Terveyskartat - datan vai informaation kuvia?

Terveys- tai tautikartoilla on pitkä historia, ja odotettavissa on, että nykyaikaisten tietokoneiden ja tietokantojen avulla karttoja tuotetaan yhä enemmän mitä erilaisimpien kansansairauksien ja muiden väestöilmiöiden kuvaamiseksi. Ongelmaksi saattaa tulla, etteivät tuhannetkaan sanat riitä tulkitsemaan karttoja ristiriidattomasti.

Data ilman analyysin tuomaa tulkintaa ei vielä ole informaatiota. Silmämääräisen tarkastelun ja tulkinnan avuksi voidaan ottaa tilastolliset menetelmät, joita maailmalla ja Suomessakin on kehitetty jo vuosia menetelmätutkimuksen piirissä. Rutiinikäyttöön ne eivät silti ole vielä yleistyneet nopeasta metodisesta kehityksestä huolimatta.

Perinteinen ilmaantuvuuskartta esittää havaittujen tapausten määriä väestöyksikköä ja vuotta kohti. Biometrikon huomio kohdistuu siihen, kuinka luotettavasti nämä lukemat kertovat todellisesta riskistä ja millaisia riippuvuuksia erilaisten väestöstä ja/tai ympäristöstä mitattujen suureiden välillä esiintyy. Esimerkiksi harvinaisen taudin ilmaantuvuutta tutkittaessa on selvää, että harvaan asutuilla alueilla myös tapauksia on vähän, jolloin satunnaisvaihtelun merkitys on suuri ja yksikin lisätapaus saattaa antaa kohtuuttoman suuren havaitun ilmaantuvuuslukeman - ja siten yliarvion riskistä. Karttoihin tulisikin aina liittyä arvio kartassa kuvatun suureen epävarmuudesta. Tämä epävarmuus vaihtelee luonnollisesti myös alueittain. Mitä enemmän ihmisiä alueella asuu, sitä luotettavammin havaittu ilmaantuvuus yleensä kertoo todellisesta sairastumisriskistä. Aluemuuttujat ovat myös tilastollisessa riippuvuussuhteessa toisiinsa ja tätä voidaan käyttää hyödyksi riskiestimaatteja laskettaessa. Mallinnuksella voidaan korjata mm. väestön tiheyseroista ja satunnaisvaihtelusta aiheutuvia virheitä, jotka muutoin vääristäisivät riskikarttaa.

toisen palstan alkuun

Havaittuja insidenssejä informatiivisempaa onkin esittää todennäköisyyskartta, joka kuvaa todennäköisyyttä sille, että todellinen riski alueella on yli jonkin annetun arvon. Tällä tavoin em. epävarmuudet otetaan huomioon, koska todennäköisyys on epävarmuuden luonnollinen mittari. Todennäköisyydet lasketaan aina ehdollistamalla havaittuun dataan ja annettuun todennäköisyysmalliin. Malli puolestaan on tutkijan kuvaus tutkittavasta ilmiöstä; mitä havainnot kertovat ja millä ehdoilla. Mallin kirjoittamisesta on sekin hyöty, että se auttaa jäsentämään saatuja havaintoja ja niiden tulkintoja tavalla, joka tuskin muutoin olisi mahdollista.

Jo pelkkä mallin hahmotteleminen saattaa joskus tuottaa uusia ajatuksia tutkittavasta ilmiöstä ja siitä, mitä erilaisista havainnoista on ylipäätään mahdollista päätellä. Tällä puolestaan on merkitystä, kun suunnitellaan uutta aineiston keruuta. Esimerkiksi alueittain kerätyt taustamuuttujat ja tiedot mahdollisista riskitekijöistä voivat antaa vihjeitä taudin syntymekanismista. Todellisten altistusten mittaaminen yksilöittäin on kuitenkin välttämätöntä, jotta epäilty vaikutus voitaisiin vahvistaa; aluemuuttujat kun eivät sellaisenaan kerro mitään yksilöistä.

Yksilöittäinen tiedon keruu ja seuranta on kallista, kun taas aluetason tietoa on helpompi hankkia. Vaikka johtopäätökset näin saaduista tuloksista harvoin ovat lopullisia, on alueellinen tilastoanalyysi huokea tapa analysoida kokonaisia populaatioita tutkimuksen deskriptiivisessä ja eksploratiivisessa vaiheessa. Muun muassa lapsuusiän diabeteksen alueellisen ilmaantuvuuden eroja tutkitaan paikkatietoa hyväksikäyttävän mallinnuksen keinoin.

Jukka Ranta, Rolf Nevanlinna -instituutti

(09) 1912 2780, jukka.ranta@rni.helsinki.fi