Juice Leskinen, XV Yö, 1980
Tiivistelmä
Aloin kirjoittaa tätä artikkelia vastineena Helsingin Sanomien Annikka Mutasen artikkeliin Laskelmat Suomen ”huikeasta” ylikuolleisuudesta eivät kestä tarkastelua 31.12.2022. Tämä on nyt se tarkastelu. Heti aluksi oli selvää, että väite vastaan väite, sana vastaan sana kiistely olisi hyvän ajan heittämistä huonon perään, että ei olisi viisasta kirjoittaa sitä ad hominem vaan a data, ja että tästä lähtökohdasta artikkelista tulisi aivan liian pitkä HS:n sivuille. Siksi blogipostaus.
Poimin HS:n väitteistä muutaman:
-
- ”Ylipäätään ylikuolleisuudelle ei ole virallista kansainvälistä mittaria”, Rapo sanoo: Määrittele “virallinen”. Ylikuolleisuuden ovat määritelleet Cambridge Dictionaryn lisäksi mm. WHO, EuroStat, OECD.Stat verkkosivuillaan, ja WHO nimenomaan COVID-19 pandemian vuoksi täsmennettynä. Määritelmät ovat asiallisesti yhdenmukaisia ja läytyvät linkkeineen tämän artikkelin liitteestä. WHO:n määritelmän käänsin suomeksi tämän artikkelin alkuun.
- Ei siis ihme, että eri ylikuolleisuusvertailuista on saatu hyvinkin eri näköisiä tuloksia: Artikkelini taulukon 2 numeroista voit päätellä itse kuinka erinäköisiä tuloksia neljä eri ylikuolleisuusarvioitsijaa ovat kahdeksalle maalle ja kahdelle aikajaksolle tuottaneet.
- Laskelmat Suomen ”huikeasta” ylikuolleisuudesta eivät kestä tarkastelua: Maaliskuusta 2020 joulukuuhun 2022 ylikuolemia kertyi n. 10 000, näistä 2/3 kesän 2021 ohi-on päätösten jälkeen. Artikkelini taulukosta 1 voit päätellä itse kuinka hyvin tekemäni Suomen ylikuolleisuusarviot pandemian 3 vuodelle ja kahdelle alajaksolle kestävät tarkastelua kahden vastaavan kansainvälisen ylikuolleisuusarvion kanssa ja taulukosta 2 miten arviot ylikuolleisuudesta Suomessa vertautuvat seitsämään muuhun Euroopan maahan.
- …kuolleisuuden tarkastelussa pitää aina käyttää ikävakioituja lukuja. Ikävakiointi poistaa väestömäärässä ja ikärakenteessa tapahtuneiden muutoksen vaikutuksen ilmiöön. … Emeritusprofessori Jantusen laskelma menee harhaan ainakin ikävakioinnissa: Ikävakioituja kansainvälisisiä ylikuolleisuusanalyysejä on tehty hyvin niukalti ja löytämistäni vain yksi ulottuu vuoteen 2022. Sen tuloksia voi Suomen osalta tulkita sekä sekä hyviksi että huonoiksi, mutta vertailukelpoisia numeerisiin ylikuolleisuusarvioihin ne eivät ole.
Edellisten ohella yleisimmin kuulemani väitteet kansainvälisiä ja Suomalaistenkin laskemia ylikuolleisuusarvioita vastaan ovat
(i) Koronan kanssa mutta ei koronan vuoksi: Kuolinsyillä ei ole vaikutusta ylikuolleisuuteen, ainoastaan kuolemien määrillä.
(ii) Suomen väestön ikääntymistä ei ole huomioitu: Seitsämän eurooppalaisen vertailumaan väestöpainotettuihin keskiarvoihin verrattuna suomalaisten mediaani-ikä on 1,3 v nuorempi, yli 70 v osuus on 1,0 %-yksikköä pienempi, elinajanodote 0,2 v lyhyempi, diabetesprevalenssi sama, ja tupakointi merkittävästi vähäisempää. Me emme ikäänny yksin.
(iii) Tilastot antavat väärän kuvan Suomen koronakuolleisuudesta: OECD, EuroStat, WHO, the Economist, ym. eivät yhteistuumin eivätkä erikseen ota vaivakseen muokata tilastojaan Suomea mustaavaan suuntaan. Suomi on erikoistapaus vain meille suomalaisille. Jos me taas itse parantellemme numeroita, me petämme ainoastaan itseämme.
Suomen pandemiakuolleisuus nousi kesäkuusta 2021 alkaen eurooppalaisittain matalalta tasolta yhdeksi kehittyneiden maiden korkeimmista. Syitä ovat suomalaisten virka-asiantuntijoiden neuvot sekä päättäjien niistä johtamat valinnat ja toimet, joita valtamedia on jokseenkin kritiikittömästi ja varauksetta tukenut.
Mitään suomalaisten omista toimista riippumattomattomia objektiivisia/ulkoisia syitä Suomen erittäin huonoksi kehittyneeseen pandemiatilanteeseen ei ole.
Ylikuolemat, ylikuolleisuus, määritelmä
WHO: COVID-19 pandemiaan liittyvät ylikuolemat [excess deaths]:
COVID-19 pandemiaan liittyvää ylikuolleisuutta [excess mortality] käytetään kvantifioimaan pandemian suoria ja epäsuoria vaikutuksia. Ylikuolleisuus [excess mortality] on määritelty kaikkien määrätyllä alueella määrättynä aikana tapahtuneiden kuolemien ja laskennallisen kuolleisuuden, jos kriisiä (esim. COVID-19 pandemiaa) ei olisi, erotuksena. Tämän erotuksen oletetaan sisältävän kuolemat jotka johtuvat COVID-19:sta suoraan, sekä myös kuolemat jotka liittyvät COVID-19:aan epäsuorasti pandemian terveydenhoitoon ja yhteiskuntaan kohdistuvien vaikutusten kautta, miinus kuolemat jotka olisivat tapahtuneet normaaliolosuhteissa, mutta joilta vältyttiin pandemiaan liittyneiden sosiaalisten olosuhteiden ja henkilökohtaisten käyttäytymismuutosten vuoksi.
Ylläoleva teksti on WHO:n 10.5.2022 päivittämä määritelmä ylikuolleisuus/ylikuolemat -käsitteelle epidemian tai tapahtuman (kuten helleaalto, ilmansaaste-episodi, sota) yhteydessä. Hieman tiiviimmin muotoiltuja ylikuolleisuuden/ylikuolemien määritelmiä ovat esittäneet myös mm. EuroStat, OECD, OWiD [Our World in Data] ja Cambridge Dictionary – ne löytyvät liitteestä 1. Niiden kaikkien olennainen sisältö on sama. Ylikuolleisuus on [haitallisen tapahtuman aikana] toteutuneen kuolleisuuden ja laskennallisen [normaaleja olosuhteita vastaavan] taustakuolleisuuden erotus.
Koska tiedot toteutuneesta kuolleisuudesta saadaan yleensä luotettavista kansallisista tai kansainvälisistä lähteistä, ylikuolleisuuden laskennan kriittinen muuttuja on arvio todennäköisestä kuolleisuudesta jos haitallista tapahtumaa ei olisi. Arviointiin on käytettävissä kansallisia ja ylikansallisia tietokantoja ja laskentamenetelmiä.
Ylikuolleisuuteen liittyviä mittareita
EuroMOMO Z-score visualisoi viikottaisten kuolemien määrän vaihtelua. Se ei mittaa kuinka paljon viikon kuolemat lukumääräisesti tai prosentuaalisesti ylittävät edellisten vuosien vastaavat tasot, vaan sitä kuinka merkittävä tuo ero on tilastollisesti. Z-scorea ei voi verrata väestöltään erikokoisten maiden välillä, koska väestöltään pienissä maissa, joissa viikottaisten kuolemien määrät ovat pieniä ja hajonnat suuria, esim. 2022 Malta 54…124, Kypros 99…211, niiden Euroopan korkeimmat ylikuolleisuudet 18 % ja 21% näkyvät vain vähäisinä ja harvinaisina substantial increase -tason ylityksenä (Kuva 1.) Sensijaan suuressa maassa, kuten Ranskassa, viikottaisten kuolemien määrä on suuri ja hajonta pieni 11 000 .. 15 000. Niinpä Ranskan 9.7% ylikuolleisuus näkyy Z-scoren toistuvina ja suurina substantial increase -tason ylityksinä. EuroMOMO ei julkaise maakohtaisia numeerisia ylikuolleisuus-arviota, ei myöskään laskelmissaan käytettyjä standardipoikkeamia.
Kuva 1. EuroMOMO: Kahden väestöltään pienen maan, Maltan ja Kyproksen, Maltaa 12 ja Kyprosta 5 kertaa suuremman Suomen, sekä Suomea 12 kertaa suuremman Ranskan viikottaisten kuolemien Z-scoret vuoden 2021 heinäkuusta vuoden 2022 joulukuuhun. Maltan ja Kyproksen Euroopan korkeimmat ylikuolleisuudet 18% ja 21% näkyvät Z-scoressa paljon matalampina kuin Ranskan 9.7% ylikuolleisuus.
Vakioitu kuolleisuusuhde [SMR, standardized mortality rate]. Väestöotosten vakiointi kuuluu ensimmäisiin asioihin, mikä epidemiologiassa opetetaan. Sitä käytetään korjaamaan rinnakkaisten väestöotoksen, esim, altistuneet, ei-altistuneet, kuolleisuus/sairastavuustuloksia vertailukelpoisiksi. Sillä vakioidaan laskennallisesti väestöotosten raakatuloksiin tutkimuksen kohteena olevan muuttujan ohella vaikuttavia taustamuuttujia, kuten ikä, sukupuoli, sosioekonominen tai terveydellinen tausta.
Väestön tulevien vuosien kuolleisuutta voi toki ennustaa olettamalla kunkin ikävuosiluokan kuolleisuuden säilyvän nykyisenä, ja laskemalla odotettavissa oleva normaalikuolleisuus tulevien vuosien ennustetuja ikäjakaumia vastaavaksi. Laskutapa johtaa kuitenkin tulevien vuosien kuolleisuuden systemaattiseen yliarviointiin, koska – poikkeusvuosia lukuunottamatta – kunkin ikävuosiluokan (0…100v) kuolleisuuden trendi on ollut aleneva jo toistasataa vuotta.
Ikävakiointi huomioi lukuisista kuolleisuuteen vaikuttavasta muuttujista vain yhden, iän, mutta sivuuttaa elintavat, ravinnon, elin-, asuin- ja työympäristön, terveyden- ja sairaanhoidon, tapaturmat ja väkivallan ym. joiden pitkän ajan muutoksista kertyvän yhteisvaikutuksen ansiosta suomalaisten eliniän pitkän ajan kasvutrendi on ollut 2,4 kk/v, ts. ikävakioitu kuolleisuus on jatkuvasti alentunut. Tänään 84 v täyttävän elinajanodote on hänen elinaikanaan kasvanut 31 (!) vuotta.
Aikasarja-analyysi:
COVID-pandemiaa edeltävän ja pandemian aikaisen kuolleisuuden arvioinnissa ei ole kyse kahden väestöotoksen vertaamisesta, vaan koko väestön seurannasta, aikasarja-analyysistä, joka on normaali tapa analysoida myös helteen ja pakkasen, ilmansaasteiden, yleisten tupakointirajoitusten ym. vaikutuksia koko väestön terveyteen ja kuolleisuuteen. Toisin kuin ikävakiointi, reaalidataan perustuva aikasarja-analyysi sulkee sisäänsä kaikkien muutostekijöiden yhteisvaikutuksen ja siten myös niiden keskinäisten tilastollisten riippuvuuksien vaikutukset. Ikävakiointia ja aikasarja-analyysiä [muiden vaikuttavien tekijöiden huomioimiseksi] ei voi yhdistää, koska aikasarja-analyysi sulkee jo kertaalleen sisäänsä myös väestön ikääntymisen vaikutuksen.
Taustakuolleisuuden arvioimiseen Suomessa tarvittava kuolemien aikasarja (Kuva 2.) ulottuu 1700 luvulle ja korkealla ikäluokka-sukupuoli-alue-aikaresoluutolla se on ladattavissa Tilastokeskuksen verkkosivulta vuodesta 1990 tähän päivään. Tarkkana, yksityiskohtaisena ja monidimensionaalisena tämä kuolemien tilasto on ihanteellista materiaalia monentyyppiseen datavetoiseen numeeriseen mallintamiseen sekä myös numeeristen aikasarjamallien kehittämiseen ja testaamiseen.
Kuva 2. Kuolleiden määrät Suomessa viikottain vuodesta 1990 vuoteen 2022. Tarkka katsoja erottaa kuvasta kuolleisuuden verkkaisen alenemisen vuoteen 2004 (keskim.-178#/v), ja sen jälkeinen hieman nopeamman kasvun vuoteen 2019 (keskim. +425#/v).
COVID-19 pandemiaan liittyvä ylikuolleisuus
Ensimmäinen vastaani tullut useita maita kattanut COVID-19 pandemian ylikuolleisuusarvio julkaistiin The Economistissa heinäkuussa 2020. Sittemmin mm. Financial Times, New York Times, Karlinsky/WMD ja Economist ovat julkaisseet päivittyviä, kymmeniä…satoja maita ja alueita kattavia ylikuolleisuuslaskelmia. Niiden mukaan pandemia aiheutti Suomessa vuoden 2021 toisella puoliskolla ylikuolemia moninkertaisesti varmistettuja COVID-19 kuolemia enemmän. Korkein arvio vuosien 1920-21 ylikuolemista Suomessa – 1740 varmistettua COVID-19 kuolemaa ja 8780 ylikuolemaa (!) – esitettiin Lancetin 10.3.2022 julkaisemassa, IHME-tietokantaan perustuvassa, 191 maan COVID- ja ylikuolema-arviot kattaneessa artikkelissa.
Ylikuolemia kansainvälisesti tutkivat, laskevat ja raportoivat tahot, WHO EuroStat ja OECD.Stat, ja Economist, OWiD/Karlinsky, Karlinsky & Kobak ym. käyttävät omien tietokantojensa ohella Human Mortality Database, ja World Mortality Dataset tietokantoja. Economistin metodiartikkelin mukaisesti se ei huomioi väestön ikärakenteen muutosta ajassa, vaan jäädyttää demografian vuoteen 2019. WHO:n vastaava metodiartikkeli kuvaa ylikuolleisuuden jakautumista iän ja sukupuolen mukaan. Tätä ei kuitenkaan pidä sekoittaa kuolemien ikävakiointiin.
Etsiessäni artikkeleita, tilastoja ja useita maita kattavia ikävakioituja ylikuolleisuusvertailuja löysin yhden artikkelin, jossa on esitetty ikävakioidut ylikuolleisuusarviot 37, toisen 29 maalle vuodelle. 2020, ja kolmannen USA:lle ja Euroopalle v. 2020-2021. Vasta tämän artikkelini ensimmäisen postauksen jälkeen löysin yhden uudemman ja ehdottomasti kiinnostavimman. Tämä ajoittain päivittyvä Brittitutkimus on löytämistäni ainoa, jossa ikävakioitua ylikuolleisuutta [Age Standardised Mortality Rate, ASMR] on selvitetty Euroopan laajuisesti ja osittain myös vuoteen 2022 ulottuen.
Sen vuoksi esittelen sen tässä laajemmin.
Tutkimusraportin johdantona kannattaa lukea ONS:n viittä ylikuolleisuuden arviointimenetelmää ja niiden 29 maan tuloksia vertaileva raportti. Arviointimenetelmät tuottavat 29 maasta hyvin erityyppistä ja menetelmien kesken vaikeasti verrattavaa dataa, mutta kunkin menetelmän sisällä niitä voi verrata hyvin eri maiden välillä.
Mutta takaisin ASMR-tutkimukseen. Siinä käytetyt kuolleisuuden mittayksiköt eivät aukea intuitiivisesti, joten koetan avata niitä hieman. Tulokset on vakioitu v. 2013 Euroopan Standardiväestöön, ja viikottaisia ikävakiotuja kuolleisuuslukuja (vko ASMR verrataan vuosien 2015-2019 vastaavien viikkojen ikävakioitujen kuolleisuuslukujen keskiarvoon (ref ASMR).
Tulokset on ilmaistu suhteellisena ikävakioituna kuolleisuuslukuina (rASMR). rASMR = (vkoASMR – refASMR)/refASMR ja ilmaistaan prosentteina. Positiivinen rASMR (suhteellinen ikävakioitu kuolleisuusluku) tarkoittaa että tarkasteltavan viikon ikävakioitu kuolleisuusluku on korkeampi kuin vuosien 2015-19 vastaavien referenssiviikkojen ikävakioitujen kuolleisuuslukujen keskiarvo, ja negatiivinen, että se on matalampi.
Lopulta valitun aikajakson suhteellinen kumulatiivinen ikävakioitu kuolleisuusluku (rcASMR) ilmaistaan ko. aikajakson viikoittaisten ikävakioitujen kuolleisuuslukujen summan prosentuaalisena muutoksena vastaavien v 2015–2019 viikkojen ikävakioiduista kuolleisuuslukujen keskiarvojen summasta (huh!).
Tuloksiin palaan tuonnempaana pandemian ensimmäisen ja toisen vaiheen kohdalla.
Ylikuolleisuuden arviointi aikasarja-analyysillä
Koska en kevättalvella 2022 löytänyt suomalaisia ylikuolleisuusarvioita piti alkaa itse laskea minkä suuruinen tämä Suomen WHO:n määritelmän mukainen ylikuolleisuus [ylikuolleisuus on tapahtuneiden kuolemien ja laskennallisen kuolleisuuden – jos pandemiaa ei olisi – erotus] olisi.
Tilastokeskus raportoi Suomessa tapahtuneet kuolemat viikottain, minkä lisäksi tarvitsin arvion taustakuolleisuudesta ilman pandemiaa. Yksinkertaisin arvio olisi ollut muutaman pandemiaa edeltävän normaalivuoden kuolemien keskiarvo. Näin laskien päädyttäisiin Suomessa kuitenkin liian korkeaan ylikuolleisuusarvioon, koska kuolleisuus Suomessa on kasvanut jo ennen pandemiaa vuodesta 2005 lähtien, jaksolla 2005-2019 keskimäärin 425 kuolemaa/v.
Pandemiavuosien laskennalliseen taustakuolleisuuteen on siis tunnettava normaalina pidettävän aikajakson taso ja kasvutrendi. Tätä varten johdin Tilastokeskuksen raportoimista vuosien 2005-2019 viikottaisista kuolemista tässä artikkelissa käyttämäni regressiomallin pandemia-ajan taustakuolleisuudelle
laskennalliset kuolemat/vko = 8,7587 x kalenterivuosi – 16643,
Ylikuolemien ja COVID-kuolemien tarkemman ajallisen yhteyden selvittämiseksi tarvitaan regressiomallin lisäksi normaalivuosien kuolemien vuodenaika-, kuukausi- ja/tai viikottaisesta -jakauma. Tätä varten laskin vuosien 2005-2019 toteutuneiden viikkokuolemien poikkeamat regressiomallin ennustamista, ja niistä edelleen keskipoikkeaman normaalivuoden jokaiselle 52 viikolle. Lopullinen laskentamalli pandemia-ajan viikottaisten taustakuolemien [siis jos pandemiaa ei olisi] arviointiin yhdistää nämä kaksi mallia.
Viidentoista vuoden jokaisen 52 viikon keskiarvot olisi voitu korvata samasta datasta lasketulla kosinisovitteella, kuten Rönning ja Guldbrandsen erinomaisessa analyysissään Suomen pitkäkestoinen ylikuolleisuusanomalia syksyllä 2021, jonka löysin vasta viime joulun alla.
Käyttämäni regressiomalli ei ole erityisen omintakeinen, mutta koska kehitin sen itse jo ennen kuin huomasin esim. Karlinsky/WMD mallintavan 120 maan ylikuolleisuutta hyvin samankaltaisella datavetoisella mallilla [hän perustaa sen 2015-19 normaalivuosidataan] kutsun silti mallin sovellusta Suomeen 2020-22 MJJ regressiomalliksi.
MJJ regressiomallin validointi
Paras tapa validoida malli on testata kuinka hyvin sillä voi ennustaa tulevaiisuuden sijaan jo tapahtuneita asioita, tässä tapauksessa pandemiaa edeltävien kolmen vuoden 2017…19 kuolleisuutta. Tätä varten johdin mallin parametrit kuten edellä, mutta vuosien 2005-2016 kuolleisuus- ja viikkopoikkeamista. Kuvassa 3 on esitetty rinnakkain tällä metodin validointimallilla lasketut ja Tilastokeskuksen mukaiset viikottaiset kuolemat vuosille 2017-19. Laskettuja kuolemia on yhteensä 161 772, tapahtuneita 161 725, ts. mallin ja todellisuuden erotus on 47 kuolemaa 3 vuodessa, 0,029%.
Kuva 3. Vuosien 2005-16 viikkokuolleisuudatasta johdetulla regressiomallilla lasketun vuosien 2017-19 viikottaisten kuolemien määrän ja vastaavien tapahtuneiden kuolemien vertailu. Vuosittaisten kuolemien keskiarvo on 53 900 ja koko kolmen vuoden jaksolle malli ennusti 47 kuolemaa, 0,029%, enemmän kuin tapahtui. Erikseen vuodelle 2017 malli ennusti 82 ja vuodelle 2018 443 kuolemaa vähemmän, mutta vuodelle 2019 572 kuolemaa enemmän kuin mitä todellisuudessa tapahtui.
Tämä kuulostaa jo liian hyvältä. Realistisemman kuvan MJJ regressiomallin luotettavuudesta sain analysoimalla mallinnettujen ja toteutuneiden vuosittaisten kuolemien eroja. Koska kuolemat on sekä mallinnettu ja tilastoitu viikottain, tuotin vuosien 2017-19 datasta 100 eri 52 peräkkäisen viikon [=1 vuoden] pituista jaksoa ja laskin niistä jokaiselle mallinnettujen ja tapahtuneiden kuolemien erotukset – ts. MJJ regressiomallin virhejakauman, kumulatiivisena frekvenssijakaumana kuvassa 4. Erotusten keskiarvo on 45 kuolemaa (0,08%), mediaani -82 (0,15%), standardipoikkeama 497 (0,91%), ja mallin virheistä 95% osuu välille -736 ja +670 kuolemaa (n. 1,3%).
Kuva 4. Sadan vuosiin 2017-2019 sisältyvän 52 viikon jakson regressimallilla lasketun ja tapahtuneen kuoleman erotuksen kumulatiivinen frekvenssijakauma. 52 viikon jakson kuolemien keskiarvo on 53 900. Mallinnettujen ja tapahtuneiden kuolemien erotuksen keskiarvo on 45 kuolemaa, 0,08%, ja standardipoikkeama 497 kuolemaa (0,91%).
Validoinnin tulosten perusteella MJJ regressiomallin ennustamien vuosikuolemien systemaattinen virhe [accuracy] on prosentin kymmenesosan, tilastollinen virhe [precission] prosentin suuruusluokkaa.
Pandemia-ajan ylikuolleisuus Suomessa
Palaan WHO:n määritelmään: – ylikuolleisuus on tapahtuneiden kuolemien ja laskennallisen kuolleisuuden – jos pandemiaa ei olisi – erotus. Kuva 5 esittää rinnakkain pandemia-ajalle MJJ regressiomallilla lasketun viikkokuolleisuuden [taustakuolleisuus jos opandemiaa ei olisi] sekä viikottain tapahtuneet kuolemat. Niiden erotus on ylikuolleisuus, jonka rinnalla kuva 6 esittää THL:n nykyisen raportoinnin mukaiset koronasta johtuvat kuolemat. Kaikki tämän esityksen COVID-19 kuolemat ovat THL:n määrittämiä koronasta johtuvia kuolemia ellei nimenomaan toisin mainita.
Kuva 5. Tilastokeskuksen julkaisemat viikottaiset kuolemat Suomessa sekä MJJ Regressiomallilla lasketut viikottaiset kuolemat jos pandemiaa ei olisi jaksolla 2020 viikko 12 – 2022 viikko 52.
Kuva 6. THL:n nykyisen ilmoitustavan mukaiset koronasta johtuvat kuolemat [yhteensä 4 694] ja MJJ regressiomallilla lasketut ylikuolemat [yhteensä 10 069] vuosille 2020-2022. Raportoinnin viiveen vuoksi, marras-joulukuun koronasta johtuvista kuolemista puuttuu vuoden 2022 loppua kohti tultaessa kasvava osuus.
Taulukossa 1 on esitetty pandemia-ajan COVID-19 ja ylikuolemat vuosille 2020, -21 ja -22, sekä erikseen vuoden 2021 alku- ja loppupuoliskolle, koska ne eroavat jyrkästi toisistaan. Siitä voi myös vertailla MJJ regressiomallilla, Karlinskyn/WMD regressiomallilla ja Economistin koneoppivalla mallilla laskettuja ylikuolema-arvioita Suomessa pandemian eri vaiheissa. Kaikki mallit tuottavat saman yleiskuvan pandemian etenemisestä ja ylikuolleisuuden tasosta. Economistin malli tuottaa koko ajalle 20% korkeamman ja WMDn malli 5% matalamman ylikuolleisuusarvion kuin MJJ regressiomalli. Jälkimmäinen tuottaa suhteellisesti hieman matalamman ylikuolleisuusarvion ensimmäiselle ja korkeamman kolmannelle pandemiavuodelle kuin Economistin ja WMDn mallit. Yksi syy saattaa olla, että MJJ regressio perustuu vuosien 2005-2019, WMD vuosien 2015-2019 trendiin.
Taulukko 1. THL:n vanhan ja nykyisen ilmoitustavan mukaisesti raportoimat COVID kuolemat Suomessa sekä MJJ regressiomallin, Economistin ja Karlinskin WMD laskennalliset arviot ylikuolemista Suomessa vuosina 2020…2022.
Pandemian kaksi vaihetta
Keskikesä 2021 jakaa pandemian Suomessa kahteen toisistaan jyrkästi poikkeavaan vaiheeseen – sen vuoksi olen jakanut vuoden 2021 tarkastelussani puoliksi pandemian kahden vaiheen kesken.
Ensimmänen vaihe
Pandemiavuoden 2020 maalis-huhtikuun koronasta johtuvat kuolemat saatiin pian taitettua lähes nollatasolle, mikä sai Suomen johtavat kansanterveysviranomaiset julkisesti huolestumaan pandemian pysähtymisestä ja liian hitaasta etenemisestä (?!). Kesäkuusta lokakuuhun viikottaiset koronakuolemat pysyivät yksinumeroisia, mutta kääntyivat syksyllä uuteen kasvuun. Vuoden loppuun mennessä koronasta johtuvia kuolemia oli kertynyt 530, ja ylikuolemia MJJ regressiomallin mukaan 970, Karlinsky/WMD ja Economistin mallien mukaan 254…445 enemmän.
Vuoden 2021 alkupuoliskolla ylikuolleisuus vaihtui alikuolleisuudeksi (Kuva 5 ja Taulukko 1) mitä selittää MJJ regressiomallin epätarkuuden ohella varmistettujen influenssakuolemien putoaminen pandemiaa edeltävien 5 vuoden keskiarvosta, 248, yhteen. Ilmiö näkyy selvästi myös Economistin ja Karlinsky/WMD laskentatuloksissa.
Taulukossa 2. verrataan neljällä eri ylikuolleisuusmittarilla neljän Pohjoismaan ja neljän Euroopan suuren maan [Ranska, Saksa, Italia, Yhdistynyt Kuningaskunta] ylikuolleisuutta.
Väestöön suhteutettuna ylikuolemia tapahtui pandemian ensimmäisen vaiheen aikana Suomessa merkittävästi vähemmän kuin Keski-Euroopan verrokkimaissa. Pohjoismaista Tanska ja Norja selviytyivät Suomea paremmin, Ruotsi selvästi huonommin (Taulukko 2.).
Taulukko 2. Economistin, World Mortality Datasetin, OECD:n ja EuroStatin pandemia-ajan ylikuolleisuuslaskelmien tulokset miljoonaa asukasta kohden neljälle Pohjoismaalle ja neljälle suurelle Euroopan maalle (i) jaksolle 2020 viikko 12 – 2021 viikko 26 ja (ii) 2021 viikko 27 – 2022 viikko 52. Tähänastisen pandemia-ajan ensimmäisellä puoliskolla näissä 8 maassa ylikuolleisuus oli korkein Italiassa jokaisen käytetyn mittarin mukaan. Toisella puoliskolla, sensijaan, ylikuolleisuus on korkein Suomessa – samoin jokaisen käytetyn mittarin mukaan.
Tässä kohdassa on syytä katsoa erikseen kuinka aiemmin mainitsemani ikävakioidun kuolleisuuden [ASMR] brittitutkimuksen tulokset vertautuvat toisenlaisilla menetelmillä laskettuihin taulukon 2 tuloksiin.
Tämän tutkimuksen tuloksista voi päätyä vastakkaisiin tulkintoihin esim. Suomen pandemia-ajan ylikuolleisuudesta. Sen kuvasta 4 voi lukea, että tammikuusta 2020 kesäkuuhun 2021 Suomen pandemia-ajan suhteellinen kumulatiivinen ikävakioitu kuolleisuusluku (rcASRM) kuului muiden Pohjoismaiden ja Luxembourgin kanssa Euroopan matalimpiin, -5,2%. Kahdeksasta käyttämästäni vertailumaasta Brittitutkimuksesta puuttuu Saksa, mutta muut seitsämän asettuvat pandemian ensimmäisessä vaiheessa täsmälleen samaan järjestykseen kuin keskimäärin Economistin, Karlinsky/WMD, OECD.Stat ja EuroStat arvioissa taulukossa 2, Norja-Tanska-Suomi-Ruotsi-Ranska-UK-Italia.
Saman julkaisun kuvasta 2 voi sensijaan lukea, että pandemian toisessa vaiheessa kesäkuusta 2021 kesäkuuhun 2022 Suomen viikottainen suhteellinen ikävakioitu kuolleisuusluku (rASRM) oli >1.0 koko väestön osalta 74,1% ajasta ja yli 65 v väestön osalta 81,5% ajasta. Edellinen luku on Euroopan neljänneksi korkein Kreikan, Bulgarian ja Kyproksen jälkeen, jälkimmäinen toiseksi korkein Kreikan jälkeen (vrt. Ruotsi 3,7%, Euroopan alhaisin]. Näiden tulosten perusteella seitsämän vertailumaata asettuvat pandemian toisessa vaiheessa järjestykseen Ruotsi-Italia-Ranska-Tanska-UK-Norja-Suomi. Italiaa lukuunottamatta järjestys on sama kuin taulukossa 2.
Tulosten vertailun kannalta on rohkaisevaa, että vaikka ikävakioitujen ylikuolleisuusarvioiden tuottamat lukuarvot eivät numeerisesti olekaan vertailukelpoisia muilla menetelmillä tuotettujen arvioiden kanssa, ne näyttävät asettavan maita hyvin samakaltaiseen kuolleisuusjärjestykseen.
Toinen vaihe
Vuoden 2021 jälkipuoliskolla – delta-variantin levitessä Suomeen – koronasta johtuvat kuolemat alkoivat kasvaa hitaasti, sitten deltavariantin kiihdyttämämänä vuodenvaihteeseen 2021-22, notkahtivat muutamaksi viikoksi kunnes kasvu jälleen omikronin levitessä kiihtyi maaliskuuhun 2022 (Kuva 6.). Toisin kuin koronasta johtuvat kuolemat, ylikuolemat kasvoivat jo heti keskikesällä hyvin nopeasti ja ylittivät jo heinäkuussa 2021 aikaisemmat huipputasot. Vuoden 2021 jälkipuoliskon kuuden kuukauden ylikuolemat ylittivät 16 ensimmäisen pandemiakuukauden ylikuolemat 1800…2500:lla ja samojen kuuden kuukauden koronasta johtuvat kuolemat 5..6 kertaisesti (Taulukko 1.).
Kolmannen pandemiavuoden, 2022, aikana koronasta johtuvia kuolemia kertyi 3 285, 70% kolmen tähänastisen pandemiavuoden kaikista 4 694:sta koronasta johtuvista kuolemista. Ylikuolemia kertyi samanaikaisesti yli kaksi kertaa enemmän, 6 741, 62…67% kolmen tähänastisen pandemiavuoden kaikista 10 069:sta ylikuolemasta. Tähän mennessä kolmas pandemiavuosi eli 1/3 pandemia-ajasta on aiheuttanut 2/3 pandemiakuolemista.
Väestöön suhteutettuna ylikuolemia tapahtui pandemian toisen vaiheen aikana Suomessa sekä Keski-Euroopan suurista että Pohjolan verrokkimaista eniten (Taulukko 2).
Koronamenestystä siis seurasi koronaromahdus
Ensimmäisessä vaiheessa [15.3.2020 – 30.6.2021] Suomi, Tanska ja Norja muodostivat jokaisella neljällä käytetyllä ylikuolleisuusmittarilla arvioituna kahdeksan vertailumaan joukossa pandemiansa parhaiten hoitaneiden kolmen kärjen.
Sitten seurasi romahdus.
Toisessa vaiheessa [1.7.2021-30.12.2022] Ruotsi kiri näiden kahdeksan maan parhaaksi ja Suomi putosi sen huonoimmaksi – molemmat jokaisella neljällä käytetyllä ylikuolleisuusmittarilla arvioituna.
Suomen pandemiapolitiikan vertailutilanne ei parane tarkastelemalla ylikuolleisuuden sijaan varmistettuja COVID-19 kuolemia. Vuoden 2022 osalta Suomi johtaa em. kahdeksan maan varmistettujen COVID-kuolemien määrässä (Kuva 7.) ja tätä kirjoitettaessa (13.1.2023) Suomen väestöön suhteutettu COVID-19 kuolemien määrä on Johns Hopkins yliopiston SandDatan mukaan neljän kuukauden aikana ollut yhteensä 100 päivän ajan 32 Euroopan, Pohjois-Amerikan, Aasian ja Oseanian kehittyneimmän maan korkein.
Kuva 7. Suomen viranomaisten ilmoittamien varmistettujen COVID kuolemien kumuloituminen miljoonaa asukasta kohden 12 edellisen kuukauden aikana. Myös tällä mittarilla Suomen pandemiatilanne on poikkeuksellisen synkkä. Lähde: https://ourworldindata.org/covid-deaths
Loppukommentteja
Yleisimpiä reaktioita yllä esitettyjen kaltaisiin numeroihin ja kuvaajiin ovat olleet: (i) koronan kanssa mutta ei koronan vuoksi, (ii) Suomen väestön ikääntymistä ei ole huomioitu, (iii) Tilastot antavat väärän kuvan Suomen koronakuolleisuudesta.
Näistä lyhyet kommentit.
- (i) Ei vaikuta ylikuolleisuuteen tai sen arviointiin.
- (ii) Suomen ja vertailumaiden väestöjen ikääntyminen on kunkin tilastoinnin sisällä huomioitu tai jätetty huomioimatta samalla tavalla, joten sillä ei ole vaikutusta kansainvälisten ylikuolleisuustasojen vertailtavuuteen.
Koska tämä argumentti on niin yleinen, poimin taulukkoon 3 OwiDin yleisestä tietokannasta edellämainittujen kahdeksan vertailumaan viisi keskeistä ikä- ja terveysparametria. Niiden väestöpainotettuihin keskiarvoihin verrattuna Suomen väestö on mediaani-iältään 1,3 v nuorempaa, yli 70 v osuus väestössä on 1,0 %-yksikköä matalampi, elinajanodote on 0,2 v lyhyempi, diabetesprevalenssi sama ja tupakointi merkittävästi vähäisempää. Se vähä minkä Suomen väestön ikärakenne poikkeaa tyypillisistä eurooppalaisista arvoista on siis nuorempaan suuntaan, eikä vertailutilanne muuttunut kun lisäsin siihen 20 muuta Euroopan maata.
Taulukko 3. Suomen ja seitsämän vertailumaan väestön ikä- ja terveysparametreja. Koko joukon väestöpainotettuun keskiarvoon verrattuna Suomen väestö on mediaani-iältään 1,3 v nuorempi, yli 70 v osuus on 1,0 %-yksikköä pienempi, elinajanodote 0,2 v lyhyempi, diabetesprevalenssi sama, ja tupakointi merkittävästi vähäisempää.
- (iii) OECD, EuroStat, EuroMOMO, WHO, Johns Hopkins yliopisto, World Mortality Dataset, the Economist, ym. eivät yhteistuumin tai edes joku niistä erikseen ota vaivakseen vääntää kymmeniä tai satoja maita koskevia tilastoja Suomea mustaavaan suuntaan. Suomi on erikoistapaus vain meille suomalaisille. Jos me taas itse muokkaamme tilastoja peittämään omia virheitä tai parantellemme omia numeroita, me petämme ainoastaan itseämme.
Suomen pandemia-ajan COVID-19 ja ylikuolleisuus nousivat kesäkuusta 2021 alkaen kevääseen 2022 mennessä eurooppalaisittain matalalta tasolta kehittyneiden maiden korkeimpien joukkoon ja ovat sittemmin pysyneet siellä. Syitä ovat suomalaisten virka-asiantuntijoiden neuvot sekä päättäjien niistä johtamat valinnat ja toimet, joita – virka-asiantuntijoiden auktoriteetin säröttömyydestä alkaen – suomalainen valtamedia on jokseenkin kritiikittömästi ja varauksetta tukenut.
Mitään suomalaisten omista toimista riippumattomattomia objektiivisia/ulkoisia syitä Suomen erittäin huonoksi kehittyneeseen pandemiatilanteeseen ei ole.
LIITE: Excess mortality & excess deaths definitions and links
https://dictionary.cambridge.org/dictionary/english/excess-mortality
Cambridge Dictionary: excess mortality: the number of deaths during a particular period above the usual, expected number under normal conditions, which can show the effect of something like a disease or harmful event.
https://dictionary.cambridge.org/dictionary/english/excess-deaths
Cambridge Dictionary: Excess deaths: Deaths during a particular period above the usual, expected number of deaths under normal conditions, which can show the effect of something like a disease or harmful event:
Not all excess deaths during the pandemic were directly caused by the virus.
WHO Global excess deaths associated with the COVID-19 pandemic
Excess mortality associated with the COVID-19 pandemic is used to quantify the direct and indirect impacts of the pandemic. Excess mortality is defined as the difference between the total number of deaths estimated for a specific place and given time period and the number that would have been expected in the absence of a crisis (e.g., COVID-19 pandemic). This difference is assumed to include deaths attributable directly to COVID-19 as well as deaths indirectly associated with COVID-19 through impacts on health systems and society, minus any deaths that would have occurred under normal circumstances but were averted due to pandemic-related changes in social conditions and personal behaviours.
https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Glossary:Excess_mortality
Eurostat – Statistics explained
Glossary: Excess mortality. An unusual mortality increase during a specific period, in a given population, is often referred to as an excess mortality. Eurostat’s excess mortality indicator is expressed as a percentage of additional deaths in a month compared to a baseline period. In 2020, the baseline is given by average monthly deaths in the period 2016-2019.
https://www.oecd-ilibrary.org/social-issues-migration-health/health-at-a-glance-2021_ec2de914-en
OECD iLibrary Excess mortality
Excess mortality measures whether, and if so to what extent, the total number of deaths from all causes is over and above what could normally be expected for a given period of time. Here, deaths in 2020 are compared against the average over the previous five years.
Excess mortality measures whether, and if so to what extent, the total number of deaths from all causes is over and above what could normally be expected for a given period of time. Here, deaths in 2020 are compared against the average over the previous five years.
https://ourworldindata.org/excess-mortality-covid
Our World in Data (OWiD): Excess mortality is a term used in epidemiology and public health that refers to the number of deaths from all causes during a crisis above and beyond what we would have expected to see under ‘normal’ conditions. In this case, we’re interested in how the number of deaths during the COVID-19 pandemic compares to the deaths we would have expected had the pandemic not occurred — a crucial quantity that cannot be known but can be estimated in several ways.
Estimated excess mortality from the Economist: a machine-learning model to estimate the number of excess deaths during the pandemic for 223 countries and regions.
Methodology: https://www.economist.com/graphic-detail/2021/05/13/how-we-estimated-the-true-death-toll-of-the-pandemic
https://www.bhf.org.uk/what-we-do/news-from-the-bhf/news-archive/2020/july/what-are-excess-deaths
British Heart Foundation: What are ‘excess deaths’ and why are people talking about them?
This can sound like a heartless description, but in any given time of year there will be a “usual” or expected number of deaths – “excess deaths” means numbers above this level.
In simple terms, if 200 deaths were expected for a given week and there were 300 recorded, for this week there would have been 100 excess deaths.
During the Covid-19 pandemic, data analysts have been closely comparing the number of deaths each week with the expected number of deaths for the same week, estimated using an average of the number of deaths for the same week across the previous five years.
