Förbi 76

Häromdagen publicerades dödsorsaksstatistik för Sverige 2016 (Socialstyrelsen 2017). Den sammanfattas i ett faktablad på fyra sidor. På första sidan finns en tabell som visar dödstal och medianålder för dödsfall för olika dödsorsaker på kapitelnivå i ICD-10. När jag öppnade bladet såg jag direkt att det var fel: medianålder för dödsfall i tumörer skulle t.ex. ha varit 88 år bland kvinnor och 82 år bland män. Jag skrev till Socialstyrelsen om detta, och de lade snabbt ut ett korrigerat faktablad. De medianåldrar som först uppgavs för tumörer gäller cirkulationssjukdom, och för tumörer är den korrekta åldern 76 år för båda könen.

Det är just denna egenskap hos cancerdödligheten, att den åldersrelaterade ökningen bromsas upp med stigande ålder, så att åldersfördelningen är förskjuten till vänster jämfört med dödligheten i stort, som gör att de senaste decenniernas ökade medellivslängd genom framför allt minskning av kranskärlssjukdom inte lett till att andelen av alla dödsfall som orsakas av cancer ökar dramatiskt. Bland kvinnor är denna andel 24 procent, och den låg på 23–24 procent redan under stora delar av 1970-talet (se Mortalitetsdiagram). Den var något lägre under större delen av 1980- och 1990-talen, vilket kan förklaras av regler som innebar minskad benägenhet att rapportera cancer som underliggande dödsorsak bland äldre (SCB 1983, 10). Bland män har det skett en något större ökning sedan 1970-talet, från ca 22 procent till nära 28 procent de senaste åren, vilket har att göra med att minskad icke cancerrelaterad dödlighet före 75 års ålder haft större betydelse för ökningen av männens livslängd. Det går att se ett liknande mönster i exempelvis USA, där andelen dödsfall i cancer varit närmast konstant sedan 1980-talet. Den 25 augusti förra året skrev jag om en Voxartikel om amerikanska trender för cancer och hjärtsjukdom som ignorerar dessa mönster och även innehåller en del andra förvirringar. Vissa länder, som Danmark, har haft en kraftigare ökning av andelen dödsfall i cancer, så att cancer där blivit vanligare som dödsorsak än cirkulationssjukdom, men Danmark har kortare medellivslängd än Sverige, bl.a. genom höga dödstal i lungcancer.

I inlägget från förra året tog jag också upp de åldersintervall som används i den officiella svenska statistiken, och det är något som inte förändrats sedan dess. Den via webben tillgängliga statistikdatabasen för dödsorsaker har, som Socialstyrelsens övriga statistikdatabaser, 85– år som öppet intervall, vilket motsvarar medianåldern för total dödlighet bland kvinnor. Den innehåller också bara ICD-koder på tredjepositionsnivå. I den statistik som exporteras till WHO (2022) finns koder på den nedersta fjärdepositionsivån, och 95– år öppet intervall, men den släpar efter med publiceringen. Den Excelfil som ingår i publiceringen på Socialstyrelsen (2017) innehåller en tabell 4A med 90– år som öppet intervall och ICD-koder på fjärdepositionsnivå. Jag har omvandlat den tabellen till en datafil lämpad för automatiserad analys genom att exportera den som CSV och sedan stuva om denna CSV-fil med hjälp av följande AWK-kod:

#!/usr/bin/awk -f
BEGIN { 
    RS = "\n" 
    FS = "," 
}

{
    gsub(/\x22|,\s|\s|\xc2\xa0/, "")
}

NR == 1 { 
    printf("icd10,sex,age,n\n") 
}

NR > 5 && $5 != "" { 
    if ($1=="") {$1=previcd}
    previcd = $1
    for (i=0; i<=20; i++) {
        c=i+4
        printf("%s,%s,%d,%d\n",$1,$3,i,$c)
    }
}

Om tabellen har sparats som 2017-9-10-4A.csv och AWK-koden som sedor.awk kan en modifierad fil 2017-9-10-4Amod.csv skapas genom att i en terminal köra ./sedor.awk < 2017-9-10-4A.csv > 2017-9-10-4A.csv. Filen har följande format, med fält för ICD-kod, kön, åldersgrupp och antal döda.

icd10,sex,age,n
A00-Y98,Kv,0,46586
A00-Y98,Kv,1,136
A00-Y98,Kv,2,29
...
A00-Y98,M,18,7239
A00-Y98,M,19,7756
A00-Y98,M,20,7533
A00-B99,Kv,0,1064

Vill vi beräkna dödstal behövs också data över medelfolkmängden under året, vilket kan hämtas via SCB (2023). Om en relationstabell med data för kvinnor och män 2016 i ettårsklasser laddats ned kan den också överföras till hanterbart format med AWK:

#!/usr/bin/awk -f
BEGIN { 
    RS = "\r\n" 
    FS = "\t"
    fpop = 0
    mpop = 0
}

NR == 1 {
    printf("sex,age1,n\n")
}

NR > 1 {
    gsub(/\sår|\+/, "")
    gsub(/kvinnor/, "Kv")
    gsub(/män/, "M")
    if ($2 == "M")
        mpop += $4
    else
        fpop += $4
    printf("%s,%d,%s\n",$2,$1+1,$4)
}

END {
    printf("%s,%d,%f\n%s,%d,%f","Kv",0,fpop,"M",0,mpop)
}

Jag har skapat en gist med funktioner i Julia, som exemplifierar hur dessa filer kan analyseras. Nedanstående kod ritar upp ett diagram över dödstalen i tumörer och cirkulationssjukdom i relation till ålder.

using PyPlot
include("sedor.jl")
tum = Dict(:expr => "C00-D48", :alias=> "tumör")
circ = Dict(:expr => "I00-I99|F01", :alias=> "cirkulation")
for sex in ["Kv"; "M"]
    for cadict in [tum; circ]
        df = propframe(sex, cadict[:expr], "pop")[:frame]
        plot(df[:agest][7:21], log(df[:prop][7:21]), "-*", 
            label="$(cadict[:alias]) $(lowercase(sex))")
    end
end
grid(1)
xlabel("Ålder")
ylabel("log(dödstal)")
title("Dödstal Sverige 2016")
legend()

Diagrammet visar som synes hur den åldersrelaterade ökningen av tumördödligheten, till skillnad från motsvarande ökning av cirkulationsdödligheten, planar ut i högre åldersgrupper.

Referenser