gis-analyysimentelmät tutkimuksessa 2017 · satisfaction with current life b very/quite satisfied...

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

[email protected]

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)

FT Tiina Lankila, Maantieteen tutkimusyksikkö, Oulun yliopisto

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-asutus6–20 as/km²: varsinainen maaseutu21–100 as/km²: maaseutualueet, joissa asutuskeskittymiä, vaihettumisvyöhyke101–1000 as/km²: asutuskeskittymät, omakotitalovaltaiset lähiötYli 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:

• Ordinaalinen logistinen regressio (COR, 95%CI), sekoittavien tekijöiden huomioiminen:

*Vakioitu psykososiaalisella hyvinvoinnilla, sosiaalisilla suhteilla, terveyskäyttäytymisellä, sosioekonomisilla tekijöillä ja asuinajalla.

Naiset (%) Miehet (%)

Väentiheys (asukasta/km2) Väentiheys (asukasta/km2)

1-5 6-20 21-100 101-

1000

Yli 1000 1-5 6-20 21-100 101-

1000

Yli 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

Asuinalue

Vakioimaton Vakioitu* Vakioimaton Vakioitu*

Naiset

Haja-asutus

(1–5 as/km²)

1.59 (1.05-2.41) 2.01 (1.23-3.27)

Miehet

Haja-asutus

(1–5 as/km²)1.77 (1.24-2.52) 1.02 (0.66-1.60)

Varsinainen maaseutu

(6–20 as/km²)1.28 (1.02-1.62) 1.14 (0.86-1.52)

Varsinainen

maaseutu

(6–20 as/km²)

1.35 (1.07-1.71) 0.83 (0.62-1.10)

Vaihettumisvyöhyke

(21–100 as/km²)1.40 (1.16-1.70) 1.25 (0.99-1.58)

Vaihettumisvyöhyke

(21–100 as/km²)1.55 (1.27-1.88) 1.14 (0.89-1.45)

Asutuskeskittymät,

lähiöt

(101–1000 inh/km²)

1.15 (1.01-1.32) 1.22 (1.03-1.43)

Asutuskeskittymät,

lähiöt

(101–1000 as/km²)

1.21 (1.05-1.40) 1.17 (0.99-1.39)

Kapunkikeskustat

(yli1000 as/km²)1.00 - 1.00 -

Kaupunkikeskustat

(yli1000 as/km²)1.00 - 1.00 -

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 ORa

(95% CI)

Movers

(%)

Crude OR

(95% CI)

Adjusted ORa

(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 ORa

(95% CI)

Movers

(%)

Crude OR

(95% CI)

Adjusted ORa

(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 Digiroadinja 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)

-> kaupunkialueilla suhteellinen käyttö lisääntyy etäisyyden kasvaessa, maaseudulla vähenee hieman.

->Tiheästi asutuilla alueilla yli 10 km etäisyydellä palveluita käytettiin enemmän kuin alle 2 km etäisyydellä.

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)

2.0–4.93.5 (2) 76.4 212

(15.5)3.2 (2) 66.7 1171 (37.4)

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)

Rural areas (1–100 inhabitants/km²) n = 1258

Urban areas (>100 inhabitants/km²) n = 2912

Crude IRR (95% CI)

Adjusted IRR b

(95% CI)Crude IRR (95% CI)

Adjusted IRR b

(95% CI)

Distance (km)0.0.–1.9 1.00 1.00 1.00 1.002.0–4.9 0.95 (0.68–1.34) 1.00 (0.74–1.35) 1.00 (0.89–1.12) 0.95 (0.86–1.06)5.0–9.9 1.01 (0.73–1.40) 1.07 (0.80–1.43) 1.07 (0.89–1.28) 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)

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)

• Käytön konsentraatioindeksi (Cuse) ja tarpeen konsentraatioindeksi (Cneed) 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.

Rural areas (1–100 inhabitants/km²) Urban areas (>100 inhabitants/km²)

Cuse (95% CI) -0.009 (-0.058 to 0.041) 0.024 (-0.009 to 0.058)

Cneed (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.

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. -> Ei havaittu eroja käytön oikeudenmukaisuudessa suhteessa etäisyyteen


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:

• 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

Kuntien kotisivuilta:

• Yliopistolliset/keskus-sairaalat

• Synnytysyksiköt

• 24/7 päivystyspisteet

• Aluesairaalat

• Terveysasemat

• Tk:n vuodeosastot

Toimipaikkarekisteri (TOPI) THL, Duodecim-terveyskirjasto:

• Yksityiset lääkäripalvelut*

• Julkinen sosiaalihuolto

*kokonaisvaltaiset lääkäripalvelut, työterveys ja lastenlääkäri.

Valveri-rekisteri, Valvira, Avit:

• Yksityinen sosiaalihuolto

Apteekkariliitto:

• Apteekit

Muut paikkatietoaineistot:


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, sijainti-allokointi –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 Keskimääräi-

nen matka-

aika

min/käynti

< 30

min

30–60

min

60–90

min

90–120

min

> 120

min

yhteensä

5

(yliopistosairaalat)

63 42 15 14 13 17 100

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







sairaalan:


nen matka-

aika

min/käynti

< 30

min

30–60

min

60–90

min

90–120

min

> 120

min

yhteensä

5


63 42 15 14 13 17 100

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


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.







sairaalan:


nen matka-

aika

min/käynti

< 30

min

30–60

min

60–90

min

90–120

min

> 120

min

yhteensä

5


63 42 15 14 13 17 100

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


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.


Terveysasemien saavutettavuuden tarkastelu manner-Suomen väestön näkökulmasta

Laskennalliset käynnit on määritetty väestön ikärakenteen perusteella kun tiedetään kuinka monesti keskimäärin tiettyynikäluokkaan 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

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.

• 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 %


Palveluiden kysynnän ja tarjonnan tarkastelu

• Pistemäisen tiedon yleistäminen kuntiin:

->Spatial Join jos aineistot menevät hyvin yksiin TAI

-> Dissolve kuntakoodi + lasketaan montako yhdistetiin, Join kunta-aineistoon 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 catchmentarea (2SFCA)

• Kysynnän ja tarjonnan suhdetta lasketaan kahdessa vaiheessa:

1) Tarjonta/kysyntä tietylläetäisyydellä 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) FT Tiina Lankila, Maantieteen tutkimusyksikkö, Oulun yliopisto

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 Medicine65:1825–1838.

• 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 informationsystems (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 northernfinland 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.


http://www.tieteessatapahtuu.fi/0304/loytonen.pdf

gis-analyysimentelmät tutkimuksessa 2017 · satisfaction with current life b very/quite satisfied...

Documents