Jari Tiihonen Mielentilatutkijoiden neuvottelupäivät 14.-15.11.2019

1. Vaarallisuuden arvioinnin
tieteellinen perusta
Professori Jari Tiihonen
Itä-Suomen yliopisto
Niuvanniemen sairaala
Karoliininen Instituutti
Mielentilatutkijoiden neuvottelupäivät
14.–15.11.2019

2. Vaarallisuusarviosta
n Vangit/tutkintolaiset
l vaarallisuusarvio
n Potilaat
l Meta-analyysi
n Ramesh ym. 2018
l AUC 0,68
n Wolf ym. 2018
l Fovox AUC 0,77
Jari Tiihonen 2
n Resurssit kriminaalihuoltoon rajalliset
l Miten kohdistaa resurssit optimaalisesti?
l Kriminaalihuollon keinot ja tavoitteet
n Inkapasitaatio?
n Rehabilitaatio?

3. Oikeuspsykiatriset potilaat?
Jari Tiihonen 3

4. Jari Tiihonen 4
Health Technology Assessment
2013;17(50). DOI 10.3310/hta17500

5. Jari Tiihonen 5
Eur Psychiatry 2018;52:47-53

6. Mitä vaarallisuusarvion
toimivuudesta tiedetään?
n meta-analyysit
l Whittington ym. 2013: highest mean AUC 0,73,
impossible to surpass 0,85
l Ramesh ym. 2018: long-term AUC 0,68
l Wolf ym. 2018: AUC 0,77
Jari Tiihonen 6

7. Jari Tiihonen 7
European Psychiatry 47 (2018) 88-93
http://dx.doi.org/10.1016/j.eurpsy.2017.07.011

8. Background and Methods
n Background: Current approaches to assess violence risk in
secure hospitals are resource intensive, limited by accuracy
and authorship bias and may have reached a performance
ceiling. This study seeks to develop scalable predictive
models for violent offending following discharge from secure
psychiatric hospitals.
n Methods: We identified all patients discharged from secure
hospitals in Sweden between January 1, 1992 and December
31, 2013. Using multiple Cox regression, pre-specified
criminal, sociodemographic, and clinical risk factors were
included in a model that was tested for discrimination and
calibration in the prediction of violent crime at 12 and 24
months post-discharge. Risk cut-offs were pre-specified at 5%
(low vs. medium) and 20% (medium vs. high).
Jari Tiihonen 8
Wolf et al. European Psychiatry 47 (2018) 88-93

9. Results
n We identified 2248 patients with 2933
discharges into community settings. We
developed a 12- item model with good measures
of calibration and discrimination (area under the
curve = 0.77 at 12 and 24 months). At 24
months post-discharge, using the 5% cut-off,
sensitivity was 96% and specificity was 21%.
Positive and negative predictive values were
19% and 97%, respectively. Using the 20% cut-
off, sensitivity was 55%, specificity 83% and the
positive and negative predictive values were
37% and 91%, respectively. The model was
used to develop a free online tool (FoVOx).
Jari Tiihonen 9
Wolf et al. European Psychiatry 47 (2018) 88-93

10. Interpretation
n We have developed a prediction score in a
Swedish cohort of patients discharged from
secure hospitals that can assist in clinical
decision-making. Scalable predictive models
for violence risk are possible in specific
patient groups and can free up clinical time
for treatment and management. Further
evaluation in other countries is needed.
Jari Tiihonen 10
Wolf et al. European Psychiatry 47 (2018) 88-93

11. Fig. 1. Observed and predicted risk of violent crime at 24
months, by risk categorisation. (Perustaso Suomessa n. 2 %?)
Jari Tiihonen 11
Wolf et al. European Psychiatry 47 (2018) 88-93

12. Mikä on referenssi?
n Ruotsi: 2 vuoden uusinta n. 25 %
n Suomi: n. 10 vuoden uusinta n. 10 % (950
kriminaalipotilasta, seuranta 1997–2016, 86
uusijaa)
Jari Tiihonen 12

13. Jari Tiihonen 13
International Journal of Forensic Mental Health, 12:1, 1-13, 2013
http://dx.doi.org/10.1080/14999013.2012.760182

14. Jari Tiihonen 14
Michel et al. International Journal of Forensic Mental Health, 12:1, 1-13, 2013
http://dx.doi.org/10.1080/14999013.2012.760182

15. Vangit?
Jari Tiihonen 15

16. Mikä paras instrumentti?
n HCR-20: historia ennustaa (AUC 0.75–0.69), kliininen arvio ei
paranna yhtään (AUC 0.55–0.51)
l Gray ym. 2008
n Coid ym. 2013: HCR-20, VRAG, OGRS-II käytöstä
l ”Moderate to good accuracy for prisoners with no mental disorders”
l ”Low to moderate for clinical syndromes and personality disorder”
l ”No better than chance for individuals with psychopathy”
n Yang ym. 2010: 9 eri menetelmästä
l ”All 9 tools and their subscales predicted violence at about the same
moderate level of predictive efficacy with the exception of PCL-R Factor
1, which predicted violence only at chance level.”
l ”The moderate level of predictive accuracy of these tools suggests that
they should not be used solely for some criminal justice decision making
that requires a very high level of accuracy such as preventive detention.”
Jari Tiihonen 16

17. Menetelmien luotettavuus
n DNA-analyysi 100 %
n Sormenjälkianalyysi yli 99,9 %
n HCR-20 ym. alle 75 %
Jari Tiihonen 17

18. Noin 30 % luokitellaan väärin,
onko käyttökelpoinen?
n Jos sormenjälkianalyysi tai DNA-analyysi
antaisi 30 % vääriä tuloksia, käytettäisiinkö
niitä tuomioistuimessa?
Jari Tiihonen 18

19. Uusineiden osuudet 1/3
Uusijoiden osuudet (%)
3 KK 6 KK 1 V 2 V 3 V 4 V 5 V
Vapautumisvuosi 2000 37 49 61 72 78 81 82
2001 34 47 60 71 78 81 82
2002 32 45 59 71 76 80 81
2003 34 46 58 70 76 79 80
2004 32 44 57 70 76 79 80
2005 30 42 54 68 74 78 79
2006 29 40 53 65 72 76 77
2007 30 42 54 67 73 76 78
2008 27 39 52 66 72 76 78
2009 30 42 54 66 72 76 78
2010 29 41 53 64 70 74 77
2011 31 43 55 66 72 76 78
2012 28 40 52 64 70 73 75
Kaikki vuodet 31 43 55 68 74 77 79
Sukupuoli Nainen 25 36 48 60 66 70 71
Mies 31 43 56 68 74 78 79
Jari Tiihonen 19
Sasu Tyni, Helsingin yliopisto, Kriminologian ja oikeuspolitiikan instituutti 18.10.2019

20. Uusineiden osuudet 2/3
Jari Tiihonen 20
Sasu Tyni, Helsingin yliopisto, Kriminologian ja oikeuspolitiikan instituutti 18.10.2019
Uusijoiden osuudet (%)
3 KK 6 KK 1 V 2 V 3 V 4 V 5 V
Ikä vapautuessa 15–26 43 57 69 79 83 85 86
27–33 36 49 62 75 80 83 84
34–42 28 40 54 67 74 77 79
43– 17 26 36 50 57 62 64
<46 29 40 53 66 73 77 79
Vankeuden pituus
(päiviä)
46<106 31 42 55 69 76 80 82
106<299 33 46 59 71 77 80 81
299– 30 42 54 64 69 72 73
Kaikki vankila-
kuukaudet yht.
<5 23 32 45 59 67 71 73
5<14 27 38 50 64 70 74 75
14<37 31 43 56 68 74 77 79
37– 44 58 70 80 84 87 88
Koevapaus Ei 32 44 57 70 76 79 80
Koevapaudessa 13 23 33 43 49 54 56
VL jälkeen ei
koevapautta 30 42 55 67 73 77 79
ennen VL 0 0 0 0 0 0 0

21. Uusineiden osuudet 3/3
Jari Tiihonen 21
Sasu Tyni, Helsingin yliopisto, Kriminologian ja oikeuspolitiikan instituutti 18.10.2019
Uusijoiden osuudet (%)
3 KK 6 KK 1 V 2 V 3 V 4 V 5 V
Vankilakertaisuus 1 20 29 40 52 58 62 64
2 29 41 55 68 74 78 80
3–5 35 48 62 74 80 84 85
6– 40 54 67 79 85 87 89
Aikaisempia
tuomioita
Kyllä 15 22 30 38 43 46 47
Ei 32 44 57 69 76 79 81
Aikaisempia
sakkoja
Kyllä 18 27 37 49 55 59 61
Ei 34 47 60 73 79 82 84
Aikaisempia
yhdyskuntapalveluja
Kyllä 32 43 55 66 72 75 76
Ei 29 42 56 70 77 80 82
Aikaisempia
ehdollisia
Kyllä 30 42 55 66 72 76 77
Kyllä 31 43 56 69 75 79 81

22. Haloo!
1. Onko nykyisestä vaarallisuuden arvioinnista
mitään hyötyä?
• ”Vankilaoikeus käsitteli vuosina 1971–2000 yhteensä 164
pakkolaitokseen eristämisasiaa, joista eristämiseen päädyttiin
84 tapauksessa ja 80 selvisi ilman eristystä. RISE:n selvityksen
mukaan eristettyjen ja eristämättä jääneiden rikollisten
uusimisalttius oli vapautumisen jälkeen samaa luokkaa.”
• Riskitekijöiden kartoitus hyödyllistä
• Potilaat: Valtion sairaalat vs. kuntayhtymien sairaalat
2. Onko siitä haittaa?
• Mitä, jos vaaralliseksi arvioitu nostaa jutun kelvottomasta
oikeuslaitoksen toiminnasta?
Jari Tiihonen 22

23. Vaarallisuusarvio käytännössä
n Herra X: tapon yritys, 2 törkeää
pahoinpitelyä, ollut vankilassa 7 kertaa,
yhteensä 6,5 vuotta
n Vaarallinen vai ei?
Jari Tiihonen 23

24. Onko ratkaisua?
n On: käytetään pelkästään historiadataa:
l Yhdenmukainen ja oikeudenmukainen kaikkia
kohtaan
l Ei kuormita resursseja
Jari Tiihonen 24

25. Miten historiadataa käytetään?
n Yksinkertaisimmillaan käytetään esim. ns. “pyttykriteereitä”:
l Edellytyksenä yhdistelmärangaistukseen tuomitsemiselle on, että:
1) rikoksentekijä tuomitaan määräaikaiseen, vähintään kolmen vuoden pituiseen
vankeusrangaistukseen murhasta, taposta, surmasta, törkeästä pahoinpitelystä,
törkeästä raiskauksesta, törkeästä lapsen seksuaalisesta hyväksikäytöstä, törkeästä
ryöstöstä…… taikka sellaisen rikoksen yrityksestä tai osallisuudesta sellaiseen
rikokseen;
2) rikoksentekijä on rikosta edeltäneiden kymmenen vuoden aikana syyllistynyt 1
kohdassa mainittuun rikokseen tai tehnyt tällaisen rikoksen kolmen vuoden kuluessa
siitä, kun hän on vapautunut suorittamasta yhdistelmärangaistuksen vankeusaikaa tai
elinkautista vankeutta; ja
3) rikoksentekijää on rikoksista ilmenevien seikkojen ja oikeudenkäymiskaaren 17 luvun
37 §:n 3 momentin mukaisen selvityksen perusteella pidettävä erittäin vaarallisena
toisen hengelle, terveydelle tai vapaudelle.
l Jos kahdesta tai useammasta rikoksesta tuomitaan muu kuin elinkautinen
vankeusrangaistus ja ainakin yksi rikoksista on 2 momentin 1 kohdassa mainittu rikos,
josta rikoksentekijä olisi tuomioistuimen harkinnan mukaan tuomittava
yhdistelmärangaistukseen, rikoksista tuomitaan yhdistelmärangaistus.
Jari Tiihonen 25

26. Mikä olisi optimaalinen ratkaisu?
n Jaetaan käytettävissä oleva resurssi
(vankilapäivät) optimaalisesti rikostuomion
perusteella
Jari Tiihonen 26

27. Esimerkkinä henkirikos
n Uusijoita noin 5/vuosi
n Vankeja 3 000/vuosi, keskimääräinen tuomio
11 kk
n Jos henkirikoksen uusijoille 15 + 25 vuotta,
siitä tulee n. 50 000 ylimääräistä
vankilapäivää
n Silloin muiden keskimääräistä tuomiota
lyhennettävä 15 päivää, jotta kokonaismäärä
sama
Jari Tiihonen 27

28. Esimerkkinä rattijuopumus
n Rattijuopumustuomiot yleensä alkuun sakkoja
tai ehdollista
n Toistuvat tuomiot voivat johtaa myös
ehdottomaan vankeuteen
n Vv. 2007–2016, 8–14 % vangituista olivat
vankilassa rattijuoppouden vuoksi
n Aiemmat rattijuopumukset lisäävät riskiä tuleviin
rattijuopumuksiin
n Vankilassa ei yleensä syyllistytä
rattijuopumukseen
Jari Tiihonen 28

29. Esimerkkinä rattijuopumus
n Aiemmat rattijuopumukset lisäävät riskiä
tuleviin rattijuopumuksiin
n ”Optimal allocation of prison length for DUI”
(Tiihonen, Tanskanen, Men, Miettinen ym.
käsikirjoitus valmistelussa)
l 20 % vähemmän rikoksia, jos vankilapäivien
määrä ennallaan
Jari Tiihonen 29

30. 10 vuoden kuluttua?
n Tekoäly antaa optimaaliset tuomiot, ihminen
tarkistaa/muuttaa erityistapauksissa
n Alueellinen ja perustuslaillinen tasa-arvo
n Jos menetelmänä inkapasitaatio, niin
nuoruus vai vanhuusalennus?
n Mitä esitietoja voidaan huomioida?
Jari Tiihonen 30

31. Kiitos!
Jari Tiihonen 31