Hur beräknas förlorade levnadsår och funktionsnedsättningsår? En detaljerad förklaring av DALY, YLL och YLD

Beräkning av hälsobördan för en befolkning, både i termer av förlorade levnadsår (YLL) och levnadsår med funktionsnedsättning (YLD), är avgörande för att förstå sjukdomars påverkan på samhället och för att kunna fördela resurser effektivt. Dessa begrepp, som tillsammans bildar det sammanlagda måttet DALY (Disability-Adjusted Life Year), ger en djupare inblick i hur hälsoproblem påverkar livskvalitet och förväntad livslängd.

YLL (Years of Life Lost) mäter antalet levnadsår som går förlorade på grund av för tidig död, baserat på förväntad livslängd vid dödstillfället. Vanligtvis använder man en standardiserad livslängd, ofta satt till 70 år. Ju tidigare en individ avlider, desto större är den potentiella förlusten av levnadsår. För att beräkna YLL krävs förståelse för dödsorsakens påverkan, eftersom olika sjukdomar och skador kan ha olika effekter på förlorade livsår. Exempelvis kan dödsfall i yngre åldrar leda till större förluster jämfört med dödsfall i äldre åldrar.

YLD (Years Lived with Disability) tar hänsyn till antalet år som en person lever med en sjukdom eller funktionsnedsättning. Här ingår en mängd faktorer som prevalens (antalet som lever med en sjukdom i en befolkning vid en given tidpunkt), incidens (antalet nya fall under en viss period), svårighetsgrad (disability weight) och sjukdomens varaktighet. Disability weight är ett mått på svårighetsgraden av en funktionsnedsättning; ju mer handikapponerande en sjukdom är, desto högre är värdet.

Tidigare, fram till 2010, inkluderade beräkningarna även en så kallad diskontering av framtida livsår, där hälsovärdet för framtida år ansågs vara lägre än för nuvarande år. Denna metod baserades på ekonomisk teori om tidspreferenser, där omedelbara fördelar prioriteras framför framtida. Emellertid, på grund av både metodologiska svårigheter och etiska betänkligheter, valde Världshälsoorganisationen (WHO) att förenkla beräkningsmodellen och helt ta bort diskontering, och fokusera på disability weights som kvantifierar sjukdomens allvarlighet.

För att beräkna YLD används både prevalens och disability weights för att kvantifiera sjukdomens inverkan på livskvaliteten. Vidare beaktas sjukdomens varaktighet – sjukdomar som varar längre har en större inverkan på antalet levnadsår med funktionsnedsättning.

När vi kombinerar YLL och YLD får vi DALY, som ger en övergripande bild av hälsobördan i en population. Detta mått tar inte bara hänsyn till förlorade livsår på grund av för tidig död, utan också till det lidande och den nedsatta livskvalitet som orsakas av sjukdom eller skada. DALY ger ett viktigt verktyg för att besluta om resurser ska fördelas, och hjälper till att jämföra kostnaden för att förebygga eller behandla olika sjukdomar.

Ett konkret exempel på användningen av YLL, YLD och DALY i praktiken är studien om lungcancer i Tyskland. Här användes data från Global Burden of Disease (GBD)-studien för att beräkna antalet förlorade livsår (YLL) och livsår med funktionsnedsättning (YLD) i samband med lungcancer i Tyskland under 2019. Genom att kombinera prevalens, incidens och disability weight för lungcancer kan man beräkna den totala hälsobördan i termer av DALY, vilket ger en tydlig bild av sjukdomens påverkan på befolkningen.

För att räkna ut YLL i samband med lungcancer, används dödsorsakens prevalens i olika åldersgrupper och livslängden vid dödstillfället för att uppskatta de förlorade levnadsåren. Å andra sidan, för att beräkna YLD tas prevalens och disability weight för lungcancer under olika faser av sjukdomen (som metastasering) i beaktande, vilket ger en uppfattning om den totala förlorade livskvaliteten.

För att förstå hela bilden av hälsobördan är det inte bara viktigt att räkna de förlorade livsåren och åren med funktionsnedsättning. Läsaren bör även beakta hur olika sjukdomar och skador påverkar samhället på olika nivåer. DALY och dess komponenter är användbara i både global och lokal kontext för att identifiera de största hälsoproblemen och fatta beslut som kan minska den totala hälsobördan i befolkningen. Det är också viktigt att förstå att dessa mått är dynamiska och kan förändras över tid, beroende på förändringar i sjukdomsprevalens, nya medicinska behandlingar och samhälleliga faktorer.

Hur kan vi mäta och förstå välmående genom hälsomått och data?

Hälsa, i dess mest grundläggande form, har länge definierats som frånvaron av sjukdom. Under de senaste decennierna har denna uppfattning förändrats drastiskt. Nu ses hälsa inte bara som fysisk välbefinnande, utan som ett bredare begrepp som omfattar psykisk hälsa, sociala faktorer och övergripande livstillfredsställelse. Världen över börjar samhället förstå att hälsa innebär mer än att vara fri från sjukdom – det handlar om att uppnå ett tillstånd av fullständigt fysiskt, mentalt och socialt välbefinnande. Denna utveckling återspeglas i Världshälsoorganisationens (WHO) konstitution från 1946, där hälsa definieras som “ett tillstånd av fullständigt fysiskt, mentalt och socialt välbefinnande och inte bara frånvaron av sjukdom eller svaghet.”

Kulturella normer och värderingar definierar vad som anses acceptabelt eller tabu, och påverkar därigenom människors beteenden och livsmål. För att kunna skapa hälsomått som är användbara på global nivå måste vi beakta den kulturella mångfalden, samtidigt som vi identifierar de gemensamma faktorer som leder till hälsa och lycka för människor över hela världen. En sådan förståelse kan vara nyckeln till att skapa ett globalt standardiserat mått på välbefinnande, där vi tar hänsyn till både det universella och det lokalt specifika.

En central del i denna process är beteendeutbildning. Att lära människor att modifiera sina beteenden för att förbättra deras hälsa och välbefinnande är avgörande. Att främja positiva beteenden, såsom att upprätthålla en hälsosam livsstil, bygga sociala relationer och bidra till samhällsnyttan, kan ha en stor påverkan på både individens och samhällets hälsa och lycka. Dessa beteenden kan vara universella, men deras betydelse och uttryck kan variera beroende på kulturella sammanhang. Detta är också centralt för att standardisera hälsomått, eftersom olika kulturer kan ha olika uppfattningar om vad som utgör "gott beteende" i samband med hälsa och lycka.

Vidare, när vi arbetar med hälsomått som "Years of Life Lost" (YLL) eller andra indikatorer på förlorad livskvalitet, är det viktigt att förstå att dessa mått inte bara reflekterar sjukdomars fysiska effekter. De tar även hänsyn till de bredare sociala och mentala faktorer som kan påverka en individs livslängd och välmående. Genom att använda avancerade tekniker som maskininlärning och rumslig modellering kan vi skapa mer precisa och representativa modeller för hälsa och välbefinnande.

För att verkligen förstå och använda dessa hälsomått effektivt är det viktigt att inte bara fokusera på datainsamling och analyser utan också på hur dessa data kommuniceras och tolkas. Att presentera hälsodata på ett begripligt sätt är avgörande för att beslutsfattare och allmänheten ska kunna använda denna information för att fatta informerade beslut som kan förbättra både individens och samhällens hälsa. I denna bok behandlas metoder för att arbeta med hälsodata genom R-programmering och öppna källkodslösningar, vilket gör det möjligt för läsaren att inte bara förstå teorin bakom hälsomåtten utan också att tillämpa dessa metoder i praktiken.

För att åstadkomma en verklig förändring i hur vi mäter och förstår välbefinnande är det också nödvändigt att ständigt uppdatera våra modeller och metoder för att ta hänsyn till de senaste forskningsrönen och teknologiska framstegen. Hälsomått är inte statiska; de utvecklas ständigt i takt med att nya insikter och datakällor blir tillgängliga. Därför är det viktigt att hålla sig à jour med de senaste uppdateringarna från internationella hälsoorgan, som WHO och IHME, och att använda denna information för att skapa mer robusta och precisa modeller.

Det är också väsentligt att komma ihåg att trots de teknologiska framstegen och de statistiska modellerna för hälsa är vi fortfarande långt ifrån att ha en fullständig förståelse för alla faktorer som påverkar välbefinnande. För att kunna skapa en verkligt holistisk bild av hälsa och lycka krävs fortsatt forskning och utveckling. Hälsomåtten är användbara verktyg, men de är bara en del av den större bilden som vi ständigt måste sträva efter att förstå och förbättra.

Hur påverkar inkubationstid och smittspridning sjukdomars utveckling?

Flera faktorer påverkar en individs känslighet för infektion, däribland infektionsdosen (mängden av patogener som invaderar), virulens (hur allvarlig sjukdomen kan bli), immunstatus (hur väl immunförsvaret fungerar), samt överföringssättet för smittan. Smittvägarna varierar, och kan exempelvis ske genom luftburna droppar vid hosta eller nysningar, eller via vektorer som myggor. De sjukdomar som ofta orsakar akuta symptom och kräver snabb medicinsk åtgärd inkluderar till exempel COVID-19, influensa, malaria, dengue och Zika, och dessa överförs på olika sätt beroende på deras natur.

Viruser och bakterier har genom evolutionen utvecklats för att överleva och sprida sig effektivt inom sina värdar. Virus, som är intranukleära parasiter, kan endast reproducera sig inne i levande celler och observeras endast genom elektronmikroskop. De har en varierande storlek från 20 till 400 nm i diameter, och är passiva partiklar utanför en levande cell. Inne i en värdcell replikerar de ofta cellen och kan orsaka förändringar som dödar eller skadar cellens funktioner.

Matematiska modeller har länge använts för att förstå spridningen av infektionssjukdomar och erbjuder ett kraftfullt verktyg för att förutsäga epidemiers förlopp. Det klassiska SIR-modellen, som delar in en befolkning i tre huvudkategorier – mottagliga (S), infekterade (I) och återhämtade (R) – använder differentialekvationer för att beskriva hur individer rör sig mellan dessa grupper. Modellen är central för att förstå hur infektionshastigheten påverkar spridningen av sjukdomar och när epidemin når sitt klimax. Vidare kan mer komplexa modeller som SEIR, där en "exponerad" grupp (E) introduceras för att representera individer som ännu inte är infektiösa, användas för sjukdomar med lång inkubationstid som COVID-19.

För att bättre förstå smittspridningens mekanism måste man titta på de viktigaste parametrarna i dessa modeller. Infektionshastigheten (β), som anger hur snabbt en mottaglig individ blir infekterad, beror på kontaktfrekvens och sannolikheten för smitta vid varje kontakt. Återhämtningshastigheten (γ) beskriver hur snabbt en infekterad individ återhämtar sig och antingen utvecklar immunitet eller återgår till att vara mottaglig, beroende på vilken modell som tillämpas.

Inkubationstiden spelar en viktig roll i mer komplexa modeller, särskilt i SEIR-modellen där den reflekterar den tidsperiod en exponerad individ tar innan de blir infektiösa. En förståelse för detta hjälper till att förutsäga hur lång tid innan smittan börjar spridas i en population. En annan kritisk faktor i smittspridning är överföringshastigheten, som beror på hur sjukdomen sprids, antingen genom luftburna droppar, direkt kontakt eller via vektorer som myggor.

Herdimmunitet är ett viktigt fenomen där en stor del av en befolkning blir immun mot en sjukdom, antingen genom vaccination eller genom tidigare infektion. Detta ger indirekt skydd till de som inte är immuna, eftersom smittan inte längre sprids effektivt. För att en befolkning ska uppnå herdimmunitet krävs en hög grad av immunitet, vilket gör vaccination till ett kraftfullt verktyg för att kontrollera smittsamma sjukdomar.

Matematiska modeller för smittsamma sjukdomar är ovärderliga för att förstå och förutsäga spridningen av infektioner. Genom att noggrant mäta och justera parametrar som infektionshastighet, återhämtningshastighet och inkubationstid kan forskare och folkhälsomyndigheter fatta välgrundade beslut om smittskyddsåtgärder. Modellerna erbjuder en tydlig vägledning för att kontrollera epidemier och förhindra deras eskalering, men det är också viktigt att förstå att modellen endast är en approximation av verkligheten, och att faktorer som mänskligt beteende och sociala interaktioner spelar en stor roll i den faktiska smittspridningen.

Hur kan ensemblemodellering förbättra förutsägelser av COVID-19-spridning?

Ensemblemodellering, som innebär att kombinera flera olika modeller för att göra mer precisa och robusta förutsägelser, har visat sig vara ett kraftfullt verktyg inom epidemimodellering. När vi modellerar spridningen av COVID-19, kan en enkel modell som SEIR (Susceptible-Exposed-Infectious-Recovered) eller en regressionsmodell som använder Bayesianska metoder ge användbara insikter. Men genom att använda ensemblemodellering kan vi förbättra noggrannheten och stabiliteten i våra förutsägelser. Detta är särskilt viktigt i kontexter där data är osäkra och variabla, som i pandemier.

Ensemblemodellering fungerar genom att kombinera resultaten från olika modeller. Detta kan göras genom att genomsnitta resultaten från flera modeller, eller genom att använda mer avancerade tekniker som stacking eller boosting, som gör det möjligt att vikta eller justera de individuella modellernas resultat. Genom att integrera flera olika modeller kan ensemblemetoden fånga upp olika aspekter av data och därigenom ge mer pålitliga prognoser.

Ett exempel på användningen av ensemblemodeller är förutsägelsen av bekräftade COVID-19-fall och kortsiktiga prognoser. Genom att kombinera olika modelltyper, till exempel beslutsträd, slumpmässiga skogar (Random Forest), k närmaste grannar (KNN) och stödsvektormaskiner (SVM), kan man skapa en sammansatt förutsägelse som är mer exakt än någon av modellerna för sig. I detta sammanhang kan vi använda paket som {tidymodels}, {modeltime} och {stacks} för att implementera ensemblemetoden och kombinera dessa modeller.

För att börja med ensemblemodellering delar vi först upp våra data i tränings- och testuppsättningar. Träningsdatan används för att träna modellerna, medan testdatan används för att utvärdera deras prestanda. Därefter skapar vi en så kallad cross-validation (CV) med flera upprepningar för att bättre förstå hur modellerna presterar under olika förhållanden. Denna process gör det möjligt för oss att validera våra modeller på ett sätt som inte överanpassar sig till specifika träningsdata.

För att bearbeta våra data inför modelleringen använder vi en så kallad recipe, där vi bland annat genomför log-transformationer och dummy-kodning av kategoriska variabler. När vi definierar våra modeller specificerar vi deras parametrar och väljer den engine (motor) som ska användas för att träna modellerna. I vårt fall använder vi Decision Tree, Random Forest, K-Nearest Neighbors och SVM, som alla har olika styrkor i hanteringen av komplexa och osäkra data.

Modellernas prestanda utvärderas genom att mäta felmått som root mean squared error (RMSE). Genom att samla in dessa mått för alla modeller kan vi jämföra deras förmåga att förutsäga verkliga COVID-19-fall. I vårt exempel visade det sig att Random Forest-modellen presterade bäst, med det lägsta RMSE-värdet. Detta innebär att den modellen, bland de testade, gav den mest exakta förutsägelsen av de faktiska fallen.

När vi har tränat modellerna och samlat in förutsägelser från dem, kan vi kombinera resultaten. Detta görs genom att använda en meta-lärande process, där vi viktar förutsägelserna från varje modell och skapar en slutlig ensemblemodell. I detta exempel använde vi {stacks}-paketet för att implementera denna meta-lärande strategi och kombinera resultaten från alla modeller. Den sammansatta modellen ger en genomsnittlig förutsägelse som tenderar att vara mer robust än någon av de individuella modellerna.

För att visualisera effekten av ensemblemodellering jämförde vi de faktiska fallen med de förutsagda resultaten från de individuella modellerna, samt från den sammansatta modellen. Det visade sig att den ensemblemodell som kombinerade Random Forest, SVM och de andra modellerna gav en mer exakt passform till de faktiska data än någon av de enskilda modellerna. Denna visualisering gör det klart att genom att kombinera förutsägelser från olika modeller kan vi uppnå en mer pålitlig och exakt prognos.

Ensemblemodellering är inte utan utmaningar, dock. Den kräver att vi hanterar flera modeller samtidigt, vilket kan leda till ökade beräkningskrav och behovet av kraftfullare datorkapacitet. Dessutom, medan ensemblemodeller ofta är mer robusta, är de också svårare att tolka och kan ge en viss grad av komplexitet i hur resultaten kommuniceras. Men dessa utmaningar kan övervinnas med rätt verktyg och metoder, vilket gör ensemblemodellering till en ovärderlig teknik inom epidemiologisk modellering.