Kapittel 2.3Kunnskapsgrunnlag fysisk aktivitet, helse og dødelighet

Utarbeidelsen av Markov-modellen krever mye data og den baserer seg på mange ulike parametere, se vedlegg. Først modellerte vi status quo ved å benytte parametere om insidens og dødelighet for å simulere sykdomsforløp. Det vil si hvordan sykdom med en gitt sannsynlighet oppstår, og dødsfall med en gitt sannsynlighet inntreffer på ulike alderstrinn i et vanlig gjennomsnittlig livsløp for befolkningen i Norge. Deretter modellerte vi gevinsten av fysisk aktivitet ved å benytte parametere om effekt av fysisk aktivitet på sykdoms- og dødsrisiko. Se figur 3 for oversikt over hovedsteg i analysen.

Sykdomsinsidens

For å fastsette utgangspunkt for modelleringen var det nødvendig å modellere forløpet av hver av de inkluderte sykdommene og av dødelighet av sykdommene og av andre årsaker. Gitt at det finnes begrensete data om insidens og dødelighet av alle de inkluderte sykdommene blant fysisk inaktive individer, brukte vi data for den nåværende populasjonen som et utgangspunkt for de som er «fysisk inaktive». Betydningen av dette omtales nærmere i diskusjonen.

Vi har forsøkt å fange opp og de relevante og nylig publiserte kildene. Der det var mulig, brukte vi norske data. I andre tilfeller, brukte vi enten Global Burden of Disease (GBD)dataene for Norge eller andre internasjonale kilder (Tabell v16, v18, v19, v28a, v28b i vedlegg). Alle parametere ble beregnet til årlige sannsynligheter ettersom de enkelte tidsperiodene i livsløpsmodellen er år. Mer spesifikt, for de verdiene som var oppgitt for et annet tidsrom enn ett år, brukte vi disse tallene for å først beregne årlige rater og deretter årlige sannsynligheter.

Tilgangen til data for insidens av depresjon er begrenset for ulike aldersgrupper som er det som benyttes i modellen. Derfor brukte vi data tilgjengelige fra Global Burden of Disease (2019).

Videre, for insidens av tarmkreft og brystkreft, brukte vi data etter alder og kjønn i 2021 fra Kreftregisteret (Kreftregisteret 2023). For tarmkreft brukte vi data for tykktarm og endetarm med ICD10-koder C18, 19, 20. For brystkreft brukte vi data for ICD10-koder C50. For insidens av demens brukte vi data oppgitt i FHIs rapport fra 2018. Rapporten oppga 5-års risiko for å få diabetes som ble beregnet til 1-års sannsynlighet. I vedlegg Inndata: Insidens av sykdommene er de ulike kildene omtalt nærmere.

Litteraturen viser videre at fysisk aktivitet påvirker fallrisikoen. Fall kan ha flere konsekvenser. I vår analyse modellerte vi kun fall-relaterte hoftebrudd. Inklusjon av flere fall-relaterte skade-typer hadde ført til videre kompliseringen av modellen og bruk av svakt datagrunnlag. For å beregne insidens av fall-relatert hoftebrudd, antok vi at 30 % av individer i alder over 70 år faller per år. Dette er basert på en studie som viste at 32,4 % kvinner og 27,7 % menn falt forrige år (Søgaard et al. 2022). For individer i alder 50–69 år antok vi at 10 % faller per år. Videre brukte vi data om antall hoftebrudd etter alder i Norge. De beregnete årlige sannsynlighetene er oppgitt i vedlegg tabell v28. For insidens av korsryggsmerter brukte vi data fra Global Burden of Disease (2019) etter alder (tabell v27 i vedlegg).

Økt sykdomsrisiko blant individer med diabetes type 2

Kunnskapsgrunnlaget viser at individer som har diabetes type 2 har høyere risiko for noen sykdommer enn de som ikke har diabetes type 2. I vår modell antok vi at individer med diabetes type 2 hadde økt risiko for tarmkreft (González et al 2017), brystkreft (Hardefeldt et al 2012), demens (Gudala et al 2013), og depresjon (Meurs et al 2016). Vi antok ikke økt risiko for hjerteinfarkt blant individene med diabetes type 2 (Rawshani et al 2018). De antatte økte risikoene og kildene er oppgitt i vedlegg Inndata: Insidens av sykdommene. 

Dødelighet

Modellen tar i betrakting dødelighet både av de inkluderte sykdommene og av andre årsaker. For dødelighet av sykdommene brukte vi kilder som vi vurderte som mest relevante og av høyst kvalitet. For dødelighet blant individer med diabetes type 2, brukte vi estimeringene publisert av Tancredi og medarbeidere (2015). Det er en omfattende studie som inkluderte over 400 000 pasienter med diabetes type 2 med oppfølgingstid på over 4 år. Dødelighet av hjerteinfarkt og hjerneslag er basert på data oppgitt i Folkehelseinstituttet (2023). For tarmkreft og brystkreft brukte vi data om 5-års overlevelse fra Kreftregisteret for å estimere 1-års overlevelse (Kreftregisteret 2022).

Når det gjelder dødelighet av demens, brukte vi dataene fra Dødsårsaksregisteret (Folkehelseinstituttet 2023b). Dødelighet av hoftebrudd er basert på data fra norsk NOREPOS-studie (Omsland et al 2014). Alle estimatene som ble benyttet i modellen er vist samlet i vedlegg Inndata: Sykdomsspesifikk dødelighet. Modellen vår tar i betrakting komorbiditet blant individer med diabetes type 2 og at disse individene har en økt dødelighet av hjerteinfarkt og hjerneslag slik dette fremgår av Forssas og medarbeidere (2016).

For å inkludere også total dødelighet i vår analyse, var det for å unngå dobbelttelling av dødelighet, nødvendig å bruke data etter alder og kjønn for både total dødelighet og dødelighet av hver av de inkluderte sykdommene. Dette er grunnet i at vi fra den totale dødeligheten måtte ekskludere den sykdomsrelaterte dødeligheten for de sykdommene som allerede var inkludert i modellen siden vi modellerte både sykelighet og dødelighet av disse sykdommene. Mer spesifikt, for de individene som var i helsetilstand frisk eller frisk etter sykdom, brukte vi risiko for total dødelighet. For de individene som hadde en sykdom, brukte vi risiko for total dødelighet minus dødelighet av denne sykdommen. For eksempel, for de individene som var i helsetilstand hjerteinfarkt, brukte vi total dødelighet minus dødelighet av hjerteinfarkt og modellerte dødelighet av hjerteinfarkt separat. På denne måten unngikk vi dobbeltelling av dødelighetsrisiko blant de simulerte individene.

Imidlertid trengte vi data etter alder og kjønn for både total dødelighet og hver av de inkluderte sykdommene i Norge, som ikke er lett tilgjengelig. Derfor benyttet vi data fra Global Burden of Disease fra 2019 for Norge. I tillegg estimerte vi dødelighetssannsynligheter av andre årsaker for individer med diabetes type 2 og eventuelt andre sykdommer gitt at vi antar i modellen at individene med diabetes type 2 også kan få de andre modellerte sykdommene. Alle estimatene for 1-års total dødelighet for forskjellige helsetilstander er oppgitt i vedlegget Inndata: dødelighet av andre årsaker.

Helseeffekter av fysisk aktivitet

Modellen analyserte fire aktivitetsgrupper (fysisk inaktiv, delvis fysisk aktiv, fysisk aktiv, og ekstra fysisk aktiv). For å modellere hvordan fysisk aktivitet påvirker leveår og DALYs, var det nødvendig å bruke estimater om påvirkning av fysisk aktivitet på sykdomsinsidens og total dødelighet for hver av de analyserte aktivitetsgruppene. Vi utførte omfattende arbeid for å identifisere og vurdere det tilgjengelige kunnskapsgrunnlaget. Mer spesifikt så vi på tilsvarende arbeid fra Verdens helseorganisasjon fra 2022 (Santos et al.), utførte litteratursøk i PubMed, og fikk innspill av en ekspertgruppe. Behov for å avgrense arbeidet og til dels manglende dokumentasjon, gjorde at vi landet på ni sykdomsgrupper som er inkludert i analysene.

Utvalget av studier er gjort i dialog med en ekspertgruppe bestående av professor Ulf Ekelund fra Norges idrettshøgskole og Folkehelseinstituttet, professor Dorthe Stensvold fra NTNU, og forskningssjef og professor Geir Selbæk fra Aldring og helse og Universitetet i Oslo. Ekspertgruppen har gitt innspill underveis i arbeidet og uttalt seg spesielt på følgende områder: hjerte- og karsykdommer, kreft, diabetes, demens, depresjon og dødelighet. 

Tabell 2 viser estimatene for effekten av fysisk aktivitet som vi la til grunn i modellen og deres kilder. De inkluderte studiene er store internasjonale studier. Det ble fortrinnsvis valgt studier som hadde data for flere aktivitetskategorier. I noen tilfeller var det flere relevante studier å velge mellom og vi foretrakk studier som var gjennomført nylig og av høyest kvalitet. Eksempelvis brukte Verdens helseorganisasjon (Santos et al 2022) i sine estimat en studie av Matthews og medarbeidere (2020) på mange sykdomsområder. Selv om vi vurderte denne studien som av høy kvalitet og relevant for vår analyse, bestemte vi oss for å bruke en større og nyere studie utført av Garcia og medarbeidere (2023) som også hadde en mer hensiktsmessig inndeling i aktivitetskategoriene.

Videre var det viktig å legge til grunn studier som oppga estimater for de analyserte aktivitetsgruppene eller som kategoriserte fysisk aktivitet på en omtrent tilsvarende måte. Imidlertid, for noen av de inkluderte sykdommene, evaluerte de mest relevante studiene kun fysisk aktiv-kategorien uten å evaluere delvis fysisk aktiv- og ekstra aktiv-kategoriene eller annen kategorisering.

Dette gjaldt effektstudiene av demens, korsryggsmerter og fall. Det er da gjort en antagelse om doseresponsforhold for delvis fysisk aktive og en forsiktig tilnærming for de ekstra aktive, basert på standardavviket. For disse tilfellene brukte vi usikkerhetsintervaller for aktiv-gruppen som utgangspunkt for å anslå effekten av de andre aktivitetsnivåene. Mer spesifikt antok vi at estimatet for delvis fysisk aktiv-gruppe er lik den høyeste usikkerhetsintervallverdien for fysisk aktiv-gruppen og samtidig antok et bredt usikkerhetsintervall for dette estimatet ved å anta at lavt usikkerhetsintervall er lik lav usikkerhetsintervall for fysisk aktiv-gruppe og høy usikkerhetsintervall er lik 1,00. For eksempel, for fallrisiko hadde vi kun estimat for fysisk aktiv-kategori (0,77 [UI, 0,71-0,83], tabell 2) og vi antok 0,83 (dvs. høy usikkerhetsintervall for aktiv-kategori) som et estimat for delvis fysisk aktiv-kategori med lav UI=0,71 (dvs. lav UI for aktiv-kategori) og høy UI=1,00 (se tabell 2). For ekstra fysisk aktiv ble det valgt samme fallrisiko (0,77) som for fysisk aktiv kategorien.

*I artikkelen presenteres ikke en verdi for denne aktivitetskategorien. Med utgangspunkt i standardavvik/ konfidensintervall for presentert verdi har Helsedirektoratet her gjort en antagelse av verdi for denne aktivitetskategorien.

De inkluderte studiene i tabell 2 er prospektive studier eller randomiserte kontrollerte studier på voksne og begge kjønn. Studiene inneholder over 32 millioner personer som er fulgt over 165 millioner personår.

Modellens estimerte utfall, probabilistisk analyse og følsomhetsanalyser

Ved bruk av den utarbeidete modellen, estimerte vi den forventede endring i leveår og DALYs som kan oppnås ved å øke det fysiske aktivitetsnivået fra et nivå vi kalte «inaktiv». Dette gjorde vi for tenkte representative individer i tre ulike fysiske aktivitetskategorier og beregnet helsegevinsten for henholdsvis delvis fysisk aktiv vs. inaktiv, fysisk aktiv vs. inaktiv, og ekstra aktiv vs. inaktiv. Med DALYs mener vi her en kombinasjon av vunne leveår og unngåtte leveår med helsetap. Videre utførte vi en probabilistisk analyse for å håndtere usikkerhet i parameterestimater som ble benyttet i modellen. Det er en analyse der man tildeler sannsynlighetsfordelinger til (helst alle) usikre parametere som man benytter i modellen.

Deretter ble det utført en Monte Carlo-simulering der man trekker en verdi for hver av parameterne fra dens sannsynlighetsfordeling, og beregner analysens resultat. En Monte Carlo-simulering inkluderer en rekke iterasjoner som gjentar denne prosessen (minst 1 000 iterasjoner). På denne måten overfører man usikkerheten i parameterne til modellens utfall. Mer omfattende forklaring av probabilistisk analyse omtales av Briggs og medarbeidere (2006) og Folkehelseinstituttet (2022). I vår analyse inkluderte vi 10 000 iterasjoner og brukte sannsynlighetsfordelingstypene som er anbefalt av Briggs og medarbeidere (2006).

Videre ble det utført flere følsomhetsanalyser for å undersøke betydningen av noen av forutsetningene på analysens resultater. Mer spesifikt la vi inn et anslag på +/- 50 % av den antatte effekten fra fysisk aktivitet på hver av sykdommene som ble inkludert i modellen, og på total dødelighet.