GIS-analyysimenetelmät tutkimuksessa 2017 1) GIS:n hyödyntäminen kohortti 1966 tutkimuksessa 2) Sosiaali- ja terveyspalveluverkon paikkatieto- ja saavutettavuusperusteinen tarkastelu FT Tiina Lankila 15.2.2017 Maantieteen tutkimusyksikkö, Oulun yliopisto tiina.lankila@oulu.fi
Terveysmaantiede Tutkii samoja asioita kuin epidemiologia, mutta maantieteellisen luonteen vuoksi alueellisesta näkökulmasta (fyysinen, sosiaalinen, poliittinen, kulttuurinen konteksti) Epidemiologia: oppi sairauksien esiintyvyydestä ihmisväestössä Terveysmaantiede voidaan jakaa karkeasti kolmeen päälohkoon (Löytönen 2004): Sairauksien (kuolleisuuden) alueellisia erojen ja niiden syiden tutkiminen (paikan merkitys) Terveydenhuoltoon liittyvä tutkimus (terveydenhuollon saavutettavuus ja tarjonta eri alueilla) Sairauksien sosioekonomisten taustatekijöiden ja niiden alueellisen vaihtelun tutkiminen ( esim. koulutus, tulotaso) GIS:n käyttö kansanterveystieteen ja epidemiologian alan tutkimuksissa on voimakkaasti lisääntynyt viime vuosikymmeninä (esim. Lyseen et al. 2014)
Alueelliset terveyserot Suomessa Suomessa on alueellisia terveyseroja, jotka ovat olleet varsin pysyviä Pohjois-Suomi erottuu usein huonommin voivana alueena monilla terveyden ja hyvinvoinnin mittareille mitattuna. Hyvinvointieroja on myös maaseutu- ja kaupunkialueiden välillä. Pohjois-Suomessa on harvempi ja hajanaisempi asutus kuin Etelä-Suomessa ja muuttoliike keskuksiin on ollut varsin voimakasta erityisesti Pohjois- ja Itä- Suomen alueilta. Iäkkään väestön osan osuuden odotetaan kasvavan erityisesti itäisessä ja pohjoisessa Suomessa. Alueellisia eroja on perinteisesti tutkittu käyttäen hallinnollisia alueita, kuten kuntia, mutta kaupunki- ja maaseutukunnat voivat sisältää hyvin erilaisia lähiasuinympäristöjä.
Pohjois-Suomen syntymäkohortti 1966 ja GIS Pohjois-Suomen syntymäkohortti 1966 (Elinikäisen terveyden tutkimusyksikkö, Oulun yliopisto) Oulun ja Lapin lääneistä kerätty pitkittäinen vuonna 1966 syntyneiden kohortti (syntymäkohortti = tiettynä aikana syntyneiden ryhmä) Tietoa lapsista ja äideistä jo 24 raskausviikolta alkaen, 12058 elävänä syntynyttä lasta (kattaa 93,3% kaikista syntymistä alueella) Tietoa kerätty postikyselyillä (terveyteen, fyysiseen ja sosiaaliseen hyvinvointiin, terveyspalveluiden käyttöön, elintapoihin liittyviä kysymyksiä) ja kliinisillä tutkimuksilla 1-, 14-, 31- ja 46-vuoden iässä. Myös runsaasti rekisteriaineistoa, mm. asuinpaikkojen koordinaatit.
Pohjois-Suomen syntymäkohortti 1966 ja GIS Maantieteen tutkimusyksikön kautta saadut aineistot: Tilastokeskuksen 1x1 km väestöruutuaineistoja eri vuosilta -> voidaan luokitella, jolloin niillä voidaan kuvata erityyppistä lähiasuinympäristöä (Rusanen et al. 2003): 1 5 as/km²: asutuksen äärialue, haja-asutus 6 20 as/km²: varsinainen maaseutu 21 100 as/km²: maaseutualueet, joissa asutuskeskittymiä, vaihettumisvyöhyke 101 1000 as/km²: asutuskeskittymät, omakotitalovaltaiset lähiöt Yli 1000 as/km²: kaupunkikeskustat ja suurten kaupunkien lähiöt Digiroad, kansallinen tie- ja katuverkon tietojärjestelmä (Liikennevirasto) Tieverkon tarkka geometria, tiesegmenttien pituudet, nopeusrajoitukset -> mahdollistaa verkostoanalyysit ja etäisyyksien laskemisen kahden pisteen välille.
Pohjois-Suomen syntymäkohortti 1966 ja GIS Tutkitaan kohortin jäsenten terveyttä ja hyvinvointia alueellisesta näkökulmasta, 1x1 km ruutuaineistoa hyödyntäen Väentiheyden perusteella luokiteltua 1x1 km ruutuaineistoa tarkastellaan maaseutu-kaupunki tai harvaan asuttu-tiheään asuttu alue näkökulmasta. Miten asuinympäristö on yhteydessä hyvinvointiin ja terveyteen? Millä tavalla asuinympäristö saattaa edesauttaa tai haitata terveyttä? Löytyykö asuinympäristön ja terveyden väliltä yhtymäkohtia joihin voitaisiin puuttua? Maantieteellinen ympäristö tarjoaa kontekstin, jossa ihmiset toimivat ympäristön tarjoamien mahdollisuuksien ja riskien puitteissa. Alueellisten erojen taustalla voivat olla yksilöiden ominaisuudet (compositional effects), alueen ominaisuudet (contextual effects) tai molemmat (esim. Cummins et al. 2007).
Paikkatietoaineistot Yksilöiden sijainti kuvataan pisteinä, heillä on ominaisuustieto kuten terveydentila. Väentiheys 1 km² ruuduilla kuvaa lähiasuinympäristöä. Väestöruutujen tieto voidaan yhdistää kohorttipisteisiin esim. Spatial Join työkalulla. Yhdistämisen ongelmia -> piste voi sijaita asumattomalla alueella tai kahden asutun ruudun puolivälissä Spatial Joinissa voidaan käyttää erilaisia yhdistämissääntöjä (merge rule) Overlay Identity työkalu myös mahdollinen, tosin hieman ongelmallinen
Pisteet asumattomilla alueilla? Katoa aineistoon seuraa: Näppäilyvirheistä koordinaateissa Väestöaineiston virheistä Koordinaattimuunnoksista aiheutuneet virheistä Postikyselyjen osalta tyhjistä vastauksista Esim. kohortti 1966:ssa alun perin mukana 12058 -> Vastasi postikyselyyn ja antoi luvan tutkimuskäyttöön 8690 -> koordinaatit 8217 -> linkkaus väestöaineistoon onnistui 8036 -> vastasi kysymykseen koetusta terveydestä 7985
Muita haasteita Kohortin jäsenet keskittyneet asumaan kaupunkialueille, haja-asutusalueilla suhteellisen vähä kohorttilaisia. -> hankaloittaa tilastollisten menetelmien käyttöä Etelä-Suomeen pohjoisesta muuttaneet asuvat lähes pelkästään tiheästi asutuissa ruuduissa -> vertailu pohjoisen ja etelän välillä asuinalueiden suhteen ei onnistu.
I) Itse arvioitu terveys maaseutu-kaupunki -jatkumolla (Lankila et al. 2012) Ristiintaulukoinnilla saadaan esille karkeita eroja: Naiset (%) Miehet (%) Väentiheys (asukasta/km 2 ) Väentiheys (asukasta/km 2 ) 1-5 6-20 21-100 101- Yli 1000 1-5 6-20 21-100 101- Yli 1000 1000 1000 Itse arvioitu terveys Erittäin hyvä 8.2 11.9 11.6 13.1 16.6 13.3 15.4 11.5 14.9 18.3 Hyvä 54.1 53.3 52.2 56.0 53.9 45.0 49.5 51.3 53.1 53.0 Kohtalainen 35.3 32.3 32.4 27.8 26.6 37.5 32.9 34.9 28.8 25.7 Huono/Erittäin huono 2.4 2.5 3.8 3.1 2.9 4.2 3.2 2.3 3.3 3.0 Ordinaalinen logistinen regressio (COR, 95%CI), sekoittavien tekijöiden huomioiminen: Asuinalue Naiset Haja-asutus (1 5 as/km²) Varsinainen maaseutu (6 20 as/km²) Vaihettumisvyöhyke (21 100 as/km²) Asutuskeskittymät, lähiöt (101 1000 inh/km²) Kapunkikeskustat (yli1000 as/km²) Vakioimaton Vakioitu* Vakioimaton Vakioitu* Miehet 1.59 (1.05-2.41) 2.01 (1.23-3.27) 1.28 (1.02-1.62) 1.14 (0.86-1.52) 1.40 (1.16-1.70) 1.25 (0.99-1.58) 1.15 (1.01-1.32) 1.22 (1.03-1.43) 1.00-1.00 - Haja-asutus (1 5 as/km²) Varsinainen maaseutu (6 20 as/km²) Vaihettumisvyöhyke (21 100 as/km²) Asutuskeskittymät, lähiöt (101 1000 as/km²) Kaupunkikeskustat (yli1000 as/km²) 1.77 (1.24-2.52) 1.02 (0.66-1.60) 1.35 (1.07-1.71) 0.83 (0.62-1.10) 1.55 (1.27-1.88) 1.14 (0.89-1.45) 1.21 (1.05-1.40) 1.17 (0.99-1.39) 1.00-1.00 - *Vakioitu psykososiaalisella hyvinvoinnilla, sosiaalisilla suhteilla, terveyskäyttäytymisellä, sosioekonomisilla tekijöillä ja asuinajalla. Onko nuorten aikuisten itse arvioidussa terveydessä eroja ruutupohjaisesti määritetyissä erityyppisissä asunympäristöissä? Mitkä tekijät ovat yhteydessä itse arvioituun terveyteen?
II) Terveys ja muuttaminen Muuttosuunnan määrittäminen: Käytetään kohortin jäsenten koordinaattipohjaista sijaintitietoa ennen muuttoa ja muuton jälkeen, väestöruutuaineiston tieto liitetään koordinaattipisteisiin (Spatial join) Ensimmäinen muutto 1998 2000: Maaseutu: 1 100 asukasta/km² Kaupunki: > 100 asukasta/km² (1) maalta -> kaupunkiin eli keskittymiin (288 muuttoa) (2) kaupungista -> maalle eli pois keskittymistä (344 muuttoa) (3) maaseudun sisällä (173 muuttoa) (4) kaupungin sisällä (2761 muuttoa) -> suurin osa muutoista tiheästi asuttujen alueiden välisiä tai sisäisiä muuttoja. -> muuttosuunnat on mahdollista myös piirtää kartalle joko linnuntienuolina tai reittejä pitkin ja muuttomatkan pituus voitaisiin myös laskea esim. Digiroad-aineistoa käyttäen Network Analyst työkalulla.
Onko nuorten aikuisten terveyden yhteys muuttamiseen erilainen maaseutu- ja kaupunkiväestön keskuudessa? Vaikuttaako terveys siihen minkälaiselle alueelle muutetaan? (Lankila et al. 2013) Multinomial logistic regression of moving from rural to urban areas and within rural areas (1998 2000). Numbers indicate crude and adjusted odds ratios (OR) and their 95% confidence intervals (CI). Empirical percentages of movers are also shown. Health and well-being variables Moving from rural to urban areas Moving within rural areas Movers (%) Crude OR (95% CI) Adjusted OR a (95% CI) Movers (%) Crude OR (95% CI) Adjusted OR a (95% CI) Satisfaction with current life b Very/Quite satisfied 16.1 1 1 10.9 1 1 Very/Quite unsatisfied 31.8 2.43 (1.68-3.53) 2.01 (1.26-3.22) 18.5 1.86 (1.15-3.02) 1.71 (0.98-2.98) Lifetime morbidity c None 11.6 1 1 7.2 1 1 Only somatic 18.2 1.70 (1.14-2.52) 1.66 (1.07-2.59) 11.6 1.70 (1.03-2.80) 1.63 (0.95-2.78) Psychiatric d 27.1 2.84 (1.59-5.09) 2.37 (1.21-4.63) 17.6 2.76 (1.34-5.72) 2.09 (0.93-4.70) Activity limiting illness Not at all 18.2 1 1 11.5 1 1 Quite a little/little 17.0 0.92 (0.71-1.20) 0.96 (0.71-1.31) 10.1 0.86 (0.62-1.21) 0.92 (0.64-1.34) Quite a lot/very much 17.4 0.95 (0.54-1.67) 1.10 (0.58-2.09) 18.3 1.72 (0.97-3.05) 2.21 (1.18-4.14) a Adjusted for gender, marital status, having children, housing tenure, education, employment status and previous move, b Category cannot say excluded, c Symptoms, sickness or injuries verified or treated by a doctor, d Only psychiatric or both psychiatric and somatic
Onko nuorten aikuisten terveyden yhteys muuttamiseen erilainen maaseutu- ja kaupunkiväestön keskuudessa? Vaikuttaako terveys siihen minkälaiselle alueelle muutetaan? (Lankila et al. 2013) Multinomial logistic regression of moving from urban to rural areas and within urban areas (1998 2000). Numbers indicate crude and adjusted odds ratios (OR) and their 95% confidence intervals (CI). Empirical percentages of movers are also shown. Health and well-being variables Moving from urban to rural areas Moving within urban areas Movers (%) Crude OR (95% CI) Adjusted OR a (95% CI) Movers (%) Crude OR (95% CI) Adjusted OR a (95% CI) Satisfaction with current life b Very/Quite satisfied 10.4 1 1 48.1 1 1 Very/Quite unsatisfied 14.3 1.44 (1.00-2.08) 1.12 (0.75-1.68) 56.6 1.41 (1.17-1.69) 1.19 (0.97-1.47) Self-reported health Very good/good 10.3 1 1 49.8 1 1 Moderate 10.9 1.06 (0.83-1.36) 0.91 (0.69-1.19) 46.3 0.87 (0.77-0.98) 0.88 (0.77-1.00) Bad/Very bad 12.1 1.20 (0.66-2.18) 0.89 (0.47-1.68) 43.4 0.77 (0.56-1.06) 0.68 (0.49-0.96) Health service use during past year 0 5 9.5 1 1 47.1 1 1 6 20 11.2 1.20 (0.95-1.52) 1.28 (0.99-1.64) 49.8 1.12 (1.00-1.25) 1.18 (1.04-1.33) 21 14.3 1.59 (1.07-2.37) 1.65 (1.05-2.57) 52.8 1.26 (1.03-1.54) 1.30 (1.03-1.64) a Adjusted for gender, marital status, having children, housing tenure, education, employment status and previous move, b Category cannot say excluded
III) Etäisyys kuntakeskukseen ja painoindeksi Taustalla ajatus, että kuntakeskuksessa sijaitsevat monet päivittäin tarvittavat palvelut. Jos keskuksen palveluihin on kovin pitkä matka, arkiasiointi tulee hoidettu autolla, jolloin arkiliikunta jää vähäisemmäksi -> vaikutus painoindeksiin. Toisaalta lähiasuinalue voi vaikuttaa myös: Tiheästi asutuilta alueilta paremmat kulkuyhteydet keskuksiin. Tiheästi asutuilla alueilla myös mahdollisesti enemmän lähipalveluita tai muita paikkoja, jonne voi mennä kävellen tai pyöräillen.
GIS:n käyttö: kuntakeskuksen määrittäminen ja kuntakeskusetäisyyden laskeminen Kuntakeskukseksi määritettiin tiheimmin asuttu 1x1 km ruutu kunnassa: Dissolve kuntakoodi + Statistics Field: max väestö -> Join alkuperäiseen dataan kuntakoodilla -> Select by Attributes: väestö = maxväestö Tiheimmin asuttu ruutu pisteeksi: Data Management Tools -> Feature to Point. Tiheimmin asuttujen ruutujen kuntakoodien ja kohortin kuntakoodien perusteella voidaan kohorttiaineistoon kunkin henkilön kohdalle liittää tieto kuntakeskuksen koordinaateista. Tieverkkotäisyys kohorttilaisen kotoa kuntakeskuspisteeseen lasketaan Digiroadin ja Network Analystin New route toiminnolla: -> Ladataan matkan alkupiste (kohorttipiste) ja päätepiste (kuntakeskuspiste), annetaan reitille nimeksi kohorttilaisen ID kummassakin tapauksessa -> lasketaan lyhin reitti (Accumulation meters) näiden kahden pisteen välille, joilla on sama reitti ID.
Onko nuorten aikuisten painoindeksissä eroja kuntakeskusetäisyyden suhteen? (Näyhä et al. 2013) Alue kohorttilaisia (%) mediaani etäisyys kuntakeskukseen, km Oulu 1121 (21.0) 4.9 Muu Pohjois-Suomi 3447 (64.5) 3.3 Pääkaupunkiseutu 774 (14.5) 7.3 Tie-etäisyys kuntakeskukseen, km kohorttilaisia Painoindeksin keskiarvo 0 1.9 1334 24.71 2.0 4.9 1727 24.50 5.0 9.9 1183 24.45 10.0 19.9 652 25.10 20.0 184.0 401 25.76 Painoindeksi kasvoi etäisyyden kasvaessa 5 km etäisyydeltä alkaen, vaikka sukupuoli, siviilisääty, sosioekonominen asema, terveyskäyttäytyminen ja työn raskaus otettiin huomioon.
IV) Etäisyys terveysasemalle ja terveyspalvelujen käyttö Terveyspalvelujen käyttö edistää terveyden säilymistä -> potentiaalinen tekijä alueellisten terveyserojen taustalla Etäisyyden kasvaessa (palvelun saavutettavuuden huonontuessa) terveyspalvelujen käyttö saattaa vähentyä. Tärkeää olisi käytön lisäksi huomioida myös terveyspalvelujen erilainen tarve (mm. terveydentila, sukupuoli, ikä) Asuinalueen maaseutumaisuus ja kaupunkimaisuus otetaan huomioon mm. erilaisesta palvelutarjonnasta johtuen.
GIS:n käyttö: Tieverkkomatkaetäisyyksien määrittäminen kunnan terveysasemalle/asemille Aluksi valitaan ne kohorttilaiset, jotka ovat asuneet vähintään vuoden samassa 1x1 km ruudussa, sillä tieto terveyspalvelujen käytöstä oli kuluneen vuoden ajalta. Suuressa osassa kuntia vain yksi terveysasema, joissakin useita. Etäisyyden laskeminen kunnan ainoalle terveysasemalle Network analyst (OD Cost Matrix), lasketaan jokaisen kohorttilaisen etäisyys jokaiseen yksittäiseen terveysasemaan. -> Origins (kohorttilaiset, N = 2953) -> Destinations (terveysasemat, N = 66) -> Impedance (meters) ja Accumulation (meters), Output shape type (Straight line) -> matkoja lasketaan yhtensä 194 502, joista valitaan ne matkat, joissa kohorttilaisen ja terveysaseman kuntakoodi on sama eli 2953 matkaa jää. ->Liitetään Spatial join:lla suorat reitit kohorttipisteisiin, joilloin sadaan liitettyä myös kohorttilasiten ID matkoihin Etäisyyden laskeminen lähimmälle terveysasemalle Network analyst (closest facility), lasketaan jokaiselle kunnalle erikseen, jossa useampi terveysasema -> Facilities (terveysasemapisteet) -> Incidents (kohorttipisteet) ->Impedance (meters) ja Accumulation (meters) eli lasketaan lyhin matkaetäisyys Yhdistetään merge-toiminnolla eritavoin lasketut matkat yhteen tiedostoon.
Kohorttilaisten matkat terveysasemille Oulun ja Lapin läänissä Reitit näkyvät kartassa linnuntiereitteinä (straight line). Reittien pituus on laskettu kuitenkin tieverkkoa pitkin. Pohjoisemmissa kunnissa pitempiä etäisyyksiä kuin eteläisemmissä kunnissa. Kohorttilaisten etäisyydet terveysasemille tieverkkoa pitkin (Oulun ja Lapin läänin kunnat) 1997. Kohorttilaisten osuus Etäisyys maalla, km (ruudussa 1 100 as/km²) Etäisyys kaupungissa, km (ruudussa > 100 as/km²) 25 % 5.6 1.2 50 % 11.6 2.0 75 % 23.0 3.0 max 131.6 41.7
Vaikuttaako etäisyys terveysasemaan nuorten aikuisten terveyskeskuspalvelujen käyttöön kun myös palvelujen tarve on huomioitu? (Lankila et al. 2016) Rural areas (1 100 inhabitants/km²) Urban areas (> 100 inhabitants/km²) Mean (median) use Percentage visiting health centre at least once No. (%) of subjects Mean (median) use Percentage visiting health centre at least once No. (%) of subjects Distance (km) 0.0. 1.9 4.0 (2) 75.3 97 (7.1) 3.2 (1) 65.7 1562 (49.9) 3.5 (2) 76.4 212 3.2 (2) 66.7 1171 (37.4) 2.0 4.9 (15.5) 5.0 9.9 3.8 (2) 73.2 302 (22.0) 3.3 (2) 67.5 323 (10.3) 10.0 3.5 (2) 70.7 761 (55.5) 4.9 (2) 85.3 75 (2.4) -> kaupunkialueilla suhteellinen käyttö lisääntyy etäisyyden kasvaessa, maaseudulla vähenee hieman. Rural areas (1 100 inhabitants/km²) n = 1258 Crude IRR (95% CI) Adjusted IRR b (95% CI) Urban areas (>100 inhabitants/km²) n = 2912 Crude IRR (95% CI) Adjusted IRR b (95% CI) Distance (km) 0.0. 1.9 1.00 1.00 1.00 1.00 2.0 4.9 5.0 9.9 0.95 (0.68 1.34) 1.01 (0.73 1.40) 1.00 (0.74 1.35) 1.07 (0.80 1.43) 1.00 (0.89 1.12) 1.07 (0.89 1.28) 0.95 (0.86 1.06) 1.05 (0.89 1.23) 10.0 0.93 (0.69 1.25) 1.04 (0.80 1.36) 1.54 (1.10 2.17) 1.52 (1.13 2.05) ->Tiheästi asutuilla alueilla yli 10 km etäisyydellä palveluita käytettiin enemmän kuin alle 2 km etäisyydellä. Negatiivisella binomiregressiolla tutkittiin etäisyyden ja muiden altistavien tekijöiden (sukupuoli, siviilisääty, lasten lkm., koulutustaso, työtilanne, yksityisten terveyspalvelujen ja työterveyden käyttö) sekä terveydentilan (itse arvioitu terveys, haittaava sairastavuus, krooniset sairaudet) merkitystä terveyskeskuspalvelujen käytölle.
Vaikuttaako etäisyys terveysasemalle nuorten aikuisten terveyskeskuspalvelujen käyttöön kun myös palvelujen tarve on huomioitu? (Lankila et al. 2016) Rural areas (1 100 inhabitants/km²) Urban areas (>100 inhabitants/km²) C use (95% CI) -0.009 (-0.058 to 0.041) 0.024 (-0.009 to 0.058) C need (95% CI) -0.023 (-0.047 to 0.000) 0.015 (-0.002 to 0.033) HI (95% CI) 0.015 (-0.030 to 0.059) 0.009 (-0.022 to 0.039) Need is determined as the expected use of health centre services predicted by negative binomial regression including sex, marital status, having children, education, employment status, self-reported health, activity-limiting illness and the presence of chronic conditions as predictors. -> Ei havaittu eroja käytön oikeudenmukaisuudessa suhteessa etäisyyteen Käytön oikeudenmukaisuutta tutkittiin horisontaalisen oikeuden mukaisuuden indeksillä (HI) etäisyyden suhteen. Indeksin laskemiseksi, terveyspalveluiden tarve arvioitiin negatiivisella binomiregressiolla, jossa käyttöä selitettiin altistavilla ja terveydentilaan liittyvillä muuttujilla. Mallin ennustama käyttö oli tarpeen estimaatti. Käytön konsentraatioindeksi (C use ) ja tarpeen konsentraatioindeksi (C need ) saa arvoja -1 (lähellä asuvat käyttävät tai tarvitsevat palveluita enemmän) ja 1 (kaukana asuvat käyttävät tai tarvitsevat palveluita enemmän) väliltä. Oikeudenmukaisuuden indeksi HI saa myös arvoja -1 (palveluita käyttävät vain lähellä asuvat kun tarve on sama kaikilla) ja 1 (palveluita käyttävät vain kaukana asuvat kun tarve on sama kaikilla) välillä.
Sosiaali- ja terveyspalveluverkon paikkatietoperusteinen tarkastelu (Maantieteen tutkimusyksikkö ja Sitra: Lankila et al. 2016; Lankila & Rusanen 2016) Taustalla sosiaali- ja terveyspalveluihin kohdistuvien menojen supistamistarve Väestön muuttuva alue- ja ikärakenne Palvelujen digitalisaatio, uudet toimintatavat ja palveluiden uudelleen organisointi
Sote-aineistot: Kuntien kotisivuilta: Yliopistolliset/keskussairaalat Synnytysyksiköt 24/7 päivystyspisteet Aluesairaalat Terveysasemat Tk:n vuodeosastot Toimipaikkarekisteri (TOPI) THL, Duodecimterveyskirjasto: Yksityiset lääkäripalvelut* Julkinen sosiaalihuolto *kokonaisvaltaiset lääkäripalvelut, työterveys ja lastenlääkäri. Valveri-rekisteri, Valvira, Avit: Yksityinen sosiaalihuolto Apteekkariliitto: Apteekit Muut paikkatietoaineistot: Väestötieto- ja alueaineistot 1x1 km väestöruutuaineisto Postinumeroalueet Kunnittaiset ikäluokittaiset (0-14, 15-64, 65+) väestöennusteet vuoteen 2040 saakka (Tilastokeskus) Tieverkkoaineisto, Esri Finlandin tuottama Suomen tie- ja katuverkkoaineisto, jonka pohjana on Liikenneviraston Digiroad-aineisto, Digiroad 2014
Paikkatietoaineistojen valmistelu laskentoja varten Osoitetietojen geokoodaus koordinaattipisteiksi ArcMap ja QGIS Väestöennusteen siirtäminen postinumeroalueille (muodostetiin kuntakohtaiset väestöt postinumeroalueille, laskettiin vuoden 2025 ennusteväestön ja vuoden 2014 väestön perusteella ikäluokittaiset painokertoimet kunnittain, postinumeroalueiden väestöikäluokkia painotettiin näillä kertoimilla kunkin kunnan alueella). Aluemuotoisen tiedon tuottaminen pisteeksi, esim. postinumeroalueen tai väestöruudun muuttaminen kysyntäpisteeksi, Feature to Point. Tieverkon muokkaukset laskenta-ajan optimoimiseksi, esim. tiestön karsiminen sellaisten tieluokkien osalta, joilla ei juuri merkitystä lopputuloksen kannalta. Tieverkon korjaukset. Eri terveyspalveluiden käyttömäärien painokertoimet kullekin ikäluokalle THL:ltä. Pistemäisten tietojen yleistäminen alueille (esim. kuntiin), esim. Spatial Join ja sopiva liittämissääntö (Merge Rule).
Keskussairaaloiden saavutettavuuden tarkastelu manner-suomen väestön näkökulmasta Network Analyst verkostotyökalu, sijaintiallokointi menetelmä. Palvelujen kysyntä allokoidaan palvelupisteisiin siten, että kokonaisetäisyys tai matka-aika minimoituu kysynnän ja tarjonnan välillä. Vapaa-allokaatio eli ei piitata hallinnollisista rajoista kuten maakunnista. Kysyntäpiste: postinumeroalueen väestö, piste postinumeroalueen tiheimmin asutun 1x1 km ruudun keskellä. Tarjontapiste keskussairaalan sijaintipiste.
Keskussairaaloihin allokoituvat laskennalliset käynnit Network Analyst verkostotyökalu, sijainti-allokointi menetelmä. Palvelupisteiden laskennalliset käynnit allokoidaan palvelupisteisiin siten, että kokonaisetäisyys tai matka-aika minimoituu. Vapaa-allokaatio eli ei piitata hallinnollisista rajoista kuten maakunnista. Kysyntäpiste: postinumeroalueen väestön laskennalliset käynnit erikoissairaanhoidossa, piste postinumeroalueen tiheimmin asutun 1x1 km ruudun keskellä. (väestöä painotetaan ikäluokkien keskimääräisillä erikoissairaanhoidon käynneillä, jolloin väkirikkaiden alueiden lisäksi myös ikääntyneen väestön alueet painottuvat). Tarjontapiste keskussairaalan sijaintipiste.
Eri lukumäärävaihtoehtojen vertailu saavutettavuuden näkökulmasta manner-suomen mittakaavassa: Lokaatio-allokaatio kun tarjonta pisteitä on 15, yliopisto sairaalat on pakotettu mukaan, muuten annetaataan laskennan valita yksiköt joihin allokoituu eniten laskennallisia käyntejä, siten että matka-aika minimoituu. Taulukko 7. Ennusteväestön 2025 keskimääräinen laskennallisten käyntien matka-aika (yhteen suuntaan) minuutteina ja laskennallisten käyntien osuus kunkin saavutettavuusajan sisällä eri aluemäärillä. Matka-ajat on laskettu postinumeroalueiden tiheimmin asutun 1x1 km ruudun keskipisteestä vapaasti allokoiden. Osuus (%) sairaalakäynneistä, jotka saavuttavat sairaalan: Sairaaloiden lkm Keskimääräinen matkaaika min/käynti < 30 min 30 60 min 60 90 min 90 120 min > 120 min 5 63 42 15 14 13 17 100 (yliopistosairaalat) 12 36 56 23 14 5 2 100 15 31 59 26 12 2 0,8 100 16 (-20 %) 30 61 26 10 2 0,8 100 20 (nykyiset) 27 65 25 7 1 0,8 100 yhteensä
Eri lukumäärävaihtoehtojen vertailu saavutettavuuden näkökulmasta manner-suomen mittakaavassa: Lokaatio-allokaatio kun tarjonta pisteitä on 12, yliopisto sairaalat on pakotettu mukaan, muuten annetaataan laskennan valita yksiköt joihin allokoituu eniten laskennallisia käyntejä, siten että matka-aika minimoituu. Taulukko 7. Ennusteväestön 2025 keskimääräinen laskennallisten käyntien matka-aika (yhteen suuntaan) minuutteina ja laskennallisten käyntien osuus kunkin saavutettavuusajan sisällä eri aluemäärillä. Matka-ajat on laskettu postinumeroalueiden tiheimmin asutun 1x1 km ruudun keskipisteestä vapaasti allokoiden. Osuus (%) sairaalakäynneistä, jotka saavuttavat sairaalan: Sairaaloiden lkm Keskimääräinen matkaaika min/käynti < 30 min 30 60 min 60 90 min 90 120 min > 120 min 5 63 42 15 14 13 17 100 (yliopistosairaalat) 12 36 56 23 14 5 2 100 15 31 59 26 12 2 0,8 100 16 (-20 %) 30 61 26 10 2 0,8 100 20 (nykyiset) 27 65 25 7 1 0,8 100 yhteensä
Eri lukumäärävaihtoehtojen vertailu saavutettavuuden näkökulmasta manner-suomen mittakaavassa: Lokaatio-allokaatio kun tarjonta pisteitä on 5 (vain yliopistolliset sairaalat ovat mukana), väestö allokoidaan matka-ajallisesti lähimpään yksikköön, niin että laskennallisilla käynneillä painotettu matka-aika minimoituu. Taulukko 7. Ennusteväestön 2025 keskimääräinen laskennallisten käyntien matka-aika (yhteen suuntaan) minuutteina ja laskennallisten käyntien osuus kunkin saavutettavuusajan sisällä eri aluemäärillä. Matka-ajat on laskettu postinumeroalueiden tiheimmin asutun 1x1 km ruudun keskipisteestä vapaasti allokoiden. Osuus (%) sairaalakäynneistä, jotka saavuttavat sairaalan: Sairaaloiden lkm Keskimääräinen matkaaika min/käynti < 30 min 30 60 min 60 90 min 90 120 min > 120 min 5 63 42 15 14 13 17 100 (yliopistosairaalat) 12 36 56 23 14 5 2 100 15 31 59 26 12 2 0,8 100 16 (-20 %) 30 61 26 10 2 0,8 100 20 (nykyiset) 27 65 25 7 1 0,8 100 yhteensä
Terveysasemien saavutettavuuden tarkastelu manner-suomen väestön näkökulmasta Laskennalliset käynnit on määritetty väestön ikärakenteen perusteella kun tiedetään kuinka monesti keskimäärin tiettyyn ikäluokkaan kuuluva ihminen käy lääkärin, terveydenhoitaja tai sairaanhoitajan vastaanotolla vuosittain. Väestöä painotetaan siis ikäluokkakohtaisilla käyntimäärillä -> toisaalta painottuu väkirikkaat alueet, toisaalta alueet, joilla asuu yli 65-vuotiaita paljon.
Terveyspalveluiden saavutettavuus, kumulatiiviset saavutettavuuskäyrät ja eri skenaarioiden vertailu Taustalla ajatus että terveysasemista ja apteekeista voisi saada osittain samoja matalan kynnyksen terveyspalveluita. Optimoiduilla terveysasemilla tarkoitetaan vuoden 2025 väestöennusteen tilanteessa jääneitä terveysasemia jos terveysasemien lukumääri vähenisi 40 % Kumulatiiviset saavutettavuuskäyrät 1x1 km väestöruuduilla laskettuna vuoden 2015 terveysasemille, vuoden 2015 terveysasemille ja apteekeille, sekä vuoden 2025 arvion mukaisesti optimoiduille terveysasemille. Pystyakselilla on vuoden 2014 väestön suhteellinen osuus (%) ja vaaka-akselilla on etäisyys kilometreinä.
Palveluiden kysynnän ja tarjonnan tarkastelu Pistemäisen tiedon yleistäminen kuntiin: ->Spatial Join jos aineistot menevät hyvin yksiin TAI -> Dissolve kuntakoodi + lasketaan montako yhdistetiin, Join kuntaaineistoon kuntakoodin perusteella. Population to provider: alueittaisia arvoja väestönmäärästä suhteessa palveluihin Yli- ja alitarjonta alueet -> yhdistetään pistetieto alueeseen -> valitaan atribuuttikyselyn avulla ehdot täyttävät alueet
Palveluiden kysynnän ja tarjonnan tarkastelu Palvelujen päällekkäisyys Two-step floating catchment area (2SFCA) Kysynnän ja tarjonnan suhdetta lasketaan kahdessa vaiheessa: 1) Tarjonta/kysyntä tietyllä etäisyydellä palvelusta 2) Kysyntäpisteissä lasketaan kysyntää ympäröivälle (koko määritettävä) alueelle osuvien tarjontapisteiden tarjonta/kysyntä suhteiden summa -> mitä isompi luku sitä enemmän kapasiteettia saatavilla Tarjontapisteille oltava joku kapasiteetti arvo, esim. lääkärien määrä Mahdollista ottaa huomioon myös etäisyyden vaikutus (distance decay) (Lisätietoa esim. Luo & Wang 2003)
Toimitetut reseptit ja palvelupisteiden saavutettavuus Taulukko 3. Apteekkien toimittamat reseptit maakunnittain 2015. Maakunta Reseptit milj. 2015 Reseptiä/asukas 2015 Pohjois-Savo 3,0 12,2 Kymenlaakso 2,1 11,9 Lappi 2,0 10,8 Pohjos-Karjala 1,8 10,7 Etelä-Karjala 1,4 10,5 Keski-Pohjanmaa 0,7 10,4 Kanta-Häme 1,8 10,2 Etelä-Pohjanmaa 1,9 10,0 Etelä-Savo 1,5 9,8 Satakunta 2,2 9,8 Pohjois- Pohjanmaa 3,9 9,6 Varsinais-Suomi 4,4 9,3 Päijät-Häme 1,8 9,0 Keski-Suomi 2,5 9,0 Kainuu 0,7 8,7 Uusimaa 13,1 8,1 Pirkanmaa 4,0 8,0 Pohjanmaa 1,3 7,0 Yhteensä 50,1 9,2 *Apteekkeja on Manner-Suomessa 810, 77 apteekista reseptitiedot puuttuvat
Lopuksi Aineistojen ja tietokantojen valmistelu, tarkistus, muokkaus ja muuttujien tekeminen vie suurimman osan ajasta. Analyysien ajaminen periaatteessa varsin nopeaa. Tiedon yksityiskohtaisuuden ja analyysien sujuvuuden (laskenta-aikojen) kanssa tehtävä kompromisseja. Erityisesti yksittäisiä ihmisiä koskevan tiedon kanssa oltava tarkkana, ei karttaesityksiä, joista yksilöt ovat tunnistettavissa. Ympäristöä tai palveluita koskevien muuttujien suhteen helpompaa, tosin alueiden leimaamista on vältettävä. Tuotetaan periaatteessa objektiivista tietoa, mutta osa analyysin parametrien valinnoista myös subjektiivisia, samoin tulkinta. Esimerkiksi mikä kuvaa ylitarjonta mikä alitarjontaa, mikä on riittävä kapasiteetti, mikä on riittävän hyvä saavutettavuus, miten luokitellaan aineistoa.
Kiitos! Lähteitä: Cummins et al. (2007). Understanding and representing place in health research: a relational approach. Social Science and Medicine 65:1825 1838. Lankila et al. (2012). Self-reported health in urban-rural continuum: a grid-based analysis of Northern Finland Birth Cohort 1966. International Journal of Public Health 57:3, 525 533. Lankila et al. (2013). Health and well-being of movers in rural and urban areas a grid-based analysis of Northern Finland Birth Cohort 1966. Social Science & Medicine 76, 169 178 Lankila et al. (2015). Is geographical distance a barrier in the use of public primary health services among rural and urban young adults? Experience from Northern Finland. Public Health 131, 82 91. Lankila et al. (2016). Sosiaali- ja terveyspalveluverkon kehityskuva 2025 Paikkatieto- ja saavutettavuusperusteinen tarkastelu. Oulun yliopisto/sitra, Helsinki 2016. Lankila & Rusanen (2016). Sosiaalipalvelut ja apteekit Paikkatieto- ja saavutettavuusperusteinen tarkastelu nykytilasta ja vuoden 2025 skenaarioista. Oulun yliopisto, maantieteen tutkimusyksikkö, Oulu. Löytönen (2004). Maantiede ja sen erityisyys: Maantiede, terveysmaantiede ja tartuntataudit http://www.tieteessatapahtuu.fi/0304/loytonen.pdf. Lyseen et al. (2014). A review and framework for categorizing current research and development in health related geographical information systems (GIS) studies..yearbook of Medical Informatics 9:110-24. Näyhä et al. (2013). Body mass index and overweight in relation to residence distance and population density: Experience from the northern finland birth cohort 1966. BMC Public Health 2013;13:938. Rusanen et al. (2003). Georeferenced data as a tool for monitoring the concentration of population in Finland in 1970 1998. Fennia 181(2), 129 144.