiini", "Hedelmävaje","Listeria","Norovirus", "Tyydyttynyt rasva","Suola", "Toksoplasma","Vihannesvaje") lev <- oapply(BoDattr[BoDattr$Scenario=="BAU",],"Exposure_agent",sum) lev <- lev$Exposure_agent[order(result(lev))] BoDattr$Exposure_agent <- factor(BoDattr$Exposure_agent, levels=lev) return(BoDattr) } utility <- Ovariable( "utility", dependencies = data.frame(Name="BoDattr"), formula = function(...) { out <- BoDattr * Ovariable(data=data.frame(Scenario=c("Action","BAU"),Result=c(1,-1))) out <- oapply(out, cols=c("Scenario","Response","Age"),FUN=sum) return(out) } ) utility <- EvalOutput(utility) lev <- levels(BoDattr$Exposure_agent) cat("exposure\n") oprint(summary(exposure,marginals=c("Exposure_agent","Age","Scenario")),digits=7) oprint(exposure@output[exposure$Iter==1,]) cat("dose\n") oprint(summary(dose),digits=7) cat("ERF\n") oprint(ERF@output[ERF$Iter==1,],digits=7) cat("incidence\n") oprint(summary(incidence),digits=7) cat("frexposed\n") oprint(summary(frexposed),digits=7) cat("PAF\n") oprint(summary(PAF),digits=7) cat("BoD\n") oprint(summary(BoD),digits=7) cat("BoDattr\n") oprint(summary(BoDattr,marginals=c("Response","Exposure_agent","Scenario","Age")),digits=7) cat("Vähennyspotentiaali\n") tmp <- summary(utility, marginals=c("Exposure_agent")) oprint(tmp[order(unlist(tmp$mean)),]) objects.store(list=setdiff(ls(), "wiki_username")) cat("Objects", setdiff(ls(), "wiki_username"), "stored.\n") ################### # Disease burden # Sample from default and sensitivity scenario about lead threshold. cat("Elintarvikeperäisen lyijyn vaikutukset herkkyystarkastelussa.\n") oprint(summary(BoDattr[BoDattr$Exposure_agent=="Lyijy",])) BoDattr <- CollapseMarginal(BoDattr,"Threshold","sample") utility <- CollapseMarginal(utility,"Threshold","sample") cat("Elintarvikeperäisiä tautitaakkoja Suomessa\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$Exposure_agent)),]) cat("Ruori-skenaarioiden vaikutus tautitaakkaan\n") tmp <- summary(utility) oprint(data.frame( Altiste = tmp$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$Exposure_agent)),]) dodge <- position_dodge(width=0.7) ggplot(summary(oapply(BoDattr[BoDattr$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() 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) # Utility of actions 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)) ################ Insight network gr <- scrape(type="assessment") objects.latest("Op_en3861", "makeGraph") # [[Insight network]] gr <- makeGraph(gr) #export_graph(gr, "ruori.svg") render_graph(gr)

Katso myös

• op_en:Goherr assessment
• Ruori