Perspektiv 13

Tidsskrift for Geografisk Information

Februar 2008

13

Perspektiv

Geoforum

GIS og geodata i sundhedssektoren

Geoforum Perspektiv ISSN 1601-8796

Redaktion: Hans Skov-Petersen (ansvarshavende) Skov & Landskab, KU Rolighedsvej 23 1958 Frederiksberg C Tlf. 3533 1816 HSP@life.ku.dk Jan Juul Jensen Informi GIS janj@informi.dk Hans Rollf-Petersen Slagelse Kommune hans@slagelse.dk Hans Ravnkjær Larsen Geomatic, København hrl@geomatic.dk Ulla Kronborg Mazzoli Kort & Matrikelstyrelsen ukm@kms.dk Else Marie Ulvsgaard Selvstændig konsulent emu@ulvsgaard.dk Lasse Møller-Jensen Institut for Geografi og Geologi/KU lmj@geogr.ku.dk © Geoforum Danmark samt Forfatterne.

Ikke kommercielle udnyttelser er tilladt med tydelig kildeangivelse.

Pris, enkeltnummer: 100 kr.

Leder - GIS og geodata i sundhedssektoren Hans Skov-Petersen

3

En ny spiller på den danske GIS-arena Statens Serum Institut Martin Rudbeck Jepsen, Steen Ethelberg og Gert Nicolaisen

6

Danmark kan lære meget af USA på området GIS og sundhed Ulla Skjeldbo og Anne Buch-Larsen

13

Planlægningsredskaber for sundhedsydelser Kamilla Bolt

17

Stedfæstelse og formidling af skadestuedata - fra tabeller til GIS Dennis Hansen og Jens Lauritsen

25

GIS og geodata i sundhedsforskning Rikke Baastrup

32

Sundhedsplanlægning i Ghana - den rumlige dimension Richard Kofie og Lasse Møller-Jensen

38

Kan verdens sundhed gøres retfærdig via GIS Anne Venneløkke Olsen

43

Forsideillustration: Udbredelse ved hændelse på Rigshospitalet i København.

Se fig. 4, side 9.

Geoforum Perspektiv er tidsskrift for Geoforum Danmarks medlemmer Henvendelse om medlemskab mv. kan ske til: Geoforum Danmark Kalvebod Brygge 31, 1780 Kbh V Tlf. 3886 1075, Fax: 3886 0252, e-mail: geoforum@geoforum.dk, URL: www.geoforum.dk

Perspektiv nr. 13, 2008 Leder – GIS og geodata i sundhedssektoren Hans Skov-Petersen, Skov & Landskab, Københavns Universitet.

De første, store landvindinger indenfor GIS, Remote Sensing og geodata skete indenfor registrering og kortlægning af store områder med et relativt lavt informationsniveau.

Således var militær efterretning og indsamling af klimadata i efterkrigsårene blandt de første indsamlinger af store, samlede geodatasæt. Med et stigende behov for forvaltning og planlægning af arealressourcer kom de første store vektordataprojekter i 1960’erne, med det canadiske CGIS som det fremmeste eksempel. Herefter følger den hastige udvikling indenfor alle de kendte applikationsområder for GIS og geodata: Jordbundskortlægning, produktion af digitale topografiske kort, registrering af fast ejendom og tekniske installationer, stigende detaljering i satellitog flybårne billeddata, bedre og bedre terrænmodeller, frem til vor tids sammenkøring af centrale registre med adresser og dermed geografiske koordinater og kvadratceller.

Blandt disse tilsyneladende marginale og dog særdeles åbenlyse applikationsområder er sundhedssektoren. De rumlige sammenhænge i relation til sygdommes spredning, forebyggelse og behandling har været erkendt langt tilbage i tiden. Et ofte citeret eksempel er John Snows kort fra 1850’erne. John Snow var embedslæge i London og kæmpede med et uforholdsmæssigt stort antal dødsfald i forbindelse med en koleraepidemi i et område af byen. Ved at markere adresserne for dødsfald på et kort (se figur 1) fremstod en rumlig korrelation tydeligt: jo tættere på vandpumpen i Broad Street (nu Broadwick Street) folk boede, jo større var faren for dødsfald. Uden kortlægningen, for eksempel ved blot at opgøre dødsfaldene som lister af adresser, ville denne visuelle erkendelse ikke have været mulig. Erkendelsen bragte John Snow, som en af de første, på sporet af bakterier som primær smittebærer.

Tendensen er klar: De objekter og fænomener man registrerer, modellerer og på anden måde beskæftiger sig med, bliver stadig mere og mere detaljerede. Dette skyldes i nogen grad den teknologiske udvikling: Stadig hurtigere processorer, større lagerplads, mere avanceret software samt nøjagtigere sensorer og måleinstrumenter – men det skyldes i lige så høj grad at flere og flere faglige miljøer får øjnene op for, hvordan GIS og geodata kan bidrage til at løse specifikke og strategiske faglige udfordringer. Således øges også behovet og dermed evnen til at finansiere den stadigt stigende detaljering og kompleksitet i (geo-) digitaliseringen.

Der er mange interessante aspekter af anvendelse af geografisk informationsteknologi i forbindelse med sundhed og sygdom. Flere af bladets artikler beskæftiger sig med, hvilke data der er tilgængelige nationalt og internationalt, og hvilke problemer der er i forbindelse med håndtering og opdatering. Med udgangspunkt i kommunernes øgede ansvar for forebyggelse og rehabilitering gennemgår Kamilla Bolt en række mulige datakilder og visualiseringsmetoder i forbindelse med folkesundhed. Der tages primært udgangspunkt i data aggregeret til kommunalt niveau, herunder bl.a. demografiske, socio-økonomiske samt beskæftigelses- og sundhedsmæssige parametre. Dennis Hansen og Jens Lauridsen giver i deres artikel en udbygget beskrivelse af den åbenlyse nødvendighed af og de mange operationelle problemer forbundet med geokodning af ulykkesdata fra fynske skadestuer. Man får her et klart indblik i de udfordringer, der opstår i forbindelse med adressedefinitioner, geokoder og navngivning af kvadratnetsceller ved mødet mellem den lægelige del af sundhedssektoren og register-/geodataverdenen.

Det er derfor en vigtig forudsætning for en fortsat konsolidering og udvikling indenfor Geoforums virkefelt – hvad enten vi taler om dataproduktion, systemudvikling, offentlig for valtning, forsyningsvirksomhed, uddannelse eller forskning – at vi i højere og højere grad interesserer os for fagfelter, vi tidligere har betragtet som marginale i forhold til vores kerneområder.

3

Perspektiv nr. 13, 2008

Figur 1. Udsnit af det originale John Snow kort over dødsfald (markeret som sorte bygninger) i forbindelse med en koleraepidemi i 1850’ernes London. Dødsfaldene viste sig at skyldes smitte fra vandpumpen i Broad Street markeret med rødt.

På samme måde som John Snow gjorde det for 150 år siden, er det nærliggende at undersøge, om man kan analysere sig frem til rumlige sammenhænge mellem sygdomsudbrud, smitte og det fysiske miljø? To af bladets artikler – af Rikke Baastrup og Martin Rudbeck Jepsen m.fl. – nævner da også John Snow som en indledende motivation i den forbindelse. Rikke Baastrup undersøger med afsæt i regeringens plan ’Miljø og sundhed hænger sammen’ fra 2003, om der er sammenhæng mellem koncentrationen af arsen i drikkevandet i forskellige dele af landet og risikoen for en række kræftfor-

4

mer. Det konkluderes, at på trods af, at der i udlandet er vist en sammenhæng (dog ved højere arsenkoncentrationer), ikke er grundlag for noget tilsvarende i Danmark. Martin Rudbeck Jepsen m.fl. beskriver i deres artikel Statens Serum Institut på hastig fremmarch, som aktiv spiller i forhold til anvendelse af GIS og geodata – både i forbindelse med registrering og modellering af sygdomsudbrud. Artiklen gennemgår en rækker konkrete og særdeles interessante projekter.

F.eks. undersøger man den rumlige og temporale sammenhæng i ’udbrud’ af campylobacter blandt befolkningen på Fyn i perioden

Perspektiv nr. 13, 2008

1995-2003. Et andet projekt, der nævnes i artiklen, forsøger at modellere udbredelsen af smitstoffer i forbindelse med udslip af biologiske smitstoffer, for derigennem at kunne effektivisere beredskabets indsats (se forsiden).

Ligesom i forbindelse med andre typer lokalisering af faciliteter (forretninger, skoler mm.) og allokering af de omkringliggende distrikter, kan geoteknologi anvendes i forbindelse med lokalisering af hospitaler. I en case for et området omkring Accra i Ghana beskriver Richard Kofie og Lasse Møller-Jensen, hvordan man med udgangspunkt i transportafstande kan beskrive befolkningens adgang til hospitaler, og lægecentre, og hvordan man kan optimere placeringen af nye faciliteter.

Noget kunne tyde på, at man i Danmarks sundhedsvæsen ikke er helt så langt i forbindelse med at anvende GIS og geodata – hverken i operationel eller i strategisk sammenhæng - som man er i udlandet. Ulla Skjeldbo og Anne Buch-Larsen gengiver i deres artikel deres oplevelser fra konferencen ’2007 ESRI Health GIS conference’. Artiklen giver en række gode eksempler på, hvordan det amerikanske sundhedsvæsen rutinemæssigt anvender geoteknologi.

Anne Vendeløkke Olsen ser fra sit arbejde hos Verdenssundhedsorganisationen (WHO) tingene i det store, internationale perspek-

tiv. I artiklen ses der specielt på mulighederne for at anvende GIS i forbindelse med kortlægning af relationerne mellem sundhed og social ulighed. Også Martin Rudbeck Jepsen m.fl. giver med et digitalt paneuropæisk salmonella atlas et eksempel på en international applikation.

Det kan næppe skjules, at dette er mit første nummer af Perspektiv som redaktør. Det er en stor udfordring at skulle fortsætte en traditionsrig udgivelsesrække efter Henning Steen Hansens jætteindsats gennem alle årene siden det første nummer ved Geoforums fødsel. Jeg vil samtidigt også kippe med flaget for Hanne Brande-Lauridsen, der også efter mange års tro tjeneste er stoppet i redaktionen. Tak for jeres vedholdende indsats.

Jeg ser frem til arbejdet og håber at I, kære læsere, vil bidrage med ideer og indspark både til de temaer vi i Perspektivs redaktion tager op, og til den form vi giver bladets indhold. Skal vi have et nummer om GIS og trafik? Skal det handle om kommunikation eller åbne standarder? Skal vi beskæftige os med GIS på Mars? Skal der mere videnskab til?

Skal der være mere ’hammer-og-søm’? Skal vi have engelsksprogede artikler med? Bør vi snakke mere med politikerne?

Mulighederne og ideerne er mange. Lad os høre fra jer.

5

Perspektiv nr. 13, 2008 En ny spiller på den danske GIS-arena: Statens Serum Institut Martin Rudbeck Jepsen, Steen Ethelberg og Gert Nicolaisen Statens Serum Institut (SSI) har længe beskæftiget sig med overvågning af smitsomme sygdomme i Danmark. Mange sygdomstilfælde indrapporteres til SSI med den smittedes cpr-nummer, og vedkommendes adresse bliver noteret. Imidlertid er disse data hidtil blevet aggregeret for at skabe et overblik over en given sygdoms aktivitet på nationalt niveau.

De sidste par år er GIS langsomt begyndt at vinde indpas på SSI. Vi er p.t. to afdelinger, Epidemiologisk afdeling og Center for Biologisk Beredskab, som benytter GIS-værktøjer til overvågning af den rumlige fordeling af sygdomme i Danmark og analyse af potentielle modværgeforanstaltninger. På Epidemiologisk afdeling er vi ved at etablere en dynamisk sygdomskortlægning ved hjælp af ArcGIS server. Denne kortlægning vil sikre en næsten realtime overvågning af alle rapporterbare humane sygdomme i Danmark, med henblik på tidligt at opdage eventuelle epidemiske udbrud.

Introduktion Statens Serum Institut (SSI) er en sektor forskningsinstitution, der dækker mange aktiviteter bl.a. analyser af prøver taget fra patienter landet over, produktion af vacciner, overvågning af forekomsten af smitsomme sygdomme samt undersøgelser af udbrud mhp at afdække smittekilder. Sidstnævnte relateres ofte til den første praktiske anvendelse af GIS, nemlig den engelske læge John Snows opklaring af et koleraudbrud i 1850’ernes London (Vinten-Johansen et al 2003). Dr. Snow var en snedig rad, som bekymret over et stigende antal koleratilfælde kortlagde patienternes bopæle og fandt dem koncentreret i et afgrænset område. På basis af den indsigt gennemførte John Snow en epidemiologisk undersøgelse og fandt, at de tilspurgte patienter alle hentede drikkevand fra samme brønd. Det kan derfor synes ejendommeligt at SSI og den danske sundhedssektor generelt først i de seneste år har fattet interesse for anvendelsen af GIS i overvågning og analyse af forskellige sygdommes forekomster - men nu er vi på vej! Vi vil i det følgende præsentere de aktiviteter vi har igangsat på Epidemiologisk afdeling, hvor vi overvåger udbredelsen af en række smitsomme sygdomme, og på Center for Biologisk Beredskab (CBB), som står for beredskabet vedrørende biologiske kampstoffer og bioterrorisme.

Salmonella Atlas I forbindelse med EUs sjette rammeprogram (FP6) blev der givet midler til etablering af et

6

forskningsnetværk, MedVetNet (MVN 2008) indenfor sygdomme som smitter fra dyr til menneske, såkaldte zoonoser. MedvetNet omfatter ca 30 arbejdspakker, der hver for sig beskæftiger sig med en række projekter.

Den sjette arbejdspakke, WP6, beskæftiger sig med anvendelse af GIS i forbindelse med overvågning og analyse af zoonoser, og WP6 ledes fra Epidemiologisk afdeling på SSI. Ét af de første projekter i WP6 har været at opbygge et digitalt Salmonella Atlas som viser den årlige forekomst af salmonellainfektioner hos mennesker i forskellige EU lande. Atlasset dækker perioden 1994 - 2006, og indeholder geografiske informationer på sub-nationalt niveau. Det grundliggende datasæt stammer fra et centralt europæisk overvågningsnetværk, Enternet (Enternet 2007) som modtager rapport om påviste salmonellatilfælde fra medlemslandene.

Nogle lande rapporterer på et administrativt niveau svarende til en meget detaljeret rumlig skala, mens andre lande rapporterer på noget grovere niveauer. Fælles for alle lande er, at der ikke anvendes standardiserede koder for de administrative inddelinger af de respektive lande, og en stor del af arbejdet med opbygningen af Salmonellaatlasset har derfor været at rense og geokode de rapporterede data, så de passer til de officielle NUTS-koder (Eurostat 2008) som gælder for EU. NUTS-koderne spænder fra det nationale niveau (NUTS 0) til regionale inddelinger (NUTS 3) som f.eks. de (historiske) danske amter. Hvor data ikke har kunnet geoko-

Perspektiv nr. 13, 2008

Figur 1. Skærmdump fra www.epigis.dk. Billedet viser forekomsten af S. enteritidis i 2004.

des på regionalt niveau er data summeret på nationalt niveau.

Atlasset er produceret med en standard ArcGIS 9.1TM desktop, hvor vi har produceret kort for hvert år i perioden 1994-2006 (13 år) for hver af de 10 mest hyppigt forekommende salmonellatyper. Yderligere er kortene produceret som nationale kort og som kort på NUTS 1-3 niveau (afhængigt af rapporteringsniveauet hos de medvirkende lande). Resultatet er 260 kort som vi har gemt i et almindeligt billedformat og publiceret på adressen http://www.epigis.dk. Kortene viser for hver af de 10 salmonellatyper forekomsten (incidensen) per 100.000 indbyggere i de respektive regioner/lande.

En del af den forskel i salmonellaforekomsten mellem lande, som kan observeres på sal-

monellaatlasset, skyldes forskelle i landenes indberetningssystemer og indberetningskultur. I visse lande er man mindre tilbøjelige til at tage og indsende prøver fra patienter med symptomer på en salmonellainfektion, eller måske mindre tilbøjelig til at indrapportere data til en central instans end i andre lande, og salmonellaforekomsten vil for førstnævnte steder synes lavere. For at udviske denne tendens har vi derfor også produceret en række kort på regionalt niveau som viser en given salmonellatypes forekomst som andel af det samlede antal indrapporterede tilfælde for en given region (Figur 1).

Salmonellaatlasset har været et godt udgangspunkt for anvendelsen af GIS ved SSI, og har vakt en del opmærksomhed i det

7

Perspektiv nr. 13, 2008

europæiske miljø for zoonotiske sygdomme som hidtil kun har haft begrænset tradition for at anvende GIS. Anvendelsen af ArcGIS desktop til produktion af statiske billedfiler, som efterfølgende publiceres på internettet, har vist sig en driftsikker løsning, som dog involverer en del manuelt arbejde. Vi har derfor indkøbt en ArcGIS Server for at kunne producere en webgisløsning, hvor internetbrugeren selv specificerer for hvilke typer og år, der skal genereres kort.

WebGIS-baseret dansk sygdomsover vågning Det er planen, at vores nyindkøbte ArcGIS server skal leve et travlt liv. Et nyt, spændende phd-projekt på epidemiologisk afdeling benytter bl.a. data fra de danske vagtlæger til at overvåge forekomsten af influenzalignende sygdomme i Danmark. Læge og phd-studerende Katja Qureshi modtager dagligt elektroniske data fra vagtlægernes rapporteringssystem. Datasættet indeholder en record for hver tilset patient, og en angivelse af, om patienten har en influenza-lignende sygdom. Data er anonymiserede, men angiver i hvilket postdistrikt patienten er hjemmehørende, og vi kan derfor joine disse data til et vektorlag over de danske postdistrikter og dermed skabe en næsten real-time kortbaseret overvågning af den rumlige fordeling af influenzalignende sygdom i Danmark.

Det er hensigten, at dette overvågningssystem skal supplere de nuværende informationer om influenzaaktivitet på SSIs hjemmeside (SSI 2008) og tilføje øget funktionalitet som f.eks. design af kort af influenzaforekomsten indenfor brugerspecificerede perioder. Det er også meningen, at dette system skal tjene som prototype for yderligere systemer til overvågning af de øvrige sygdomme, som epidemiologisk afdeling overvåger.

3D analyse af clusters I lighed med den europæiske overvågning af salmonella modtager SSI også danske indberetninger om humane infektioner med campylobacter. Campylobacterbakterien er of test fødevarebåren, men menes i nogle tilfælde også at smitte via ’økologiske’ vektorer, f.eks.

8

Figur 2. 3D repræsentation af campylobacterdata for Odense. Hvide celler viser studieområdet (Fyn og omkringliggende øer). X- og Y-akserne repræsenterer rum, mens Z-aksen repræsenterer tid. Data er aggregeret i celler med dimensionerne 5*5 km *1 år. Her ses Fyn fra Syd-sydvest, med øhavet i forgrunden.

ved badning i kontamineret vand. Hvis man antager, at fødevarebårne ’udbrud’ af campylobacter vil være punktforekomster i tid og rum mens infektioner grundet økologiske forhold vil være mere persisterende i tid og rum vil vi derfor kunne identificere de ’økologiske infektioner’ som klynger af høje campylobacterforekomster. Som input til denne analyse har vi taget et udtræk fra en database med bopæl på alle personer, for hvem der er indsendt en fæcesprøve til analyse, samt bopæl for alle de personer hvor prøven er testet positiv for campylobacter. Vi har begrænset udtrækket til personer fra Fyn og perioden 1995-2003, og vi har aggregeret data per år og 5*5 km celler. Resultatet er et tredimensionelt rum hvor fladen udgøres af x- og yakserne mens z-aksen repræsenterer tid.

Figur 2 viser studieområdet og en ’stak’ af data for den 5*5 km celle der repræsenterer Odense.

For at finde områder hvor campylobacter forekomsten over tid og/eller rum har været højere end gennemsnittet anvender vi

Perspektiv nr. 13, 2008

dellere sociale netværk, og set på smittespredningen mellem individerne. Data til opsætningen af modellens sociale netværk har vi taget fra Danmarks Statistik, bl.a. frekvensfordelinger af husholds- og arbejdspladsstørrelser i hovedstadsområdet. Modellen kan prøves på Center for Biologisk Beredskabs hjemmeside (CBB 2007). Vi har også opbygget en model over spredning af en seksuelt overførbar virus, HPV, som blandt andet kan forårsage livmoderhalskræft. Denne model indgår i Sundhedsstyrelsens vurdering af de nyligt lancerede vacciner mod HPV (Sundhedsstyrelsen 2007).

Figur 3. 3D-visualiseringen og clusteranalyserne er udviklet i Netlogo (Wilensky 1999)

Moran’s lokale indeks (Mitchell 2005), hvor vi har udvidet algoritmen til at inkludere tid.

Figur 3 viser celler identificeret som del af et kluster (høj indeksværdi) med en z-værdi på 2. Her er kluster-analysen foretaget på antallet af indsendte prøver per indbygger i cellen, og fortæller, at der i disse områder indsendes flere prøver til analyse end man ville forvente. Det bemærkes, at de fleste clusters har en udstrækning i tid fremfor rum (de orienterer sig langs z-aksen) hvilket måske peger på, at der disse steder findes praktiserende læger som er mere tilbøjelige til at indsende prøver end lægerne andre steder på Fyn. Agent-baseret modellering I periferien af SSIs GISaktiviteter har vi beskæftiget os med dynamisk, agent-baseret modellering af sygdomssmitte. Agent-baseret modellering kan være interessant set fra et geografisk perspektiv, fordi det er muligt at anvende stedbunden information, f.eks. til modellering af trafikanters adfærd i rum, og fordi agent-baserede modeller er oplagte til modellering af netværk, spændende fra trafiknetværk til sociale netværk. På epidemiologisk afdeling har vi anvendt Netlogo til at mo-

CBB’s anvendelse af GIS Center for Biologisk Beredskab er oprettet i 2001 for at kunne imødegå biologiske sikkerhedstrusler. Centrets opgaver omfatter trusselsvurderinger, iværksættelse af forebyggende foranstaltninger og modforanstaltninger overfor truslen fra biologiske våben rettet mod landets borgere. En væsentlig del af centrets arbejde er rettet mod prøvetagning, diagnostik og anbefaling af modforanstaltninger f.eks. i forbindelse med pulverbrevshændelser. Ved disse hændelser udarbejder centrets analysestab rutinemæssigt en computerbaseret spredningsmodel, som afbilder det berørte område med et plume (ESRI).

Plumet genereres af et program, som CBB har licens til igennem det amerikanske forsvar, der betjener sig af samme program. Det genererede plume kan i form af en shapefil overføres til ArcMap 9.2.

Med plumet i ArcMap åbnes der for visualisering af de geospatiale data på projektor og kort, der kan printes ud og bringes med til møder og på skadestedet, så man ad den vej kan lette kommunikationen af hændelsens udstrækning, og så andre faggrupper hurtigt kan orienteres om begivenhedens omfang uden at den store faglige indsigt er en forudsætning.

Desuden åbnes der med ArcMap for en række analytiske muligheder. Danmarks Statistik tilbyder eksempelvis det såkaldte kvadratnet (Danmarks Statistik 2008), hvor landet er

9

Perspektiv nr. 13, 2008

Figur 4. Plume for hændelse ved Rigshospitalet i København overført til ArcMap. Rød zone betegner 90% infektionsrisiko, gul 50% og grøn 10%

delt ind i kvadrater som geospatiale data kan henføres til. Det mindste af kvadratnettene er på 100m x 100m, dette net kan indlæses i ArcMap som shapefil. Til hvert af kvadraterne kan der knyttes en række persondata, som blandt andet giver mulighed for, at få udskrevet hvor mange personer der kan forventes at opholde sig indenfor et givet kvadrat ved dag og ved nat, ligesom personernes køn, alder m.m. kan aflæses. På samme måde kan CVR data over danske virksomheder gøres tilgængelige som shapefiler, og hermed åbnes en vigtig mulighed for at identificere steder af særlig interesse, så som biografer, skoler, stationer og andre lokaliteter, hvor mange personer må forventes at være samlet. Stedernes præcise adresse, telefon-

10

numre, antallet af ansatte, samt en lang række andre væsentlige data kan aflæses, ligesom lister med de ønskede data kan printes ud, så der kan tages kontakt til de ramte adresser i området og de nødvendige foranstaltninger kan sættes i værk.

Med en toolboks udvælges de kvadrater og specifikke virksomheder, som ligger inde i plumet. Antallet af personer, der kan forventes at opholde sig i de enkelte kvadrater ved dag og ved nat, fastslås, og på samme måde findes navn, adresse, telefonnumre, antallet af ansatte mm. for nøglevirksomheder, institutioner og arbejdspladser inden for plumet. På denne måde skabes datagrundlaget for beredskabets indsats.

Perspektiv nr. 13, 2008

Figur 5. Plume i Arc Map viser hændelse ved Rigshospitalet i København med indtegning af 100m x 100m kvadratnet.

Vuggestuer i området er indlæst som røde pletter.

Konklusion Samlet set anvender SSI nu GIS til mange formål, både i den daglige overvågning af smitsomme sygdomme og til analyse af historiske data. Vi vil fremover især arbejde videre med webgis, fordi vi dermed kan servere georefererede data let tilgængeligt i en web browser for det sundhedsfaglige personale på SSI, som ikke har tradition for at betragte datas rumlige fordeling endsige foretage rumlige analyser. Vi håber derved at kunne integrere analyser af data med den daglige overvågning. Særligt vil vi udnytte, at vi via cpr har adgang til bopælsadresse for patienter til at

arbejde med rumlig statistik og se, om der kan findes rumlige mønstre i den måde en given sygdom spredes på over tid, om patienter bor tættere på hinanden end det kan forventes etc.

11

Perspektiv nr. 13, 2008

Referencer Sidst

Sundhedsstyrelsen (2007): http://www.sst.dk/ publ/Publ2007/MTV/HPV/HPV_vaccination.pdf

Enter-net (2007): http://www.hpa.org.uk/hpa/ inter/enter-net_menu.htm. Sidst besøgt 10/12 2007.

P. Vinten-Johansen, H. Brody, N. Paneth, S. Rachman & M. Rip (2003): Cholera, Chloroform, and the Science of Medicine: A Life of John Snow. New York : Oxford University Press.

MVN (2008): http://www.medvetnet.org. besøgt 21/01 2008

Eurostat (2008): http://ec.europa.eu/eurostat/ ramon/nuts/introduction_regions_da.html. SIden sidst besøgt 21/01 2008 SSI (2008): http://www.ssi.dk/sw2796.asp. Sidst besøgt 21/01 2008 Wilensky, U. 1999. NetLogo. http://ccl.northwestern.edu/netlogo/. Center for Connected Learning and Computer-Based Modeling, Northwestern University. Evanston, IL.

Mitchell, Andy (2005): The ESRI guide to GIS analysis. Volume 2: Spatial measurements and statistics. Redlands: ESRI press.

ESRI (2004): http://gis.esri.com/library/userconf/ feduc05/docs/pap222.pdf. Sidst besøgt 24/01 2008 Danmarks Statistik (2008): http://www.dst.dk/ HomeDK/TilSalg/doga/Standard/kvadrat.aspx.

Sidst besøgt 24/01 2008.

CBB (2007): http://www.bioberedskab.dk/model/ model.html. Sidst besøgt 10/12 2007

Om forfatterne Martin Rudbeck Jepsen (mjp@ssi.dk), Steen Ethelberg (set@ssi.dk), Gert Nicolaisen (gmn@ssi.dk). Alle Statens Serum Institut.

12

Perspektiv nr. 13, 2008 Danmark kan lære meget af USA på området GIS og sundhed - Indtryk fra “2007 ESRI Health GIS conference”, 7.-10. oktober i Scottsdale, Arizona

Ulla Skjelbo og Anne Buch-Larsen USA er langt fremme med at anvende GIS inden for sundhedsområdet, hvor GIS både anvendes til forskning og anvendelsesorienterede løsninger. Et af de aspekter, der trådte tydeligst frem på konferencen var, at GIS i USA bliver betragtet på lige fod med andre informationsteknologier.

Danmark er langt fremme med at opbygge digitale miljøer i sundhedssektoren, mens anvendelsen af de geospatiale teknologier på området er mere sporadisk.

Formålet med ”2007 ESRI Health GIS conference” var bl.a. at give deltagerne mulighed for at pleje fællesskabet omkring GIS og sundhed og samtidig, ved fagligt input, at skabe en ramme for at diskutere, hvordan GIS kan anvendes til at forædle arbejdsgange og for stærke samarbejde. Alt sammen med det formål, at alle i sundhedssektoren skal blive bedre til at møde behovene hos dem, der har brug for hjælp.

USA er meget langt fremme med at anvende GIS inden for sundhedsområdet. 41 af staterne i USA var repræsenteret på konferencen, og næsten alle havde erfaringer med at anvende GIS på dette område. Der bliver i USA investeret mange ressourcer af både økonomisk og tidsmæssig karakter, fordi man er klar over, at GIS er ét af de værktøjer, der er nødvendige, hvis sektoren skal kunne imødekomme nuværende og kommende krav. Det er vores indtryk, at Danmark kan lære meget af USA om brug af GIS på dette område.

Konferencen varede i tre en halv dag, og udover en del strategiske plenumindlæg og tekniske løsninger, blev der vist 90 enkeltløsninger, som alle eller næsten alle, allerede er i drift i én af staterne. Konferencen sluttede med et besøg i Arizonas Health Department. Der deltog 300 personer i konferencen.

Her i artiklen har vi valgt at komme nærmere ind på to strategiske indlæg, en enkelt løsning, og besøget i Arizonas Health Department.

Til sidst i artiklen er en referenceliste med en række links, der giver adgang til yderligere informationer.

Stedets betydning Det første oplæg, vi vil omtale, er af Professor Raymond Aller fra University of Southern California. Raymond Aller sagde: “In real estate, the three most important factors in determining the value of a property are location, location and location. Likewise location (for place) has a major impact on all we do in health care and public health. Place guides, access to care, disease risk, prevention, diagnosis, therapeutic options, patient empowerment, marketing our services, and many other aspect of health care”.

Raymond Allers postulat er, at patienternes egen læge altid bør stille patienterne fem spørgsmål, nemlig: Hvem, hvad, hvornår, hvor for og hvor, men at lægerne kun stiller de fire første. Der er typisk ikke tid til at stille det sidste om, hvor patienten har boet, hvor patienten har arbejdet, og hvor patienten har rejst henne. Det vil sige, at lægen, når diagnosen stilles, ikke er opmærksom på ”stedets” betydning og dets eventuelle sammenhæng med sygdommen.

Ifølge Raymond Aller er GIS et system, som med fordel kan anvendes til at integrere personlige sundhedsdata m.m. til stedet som f.eks. levemåde/-vilkår, medicinsk behandling, risici og miljø/forurening. Raymond Allers konklusion er, at de steder patienten har opholdt sig, og hvad patienten har været udsat for på de forskellige steder og på forskellige tidspunkter – alt sammen skal inddrages, når diagnosen skal stilles.

GIS i sociale sammenhænge Stephanie Bailey, chief of Public Health practice, U.S. Centers for Disease Control and

13

Perspektiv nr. 13, 2008

Prevention holdt et spændende indlæg med titlen “The World’s Greatest Threat to Better Health”. Stephanie Bailey talte om de store nationale problemer som aldring, dårlig ernæring, manglende motion, og de internationale problemer som fattigdom, klimatiske ændringer og ideologiske konflikter, som alle skaber sygdomme. Der er i stigende grad store forventninger til og fokus på fejlfri og up-to-date behandling, personaliseret services, og komplet gennemskuelighed i behandlingsforløbene, og her ser Stephanie Bailey GIS, som et uundværligt hjælpeværktøj.

Stephanie Bailey sagde, at medarbejderne på hendes arbejdsplads i dag bl.a. bruger GIS til at udvide deres forståelse for sundhedsspørgsmål, og til at blive mere opmærksom på eksisterende og kommende trusler mod sundheden. Stephanie Bailey har for nylig opfordret/udfordret kolleger til at benytte GIS til at inddrage den sociale, den økonomiske og den kulturelle kontekst i et netværk af sundhedsrelaterede informationer.

Stephanie Bailey sluttede med at sige: ”The geographic information system approach is one of those emerging technologies that will move us toward success”.

Undersøgelse af Syfilis i Houston Det sidste vi vil omtale, er en løsning fra Houston, hvor Stephen Riju m.fl., Office of Surveillance and Public Health Preparedness, Houston viser eksempler på, hvordan man i Houston anvender GIS i beslutningsprocesserne.

Projektet her, der er et af mange, handler om ”Syfilis Patterns among Males og Females in Houston – A Spatio-Temporal Analysis”.

Projektet løb over 6 år i perioden fra 1999 til 2006 og omfattede 2012 mænd og 751 kvinder. Analysen blev gennemført som et led i Houstons forebyggelsesarbejde mod syfilis, hvor der bl.a. var behov for at finde ud af, i hvilke geografiske områder man skulle sætte ind for at minimere antallet af syfilistilfælde og samtidig hjælpe dem, der allerede havde fået konstateret sygdommen.

14

Som det ses i figur 1, er det spatiale mønster skiftet fra, at mænds og kvinders mønster/ adfærd ligner hinanden i 1999 til, at de er meget forskellige i 2006. Årsagerne kan givet vis være mange. Her vil vi blot konstatere, at det er ud over artiklens sigte at foretage sundhedsfaglige konklusioner på analyserne.

Oplægsholderens egen konklusion i relation til GIS var, at geospatiale analyser er meget nyttige til at identificere bl.a. adfærdsmønstre.

Hvordan anvendes GIS i Arizona Health Department?

Den sidste eftermiddag var konferencedeltagerne inviteret til at besøge Arizonas Health Department, der svarer til vores Sundhedsministerium. Der er 6 mio. mennesker i Arizona, og de bor næsten alle i dalområdet omkring hovedstaden Phoenix. Et areal på størrelse med Danmark. Besøget var en stor oplevelse. De ansatte fortalte om en stor GISarkitektur bygget op efter principperne i Service Orienteret Arkitektur med projekter på en lang række områder som f.eks.: Kvinder og børns sundhed, tandsundheden hos børnene, forebyggelse og behandling af cancer, og GPS koordineret ambulanceservice.

Den geospatiale teknologi med dens mange anvendelsesmuligheder skabte tydeligvis begejstring hos de ansatte, måske fordi dens nyt teværdi er så synlig.

Konklusion og perspektiver Set under ét overbeviste konferencen os om, at man i sundhedssektoren i USA betragter GIS som en del af IT-arkitekturen. Dette blev meget tydeligt på konferencen, hvor en række af indlæggene også havde fokus på GIS-teknologiens placering i den generelle IT-branche i USA. Vi blev klar over, at GIS-branchens aktører her har været særdeles aktive med at komme til at spille en rolle, når der skulle udvikles og vedtages generelle IT-standarder. Et eksempel herpå er det standardiseringsarbejde der pågår i organisationen Health Language Level Seven HL7.org (Health Level Seven, Object Management Group Begin Joint Healthcare Software Services Standardization Work).

Perspektiv nr. 13, 2008

Figur 1. Tætheden pr. kvadratmil (engelsk mil) af syfilistilfælde blandt mænd (blå) og kvinder (lyserøde) i 1999 og 2006. Projektets startår og slutår er vist her. Gengivelse med skriftlig tilladelse af Riju Stephen, E-mail: Riju.

Stephen@cityofhouston.net, Phone: 7137949953.

Hvis vi ser på det danske sundhedsområde og i særdeleshed på hospitalsverdenen, er det en af de sektorer, der meget tidligt har opbygget digitale miljøer i behandlingen. Tænk alene på det avancerede elektroniske udstyr, der i årtier har været en betingelse for heldige udfald af operationer. I sundhedssektoren i dag er man meget opmærksom på, at der hele tiden kan hentes væsentlige effektiviseringsgevinster ved systematiske digitaliseringsprocesser, og at der dermed skal budgetteres med beløb til IT-investeringer.

Konferencen ”Forvaltning og Digitalisering 07”, der blev afholdt 20. november 2007, er en tydelig indikator for, at det er vigtigt at in-

vestere i sundhed og IT, hvis vi vil nå de fastlagte mål med de ressourcer, der er til rådighed.

Der bliver naturligvis også brugt geospatiale teknologier i den danske sundhedssektor i dag. Men det er, så vidt vi er orienteret, endnu ikke en teknologi, der tænkes ind i sammenhæng med den øvrige IT-arkitektur og ikke en teknologi, som anvendes bredt og systematisk i hele sundhedssystemet. Vi har kendskab til en række spændende tiltag til at anvende geospatiale data inden for sundhedsområdet, men hvordan får vi den nødvendige sammenhæng – hvordan får vi flyttet GIS fra en særlig teknologi til en integre-

15

Perspektiv nr. 13, 2008

ret teknologi? Det er et spørgsmål, som vi ikke mener, er besvaret endnu.

CPR-registeret som indgang til en lang række registre var en unik opfindelse, som Danmark har haft - og fortsat har - stor gavn af, men det må ikke stoppe her. Med de teknologiske muligheder, der er i dag, er det vigtigt, at udviklingen fortsætter, og at det sikres, at alle relevante registre inden for sundhedssektoren har tilknyttet en geografisk reference til gavn for forskningen, planlægningen og mere praktisk orienterede løsninger.

Også på europæisk niveau er man opmærksom på fordelene ved at anvende GIS inden for sundhedsområdet, og i “Provisional Work Programme 2007, Cooperation, Theme 6, Environment (including Climate Change), European Commission C (2006) 6839)” står der bl.a., at det er hensigten på europæisk plan at undersøge, hvordan miljø- og sundhedsdata ved hjælp af GIS på den mest optimale måde kan anvendes til at udarbejde oversigter/kort over sygdomsrisici.

Projektet skal være med til at belyse geografiske sammenhænge mellem miljørisici og folkesundhed.

Afslutning Fra hver vores arbejdsplads (Informi GIS og Kort & Matrikelstyrelsen) vil vi med stor ildhu fortsætte arbejdet med at udbrede kendskabet til, hvordan GIS kan anvendes inden for den danske sundhedssektor. I september 2008 afholdes ”2008 ESRI Health conference” i Washington, og i november 2008 ”World of Health IT 2008” i København. Måske kan Danmark få lejlighed til her at fortælle om, hvor langt vi er kommet med at anvende GIS på sundhedsområdet, og så kan vi samtidig fortælle om de fine geodata, som kan være grundlaget for løsningerne i Danmark.

Referenceliste Raymond Allers indlæg kan læses på: http://gis. esri.com/library/userconf/health07/docs/plenary/ pdf/the_case_for_place_rev3_oct2007.pdf Stephanie Baileys indlæg kan læses på: http://gis. esri.com/library/userconf/health07/docs/plenary/ pdf/2007_health_gis_conference_plenary_overview.pdf På http://www.cdc.gov/about/leadership/leaders/ bailey.htm står mere om Stephanie Bailey og hendes arbejde.

Der kan læses mere om brug af GIS i Houston på: http://gis.esri.com/library/userconf/health07/ docs/integrating_gis.pdf Health Language Level Seven HL7 kan findes på: http://www.omg.org/news/releases/pr2005/0308-05.htm ”Forvaltning og Digitalisering 07” kan findes på: http://www.itst.dk/nyheder/nyhedsarkiv/forvaltning-og-digitalisering-07-konference-prisoverrekkelse-og-festmiddag-1 Om arbejdet på europæisk niveau se: h t t p : // 6 4 . 2 3 3 . 1 8 3 . 1 0 4 / s e a r c h ? q = c a c h e : grztsgNY0ncJ:www.bris.ac.uk/research/support/funding/european/fp7/environment.doc+provisional+wo rk+programme+2007+theme+6&hl=da&ct=clnk&c d=2&gl=dk ”ESRI Health conference” i Washington: http:// www.esri.com/events/health/index.html ”World of Health IT 2008” i København: http://cfp. worldofhealthit.org/2008/europe/call/.

Om forfatterne Ulla Skjelbo (ullas@informi.dk), Informi GIS Anne Buch-Larsen (abl@kms.dk), Kort & Matrikelstyrelsen

16

Perspektiv nr. 13, 2008 Planlægningsredskaber for sundhedsydelser Kamilla Bolt Som en følge af kommunalreformen har kommunerne fået ansvaret for forebyggelse og rehabilitering. Dette har givet øget fokus på planlægning og iværksættelse af kommunale sundhedsydelser og -faciliteter. I planlægningen kan benyttes en række forskellige redskaber for at vurdere omfang og type af sundhedsydelser samt målgrupper. For det første benyttes data, der beskriver befolkningsudviklingen, socio-økonomiske faktorer, sygeligheden og sundhedstilstanden. Dette omfatter statistik for befolkningens aldersudvikling, uddannelse og beskæftigelse. Derudover omfatter det registre og spørgeskemaundersøgelser der omhandler sygelighed og sundhedsvaner. Det andet redskab der kan benyttes er grafiske oversigter, der giver overblik over geografiske mønstre i førnævnte data. Samlet set kan disse data give et billede af en given befolknings sundhedstilstand nu og på langt sigt.

Introduktion GIS (Geografiske Informationssystemer) er i højere grad blevet et redskab til planlægning og analyse af sundhedsindsatser de senere år. Forekomsten af sygdomme, medicinforbrug og livsstilsfaktorer, er blot en række eksempler på indikatorer der kan synliggøre geografiske forskelle i sundhed. Samtidig kan GIS bidrage til at sammenligne forskellige indikatorer på sundhedsområdet.

En lang række data, der ligger til grund for analyserne, er offentlige og umiddelbart tilgængelige. Danmarks Statistik, Sundhedsstyrelsen og Lægemiddelstyrelsens hjemmesider giver mulighed for at definere dataudtræk til brug for analyserne.

Denne artikel vil belyse muligheder og begrænsninger for de indikatorer, der ligger til grund for planlægning af sundhedsindsatser og præsentation i GIS-form. Endvidere vil artiklen belyse en række konkrete eksempler på brugen af GIS til præsentation og analyse af sundhedsindikatorer.

Baggrund Kommunalreformen har givet kommunerne en række ny opgaver på sundhedsområdet.

Kommunerne har fået ansvaret for at udarbejde tilbud om forebyggelse, sundhedsfremme samt gen- og vedligeholdelsestræning, sidstnævnte i samarbejde med regionerne.

Kommunerne har derudover fået ansvar for medfinansiering af borgernes sygehusydelser.

Finansieringen består af et aktivitetsbaseret beløb – baseret på antallet af behandlinger i det regionale sundhedsvæsen - og et grundbidrag baseret på befolkningstallet. Formålet er i høj grad at sikre en indsats for at forebygge de livsstilssygdomme, der bliver mere og mere udbredte i befolkningen.

Som en følge af de nye opgaver og den finansielle forpligtelse er interessen for sundhedsindsatser og planlægning af fremtidige sundhedsydelser øget. På kommunalt plan udvikles blandt andet sundhedspolitikker, nye sundhedsydelser og sundhedscentre for at imødekomme det nye ansvar.

Grundlaget for at vurdere kapacitet, indhold og udgifter til ovenstående ydelser, afhænger af forskellige parametre. For det første befolkningens alderssammensætning, fordi ældre i højere grad har behov for sundhedsydelser i forhold til yngre. For det andet den sociale sammensætning af befolkningen, fordi lavtuddannede i højere grad bliver syge i forhold til højtuddannede. For det tredje sygeligheden, for at kunne vurdere hvilke former for sygdom der er mest udbredt i et givent område.

Endelig afhænger sundhedsydelserne på lang sigt af befolkningens livsstil.

For at skabe et grundlag til vurdering af kommunens indsats på sundhedsområdet, udarbejdes ofte en sundhedsprofil, der omfatter alder, sociale forhold, samt oplysninger om sundhed og livsstil i kommunalt regi. Profilen kan på sigt benyttes til at monitorere udviklingen i og mellem kommuner.

17

Perspektiv nr. 13, 2008

Befolkningens alder En stor ældrebefolkning stiller højere krav til kapacitet og kvalitet af vedligeholdelsestræning, hjemmepleje og plejehjem. Befolkningens aktuelle og kommende alderssammensætning er derfor væsentlig at kortlægge i forbindelse med planlægningen af en sundhedsindsats.

Data for befolkningens alderssammensætning og udviklingen af samme findes hos Danmarks Statistik. Konkret kan dataudtrækket defineres på Danmarks Statistiks hjemmeside på baggrund af variablerne køn, alder, kommune og aldersfremskrivning. Et eksempel herpå er givet nedenfor hvor andelen af +79-årige mænd i Danmark er opgjort i 2007, 2012, 2017, 2022 og 2027. Fremskrivningerne viser at der - først i kommuner vest for København, senere mange andre steder i landet bliver en forholdsvis større andel af mænd i alderen 80 år og opefter. Se fig. 1. For nogle kommuner er der negativ vækst i andelen.

Det er derfor hensigtsmæssigt for kommunerne løbende at vurdere kapacitet og serviceniveau for denne gruppe borgere.

Befolkningens sociale forhold Sundhedstilstanden for borgerne er nært for bundet med sociale forhold (Kjøller og Rasmussen, 2001). Overordnet set er der en sammenhæng mellem uddannelseslængde og sundhed, således at højtuddannede typisk lever sundere og længere end lavtuddannede. Dette kommer eksempelvis til udtryk i for hold til rygning, kostvaner og motion. En anden indikator, der også benyttes til at vurdere den sociale befolkningssammensætning, er socioøkonomisk gruppering.

Danmarks Statistik opgør årligt karakteristika for befolkningen. Det er muligt at hente informationer omkring befolkningens uddannelseslængde og socioøkonomiske forhold i et specifikt defineret udtræk fra Danmarks Statistiks hjemmeside (www.dst.dk).

Forskellige uddannelsesniveauer blandt befolkningen bevirker at typen af forebyggelses- og sundhedsindsatser bør differentieres.

18

Erfaringsmæssigt skal der ”skrues på forskellige håndtag” afhængig af målgruppen, for at motivere til eksempelvis livsstilsændringer.

Derfor bør der tages højde for, hvordan den sociale befolkningssammensætning ser ud i planlægningen af eksempelvis en rygestopkampagne.

Figur 2 viser andelen af højtuddannede fordelt på kommuner i Danmark. Det fremgår af figuren, at den højeste andel af højtuddannede foreligger omkring de store byer; i hovedstadsområdet, omkring Århus, Aalborg og Odense.

Befolkningens sygelighed.

Vurderingen af borgernes sygelighed består af en analyse af, hvilke sygdomme befolkningen lider af. Det er især de store folkesygdomme som kræft, hjertesygdomme, KOL og andre luftvejssygdomme, muskel-skeletsygdomme, overfølsomhedssygdomme, knogleskørhed og psykiske lidelser, der har interesse i planlægningsmæssig sammenhæng. Disse sygdomme udgør en stor del af sundhedsvæsenets udgifter, blandt andet på grund af deres længerevarende karakter og deres følgesygdomme. Derudover tilfører sygdommene samfundsmæssige tab på grund af reduktion af erhvervsevne hos patienten samt sygefraværsydelser fra det offentlige system.

I Danmark er der tradition for en meget fin registerpraksis. Dette er en klar fordel i arbejdet med planlægning af sundhedsydelser.

Registrene giver et overblik over en sygdoms eller et fænomens omfang og udvikling over tid. For eksempel indeholder Landspatientregisteret information blandt andet om sygehus, diagnoser og operationer. Cancerregisteret, der har eksisteret siden 1942, omfatter en oversigt over alle nydiagnosticerede cancertilfælde. Øvrige registre, der anvendes ved kortlægningen af danskernes sygelighed, er dødsårsagsregistret og register over psykiatriske indlæggelser og ambulante besøg. Alle registre ligger i Sundhedsstyrelsens regi.

De kroniske sygdomme er som oftest meget udgifts- og plejekrævende. Opgørelsen af fo-

Perspektiv nr. 13, 2008

Figur 1. Aldersfremskrivning for mænd over 79 år fra 2007-2027, fordelt på kommuner

19

Perspektiv nr. 13, 2008

Figur 2. Andel af befolkningen med længerevarende uddannelser fordelt på kommuner

rekomsten af de forskellige sygdomme kan bidrage til at prioritere den forebyggende indsats i kommunen. Figur 3 illustrerer, hvordan hjertesygdom fordeler sig over landet (2004). De mørkerøde angivelser viser, hvor det relative antal af indlæggelser med hjertesygdom er højest (eksempelvis i Vestjylland og på Vestsjælland), mens de violette angivelser viser hvor det er lavest (størstedelen af Fyn). Er mønsteret konsistent over tid, kan kommuner og regioner, der har en høj andel borgere med hjertesygdom overveje indsatser heroverfor. Det kan være forebyggende indsatser, oplysning og indsatser i forhold til bedre opsporing. Kortet kan endvidere benyttes til at undersøge mere strukturelle forskelligheder i indlæggelsesmønsteret – måske skal årsagen til forskellig indlæggelseshyppighed søges i praksis for indlæggelse af hjertesyge.

20

Nogle sygdomme behandles hovedsageligt udenfor sygehusene. Her er det ikke muligt at opgøre antallet af sygdomstilfælde ved hjælp af Landspatientregisteret, der alene benyt ter sygehusenes registreringer af indlæggelser. Her kan Lægemiddelstatistikregisteret benyttes som alternativ eller supplement. Lægemiddelstyrelsens register for lægemiddelstatistik opgør salget af lægemidler i Danmark. Salget opgøres på baggrund af indrapporteringer hovedsageligt fra landets apoteker og sygehusapoteker.

En opgørelse af receptpligtig medicin for en given sygdom vil som oftest kunne give en indikation af antallet af patienter med denne sygdom. Dog vil opgørelsen ikke sige noget om hvor mange patienter der er udiagnosticerede, og som ikke får udskrevet recepter. Opgørelsen kan heller ikke sige noget om patienter, der ikke køber den ordinerede

Perspektiv nr. 13, 2008

Figur 3. Hospitalsindlæggelser med hjertesygdomme fordelt på kommuner 2004 (før kommunalreformen).

medicin eller patienter der køber medicinen, men ikke indtager den.

Størstedelen af type 2-diabetikere (type 2sukkersyge) behandles hos praktiserende læger, og omfanget af denne patientpopulation vil derfor ikke være registreret i Landspatientregisteret. En del af type 2-diabetikerne behandles dog med perorale midler (medicin, der indtages gennem munden), der opgøres i Lægemiddelstatistikregisteret. Nedenfor er illustreret et eksempel på forbruget af perorale midler i befolkningen. Det frem-

går af nedenstående Figur 4, at forbruget af perorale midler på Møn ligger i intervallet 2.886 til 2.890 personer pr. 100.000. Heroverfor er forbruget på Præstø noget mindre, det ligger i intervallet 1670 til 1899 personer pr. 100.000. Det tyder derfor på, at der er færre type 2 diabetikere på Præstø set i forhold til Møn.

En anden måde at opgøre befolkningens forbrug af sundhedsydelser er ved hjælp af Sygesikringsregisteret. Her opgøres afregningen til ydere under sygesikringen. Dette gælder

21

Perspektiv nr. 13, 2008

Figur 4. Medicinforbrug, perorale midler.

blandt andet ydelser udført af fx alment praktiserende læger, tandlæger og speciallæger.

Registeret beskriver antallet af kontakter fordelt på specialer. Det kan derfor benyt tes til at beskrive hvor hyppigt befolkningen gør brug af sundhedsydelser. Registeret kan dog ikke sige noget specifikt om, hvilke diagnoser patienterne har.

Data indsamlet ved spørgeskemaundersøgelser Registerbaserede data har den fordel, at det i Danmark er en pålidelig kilde til at kortlægge sygdom i befolkningen. Men i forhold til at forebygge sygdomme er livsstilsfaktorer i højere grad interessante. Sundhedsadfærd og sundhedsvaner har stor betydning for senere udvikling af sygdomme (Fx Holstein, Iversen og Kristensen, 1997). Sund livsstil reducerer risikoen for senere i livet at udvikle sygdom, og kan derfor benyttes som indikator for

22

den fremtidige sundhedstilstand i befolkningen. Informationer omkring borgernes ryge-, kost-, alkohol- og motionsvaner, BMI, trivsel og selvoplevede helbred har betydning for tilrettelæggelsen af forebyggende indsatser på eksempelvis offentlige arbejdspladser, i skoler og i daginstitutioner.

Data om befolkningens sundhedsadfærd og –vaner er af gode grunde ikke registrerede, hvorfor spørgeskemaundersøgelser i stedet benyttes. Spørgeskemaerne har også den fordel at de til dels kan identificere udiagnosticerede sygdomme som ikke er kendt i det officielle sundhedsvæsen. Det selvvurderede helbred er erfaringsvist meget pålideligt i forhold til at vurdere sygelighed og dødelighed (Idler og Benyamini, 1997).

Ved brug af spørgeskema indsamles data fra en repræsentativ stikprøve af befolkningen,

Perspektiv nr. 13, 2008

Figur 5. Andel 7. - 9. klasses elever, der er overvægtige, fordelt på skoledistrikter.

og herefter appliceres data til resten af befolkningen.

Ovenfor ses et eksempel på en undersøgelse af overvægt blandt 7.-9. klasses elever på skoledistrikterne i Odense Kommune. Data er indsamlet ved hjælp af en internetbaseret spørgeskemaundersøgelse, som eleverne selv har udfyldt. I skoledistrikter, der er mørkegrønne, er andelen af overvægtige højere end skoledistrikter, der er lysegrønne. Den andel, der er overvægtige er beregnet som den andel af 7.-9. klasses eleverne der har et aldersstandardiseret BMI (Body Mass Index) på over 25 i forhold til hele populationen.

Et andet eksempel på spørgeskemaundersøgelser er SUSY – Sundhed og Sygelighed i befolkningen, som udarbejdes løbende af Statens

Institut for Folkesundhed (2005). Den seneste undersøgelse, der er gennemført i 2005 belyser blandt andet helbredsrelateret livskvalitet, sundhedsadfærd, sociale relationer, sygdomsadfærd og brug af sundhedsvæsenet.

Opsamling og konklusion Kortlægning af befolkningens omfang, karakteristika, sundhed og sygelighed er et godt redskab i forbindelse med planlægningen af sundhedsindsatser på eksempelvis kommunalt niveau. I Danmark giver en fin statistikog registertradition mulighed for at analysere parametre, der har betydning for befolkningens sundhed og sygelighed. Derudover anvendes spørgeskemaundersøgelser til kortlægning af sundhedsadfærd og – vaner. Hver datakilde benyttes til at belyse forskellige aspekter af befolkningen.

23

Perspektiv nr. 13, 2008

Registrene kan bidrage til at kortlægge sygdom på landsplan – hvordan de forskellige sygdomme fordeler sig geografisk. Derudover kan registre give et billede af, hvordan en given sygdom udvikler sig over tid. Ulempen ved registrene er, at registreringerne kan være afhængige af, om sygdommen behandles i primærsektoren (dvs. hovedsagligt af praktiserende læger) eller i sekundærsektoren (dvs. hovedsagligt på sygehuse) og om der er stillet en diagnose. Hvor registreringen af sygdomme og diagnoser er utilstrækkelig, kan den suppleres af oplysninger om medicinforbrug og sundhedsydelser, der er dækket af sygesikringen.

Statistiske data kan sige noget om udviklingen af befolkningen og dermed om det fremtidige behov for sundhedsydelser. En stor ældrebefolkning vil eksempelvis have et stort behov for sundhedsydelser, fordi ældre mennesker er mere syge end yngre. Fremskrivninger af aldersudviklingen og analyser af befolkningens socioøkonomiske status kan give et billede af, hvor stor en kapacitet af sundhedsydelser der er brug for. Det kan være i forhold til antallet af plejehjemspladser, genoptræningsfaciliteter eller hjemmeplejeordninger.

Endelig kan man benytte sig af spørgeskemabaseret data i planlægningen af sundhedsydelser. Data indsamlet fra spørgeskemaer kan benyttes til at indhente oplysninger som ellers ikke er registrerede. Derudover giver oplysninger om sundhedsrelateret livsstil et fingerpeg om udviklingen af sygdomme i befolkningen. Mange rygere, fysisk inaktive og personer med dårlige kostvaner i befolkningen vil på sigt have betydning for udvikling af livsstilssygdomme. Spørgeskemabaserede data vil derfor dels kunne benyttes som et redskab i forhold til forebyggelse og sundhedsfremme, dels som en vurdering af sundhedstilstanden som den ser ud på undersøgelsestidspunktet – fx fordelt på geografi.

Om forfatteren: Kamilla Bolt (kbjo@cowi.dk), COWI-MUUSMANN

24

I præsentationen af data er det derfor væsentligt at afveje, hvad formålet med analysen er. Hver gruppe af data viser forskellige sider af sundhedsaspektet og hver datakilde har sine begrænsninger.

For de forskellige typer data gælder det, at GIS kan illustrere fundene. Illustrationerne bidrager til at give et hurtigt overblik over et givent fænomens geografiske fordeling.

I planlægningsmæssig henseende benyttes GIS derfor til at visualisere forskellige indikatorer. Derudover benyttes GIS til sammenligning af indikatorer og prioritering af sundhedsydelser for geografiske enheder. Det kan eksempelvis være indenfor kommuner, skoledistrikter eller regioner. Endelig kan kortene benyttes til at monitorere udviklingen af et givent fænomen over tid.

Samlet set vil kombinationen af GIS og sundhedsdata udgøre et godt grundlag for at beslutte hvilke sundhedsydelser der skal iværksættes, hvilket omfang og hvor det er hensigtsmæssigt at placere dem.

Referencer Holstein, Iversen og Kristensen. 1997. Medicinsk Sociologi.

Idler og Benyamini, 1997. Self-rated health and mortality: A review of twenty-seven community studies. Journal of Health and Social Behaviour 1997; 38:21-37.

Kjøller og Rasmussen, 2001. Sundhed og Sygelighed i Danmark 2000, Statens Institut for Folkesundhed.

Kristensen et al: Selvvurderet helbred og arbejdsmiljø – Er selvvurderet helbred et frugtbart og nyttigt begreb I arbejdsmiljøforskning og forebyggelse? København: Arbejdsmiljøfondet, 1998.

Statens Institut for Folkesundhed. 2005. http://www. si-folkesundhed.dk/Udgivelser/B%C3%B8ger%20o g%20rapporter/2007/SUSY_2005_rapport.aspx

Perspektiv nr. 13, 2008 Stedfæstelse og formidling af skadestuedata - fra tabeller til GIS Dennis Hansen og Jens M. Lauritsen Artiklen forklarer kort om baggrunden og mulighederne for at indsamle ulykkesdata via de fynske skadestuer og senere Region Syddanmark. Kvaliteten af data vurderes. Ulykkes Analyse Gruppen, OUH, arbejder for tiden med at udvikle en metode til geografisk at visualisere skadestueregistrerede ulykker til brug for forebyggelse. I denne forbindelse bruges det danske kvadratnet, hvortil der arbejdes på at udvikle et statistisk lag, der kan varetage farvelægningen ud fra valgte statistiske modeller. Selvmordsforsøg som en valideringsmulighed gennemgås kort.

Baggrund Når patienter behandles ved skadestuerne i Danmark, har der i mange år været krav om en grundregistrering, som efterfølgende indberettes til Sundhedsstyrelsen. Grundregistreringen angiver årsag til kontakt (medicinsk årsag, ulykke, selvskade, vold etc.), samt nogle få supplerende variable, der beskriver skadens karakter, mekanismen for skadens opståen og den aktivitet, der blev udført i skadeøjeblikket. Ved henvendelser efter trafikulykker skal der yderligere registreres trafikform (bil, cykel ...). Nogle få skadestuer udfører udover en grundig kvalitetssikring af data også stedfæstelse af ulykkerne. For arbejdsulykker fx. arbejdspladsen og for trafikulykker gadenavn og nærmeste husnummer. Denne stedfæstelse af trafikulykker er foretaget siden 1989 ved Odense Universitetshospital (OUH) og siden 1999 for Middelfart Sygehus og Svendborg Sygehus.

Dette foregår også udvalgte andre steder i Danmark, fx. Kolding Sygehus, i Vestsjælland og i en periode Århus Sygehus og Ringkøbing Amt. For OUH’s vedkommende var det indtil 2002 alene ulykker indenfor Odense Kommune, der blev registreret. Teksten her vedrører alene Fyn. Men data kan alene ”komme i arbejde”, hvis de kan formidles. Derfor er et udviklingsarbejde startet, hvor muligheden for at visualisere via kvadratnetsopdeling undersøges.

Rådata Da registreringen lagres i behandlingssystemet, indgår alle, der henvender sig på skadestuen, også de der indbringes bevidstløse med ambulance. Det er disse henvendelser efter tilskadekomst, der registreres. I denne

artikel vil der for nemheds skyld ikke blive skelnet mellem selve ulykken og henvendelsen til skadestuen som følge af ulykken. Helt formelt kan vi kun registrere det sidste skadestuebesøget og om ulykken/skadens opståen - men vi antager, at der er så nær sammenhæng, at vi kan tillade os at omtale henvendelsen til skadestuen som synonym med ulykken. Betegnelsen ulykke bruges herefter.

Oplysningerne gives både af patienterne selv, pårørende og ambulancepersonalet, der ofte har gjort notater om ulykken. Udover stedet for ulykken registreres flere detaljer som transportmiddel, om der var anvendt hjelm, sele eller airbag m.m. Disse skadestuedata er rådata, som på grund af den nidkærhed og entusiasme sekretærerne udøver, har et højt komplethedsniveau. Det er tidligere dokumenteret, at stedfæstelse er udført for op mod 95 % af ulykkerne (Lauritsen et al.

2002a). Stedfæstelse består i registrering af kommunekode, vejkode og nærmeste husnummer for ulykkesstedet. Hvis ulykken er sket i et kryds, bruges vejkoden for tværgående vej og ikke husnummer. For at retningsangive ulykker indgår desuden to yderligere stedangivelser, betegnet som ”kørte ad” ”kørte mod”, samt når der har været en trafikant modpart de tilsvarende to for denne.

Generelt registrerer skadestuerne ca. 40% af alle ulykker, dvs. en dækningsgrad på 40% (Lauritsen, 1987). For trafikulykker opsøger 47% af de tilskadekomne skadestuen. Men disse 47% bærer 98% af de samlede omkostninger efter trafikulykker (behandling, sygefravær m.m.) (Lauritsen et al,2002b). Ska-

25

Perspektiv nr. 13, 2008

destuebaserede trafikulykkesdata er mere omfattende end politiets materiale, da dette kun inkluderer ulykker, der indeholder et skyldsspørgsmål - mens langt de fleste trafikulykker aldrig kommer til politiets kendskab - fx kender politiet kun 9% af cykelulykker (40% ved kollision med bil), motorcykler ca 25%, biler 36% og fodgængere 37%.

Dette er os bekendt de to eneste aktører, der registrerer og offentliggør ulykker i et betydende omfang. Forsikringsbranchen ønsker ikke at oplyse skadetal geografisk, og redningstjenesterne er kun i kontakt med skader af en vis alvorlighed.

Decentral Geokodning Siden 1989 har Odense Kommune fra skadestuen fået tilsendt anonymiserede data om de registrerede ulykker. Kommunen har selv varetaget en geokodning af disse. Med geokodning menes fastlæggelse af XY-koordinat, i dette tilfælde med reference til UTM32 euref 89. Kommunen har alene geokodet de ulykker, som hørte til myndighedsområdet, derfor er ulykker på amts- og statsveje ikke kodet i deres materiale men findes fortsat i grunddata.

Udover geokodninger fra Odense Kommune har Ulykkes Analyse Gruppen (UAG) selv geokodet trafikrelaterede ulykker uanset vejbestyrer for alle henvendelser til Middelfart og Svendborg skadestue. Som følge af de delvist ufuldstændige indsamlinger af data i perioden op til 31.12.2001, er det først muligt fra 1.1.2002 at oparbejde et samlet geokodet datasæt dækkende hele det tidligere Fyns Amt. I de senere år er også den del af Jylland, som ligger nærmest Middelfart skadestue, begyndt at komme med. Dette vil fremover blive samordnet med Kolding Sygehus, som også foretager stedfæstelse.

Figur 1. Stedfæstet tilskadekomst fra Fyn for perioden 1999-2001. Blå ruder er Middelfart skadestue, grønne trekanter er Svendborg skadestue og røde cirkler er OUH´s skadestue.

ulykker siden 1989, - dog som nævnt med forbehold for geokodning af amtsveje, der skal genfindes i rådata.

Det overordnede billede for perioden før 1.1.2002 er meget broget. Der er indsamlet oplysninger på de tre skadestuer, men af forskelligt omfang.

For Vest- og Sydfyn, hhv. Middelfart og Svendborg skadestue, findes oplysninger om trafikrelaterede ulykker fra 1999 og frem med undtagelse af henvendelser efter ulykker i det pågældende område, hvor patienterne har søgt behandling ved OUH i perioden 1999 til 2002 eller udenfor Fyn. Derfor forventes det, at kun ulykker hvor folk har haft kort afstand til OUH mangler, dvs. den midterste del af Fyn - dette ses også af figur 1.

Fra 1999-2001 vil det derfor alene være data for ulykker i Middelfart og Svendborg kommune, som kan anses for komplet. Oplysningerne er indgået i trafikplanlægningen i de to kommuner.

Odense Kommune er rimeligt velbeskrevet med hensyn til den geografiske placering af

For den midterste del af Fyn er dækningen - som det fremgår af figur 1 - ikke komplet,

26

Perspektiv nr. 13, 2008

Tabel 1. Tabellen viser status over hvilke år og fra hvilke skadestuer, der findes data, og hvorvidt de er geokodet.

Det mørkegrønne felt er “nykodede” områder og år ud fra rådata

idet tilskadekomne herfra typisk ville opsøge eller blive bragt til skadestuen i Odense, hvor ulykkerne ikke blev stedfæstet.

Central Geokodning På grund af den ufuldstændige oversigt over ulykkerne vist i tabel 1 gennemføres en systematisk geokodning for alle tre skadestuer for perioden 2002-2007. I oparbejdningen er der udover geokodning også sket en forenkling af filstruktur mm, således at data bliver lettere tilgængelige. I alt indgår knap 29.000 ulykker, hvoraf ca. 3700 ikke kunne geokodes automatisk.

Ulykkerne er automatisk geokodet, men på flere præcisionsniveauer. Optimal præcision er med adresseid, dvs. kommunekode, vejkode og husnummer i kombination. Denne præcision opnås i de tilfælde, hvor ulykken er sket ud for, eller i nærheden af et hus, og hvor dette sted er kendt. Når husnummeret ikke er kendt, er ulykken kodet til midten af strækningen ved hjælp af kommunekode og vejkode. Enkelte ulykker er på forsøgsbasis kodet ud fra kommunenummer og et unikt vejnavn - dette virkede dog for mindre end 50 ulykker i alt, og metoden er generelt ikke anvendelig.

Problemer i Grunddata Det er vigtigt at erindre, at grunddata indsamles som led i behandlingsinterview, og at et meget stort antal forskellige personer registrerer data på alle tider af døgnet året rundt. Det kan derfor ikke undre, at der er forskel i den grundighed, som udvises. Dette søges kompenseret ved gennemgang af alle

Figur 2. Opdateret placering af trafikrelaterede ulykker på Fyn som har medført behandling ved sygehusene i perioden 1.1.2002 til 1.10.2007. Blå ruder er registreret i Middelfart, grønne trekanter i Svendborg og røde cirkler i Odense (OUH).

oplysninger efterfølgende. Som et eksempel kan nævnes en periodisk uhensigtsmæssig registrering, hvor kommune, vejnavn og husnummer var indskrevet i usystematisk rækkefølge i et tekstfelt, i stedet for de relevante felter. Dermed kan geokodning ikke ske elektronisk, men forudsætter manuel omkodning. Det er pga. usystematisk rækkefølge (”vejnavn, husnummer”, ”husnummer, vejnavn”, ”vejnavn husnummer”, ”vejnavn (fyld-

27

Perspektiv nr. 13, 2008

ord) husnummer” m.v.), heller ikke muligt at skabe en makro- eller SQL-funktion, der kan overføre data til feltniveau.

En anden problemgruppe, som heller ikke kan kodes automatisk, er ulykker sket på cykelsti eller motorvej. Dette skyldes dels, at de sjældent er helt præcist beskrevet, og dels at cykelstier ikke har en vejkode i det for perioden officielle vejregister. Motorvejsulykkerne er ofte beskrevet ved afkørsel eller strækning mellem to byer, og sjældent ved hjælp af kilometrering eller vejkoder. Disse ulykker skal derfor mærkes til manuel geokodning.

En lille restgruppe er ulykker, der er sket uden for Fyn, men alligevel registreret ved de fynske skadestuer. Disse sorteres fra i oparbejdningen. I den manuelle geokodning og oparbejdning resterer primo 2008 ca. 10% af samtlige henvendelser for perioden. Dette forventes afklaret indenfor nogle få måneder.

Visualisering Geografiske visualiseringen af ulykker kunne foretages pr. kommune, men da disse er meget store, er det valgt i stedet at anvende ”Det Danske Kvadratnet”, udviklet af Kort & Matrikelstyrelsen og Danmarks Statistik.

En fordel ved kvadratnettet er også at løse det anonymiseringskrav, der foreligger, når vi arbejder med individuelle sundhedsdata. Fx kan vi ikke tillade at et eksempel med vold i hjemmet afsløres geografisk. Ved aggregering til kvadratnet kan informationen fortsat præsenteres geografisk, men uden at enkeltpersoner kan udpeges.

Navnet på de enkelte kvadrater er geokoden for kvadrantens nedre (sydlige) venstre (vestlige) hjørne, trunkeret til cellestørrelsen.

Da kortet er tilpasset utm zone 32 euref 89, betyder det, at der ikke er afvigelser mellem en celles navn og koordinaten for dens nedre venstre hjørne, når kortet projiceres ud over hele landet. Kvadraterne kan dannes i størrelserne 100 m, 250 m, 1 km, 10 km og 100 km af enhver bruger (Kort & Matrikelstyrelsen, 2002).

28

Aggregering af data til kvadratnettet er en relativt enkel proces, hvor alle punkter, der findes indenfor den givne kvadratcelleflade, indregnes. Aggregering sker fx. efter 100m, 1km eller 10km.

Således vil punktet Y: 6.145.457,76 X: 551.547,45 indgå i kvadraterne: 100m: 100m_61454_5515, 1km_6145_551, 10km: 10km_614_55, 100km: 100km_61_5 Størrelsen på kvadraterne kan spille en stor rolle i forhold til, hvilke og hvordan risikoområder er synlige. Dette kan medføre en udjævning af risikooverfladen, hvor risikoområder forsvinder, eller en amplifikation hvor kunstige områder opstår, eller eksisterende bliver for store. Udjævningen kan blandt andet ske ved, at et geografisk afgrænset høj-risikoområder der er omgivet af lav-incidensområdet, kan forsvinde eller blive mindre tydeligt, hvis en given cellestørrelse inkluderer begge områder. Et risikoområde kan også deles mellem to kvadrater og på denne måde ligeledes udjævnes. Omvendt kan risikoområder placeret i befolkningstynde områder, komme til at fremstille et unødvendigt stort areal som ”risikabelt”. Det er i den forbindelse vigtigt at holde for øje, at langt de fleste kvadrater har risiko nul (for cellevalg under 10 km).

(Bevc et al., 2007) (Kraak & Ormeling, 1996) Visualiseringen i kvadratnettet kan foregå som tælledata (antal), men også relativt i forhold til baggrundsvariabler - fx antal indbyggere, alder, økonomi eller uddannelsesniveau.

I forbindelse med referencedata er det vigtigt, at også baggrundsdata opretholder anonymiseringen. For at sikre det formål har Danmarks Statistik bl.a. opsat et krav om, at deres oplysninger om økonomi og uddannelse kun kan frigives, hvis der er mindst 50 husstande i kvadranten. For at overholde dette krav vil det være nødvendigt at sammenlægge små kvadrater i tyndtbefolkede områder.

Endnu er denne sammenlægning ikke en helt triviel proces, da den automatiske sammenlægning ikke altid producerer et hensigtsmæssigt resultat.

Perspektiv nr. 13, 2008

Reference Data – nævner data.

For ulykker er det nogen gange relevant at af bilde antallet af ulykker eller mere hensigtsmæssigt vægte dem ud fra risikovolumen, fx. baggrundsbefolkningens sammensætning.

Bestemte grupper (køn og alder) vil ofte være selvstændige risikogrupper for ulykker og tilskadekomst (Bailey et al., 2007) (Bevc et al., 2007) (Hempstead, 2006), hvilket taler for at kunne inddrage baggrundsbefolkningens sammensætning i analyserne. Dette giver imidlertid det problem at data indenfor en så relativt stor geografisk enhed som fx. en kommune ikke er homogene – hverken hvad angår værdier eller rumlig fordeling. Derfor er befolkningsdata for Region Syddanmark geokodet på basis af adresser angivet i anonymiserede udtræk fra CPR-registret efter fødselsdag, bopæl og køn. Ud fra oplysningerne i den geokodede befolkningstabel, er det muligt at visualisere ulykkesforekomst i forhold til baggrundsbefolkningens alder opdelt efter køn, og befolkningstæthed på baggrund af kvadratnettet. Yderligere baggrundsvariabler (også aggregeret til kvadratnettet) kan indkøbes hos fx Danmarks Statistik. Dette kunne være husstandsindkomst, uddannelsesstatus eller antal beskæftigede medlemmer pr. husstand.

litet og kopieringsvenlighed - fx. ved print i sort/hvid. (Kraak & Ormeling, 1996).

Farvelægning Farvelægningen af cellerne er et væsentligt skridt, da det er i denne proces, at de forskellige valgte inddelinger gøres tydelige, og risikoområder kan identificeres. I visualiseringen ønsker vi at nå frem til at farvningen er bestemt af en forud valgt statistisk model, således at hver klasse i den kategorisering der er anvendt til visualiseringen, er statistisk signifikant forskellig fra de øvrige klasser.

Diskussion og afklaring af, hvilke modeller der skal være ”motoren” i ”farvemaskinen”, foregår i øjeblikket. Om farvningen skal være bundet op på gråtoner eller farver kan diskuteres. Farver kan nemt blive tillagt ”emotionelle” værdier, fx. at røde er ”uhensigtsmæssig” og grøn ”tilstræbt” - dvs. at farvernes perciperede værdi influerer på tolkningen af forskelle i billederne. Gråtoner og skravering kan have fordele med deres relative neutra-

Da kvadratnettet i princippet danner et net, åbnes der op for brugen af flere andre visualiseringsmetoder, især virker 3D-visualisering lovende til nogle typer af ulykker. Det almindelige 2D-kvadratnet, er især velegnet til hurtigt at skaffe overblik over store områder med mange ulykker, dvs. hvor hvert kvadrat typisk indeholder flere tilfælde - og hvor der er forskelle i antal på flere hundrede mellem kvadrater. Her vil farvekoderne danne et sammenhængende billede, der måske kan afsløre særlige risikozoner. Derimod er kvadratnettet mindre velegnet til ulykker, der optræder relativt spredt. Her er kvadratnettets fordel, at det anonymiserer, men ellers er metoden ikke videre anvendelig, da man skal lede efter de spredte farvede kvadrater. Her kunne 3D-visualiseringen være en anvendelig metode. De opragende toppe sikrer, at ”incidensområder” hurtigt identificeres, og nært-

Figur 3. - Hundrede meter kvadratnet over Odense med indlejrede trafikrelaterede ulykker efter 1.1.2002.

Motorvejen ses ved overgangen til billedets nederste tredjedel. Almindelige veje er blå.

29

Perspektiv nr. 13, 2008

komst af vold, er allerede gennemført. Fremtidige projekter kunne omfatte kortlægning af bopælsområder for unge med selvmordsadfærd, eller en undersøgelse af, om børneulykker er af samme hyppighed i forskellige boligkvarterer. En kommune kan ved at følge udvalgte risikoområder sætte ind, hvis risikoen udvikler sig over et valgt niveau.

Det umiddelbare mål med projektet er, at afprøve om visualisering via kvadratnet er en brugbar tilgang, således at forskellige typer data fra skadestuer kan visualiseres på en måde, hvor der ikke er problemer med anonymisering mm. Det langsigtede mål er at stille data til rådighed dynamisk via internet.

Figur 4. - En km kvadratnet med indlejrede trafikrelaterede ulykker efter 1.1.2002. Bemærk at nogle risikozoner er blevet fortyndede/udviskede, mens andre er blevet urimeligt store. Der er brugt samme automatiske inddelingsmetode til begge kort. Se fig. 3.

stående toppe eller høje enkeltstående toppe påkalder sig hurtigt opmærksomhed. Til gengæld kan det være svært at skaffe sig andet end et generelt overblik. Især hvis der er tale om et stort område, med få små toppe (få spredte tilfælde). Til gengæld kan det være mere omstændeligt at aflæse værdien.(Kraak & Ormeling, 1996) (Li et al., 2007)

I forskningsmæssig forstand er det især spændende, om det vil lykkes at opnå kobling mellem visualisering og statistisk vurdering af forskelle i de numeriske størrelser, der indgår, således at farveskift mellem cellerne repræsenterer en statistisk signifikant ændring i risiko eller antal mellem cellerne. En af mulighederne er, at undersøge om metoderne kan belyse den udvikling, der foregik i løbet af 1980’erne og 1990’erne, hvor selvmordstruende adfærd hos unge kvinder øgedes betragteligt i forhold til andre aldersgrupper, hvor udviklingen var nedadgående eller stabil.

Perspektiv Målet med projektet er at udvikle ”statistisk funderede” visualiseringsmetoder med henblik på at finde højrisikoområder for udvalgte grupper og ulykker.

Den pågældende udvikling har formentlig været skævt fordelt geografisk såvel som tidsmæssigt. På nuværende tidspunkt kender vi kun stigningerne på landsniveau, men det kan ikke udelukkes, at nogle mindre områder har haft højere stigning i incidens end andre i samme kommune, gennem årene – eller at der er en tidsmæssig geografisk forskydning hvilket forhåbentligt kan undersøges med kvadratnettet.

Nyhedsværdien er ikke, at data eksisterer, men at det kan visualiseres på en overskuelig og informativ måde, således at kommunerne reelt får en mulighed for at vurdere forskellige risikosituationer. Flere projekter, der vurderer stedfæstelse ud fra tekstbaseret information i skadejournaler, fx. skoleveje eller fore-

Driftsmæssigt set er det en udfordring at det fortsat er uafklaret om det er Regionerne, trafikministeriet eller kommunerne, som skal financiere den ekstra omkostning det er, at stedfæste tilskadekomst, herunder trafikulykker. Fra medio 2008 kan stedfæstelsen indberettes til Landspatientregistret i Sundheds-

30

Perspektiv nr. 13, 2008

styrelsen som en (X,Y) koordinat. Oplysningerne er jo ikke nødvendige for sygehusenes varetagelse af behandling, men nødvendige for sygehusenes bidrag til forebyggelse. – Og oplysningerne findes ikke andre steder med samme dækningsgrad.

Litteratur Bailey, Trevor C.; Cordeiro, Ricardo og Lourenco, Roberto W.: Semiparametric modeling of spatial distribution of occupational accident risk in casual labor marked, Piracicaba, Southeast Brazil”, Risk Analysis, vol. 27, no. 2, 2007.

Bevc, Christine A., Marshall, Brent K. og Picou, J. Steven: “Environmental justice and toxic exposure: Toward a spatial model of physical health and psychological well-being”, Social Science Research, 36, 48-67, 2007 Hempstead, Katherine: “The geography of selfinjury: spatial patterns in attempted and completed suicide”, Social Science & Medicine, 62, 31863196, 2006.

Kort & Matrikelstyrelsen: “Det danske Kvadratnet”, 2002 og www.kms.dk.

Kraak, M.J. og Ormeling, F. J.: ”Cartography visualization of spatial data”, Prentice Hall, kap. 7, 1996.

Lauritsen J. Tilskadekomst og behandlingskontakter - i en stikprøve af befolkningen. Licentiatafhandling (monografi). Odense, Odense Universitet - Inst. for Sundhedsøkonomi og sygdomsforebyggelse, 1987/88. 126 sider. (Forskningsrapport 9/1987).

Lauritsen JM, K Kidholm, O Skov & L Nørgård. Økonomisk dækningsgrad og gennemsnitlige omkostninger ved hospitalsbehandlet tilskadekomst. Ugeskr Læger 2002; 164: 5107-12.

Lauritsen JM, ND Röck, JB Mikkelsen, T. Jørgensen.

Registrering af trafikskader på skadestuerne til vejvæsenets sortpletbekæmpelse. Kan vi opnå tilstrækkelig dækning og præcision ? Ugeskr Læger 2002; 164: 5101-4.

Li, Linhua; Zhu, Li og Sui, Daniel Z.: “A GIS-based Baysian approach for analyzing spatialtemporal patterns of intra-city motor vehicle crashes”, Journal of Transport Geograohy, 15, 274-285, 2007.

Om forfatterne Dennis Hansen (dextimus@gmail.com) Jens M. Lauritsen (Jens.Lauritsen@ouh.regionsyddanmark.dk) Ortopædkirurgisk afd. O, Ulykkesanalysegruppen, Odense Universitetshospital

31

Perspektiv nr. 13, 2008 GIS og geodata i sundhedsforskning Rikke Baastrup I 1800-tallets London brugte John Snow kortlægning af kolera-smittede personer til at udpege den brønd i Broad Street, som var årsag til koleraepidemien(Koch 2005), men hvordan bruges geografiske metoder, geodata og GIS i nutidens sygdomsforskning?

Introduktion Det er velkendt, at menneskers helbred påvirkes af det omgivende miljø. En erkendelse som også fremgår af regeringens plan Miljø og sundhed hænger sammen fra 2003 (Regeringen 2003). Luftforurening, drikkevandskvalitet, ioniserende stråling og støj er blot nogle af de miljøfaktorer, som har indflydelse på vores sundhed. Miljøepidemiologer beskæftiger sig med at vurdere sundhedsrisikoen af miljøpåvirkninger, og i sådanne studier er det største problem oftest at kunne koble miljøfaktor og undersøgelsesbefolkning sammen, således at individuel eksponering kan bestemmes. Med de danske miljø- og sundhedsregistre er der gode betingelser for miljømedicinsk forskning i Danmark, men der findes ingen fælles nøgle mellem registrene (Poulstrup 2003). Derfor er geokodning og rumlig relation mellem registrene en god og effektiv metode til at knytte miljøpåvirkninger og sygdomstilfælde sammen. Med andre ord er den rumlige kobling mellem registrene essentiel for at undersøge sammenhæng mellem miljø og sundhed. I denne artikel vil jeg beskrive, hvordan kompetencer i geografi og geoinformatik er blevet brugt i et studie af arsen i drikkevand og risiko for kræft, et studie som er udført ved Kræftens Bekæmpelse.

Baggrund Af skadelige stoffer i drikkevand er arsen det, der er studeret mest omfattende, og det internationale agentur for kræftforskning ved WHO slår fast at arsen i drikkevand er kræftfremkaldende for mennesker (International Agency for Research on Cancer 2004). En række studier fra Asien og Latinamerika har fundet en sammenhæng mellem høje koncentrationer (op til flere hundrede μg/l) af arsen i drikkevand og udvikling af visse kræftformer (se f.eks. Marshall et al. 2007; Tsuda et

32

al. 1995; Wu et al. 1989). I lande med mindre forekomster i drikkevandet (100-1000 gange lavere) har undersøgelserne af sammenhængen mellem arsen og kræft ikke givet entydige svar (se f.eks. Karagas et al. 2001; Kurttio et al. 1999; Steinmaus et al. 2003). Den gennemsnitlige arsenkoncentration i det danske drikkevand er 1,3 μg/l. Hos forskningsprogrammet for Miljø og Kræft ved Kræftens Bekæmpelse var der derfor et ønske om at undersøge, om arsenkoncentrationerne i det danske drikkevand havde betydning for kræftrisikoen, til trods for relativt små koncentrationer i det danske drikkevand. Formålet med studiet var derfor at undersøge, om arsenkoncentrationerne i det danske drikkevand giver anledning til en øget risiko for udvikling af kræft.

Metode Arsen forekommer naturligt i den danske undergrund, hvorfra det udvaskes til vores grundvand. Det findes især i geologiske aflejringer af tertiære marine lerbjergarter; typisk moræneler fra sidste istids gletscherfremstød (GEUS 2004), og derfor er der en geografisk variation i arsenforekomsten i det danske grundvand (se figur 1). Et EU-direktiv fra 2001 sænkede grænseværdien for arsen i drikkevandet fra 50 μg/l til 5 μg/l. Inden udgangen af 2003 skulle vandværkerne have opfyldt de nye krav, men det er stadig et problem for ca. 5 % af de danske vandværker, fordi de henter deres vand fra områder med naturligt forekommende arsen. Man forsøger at løse problemet ved at rense vandet bl.a. ved tilsætning af jern (Rasmussen 2006).

Siden 2001 har det samtidig været obligatorisk for de danske vandværker at indberette koncentrationer af arsen i drikkevandet til drikkevandskontrollen, som varetages af GEUS. På den baggrund kunne vi kortlægge indholdet af arsen i drikkevandet hos de dan-

Perspektiv nr. 13, 2008

ske vandværker. Kendskabet til forekomsten af arsen i det danske drikkevand er historisk set meget begrænset, fordi det først sent blev inkluderet i måleprogrammet. Forskerne fra GEUS fandt det dog rimeligt at antage, at de nuværende målinger også afspejlede de historiske koncentrationer.

For at kunne undersøge, om indtagelse af arsen gennem drikkevandet øger risikoen for kræft, kræver det en undersøgelsesbefolkning, for hvilken arsenindtaget kan bestemmes. Ved Kræftens Bekæmpelse har man etableret en såkaldt kohorte ved navn Kost, kræft og helbred. Det er en undersøgelse, hvor man har indsamlet spørgeskemaoplysninger om kost og livsstil samt blod-, urinog fedtvævsprøver fra 57.000 personer i Danmark. I epidemiologiske undersøgelser

er det vigtigt at kunne justere sine analyser for andre faktorer, som har betydning for den pågældende sygdom; det kunne eksempelvis være rygning. På den måde forsøger man at udelukke, at den effekt man eventuelt ville finde af arsen skyldes andre faktorer.

Det betyder, at detaljerede oplysninger om den population, man vil undersøge, er vigtige for at gennemføre et validt studie. Derfor var det oplagt at bruge Kost, kræft og helbred-kohorten i studiet af arsen. Deltagerne i undersøgelsen blev rekrutteret fra Københavns og Frederiksberg Kommune, det meste af Københavns Amt, Århus Kommune samt Hinnerup og Hørning Kommune i Århus Amt. De var 50 – 64 år i 1993 – 1997, hvor kohorten blev etableret. Et kriterium for at blive inkluderet i undersøgelsen var, at deltagerne ikke havde eller havde haft kræft ved inklu-

Figur 1. Arsenkoncentrationer i det danske grundvand. Kilde: grundvandsdata fra Jupiter-databasen, GEUS.

33

Perspektiv nr. 13, 2008

sionen i kohorten, på den måde fik man en population, hvori det i den efterfølgende tid var muligt at følge kræftudviklingen. Det sker ved, at man løbende udtrækker oplysninger fra det danske cancerregister for at følge op på hvilke deltagere, der har fået kræft. Cancerregistret var opdateret indtil 2003, da dette studie blev gennemført, så studieperioden strakte sig indtil 2003.

For at kunne sammenkæde deltagerne med arsenkoncentrationerne i drikkevandet blev oplysninger om deres bopælsadresser udtrukket fra det Centrale Person Register (CPR) vha. deres personnummer. Det resulterede i 202.339 forskellige bopælsadresser både i og udenfor optageområderne, som deltagerne havde haft i perioden 1970 – 2003. CPR blev oprettet i 1968 (Møller 2002), så derfor var det ikke muligt at spore deltagernes adresser længere tilbage i tiden. 1970 blev derfor valgt som studiets starttidspunkt. Adresserne blev geokodet ved hjælp af OSAK-adresserne. Vi dannede en adressenøgle ved at sammenstille kommunekode, vejkode, husnummer og evt. bogstav, så nøglen kunne bruges til at sammenkæde kohortemedlemmernes adresser med adressekoordinaterne i OSAK. 91,9 % af adresserne i kohorten fik således tilført geografiske koordinater. Det lykkedes at placere yderligere 6,3 % af adresserne ved at modificere adressenøglen på forskellige måder, f.eks. ved at fjerne bogstaver fra nøglen eller ved at lægge to til eller trække to fra husnummeret. 1,8 % adresser kunne ikke geokodes bl.a. fordi en del adresser havde vejkode i intervallet 9900 – 9999, og disse koder anvendes til at registrere personer uden fast bopæl, hjemløse samt udsendte f.eks. soldater og diplomater (Lind 2006). Figur 2 viser, hvordan de geokodede kohorte-adresser fordeler sig på de danske kommuner.

Oplysninger om vandforsyningsområder blev indsamlet fra kommuner og vandværker, for at kunne bestemme tilhørsforholdet mellem bopælsadresser og vandforsyning. Da der ikke var ressourcer til at indsamle oplysninger om vandforsyningsområder for hele lan-

34

Figur 2. Fordeling af geokodede kohorte-adresser (n=198.758) i de 271 ”gamle” danske kommuner. Proportionerne er beregnet som antal af geokodede kohorte-adresser i hver kommune delt med det totale antal geokodede kohorte-adresser.

det, koncentrerede dataindsamlingen sig primært om de områder, hvor størstedelen af kohortemedlemmernes adresser var lokaliseret – nemlig i de to rekrutteringsregioner (Århus og København) samt kommuner, hvor vandforsyningsdata var lettilgængelige (Odense kommune). I alt blev der indsamlet 94 forsyningsområder fra 24 kommuner. I nogle kommuner var der en eller anden form for GIS implementeret i forvaltningen, så forsyningsområderne kunne udleveres i digitalt GIS-format. I andre tilfælde blev områderne digitaliseret ud fra trykte kort i vandforsyningsplaner eller andet materiale fra kommunen. Figur 3 viser de indsamlede forsyningsområder klassificeret efter arsenkoncentrationen på det/de vandværker, som forsyner området.

Perspektiv nr. 13, 2008

Figur 3. Kortlagte forsyningsområder klassificeret efter arsenkoncentration.

Vi brugte Spatial Join-funktionaliteten i ArcGIS til at etablere relationen mellem vandforsyningsområder og kohortemedlemmernes adresser. 84% af de geokodede adressepunkter fik således tildelt attributterne fra den område-polygon, som de var placeret indeni. 14% af adresserne blev knyttet til det vandværk som lå nærmest, og de ca. 2% adresser, som ikke kunne geokodes, blev tildelt en ”manglende” værdi for arsen.

På baggrund af det link mellem bopælsadresse og vandforsyning, som blev skabt i GIS, kunne vi for hvert medlem af kohorten opsummere den individuelle arseneksponering over tid.

Arsenkoncentrationen ved hver adresse blev vægtet i forhold til hvor lang tid personerne havde boet på adressen og i forhold til hvor stor et dagligt indtag af postevand kohortemed-

lemmerne havde rapporteret i spørgeskemaet. Vi beregnede to mål for arseneksponeringen; en tidsvægtet gennemsnitlig eksponering og en kumuleret eksponering. Begge mål inkluderede alle kendte adresseperioder for hvert medlem af kohorten.

De statistiske analyser blev udført i den statistiske programpakke SAS, hvor en regressionsmodel blev brugt til at beregne om de medlemmer af kohorten, som havde indtaget mest arsen gennem drikkevandet, havde en statistisk signifikant større risiko for at udvikle kræft end de mindre eksponerede deltagere. Analyserne blev justeret for alle de kendte kræftrisikofaktorer, som der fandtes oplysninger om i spørgeskemaerne, for at udelukke at resultaterne skyldtes andre faktorer end arsen.

35

Perspektiv nr. 13, 2008

Resultater Analyserne viste, at der var en signifikant omvendt sammenhæng mellem arseneksponering og risiko for non-melanoma (ikke ondartet) hudkræft, hvilket kan tolkes som en beskyttende effekt af arsen i forhold til udvikling af non-melanoma hudkræft. For de andre kræftformer, som var inkluderet i analyserne (lunge-, blære-, nyre-, lever-, prostata-, tarm- og brystkræft samt melanoma (modermærke) hudkræft), fandt vi ingen sammenhæng mellem arsen og kræftrisiko. Yderligere analyser viste at den inverse sammenhæng mellem arseneksponering og non-melanoma hudkræft kunne skyldes andre regionale forskelle mellem personer rekrutteret fra Århusområdet og Københavnsområdet. Samtidig så vi en positiv sammenhæng mellem arseneksponering og risiko for brystkræft, som dog kun var signifikant blandt kvinder rekrutteret fra Århusområdet, og når vi brugte det ene af de to eksponeringsmål. Resultaterne stemmer ikke overens med tidligere studier fra Asien og Latinamerika, men enkelte tidligere studier (Karagas et al. 2002; Snow et al. 2005) har antydet, at små doser af arsen kan have en beskyttende effekt. Vi er ikke bekendt med, at andre studier har fundet en sammenhæng mellem arsen og brystkræft, og den sammenhæng, vi fandt i dette studie, var kun signifikant for kvinderne i Århus for det gennemsnitlige eksponeringsmål. Derfor er det sandsynligt at dette resultat skyldes tilfældigheder frem for en reel sammenhæng. Vores resultater skal tolkes med forsigtighed, og der skal flere studier til, for

36

at bekræfte at arsen muligvis mindsker risikoen for non-melanoma hudkræft og øger risikoen for brystkræft.

Konklusion Studiet viste at de globalt set beskedne mængder arsen i det danske drikkevand ikke øgede risikoen for de kræftformer, som var inkluderet i projektet, bortset fra brystkræft blandt kvinder i Århusområdet, men arsen kan muligvis have en beskyttende effekt imod non-malanoma hudkræft. Dette bør dog undersøges nærmere.

Alternativet til at bruge GIS i dette studie ville have været at indhente kundeoplysninger fra alle landets vandværker for at kunne koble arsendata med personerne i kohorten eller at foretage biologiske målinger af arsen i f.eks. negle eller urin fra alle 57.000 personer. Disse løsninger ville dog være økonomisk og tidsmæssigt højest urealistiske. Den vigtigste konklusion man kan drage af projektet er derfor, at GIS var et essentielt værktøj til at estimere arseneksponeringen gennem drikkevandet, fordi det uden brug af geografiske nøgler og rumlige relationer ikke havde været praktisk muligt at sammenkæde data fra Kost, kræft og helbred-kohorten med arsendata fra de danske vandværker.

Hele studiet bliver publiceret i Environmental Health Perspectives vol. 116, februar 2008.

Foreløbig kan den videnskabelige artikel findes online på følgende adresse: http://www.ehponline.org/docs/2007/10623/abstract.html.

Perspektiv nr. 13, 2008

Referencer GEUS. 2004. Grundvandsovervågning 1998-2003.

København:GEUS, Miljøministeriet.

Møller JØ. 2002. Personnummeret i det centrale personregister (CPR). http://www.cpr.dk/publikationer/pnr-notat%20ny%20skrift.htm.

International Agency for Research on Cancer.

2004. Some Drinking-water Disinfectants and Contaminants, including Arsenic.

Poulstrup, A. 2003. Forprojekt om samkøring af registerdata for miljø og sundhed. København:Miljøstyrelsen.

Karagas MR, Stukel TA, Morris JS, Tosteson TD, Weiss JE, Spencer SK, Greenberg ER. 2001. Skin cancer risk in relation to toenail arsenic concentrations in a US population-based case-control study.

Am J Epidemiol 153:559-565.

Rasmussen MB. 2006. Naturen forgifter drikkevandet i Asien. Miljø Danmark 1:35-37.

Karagas MR, Stukel TA, Tosteson TD. 2002.

Assessment of cancer risk and environmental levels of arsenic in New Hampshire. Int J Hyg Environ Health 205:85-94.

Snow ET, Sykora P, Durham TR, Klein CB. 2005.

Arsenic, mode of action at biologically plausible low doses: What are the implications for low dose cancer risk? Toxicol Appl Pharmacol 207:557-564.

Koch T. 2005. John Snow: The London epidemics.

In: Cartographies of Disease: Maps, Mapping and Medicine Redlands, California:ESRI Press, 75-104.

Steinmaus C, Yuan Y, Bates MN, Smith AH. 2003.

Case-control study of bladder cancer and drinking water arsenic in the western United States. Am J Epidemiol 158:1193-1201.

Kurttio P, Pukkala E, Kahelin H, Auvinen A, Pekkanen J. 1999. Arsenic concentrations in well water and risk of bladder and kidney cancer in Finland. Environ Health Perspect 107:705-710.

Lind M. 2006. Specialkonsulent, National Geodatabank, Kort & Matrikelstyrelsen. Personlig kommunikation.

Marshall G, Ferreccio C, Yuan Y, Bates MN, Steinmaus C, Selvin S, Liaw J, Smith AH. 2007. Fiftyyear study of lung and bladder cancer mortality in Chile related to arsenic in drinking water. J Natl Cancer Inst 99:920-928.

Regeringen. 2003. Miljø og sundhed hænger sammen. København:Miljøstyrelsen.

Tsuda T, Babazono A, Yamamoto E, Kurumatani N, Mino Y, Ogawa T, Kishi Y, Aoyama H. 1995.

Ingested arsenic and internal cancer: a historical cohort study followed for 33 years. Am J Epidemiol 141:198-209.

Wu MM, Kuo TL, Hwang YH, Chen CJ. 1989. Doseresponse relation between arsenic concentration in well water and mortality from cancers and vascular diseases. Am J Epidemiol 130:1123-1132.

Om forfatteren Rikke Baastrup er forskningsassistent ved Institut for Epidemiologisk Kræftforskning, Kræftens Bekæmpelse, hvor hun har skrevet speciale. Hun er kandidat fra Geografi ved Københavns Universitet. e-mail: baastrup@cancer.dk

37

Perspektiv nr. 13, 2008 Sundhedsplanlægning i Ghana – den rumlige dimension Richard Y. Kofie og Lasse Møller-Jensen Med udgangspunkt i udviklingslandet Ghana giver artiklen en kort analyse af potentialerne for anvendelse af gis-baserede metoder i sundhedsplanlægningen. Artiklens fokus ligger på optimering af dækningsgraden for sundhedsservice baseret på politisk fastsatte afstandskriterier. Det eksisterende digitale kortgrundlag kombineret med folketællingsdata kan bringes i anvendelse i netværksbaserede tilgængelighedsanalyser. I den lokale sundhedsplanlægning er hovedproblemet dog ofte tilgængeligheden til computere og software, hvilket medfører, at en række opgaver stadig baseres på upræcise og ukoordinerede papirkort.

WHO’s medlemslande vedtog i 1978 strategien ”Sundhed for Alle”, der skulle danne grundlag for et globalt minimumsniveau for sundhedsservice i år 2000 (WHO/UNICEF,1978).

Dette indebar blandt andet, at medlemslandene skulle analysere det gældende serviceniveau på området og overvåge effekten af iværksatte tiltag. Mange udviklingslande har imidlertid et utilstrækkeligt datagrundlag for dette. Baggrunden er i mange tilfælde ineffektive metoder til både dataindsamling, dataopbevaring, analyse og præsentation. Således er de nødvendige data for f.eks. epidemiologiske opfølgninger sjældent tilgængelige. I landdistrikterne forværres situationen ofte af mangel på sundhedsfaciliteter og trænet personale. I denne artikel tages udgangpunkt i den Ghanesiske kontekst i beskrivelsen af, hvordan eksisterende digitale datasæt såsom distriktsgrænser, befolkningsfordeling, bebyggelseslokalisering og vejnet kan anvendes i forbindelse med estimering af sundhedsfaciliteternes tilgængelighedsniveau og i udpegningen af optimale steder til etablering af nye faciliteter.

Ghanas sundhedspolitik Sundhedssektoren i Ghana var indtil indførelsen af de såkaldte Structural Adjustment Programmes (SAP) i de tidlige 1980’ere baseret på subsidier fra regeringen. Liberaliseringen af økonomien, der var en følge af SAP, medførte indførelse af bruger-betaling, hvor patienterne betaler direkte for den service, der modtages. Store dele af befolkningen er imidlertid ikke i stand til at betale prisen for at blive behandlet på klinikker og hospitaler, hvilket har medført et generelt fald i brugen af disse.

Resultatet blev, at regeringens mål for basal sundshedspleje ikke blev nået, idet mange

38

fat tige blev udelukket fra det officielle sundhedssystem.

Et forsikringssystem, der skulle sikre større lighed i adgangen til sundhedsservice, blev implementeret på forsøgsbasis i 1990’erne og gjort permanent i 2004. Det er endnu for tidligt at konkludere på graden af success for den nye struktur, men det fremhæves ofte, at der i den Ghanesiske sundhedspolitik er for lidt fokus på præventive tiltag, ligesom der er for lidt fokus på at forbedre og effektivisere informationsstrømmene i systemet.

Geografisk tilgængelighed Data om rumlige forhold er centrale i sundhedssystemets informationsstrøm. Disse danner basis for den planlægning, som blandt andet identificerer den optimale beliggenhed for forskellige former for sundhedsservice. Dimensionering af hospitaler og sundhedsklinikker og udlægning af tilhørende servicedistrikter hører også under den rumlige sundhedsplanlægning.

Kendskab til distriktets befolkningstal er vigtigt i mange sammenhænge, f.eks. i forbindelse med vaccinationskampagner. I en Ghanesisk sammenhæng er de data og kort, der står til rådighed for de lokale planlæggere som grundlag for opgaven normalt ikke af særlig høj kvalitet. De eksisterende papirkort med angivelse af bebyggelser er upræcise og med meget generaliserede og ukoordinerede distriktsgrænser. Som en konsekvens af dette er der tit usikkerhed og diskussion om fjerntliggende landsbyers distriktsmæssige tilhørsforhold.

Mange ulande - inklusiv Ghana - har oplevet en stærkt stigende udbredelse af IT-basere-

Perspektiv nr. 13, 2008

lingsdata kunne bibringe planlæggeren vigtig information som grundlag for en effektivisering af indsatsen. Sådanne netværksbaserede allokerings/lokaliseringsmetoder opfattes som centrale i bestræbelserne på at udnyt te de begrænsede ressourcer mere effektivt (Rushton, 1984, 1988).

Figur 1. Service-områder omkring de 5 eksisterende sundhedsfaciliteter i distriktet Ga.

de redskaber gennem de seneste 10 år, dog ofte betydeligt langsommere i landdistrikterne end i byområderne. Produktionen af digitale, geo-relaterede datasæt er også kommet godt i gang i samme periode i sammenhæng med et stigende kendskab til GIS-baserede metoder til kortlægning og rumlig analyse.

Dette er blandt andet et resultat af et mangeårigt samarbejde (baseret bl.a. på Danidas Enreca-projektmidler) mellem de geografiske institutter på University of Ghana og Københavns Universitet. Kendskabet til digitale rumlige metoder er her blevet styrket gennem uddannelse af ph.d’er med speciale i dels GIS-baseret rumlig analyse og kortlægning, dels analyse af satellitbilleder. Flere af de uddannede ph.d’er arbejder nu med GIS-baseret analyse i forskellige ghanesiske institutioner og ministerier.

Identifikation og afprøvning af konkrete metoder til anvendelse i den lokale sundhedsplanlægning, specielt rumlig dimensionering og optimering, er belyst i et phd-projekt, fra hvilket det nedenstående eksempel er hentet. Det blev demonstreret, hvordan relativt simple lokaliserings-modeller baseret på digitale vejnetsdata og kombineret med folketæl-

De eksisterende, landsdækkende, digitale kort er hovedsageligt skabt i slutningen af 1990’erne ved en koordineret digitalisering af eksisterende kortmateriale, herunder topografiske kort i 1:50.000, hvis indhold hovedsageligt stammer fra midten af 1970’erne.

Umiddelbart et ’out-dated’ datasæt, men alligevel anvendeligt i mange sammenhænge: dels fordi den infrastrukturelle udvikling er gået relativt langsomt udenfor de store byer, dels fordi datasættet danner grundlag for en påbegyndt opdateringsprocess og endelig som basiskort for mere opdaterede informationer fra f.eks. de løbende befolkningstællinger (Kofie & Moller-Jensen, 2001).

Et vigtigt element er kortlægningen af vejnet tet, der repræsenterer befolkningens bevægelsesmuligheder. I forbindelse med allokerings- og lokaliseringsanalyser skal det anvendte transportnetværk afspejle de transportmæssige betingelser, der hersker for de befolkningsgrupper, der er i fokus. I Ghanas landdistrikter kan transportadfærden i store træk karakteriseres ved, at man enten går eller betjener sig af en mini-bus (tro-tro) eller kombinerer de to former. Såvel gangstier som veje bør derfor være repræsenteret i en digital model af transportnetværket.

Det er tillige vigtigt at tage i betragtning, at tilgængelighedsforholdene i tør-tiden ofte er helt forskellige fra forholdene i regn-tiden, hvor mange veje kan blive ufremkommelige.

Eksempler fra et landdistrikt nær Accra Et konkret studie, der blev udført som et ph.d-projekt ved University of Ghana viser, hvordan relativt simple GIS-metoder kan bidrage til at løfte informationsniveauet og dermed skabe et bedre beslutningsgrundlag (Kofie, 2000). Studiet blev udført i Gadistriktet – et ruralt-præget område umiddel-

39

Perspektiv nr. 13, 2008

Figur 2. Udpegning af optimale placeringer for en 6. facilitet (markeret med pil)

bart udenfor hovedstaden Accra. Det overordnede udgangspunkt var det politisk fastsatte mål om adgang til en sundhedsklinik indenfor en afstand på 8 km, sådan som det anbefales i Ghanas ”primary health care strategy” (Ministry of Health, 1978). Den geografiske tilgængelighed blev analyseret i et GIS med anvendelse af et antal relevante vektorlag: - en transportmodel i form af et vektor-baseret netværk af veje og stier, - en befolkningsmodel i form af et punkt-kort over bebyggelser og tilknyttede befolkningstal fra Ghanas Statistiks folketællinger, - administrative grænser, og - diverse kortlag, såsom floder og søer.

GIS-funktionaliteten blev hovedsageligt baseret på Network Analyst Extension i ArcView (ESRI). Hovedvægten ligger på den funktionalitet, der beregner ”service arealer”, dvs. dét område, der kan nås indenfor en bestemt afstand fra et centralt punkt ved anvendelse af transportnetværket. Resultatet kan repræsenteres enten som en ’farvelægning’ af de vejstykker, der er indenfor afstandsgrænsen, eller ved dannelsen af en polygon, der omspænder de vejstykker, der er indenfor grænsen. Afstandsgrænsen kan udtrykkes som fysisk afstand eller tidsmæssig afstand, hvis der findes informationer om forventede køre-

40

tider. I det ghanesiske eksempel er den fysiske afstand anvendt, således at der er overensstemmelse med den politisk fastsatte evalueringsmetode for graden af tilgængelighed. Servicearealet udtrykt som polygon kan ved en simpel overlay-analyse sammenkøres med befolkningsmodellen. Det overordnede niveau for sundhedstilgængelighed kan herefter udtrykkes som den procentdel af indbyggerne, der er dækket af servicearealer.

De fem eksisterende sundhedsfaciliteter lokaliseret indenfor distriktet danner således udgangspunkt for beregningen af serviceområdet med den ovenfor beskrevne politisk fastsatte grænseværdi på 8 km gennem vejnet tet. Figur 1 viser udstrækningen af Ga-district og placeringen af de 5 faciliteter med tilhørende serviceareal. Ved samkøring med befolkningsmodellen fås en dækningsgrad på 70% af befolkningen. Vælger man imidlertid at anvende fugleflugtsafstand snarere end net værksafstand er dækningsgraden 85%, hvilket dog er stærkt misvisende på grund af de mange barrierer i landskabet.

Tilgængeligheden vil i teorien kunne forbedres gennem en ændret placering af de 5 faciliteter, uden dog at kunne dække 100%.

Nogen forbedring vil også kunne skabes gennem forbedring af infrastrukturen. I realiteten ligger placeringen af de 5 faciliteter fast

Perspektiv nr. 13, 2008

Tabel 1. Udviklingen i tilgængelighed og dækningsgrad ved anvendelse af kriteriet: ’minimér samlet rejseafstand’.

Tabel 2. Udviklingen i tilgængelighed og dækningsgrad ved anvendelse af kriteriet ’maksimér dækingsgrad’.

og forbedring af tilgængeligheden må foregå ved at tilføje faciliteter. Af økonomiske hensyn skal enhver ny facilitet opføres, hvor den gavner den overordnede tilgængelighed mest, dvs. hvor flest muligt af de tidligere udækkede personer bliver dækket. Dette sted kan findes ved at forsøge sig frem med placeringer, der også i forhold til andre parametre er hensigtsmæssige og herefter genberegne dækningsgraden ved brug af servicearealer. Fordelen ved denne metode er, at de fundne lokaliteter på forhånd er udpeget som brugbare – ulempen, at man ikke nødvendigvis finder det optimale sted.

Alternativt kan stedet findes ved brug af en heuristisk lokaliseringsalgoritme, der findes bla. i Arc/Info (Workstation/Network). Ved hjælp af denne beregner systemet det punkt i netværket, der vil forbedre tilgængeligheden mest. Da dette punkt ofte vil ligge på et sted, der af andre grunde er uegnet til etablering af sundhedsfaciliteter, vil det ofte være nødvendigt at tage det beregnede punkt som en rettesnor og finde et mere egnet punkt i nærheden. Lokaliseringsalgoritmen er afprøvet med to forskellige kriterier: ’minimér rejseafstand’ og ’maksimum dækning’. I det første tilfælde vælges det punkt, der vil medfø-

re den mindste samlede rejseafstand for alle distriktets indbyggere mellem bopæl og klinik. I det andet tilfælde findes det punkt, der vil medføre den største stigning i dækningsgraden (i forhold til 8 km grænsen). Tabel 1 og 2 samt figur 2 viser, hvordan dækningsgraden udvikler sig i Ga-distriktet ved opførelse af yderligere henh. 1 og 2 faciliteter. De foreslåede faciliteter ligger alle i den østlige – og tættest befolkede – del af distriktet.

Konklusion Et af undersøgelsens hovedresultater var, at tilvejebringelsen af et opdateret kortmateriale med infrastruktur, befolkningslokalisering og præcis grænsedragning for de eksisterende distrikter stod øverst på de lokale sundhedsplanlæggeres ønskeseddel. Et præcist geografisk datagrundlag er en forudsætning for at kunne udføre en række af de sundheds-relaterede opgaver, der stilles. Der er stor åbenhed overfor at tage digitale metoder i brug til arbejdet med disse data. Barrieren er sædvanligvis mangel på muligheder for at finansiere computere og software. Der er gennem de seneste år taget adskillige initiativer, der fremmer produktionen af digitale datasæt til GIS-anvendelse. Den overord-

41

Perspektiv nr. 13, 2008

nede koordinering, der muliggør den nødvendige samkøring af f.eks. folketællingsdata med bebyggelseskort, er imidlertid – som så mange andre steder – ikke helt på plads. Et EU-financieret projekt danner pt. rammerne for arbejdet med at forbedre integrationen af befolkningsdata og det digitale kortgrundlag (Amamoo-Otchere, 2006).

Denne artikel har hovedsageligt fokuseret på datagrundlag og metoder til monitorering og optimering af dækningsgraden for sundhedsservice. Det er imidlertid vigtigt at bemærke, at gis-baseret rumlig analyse også er et vigtigt redskab til identifikation af årsager til fremkomst og overførsel af tropesygdomme, sådan som det er påvist f.eks. af MensahQuainoo (1997) i et studie af sygdommen Buruli Ulcer.

Referencer Amamoo-Otchere, E (2006). The EMMSDAG project. SDI_Africa Newsletter, Vol 5, No. 7.

Kofie, R.Y., A GIS perspective for local level planning and decision-making: The case of spatial data integration, health and sanitation in the Ga District of Ghana. PhD thesis, University of Ghana, Legon.

2000, pp 120-122.

Kofie, R.Y., & Moller-Jensen, L., Towards a framework for delineating sub-districts for primary health care administration in Ghana: a case study using GIS. Norwegian Journal of Geography 55 (1) 2001, pp 29-31.

Mensah-Quainoo, E., Determinants of Buruli ulcer in the Ga District. A project report submit ted to the School of Public Health, Univer sity of Ghana, Legon. 1997.pp14-17.

Ministry of Health, A Primary Health Care Strategy for Ghana. Accra, Ghana: Ministry of Health, 1978, p.9.

WHO/UNICEF: Primary health care-report of International conference at Alma Ata. World Health Organisation, Geneva, Switzerland 1978.

Rushton, G., Use of location-allocation models for improving the geographical accessibility of rural services in developing countries. International Regional Science Review. 9, 1984, pp 217-240.

Rushton, G., Location theory, location-allocation models and service development planning in the Third World. Economic Geography 64, 1988, pp 97120.

Om forfatterne Richard Y. Kofie (rkofie@yahoo.com) Council for Scientific & Industrial Research P.O. Box CT 2211, Accra Lasse Møller-Jensen (lmj@geogr.ku.dk) lektor, ph.d.

Institut for Geografi og Geologi KU

42

Perspektiv nr. 13, 2008 Kan verdens sundhed gøres retfærdig via GIS Anne Vendeløkke Olsen Artiklen indeholder en kort introduktion til emnet social ulighed i sundhed. Derudover omtales status på et igangværende GIS-projekt, om kortlægningen af social ulighed i sundhed i EU’s regioner. Projektet er sponsoreret af EU-kommisionen og Verdens sundhedsorganisations europæiske kontor WHO EURO i fællesskab.

I min forberedelse af dette indlæg stødte jeg på en test i viden om social ulighed i sundhed i Region Midtjylland og Horsens kommune (Bagh & Ravn, 2007). Testen bestod af 10 spørgsmål stillet til interesserede sygeplejersker ved kantinen på Regionshospitalet Horsens. Her kunne man blandt andet lære at 29 % af de adspurgte horsensianere er dagligrygere, kun overgået i regionen af øboerne på Samsø og øvrige øer. Af testen fremgik det også, at dobbelt så mange lavt uddannede som højtuddannede i Danmark er overvægtige (BMI1>30) og specifikt i Region Midtjylland er der 4 kommuner, hvori der er signifikant flere svært overvægtige end i den danske befolkning som helhed (13%), nemlig Samsø og øvrige øer (19 %), Norddjurs (17 %), Hedensted (16 %) og Horsens (16 %).

En test med spørgsmål og svar som disse medfører straks en følelse af, at det var dog interessant, og det var dog overraskende.

Lysten til at stille yderligere spørgsmål og til at få flere svar melder sig straks. Hvordan ser rygermønstret ud i landets andre regioner eller lige netop der hvor jeg bor? Hvor er de områder i Danmark med flest lavt uddannede og er det også dem der har flest rygere? Hvor ligger Hedensted egentlig og er Hedensted anderledes end sine nabokommuner? Er Danmark som helhed anderledes end sine nabolande, eller er det en generel tendens i Skandinavien, eller i EU, at der er en relation mellem niveau af uddannelse og antallet af rygere?

Da jeg i september 2007 fik chancen for at arbejde i Verdens Sundhedsorganisation, i det europæisk regionale kontor i København, på et 3-årigt projekt om kortlægning af social ulighed i sundhed i EU sagde jeg ja. Det gjorde jeg på baggrund af en interesse i at arbejde med et område der kan medvirke til at belyse nogle sammenhænge som naturligt er vedrørende og interessante og som reelt er grundlæggende for en bedring af forholdene for mange mennesker. En anden vigtig grund for mig til at sige ja var min viden om, at kort i et GIS er et rigtig godt alternativ til endeløse rækker af tal, til formidling af (komplekse) (geografiske) sammenhænge.

I dette indlæg vil jeg beskrive det projekt jeg er en del af. I indlægget kommer jeg ind på de erfaringer jeg indtil videre har gjort i mit arbejde med at kortlægge social ulighed i sundhed.

Social ulighed i sundhed i EU Verdens sundhedsorganistation WHO blev etableret i 1948 under FN, med hovedsæde i Geneve, Schweiz, med henblik på blandt andet at lede og koordinere internationalt sundhedsarbejde, fremme fagligt samarbejde på området og bistå regeringer med at forbedre sundhedsvæsenet.

WHO´s europæiske kontor er placeret i København og er ét af 6 regionale kontorer fordelt på verdensplan. Hvert kontor har sin regions sundhedsproblemer som fokusområde. Det europæiske kontor omfatter 870 millioner mennesker fordelt på et område, der strækker sig fra Grønland i nord til middelhavslandene i syd og til den russiske føderation i øst. En stor del af det europæiske kontors fokusområde er de problemstillinger der er opstået

43

Perspektiv nr. 13, 2008

og til stadighed opstår i kølvandet på demokratiseringsprocessen af Østeuropa og det tidligere Sovjetunionen.

Det projekt jeg er involveret i løber fra 2007 til 2010. Projektet er finansieret af EU-kommisionen og WHO’s europæiske kontor. Et af projektets generelle fokusområder er udviklingen af værktøjer til vurdering af social ulighed og afgørende faktorer i sundhed i EU, på sub-nationalt niveau. I projektbeskrivelsen er et af de konkrete mål et interaktivt GIS på Internettet og et atlas i bogform. Målgruppen er politikere i EU, der ud fra kortene nemt skal kunne danne sig et overblik over den sociale ulighed i sundhed (og om den eventuelt skyldes sundhedspolitikken i de enkelte lande). Det der er specielt ved dette projekt er at projektet fokuserer på data opmålt på sub-nationalt niveau, og at de kort der produceres så vidt muligt skal dække alle regioner i EU. Men hvad er sundhed? Verdens Sundhedsorganisation definerer sundhed således: ”Sundhed er en tilstand af fuldkommen legemlig, sjælelig og socialt velvære og ikke blot fravær af sygdom og gener”. (WHO1, 2008) I målingen af sundhed fokuseres ofte på 2 parametre, dødsårsag og årsag til hospitalsindlæggelse. I vurderingen af disse parametre konkluderes ofte på sundhedstilstanden.

Høj dødelighed eller højt antal af indlæggelser af bestemte årsager tolkes som lav sundhedstilstand.

Hvorfor må der ikke være ulighed i sundhed?

Her er det vigtigt at bemærke, at målet ikke er, at alle mennesker uanset alder og køn skal have den samme risiko for at få de samme sygdomme. Når fokus er på at mindske uligheden i sundhed, så er det den uretfærdige ulighed i sundhed, der skal søges undgået. Det er fx ikke uretfærdigt at mænd over 70 har større risiko for at få bestemte hjertekar-sygdomme, sammenlignet med mænd på 20 år. Det er heller ikke uretfærdigt, at der er flere kvinder end mænd der bliver syge af kræft i æggestokkene – det er der en naturlig forklaring på. Uretfærdig ulighed i sundhed opstår i de tilfælde, hvor bestem-

44

te samfundsgrupper har større risiko for at få bestemte sygdomme end andre, på grund af omstændigheder der er udenfor den naturlige biologiske variation som køn og alder. Et simplificeret eksempel på ulighed i sundhed er fx hvis en bestemt befolkningsgruppe spiser mindre sund mad fordi der i deres nærområde ikke er tilstrækkelige indkøbsmuligheder til at købe sund mad, eller fordi den sunde mad er for dyr at købe i forhold til deres indkomstniveau. Dette bevirker, at denne bestemte befolkningsgruppe ikke har lige rettigheder i forhold til andre befolkningsgrupper for at spise sundt, og dermed har gruppen større risiko for at få bestemte sygdomme.

Selvom nogle sygdomme opstår i relation til bestemte befolkningsgrupper er det dog ikke altid et tegn på social ulighed i sundhed. For eksempel vil det ikke løfte nogens øjenbryn at ski-ulykker oftest optræder i relation til en bestemt gruppe af befolkningen. Her er der tale om et frivilligt valg af risiko.

Der er skrevet enorme mængder af litteratur og artikler, foretaget case-studies og spørgeskemaundersøgelser om emnet social ulighed i sundhed. Alle peger i den samme retning – der eksisterer ulighed i sundhed både mellem sociale grupper af befolkninger og mellem geografiske områder (i EU og internt i det enkelte EU-land).

Og selv i et lille land som Danmark er der social ulighed i sundhed. I Politiken 10. januar kunne man under overskriften ”Hellere rig og glad end fattig og syg” læse, at børn fra de fat tigste socialgrupper i Danmark både har et dårligere helbred, kommer mere til skade og føler sig mere ulykkelige end deres rigere jævnaldrende (Dahlager, 2008). Og tendensen er den samme i hele EU. Personer med lavt uddannelsesniveau, lav beskæftigelse eller lav indkomst har en tendens til at dø i en tidligere alder end gennemsnittet og mens de lever har de en større andel af sundhedsproblemer.

Verdens sundhedsorganisation WHO nedsatte blandt andet derfor i 2005 den såkald-

Perspektiv nr. 13, 2008

te ”Commission on Social Determinants of Health” for at støtte forskning i metoder eller tiltag der kan mindske ulighed i sundhed mellem lande og sociale grupper indenfor landene. Kommissionens sigte er at få regeringer til at inkludere sociale og miljømæssige faktorer som en del af deres politikker for at forbedre deres medborgeres sundhed. Kommissionen vil blandt andet indsamle viden om, hvilke initiativer der virker, samt formulere politikker som målretter sig mod de vigtigste faktorer (Andersen, 2007).

Arbejdet i WHO supplerer arbejdet i EU – reduktion af ulighed i sundhed er et højt prioriteret område også i EU. Da England i 2005 overtog EU-formandskabet var netop uligheden i sundhed et af de to hovedemner der blev sat på dagsordenen (Mackenbach, 2005).

Set i denne sammenhæng udgør det projekt jeg deltager i et værdifuldt led i arbejdet omkring at give politikere indsigt i hvad status er med henblik på social ulighed i sundhed i EU’s regioner og derigennem forbedre forholdende for EU’s befolkning som et hele.

Hvilke nøgletal er relevante for kortlægningen af social ulighed i sundhed?

Hvis kort i dette projekt skal sige mere end ord (og tabeller) så skal der data til. Og hvilke data, hvilke nøgletal, skal som udgangspunkt vælges, for bedst muligt at kortlægge den sociale ulighed i sundhed?

En ofte benyttet model for hvilke faktorer, der påvirker en befolknings sundhedstilstand ses i figur 1.

Inderst ses alder, køn og faktorer der grundlæggende er naturlige og ikke-påvirkelige.

Uden om er forskellige niveauer, som hver især er faktorer der påvirker sundhedstilstanden.

Der eksisterer generelt mange artikler og rapporter om emnet social ulighed i sundhed, med interessante bud på hvilke sammenhænge der eksisterer mellem specifikke socialøkonomiske nøgletal og nøgletal for

sundhedstilstanden. Ofte er konklusionerne baseret på data fra et enkelt land, enkelte regioner, et enkelt år eller en enkelt spørgeskemaundersøgelse.

I et projekt som dette, der ønsker at give det brede overblik, er det i mange tilfælde ikke et spørgsmål om hvad der er behov for eller hvilke nøgletal det er ønskværdigt at analysere, men mere hvad der er tilgængeligt.

For at data skal kunne sammenlignes på tværs af regioner i hele EU kræver det: at data er sammenlignelige, altså at måden og hyppigheden hvorpå data indsamles på er standardiseret. at data helst er up-to-date at data er tilgængelige for så mange regioner som muligt og at data er registreret på en måde, der gør det muligt at foretage en analyse af sundhedstilstanden (fx at data kan opdeles i mand, kvinde, at data kan opdeles i forskellige aldersgrupper m.m.) (Prüβmann, 2006).

Målet med projektets indledende fase har derfor været at få overblik over, hvilke socialøkonomiske og sundhedsrelaterede data, der er tilgængelige for lande i EU, opmålt på regionalt niveau (NUTS2 niveau2).

I forhold til dette projekts fokusområde er den Europæiske Unions officielle statistiske kontor EUROSTAT (http://epp.eurostat.ec.europa.eu ) det bedste udgangspunkt for udvælgelsen af nøgletal. Det er de enkelte medlemslandes nationale statistiske kontorer, der indsamler data til Eurostat, og de enkelte medlemslande er forpligtet til at anvende ensartede metoder ved indsamlingen af data (Larsen, 2008).

Fra EUROSTAT’s hjemmeside kan man udover at downloade gratis data (databasen indeholder 160 millioner social- og makroøkonomiske data (Larsen, 2008)) også downloade diverse statistiske rapporter indeholdende både generel information om EU som et hele, men også

45

Perspektiv nr. 13, 2008

Figur 1. Faktorer der påvirker sundhedstilstanden (Dahlgren & Whitehead, 2007)

mere fokuserede rapporter med statistik om fx arbejdsforhold eller uddannelsesforhold i EU. Fra EUROSTAT’s hjemmeside er det også muligt gratis at downloade baggrundsdata (i shapefil-format) med blandt andet de europæiske lande og regioner på forskellige niveauer (NUTS1, NUTS2 og NUTS3).

Så alt burde jo være lige til: Find de relevante nøgletal Find de relevante shapefiler Gem data lokalt og Join data i GIS (og analyser og korreler til sidst data).

At finde de relevante nøgletal var ikke så nemt som forventet. Udgangspunktet i projektets startfase var først og fremmest at lokalisere, hvilke nøgletal på EUROSTATs hjemmeside, der var opmålt på NUTS2-niveau (og efterfølgende beslutte, hvilke nøgletal der kunne bruges). At foretage dette umiddelbare simple udvælgelseskriterium var ikke trivielt.

De regionale data ligger spredt i forskellige kategorier, og selv her efter et par måneder dukker der stadig regionale data op som ikke blev opdaget tidligere i forløbet.

46

Der er to måder at gemme data på fra EUROSTAT’s hjemmeside; Enten foretages en udvælgelse i browsermiljøet og resultatet kan efterfølgende ses i browseren, downloades som en kommasepareret tekstfil, eller gemmes som en HTML-fil. Den anden mulighed er for registrerede brugere at gemme de fulde tabeller via en Bulk-download-mulighed.

For at kunne være uafhængig af forbindelse til internettet, blev alle relevante nøgletal bulk-downloadet. Tekstfilerne blev herefter konverteret til tabeller, som nu er placerede i en filbaseret geodatabase (projektets GISprodukt er ArcView 9.2).

Benyttes bulk-download-metoden gemmes koder i data og ingen tekstbeskrivelser (fx gemmes 15_MAX som værdi i en alderskolonne, i stedet for tekstbeskrivelsen ”15 år og derover” ). Tekstbeskrivelserne kan downloades separat og disse er efterfølgende blevet tilknyttet de korrekte kolonner i form af domæner, så forespørgslerne i tabellerne nu er nemmere at foretage.

Resultatet af første trin er altså en komprimeret filbaseret geodatabase, med 133 EUROSTAT-tabeller, med tilknyttede domæner og metadata i form af blandt andet en

Perspektiv nr. 13, 2008

beskrivelse af hvor tabellen var downloadet fra.

terer i 3*2*66 = 396 GIS-lag, der hver kan symboliseres via hver årstalskolonne…

Efter at have downloadet shapefiler for blandt andet EU’s lande og EU’s regioner var der blot det næste simple skridt tilbage. At joine og symbolisere data.

På et tidspunkt fik jeg vist regnet mig frem til, at de 135 tabeller med nøgletal omkring sundhed og socialøkonomiske faktorer resulterede i ca. 170 000 GIS-lag…

Min baggrund, inden WHO, er i GIS og ikke i sundhed. Så strukturen af data relevant for kortlægningen af uligheden i sundhed havde jeg ikke skænket alt for stor plads i min nattesøvn. Men et join, det ved man da hvad er; Man har et GIS-lag indeholdende en kolonne med unikke værdier, og så har man en tabel, med en kolonne med tilsvarende unikke værdier. Når disse to datasæt kombineres kan GIS-laget efterfølgende symboliseres via tabellens øvrige kolonner.

Taktikken er lagt lidt om nu. I stedet for at benytte GIS til at få det generelle overblik over alle mulige relevante nøgletal fokuseres nu på kortlægningen (i form af kort i GIS) af udvalgte hypoteser omkring relationen mellem bestemte socialøkonomiske faktorer og hovedsagligt dødsårsag eller grund til hospitalsindlæggelse. Og for hver hypotese dykkes der ned i de relevante nøgletal og lag genereres kun for de variable (kolonner) og unikke værdier, der er relevante for hypotesens undersøgelse. Dette har reduceret antallet af lag der skal genereres i GIS markant.

Det er jo simpelt nok med en tabel som fx ”Befolkningstæthed”. Den vil typisk indeholde en kolonne med EU’s regioner i, og et antal kolonner der for hvert år lister befolkningstætheden for hver unik region. Èn tabel resulterer i èt GIS-lag, der kan symboliseres via hver af årstalskolonnerne.

En tabel som fx ”Antal fødsler af moderen i en bestemt alder” vil ikke kun resultere i et lag. Den vil have en kolonne der indeholder EU’s regioner; Så vil den have en kolonne der indeholder moderens alder (i denne tabel har kolonnen 55 unikke værdier) og så vil den indeholde en række årstalskolonner, der indeholder værdier for, hvor mange fødsler der er foregået det år, med en mor i hver af de unikke aldersværdier. En tabel som denne vil altså resultere i 55 GIS lag, et for hver unikke alder af moder, og hvert af disse GIS lag kan reelt symboliseres via hver årstalskolonne.

En vigtig tabel i sundhedssammenhænge er tabellen ”Standardiseret dødsrate”. Den indeholder en kolonne med EU’s regioner. Derudover indeholder den en kolonne der specificerer køn (total, kvinde eller mand), alder (total, mindre end 65) og dødsårsag (66 unikke værdier). En tabel som denne resul-

I forhold til EUROSTAT er der ikke en effektiv metode til at finde ud af hvilke variable (så som alder, køn, dødsårsag) og hvilke unikke værdier, hver variabel indeholder. Tilgås data via hjemmesiden er man tvunget til at klikke sig frem til hver enkelt tabel og derefter først i selve udvælgelsesproceduren få overblik over hvilke variable man kan vælge mellem og hvilke værdier variablene indeholder. Dette er relevant i forhold til vurderingen af brugbarheden af nøgletallet, kan tabellens information deles op i køn, i de relevante aldersgrupper m.m. Efter at have downloadet tabellerne og placeret dem lokalt er det relativt nemt via en funktionalitet som Summarize at få overblik over hver variabels unikke værdier.

Det har betydet, at selvom taktikken er ændret i forhold til at fokusere på specifikke hypoteser i stedet for først at få overblik over, hvad der er tilgængeligt, så kræver det stadig et nærstudie af de specifikke tabeller for at vurdere om den opstillede hypotese overhovedet kan analyseres via de tilgængelige datas værdier. Ofte vil det dog være sådan, at hypotesen i så fald må tilpasses data.

47

Perspektiv nr. 13, 2008

Udover data fra EUROSTAT kontaktes til stadighed andre organisationer og institut ter med henblik på at indsamle tilgængelige data opmålt på regionalt niveau.

Brugen af GIS Der findes både internt og eksternt WHO’s europæiske kontor applikationer, hjemmesider og databaser, der på en nem måde kan visualisere data og statistik om data. Det umiddelbare ønske til GIS i sundhed oplever jeg er, at bevare denne mulighed for den fulde non-spatiale statistisk analyse og så samtidig udnytte GIS’ets mulighed for geografisk analyse og visualisering. Muligheden for at relatere informationer baseret på den geografiske location er en mulighed der kun findes i GIS og som er til stor nytte i sundhedsrelaterede analyser.

I WHO’s europæiske kontor er der ingen egentlig GIS-afdeling. Brugen af GIS er koncentreret omkring bestemte programmer, der ikke direkte relaterer sig til hinanden. Udviklingen og vedligeholdelsen af det web-baserede informationssystem for smitsomme sygdomme CISID (The centralized information system for infectious diseases3) foregår i sektionen Communicable Diseases.

Via dette system er det muligt at indsamle, analysere og præsentere data om smitsomme sygdomme i EU. Data indrapporteres til systemet fra EU’s medlemsstater. Derudover er der i CISID også opdaterede befolkningsdata og data for bekræftede sygdomsepidemier. Data kan udtrækkes og placeres lokalt i Microsoft excel-format og i kommaseparerede tekstfiler. Desværre er de subnationale data i dette system ikke direkte kompatible med EUROSTAT’s NUTS2-niveau (der er fokuspunktet for det projekt jeg er en del af).

WHO’s hovedkontor i Geneve har stået for udviklingen af 2 GIS-produkter ”Global Health Atlas” til globalt brug og ”HealthMapper” til lokalt brug. WHO’s kontor i USA (den panamerikanske sundhedsorganistation PAHO) har sideløbende stået for udviklingen af et andet GIS-værktøj til lokalt brug, ”SigEpi”.

48

I WHO’s globale online atlas over smitsomme sygdomme, værktøjet ”Global Health Atlas” er der mere end 300 nøgletal samlet for mere end 20 smitsomme sygdomme. Via dette online atlas er det muligt at se kort over spredningen af fordelingen af tilfælde af bestemte sygdomme. Men også kort over nøgletal, der relaterer sig til demografi og socialøkonomiske faktorer kan ses af dette atlas. Derved kan den enkelte bruger forsøge at danne sig et overblik over relationen mellem smitsomme sygdomme og andre faktorer.

Interaktive værktøjer gør det muligt for brugere af systemet at slå lag til der viser fx placeringen af sundhedsfaciliteter. Til brug i rapporter kan data visualiseres som diagrammer, grafer og tabeller med statistik for udvalgte lande. Trends over tid kan vurderes og situationer i bestemte kan lande kan sammenlignes enten for en enkelt sygdom, eller for flere udvalgte sygdomme.

Specifikt med henblik på brugere indenfor sundhedsområdet har WHO udviklet GISapplikationen ”HealthMapper”. Applikationen er baseret på MapObjects. Unødvendig funktionalitet i forhold til brugerne af programmet er reduceret, og funktionalitet der gør analyser af sundhedsdata nemmere er tilføjet. Derudover følger der med HealthMapper en række baggrundsdatasæt, både standard baggrundsdata som administrative områder, byer, veje, skove m.m. men også mere sundhedsrelaterede baggrundsdata som placering af sygehuse, skoler, vandkilder m.m. Fokus for HealthMapper har været udviklingen af et GIS-program der var nemt at bruge og som var uafhængig af en stor etableret database og en internetforbindelse.

I den panamerikanske sundhedsorganisation PAHO udvikledes i 1995 et værktøj på baggrund af næsten samme problemstilling som var udgangspunktet for udvikling af HealthMapper - der var behov for et billigt, brugervenligt sundhedsfokuseret GIS-værktøj, der kunne kortlægge, analysere og vurdere sundhedsrelaterede data.

Perspektiv nr. 13, 2008

SigEpi har markant mere analysefunktion sammenlignet med HealthMapper. Det er via SigEpi muligt at få genereret frekvensdistributioner, korrelationsanalyser og simpel og multipel lineær regressionsanalyse. SigEpi er også baseret på MapObjects.

Det projekt jeg er ansat til har foreløbig rådighed over en ArcView 9.2 licens. De krav der stilles til analyse og statistikfunktionalitet kan ikke umiddelbart som standard opfyldes af ArcMap. Det er fint, at jeg i ArcMap (ArcGIS Desktop) kan producere et kort der fx viser andelen af lavtuddannede mænd pr region, men hvorfor kan jeg ikke i signaturforklaringen, udover intervallet for gruppen få talt antallet af regioner sammen i hver kategori? Og hvorfor kan jeg ikke på en nem måde få udvalgt de regioner, der udgør de højeste 25%? Når jeg genererer et kort der viser standardafvigelsen af en sammenhæng, hvorfor kan jeg så ikke få tilføjet information om gennemsnit, spredning, antal regioner m.m. på mit layout?

På den anden side har ArcGIS Desktop stærke og umiddelbart lettilgængelige dataadministrations- og geoprocesseringsmuligheder.

Status for projektet er derfor nu at benytte ArcView 9.2 med dets styrke indenfor dette område og SigEpi med dets styrke indenfor både spatial og non-spatial analyse.

Når hvert nøgletal er blevet konverteret til et eller flere GIS-lag kan selve den geografiske analyse påbegyndes – et område hvor GIS har sin styrke i forhold til at fremlægge indholdet af en tabel. Blot ved selve genereringen af kortet vil den mest oplagte trend åbenbares og det er som at åbne en gave til jul at se indholdet af en tabel åbenbares i form af et kort for første gang. Er der en nord-syd trend, eller en øst-vest trend? Er der en generel trend i hele EU, er der en trend lokalt i det enkelte land, er der konglomerater omkring metropolerne i EU? Og når disse sammenhænge er visualiseret er det næste trin i projektet at se om nogle af disse nøgletal korrelerer.

De kort, der produceres i løbet af projektperioden skal præsenteres i et atlas i bogform og på Internettet. Hvordan det endelige produkt af projektet kommer til at kunne benyttes af brugere på Internettet er endnu ikke klarlagt.

Konklusion Kan verdens sundhed gøres retfærdig via GIS? GIS medvirker dagligt til at kortlægge sygdomme og til at kortlægge nøgletal omkring socialøkonomiske faktorer. Men hvem ser på kortene, hvem tager beslutningerne om hvilke tiltag og ændringer der er behov for?

Der er rigtig mange mennesker der arbejder indenfor feltet social ulighed i sundhed, og der er stor politisk opbakning omkring emnet. Et kort kan medvirke til at vigtige sammenhænge gøres nemmere at forstå. Mit håb er at resultatet af dette projekt er en masse kort der på en nem og overskuelig måde præsenterer nogle fra litteraturen allerede kendte sammenhænge på en ny måde der gør emnet social ulighed i sundhed nemmere at relatere sig til så politikere og andre kan undres, og stille spørgsmål og komme med løsninger på hvordan verdens sundhed (i EU) kan gøres mere retfærdig.

Referencer Dahlager, L., 2008: Hellere rig og glad end fattig og syg, Politiken, 10. januar 2008 Larsen, K., 2008, About EUROSTAT, http://www. europa-kommissionen.dk /upload/application/ d44d36e2/v10.pdf, Tilgået januar 2008 WHO, 2008: Frequently asked questions, 2008, http:// www.who.or.jp/faqs.html, Tilgået januar 2008 The Global Health Atlas, 2008, http://www.who. int/health_mapping/tools/globalatlas/en/index. html, Tilgået januar 2008 Health Mapper, 2008, http://www.who.int/health_ mapping/tools/healthmapper_faq/en/index.html, Tilgået januar 2008 Public Health Mapping and GIS Programme, 2008, http://www.who.int/health_mapping/about/en/, Tilgået januar 2008

49

Perspektiv nr. 13, 2008

SigEpi, 2008, http://ais.paho.org/sigepi/index.asp, Tilgået januar 2008 Bagh, J. & E. Ravn, 2007, Test i viden om social ulighed i sundhed, Sygeplejersken nr 25, 2007, http://www.sygeplejersken.dk/sygeplejersken/ default.asp?intArticleID=16253 Dahlgreen, G. & M. Whitehead, 2007, Policies and strategies to promote social equity in health, Background document to WHO – Strategy paper for Europe, Institutet för Framtidsstudier; 2007:14 Andersen, N. V., 2007, Ulighed i sundhed på den globale dagsorden, Ugeskrift for Læger 2007;169(46):3937 Prüβmann, J., 2006, Socially Conditioned Health Inequality – Determinants and Indicators in the Countries and Regions of Europe, December 2006 Larsen, F. B., L. Norvig & D. Søe, 2006, Hvordan har du det? Sundhedsprofil for region og kommuner i Region Midtjylland, Region MidtJylland, Center for Folkesundhed, November 2006

space: can Bourdieu help us? Health & Place, Volume 10, Issue 3, September 2004, Pages 245257 Cossman, R. E., J. S. Cossman, R. Jackson & A. Cosby, 2007, Mapping high or low mortality places across time in the United States: a research note on a health visualization and analysis project, Health & Place, Volume 9, Issue 4, December 2003, Pages 361-369 SigEpi, 2001: Geographic Information System in Epidemiology and Public Health, 2001, Epidemiological Bulletin, Pan American Health Organization, September 2001, Vol. 22, No. 3 Whitehead M. , 1999, The concepts and principles of equity and health

Fodnoter 1

Body Mass Index (BMI) beregnes ved at dividere vægten i kg med højden i meter i anden (kg/m2).

2

NUTS står for Nomenclature of Territorial Units for Statistics. Det er en geografisk enhed, der blev oprettet af den Europæiske Unions officielle statistiske kontor EUROSTAT, til statistiske formål. NUTS2 niveau svarer til en region med mellem 800 000 og 3 millioner indbyggere.

3

Mere information om CISID kan fås under linket http://data.euro.who.int/cisid/

Mackenbach J. P., 2005, Health Inequalities: Europe in Profile, Oktober 2005 Gatrell A. C., J. Popay. & C. Thomas, 2004, Mapping the determinants of health inequalities in social

Om forfatteren Anne Vendeløkke Olsen, (anv@euro.who.int) Cand. Scient., Verdens Sundhedsorganisationen (WHO),

50

Kære medlem, Ved du at stillingsopslag, der bringes på www.geoforum.dk rent faktisk bliver set?

En god grund er, at Geoforums side ofte bliver opdateret hos: Google, MSN, Yahoo og Jubii Derfor når din annonce på www.geoforum.dk hurtigt den interesserede jobsøgende

GRATIS markedsføring!

Fortæl om: dit nye produkt din nye service din nye nøglemedarbejder i geoforum.dk anvend Nyheds-formularen på www.geoforum.dk

Geoforum - et godt sted at blive set

Kortdage 2008

Husk at reservere 27. - 29. oktober til Kortdage 2008 – nür kort og geodata er meget mere end illustrationer og baggrund Vi ses i Kolding!