PFAS-yhdisteiden tautitaakka

Tämä sivu on tietokide alatyypiltään arviointi. Sivutunniste: Op_fi5932
Moderaattori:Jouni (katso kaikki) Sivun edistymistä ei ole arvioitu. Arvostuksen määrää ei ole arvioitu (ks. peer review).
Lisää dataa {{#opasnet_base_link:Op_fi5932}}

Edistymisluokitus
Opasnetissa lukuisat sivut ovat työn alla eri vaiheissa. Niiden tietosisältöön pitää siis suhtautua harkiten. Tämän sivun sisällön edistyminen on arvioitu: Tämä sivu on luonnos Sivun olennainen sisältö ja rakenne on jo hahmottunut, mutta kuitenkin isoja sisältöpuutteita on edelleen.

PFAS-yhdisteiden tautitaakka käsittelee perfluorattuja alkyyliyhdisteitä ja niiden terveysvaikutuksia Suomessa. Euroopan ruokaturvavirasto EFSA on julkaissut vuonna 2020 päivitetyn riskinarvioinnin ja saantisuosituksen PFAS-yhdisteille. PFAS-yhdisteitä on käytetty laajalti eri kuluttajatuotteissa, kuin myös teollisuudessa 1950-luvulta lähtien. Nykyisin joidenkin PFAS-yhdisteiden käyttö on Euroopassa rajoitettua, mutta edelleen niitä käytetään mm. sammutusvaahdoissa, joten esim. laajassa tulipalossa näitä aineita voi päästä ympäristöön. Muita päästölähteitä Suomessa ovat mm. jätevedenpuhdistamot, kaatopaikat tai paloharjoittelualueet. Suomessa ja muuallakin Euroopassa PFAS-yhdisteitä on käytetty yleisesti kuluttajatuotteissa, teollisuudessa ja muussa toiminnassa. Tämä selvitys on tehty kartoittamaan PFAS-yhdisteiden pitoisuuksia kalassa, ihmisen altistumista ja altistumiseen kohdentuvaa tautitaakkaa verrattuna muihin kalan terveysvaikutuksiin. Ihmiset altistuvat Suomessa PFAS-yhdisteille usein kalan kautta, ja vaikka monet kalassa olevat pysyvät ympäristömyrkyt ovat olleet pitkällä aikavälillä vähenemässä, PFAS-yhdisteiden pitoisuudet kalassa eivät ole viime aikoina seuranneet tätä trendiä. Tautitaakkaa on Suomessa arvioitu monille ympäristötekijöille, mutta PFAS-yhdisteille tämä on puuttunut. Tässä julkaisussa esitetty arviointi pyrkii korjaamaan näitä puutteita.

Helsingin Vanhankaupunginlahti

Eviran koordinoimassa EU kalat II -projektissa tutkittiin Itämeren kalojen ja kotimaisten järvikalojen sekä kasvatettujen kalojen ympäristömyrkkypitoisuuksia (Hallikainen ym. 2011). Hanke käynnistettiin vuonna 2009 ja se oli jatkoa vuosina 2002–2003 toteutetulle EU kalat -projektille. EU kalat II -hankkeessa tutkittiin kalojen PCDD/F- ja PCB- sekä PBDE-pitoisuuksia. Lisäksi tutkittiin perfluorattujen yhdisteiden (PFC) ja organotina (OT) -yhdisteiden pitoisuuksia kalan lihaksesta ja maksasta. Helsingin Vanhankaupunginlahden ahvenen lihaksista löydettiin suurimmat pitoisuudet PFOS- ja OT-yhdisteiden osalta. Pitoisuudet olivat niin korkeita, että niiden todettiin antavan aihetta suositella etenkin isojen ahventen kulutuksen rajoittamista.

Helsingin kaupunki ei ole antanut paikallisia kalan syöntisuosituksia taikka rajoituksia kansallisten kalan syöntisuositusten lisäksi (Pääkkönen J-P, 2021). Paikallisten rajoitusten sijaan valtakunnalliset rajoitukset mahdollistaisivat rajoitusten soveltamisen myös muille aluille, joilla ympäristömyrkkyjen pitoisuudet ovat korkeita. Helsingin kaupunki ja sen suurimmat toimijat toteuttavat pääkaupunkiseudun merialueella toteutetaan yhteistarkkailua ympäristömyrkkyjen osalta. Tarkkailussa seurataan mm. sedimentin ja eliöiden haitta-ainepitoisuuksia (mm. organotinat, raskasmetallit, PCB-yhdisteet, PAH-yhdisteet ja öljyhiilivedyt). Lisäksi kalojen organotina- ja elohopeapitoisuudet on sisällytetty Helsingin ja Espoon edustan merialueen yhteistarkkailuohjelmaan.

Kysymys

Mikä on perfluorattujen alkyyliyhdisteiden (PFAS) tautitaakka Suomessa kalansyönnin aiheuttaman altistuksen seurauksena? Millaista terveyshaittaa PFAS-yhdisteistä voisi olla ja miten nämä haitat suhteutuvat kalansyönnin muihin terveysvaikutuksiin?

Lisäksi on tarkasteltu Neste Oyj ja THL:n yhteisprojektissa perfluorattujen alkyyliyhdisteiden (PFAS) tautitaakkaa Porvoon edustan merialueella (Kilpilahti) sekä Vanhankaupunginlahdella Helsingin edustalla.

Oletettu käyttö ja käyttäjät

• Kuntien terveydensuojeluviranomaiset
• PFAS-yhdisteitä käyttävä teollisuus

Osallistujat

• Jouni Tuomisto, THL (tautitaakka-arviot, mallitus)
• Heli Lehtomäki, THL (tautitaakka-arviot)
• Päivi Ruokojärvi THL (pitoisuusanalytiikka)
• Juha Heijari (Neste oyj) (näytteenkeräys ja mittaustulokset)

Rajaus

Tarkastellaan

• nykyhetkeä
• PFAS-yhdisteiden saantia kalasta
• parasta arviota tilanteesta epävarmuuksineen (ei pahinta mahdollista skenaariota)

Vaihtoehdot

Arviointi koskee nykytilanteen tautitaakkaa, eikä päätarkoitus ole tehdä vertailua erilaisten päätösskenaarioiden välillä. Työn kuluessa saatetaan kuitenkin tunnistaa erilaisia toimenpiteitä, joiden vaikutusta tautitaakkaan arvioidaan.

Aikataulu

• Arviointi tehdään marras-tammikuussa 2020-2021.
• Tehtäviä:
  • Jouni: Päivitä immuuniannosvaste tautitaakkamalliin
  • Heli: Tarkista Helsingin kalastusrajoitus: mikä tietolähde, mikä sisältö / Eviran mukaan Helsingin Vanhankaupunginlahden ahvenen syöntiä tulisi välttää, mutta Helsingin kaupunki ei ole asettanut virallisia kalastusrajoituksia/suosituksia.
  • Heli: Tarkastele annosvasteita kvantitatiivisesta näkökulmasta: immuunivaste, kolesteroli, alentunut syntymäpaino.
  • Ei priorisoitu: Kirjaa Porvoon kalanäytteistä myös elohopea- ja dioksiinipitoisuudet t2b-taulukkoon.
  • Ei priorisoitu: Kehitä bayes-malli, joka olettaa samantapaisen keskihajonnan joka johdokselle ja sen perusteella tuottaa pitoisuusestimaatit myös niistä johdoksista, joista vain pieni osa ylittää määritysrajan näytteissä. Keskiarvoa estimoimalla siis pyritään löytämään jakauma, josta havaittu X % ylittää määritysrajan.

Vastaus

Tulokset

Tautitaakka kalasta eri tekijöiden mukaan (DALY/a). (Negatiiviset luvut ovat terveyshyötyjä.)

Altiste	Keskiarvo	95 % luottamusväli	Keskihajonta
DHA	-220	-1500 - 0	410
Fish	-58000	-240000 - 0	70000
MeHg	800	0 - 10000	4200
Omega3	-15000	-47000 - 0	15000
PFAS	12	0 - 89	21
TEQ	3300	0.11 - 16000	4200
Vitamin D	-2200	-17000 - 0	5000

Tautitaakka kalasta eri terveysvaikutusten mukaan (DALY/a). (Negatiiviset luvut ovat terveyshyötyjä.)

Terveysvaikutus	Keskiarvo	95 % luottamusväli	Keskihajonta
All-cause mortality	-52000	-230000 - 0	66000
Breast cancer	-3700	-14000 - 0	4300
Cancer morbidity yearly	2500	0.14 - 15000	3900
CHD2 mortality	-11000	-38000 - 0	12000
Depression	-5700	-22000 - 0	6200
Immunosuppression	12	0 - 89	21
Loss in child's IQ points	580	-1300 - 10000	4100
Sperm concentration	390	-54 - 3000	950
Vitamin D recommendation	-2200	-17000 - 0	5000
Yes or no dental defect	380	0 - 3200	800

Päätelmät

Vastaus arvioinnin pääkysymykseen ja muihin kysymyksiin tulosten perusteella.

Perustelut

Perustietoa PFAS-yhdisteistä

Perfluoratut alkyyliyhdisteet (PFAS-yhdisteet) ovat yhdisteitä, joissa hiilivetyketjun kaikki tai lähes kaikki vetyatomit on korvattu fluorilla. PFAS-yhdisteitä käytetään monissa kuluttajatuotteissa, palonestoaineena sekä elektroniikassa. PFAS-yhdisteistä merkittävimpiä ovat perfluoro-oktaanisulfonaatti (PFOS) ja perfluoro-oktaanihappo (PFOA). Erittäin kestävän hiili-fluorisidoksen vuoksi PFAS-yhdisteet hajoavat ympäristössä erittäin hitaasti.

PFAS-yhdisteitä käytetään monissa kuluttajatuotteissa niiden vettä, likaa ja rasvaa hylkivien ominaisuuksien vuoksi sekä palonestoaineina joissain sisustustekstiileissä sekä sähkö- ja elektroniikkatuotteissa tai sammutusvaahdoissa. Tunnetuimpia PFAS-yhdisteiden käyttökohteita kuluttajatuotteissa ovat esimerkiksi paistinpannut, vettä hylkivät tekniset vaatteet ja suksivoiteet.

PFAS-yhdisteet ovat laajan ja pitkään jatkuneen käytön vuoksi levinneet maailmanlaajuisesti kaikkialle ympäristöön ja kertyneet eliöihin. Yleisimmät PFAS-yhdisteet näissä näytteissä ovat PFOS ja PFOA. Joissakin ulkomaisissa tutkimuksissa on havaittu kohonneita PFAS-pitoisuuksia lentokenttien ja paloharjoittelualueiden pohjavesissä. PFAS-yhdisteitä on löydetty suuria määriä myös jätevesilietteestä ja kaatopaikkojen suotovesistä. Tämä tarkoittaa, että yhdyskuntavedet ja kaatopaikkajäte ovat merkittäviä päästölähteitä ympäristöön.

Ihmisen kannalta merkittävin PFAS-yhdisteiden lähde on ravinto, jonka osuus saannista on yli 70 %. Yksittäisistä ruoka-aineista tärkein lähde on kala. Selvästi pienempiä lähteitä ovat juomavesi, huonepöly ja hengitysilma, joiden osuus kokonaissaannista on vähäinen.

Arvioinnin yleiskuva

Arvioinnissa käytetään tautitaakkalaskentaa, joka on käytössä monessa muussakin arvioinnissa Opasnetissä.

Arvioinnissa kartoitetaan suomalainen mittausaineisto PFAS-yhdisteistä kalassa. Uusia mittauksia ei tässä hankkeessa tehdä. Lisäksi tutkimuskirjallisuudesta etsitään tietoja pitoisuus- ja altistumistiedoista.

Kalankäyttötietona käytetään THL:ssä aiemmin tehtyjä tutkimuksia, kuten Goherr-tutkimusta. Edellä mainittuja aineistoja verrataan myös EU-kalat3-hankkeessa muualla Suomessa (Vanhankaupunginlahti, Tuusulanjärvi, Porvoonjoki) tehtyihin kalan PFAS-pitoisuusmittauksiin viime vuosilta.

PFAS-yhdisteiden terveysvasteen arvioinnissa nojaudutaan pääasiassa tuoreeseen EFSAn arvioon, mutta tutkimuskirjallisuutta tarkastellaan myös laajemmin. Erityisesti arvioidaan sitä, onko EFSAn arvio sovellettavissa suoraan Suomen tilanteeseen, vai tulisiko käyttää myös muita aineistoja tai lähestymistapoja.

PFAS-yhdisteiden aiheuttaman tautitaakan lisäksi arvioidaan kalansyöntiä kokonaisuutena eli huomioidaan kalan sisältämät muut ympäristömyrkyt ja toisaalta myös terveelliset ravintoaineet. Tältä osin nojaudutaan pääasiassa Goherr-tutkimukseen sekä maa- ja metsätalousministeriölle tehtyyn arviointiin kotimaisen kalan edistämisohjelman osana.

Tautitaakka lasketaan käyttämällä Goherr-arvioinnissa julkaistua tautitaakkamallia.

Käytetyt aineistot

Tietolähdeitä PFAS-yhdisteistä ja kalasta. ⇤--arg1958: . Tekninen lista projektin keräämistä tiedostoista. Kaikkia ei ole arvioinnissa käytetty. Lisäksi on monia tietolähteitä, joihin on viitattu mutta joita ei ole kerätty projektikansioon (katso Viitteet). Taulukko ei ole tulossa tässä muodossaan raporttiin. --Jouni Tuomisto (keskustelu) 2. maaliskuuta 2021 kello 10.39 (UTC) (type: ; paradigms: science: attack)

Nro	Lähde	Kuvaus
1	CELEX 32017R1000 FI TXT.pdf	EU-komission asetus PFOA-käyttökiellosta 2017-06-13
2	ffrrofactsheet_contaminants pfos_pfoa_11-20-17_508_0.pdf	U.S.EPA. (2017) Technical Fact Sheet – Perfluorooctane Sulfonate (PFOS) and Perfluorooctanoic Acid (PFOA) EPA 2017
3	Heijari Porvoon edustan merialueen tarkkailu kalamääriä.pptx	Kotitarve-, virkistys- ja ammattikalastajien kalansaaliit Porvoon merialueella 1984-2008
4	Kalastusalueet_NLI_2019_PFAS.pdf	Länsi-Uudenmaan vesi ja ympäristö ry, raportti 724/2018. Saalisjakaumat Naantalin edustalla 2017
5	Kalastusalueet_PVO_2019_PFAS.pdf	Kalastusalueiden nimet Porvoon edustalla
6	Naantali_1.pdf	Lounais-Suomen vesi-ja ympäristötutkimuksen teettämät kolme puulattua kalanäytettä 2019-10 tutkimusalueilta 2, 3 ja 4
7	Naantali_v_1.pdf	L-S vesi- ja ympäristötutkimuksen teettämät merivesinäytteet syksyllä 2019-10-16 (578-19-8390) PFAS-näytteistä. Näytteitä 11 paikasta Naantalin edustalta
8	PFAS Tietopaketti 210616.pdf, Syke_perfluoratut.pdf	Mehtonen ym. Perluoratut yhdisteet ympäristössä – tietopaketti 2016 Dnro YM/84/481/2015 Syke 2020. Syken yleistajuinen tiivistelmä PFAS-yhdisteistä nettisivuilla.
9	Pintavesipisteet_NLI_2019_PFAS.pdf	Pintavesipisteiden sijainti kartalla ja numerointi Naantalin edustalla. Lounais-Suomen vesi- ja ympräristötutkimus
10	Pintavesipisteet_PVO_2019_PFAS.pdf	Pintavesipisteiden sijainti kartalla ja numerointi Porvoon edustalla
11	Porvoo_1.pdf	Dioksiini- ja PCB-määritykset kolmesta puulatusta ahvennäytteestä Porvoon edustalta 2019-07/08
12	Porvoo_2.pdf	PFAS-määritykset 12 puulatusta ahven- ja kalanäytteestä Porvoon edustalta 2019-07/11
13	Porvoo_3.pdf	Organotinamääritykset kolmesta puulatusta ahvennäytteestä Porvoon edustalta 2019-07/08
14	Porvoo_Kalatarkkailu 2007-2010.pdf	Haikonen. Kilpilahden teollisuuslaitosten jäähdytysvedenoton kalatarkkailu vuosina 2007-2010. Kalojen laji- ja kokojakaumia. Kala- ja vesitutkimus oy, Kala- ja vesiraportteja nro 5
15	Porvoon edustan merialueen takkailu_yhteenveto_1965-2009.pdf	Porvoon edustan merialueen tila vuosina 1965-2009. Sisältää mm. Dioksiinituloksia mutta ei PFASeja. 2010-08-13
16	Porvoon edustan näytteet_Hg.xlsx	Hg-määritykset Porvoon edustan ahvennäytteistä (yksilömittaukset kolmesta puulista, yht. 39 kalaa 2019-07/08)
17	Porvoo_v_1.pdf	Merivesinäytteiden PFAS-määritykset Porvoon edustalta, 10 kpl näytteitä 2019-09-26
18	Porvoo_v_2.pdf	Merivesinäytteiden PFAS-määritykset Porvoon edustalta, 1 kpl näytteitä 2019-09-30
19	rest_pfoa_compiled_opinions_en.pdf	ECHAn riskinarviointi ja sosioekonomisten vaikutusten arviointi PFOAsta 2015-09-08
20	Rpt_16-8.pdf	Concawe. (2016) Environmental fate and effects of poly- and perfluoroalkyl substances (PFAS) Concawe 2016 Concawe-raportti 8/16. PFAS-yhdisteiden ympäristökulkeutuminen ja vaikutukset. Sisältää myös ihmisterveysvaikutusarvioita.
22	Syke_PFOA.pdf	Syke. (2020) Fluoriyhdisteen PFOA ja samankaltaisten aineiden käyttöä rajoitetaan monissa tuotteissa terveys- ja ympäristösyistä Syke 2020. Tiedote PFOAn käyttökiellosta EU:ssa Syken nettisivuilla 2020-02-11
23	SYKEra_21_2019.pdf	Reinikainen ym. Syken raportti 21/2019: Perfluorattujen alkyyliyhdisteiden ympäristötutkimukset ja riskinarviointi. Raportissa tarkastellaan sammutusvaahtoja neljällä paloharjoitusalueella Kuopiossa, Joroisissa, Joensuussa ja Porvoossa.
24	Turku_kalatarkkailu_2017-2018 (ID 43264).pdf	Turun edustan merialueen kalataloudellinen yhteistarkkailu 2017-2018. Länsi-Uudenmaan vesi ja ympäristö ry:n raportti 724/2018.
25	Turun edustan merialueen ammattikalastus_2018 (ID 45146).pdf	Turun edustan merialueen kalataloudellinen yhteistarkkailu. Ammattikalastuksen seuranta 2018. Länsi-Uudenmaan vesi ja ympäristö ry:n raportti 767/2019.
26	Turun edustan merialueen ammattikalastus 2019 (ID 49330).pdf	Turun edustan merialueen ammattikalastus 2019. Turun merialueen kalataloudellinen yhteistarkkailu. Länsi-Uudenmaan vesi ja ympäristö ry:n raportti 40/2020.
27	Turun edustan merialueen tila - Veden laadun kuormituksen kehitys 1960-luvulta 2000-luvulle sekä tarkkailujen kehittämisehdotukset.pdf	Turun edustan merialueen tila. Veden laadun kuormituksen kehitys 1960-luvulta 2000-luvulle sekä tarkkailujen kehittämisehdotukset. Lounais-Suomen vesiensuojeluyhdistys ry. Julkaisuvuosi on ehkä 2005, koska uusimat datat ovat vuodelta 2004.
28	water-11-00870-v2.pdf	Junttila ym. PFAS in Finnish rivers and fish and the loading of PFASs to the Baltic Sea. Water 2019:11, 870. doi:10.3390/w11040870
29	op_en:EU-kalat	EU-kalat3-tietokanta
30	Porvoon_2011_laaja.pdf	PORVOON EDUSTAN MERIALUEEN YHTEISTARKKAILUN VUOSIRAPORTTI 2011 Kymijoen vesi ja ympäristö ry:n julkaisu no 223/2012 [8]
31	Porvoo_2015_laaja.pdf	PORVOON EDUSTAN MERIALUEEN YHTEISTARKKAILUN VUOSIRAPORTTI 2015 Laajat tutkimukset Kymijoen vesi ja ympäristö ry:n julkaisu no 259/2016 [9]
32	j.efsa.2020.6223	EFSA. Risk to human health related to the presence of perfluoroalkyl substances in food [10] September 2020.

Kulkeutuminen ympäristössä

Vaikka laskeuma ilmasta vaikuttaa olennaisesti PFAS-pitoisuuksiin syrjäisillä alueilla, se ei ole hallitseva lähde kaikille PFAS-yhdisteille vesiympäristössä Suomessa. Sen sijaan jätevedenpuhdistamot, kaatopaikkojen suotovedet ja todennäköisesti saastuneet maa-alueet ovat tärkeimmät PFAS-lähteet vesiympäristöön Suomessa.

Pitoisuudet kalassa

Suomalaisessa kalassa on PFAS-yhdisteitä keskimäärin 2 ng/g (0.3 - 5 ng/g) tuorepainossa. Näistä suurin osa on perfluorattua oktaanisulfonaattia (PFOS). Muita tavallisia yhdisteitä ovat PFOA, PFNA ja PFHxS, jotka ovat kaikki mukana EFSAn tekemässä riskinarviossa. Nämä neljä yhdistettä kattavat 50-90 % kaikista PFAS-yhdisteistä kalassa.

Vanhankaupunginlahella Helsingissä on korkeammat PFAS-pitoisuudet kuin muualla Suomen rannikolla, luultavimmin koska Helsingin erilaiset hule- ja jätevedet laskevat lahdelle. Yhdisteet ovat todennäköisesti peräisin pääasiassa jätevendepuhdistamolta, koska ne eivät juurikaan poistu jätevedenpuhdistuksessa. Vanhankaupunginlahdella kaloista on mitattu selvästi tavanomaisia suurempia PFOS-pitoisuuksia: 14 ng/g (1.6 - 35 ng/g) tuorepainossa.

Myös Porvoon edustan merialueella (Kilpilahti) kalojen PFAS-pitoisuudet ovat koholla, 5.2 ng/g (1.6 - 8.8 ng/g) tuorepainossa verrattuna Suomalaiseen kalaan keskimäärin. Porvoon edustan merialueen PFAS-pitoisuudet kalassa johtuvat todennäköisesti Kilpilahden teollisuuspalokunnan paloharjoitusalueesta ja säiliöpalon sammuttamisesta vuonna 1989 (näissä yhteyksissä on PFAS-yhdisteitä päätynyt maaperään ja edelleen vesistöön) sekä Porvoojoesta, Mustijoesta sekä Porvoon kunnallisesta jätevedenpuhdistamosta.

Arvioinnissa käytettiin alla kuvattuja mittaustietoja PFAS-yhdisteistä Porvoon alueelta. Lisäksi käytettiin EU-kalat3-hankkeen mittaustietoja (206 PFAS-mittausta ja 211 TEQ-mittausta eri puolilta Suomea pääasiassa merialueilta). Metyylielohopeapitoisuudet arvioitiin Kerty-tietokannan mittausten perusteella.

Porvoon alueelta kerättyjen PFAS-kalanäytteiden metatiedot.

Kala	Näytteiden määrä	Puulin koko	Aika	Paikka	Aine	Viite
ahven	1	3	Reinikainen 2019	Svartbäckinselkä	PFAS	23
ahven	1	3	Reinikainen 2019	Nikuviken	PFAS	23
vimpa	1	3	Reinikainen 2019	Svartbäckinselkä	PFAS	23
vimpa	1	3	Reinikainen 2019	Nikuviken	PFAS	23
ahven	10	10?	5/2009-3/2010	EU-kalat3	PFAS	29
ahven			2016 (Reinikainen 2019)	Porvoonjoki	PFAS	23
ahven?	1	9, 13	10/2019	Naantali, Tutkimusalue 2	PFAS	6
ahven?	1	12, 13	10/2019	Naantali, Tutkimusalue 3	PFAS	6
ahven?	1	14, 13	10/2019	Naantali, Tutkimusalue 4	PFAS	6
ahven	1	14	30/07/19	Orrenkylänselkä	PFAS	12#1
ahven	1	11	07/08/19	Svartbäckinselkä-pohjoinen	PFAS	12#2
ahven	1	14	06/08/19	Svartbäckinselkä-eteläinen	PFAS	12#3
ahven	1	10	02/10/19	Nikuviken	PFAS	12#4
ahven	1	10	02/10/19	Nikuviken	PFAS	12#5
kuha	1	10	27.8.-8.11.2019	Merivesitunneli	PFAS	12#6
ahven	1	10	08/11/19	Merivesitunneli	PFAS	12#7
silakka	1	10	17/10/19	Merivesitunneli	PFAS	12#8
ankerias	1	5	27.8.-8.11.2019	Merivesitunneli	PFAS	12#9
ahven	1	7	15/11/19	Haikoo	PFAS	12#10
ahven	1	9	7-11/2019	Kartanonlahti	PFAS	12#11
lahna	1	8	7-11/2019	Svartbäck-eteläinen	PFAS	12#12
ahven	14	1	30/07/19	Orrenkylänselkä	Hg	16
ahven	11	1	07/08/19	Svartbäckinselkä-pohjoinen	Hg	16
ahven	14	1	06/08/19	Svartbäckinselkä-eteläinen	Hg	16
ahven	1	14	30/07/19	Orrenkylänselkä	PCDDF+PCB	11
ahven	1	11	07/08/19	Svartbäckinselkä-pohjoinen	PCDDF+PCB	11
ahven	1	14	06/08/19	Svartbäckinselkä-eteläinen	PCDDF+PCB	11
ahven	1	14	30/07/19	Orrenkylänselkä	organotina	13
ahven	1	11	07/08/19	Svartbäckinselkä-pohjoinen	organotina	13
ahven	1	14	06/08/19	Svartbäckinselkä-eteläinen	organotina	13
ahven	48	9-30	2014-2016	Suomi	PFAS	28
silakka	6	2-5	2014-2016	Suomi	PFAS	28

Porvoon alueelta kerättyjen PFAS-kalanäytteiden mittaustulokset tärkeimpien yhdisteiden osalta.

PFAS concentrations(ng/g f.w.)

Obs	Fish	PFOA	PFNA	PFHxS	PFOS
1	Perch	<0.15	0.58	<0.19	7.6
2	Perch	<0.14	0.45	0.28	27
3	Perch	<0.15	0.55	<0.19	6.8
4	Perch	<0.15	0.55	<0.19	4.5
5	Perch	<0.15	0.57	<0.19	3.6
6	Pike-perch	<0.13	0.15	<0.16	2.3
7	Perch	<0.13	0.33	<0.16	2.5
8	Herring	<0.17	<0.13	<0.21	1.4
9	Eel	<0.27	0.79	<0.34	6.8
10	Perch	<0.13	0.74	<0.17	3.5
11	Perch	<0.13	0.5	<0.17	9.1
12	Bream	0.47	0.89	<0.18	3.5

EU-kalat3-data

+ Näytä koodi- Piilota koodi # This is code Op_fi5932/conc on page [[PFAS-yhdisteiden tautitaakka]] library(OpasnetUtils) library(ggplot2) df <- opbase.data("Op_en3104", subset="POPs") df <- df[df$POP %in% c("PFOA", "PFOS"),-c(8,9,11,14)] colnames(df) <- c("Code","Matrix","POP","Species","Site","Location","Date","N","Length","Weight","Age","Fat","Dry_matter","Result") for(i in 8:14) df[[i]] <- as.numeric(df[[i]]) df$Code <- gsub("(M|L)", "", df$Code) # oprint(df) ggplot(df, aes(x=Species, y = Result, colour=Matrix, shape=Location))+geom_point()+ coord_flip()+scale_y_log10()+ facet_grid(~POP, scales="free_x") aggregate(df$Result, by=df[c("Matrix","Location","Species","POP")], FUN=mean) # PFOA concentrations are 0 for all except Baltic herring. Therefore, PFOA could # be removed from further scrutiny. # Also, remove farmed rainbow trout because it is not representative of its environment. df <- df[df$POP!="PFOA" & df$Site!="Farmed",] aggregate(df$Result, by=df[c("Matrix","Location","Species","POP")], FUN=length) ggplot(df, aes(x=Species, y = Result, colour=Location, shape=Site))+geom_point(size=3)+ coord_flip()+scale_y_log10()+ facet_grid(~Matrix, scales="free_x") v1 <- EvalOutput(Ovariable("v1", data=df[df$Matrix=="Muscle", c(1,3,4,6,14)])) v2 <- EvalOutput(Ovariable("v2", data=df[df$Matrix=="Liver", c(1,3,4,6,14)])) tmp <- v2/v1 View(tmp@output) # It seems that # 1) Vanhankaupunginlahti seems to be badly polluted, but otherwise minor differences # between places and species in PFOS concentrations. # 2) The liver concentrations seem to be 3 - 30 times higher than in muscle within the same # pooled sample. # It could be fun to draw PFAS concentrations on map using bubble pie charts. See # https://stat.ethz.ch/pipermail/r-help/2014-June/375749.html # https://cran.r-project.org/web/packages/plotrix/plotrix.pdf

Kalansyönti

Kalansyönti Suomessa

• Suomalaiset syövät kalaa keskimäärin noin 40 g päivässä tai yhteensä 114 miljoonaa kg vuodessa (olettaen että kalaa käsiteltäessä jää 70 % syötäväksi).
• Tämä johtaa Kotimaisen kalan edistämisohjelman mukaan n. 100000 DALYn suuruisen tautitaakan vähenemiseen vuodelle 2017 laskettuna. Tämä johtuu pääasiassa kalan terveellisyydestä yleensä ja sen vaikutuksesta kokonaiskuolleisuuteen. Toinen tärkeä suojaava tekijä ovat omega3-rasvahapot, jotka vähentävät sydäntaudin riskiä jonkin verran. Muita suojavaikutuksia kohdistuu masennukseen ja rintasyöpään.

Kalansyönti Porvoossa

• Merialueen yhteistarkkailuraportin mukaan Porvoon alueella (Haikonselkä, Emäsalonselkä, Svartbäckinselkä ja Orrenkylänselkä) kalastaa yli 1300 ruokakuntaa, joiden saalis on keskimäärin 20 kg eli yhteensä 27000 kg.
• Keskimäärin saalis on siis 55 g päivässä ruokakuntaa kohti. Olettaen ruokakunnan koon (Suomessa keskimäärin 1.97) ja hävikin perkaamisen yhteydessä (30 %) saadaan keskimääräiseksi kulutukseksi 20 g päivässä henkeä kohti.
• Vapaa-ajankalastajat syövät muutakin kalaa todennäköisemmin kuin keskivertokuluttaja, joten voidaan ajatella, että tarkasteltavana on erityinen osaväestö (2600 henkeä eli 0.05 % suomalaisista), 20 g/d kalaa tavanomaisen syönnin lisäksi.

Suomalaisten kalansyönnin jakauma lajeittain on saatavissa EFSAn ruoankäyttötietokannasta. Tarkempi kuvaus syöntilaskelmista löytyy Opasnetin sivulta Domestic fish consumption of the general population in Finland.

Kotitarvekalastuksen jakautuminen kalalajeittain Porvoon edustalla (% saaliista).

Kala	Haikonselkä	Emäsalonselkä	Svartbäckinselkä	Orrenkylänselkä	Kokonaissaalis	Kokonaissaalis (kg)	Kalansyönti (g/pvä/hlö)
ahven	17	17	13	17	15	4050	3.0
hauki	9	9	0	4	4	1080	0.8
kampela			0		0	0	0.0
kuha	29	29	1	17	10	2700	2.0
kuore			2		1	270	0.2
lahna	15	15	38	37	32	8640	6.3
lohi			1		0	0	0.0
särki	7	7	34	19	24	6480	4.7
siika	1	1	2	2	3	810	0.6
silakka			5	1	3	810	0.6
taimen			4		2	540	0.4
muut	22	22	0	3	6	1620	1.2
Yhteensä	100	100	100	100	100	27000	19.7

Ruokakunnan koko Suomessa 2019 oli 1.97.

Altistuminen ja siedettävä viikkosaanti

EFSAn arvioima siedettävä viikkoannos eli TWI-annos on 4.4 ng/kg/viikko laskettuna PFAS-yhdisteiden summalle. EFSAn arviossa laskettu nuorille äideille, koska suurimmat altistukset tulevat itse asiassa epäsuorasti raskauden ja imetyksen aikana sikiöön ja lapseen, joiden immuunipuolustuksen heikentyminen on myös herkin terveysvaste. Muiden väestöryhmien ajatellaan olevan suojassa TWI-annoksellakin, koska kaikki muut terveysvaikutukset tulevat vasta suuremmilla annoksilla.

Suomalaisen aikuisen keskimääräinen altistuminen on noin kaksinkertainen verrattuna EFSAn siedettävään viikkoannokseen (TWI) 4.4 ng/kg/vko. ⇤--arg9901: . tarkista --Jouni Tuomisto (keskustelu) 2. maaliskuuta 2021 kello 12.04 (UTC) (type: ; paradigms: science: attack)

PFAS-yhdisteillä pitkäaikaisaltistuminen on olennaista, koska ne kertyvät elimistöön, ja eliminaation eli elimistöstä poistumisen puoliintumisaika on jopa 2-6 vuotta. PFAS-yhdisteet imeytyvät ruoasta erittäin hyvin.

Koska nuoret naiset syövät keskimäärin vähemmän kalaa kuin vanhempi väestö, keskimääräinen TWI-ylitys on vähemmän kuin kaksinkertainen. Kuitenkin yksilöllinen vaihtelu on suurta, joten suuri osa tästä osaväestöstä (nuoret naiset) ylittää siedettävän viikkosaannin.

Annosvaste

EFSAn riskinarvion perusteella herkin annosvaste on immunosuppressio, joka on nähty heikentyneenä rokoturvasteena kurkkumädälle 1-vuotiailla. BMDL10 on 17.5 ng/ml (seerumissa?) laskettuna neljän indikaattorianeen summalle (PFOA, PFNA, PFHxS, PFOS). Tästä on johdettu äidille TWI 4.4 ng/kg/wk perustuen farmakokineettiseen malliin ja oletukseen 12 kk imetyksestä. TWI-altistuksen oletetaan nostavan äidin summa-PFAS-pitoisuuden tasolle 6.9 ng/ml 35 ikävuoteen mennessä. Koska olennainen vaste on lapsen immuunivaste ja koska suurin osa lapsen altistuksesta tulee äidinmaidosta, olennaista on äidin, ei lapsen, altistuminen. Samaa TWI:tä sovelletaan muillekin, koska kolesteroli- ja muilla vaikutuksilla TWI olisi korkeampi ja siksi tämä alin arvo suojaa niiltäkin. ----arg6205: . Pitää etsiä noiden annosvasteet 2018-raportista. --Jouni Tuomisto (keskustelu) 1. joulukuuta 2020 kello 19.16 (UTC) (type: ; paradigms: science: comment)

Muita PFAS-vasteita ovat

• seerumin kolesterolipitoisuuden nousu
• alentunut syntymäpaino ja
• suurentunut seerumin ALT-pitoisuus mahdollisen maksavaurion merkkinä.

EFSAn 2020 riskinarvio piti näitä vasteita edelleen relevantteina mutta keskittyi herkimpään eli immunosuppressioon.

Tautitaakkaa voi suhteuttaa näihin IHME-instituutin arvioihin.

Tautitaakka eri riskitekijöistä IHME-instituutin mukaan Suomessa vuonna 2019 koko väestössä.

measure_name	cause_name	rei_name	val	upper	lower
YLDs (Years Lived with Disability)	Cirrhosis and other chronic liver diseases due to hepatitis C	All risk factors	96	159	53
YLDs (Years Lived with Disability)	All causes	Low birth weight	4082	5298	3082
YLDs (Years Lived with Disability)	All causes	High LDL cholesterol	5671	8488	3524
YLLs (Years of Life Lost)	Cirrhosis and other chronic liver diseases due to hepatitis C	All risk factors	5102	7395	3457
YLLs (Years of Life Lost)	All causes	Low birth weight	2433	3043	1728
YLLs (Years of Life Lost)	All causes	High LDL cholesterol	90414	116629	66338
DALYs (Disability-Adjusted Life Years)	Cirrhosis and other chronic liver diseases due to hepatitis C	All risk factors	5198	7510	3551
DALYs (Disability-Adjusted Life Years)	All causes	Low birth weight	6515	7850	5274
DALYs (Disability-Adjusted Life Years)	All causes	High LDL cholesterol	96086	124260	71286
Deaths	All causes	High LDL cholesterol	6984	9684	4580
DALYs per cholesterol death	All causes	High LDL cholesterol	13.76	12.83	15.56

Eri tautien haittapainokertoimet löytyvät IHMEen sivuilta.

• Moderate acute hepatitis 0.051 (0.032-0.074)
• Mild motor impairment due to neonatal preterm birth complications (has some difficulty in moving around but is able to walk without help) 0.01 (0.005-0.019)

Kulkeutuminen elimistössä

Pitkäaikainen PFAS-altistuminen 4.4 ng/kg/vko johtaa EFSAn arvion mukaan äidillä pitoisuuteen 6.9 ng/ml veressä 35 ikävuoteen mennessä. Tämä puolestaan johtaa vuoden imetyksen aikana lapsen PFAS-pitoisuuteen 17.5 ng/ml veressä. Eli lapsen pitoisuus on 2.5 kertaa niin suuri kuin äidissä.

Toisaalla Opasnetissä kuvataan malli, jonka avulla voidaan laskea imetyksen aiheuttama pitoisuus lapsessa. Malli on päivitetty EFSAn tietojen perusteella, ja sitä käytetään tässä arvioinnissa.

Valikoitujen PFAS-yhdisteiden kinetiikkaa., taulukko 15, s. 67.

PFAS	Väestö ja sukupuoli	Puoliintumisaika (a)	Puhdistuma (kokonais) (ml/kg/d)	Viitteet
PFOA	M (n = 20) M + F(n= 4) M(n= 24), F (n = 2) M + F(n= 200) M + F(n= 643)(i) M + F(n= 1,029)(j) M(n= 5), F (n = 5) F(b)(n = 20) M(c)+ F(d)(n = 66) M + F(n= 207) M(n= 22), F (n = 23)	5 y (95% CI 2-10) covers almost all data NR NR 3.8 y (95% CI 3.1–4.4) 2.3 y (95% CI 2.1–2.4) 2.9 y (95% CI 2.3–3.8) 8.5 y (95% CI 7.1–10.1) NR 1.5 y(a)(0.19–5.2) 1.2 y(a)(0.04–14) 1.7 y(a) 3.9 y	0.4 (95% CI 0.1-1.0) covers almost all data 0.132 0.150 0.150 NR NR NR 0.096 0.30(k)(95% CI 0.11-0.49) 0.77(k)(95% CI 0.47-1.1) NR NR	synthesis of studies below Harada et al. (2005) Harada et al. (2007) Olsen et al. (2007) Bartell et al. (2010) Seals et al. (2011) Seals et al. (2011) Fujii et al. (2015) Zhang et al. (2013a) Zhang et al. (2013a) Fu et al. (2016) Worley et al. (2017)
PFNA	M (n = 5), F (n = 5) F(b)(n = 16) M(c)+ F(d)(n = 50)	3.0 y(95% CI 0.4-20) covers most data NR 1.7 y(a)(0.38–7.7) 3.2 y(a)(0.34–20)	0.15 (95% CI 0.06-0.35) covers most data 0.062 0.25(k)(95% CI 0.13–0.37) 0.15(k)(95% CI 0.099–0.20)	synthesis of studies below Fujii et al. (2015) Zhang et al. (2013a) Zhang et al. (2013a)
PFHxS	M (n = 24), F (n = 2) F(b)(n = 19) M(c)+ F(d)(n = 64) M(n= 22), F (n = 23) M(n= 20) F(n= 30)	6 y(95% CI 3-15) covers most data 8.5 y (95% CI 6.4–10.6) 7.1 y(a)(2.3–13) 25 y(a)(1.6–182) 15.5 y 7.4 y (95% CI 6.0–9.7) 4.7 y (95% CI 4.6–6.0)	0.035 (95% CI 0.02-0.06) covers most data NR 0.039(k)(95% CI 0.020–0.057) 0.027(k)(95% CI 0.018–0.037) NR NR NR	synthesis of studies below Olsen et al. (2007) Zhang et al. (2013a) Zhang et al. (2013a) Worley et al. (2017) Li et al. (2018a) Li et al. (2018a)
PFOS	M (n = 20) M+F(n= 4) M(n= 24), F (n = 2) F(b)(n = 19) M(c)+ F(d)(n = 64) M(n= ca 1,000) F(n= ca 1,000) M + F(n= 207) M(n= 22), F (n = 23) M(n= 20) F(n= 30)	4.5 y(95% CI 3-7) covers most data NR NR 5.4 y (95% CI 3.9–6.9) 5.8 y(a)(3.2–10) 18 y(a)(1.6–121) 4.7 y (95% CI 4.2–5.3) 4.3 y (95% CI 4.1–4.5) 1.9 y(a) 3.3 y 4.6 y (95% CI 3.7–6.1) 3.1 y (95% CI 2.7–3.7)	0.045 (95% CI 0.03-0.07) covers most data 0.066 0.106 NR 0.05(e) (95% CI 0.037–0.064) 0.037(e)(95% CI 0.026–0.049) NR NR NR NR NR NR	synthesis of studies below Harada et al. (2005) Harada et al. (2007) Olsen et al. (2007) Zhang et al. (2013a) Zhang et al. (2013a) Wong et al. (2014) Wong et al. (2015) Fu et al. (2016) Worley et al. (2017) Li et al. (2018a) Li et al. (2018a)

• Values are means and 95% confidence interval (95% CI) or means and range.
• NR: Not Reported; M: male; F: female; y: years; d: days.
• (a): Geometric mean.
• (b): Age ≤ 50 years.
• (c): 20 y < age < 88 y.
• (d): Age > 50 years.
• (e): Age 22 ± 0.9.
• (f): Age 68 ± 5.
• (g): Age 23 ± 3.
• (h): Age 69 ± 5.
• (i): < 4 years elapsed in a water district with high exposure levels.
• (j): < 9 years elapsed in a water district with low exposure levels.
• (k): Renal clearance (mean).

Jakaantumistilavuus (volume of distribution V_d) voidaan arvioida PFOA:lle: 600 ml/kg (95 % CI 300-1100) perustuen alla oleviin laskelmiin.

• V_d = Cl / k = 0.15 ml/kg/d / (ln 2 / (3.8 a * 365 d/a)) = 300 ml/kg with Olsen 2007 data.
• V_d = Cl / k = 0.3 ml/kg/d / (ln 2 / (1.5 a * 365 d/a)) = 240 ml/kg with the smaller Zhang 2013a data.
• V_d = Cl / k = 0.3 ml/kg/d / (ln 2 / (1.5 a * 365 d/a)) = 490 ml/kg with the larger Zhang 2013a data.
• V_d = Cl / k = 0.4 ml/kg/d / (ln 2 / (5 a * 365 d/a)) = 1100 ml/kg with the synthesis values.

Jakaantumistilavuus voidaan laskea myös PFNAlle epäsuorasti synteesiarvoista: 240 ml/kg.

• V_d = Cl / k = 0.15 ml/kg/d / (ln 2 / (3 a * 365 d/a)) = 240 ml/kg with the synthesis values.

Jakaantumistilavuus PFHxS:lle: 150 ml/kg.

• V_d = Cl / k = 0.039 ml/kg/d / (ln 2 / (7.1 a * 365 d/a)) = 150 ml/kg with the synthesis values.

Jakaantumistilavuus PFOS:lle: 200 ml/kg (95% CI 100-400 ml/kg)

• V_d = Cl / k = 0.05 ml/kg/d / (ln 2 / (5.8 a * 365 d/a)) = 150 ml/kg with the smaller Zhang 2013a data.
• V_d = Cl / k = 0.037 ml/kg/d / (ln 2 / (18 a * 365 d/a)) = 350 ml/kg with the larger Zhang 2013a data.
• V_d = Cl / k = 0.045 ml/kg/d / (ln 2 / (4.5 a * 365 d/a)) = 110 ml/kg with the synthesis values.

Kaikkien neljän (PFOA, PFNA, PFHxS, PFOS) yhdisteen jakaantumistilavuudet ovat hämmästyttävänkin samanlaiset välillä 200-800 ml/kg. Tämä puhuu sen puolesta, että yhdisteet eivät hakeudu kudoksiin kovin hanakasti, eikä ainakaan veren ulkopuolella ole mitään spesifiä varastoa, johon yhdisteet kertyisivät. Esimerkiksi dioksiineilla jakaantumistilavuudet lienevät luokkaa 280 l/kg (huom yksikkö!), koska ne jakaantuvat rasvaan tasaisesti ja valtaosa siitä on periferiassa eikä veressä. PFAS-yhdisteet kertyvät pääasiassa vereen, maksaan ja munuaisiin. Veressä ne sitoutuvat albumiiniin ja ehkä yleisemminkin ne sitoutuvat proteiineihin.

Terveysvaikutukset =

EFSAn mukaan herkin terveysvaste on immuunipuolustuksen heikentyminen, joka näkyy rokotevasteen alenemisena. Imeväisikäisen BMDL10-pitoisuus 17.5 ng/ml veressä on yhdistetty hinkuyskärokotteen vasta-ainetasojen heikkenemiseen. Vasta-ainetasojen muutos ei suoraan aiheuta mitään tautia, mutta lisää riskiä saada tartuntatauti rokotuksesta huolimatta. BMDL10 tarkoittaa, että kymmenen prosentin heikkeneminen vasteessa vaatii pitoisuuden, joka on 95 % varmuudella suurempi kuin 17.5 ng/ml. Tässä arvioinnissa halutaan kuitenkin olla varovaisia ja oletetaan, että tuollainen vaikutus tulee keskimäärin PFAS-veripitoisuudella 17.5 ng/ml.

Muita todettuja terveyshaittoja ovat veren kolesterolipitoisuuden nousu (joka on sydäntaudin itsenäinen riskitekijä) ja alentunut syntymäpaino.

PFAS-yhdisteiden tautitaakka

Tämän immuunivasteen muutoksen aiheuttaman tautitaakan arviointi on yksi hankalimpia vaiheita tässä hyöty-riskinarvioinnissa. Suomessa hinkuyskää esiintyy vuodessa IHME-instituutin mukaan 6000 tapausta ja tästä aiheutuu 40 DALYn tautitaakka eli noin 0.007 DALY/tapaus. Kuitenkaan ei ole syytä ajatella, että immuunivasteen muutos vaikuttaisi pelkästään hinkuyskään, vaikka ilmiö sen yhteydessä havaittiinkin. 0-9-vuotiailla lapsilla on hengitystieinfektioita 2.4 miljoonaa kappaletta vuodessa, ja näistä aiheutuu 1100 DALYn tautitaakka [11] eli 0.0005 DALY/tapaus. Tämä voisi olla mahdollinen vertailukohta.

Ei ole selvää, kuinka paljon immuunivasteen 10 % heikennys lisää infektioiden riskiä. Koska tarkastellaan isoa väestöä, jossa on herkkyydeltään erilaisia ihmisiä, vaikutus tuskin on äkkijyrkkä vaan suurenee vähitellen. Lähdökohtana voidaan ajatella, että kaikki vuorovaikutukset ovat lineaarisia eli että 10 % heikennys immuunivasteessa lisää 0-9-vuotiaiden infektioriskiä 10 %.

Eettisiä näkökohtia

Suurin osa terveyshyödyistä tulee vanhalle väestölle, jonka sydäntauti- ja kuolleisuusriski on suuri. Haitat puolesteen kohdistuvat näillä oletuksilla pieniin lapsiin ja erityisesti raskauden ja imetyksen aikana eli johtuen äidin kalansyönnistä. On moraalinen kysymys arvioida, kuinka toivottavia erilaisiin väestöryhmiin kohdistuvat vaikutukset ovat. Tässä arviossa oletetaan, että jokainen haittapainotettu elinvuosi on samanarvoinen riippumatta väestöryhmästä.

PFAS-yhdisteiden tautitaakka pyrittiin arvioimaan tässä niin, että riskiä ei ainakaan vähätellä. Vaikka tällä tavalla ei saadakaan parasta mahdollista arviota tautitaakan suuruudesta, se kuitenkin pienentää väärän negatiivisen todennäköisyyttä, eli että päätelmä jättäisi huomiotta jonkin merkittävän todellisen riskin.

Malliparametrit

Yleiskuva tarkasteltavista terveysvasteista ja siitä, mistä lähtötiedoista tautitaakka lasketaan.

Response	population	ER function	InpBoD	indicence	case burden	Description
All-cause mortality	5-year age groups	RR	X			Only YLL
Breast cancer	5-year age groups > 14 a	RR	X
Cancer morbidity yearly	5-year age groups	CSF	X	X		Incidence needed for linear ERFs even if InpBoD
CHD2 mortality	5-year age groups	Relative Hill	X
Depression	5-year age groups	RR	X
Dioxin recommendation tolerable daily intake	Undefined	TWI		X	X
Dioxin recommendation tolerable daily intake 2018	Undefined	TWI		X	X
Immunosuppression	0 – 9	ERS	X	X		We assume that immunosuppression affects respiratory infections in children
Loss in child's IQ points	0 – 4	ERS		X	X
PFAS TWI	Undefined	TWI		X	X
Sperm concentration	0 – 4	ERS		X	X
Vitamin D recommendation	Undefined	Step		X	X
Yes or no dental defect	0 – 4	ERS		X	X

Malliparametrit saat näkyviin klikkaamalla.

Näytä yksityiskohdat

Kalankulutus on ilmoitettu fileepainona eikä tuorepainona, eli oletetaan että kaikki tämä tulee syödyksi. Malliparametrit(various) Obs Type Exposure_agent Response Subgroup Unit Result Description 1 amount Kala:Kirjolohi; Scenario: BAU Gg /a 6.7 KKE-skenaario 2 amount Kala:Kasvatettu; Scenario: BAU Gg /a 0.6 KKE-skenaario 3 amount Kala:Silakka; Scenario: BAU Gg /a 1.6 KKE-skenaario 4 amount Kala:Kaupallinen; Scenario: BAU Gg /a 3.2 KKE-skenaario 5 amount Kala:Vapaa-ajan; Scenario: BAU Gg /a 9.9 KKE-skenaario 6 amount Kala:Tuontilohi; Scenario: BAU Gg /a 23.6 KKE-skenaario 7 amount Kala:Tuontikirjolohi; Scenario: BAU Gg /a 4.8 KKE-skenaario 8 amount Kala:Muu tuonti; Scenario: BAU Gg /a 28 KKE-skenaario 9 background exposure Vitamin D Gender:Male µg /d 0 - 9 Finriski 12 - 3 from fish 10 background exposure Vitamin D Gender:Female µg /d 0 - 5.7 Finriski 8.7 - 3 from fish 11 background exposure EPA Gender:Male mg /d 0 - 85 Finriski 125 - 40 from fish 12 background exposure EPA Gender:Female mg /d 0 - 60 Finriski 100 - 40 from fish 13 background exposure DHA Gender:Male mg /d 0 - 85 Finriski 125 - 40 from fish 14 background exposure DHA Gender:Female mg /d 0 - 60 Finriski 100 - 40 from fish 15 background exposure Omega3 Gender:Male mg /d 0 - 170 DHA + EPA 16 background exposure Omega3 Gender:Female mg /d 0 - 120 DHA + EPA 17 BoD All causes Gender:Male; Age:0 - 4 DALY 5367.66 (4493.4 - 6410.84) IHME 2019c, Finland (YLL only) 18 BoD All causes Gender:Female; Age:0 - 4 DALY 4367.27 (3792.03 - 5042.07) IHME 2019c, Finland 19 BoD All causes Gender:Male; Age:5 - 9 DALY 952.87 (881.36 - 1031.89) IHME 2019c, Finland 20 BoD All causes Gender:Female; Age:5 - 9 DALY 909.38 (867.78 - 954.89) IHME 2019c, Finland 21 BoD All causes Gender:Male; Age:10 - 14 DALY 1158.87 (1086.51 - 1237.96) IHME 2019c, Finland 22 BoD All causes Gender:Female; Age:10 - 14 DALY 1012.22 (969.69 - 1058.26) IHME 2019c, Finland 23 BoD All causes Gender:Male; Age:15 - 19 DALY 3986.28 (3782.55 - 4208.03) IHME 2019c, Finland 24 BoD All causes Gender:Female; Age:15 - 19 DALY 1945.61 (1869.73 - 2028) IHME 2019c, Finland 25 BoD All causes Gender:Male; Age:20 - 24 DALY 7865.33 (7626.07 - 8122.06) IHME 2019c, Finland 26 BoD All causes Gender:Female; Age:20 - 24 DALY 2684.36 (2580.31 - 2796.36) IHME 2019c, Finland 27 BoD All causes Gender:Male; Age:25 - 29 DALY 9547.06 (9311.87 - 9798.8) IHME 2019c, Finland 28 BoD All causes Gender:Female; Age:25 - 29 DALY 2980.02 (2850.78 - 3119.85) IHME 2019c, Finland 29 BoD All causes Gender:Male; Age:30 - 34 DALY 9851.24 (9599.27 - 10122.17) IHME 2019c, Finland 30 BoD All causes Gender:Female; Age:30 - 34 DALY 3569.38 (3420.58 - 3731.73) IHME 2019c, Finland 31 BoD All causes Gender:Male; Age:35 - 39 DALY 12178.62 (11808.52 - 12579.55) IHME 2019c, Finland 32 BoD All causes Gender:Female; Age:35 - 39 DALY 4372.67 (4191.83 - 4569.5) IHME 2019c, Finland 33 BoD All causes Gender:Male; Age:40 - 44 DALY 14632.76 (14115.45 - 15196.33) IHME 2019c, Finland 34 BoD All causes Gender:Female; Age:40 - 44 DALY 5831.27 (5596.38 - 6088.76) IHME 2019c, Finland 35 BoD All causes Gender:Male; Age:45 - 49 DALY 18900.81 (18145.64 - 19719.23) IHME 2019c, Finland 36 BoD All causes Gender:Female; Age:45 - 49 DALY 8481.75 (8139.56 - 8853.37) IHME 2019c, Finland 37 BoD All causes Gender:Male; Age:50 - 54 DALY 28892.04 (27707.78 - 30173.11) IHME 2019c, Finland 38 BoD All causes Gender:Female; Age:50 - 54 DALY 13751.69 (13197.64 - 14352.01) IHME 2019c, Finland 39 BoD All causes Gender:Male; Age:55 - 59 DALY 40698.93 (39025.38 - 42514.78) IHME 2019c, Finland 40 BoD All causes Gender:Female; Age:55 - 59 DALY 19024.89 (18275.81 - 19839.52) IHME 2019c, Finland 41 BoD All causes Gender:Male; Age:60 - 64 DALY 52798.28 (50773.63 - 54997.77) IHME 2019c, Finland 42 BoD All causes Gender:Female; Age:60 - 64 DALY 25603.47 (24676.53 - 26614.32) IHME 2019c, Finland 43 BoD All causes Gender:Male; Age:65 - 69 DALY 64496.56 (62142.47 - 67051.47) IHME 2019c, Finland 44 BoD All causes Gender:Female; Age:65 - 69 DALY 34094.45 (32974.84 - 35313.42) IHME 2019c, Finland 45 BoD All causes Gender:Male; Age:70 - 74 DALY 75114.44 (72482.81 - 77966.85) IHME 2019c, Finland 46 BoD All causes Gender:Female; Age:70 - 74 DALY 44484.96 (43073.39 - 46021.61) IHME 2019c, Finland 47 BoD All causes Gender:Male; Age:75 - 79 DALY 57367.03 (55511.95 - 59367.91) IHME 2019c, Finland 48 BoD All causes Gender:Female; Age:75 - 79 DALY 41490 (40224.04 - 42865.93) IHME 2019c, Finland 49 BoD All causes Gender:Male; Age:80 - 84 DALY 52592.34 (51091.92 - 54206.05) IHME 2019c, Finland 50 BoD All causes Gender:Female; Age:80 - 84 DALY 51345.49 (49943.67 - 52863.93) IHME 2019c, Finland 51 BoD All causes Gender:Male; Age:85+ DALY 35941.64 (35145.22 - 36791.11) IHME 2019c, Finland. Actually, 85 - 89 52 BoD All causes Gender:Female; Age:85+ DALY 49589.05 (48240.94 - 51044.84) IHME 2019c, Finland. Actually, 85 - 89 53 BoD All causes Gender:Male; Age:85+ DALY 17196.26 (16874.34 - 17541.88) IHME 2019c, Finland. Actually, 90 - 94 54 BoD All causes Gender:Female; Age:85+ DALY 36317.02 (35513.81 - 37181.23) IHME 2019c, Finland. Actually, 90 - 94 55 BoD Neoplasms Gender:Male; Age:0 - 4 DALY 339.6 (214.96 - 448.74) IHME 2019, Finland (YLL + YLD) 56 BoD Neoplasms Gender:Female; Age:0 - 4 DALY 279.44 (190.11 - 352.41) IHME 2019, Finland 57 BoD Neoplasms Gender:Male; Age:5 - 9 DALY 338.41 (273.15 - 406.37) IHME 2019, Finland 58 BoD Neoplasms Gender:Female; Age:5 - 9 DALY 352.63 (292.03 - 412.02) IHME 2019, Finland 59 BoD Neoplasms Gender:Male; Age:10 - 14 DALY 337.03 (278.81 - 403.35) IHME 2019, Finland 60 BoD Neoplasms Gender:Female; Age:10 - 14 DALY 357.12 (299.64 - 415.26) IHME 2019, Finland 61 BoD Neoplasms Gender:Male; Age:15 - 19 DALY 443.75 (360.11 - 546.01) IHME 2019, Finland 62 BoD Neoplasms Gender:Female; Age:15 - 19 DALY 386.2 (329.13 - 449.1) IHME 2019, Finland 63 BoD Neoplasms Gender:Male; Age:20 - 24 DALY 614.77 (513.05 - 724.23) IHME 2019, Finland 64 BoD Neoplasms Gender:Female; Age:20 - 24 DALY 524.28 (451.5 - 605.35) IHME 2019, Finland 65 BoD Neoplasms Gender:Male; Age:25 - 29 DALY 862.15 (727.88 - 1000.73) IHME 2019, Finland 66 BoD Neoplasms Gender:Female; Age:25 - 29 DALY 728.76 (635.58 - 836.09) IHME 2019, Finland 67 BoD Neoplasms Gender:Male; Age:30 - 34 DALY 1122.29 (957.29 - 1313.54) IHME 2019, Finland 68 BoD Neoplasms Gender:Female; Age:30 - 34 DALY 1173.68 (1036.33 - 1329.1) IHME 2019, Finland 69 BoD Neoplasms Gender:Male; Age:35 - 39 DALY 1607.45 (1386.24 - 1839.65) IHME 2019, Finland 70 BoD Neoplasms Gender:Female; Age:35 - 39 DALY 1750.8 (1568.44 - 1979.19) IHME 2019, Finland 71 BoD Neoplasms Gender:Male; Age:40 - 44 DALY 2244.85 (1960.58 - 2544.56) IHME 2019, Finland 72 BoD Neoplasms Gender:Female; Age:40 - 44 DALY 2660.28 (2384.94 - 2948.81) IHME 2019, Finland 73 BoD Neoplasms Gender:Male; Age:45 - 49 DALY 3494.38 (3070.94 - 4000.52) IHME 2019, Finland 74 BoD Neoplasms Gender:Female; Age:45 - 49 DALY 4204.38 (3810.27 - 4640.67) IHME 2019, Finland 75 BoD Neoplasms Gender:Male; Age:50 - 54 DALY 6777.86 (6003.2 - 7613.16) IHME 2019, Finland 76 BoD Neoplasms Gender:Female; Age:50 - 54 DALY 7197.94 (6580.3 - 7902.28) IHME 2019, Finland 77 BoD Neoplasms Gender:Male; Age:55 - 59 DALY 12102.41 (10819.19 - 13511.91) IHME 2019, Finland 78 BoD Neoplasms Gender:Female; Age:55 - 59 DALY 10372.25 (9448.96 - 11342.92) IHME 2019, Finland 79 BoD Neoplasms Gender:Male; Age:60 - 64 DALY 18345.95 (16429.22 - 20358.02) IHME 2019, Finland 80 BoD Neoplasms Gender:Female; Age:60 - 64 DALY 14317.87 (13160.73 - 15564.24) IHME 2019, Finland 81 BoD Neoplasms Gender:Male; Age:65 - 69 DALY 25248 (23053.65 - 27611.18) IHME 2019, Finland 82 BoD Neoplasms Gender:Female; Age:65 - 69 DALY 18551.3 (17148.54 - 20100.45) IHME 2019, Finland 83 BoD Neoplasms Gender:Male; Age:70 - 74 DALY 29396.51 (27122.35 - 31897.37) IHME 2019, Finland 84 BoD Neoplasms Gender:Female; Age:70 - 74 DALY 21707.21 (20077.87 - 23390.91) IHME 2019, Finland 85 BoD Neoplasms Gender:Male; Age:75 - 79 DALY 20087.72 (18068.26 - 22285.71) IHME 2019, Finland 86 BoD Neoplasms Gender:Female; Age:75 - 79 DALY 15942.74 (14335.64 - 17532.33) IHME 2019, Finland 87 BoD Neoplasms Gender:Male; Age:80 - 84 DALY 15565.95 (13625.28 - 17283.91) IHME 2019, Finland 88 BoD Neoplasms Gender:Female; Age:80 - 84 DALY 13735.88 (11704.04 - 15243.01) IHME 2019, Finland 89 BoD Neoplasms Gender:Male; Age:85+ DALY 8349.32 (7215.72 - 9486.6) IHME 2019, Finland. Actually, 85 -89 90 BoD Neoplasms Gender:Female; Age:85+ DALY 8476.79 (6862.51 - 9681.82) IHME 2019, Finland. Actually, 85 - 89 91 BoD Neoplasms Gender:Male; Age:85+ DALY 2990.68 (2444.57 - 3477.32) IHME 2019, Finland. Actually, 90 - 94 92 BoD Neoplasms Gender:Female; Age:85+ DALY 4083.67 (3074.97 - 4694.58) IHME 2019, Finland. Actually, 90 - 94 93 BoD Depressive disorders Gender:Male; Age:0 - 4 DALY 0.39 (0.16 - 0.88) IHME 2019, Finland 94 BoD Depressive disorders Gender:Female; Age:0 - 4 DALY 0.44 (0.19 - 0.95) IHME 2019, Finland 95 BoD Depressive disorders Gender:Male; Age:5 - 9 DALY 65.4 (24.32 - 130.1) IHME 2019, Finland 96 BoD Depressive disorders Gender:Female; Age:5 - 9 DALY 87.57 (33.33 - 168.15) IHME 2019, Finland 97 BoD Depressive disorders Gender:Male; Age:10 - 14 DALY 431.48 (223.6 - 769.41) IHME 2019, Finland 98 BoD Depressive disorders Gender:Female; Age:10 - 14 DALY 680.29 (359.42 - 1190.98) IHME 2019, Finland 99 BoD Depressive disorders Gender:Male; Age:15 - 19 DALY 984.25 (569.08 - 1568.68) IHME 2019, Finland 100 BoD Depressive disorders Gender:Female; Age:15 - 19 DALY 1657.4 (981.1 - 2621.09) IHME 2019, Finland 101 BoD Depressive disorders Gender:Male; Age:20 - 24 DALY 1386.32 (842.11 - 2175.09) IHME 2019, Finland 102 BoD Depressive disorders Gender:Female; Age:20 - 24 DALY 2295.71 (1408.71 - 3553.28) IHME 2019, Finland 103 BoD Depressive disorders Gender:Male; Age:25 - 29 DALY 1417.26 (869.21 - 2128.93) IHME 2019, Finland 104 BoD Depressive disorders Gender:Female; Age:25 - 29 DALY 2185.67 (1396.77 - 3226.54) IHME 2019, Finland 105 BoD Depressive disorders Gender:Male; Age:30 - 34 DALY 1303.8 (798.19 - 1999.81) IHME 2019, Finland 106 BoD Depressive disorders Gender:Female; Age:30 - 34 DALY 1876.24 (1187.81 - 2861.03) IHME 2019, Finland 107 BoD Depressive disorders Gender:Male; Age:35 - 39 DALY 1434.14 (907.94 - 2074.58) IHME 2019, Finland 108 BoD Depressive disorders Gender:Female; Age:35 - 39 DALY 2009.31 (1311.98 - 2856.55) IHME 2019, Finland 109 BoD Depressive disorders Gender:Male; Age:40 - 44 DALY 1420.51 (892.26 - 2092.79) IHME 2019, Finland 110 BoD Depressive disorders Gender:Female; Age:40 - 44 DALY 1980.05 (1265.93 - 2911.48) IHME 2019, Finland 111 BoD Depressive disorders Gender:Male; Age:45 - 49 DALY 1263.34 (821.64 - 1808.41) IHME 2019, Finland 112 BoD Depressive disorders Gender:Female; Age:45 - 49 DALY 1805 (1197.95 - 2558.32) IHME 2019, Finland 113 BoD Depressive disorders Gender:Male; Age:50 - 54 DALY 1387.56 (919.06 - 1998.99) IHME 2019, Finland 114 BoD Depressive disorders Gender:Female; Age:50 - 54 DALY 2050.35 (1395.56 - 2888.39) IHME 2019, Finland 115 BoD Depressive disorders Gender:Male; Age:55 - 59 DALY 1394.62 (928.12 - 2021.06) IHME 2019, Finland 116 BoD Depressive disorders Gender:Female; Age:55 - 59 DALY 2139.71 (1441.61 - 3072.24) IHME 2019, Finland 117 BoD Depressive disorders Gender:Male; Age:60 - 64 DALY 1303.22 (849.08 - 1942.47) IHME 2019, Finland 118 BoD Depressive disorders Gender:Female; Age:60 - 64 DALY 2050.26 (1341.4 - 2953.45) IHME 2019, Finland 119 BoD Depressive disorders Gender:Male; Age:65 - 69 DALY 1212.91 (808.8 - 1735.76) IHME 2019, Finland 120 BoD Depressive disorders Gender:Female; Age:65 - 69 DALY 1910.24 (1285.99 - 2719.36) IHME 2019, Finland 121 BoD Depressive disorders Gender:Male; Age:70 - 74 DALY 1113.66 (736.29 - 1598.95) IHME 2019, Finland 122 BoD Depressive disorders Gender:Female; Age:70 - 74 DALY 1738.81 (1160.43 - 2387.44) IHME 2019, Finland 123 BoD Depressive disorders Gender:Male; Age:75 - 79 DALY 607.27 (395.62 - 879.63) IHME 2019, Finland 124 BoD Depressive disorders Gender:Female; Age:75 - 79 DALY 992.13 (632.93 - 1407.88) IHME 2019, Finland 125 BoD Depressive disorders Gender:Male; Age:80 - 84 DALY 408.4 (260.09 - 603.43) IHME 2019, Finland 126 BoD Depressive disorders Gender:Female; Age:80 - 84 DALY 754.19 (468.1 - 1107.22) IHME 2019, Finland 127 BoD Depressive disorders Gender:Male; Age:85+ DALY 217.19 (143.42 - 306.18) IHME 2019, Finland. Actually, 85 - 89 128 BoD Depressive disorders Gender:Female; Age:85+ DALY 508.96 (331.86 - 735.2) IHME 2019, Finland. Actually, 85 - 89 129 BoD Depressive disorders Gender:Male; Age:85+ DALY 89.64 (56.81 - 130.42) IHME 2019, Finland. Actually, 90 - 94 130 BoD Depressive disorders Gender:Female; Age:85+ DALY 282.59 (176.7 - 418.81) IHME 2019, Finland. Actually, 90 - 94 131 BoD Cardiovascular diseases Gender:Male; Age:0 - 4 DALY 55.81 (38.8 - 72.1) IHME 2019, Finland 132 BoD Cardiovascular diseases Gender:Female; Age:0 - 4 DALY 51.41 (36.91 - 62.28) IHME 2019, Finland 133 BoD Cardiovascular diseases Gender:Male; Age:5 - 9 DALY 40.28 (31.09 - 53.33) IHME 2019, Finland 134 BoD Cardiovascular diseases Gender:Female; Age:5 - 9 DALY 57.28 (43.51 - 73.88) IHME 2019, Finland 135 BoD Cardiovascular diseases Gender:Male; Age:10 - 14 DALY 63.54 (51.33 - 78.65) IHME 2019, Finland 136 BoD Cardiovascular diseases Gender:Female; Age:10 - 14 DALY 87.09 (62.96 - 117.03) IHME 2019, Finland 137 BoD Cardiovascular diseases Gender:Male; Age:15 - 19 DALY 136.71 (110.24 - 167.42) IHME 2019, Finland 138 BoD Cardiovascular diseases Gender:Female; Age:15 - 19 DALY 153.98 (118.47 - 199.25) IHME 2019, Finland 139 BoD Cardiovascular diseases Gender:Male; Age:20 - 24 DALY 279.39 (227.03 - 336.84) IHME 2019, Finland 140 BoD Cardiovascular diseases Gender:Female; Age:20 - 24 DALY 228.81 (180.02 - 288.87) IHME 2019, Finland 141 BoD Cardiovascular diseases Gender:Male; Age:25 - 29 DALY 532.83 (430.61 - 638.52) IHME 2019, Finland 142 BoD Cardiovascular diseases Gender:Female; Age:25 - 29 DALY 342.46 (268.59 - 426.35) IHME 2019, Finland 143 BoD Cardiovascular diseases Gender:Male; Age:30 - 34 DALY 816.37 (680.83 - 972.69) IHME 2019, Finland 144 BoD Cardiovascular diseases Gender:Female; Age:30 - 34 DALY 456.47 (368.51 - 556.08) IHME 2019, Finland 145 BoD Cardiovascular diseases Gender:Male; Age:35 - 39 DALY 1680.87 (1433.26 - 1914.22) IHME 2019, Finland 146 BoD Cardiovascular diseases Gender:Female; Age:35 - 39 DALY 655.65 (547.17 - 769.76) IHME 2019, Finland 147 BoD Cardiovascular diseases Gender:Male; Age:40 - 44 DALY 2937.42 (2572.42 - 3307.94) IHME 2019, Finland 148 BoD Cardiovascular diseases Gender:Female; Age:40 - 44 DALY 1017.71 (858.22 - 1188.24) IHME 2019, Finland 149 BoD Cardiovascular diseases Gender:Male; Age:45 - 49 DALY 4722.73 (4249.8 - 5179.27) IHME 2019, Finland 150 BoD Cardiovascular diseases Gender:Female; Age:45 - 49 DALY 1511.89 (1259.14 - 1761.99) IHME 2019, Finland 151 BoD Cardiovascular diseases Gender:Male; Age:50 - 54 DALY 8534.18 (7814.07 - 9238.67) IHME 2019, Finland 152 BoD Cardiovascular diseases Gender:Female; Age:50 - 54 DALY 2418.4 (2107.72 - 2759.86) IHME 2019, Finland 153 BoD Cardiovascular diseases Gender:Male; Age:55 - 59 DALY 13664.14 (12654.49 - 14659.31) IHME 2019, Finland 154 BoD Cardiovascular diseases Gender:Female; Age:55 - 59 DALY 3830.79 (3349.47 - 4333.78) IHME 2019, Finland 155 BoD Cardiovascular diseases Gender:Male; Age:60 - 64 DALY 19981.9 (18579.26 - 21437.66) IHME 2019, Finland 156 BoD Cardiovascular diseases Gender:Female; Age:60 - 64 DALY 6174.04 (5456.16 - 6895.54) IHME 2019, Finland 157 BoD Cardiovascular diseases Gender:Male; Age:65 - 69 DALY 26192.04 (24283.7 - 28121.98) IHME 2019, Finland 158 BoD Cardiovascular diseases Gender:Female; Age:65 - 69 DALY 10009.46 (8880.47 - 11065.86) IHME 2019, Finland 159 BoD Cardiovascular diseases Gender:Male; Age:70 - 74 DALY 32896.15 (30823.42 - 35054.93) IHME 2019, Finland 160 BoD Cardiovascular diseases Gender:Female; Age:70 - 74 DALY 16202.42 (14704.55 - 17659.69) IHME 2019, Finland 161 BoD Cardiovascular diseases Gender:Male; Age:75 - 79 DALY 27830.29 (25860.67 - 29831.68) IHME 2019, Finland 162 BoD Cardiovascular diseases Gender:Female; Age:75 - 79 DALY 18996.68 (17106.54 - 20639.64) IHME 2019, Finland 163 BoD Cardiovascular diseases Gender:Male; Age:80 - 84 DALY 27498.88 (24963.18 - 29492.6) IHME 2019, Finland 164 BoD Cardiovascular diseases Gender:Female; Age:80 - 84 DALY 28299.79 (24418.39 - 30775.41) IHME 2019, Finland 165 BoD Cardiovascular diseases Gender:Male; Age:85+ DALY 20009.06 (17545.62 - 21573.12) IHME 2019, Finland. Actually, 85 - 89 166 BoD Cardiovascular diseases Gender:Female; Age:85+ DALY 30471.01 (24907.42 - 33476.66) IHME 2019, Finland. Actually, 85 - 89 167 BoD Cardiovascular diseases Gender:Male; Age:85+ DALY 9975.45 (8323.76 - 10867.21) IHME 2019, Finland. Actually, 90 - 94 168 BoD Cardiovascular diseases Gender:Female; Age:85+ DALY 23285.78 (18138.13 - 26005.15) IHME 2019, Finland. Actually, 90 - 94 169 BoD Breast cancer Gender:Male; Age:15 - 19 DALY 1.18 (0.96 - 1.37) IHME 2019, Finland 170 BoD Breast cancer Gender:Female; Age:15 - 19 DALY 3 (1.75 - 4.76) IHME 2019, Finland 171 BoD Breast cancer Gender:Male; Age:20 - 24 DALY 1.17 (1 - 1.35) IHME 2019, Finland 172 BoD Breast cancer Gender:Female; Age:20 - 24 DALY 14.4 (10.03 - 20.05) IHME 2019, Finland 173 BoD Breast cancer Gender:Male; Age:25 - 29 DALY 1.18 (0.99 - 1.34) IHME 2019, Finland 174 BoD Breast cancer Gender:Female; Age:25 - 29 DALY 72.46 (50.75 - 99.1) IHME 2019, Finland 175 BoD Breast cancer Gender:Male; Age:30 - 34 DALY 1.06 (0.92 - 1.22) IHME 2019, Finland 176 BoD Breast cancer Gender:Female; Age:30 - 34 DALY 289.26 (210.11 - 392) IHME 2019, Finland 177 BoD Breast cancer Gender:Male; Age:35 - 39 DALY 2.03 (1.01 - 3.77) IHME 2019, Finland 178 BoD Breast cancer Gender:Female; Age:35 - 39 DALY 525.17 (400.03 - 678.09) IHME 2019, Finland 179 BoD Breast cancer Gender:Male; Age:40 - 44 DALY 3.14 (1.47 - 5.9) IHME 2019, Finland 180 BoD Breast cancer Gender:Female; Age:40 - 44 DALY 863.56 (676.13 - 1072.98) IHME 2019, Finland 181 BoD Breast cancer Gender:Male; Age:45 - 49 DALY 6.46 (3.26 - 11.19) IHME 2019, Finland 182 BoD Breast cancer Gender:Female; Age:45 - 49 DALY 1403.45 (1127.85 - 1738.21) IHME 2019, Finland 183 BoD Breast cancer Gender:Male; Age:50 - 54 DALY 11.32 (5.67 - 20.08) IHME 2019, Finland 184 BoD Breast cancer Gender:Female; Age:50 - 54 DALY 2079.33 (1696.3 - 2550.8) IHME 2019, Finland 185 BoD Breast cancer Gender:Male; Age:55 - 59 DALY 15.64 (9.08 - 24.92) IHME 2019, Finland 186 BoD Breast cancer Gender:Female; Age:55 - 59 DALY 2667.99 (2186.73 - 3219.43) IHME 2019, Finland 187 BoD Breast cancer Gender:Male; Age:60 - 64 DALY 18.29 (10.28 - 30.11) IHME 2019, Finland 188 BoD Breast cancer Gender:Female; Age:60 - 64 DALY 3008.14 (2442.29 - 3681.06) IHME 2019, Finland 189 BoD Breast cancer Gender:Male; Age:65 - 69 DALY 17.69 (9.57 - 29.27) IHME 2019, Finland 190 BoD Breast cancer Gender:Female; Age:65 - 69 DALY 3280.97 (2674.04 - 3996.94) IHME 2019, Finland 191 BoD Breast cancer Gender:Male; Age:70 - 74 DALY 27.16 (14.8 - 44.9) IHME 2019, Finland 192 BoD Breast cancer Gender:Female; Age:70 - 74 DALY 3328.91 (2723.36 - 4052.4) IHME 2019, Finland 193 BoD Breast cancer Gender:Male; Age:75 - 79 DALY 15.51 (8.07 - 26.84) IHME 2019, Finland 194 BoD Breast cancer Gender:Female; Age:75 - 79 DALY 2448.51 (1981.95 - 3017.28) IHME 2019, Finland 195 BoD Breast cancer Gender:Male; Age:80 - 84 DALY 12.58 (6.02 - 23.17) IHME 2019, Finland 196 BoD Breast cancer Gender:Female; Age:80 - 84 DALY 1889.18 (1466.29 - 2370.1) IHME 2019, Finland 197 BoD Breast cancer Gender:Male; Age:85+ DALY 5.22 (2.34 - 10.9) IHME 2019, Finland. Actually, 85 - 89 198 BoD Breast cancer Gender:Female; Age:85+ DALY 1151.16 (865.36 - 1442.12) IHME 2019, Finland. Actually, 85 - 89 199 BoD Breast cancer Gender:Male; Age:85+ DALY 2.43 (1.16 - 4.37) IHME 2019, Finland. Actually, 90 - 94 200 BoD Breast cancer Gender:Female; Age:85+ DALY 589.93 (434.75 - 763.12) IHME 2019, Finland. Actually, 90 - 94 201 BoD Respiratory infections and tuberculosis Gender:Male; Age:0 - 4 DALY 319.93 (208.27 - 491.6) IHME 2019b, Finland (YLL + YLD) Used for background BoD of immunosuppression 202 BoD Respiratory infections and tuberculosis Gender:Female; Age:0 - 4 DALY 272.04 (173.66 - 420.74) IHME 2019b, Finland 203 BoD Respiratory infections and tuberculosis Gender:Male; Age:5 - 9 DALY 275.03 (160.81 - 447.16) IHME 2019b, Finland 204 BoD Respiratory infections and tuberculosis Gender:Female; Age:5 - 9 DALY 248.04 (144.2 - 410.57) IHME 2019b, Finland 205 case burden Dioxin recommendation tolerable daily intake DALY /case 0.0001 - 0.0101 Goherr assessment 206 case burden Dioxin recommendation tolerable daily intake 2018 DALY /case 0.0001 - 0.0101 Goherr assessment 207 case burden Loss in child's IQ points DALY /IQ 0.11 (0.06 - 0.16) Arja used 0.013 but here we use Goherr value instead. 208 case burden PFAS TWI DALY /case 0.0001 - 0.0101 209 case burden Sperm concentration Gender:Female DALY/case 0 Goherr assessment 210 case burden Sperm concentration Gender:Male DALY/case 0 - 5 Goherr assessment 211 case burden Vitamin D recommendation DALY /case 0.0001 - 0.0101 Goherr assessment 212 case burden Yes or no dental defect DALY/case 0 - 0.12 Goherr assessment 213 incidence Cancer morbidity yearly # /100000py 657 Statistics Finland https://tilastot.syoparekisteri.fi/syovat/ applies to all subgroups because cancer is lifetime risk 214 incidence Dioxin recommendation tolerable daily intake # /100000py 11000 Average over the whole Goherr population is 11 % 215 incidence Dioxin recommendation tolerable daily intake 2018 # /100000py 32000 Average over the whole Goherr population is 32 % 216 incidence Immunosuppression Age:0 - 4 # /100000py 481000 IHME: 1.23M cases per (130884+125040) 217 incidence Immunosuppression Age:5 - 9 # /100000py 395000 IHME: 1.21M cases per (156654+149663) 218 incidence Loss in child's IQ points Age:0 - 4 IQ /100000py 596000 On average, a population has ca. 6 IQ points per person below 100: mean(abs(rnorm(10000, 100,15)-100))/2 219 incidence PFAS TWI # /100000py 100000 nominal 220 incidence Sperm concentration Age:0 - 4 # /100000py 7000 Male infertility rate is 7 % (Wikipedia) 221 incidence Vitamin D recommendation # /100000py 22000 Valsta et al.: 14 and 30 % of Finnish males and females, respectivey, are below average need (7.5 µg/d) http://urn.fi/URN:ISBN:978-952-343-238-3 222 incidence Yes or no dental defect Age:0 - 4 # /20000py 22400 Alaluusua et al 2004 found 11/49 cases in two lowest groups 223 population Gender:Male; Age:0 - 4 # 130884 Statistics Finland 2019 224 population Gender:Male; Age:5 - 9 # 156654 Statistics Finland 2019 225 population Gender:Male; Age:10 - 14 # 157712 Statistics Finland 2019 226 population Gender:Male; Age:15 - 19 # 152230 Statistics Finland 2019 227 population Gender:Male; Age:20 - 24 # 161679 Statistics Finland 2019 228 population Gender:Male; Age:25 - 29 # 183092 Statistics Finland 2019 229 population Gender:Male; Age:30 - 34 # 181115 Statistics Finland 2019 230 population Gender:Male; Age:35 - 39 # 186122 Statistics Finland 2019 231 population Gender:Male; Age:40 - 44 # 177928 Statistics Finland 2019 232 population Gender:Male; Age:45 - 49 # 159982 Statistics Finland 2019 233 population Gender:Male; Age:50 - 54 # 179182 Statistics Finland 2019 234 population Gender:Male; Age:55 - 59 # 183719 Statistics Finland 2019 235 population Gender:Male; Age:60 - 64 # 176283 Statistics Finland 2019 236 population Gender:Male; Age:65 - 69 # 171275 Statistics Finland 2019 237 population Gender:Male; Age:70 - 74 # 163697 Statistics Finland 2019 238 population Gender:Male; Age:75 - 79 # 93987 Statistics Finland 2019 239 population Gender:Male; Age:80 - 84 # 65140 Statistics Finland 2019 240 population Gender:Male; Age:85+ # 47581 Statistics Finland 2019 241 population Gender:Male; Age:Undefined # 2728262 Statistics Finland 2019 242 population Gender:Female; Age:0 - 4 # 125040 Statistics Finland 2019 243 population Gender:Female; Age:5 - 9 # 149633 Statistics Finland 2019 244 population Gender:Female; Age:10 - 14 # 151113 Statistics Finland 2019 245 population Gender:Female; Age:15 - 19 # 144441 Statistics Finland 2019 246 population Gender:Female; Age:20 - 24 # 152265 Statistics Finland 2019 247 population Gender:Female; Age:25 - 29 # 172593 Statistics Finland 2019 248 population Gender:Female; Age:30 - 34 # 169653 Statistics Finland 2019 249 population Gender:Female; Age:35 - 39 # 174660 Statistics Finland 2019 250 population Gender:Female; Age:40 - 44 # 168547 Statistics Finland 2019 251 population Gender:Female; Age:45 - 49 # 154391 Statistics Finland 2019 252 population Gender:Female; Age:50 - 54 # 176612 Statistics Finland 2019 253 population Gender:Female; Age:55 - 59 # 185152 Statistics Finland 2019 254 population Gender:Female; Age:60 - 64 # 183336 Statistics Finland 2019 255 population Gender:Female; Age:65 - 69 # 185685 Statistics Finland 2019 256 population Gender:Female; Age:70 - 74 # 186034 Statistics Finland 2019 257 population Gender:Female; Age:75 - 79 # 118190 Statistics Finland 2019 258 population Gender:Female; Age:80 - 84 # 96256 Statistics Finland 2019 259 population Gender:Female; Age:85+ # 103429 Statistics Finland 2019 260 population Gender:Female; Age:Undefined # 2797030 Statistics Finland 2019 261 fish proportion Gender:Female g/d 0.85 (Goherr assessment http://en.opasnet.org/en-opwiki/images/3/39/Goherr_benefit-risk_assessment_fig12.svg) 262 fish proportion Gender:Male g/d 1.15 Goherr assessment 263 ERFchoice DHA Loss in child's IQ points Scaling:None mg /d 1 264 ERFchoice Fish Depression g /d 1 265 ERFchoice Fish All-cause mortality g /d 1 266 ERFchoice MeHg Loss in child's IQ points Exposure:Through placenta as maternal MeHg concentration in hair µg/g 1 267 ERFchoice Omega3 CHD2 mortality ER_function:Relative Hill mg /d 1 268 ERFchoice Omega3 Breast cancer mg /d 1 269 ERFchoice PFAS Immunosuppression ng /kg /week 1 270 ERFchoice TEQ Yes or no dental defect pg /g 1 271 ERFchoice TEQ Cancer morbidity yearly pg /kg /d 1 272 ERFchoice TEQ Sperm concentration pg /g 1 273 ERFchoice Vitamin D Vitamin D recommendation µg /d 1 We adjust the case burden of Child's IQ to one fifth, because we assume that a permanent damage happens at year 0 but the case burden refers to the whole subgroup from 0 to 4 years of age. (This is easier than creating overlapping subgroups.) Previously incidence was adjusted, but that makes no sense because with non-proportional ERFs, incidence cancels out. Yet one has to remember that the incidence and PAF values apply only to the target subgroup (0-year-olds), not the whole subgroup (0-4-year-olds). The same reasoning applies to sperm concentration and dental aberration, because we assume that one-year exposure at age 0 (or young are, it is not clearly defined with sperm concentration) results in permanent damage. However, with immunosuppression we assume that one-year exposure leads to one-year damage, and that the sensitivity to the effect disappears after 10 years of age (mainly because the breast-fed PFAS compounds no longer keep body burden elevated). Therfore, immunosuppression is not adjusted. One year is the logical resolution in the assessment (e.g. BoD is per year), even if the age groups are for five consecutive years. Decisions(-) Obs Decision Option Variable Cell Change Result Description 1 Adjust BAU incidence Multiply 0.00001 1/100000 py --> 1 py 2 Adjust BAU conc_vit Nutrient:Vitamin D,Omega3,ALA,DHA Multiply 0.01 g /100 g --> g /g 3 Adjust BAU conc_vit Nutrient:Omega3 Multiply 1000 g --> mg 4 Adjust BAU BoD Response:Loss in child's IQ points,Sperm concentration,Yes or no dental defect Multiply 0.2 Adjusting for age group. See above 5 Fishing BAU amount Multiply 1 General Finnish fish consumption 6 Fishing Porvoo amount Fish:Average fish Add 4.1 Derived from Porvoo fisheries report 2019 7 Fishing Porvoo amount Fish:Bream Add 6.3 Derived from Porvoo fisheries report 2019 8 Fishing Porvoo amount Fish:Herring Add 0.6 Derived from Porvoo fisheries report 2019 9 Fishing Porvoo amount Fish:Perch Add 3.0 Derived from Porvoo fisheries report 2019 10 Fishing Porvoo amount Fish:Roach Add 4.7 Derived from Porvoo fisheries report 2019 11 Fishing Porvoo amount Fish:Salmon Add 0.4 Derived from Porvoo fisheries report 2019 12 Fishing Porvoo amount Fish:Whitefish Add 0.6 Derived from Porvoo fisheries report 2019 13 Fishing Vanhankaupunginlahti amount Fish:Average fish Add 4.1 Derived from Porvoo fisheries report 2019 14 Fishing Vanhankaupunginlahti amount Fish:Bream Add 6.3 Derived from Porvoo fisheries report 2019 15 Fishing Vanhankaupunginlahti amount Fish:Herring Add 0.6 Derived from Porvoo fisheries report 2019 16 Fishing Vanhankaupunginlahti amount Fish:Perch Add 3.0 Derived from Porvoo fisheries report 2019 17 Fishing Vanhankaupunginlahti amount Fish:Roach Add 4.7 Derived from Porvoo fisheries report 2019 18 Fishing Vanhankaupunginlahti amount Fish:Salmon Add 0.4 Derived from Porvoo fisheries report 2019 19 Fishing Vanhankaupunginlahti amount Fish:Whitefish Add 0.6 Derived from Porvoo fisheries report 2019 20 Fishing BAU conc Compound:PFAS Multiply 1 Derived from EU-kalat3 21 Fishing Porvoo conc Compound:PFAS Multiply 3 Derived from Porvoo measurements 22 Fishing Vanhankaupunginlahti conc Compound:PFAS Multiply 7 Derived from EU-kalat3 CollapseMarginals(-) Obs Variable Index Probs Function Dummy Description 1 amount Food sum 1 Remove, too detailed 2 BoD incidenceSource,disabilityweightSource,populationSource sum 1 Remove redundant 3 BoDattr PAFSource, Adjust sum 1 Remove redundant 4 case_burden case_burdenSource sum 1 Fill missing Ages 5 conc_pfas conc_pfas_rawSource sum 1 Remove redundant 6 dose Source, concSource, expo_dirSrouce, exposureSource, BWSource, Source.1 sum 1 Remove redundant 7 ERF Exposure, Age sum 1 Remove redundant 8 expo_indir f_ingSource, t0.5Source,f_mtocSource, BFSource sum 1 Remove redundant 9 expo_dir Group, Fish, fish_proportionSource, amountSource, concSource sum 1 Remove redundant 10 exposure Fish, Kala, expo_dirSource sum 1 Remove redundant 11 PAF Unit, Exposure, Scaling,Exposcen, ER_function, ERFchoiceSource, exposureSource, bgexposureSource, BWSource, doseSource, thresholdSource, ERFSource, RRSource, frexposedSource, incidenceSource, InpPAFSource sum 1 Remove redundant 12 threshold Exposure, Age sum 1 Remove redundant

Excluded endpoints:

• ERFchoice|PFAS|PFAS TWI||ng /kg /week|1|
• ERFchoice|TEQ|Dioxin recommendation tolerable daily intake 2018||pg /kg /d|1|

Laskenta

Malliajo 2021-02-27 [12]. Koodi löytyy myös Githubista.

+ Näytä koodi- Piilota koodi # This is code Op_fi5932/initiate on page [[PFAS-yhdisteiden tautitaakka]] library(OpasnetUtils) # Install the newest version from https://github.com/jtuomist/OpasnetUtils not from CRAN. library(tidyverse) library(plotly) library(readxl) library(reshape2) # First empty all objects for a fresh start. Otherwise may be problems with CheckDecisions. oempty(all=TRUE) openv.setN(0) opts = options(stringsAsFactors=FALSE) ages <- factor(1:19, labels=c( "0 - 4", "5 - 9", "10 - 14", "15 - 19", "20 - 24", "25 - 29", "30 - 34", "35 - 39", "40 - 44", "45 - 49", "50 - 54", "55 - 59", "60 - 64", "65 - 69", "70 - 74", "75 - 79", "80 - 84", "85+", "Undefined") ) objects.latest("Op_en2031", code_name="subgrouping") # [[Exposure-response function]] subgrouping #' prepare adjusts the data table for ovariables. Requires function subgrouping from code Op_en2031/subgrouping 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)) } #' Copies results from one location to other locations while keeping everything else constant #' @param ova ovariable to be used #' @param locations list of relevant indices. Each item is a list that has a name of an existing locations, and the content is a vector of new location names. #' @return the input ovariable with new rows containing the new locations expand_index <- function(ova, locations) { if("ovariable" %in% class(ova)) out <- ova@output else out <- ova for(i in names(locations)) { for(j in names(locations[[i]])) { addpiece <- out[out[[i]]==j,] for(k in locations[[i]][[j]]) { addpiece[[i]] <- k out <- rbind(out,addpiece) } } } if("ovariable" %in% class(ova)) ova@output <- out else ova <- out return(ova) } trim <- function(ova) return(oapply(ova, NULL, mean, "Iter")@output) ###### case-specific adjustments objects.latest("Op_en2261", code_name="RR2") # RR on page [[Health impact assessment]] RRorig <- RR@formula RR@formula <- function(...) { out <- RRorig() out <- out * Ovariable( output=data.frame(Age = ages, Result=1), marginal=c(TRUE,FALSE) ) return(out) } ################# DOWNLOADS # This code was forked from https://github.com/jtuomist/fishhealth/blob/master/fishhealth.Rmd # This code was previously forked from code Op_fi5923/model on page [[Kotimaisen kalan edistämisohjelma]] # The code was even more previously forked from Op_fi5889/model on page [[Ruori]] and Op_en7748/model on page [[Goherr assessment]] dat <- opbase.data("Op_fi5932", subset="Malliparametrit")[-1] # [[PFAS-yhdeisteiden tautitaakka]] dec <- opbase.data("Op_fi5932", subset="Decisions")[-1] DecisionTableParser(dec) CTable <- opbase.data("Op_fi5932",subset="CollapseMarginals") #for(i in 1:ncol(CTable)) {CTable[[i]] <- as.character(CTable[[i]])} # The default is currently character, not factor CollapseTableParser(CTable) cat("Laskennassa käytetty data.\n") oprint(dat) cat("Tarkastellut päätökset.\n") oprint(dec) cat("Aggregoidut marginaalit.\n") oprint(CTable) dummy <- Ovariable("dummy",data=data.frame(Age="dummy", Fish="dummy", Compound="dummy", Area="dummy", Result=1)) # Keep these columns marginals objects.latest("Op_en1836", code_name="EFSA_amount") # [[Domestic fish consumption of the general population in Finland]] amountOrig <- amount@formula amount@formula <- function(...) { out <- amountOrig() out <- out * fish_proportion return(out) } fish_proportion <- Ovariable( # How population subgroups eat fish differently "fish_proportion", data = data.frame(prepare(dat,"fish proportion",c("Type","Exposure_agent","Response","Unit"))), unit="proportion of the mean") total_amount <- Ovariable( "total_amount", data=prepare(dat, "amount", c("Type","Response","Exposure_agent","Unit")), unit="M kg/a") amount_statistics <- Ovariable( # This comes from the Finnish fish market statistics "amount", dependencies = data.frame(Name=c("total_amount", "fish_proportion")), formula = function(...) { amount <- total_amount # Filleted weight, i.e. no loss. amount <- amount * 1000 / 5.52 /365.25 # M kg/a per 5.52M population --> g/d per average person. amount <- amount * fish_proportion # fish_proportion tells the relative amount in each subgroup # Match KKE-classification in amount with Fineli classification tmp <- Ovariable( output = data.frame( Kala = c("Kasvatettu", "Kaupallinen", "Kirjolohi", "Silakka", "Vapaa-ajan", "Muu tuonti", "Tuontikirjolohi", "Tuontilohi"), Fish = c("Whitefish", "Average fish","Rainbow trout", "Herring", "Average fish", "Average fish", "Rainbow trout", "Salmon"), Result = 1 ), marginal = c(TRUE, TRUE, FALSE) ) amount <- amount * tmp return(amount) }, unit="g/d" ) # Exposure:To child and To eater not needed, because dioxins are not (yet) included population <- Ovariable( "population", data=prepare(dat, "population", c("Type", "Exposure_agent", "Response","Unit")), unit = "#" ) population@data$Age <- factor(population@data$Age, levels=levels(ages)) incidence <- Ovariable( "incidence", data = prepare(dat,"incidence",c("Type","Exposure_agent","Unit")), unit="1/person-year") incidence@data$Age <- factor(incidence@data$Age, levels=levels(ages)) case_burden <- Ovariable( "case_burden", data = prepare(dat,"case burden",c("Type", "Exposure_agent","Unit")), unit="DALY/case") ERFchoice <- Ovariable( "ERFchoice", data = prepare(dat, "ERFchoice", c("Unit", "Type")) ) #### InpBoD tmp <- prepare(dat, "BoD", c("Type","Exposure_agent","Unit")) tmp[tmp=="All causes"] <- "All-cause mortality" tmp[tmp=="Depressive disorders"] <- "Depression" tmp[tmp=="Neoplasms"] <- "Cancer morbidity yearly" tmp[tmp=="Respiratory infections and tuberculosis"] <- "Immunosuppression" # Infections of 0-9-year-olds are assumed to represent the background BoD of immunosuppressive effect of PFAS tmp[tmp=="Cardiovascular diseases"] <- "CHD2 mortality" tmp$Age <- factor(tmp$Age, levels=levels(ages)) InpBoD <- EvalOutput(Ovariable( # Evaluated because is not a dependency but an Input "InpBoD", data = tmp, unit="DALY/a" )) ###################### CONCENTRATIONS conc_vit <- Ovariable( "conc_vit", ddata = "Op_en1838", # [[Concentrations of beneficial nutrients in fish]] subset = "Fineli data for common fish species", unit="ALA mg/g, DHA mg/g, Fish g/g, Omega3 mg/g, Vitamin D µg/g f.w. after adjustment" ) df = conc_vit@data df$Nutrient[df$Nutrient=="D-vitamiini (µg)"] <- "Vitamin D" df$Nutrient[df$Nutrient=="rasvahapot n-3 moni-tyydyttymättömät (g)"] <- "Omega3" df$Nutrient[df$Nutrient=="rasvahappo 18:3 n-3 (alfalinoleenihappo) (mg)"] <- "ALA" df$Nutrient[df$Nutrient=="rasvahappo 22:6 n-3 (DHA) (mg)"] <- "DHA" df$Nutrient[df$Nutrient=="proteiini (g)"] <- "Fish" df$conc_vitResult[df$Nutrient=="Fish"] <- "1" df <- dropall(df[df$Nutrient %in% c("Vitamin D", "Omega3", "ALA", "DHA", "Fish") , ]) conc_vit@data <- df ######## Concentration of PFAS # Data from EU-kalat3 (Finland excl Vanhankaupunginlahti): # pg/g fresh weight # POP mean sd min Q0.025 median Q0.975 max # 2.5% PFOS 2055.757 1404.045 305.0399 330.1365 1533.269 5029.697 5814.935 # Data from EU-kalat3 (Vanhankaupunginlahti, Helsinki) # ng/g f.w. # POP mean sd min Q0.025 median Q0.975 max #2.5% PFOS 14.428 11.94542 1.499441 1.607789 15.64988 35.32517 38.91994 conc_eukalat <- EvalOutput(Ovariable( "conc_eukalat", data = data.frame( Area = c("Suomi","Helsinki"), Compound="PFOS", Result=c("2.056 (3.301 - 5.030)", "14.428 (1.499 - 35.325)")), unit="ng/g fresh weight" )) conc_pfas_raw <- Ovariable( "conc_pfas_raw", ddata="Op_fi5932",subset="PFAS concentrations", unit="ng/g f.w.") conc_pfas <- Ovariable( "conc_pfas", dependencies = data.frame(Name="conc_pfas_raw"), formula = function(...) { out <- conc_pfas_raw out$Source <- NULL out$Area <- "Porvoo" out <- expand_index(out, list(Fish=list(Perch=c( "Average fish", "Pike","Rainbow trout","Roach", "Salmon", "Vendace", "Whitefish")))) out <- out[sample(nrow(out@output)),] out <- out[!duplicated(out@output[intersect(colnames(out@output),c("Fish","Compound","Iter"))]),] out@marginal <- c(TRUE, TRUE, FALSE, TRUE, TRUE) return(out) }, unit="ng/g fresh weight" ) #sum_pfas <- oapply(conc_pfas, cols=c("Kala","Compound"), FUN=sum) #tmp <- conc_pfas / sum_pfas #summary(tmp, marginals="Compound") # ## This tells that PFOS consists of 71 - 97 % of the four key PFAS, while PFOA, PFNA, and PFHxS consist of # 0 - 10 %, 2 - 18 %, and 0 - 9 %, respectively. # Even if we included the next most abundant congeners, i.e. PFDA and PFUnA, the overall picture would not change. conc <- Ovariable( "conc", dependencies = data.frame( Name=c("conc_vit", "conc_pfas","conc_pcddf","conc_mehg"), Ident = c(NA,NA,"Op_en3104/pcddf_mean","Op_en4004/conc_mehg_allfish")), formula = function(...){ conc_vit <- oapply(conc_vit, cols=c("Kala", "Adjust"),FUN=mean) colnames(conc_vit@output)[colnames(conc_vit@output)=="Nutrient"] <- "Compound" # conc_pfas <- oapply(conc_pfas, cols=c("Obs","Area"), FUN=mean) # Redundant because handled already conc_pfas$Compound[conc_pfas$Compound %in% c("PFOA","PFNA","PFHxS","PFOS")] <- "PFAS" conc_pfas <- oapply(conc_pfas, cols="Area", FUN=sum) # Works because only one area conc_pcddf$Compound <- "TEQ" conc_pcddf$Fish[conc_pcddf$Fish=="Baltic herring"] <- "Herring" conc_mehg <- oapply(conc_mehg[conc_mehg$Area=="Gulf of Finland",], NULL, mean, c("Area","Kala")) conc_mehg$Compound <- "MeHg" out <- OpasnetUtils::combine(conc_vit, conc_pfas, conc_pcddf, conc_mehg) return(out) } ) ################################################################### # Code copied from http://en.opasnet.org/w/Goherr_assessment# mc2dparam<- list( N2 = 10, # Number of iterations in the new Iter strength = 50, # Sample size to which the fun is to be applied. Resembles number of observations run2d = FALSE, # Should the mc2d function be used or not? info = 1, # Ovariable that contains additional indices, e.g. newmarginals. newmarginals = c("Exposure"), # Names of columns that are non-marginals but should be sampled enough to become marginals method = "bootstrap", # which method to use for 2D Monte Carlo? Currently bootsrap is the only option. fun = mean # Function for aggregating the first Iter dimension. ) expo_background <- Ovariable( "expo_background", data = prepare(dat, "background exposure", c("Type","Response","Unit")), unit = "Vitamin D: µg /day; DHA, EPA, Omega3: mg /day" ) expo_dir <- Ovariable( "expo_dir", dependencies=data.frame(Name=c("amount","conc","expo_background")), formula = function(...) { amount$Fish[amount$Fish %in% c("Imported fish","Fish product","Tuna")] <- "Average fish" amount <- amount * Ovariable(output=data.frame( Age = ages[-19], Group = c("Toddlers","Other children",rep("Adolescents",2), rep("Adults",9), rep("Elderly",5)), Result = 1 ), marginal=c(TRUE,TRUE,FALSE)) out <- amount * conc * Ovariable( output = data.frame(Exposcen = c("BAU","No exposure"), Result=c(1,0)), marginal=c(TRUE,FALSE)) colnames(out@output)[colnames(out@output)=="Compound"] <- "Exposure_agent" out <- OpasnetUtils::combine(out, expo_background) return(out) }, unit = "PCDDF, PCB, TEQ: pg /day; Vitamin D, MeHg: µg /day; DHA, EPA, Omega3: mg /day" ) #expo_dir <- EvalOutput(expo_dir, verbose=TRUE) exposure <- Ovariable( "exposure", dependencies = data.frame( Name = c( "expo_dir", # direct exposure, i.e. the person eats or breaths the exposure agent themself "expo_indir", # indirect exposure, i.e. the person (typically fetus or infant) is exposed via someone else (mother) "mc2d" # 2D Monte Carlo function ), Ident = c( NA, "Op_en7797/expo_indir2", # [[Infant's dioxin exposure]] # expo_indir "Op_en7805/mc2d") # [[Two-dimensional Monte Carlo]] ), formula = function(...) { expo_indir <- expo_indir[expo_indir$Gender =="Female",] # Age must be selected too, if available, and then collapsed if >1 location. expo_indir$Gender <- NULL expo_indir <- expo_indir[expo_indir$Age %in% c("20 - 24","25 - 29", "30 - 34", "35 - 39", "40 - 44"),] expo_indir <- CollapseMarginal(expo_indir, "Age", "mean") # "sample" is not possible if openv$N==0 expo_indir$Age <- "0 - 4" expo_dir$Exposure <- "Direct" out <- OpasnetUtils::combine(expo_dir, expo_indir) out <- mc2d(out) return(out) }, unit = "PCDDF, PCB, TEQ: (To eater: pg /day; to child: pg /g fat); Vitamin D, MeHg: µg /day; DHA, EPA, Omega3: mg /day" ) ##########################3 objects.latest("Op_en2261",code_name="BoDattr2") # [[Health impact assessment]] BoDattrOrig <- BoDattr@formula BoDattr@formula <- function(...) { out <- BoDattrOrig() out$Age <- factor(out$Age, levels=levels(ages)) out <- oapply(out,NULL,sum,c("BoDSource","InpBoDSource","PAFSource")) tmp <- out[out$Response=="CHD2 mortality",] * -1 tmp$Response <- "All-cause mortality" tmp$Exposure_agent <- "Fish" out <- OpasnetUtils::combine(out, tmp, name = "BoDattr") return(out) } BoDattr <- EvalOutput(BoDattr, verbose=TRUE) ################ Insight network #gr <- scrape(type="assessment") #objects.latest("Op_en3861", "makeGraph") # [[Insight network]] #gr <- makeGraph(gr) #export_graph(gr, "ruori.svg") #render_graph(gr) # Does not work: Error in generate_dot(graph) : object 'attribute' not found ##################### Diagnostics objects.latest("Op_en6007", code_name="diagnostics") oprint(showLoctable()) oprint(showind()) limits <- data.frame( Exposure_agent = c("TEQ","MeHg","PFAS","Vitamin D"), Type = c("TDI","TDI","TDI","RDI"), Result = c(2*70/7, 1.3*70/7,4.4*70/7,10) ) oempty(all=TRUE) objects.store(list=ls()) cat("Objects", ls(), "stored.\n")

Katso myös

• Wikipedia: Firefighting foam
• THL: Fluoratut yhdisteet
• SYKE: Perfluoratut yhdisteet
• EFSA PFAS consultation
• Tautitaakka Suomessa
• op_en:Health impact assessment
• Kalansyönti Suomessa
• Kalaruoan terveysvaikutukset