Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Koronaaritaudin sekundaariprevention ja tautiriskin alueelliset erot Siun sotessa

29 views

Published on

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

Published in: Healthcare
  • Be the first to comment

  • Be the first to like this

Koronaaritaudin sekundaariprevention ja tautiriskin alueelliset erot Siun sotessa

  1. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 14. Thank you! uef.fi

×