I förra veckan publicerades en artikel av Agnes Wold, där hon diskuterar trender för olika typer av hälsoproblem (Wold 2016). Hon tar upp divergerande trender för de två typerna av diabetes: typ 1, som är autoimmun, och typ 2, som beror på insulinresistens. Typ 1 är, när olika länder jämförs, vanligast i Sverige, näst Finland, och tenderar att bli vanligare med ökat välstånd. Andra autoimmuna sjukdomar och allergier följer ett liknande mönster, och en teori är att det är den goda hygienen i rika länder som gör att immunförsvaret blir ”överkänsligt”. Typ 2-diabetes är däremot mindre vanligt i Sverige än i de flesta andra länder, och incidensen (antalet sjukdomsfall i relation till folkmängden) är på nedåtgående, även om prevalensen (andelen som lever med sjukdomen) ökar, till följd av bättre överlevnad bland diabetikerna.

Wold påtalar att även hjärtinfarkterna minskat drastiskt de senaste årtiondena trots att vikten ökat i befolkningen och typ 2-diabetes och hjärtinfarkt brukar benämnas som fetmarelaterade sjukdomar. Hon hänvisar till epidemiologiska studier av medelålders personer där dödligheten är lägre bland de ”överviktiga”, med BMI 25–30, än bland de ”normalviktiga”, med BMI 18,5–25, och konstaterar att de som arbetar med folkhälsa inte verkar ta till sig detta ”hoppfulla budskap”, utan framställer svenskt medel-BMI (på 24/26 bland kvinnor/män) som farligt. Det vore enligt henne mer konstruktivt att inrikta levnadsråden på att motarbeta de immunrelaterade sjukdomar som nu ökar. Enligt den nämnda hygienhypotesen förutsätter det att vi ser till att träna immunförsvaret, och den bästa gissningen för hur det skall gå till går ut på att leva ”likt dem som får minst allergi”, vilket innebär ett ”lite gammaldags ofräscht” leverne, att bo trångt, med många barn och djur, dricka opastöriserad mjölk, suga på barnens nappar och äta från grannens tallrik.

Några förklaringar till observationen att lätt överviktiga medelålders personer har lägre dödlighet än normalviktiga diskuteras inte i artikeln. Det diskuteras inte hur det går ihop med resultaten i stora prospektiva studier på unga människor, som den på mönstrande israeliter jag nämnde här den 23 april, där även lätt överviktiga har förhöjd total dödlighet, vilket framför allt verkar drivas av ökad dödlighet i kranskärlssjukdom. I en metaanalys av 57 studier om orsaksspecifik dödlighet i relation till BMI bland personer i åldern 35–89 år var total dödlighet lägst vid BMI på 22,5–25 och inte tydligt ökad vid BMI 25–27,5, efter justering för ålder och rökning och exkludering av de som dött under de 5 första uppföljningsåren (Prospective Studies Collaboration 2009). Den ökade dödligheten vid lägre BMI-nivåer förklarades i huvudsak av KOL och cancer i lungor, mun, svalg, struphuvud och matstrupe, men det finns frågetecken kring hur denna dödlighet interagerade med faktorer som rökning och alkohol. Kranskärlsdödligheten ökade med BMI även bland personer med BMI under 25. I en svensk studie var viktnedgång bland överviktiga medelålders män utan rapporterad allvarlig sjukdom kopplad till ökad icke cancerrelaterad dödlighet (P. M. Nilsson m.fl. 2002). Författarna spekulerar i att det skulle kunna förklaras av att tidigt åldrande kan ge upphov till ”involution”, att kroppen krymper ihop. Mot bakgrund av detta kan det finnas skäl att vara försiktig både med att hävda att det skulle vara något i sig hälsosamt med lätt övervikt och att hävda att det tvärtom är självklart att lätt överviktiga medelålders eller äldre personer kan förlänga livet genom att gå ned i vikt.

De senaste decenniernas BMI-ökning i befolkningen har inte kunnat rubba minskningen av kranskärlsdödlighet och av incidens i hjärtinfarkt, men den har alltså knappast heller bidragit till dessa trender. Författare som Azambuja (2004), Grimes (2012) och Fanu (2011) har framfört hypoteser om att infektioner spelat en avgörande roll för tidstrender i kranskärlssjukdom. Om vi, på det sätt Wold målar upp, sänkte hygiennivån till den som rådde i Sverige för låt oss säga ett halvsekel sedan och samtidigt upprätthöll vår höga vaccinationstäckning, skulle vi kanske kunna reducera förekomsten av allergier och autoimmuna sjukdomar och samtidigt i stort sett undvika de välkända allvarliga infektioner som var stora folkhälsoproblem i äldre tid, som tuberkulos, mässling och svåra akuta magtarminfektioner.¹ Däremot kunde det, om de ovannämnda författarna har rätt, befaras att vi åter skulle få ökade problem med kranskärlssjukdom, till följd av infektioner som det idag inte finns vaccin eller effektiv behandling mot och som sprids under de hygieniska förhållanden som rådde innan kranskärlsdödligheten började minska.

Referenser

Ett par brittiska forskare, Judith Rowbotham och Paul Clayton, har under några år propagerat för kosten i England under den mellanviktorianska tiden, från 1850-talet till 1870-talet, som ett föredöme ur hälsosynpunkt. De har publicerat artiklar i medicinska tidskrifter (Rowbotham och Clayton 2008; Clayton och Rowbotham 2009) och i mer populära medier (Rowbotham och Clayton 2015). Enligt Rowbotham och Clayton (2015) var den förväntade livslängden för en 5-åring under den viktorianska tiden 73 år för en kvinna och 75 år för en man, vilket till och med är mer än livslängden för män i arbetarklassen och lägre medelklassen idag, och folk höll sig också raska in i det sista. Att de viktorianska engelsmännen kunde uppnå en sådan livslängd utan modern hygien och sjukvård förklaras med hänvisning till deras kosthåll: även de fattiga hade råd med lök, vattenkrasse, kål, rödbeta, jordärtskocka, äpple och körsbär, och färsk fisk var också vanligt förekommande. De anger 1872 som den näringsmässiga guldålderns slutår: sedan började det gå utför, med importerade salt- och sockerrika födoämnen.

Clayton och Rowbotham (2009) anger också, i abstract, att livslängden vid 5 års ålder under den mellanviktorianska tiden var lika bra som eller bättre än idag och att incidensen i degenerativa sjukdomar var 10 procent av nutidens. Några sidor in i artikeln sägs emellertid att 65-åriga kvinnor kunde förväntas leva i 8 år och män i 10 år, vilket alltså ger en total förväntad livslängd på 73/75 år. Något specifikt om förhållandena vid 5 års ålder sägs inte. Enligt tabeller tillgängliga via University of California, Berkeley och Max Planck Institute for Demographic Research (2014) var den förväntade återstående livslängden vid 5 års ålder i England och Wales 1850 51,6/51,3 år för kvinnor/män, och 1872 var den 52,6/50,1 år.

Men det skulle ändå kunna vara så att den korta livslängden berodde på sådant som tuberkulos, infektioner och trauma, och att de hade låg dödlighet i till exempel hjärtsjukdomar och cancer. Rowbotham och Clayton (2008) och Clayton och Rowbotham (2009) har dock inte mycket substantiellt att säga på den punkten. I båda artiklarna finns ett diagram över fördelningen av dödsorsaker i England och Wales 1880 jämfört med 1997, där det framgår att cancer och sjukdomar i cirkulationsorgan stod för mindre än 10 procent av dödsfallen 1880, men detta tenderar uppenbarligen att snedvridas av hög konkurrerande dödlighet i exempelvis infektioner. Gage (2005) visar på att åldersjusterade dödstal i degenerativa sjukdomar (främst cirkulationssjukdom och cancer) i England och Wales ökade med ca en tredjedel från 1861 till 1901. Men denna uppgång uppvägs av en nedgång i sådan dödlighet som tillskrivs ”andra och okända dödsorsaker”, vilket inkluderar sådant som ålder, och kan därför förklaras av mer precis rapportering. Efter 1901 förblev dödstalen i degenerativa sjukdomar relativt konstanta fram till 60-talet (vilket är så långt som Gages data sträcker sig), samtidigt som de ospecifika dödsorsakerna fortsatte minska. På senare år har också dödstal i specifika degenerativa sjukdomar (som kranskärlssjukdom) minskat i England och Wales, som i andra rika länder (se Mortalitetsdiagram).

Rowbotham och Clayton kan ha rätt i att en kost sammansatt som på den viktorianska tiden skulle medföra en del hälsofördelar jämfört med ett typiskt modernt engelskt kosthåll, men de är knappast tillräckliga för att medföra minimal dödlighet i degenerativa sjukdomar utan modern sjukvård.

Referenser

Uppsala universitet har gått ut med ett meddelande om ännu en studie om de olyckliga män som blivit av med Y-kromosomen i sina vita blodkroppar (Koffmar 2016). Som tidigare har det fått uppmärksamhet i både svenska och utländska media, och denna gång handlar det om att män med förlust av Y-kromosomen har ökad incidens i Alzheimers sjukdom (Dumanski m.fl. 2016). Den 1 maj 2014 skrev jag om den första av studierna i ämnet, som behandlar samband mellan kromosomförlust och dödlighet i cancer. Jag påpekade då en tendens att dra för stora växlar på resultaten i media, som ibland framställde det som att kromosomförlusten skulle vara hela förklaringen till mäns kortare livslängd jämfört med kvinnor. I det nu aktuella pressmeddelandet citeras en av forskarna, Lars Forsberg, som är inne på att i framtiden screena för förlust av Y-kromosomen för att sätta in förebyggande åtgärder mot t.ex. cancer. Han säger att ett sådant test ”skulle kunna sänka dödligheten hos män radikalt och kanske till och med jämna ut skillnaden i livslängd mellan män och kvinnor”.

Men även om all överdödlighet relaterad till kromsomförlusten skulle förhindras är det orimligt att detta skulle eliminera livslängsskillnaden, av det skäl jag påpekade i det gamla inlägget. Manlig överdödlighet i sådant som alkoholrelaterade sjukdomar, trafikolyckor och självmord är knappast kromsomförlustens fel. Det är också osannolikt att den skulle förklara manlig överdödlighet i kranskärlssjukdom: i den första av studierna finns inget samband med dödlighet i andra orsaker än cancer, och dödligheten i kranskärlssjukdom hos män relativt kvinnor avtar med stigande ålder, när kromosomförlusten ökar. Dock är minskningen av tidig kranskärlsdödlighet i befolkningen de senaste decennierna en viktig faktor bakom de minskade skillnaderna i livslängd mellan könen. Om sådan dödlighet mer eller mindre elimineras i framtiden, kan det kanske hända att kromosomförlusten kommer att förklara det mesta av den återstående sjukdomsrelaterade överdödligheten bland män.

När det gäller Alzheimers sjukdom kan det också noteras att en eventuell effekt av Y-kromsomförlusten inte verkar översättas till motsvarande könsskillnad. Kvinnor tenderar tvärtom att ha högre incidens och prevalens i Alzheimers sjukdom och andra typer av demens än män i motsvarande ålder (SBU 2008). Det är som i fallet med östrogen och influensa, som jag skrev om den 16 januari. Östrogen tycks motverka influensavirus hos kvinnor, och kvinnor har mer östrogen än män, men av detta följer inte (som påstods i media, både i Sverige och internationellt) att kvinnor är mindre utsatta för influensa än män. Yngre kvinnor verkar vara mer utsatta för influensa än yngre män, som inledningsvis påpekas i originalstudien (Peretz m.fl. 2015). Ett mönster med manlig översjuklighet i olika infektioner tycks uppstå med stigande ålder (se diagram), när aktiviteten av könshormoner avtar, och det kanske kan vara relaterat till kromosomförlusten.

Diagrammet visar antal öppenvårdsbesök per invånare hos män relativt kvinnor i olika åldersgrupper (femåriga åldersintervall från 0–4 till 80–84 år, öppet intervall 85– år) 2014, för vanliga infektionsrelaterade diagnoser (övre luftvägsinfektion, ICD-10 J00–J06; influensa och lunginflammation J09–J18; ospecificerad feber R50). Rådata från Socialstyrelsen (2016).

Referenser

Den senaste veckan har svenska media rapporterat om både positiva och negativa saker med avseende på folkhälsa. I en Bojskrönika i DN sägs att viktökningen bland svenska barn över tid verkar ha stannat av (Bojs 2016). Detta framhålls som något viktigt med hänvisning till en annan studie, som behandlar BMI hos omkring 17 år gamla mönstrande israeliter (både flickor och pojkar), som följts upp i maximalt 44 år med avseende på dödlighet (Twig m.fl. 2016). Studiens resultat sammanfattas som att för ”17-åringar med ett BMI över 30” förelåg ”betydande” överrisker: ”fem gånger högre för död i hjärtinfarkt, 2,5 gånger högre för död i stroke och fördubblad risk för plötslig hjärtdöd”. Dessutom sägs att studien ”[s]om väntat” visade ”att riktigt underviktiga personer, med BMI under 17,5” hade förhöjd cirkulationsdödlighet i medelåldern.

I den faktiska studien delas personerna in i BMI-percentiler. Referensgrupp är 5:e till 24:e percentilen, med BMI 17,3–19,2 bland flickor och 17,9–19,7 bland pojkar. De ovan nämnda relativa talen är de hazardkvoter som gäller för den översta, 95:e percentilen, där BMI är minst 29,82/28,44 bland flickor/pojkar. De ”underviktiga” skulle motsvara de som ligger under den nedre gränsen för referensgruppen. Där finns inga signifikanta skillnader för några cirkulationsutfall, men en liten ökning för icke cirkulationsrelaterad dödlighet (hazardkvot 1,05), som till stor del måste utgöras av olyckor, självmord och tobaksrelaterade sjukdomar. Jag påpekade båda dessa saker i ett feedbackformulär förra helgen men har inte fått något svar. Samtidigt är det enkelt att kontrollera i artikeln, och det medför heller inte att krönikans budskap om övervikt bland unga som riskfaktor försvagas (snarare tvärtom). Med hänsyn till det jag skrev om den 24 mars 2014 om en motsvarande enkel rättning av påståenden i en Bojskrönika om statistiska tester från statistikern Olle Häggström tvivlar jag på att något kommer att hända.

SVT har rapporterat om mindre gynnsamma trender, när det gäller utvecklingen av antibiotikaresistens. I en av deras artiklar hävdas att det dör allt fler svenskar till följd av ”superbakterierna” (Olsson och Svensson 2016). År 2005 var antalet dödsfall ”till följd av bakterieinfektion där antibiotika inte hjälpt”¹ 96 som underliggande dödsorsak; 2014 hade det ökat till 143. Men hur kan vi veta om ett dödsfall är orsakat av just sådana bakterier? I den officiella statistiken finns i alla inga koder för just antibiotikaresistens. Siffrorna stämmer för både 2005 och 2014 överens med ICD-koderna A41.0–A41.2 (sepsis orsakad av stafylokocker), A49.0 (ospecificerad stafylokockinfektion) och A49.9 (ospecificerad bakterieinfektion) (Socialstyrelsen 2007; Socialstyrelsen 2015).

I SVT-artikeln sägs också att antalet dödsfall globalt ”varje år”, enligt WHO:s uppskattningar, i infektioner som antibiotika inte tar död på är 10 miljoner. Det skulle innebära att dessa infektioner orsakade ungefär vart sjätte dödsfall globalt (IHME 2015). En engelsk rapport uppskattar att antalet dödsfall orsakade av antibiotikaresistens är minst 700 000 per år, men det presenteras också ett scenario för 2050 där det har ökat till 10 miljoner (Review on Antimicrobial Resistance 2014). Jag frågade dels om definitionen och påpekade dels felet under artikelposten på SVT:s Facebooksida i förra helgen, men har inte heller där hört något.

Nu har det sagts på den här bloggen, men det kommer nog inte heller att få några större effekter.

Referenser

Den kampanj av Cancerfonden som nämndes i förra inlägget har nu avslutats till följd av den kritik som riktats mot den från olika håll. Till bakgrunden för kampanjen hörde årets rapport från organisationen, där det bl.a. förutsägs att antalet personer som lever med cancer och samhällets kostnader för cancer kommer att öka påtagligt fram till 2040, om de senaste årens trender för incidens och överlevnad håller i sig (Cancerfonden 2016).

Något som Cancerfonden inte ägnat sig åt är prognoser för hur livstidsrisken för cancer kommer att förändras de senaste decennierna. I förra inlägget visade jag på hur denna kunde beräknas för ett år utifrån data över total åldersspecifik dödlighet, cancerdödlighet och cancerincidens, med den metod som föreslås av Sasieni m.fl. (2011). Med projektioner av dessa tre variabler in i framtiden går det då också att göra projektioner av livstidsrisken för cancer. När det gäller projektioner av dödstal är det vanligt att använda Lee–Cartermetoden, som jag skrev om här den 28 februari, och den kan användas på samma sätt för incidenstal i exempelvis cancer. Metoden är alltså följande:

1. Gör projektioner av dödstal och cancerincidens, som beskrivs i 28-februari inlägget.
2. Konstruera livslängdstabeller utifrån projektionerna av total dödlighet och beräkna livstidsrisken för cancer vid en uppnådd ålder utifrån dessa, som beskrivs i förra inlägget.

Jag gjorde förutsägelser av cancerrisken åren 2015–2040 med data över cancerincidens för åren 2001–2014 från Socialstyrelsen (2015) och data över dödstal för åren 2001–2013 från WHO (2015). Cancerstatistiken innehåller åldersgrupperna \([0,4],[5,9],…,[80,84],[85,\infty)\) år och dödlighetsstatistiken åldersgrupperna \(0,1,2,3,4,[5,9],[10,14],…,[90,94],[95,\infty)\) år. Jag antog att cancerincidensen i åldersgrupperna under 5 år är densamma som i gruppen 0–4 år (det har inte någon signifikant betydelse för livstidsrisken på grund av få fall) och att incidensen i de tre grupperna över 85 år är densamma som i gruppen 85– år (diagram som funnits av vissa av Socialstyrelsens rapporter visar att incidensen sjunker något med stigande ålder bland personer över 85 år (Socialstyrelsen 2008, 22), kanske på grund av mindre diagnostik eller selektiv överlevnad).

För nyfödda¹ flickor skulle livstidsrisken öka från 45,3 procent 2015 till 59,8 procent 2040, och för pojkar skulle den öka från 47,9 till 53,4 procent. Detta speglar att incidensen i bl.a. lungcancer fortsatt att öka bland kvinnor i högre åldersgrupper under det senaste decenniet, samtidigt som incidensen bland män, som verkar starkt relaterad till användningen av PSA-test för prostatacancer, stabiliserats. Det är dock knappast realistiskt att ökningen av lungcancer bland kvinnor kommer att fortsätta i samma takt, eftersom yngre kohorter haft andra rökvanor och lungcancer numera minskar i åldrarna under 55 år även bland kvinnor. Mer riktad screening av kvinnor med hög risk för bröstcancer, i stället för mammografi baserat enbart på åldern, kan också bidra till minskad överdiagnostik och bromsa ökningen av total cancerincidens bland kvinnor.

En betydande del av ökningen av cancerincidensen de senaste åren utgörs av hudcancer utom malignt melanom (ICD-7 191), där dödstalen är mycket låga. Det kan vara av intresse att göra projektioner av den totala cancerincidensen minus incidensen i denna form. Då ökar livstidsrisken för flickor från 41,5 procent 2015 till 51,5 procent 2040 och för pojkar från 43,5 till 45,8 procent. Ökad livslängd bidrar inte längre ensam med så stora ökningar av livstidsrisken; livslängden är redan över 80 år för såväl kvinnor som män och incidensen i cancer (speciellt bortsett från godartad hudcancer) ökar inte så mycket med åldern efter 75 års ålder. Minskningar i livslängden skulle däremot lätt kunna minska livstidsrisken eller antalet cancerfall. Om en tidsresenär från 2040 dök upp idag och kunde berätta att antalet cancerfall i Sverige sjunkit dramatiskt 2040, och inte hade någon ytterligare information, vet jag inte om jag skulle tycka att det vore någon lugnande nyhet. Jag skulle nog hålla det för mer troligt att det vore följden av ett katastrofalt händelseförlopp som inletts med t.ex. ett ogynnsamt utfall av höstens amerikanska presidentval än av någon revolutionerande strategi för prevention.

Referenser

Det drivs för närvarande en kampanj av Cancerfonden i syfte att minska insjuknande i cancer genom förändrade levnadsvanor (Cancerfonden 2016), och den har blivit kritiserad av bl.a. Almestad (2016) för att vara glättig och skuldbeläggande, en ”smaklös lifestyleifiering”. Grelsson hänvisar till den amerikanska författaren Barbara Ehrenreich: en skribent som råkat ut för bröstcancer, och kritiserat föreställningar om sjukdomens kopplingar till ”positivt tänkande” (vilket hon har gemensamt med flera andra framstående skribenter i både USA och Sverige, som jag skrev om här den 7 oktober förra året). De nuvarande kampanjerna tar inte specifikt upp positivt tänkande eller psykologiska faktorer, men retoriken är densamma, menar Grelsson.

Utgångspunkten för kampanjen är att ”vart tredje cancerfall” kan förebyggas genom olika livsstilsåtgärder. Jag skrev den 2 juni 2010 om en svensk studie som uppgavs visa att folk kunde halvera risken för cancer med ”fem faktorer”, och jag ställde mig frågan i vilken mån detta kunde översättas till minskad livstidsrisk för cancer.

Några allmänt vedertagna metoder att uppskatta livstidsrisk för cancer utifrån officiell statistik finns inte. Det vanliga är beräkningar av kumulativ risk upp till en viss ålder, som inte tar hänsyn till konkurrerande dödlighet. Den 28 juli 2014 skrev jag om ett mått föreslaget av Sasieni m.fl. (2011). De presenterar det med ganska komplexa formler, men det handlar om att upprätta en sorts livslängdstabell där det finns två sätt att elimineras ur befolkningen: att få cancer eller att dö till följd av något annat än cancer och sedan beräkna andelen som elimineras på det senare sättet. Det kan göras med officiell statistik över dödsfall och cancerinsjuknande och ger korrekta uppskattningar av livstidsrisken (givet dagens incidens- och dödlighetsmönster) under förutsättning att insjuknande i primär cancer och dödlighet i annat än cancer (om statistik över underliggande dödsorsaker används skall det exkludera komplikationer till cancer eller cancerbehandling) inte skiljer sig mellan de som haft cancer och övriga befolkningen.

De har tillhandahållit Excelark för att infoga data för en befolkning. Jag har också implementerat måttet med en funktion i Julia som använder mitt LifeTable-paket:

using LifeTable, DataFrames

function AmpLt(inframe, sex, rate = "inc")
    age = inframe[1]
    pop = inframe[2]
    acd = inframe[3]
    cd = inframe[4]
    cc = inframe[5]
    if rate == "inc"
        ncol = cc
        dcol = acd .- cd .+ cc
    elseif rate == "mort"
        ncol = cd
        dcol = acd
    end
    df = DataFrame(age = age, pop = pop, dcol = dcol)
    cprop = ncol ./ dcol 
    lt = PeriodLifeTable(df, sex)
    return CauseLife(lt, cprop)
end

Om t.ex. en tabell med kolumner för ålder, folkmängd, antal dödsfall totalt, antal dödsfall i cancer och cancerfall bland svenska kvinnor 2014 lästs in i dataramen fse14 kan en tabell med livstidsrisk att insjukna i cancer vid en uppnådd ålder skapas genom att AmpLt(fse14, 2) anges i Julias skal. Om AmpLt(fse14, 2, "mort") angetts hade i stället livstidsrisk att dö i cancer beräknats. Beräkningar baserade på data för Sverige 2014 för femåriga åldersintervall från 0–4 till 80–84 år plus ett öppet intervall för personer över 85 år (tillgängliga via Socialstyrelsen (2015a) för dödlighet, Socialstyrelsen (2015b) för cancerincidens och SCB (2016) för folkmängd) visar på en livstidsrisk för insjuknande i cancer på 45,7 procent bland nyfödda kvinnor och 49,7 procent bland män. För död är risken 22,3/26,2 procent bland kvinnor/män.

Vad skulle då hända om t.ex. incidensen och dödligheten i cancer reducerades med en tredjedel i alla åldersgrupper? Livstidsrisken för insjuknande för en nyfödd skulle minska till 33,8/37,3 procent och för dödlighet till 15,7/18,8 procent. Detta under antagandet att dödligheten i andra orsaker än cancer inte skulle påverkas. Men livsstilsåtgärder som att sluta röka, röra på sig och äta balanserat kan även förmodas påverka dödstal i andra vanliga dödsorsaker, som hjärtsjukdom, KOL och demens¹. Om även dödstal i annat än cancer skulle reduceras med en tredjedel i alla åldersgrupper skulle livstidsrisken för insjuknande i cancer reduceras till 37,5/42,6 procent och för dödlighet till 19,2/24,0 procent. Folk som undgick att dö av t.ex. hjärtsjukdom skulle få cancer i en högre ålder. Men att riskerna trots allt skulle minska något beror på att ”dödligheten” skulle förskjutas till höga åldersgrupper, där cancer spelar en mindre roll relativt exempelvis hjärtsjukdom.

Referenser

Lee–Cartermetoden, som jag använde mig av för att göra de projektioner av det svenska dödsorsaksmönstret jag presenterade här den 28 februari, kännetecknas av att de olika åldersgruppernas dödstal kan variera oberoende av varandra (så länge själva mönstret för variationen hålls konstant), och det leder till en ojämn åldersprofil, där de olika åldersgrupperna sticker iväg åt olika håll. Ibland medför detta orimligheter, som att yngre efter en tid har högre dödstal än äldre, vilket påtalas av Girosi och King (2007). När jag gjorde mina projektioner använde jag mig också av direkt regression på de åldersspecifika dödstalen, vilket ger resultat som ligger nära Lee–Carter, som visades i 28 februari-inlägget. Denna metod innebär också att dödstalen förutsägs oberoende av varandra. Girosi och King (2008) förespråkar användning av bayesianska metoder, för att undvika denna typ av problem.

Ett annat alternativ är att använda parametriska metoder, som Gompertz och Weibull, för att förutsäga dödstal, vilket jag skrivit en del om här tidigare. Om dödstalen för en given dödsorsak ökar exponentiellt med åldern (som Gompertz antog när det gäller totaldödlighet) och det dessutom finns en skärningsålder där de är konstanta (Strehler–Mildvnsambandet, som Riggs studerade för en rad olika dödsorsaker) existerar det bara en frihetsgrad när det gäller åldersprofilen för dödstalen: kurvans lutning bestämmer dödstalen vid varje ålder. Om det dessutom är så att lutningen är en linjär funktion av tiden är det enkelt att extrapolera den in i framtiden och på så vis göra en projektion av dödstalen för ett givet år. Då blir kurvan för logaritmerna av de projicerade dödstalen en rät linje. Ökar lutningen över tid kommer de olika åldersgruppernas dödstal att avlägsna sig från varandra som med Lee–Carter, men på ett regelbundet sätt i relation till skärningsåldern.

Det stora problemet med att använda sig av dessa parametriska funktioner är det jag skrev om här den 2 september förra året: komplexa dödsorsaksgrupper som cirkulationssjukdom verkar inte följa någon enkel funktion över hela åldersspannet. Nedanstående diagram visar projektioner av dödstal i tumörer (ICD-10 C00–D48) och cirkulationsorgan, summan av projektionerna för kranskärlssjukdom (ICD-10 I20–I25) och övriga cirkulationssjukdomar (övrigt under ICD-10 I00–I99) för svenska kvinnor 2018, baserat på data tillgängliga via WHO (2015) för åren 2001–2013 och åldersintervallen \([40,44],[45,49],\dots,[90,94],[95,\infty)\) år¹. Jag har dels använt mig av Lee–Cartermetoden, dels beräknat linjära samband mellan Gompertzparametrarna \(\alpha\) (lutning på kurvan) och \(r_0\) (initial dödlighet), extrapolerat \(\alpha\) linjärt in i framtiden och beräknat framtida värden för \(r_0\) utifrån detta.

Diagrammet visar projicerade dödstal i sjukdom i cirkulationsorgan och tumörer för kvinnor baserat på dels Gompertzregression, dels Lee–Carter.

Resultatet är, som synes, att projektionerna med Gompertz stämmer bra överens med motsvarande projektioner med Lee–Carter i de åldrar där det inträffar flest dödsfall (över 85 år för cirkulationssjukdom och 65–90 år för tumörer). Parametrarna har uppskattats med regression viktad mot antalet dödsfall i respektive åldersgrupp. För yngre åldersgrupper överskattar Gompertz dödstalen i förhållande till Lee–Carter. Enligt Gompertzprojektionerna skulle cirkulationssjukdom korsa tumörer redan vid ca 71 års ålder, vilket är orimligt sett till de senaste årens observerade mönster (det var snarare ett mönster som gällde för kvinnor för 20 år sedan). Nedanstående diagram visar projektioner av dödsorsaksmönstret för vart femte år perioden 2018–2033 baserat på dels Lee–Carter, dels Gompertz, med i övrigt samma metoder som användes i 28 februari-inlägget.

Diagrammen visar andelen vid uppnådd ålder som kommer att dö av tumörer och cirkulationssjukdom, givet förutsedda livslängdstabeller och dödsorsaksmönster vart femte år 2018–2033, jämfört med motsvarande andelar baserat på motsvarande observerade data för 2013, för kvinnor med förutsägelser gjorda med dels Gompertzregression, dels Lee–Carter.

Gompertz förutsäger litet högre livstidssannolikhet för cirkulationssjukdom i lägre åldersgrupper jämfört med Lee–Carter. När det gäller tumörer ger båda metoderna likartade resultat, nämligen att inga större förändringar kommer att ske.

Referenser

I förra inlägget tog jag upp projektioner av det svenska dödsorsaksmönstret. Jag utgick från projektioner av dödstal och härledde sedan dödsorsaksmönster utifrån dessa. Det vanliga är annars att statistiker nöjer sig med projektionerna av dödstal, som i SCB:s framskrivningar. Motivationen för att studera utvecklingen av dödstal är tydlig: genom att minska åldersspecifika dödstal för olika orsaker utan att öka dem för andra är det möjligt att minska totaldödligheten, vilket innebär ökad livslängd. Dödsorsaksmönstret är däremot ett nollsummespel – minskar vi en orsak ökar andra i motsvarande omfattning – och det kanske av många forskare betraktas som något tämligen ointressant. Men propagandister och kolumnister som skriver om hälsa talar å sin sida titt som tätt om andelen eller antalet som dör av olika orsaker, och ofta uppstår förvirring rörande de olika meningarna av att ”minska risken” för att dö av något, vilket jag varit inne på, t.ex. den 29 juli 2011. Hur dödsorsaksmönstret ser ut, givet en viss livslängd, är kanske heller inte helt ointressant frånsett detta. De flesta skulle nog exempelvis föredra att ökad förväntad livslängd inte åtföljs av en ökad livstidsrisk att dö av orsaker som typiskt medför långa perioder med smärta (som cancer)¹.

För mina projektioner hade jag bl.a. använt mig av Lee–Cartermetoden för att uppskatta trender för olika dödsorsaksgrupper. Denna metod har blivit mer eller mindre standard för att göra prognoser när det gäller utveckling av dödstal. Det vanligaste är att den tillämpas på totaldödlighet, men det är inte helt ovanligt att den också tillämpas på mer specifika dödsorsaker, och Girosi och King (2007) diskuterar en del problem som har med detta att göra.

Det vanliga sättet att uppskatta ålders- och tidsparametrarna i Lee–Carter är, som jag gick igenom i förra inlägget, med hjälp av singulärvärdesuppdelning, där en matris \(\mathbf{M}\) med centrerade logaritmer av dödstal ger tre nya matriser \(\mathbf{U,S,V}\). Detta är en form av principalkomponentanalys, vilket innebär att ett antal variabler (i detta fall de åldersgrupper där dödstal finns tillgängliga) överförs till ett eventuellt mindre antal principalkomponenter som inte är linjärt korrelerade. Vid Lee–Carter används de första vektorerna i \(\mathbf{U}\) och \(\mathbf{V}\) och det första värdet i \(\mathbf{S}\) för att uppskatta parametrarna. Detta motsvarar att använda sig av den första principalkomponenten, och det förutsätts då att den är tillräcklig för att fånga in de väsentliga trenderna när det gäller dödstalen. \(\mathbf{S}\) innehåller \(r\) värden större än 0 (vilket innebär att \(\mathbf{M}\) har rang \(r\)), som är ordnade i fallande storleksordning, och den andel av variansen i \(\mathbf{M}\) som förklaras av den komponent som motsvarar värdet \(s_k\) ges av \(s_k^2/\sum_{i=1}^{r}s_i^2\). I detta fall är det alltså andelen för \(s_1\) som är intressant, och Girosi och King (2007) presenterar beräkningar av detta för totaldödlighet och dödstal i olika orsaker bland män i flera olika länder.

När det gäller totaldödligheten är andelen som förklaras av första komponenten generellt hög (över 90 procent för de flesta länder). För cirkulationssjukdom är andelen hög för t.ex. USA (90 procent), men den är anmärkningsvärt låg för Sverige (41 procent). Några definitioner av sjukdomskoder och tidsperioder finns inte i manuskriptet, varför jag mejlade Gary King angående detta, varvid han hänvisade mig till deras källdata (Girosi och King 2016) och deras bok (Girosi och King 2008). Deras data är baserade på (en äldre version av) WHO (2015) och koderna för cirkulationssjukdom verkar stämma överens med de jag använder för Mortalitetsdiagram. Data för Sverige finns tillgängliga för perioden 1951–2000.

Om jag gör beräkningarna för cirkulationsdödlighet bland män i Sverige 1951–2000 med åldersintervallen \(0,[1,4],[5,9],[10,14],\dots,[80,84],[85,\infty)\)² blir resultatet mycket riktigt dåligt i termer av förklarad varians: den första komponenten förklarar endast 30 procent. Men om jag endast inkluderar åldersintervallen över 35 år (som i projektionerna i förra inlägget) ökar andelen till 92 procent. Det verkar klart att den låga andelen i det förra fallet har orsakats av brus i låga åldersgrupper med få dödsfall, en effekt som blir tydlig för sjukdomar i cirkulationsorgan, som är en relativt ovanlig dödsorsak bland unga. Eftersom datamatrisen som sagt innehåller centrerade logaritmer av dödstal ger en given relativ förändring samma effekt oavsett absolut dödlighetsnivå. Länder med lägre andel förklarad varians för cirkulationsorganen än Sverige hos Girosi och King (2007) är Norge, Danmark, Nederländerna och Schweiz, som också har relativt små befolkningar i förening med låga dödstal i cirkulationssjukdom i yngre åldersgrupper. Gör jag motsvarande beräkningar för cirkulationsdödlighet bland kvinnor i Sverige blir den förklarade variansen 53 procent om åldersintervallen under 35 år inkluderas och 95 procent om dessa utesluts.

En annan egenskap hos Lee–Carter som diskuteras av Girosi och King (2007) är att kurvorna för de förutsedda logaritmerna av de åldersspecifika dödstalen alltid tenderar att ”fläka ut” och avlägsna sig från varandra, om de observerade kurvorna inte är exakt parallella (vilket i praktiken aldrig torde inträffa). Girosi och King (2008) utvecklar sedan så kallade bayesianska metoder, som bygger på att specificera priors, där sådan ojämn utveckling för ålders- och tidstrender kan förkastas som osannolik. De har utarbetat ett paket för R som implementerar dels dessa metoder, dels traditionell förutsägelse med bl.a. Lee–Carter (Girosi m.fl. 2015). Tyvärr verkar det inte ha underhållits så bra de senaste åren: med den officiella versionen, som finns på Kings webbplats, fungerar det inte att rita upp diagram i nu aktuell version av R (3.2.3), utan utvecklingsversionen på GitHub krävs, och även med denna har jag inte fått inställningar för text i diagrammen att fungera. Om förutsägelserna med deras nya metoder skall innebära någon fördel jämfört med Lee–Carter krävs hur som helst vettiga inställningar av parametrarna för priors. När det gäller cirkulations- och tumördödligheten en del åldersgrupper är det nog rimligt att de kommer att fortsätta divergera de närmaste decennierna.

Referenser

Livslängden har fortsatt att öka i Sverige även efter att tidig dödlighet i akuta infektioner nästan utplånats, och det har till största delen drivits av minskade dödstal i hjärtinfarkt och liknande sjukdomar. En intressant fråga är vad detta innebär för framtidens dödsorsaksmönster. En del har tänkt sig att cancer i framtiden kommer att bli dominerande som dödsorsak. Jag skrev om detta den 9 april 2013 och uttryckte då tvivel, med tanke på att cirkulationssjukdomar fortsätter att dominera i de högsta åldersgrupperna, dit en allt större andel av dödligheten förskjuts.

Jag har nu försökt mig på en mer formaliserad förutsägelse av framtidens svenska dödsorsaksmönster, när det gäller andelen av befolkningen som förväntas dö av cirkulationssjukdom och tumörsjukdom. Tillvägagångssättet jag använt är följande, för att ta reda på hur stor andel av de som uppnått ålder \(x\) ett år \(t\) i framtiden kommer att dö av en orsak \(c\):

1. Beräkna trender för åldersspecifika dödstal under en basperiod. Jag har gjort dessa beräkningar för 5-åriga åldersintervall från 35–39 till 90–94 år samt det öppna intervallet 95– år och utgått från perioden 1999–2013, då det för denna period finns uppgifter om orsaksspecifikt antal dödsfall och folkmängd tillgängliga via (WHO 2015) för hela åldersspannet och klassifikationen ICD-10 använts i Sverige under hela perioden. Dödsorsaksgrupperna jag undersökt är ischemisk hjärtsjukdom (ICD-10 I20–I25), andra cirkulationssjukdomar (I00–I99 utom I20–I25), tumörer (C00–D48) och övriga dödsorsaker. Jag delade upp cirkulationskapitlet på detta sätt, eftersom ischemisk hjärtsjukdom tenderar att minska snabbare än andra dödsorsaker. I åldrarna under 35 år inträffar alltför få dödstal i åldersrelaterade sjukdomar för att göra meningsfulla förutsägelser.
2. Extrapolera trenderna till ett år \(t\) i framtiden. Beräkna åldersspecifika dödstal för total dödlighet genom att summera de förutsedda dödstalen för de fyra dödsorsaksgrupperna.
3. Konstruera livslängdstabeller för \(t\) baserat på de beräknade talen för totaldödlighet.
4. Beräkna åldersspecifika andelar för en orsak \(c\) genom att dividera dödstalen för \(c\) med talen för totaldödlighet.
5. Beräkna andelen av de som uppnått åldern \(x\) som, givet livslängdstabellen och de åldersspecifika andelarna, kommer att dö av \(c\).

Alla beräkningar har gjorts med hjälp av Julia. För tabellerna och andelarna i de två sista stegen använde jag funktionerna PeriodLifeTable och CauseLife i mitt LifeTable-paket. Jag har ett förråd med funktioner för att göra olika trendanalyser och visualiseringar med detta paket och data från funktionerna för att skapa Mortalitetsdiagram. En gist innehåller de specifika inställningar som användes för denna analys.

Jag har använt två olika metoder för trendberäkningarna i första steget. Först direkt regression på de åldersspecifika dödstalen över tidsperioden, som jag passade en modell för årlig procentuell förändring med hjälp av curve_fit i LsqFit-paketet. Sedan använde jag mig av den så kallade Lee–Cartermetoden, som bl.a. SCB använder för att beräkna framtida livslängd i sina befolkningsframskrivningar (SCB 2016). Dödstalet \(m_{x,t}\) vid åldern \(x\) för tiden \(t\) tänks följa \(\log(m_{x,t})=a_x+b_xk_t+\varepsilon_{x,t}\), där \(a\) är genomsnittet över tid av logaritmerna av dödstalen, \(b\) är en åldersparameter, \(k\) en tidsparameter och \(\varepsilon\) en slumpterm. Ett viktigt problem är hur parametrarna \(b\) och \(k\) skall uppskattas. En vanlig metod, som också jag använt i mina skript är följande:

1. Skapa en matris \(\mathbf{M}\) med rader för åldersgrupperna och kolumner för åren i basperioden, där elementen är på formen \(\log(m_{x,t})-a_x\), alltså skillnader mellan ett åldersspecifikt dödstal ett givet år och åldersgruppens genomsnitt över tid.
2. Faktorisera \(\mathbf{M}\) med singulärvärdesuppdelning. Om t.ex. funktionen svd i Julia används, resulterar det i tre nya matriser, \(\mathbf{U,S,V}\), där \(\mathbf{M=U\times diag(S)\times V^\prime}\). \(\mathbf{U}\) innehåller en uppsättning kolumner, där varje rad i detta fall svarar mot en åldersgrupp, \(\mathbf{S}\) är en uppsättning singulärvärden och \(\mathbf{V}\) innehåller en uppsättning kolumner, där varje rad svarar mot ett år.
3. Parametervektorerna \(\mathbf{b}\) och \(\mathbf{k}\) kan skattas utifrån de första kolumnerna i \(\mathbf{U}\) och \(\mathbf{V}\), som multipliceras med det första värdet i \(\mathbf{S}\).

Därefter kan \(k\), som tenderar att uppvisa en linjär trend, extrapoleras in i framtiden för att förutsäga framtida dödlighetsmönster. I detta fall visade sig båda metoderna för förutsägelser ge likartade resultat, som visas av nedanstående diagram för kvinnor och män.

Diagrammen visar andelen vid uppnådd ålder som kommer att dö av tumörer och cirkulationssjukdom, givet förutsedda livslängdstabeller och dödsorsaksmönster vart femte år 2018–2033, jämfört med motsvarande andelar baserat på motsvarande observerade data för 2013, för kvinnor och män med förutsägelser gjorda med dels regression på dödstalen, dels Lee–Carter.

I övrigt talar förutsägelserna, som synes, mot att cancer kommer att bli dominerande dödsorsak i Sverige under de närmaste decennierna. Andelen personer som kommer att dö av cancer vid en given ålder förändras endast marginellt för alla åldersgrupper, både bland kvinnor och män. Andelen som dör av cirkulationssjukdom minskar litet, speciellt för yngre åldersgrupper. De kommer då i högre grad att ersättas av andra orsaker än cancer, som KOL, olyckor och demens. Naturligtvis kan exempelvis framtida genombrott i forskningen i leda till trendbrott. Förändringar i sättet att rapportera dödsorsaker med nya versioner av ICD och förändrad praxis bland läkare som utfärdar dödsorsaksintyg kan också få betydelse: det kan t.ex. hända att andelen med ospecifika hjärtdiagnoser i hög ålder minskar till förmån för specifika tillstånd.

En jämförelse med SCB:s befolkningsframskrivningar visar att mina beräkningar förutsäger litet långsammare avtagande av den totala dödligheten. Enligt SCB är t.ex. den återstående medellivslängden vid 50 års ålder 2033 36,95/34,73 år för kvinnor/män. Mina beräkningar med Lee–Carter ger 36,21/34,19 år och med regression på dödstalen 36,28/34,34 år. Detta är i överensstämmelse med vad som påpekas av (SCB 2006, 150): om orsaksspecifika dödstal används blir nedgången i total dödlighet svagare än om trender för totaldödlighet uppskattas direkt. Om vissa vanliga dödsorsaker, som hjärtinfarkt, minskar snabbare än andra, kommer de med tiden att bli relativt sett ovanligare inom olika åldersgrupper, och de kommer därmed att bidra till en mindre minskning av totaldödligheten.

Referenser

Enligt Folkhälsomyndighetens influensarapport har denna influensasäsong nu nått sin kulmen, då det skedde en 23-procentig minskning av laboratoriefallen av influensa A för vecka 7 jämfört med vecka 6, samtidigt som även andra övervakningssystem visar en minskande eller åtminstone stabiliserad trend (Folkhälsomyndigheten 2016). Denna vinter har framför allt utmärkts av att det varit högre aktivitet av A(H1N1)pdm09 än någon annan säsong efter 2009, då denna variant dök upp. Det verkar inte som viruset driftat så mycket, så att immunitet genom tidigare infektion inte längre ger skydd. Däremot verkar vaccinationerna 2009 ha tappat sin skyddseffekt (enligt vad Anders Tegnell säger i intervju (Bäsén 2016)), och det har tillkommit nya årskullar av barn som inte utsatts för detta virus. Under pandemin 2009 framfördes farhågor om att minskning av influensafallen genom massvaccination skulle kunna slå tillbaka i form av högre influensasjuklighet senare säsonger, därför att vaccin inte ger lika robust skydd som infektion (jag diskuterade detta t.ex. den 29 augusti 2009). Det är dock tveksamhet om det är en effekt av detta som ses nu, med tanke på att vaccinationerna av allmänheten kom igång så sent under 2009 att de hade högst begränsad effekt på pandemivågen.

Det har dykt upp rubriker som ”[å]tta svenskar har dött i årets influensa” (Bäsén 2016). Oftast brukar media anklagas för att överdramatisera, men i det här fallet innebär det i stället en grov underskattning. Siffrorna bygger på personer som intensivvårdats för influensa och dött inom 30 dagar efter diagnosen. Men den mesta av överdödligheten under influensasäsonger inträffar inte bland folk som vårdats på intensiven med influensadiagnos. Under förra vintersäsongen var det också relativt hög influensaaktivitet i Sverige, fast den dominerades av A(H3N2) snarare än A(H1N1)pdm09.

Nu i veckan släppte också SCB statistik över total dödlighet (och andra befolkningsförändringar) i Sverige under 2015 (SCB 2016). Fullständiga livslängdstabeller kommer visserligen att publiceras först den 18 mars, men det går redan nu att göra beräkningar med relativt god precision med hjälp av uppgifter för medelfolkmängd och dödsfall (som finns i ettåriga åldersklasser 0–99 år, med personer 100 år och äldre som öppet intervall). Jag gjorde beräkningar för 2014 och 2015 med hjälp av mitt eget Juliapaket, och de visade på en liten minskning av den förväntade livslängden vid födseln, från 84,05 till 84,02 år bland kvinnor, och från 80,35 till 80,31 år bland män¹. Denna minskning hänger samman med det relativt stora antalet dödsfall under de första månaderna av 2015, vilket i sin tur sannolikt beror på den höga aktiviteten av A(H3N2). Det återstår att se om detta års influensa får sådana effekter. Även om det är betydligt fler än åtta personer som dör till följd av influensan under säsongen brukar A(H1N1)pdm09 drabba äldre personer i mindre utsträckning än A(H3N2), så kanske kommer livslängden för 2016 trots allt att bli högre än 2014 och 2015.

Referenser