Teppo Repo IMPRO-hankkeen Health research in progress -tutkimusseminaarissa 14.5.2018.

1. UEF // University of Eastern Finland
Koronaaritaudin sekundaariprevention ja
tautiriskin alueelliset erot Siun sote – alueella
Health care research in progress - seminaari
14.05.2018Teppo Repo teppo.repo@uef.fi 1
14.5.2018 klo 9.15 -16.00 AU102, Joensuu
Teppo Repo

2. UEF // University of Eastern Finland
Koronaaritautiriskin ja sekundaariprevention
alueelliset erot Siun sote - alueella
14.05.2018Teppo Repo teppo.repo@uef.fi 2
Tähän mennessä havaittu:
• Melko suuria alueellisia eroja riskifaktorien kirjaamisaktiivisuudessa
• Riskitekijät näyttävät kasaantuvan osittain samoille potilaille ja tietyille alueille. Hoidon
toteutumisen alueellisia eroja selittävät (niiden osalta, joilta seurantatieto) myös
väestörakenne ja monisairastavuus
(sekä oletettavasti elintavat mm. potilaiden korkea BMI yhteydessä sairastavuuteen alueella)
Tähän asti tehty:
 Kartoitettu sairastavuuden alueellisia eroja eri aluetasoilla ja eri väestötyyppien
keskuudessa
 Tutkittu koronaaripotilaiden hoidon toteutumisen taustalla olevia tekijöitä

3. UEF // University of Eastern Finland 14.05.2018Teppo Repo teppo.repo@uef.fi 3
Akuuttien koronaaritapahtumien (ml. ennaltaehk. tmp.)
kumulatiivinen insidenssi v. 2011-2014
Ikävakioitu kunnittain
Ikävakioimaton (EB-tasoitettu) Ikävakioimaton (EB-tasoitettu heatmap)

4. UEF // University of Eastern Finland
Tutkimuksen jatkosuunnitelmat 2018:
14.05.2018Teppo Repo teppo.repo@uef.fi 4
Koronaaritautiriskin (tai matalan riskin) keskittymien taustalla vaikuttavat
syyt
 Potilasdatasta ja RTTK-aineistosta johdettujen SVT insidenssejä
selittävien regressiomallien residuaalien klusteroituminen1Väestön sydän- ja verisuonitautien primääriprevention ja
koronaaririskin yhteys kuntatasolla
 Selittääkö erot ennaltaehkäisevässä hoidossa alueellisia eroja
koronaarisairastavuudessa2Onko sekundaaripreventiossa tapahtunut muutosta v. 2015 jälkeen?
 Onko heikkoa kirjaamisaktiivisuutta saatu nostettua?
 Korkean riskin hot-spottien spatio-temporaalinen vaihtelu
3

5. UEF // University of Eastern Finland
Alustava menetelmän testaus
Tilastokeskuksen RTTK-aineiston ja potilasdataan avulla selvitetään
koronaaritautiriskin klusteroitumista
Regressiomalli, jossa 1km x 1km ruudun koronaari-insidenssien määrää selitetään:
• Malli 1.
Väestön iällä
• Malli 2.
Väestön iällä ja potilasmuuttujilla
• Malli 3.
Väestön iällä, väestömuuttujilla ja SES-muuttujilla
• Malli 4.
Väestön iällä, potilas-, väestö- ja SES-muuttujilla
Mallien residuaalien klusteroitumisesta päätellään selittääkö mikään malleista koronaaritautiriskin
keskittymiä
14.05.2018 5
Koronaaritapausten klusteroitumisen riskitekijät Siun soten alueella

6. UEF // University of Eastern Finland 14.05.2018 6
Alustava menetelmän testaus
Koronaaritapausten klusteroitumisen riskitekijät Siun soten alueella
Vaihe 1.
Koronaaritautipotilaiden alueellinen klusteroituminen
1. Nähdään alueellisesti missä suurempi riski
2. EB-smoothing menetelmällä korjataan harvan asutuksen aiheuttamaa virhettä. 
Verrataan eroja klusteroitumisessa käytettäessä tasoitettuja insidenssejä vs. crude
insidenssejä
3. Voidaan verrata eri menetelmien eroja tunnistaa ryhmittymistä (Moran’s I, Spatial Scan
Statistic jne.)
4. Voidaan verrata vaiheen 2. mallien selittämättömän riskin klustereita (ovatko samoja
alueita,)

7. UEF // University of Eastern Finland
Vaihe 2
Malli 1.
Insidenssien määrää 1km*1km hilassa (n=944) selitetään (lineaarisessa) regressiomallissa väestön
iällä
-Tarkastellaan mallin residuaalien alueellista klusteroitumista. Jos alueet, joissa insidenssit
klusteroituvat, mutta mallin residuaalit eivät, voidaan olettaa selittävien muuttujien (tässä
väestön iän) vaikuttaneen korkean riskin klusterin muodostumiseen
Menetelmän testaus
14.05.2018 7
Malli 1.
Raw rates
~Väestön
ikä
hilassa
EB-
smoothed
rates
~ Väestön
ikä
hilassa

8. UEF // University of Eastern Finland
Malli 2.
Insidenssit
~ Väestön
ikä hilassa
~Potilaskohtaiset muuttujat
•~Ikä
•~Sukupuoli
•~Painoindeksi (n=650 ruutua 944:stä)
•~Monisairastavuus (K/E)
•Tupakointi (n=648)
•LDL-kolesteroli (n=798)
•Sijainti (koordinaatit, huomioimassa
spatiaalista autokorrelaatiota)
•Etäisyys terveyskeskukseen
Menetelmän testaus
14.05.2018 8

9. UEF // University of Eastern Finland
Malli 2.
Insidenssit
~ Väestön
ikä hilassa
~Potilaskohtaiset muuttujat
•~Ikä (EBS) (p=0.028)
•~Sukupuoli (RAW) (p=0.054)
Menetelmän testaus
14.05.2018 9

10. UEF // University of Eastern Finland
Malli 3.
Insidenssit
~ Väestön
ikä
hilassa
~ SES-muuttujat RTTK
•Koulutus (osuus yli 18v. väestöstä jolla alempi tai ylempi
korkeakoulututkinto) n=451/944 (RAW, EBS)
•Työttömien osuus työvoimasta n=503/944 (RAW, EBS)
Demografiset muuttujat RTTK
•Miesten osuus väestössä (RAW)
•Väestön muutos 2005-2015
•Yli 65 v osuus väestössä
Menetelmän testaus
14.05.2018 10
SES-muuttujista
interpoloimalla
ennustepinta,
josta puuttuvat
arvot

11. UEF // University of Eastern Finland
Malli 4.
Insidenssit
~ Väestön
ikä hilassa
~ SES-muuttujat RTTK
•Koulutus (osuus 18v. > väestöstä jolla alempi tai ylempi
korkeakoulututkinto) (RAW, EBS)
•Työttömien osuus työvoimasta (RAW,EBS)
Demografiset muuttujat RTTK
•Miesten osuus väestössä (RAW)
~Potilaskohtaiset muuttujat
~Ikä (EBS)
~Sukupuoli (RAW)
Menetelmän testaus
14.05.2018 11

12. UEF // University of Eastern Finland
Residuaalien klusteroituminen (EB-smoothed)
14.05.2018 12
M4
M1
• Alustavassa tarkastelussa käytetyt muuttujat selittävät paikoitellen klusteroitumista, mutta varsin heikosti
• Hilakoon vaikutus, selittävien muuttujien valinta ja menetelmien vertailu tutkimuksessa seuraavana.
EB-tasoitettu insidenssien korkean ja matalan riskin alueet M1. (väestön ikä selittävänä) residuaalien klusterit
M4. (potilaiden ja väestön ikä, korkeasti koul. osuus selittävänä)
residuaalien klusterit

13. UEF // University of Eastern Finland
Haasteita
• Yhteisten selittävien muuttujien vähäisyys
1km*1km ruudussa (heikko kirjaamisaktiivisuus ja
YKR-datan yksityisyydensuoja SES-muuttujissa)
 Puuttuvien arvojen huomioiminen? (interpolointi?)
• Harva asustus  lisää vaihtelua ja epävarmuutta
• Sopivien muuttujien valinta (esim.
koronaaripotilaiden painoindeksiä käytettävä
oletuksella, että painonhallinta vaikeaa
koronaaripotilailla
• Eri ”hot-spot” menetelmien vertailu hankalaa
• Mistä koronaaritapausten alueelliset klusterit
lopulta johtuvat? (siltä osin, kuin malli ei sitä selitä)
14.05.2018 13
• Altistus:
Pienhiukkaset (puunpoltto, liikenne,
teollisuus), kaivovesi
• Mukautuminen:
Paikallinen kulttuuri ja tavat (ruoka,
suhtautuminen tupakointiin, liikuntaan,
etäisyydet jne.)
• Alttius:
Matala SES, yksin asuvat (miehet),
terveyspalvelujen käyttämättömyys/erot
primääripreventiossa, perinnölliset tekijät
Mukautu
minen
Alttius
Altistus
Riski

14. Thank you!
uef.fi