Ruori

Tämä sivu on tietokide alatyypiltään arviointi. 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}}

Ruori on VN-TEAS-hanke, jossa arvioidaan erilaisia ruokaan liittyviä riskitekijöitä, niiden vähentämispotentiaalia ja niiden terveys- ja talousvaikutuksia.

Rajaus

Kysymys

Millaista tautitaakkaa Suomessa aiheuttavat Ruori-altisteet (tyydyttynyt rasva, vähäiset vihannekset, vähäiset hedelmät, liiallnen suola, dioksiinit, lyijy, toksoplasma, norovirus ja legionella?

Aikataulu ja käyttäjät

Hanke alkoi 2018 ja loppuu 30.6.2019.
Toteuttajina ovat Ruokavirasto, THL ja Helsingin yliopisto.
Seuraavat skenaariot ovat tarkastelussa:

Vastaus

Vastaus kirjoitetaan tähän pian.

Perustelut

Data

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].

Malliparametrit

Malliparametrit(various)
Obs	Response	Exposure_agent	Type	Sg_type	Subgroup	Unit	Result	Description
1	CHD death		YLL	Age	Female 25-69	DALY	9876 (9103 - 10784)	Z:\Projects\RUORI\tautitaakka\Rasvat\IHD_data_IHME.csv
2	CHD death		YLL	Age	Female 70+	DALY	42750 (41007 - 45909)	Z:\Projects\RUORI\tautitaakka\Rasvat\IHD_data_IHME.csv
3	CHD death		YLL	Age	Male 25-69	DALY	48851 (54035 - 46123)	Z:\Projects\RUORI\tautitaakka\Rasvat\IHD_data_IHME.csv
4	CHD death		YLL	Age	Male 70+	DALY	48150 (46327 - 51255)	Z:\Projects\RUORI\tautitaakka\Rasvat\IHD_data_IHME.csv
5	CHD death	Saturated fat	PAF	Age	Age 25-69	fraction	0.064 (0.050 - 0.078)	Finland, 2010 situation from Wang et al. Supplementary
6	CHD death	Saturated fat	PAF	Age	Age 70+	fraction	0.048 (0.033 - 0.063)	Finland, 2010 situation from Wang et al. Supplementary
7		Saturated fat	scenario exposure	Age	Male 18-24	E%	14.9	Finravinto 2017. Supplementary table 7.12. Average daily intake of saturated fats by gender and age.
8		Saturated fat	scenario exposure	Age	Male 25-44	E%	15.2	Finravinto 2017. Supplementary table 7.12. Average daily intake of saturated fats by gender and age.
9		Saturated fat	scenario exposure	Age	Male 45-64	E%	15.3	Finravinto 2017. Supplementary table 7.12. Average daily intake of saturated fats by gender and age.
10		Saturated fat	scenario exposure	Age	Male 65-74	E%	14.4	Finravinto 2017. Supplementary table 7.12. Average daily intake of saturated fats by gender and age.
11		Saturated fat	scenario exposure	Age	Female 18-24	E%	13.8	Finravinto 2017. Supplementary table 7.12. Average daily intake of saturated fats by gender and age.
12		Saturated fat	scenario exposure	Age	Female 25-44	E%	14.8	Finravinto 2017. Supplementary table 7.12. Average daily intake of saturated fats by gender and age.
13		Saturated fat	scenario exposure	Age	Female 45-64	E%	14.3	Finravinto 2017. Supplementary table 7.12. Average daily intake of saturated fats by gender and age.
14		Saturated fat	scenario exposure	Age	Female 65-74	E%	14.0	Finravinto 2017. Supplementary table 7.12. Average daily intake of saturated fats by gender and age.
15		Saturated fat	exposure	Age	Age 25-69	E%	13.1 (12.9 - 13.4)	Finland, 2010 situation from Wang et al. Supplementary
16		Saturated fat	exposure	Age	Age 70+	E%	13.2 (12.8 - 13.6)	Finland, 2010 situation from Wang et al. Supplementary
17	Liver cancer	Aflatoxin	UR	Hepatitis	Hepatitis B-	# /(ng /kg /d /100000py)	0.01 (0.002 - 0.03)	WHO Is this per year or per lifetime?
18	Liver cancer	Aflatoxin	UR	Hepatitis	Hepatitis B+	# /(ng /kg /d /100000py)	0.3 (0.01 - 0.5)	WHO Is this per year or per lifetime?
19	Aflatoxin		exposure	Age	Age 25-64	ng /kg /d	0.85 - 1.14	Finravinto 2012
20	Aflatoxin		exposure	Age	Age 65-74	ng /kg /d	0.5 - 0.67	Finravinto 2012
21	Hepatitis		prevalence	Hepatitis	Hepatitis B-	fraction	0.005	TerveSuomi
22	Hepatitis		prevalence	Hepatitis	Hepatitis B+	fraction	0.995	TerveSuomi
23	Liver cancer		incidence	Age	Age 25-64	# /100000py	4.06	Finnish Cancer Registry, average 2011-2015
24	Liver cancer		incidence	Age	Age 65-74	# /100000py	26.16	Finnish Cancer Registry, average 2011-2015
25	Toxoplasma gondii		incidence	Age	Age 0 (congenital)	# /100000py	0.3 (0.2 - 0.7)	WHO 2015 report, European values (Table A8.2)
26	Toxoplasma gondii		incidence	Age	Age 1+ (acquired)	# /100000py	119 (77 - 188)	WHO 2015 report, European values (Table A8.2)
27	Toxoplasma gondii		disability weight * duration	Age	Age 0 (congenital)	DALY/case	7	WHO 2015 report, European values (Table A8.2)
28	Toxoplasma gondii		disability weight * duration	Age	Age 1+ (acquired)	DALY/case	0.05	WHO 2015 report, European values (Table A8.2)
29	Listeria		incidence	Age	Total population	# /100000py	1.22	Tartuntatautirekisteri 2016: 66 kpl. WHO 2015 report, European values (Table A8.2): 0.2 (0.2 - 0.3)
30	Listeria		disability weight * duration	Age	Total population	DALY/case	10 (5 - 13.3)	WHO 2015 report, European values (Table A8.2)
31	Noro virus		incidence	Age	Total population	# /100000py	1652 (630 - 3294)	WHO 2015 report, European values (Table A8.2)
32	Noro virus		disability weight * duration	Age	Total population	DALY/case	0.0015 - 0.0025	WHO 2015 report, European values (Table A8.2)
33	Toxoplasma gondii		PAF	Age	Total population	fraction	1	dummy variable
34	Listeria		PAF	Age	Total population	fraction	1	dummy variable
35	Noro virus		PAF	Age	Total population	fraction	1	dummy variable
36		Lead	exposure	Age	Age 1	ug /l	27.9	Measured as blood concentration. RASKURI, Z:\Projects\RUORI\tautitaakka\Lyijy\Lyijy_tautitaakkadata.xlsx
37	IQ loss	Lead	UR	Age	Age 1	IQ l /ug	0.039	Lanphear et al 2005 https://doi.org/10.1289/ehp.7688 CHECK THRESHOLD
38	IQ loss	Lead	threshold	Age	Age 1	ug /l	24	Lanphear et al 2005 https://doi.org/10.1289/ehp.7688 CHECK THRESHOLD
39		Lead	frexposed	Age	Age 1	#	0.0657	Population exposed to lead over threshold: 3126. RASKURI, Z:\Projects\RUORI\tautitaakka\Lyijy\Lyijy_tautitaakkadata.xlsx
40	IQ loss		disability weight * duration	Age	Age 1	DALY /IQ	0.11 (0.06 - 0.16)	Arja used 0.013 but here we use Goherr value instead
41			population	Age	Age 1		47577	Statistics Finland, 2018 http://stat.fi/til/synt/index.html
42			population	Age	Age 25-64	#	2835089	Statistics Finland?
43			population	Age	Age 65-74	#	615487	Statistics Finland?
44			population	Age	Total population	#	5471753	Statistics Finland?

Annos-vasteet on tässä vain näytillä, ja oikeat käyttöön tulevat luvut ovat sivulla op_en:ERFs of environmental pollutants.

Decisions(-)
Obs	Decision	Option	Variable	Cell	Change	Result	Description
1	Adjust	BAU	incidence		multiply	0.00001	1/100000 py --> 1 py
2	Adjust	BAU	PAF	Exposure_agent:Saturated fat	multiply	1.132	Scaled from Wang to Finravinto 2017: mean(15.2,15.3,14.8,14.0)/13.1
3	Hepatitis	Hepatitis B-	population		multiply	0.995	Healthy people. Data from TerveSuomi
4	Hepatitis	Hepetitis B+	population		multiply	0.005	Hepatitis B patients. Data from TerveSuomi

Laskenta

Arviointimalli

Tautitaakkakuvia

+ 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]