Transkript

1

2

3 Förord Denna rapport har tillkommit på initiativ från Tandvårdsenheten vid Hälsokansliet i Örebro läns landsting. Huvudförfattare har varit statistiker Carina Persson vid Samhällsmedicinska enheten. För den odontologiska delen svarar samhällsodontolog Ola Fernberg vid Tandvårdsenheten. Det är ett känt faktum att socioekonomi och hälsa samvarierar. Karies hos barn och ungdomar är en viktig indikator på det allmänna hälsoläget på gruppnivå. Kariesepidemiologiska data för barn och ungdomar finns i databas på Tandvårdsenheten. Syftet med rapporten har varit att för Örebro län kartlägga samvariationen mellan karies hos barn och ungdomar och socioekonomi. Skillnader i tandhälsa mellan olika socioekonomiska kluster har påvisats. För kartläggningen har som geografisk enhet använts så kallade nyckelkodsområden som är kommunernas minsta geografiska enheter. Med hjälp av socioekonomiska variabler har, med statistisk metodik, länets innevånare grupperats i klustertillhörighet. Klustertillhörigheten för respektive nyckelkodsområde har därefter identifierats. Med hjälp av denna metodik kan man identifiera geografiska områden i Örebro län med liknande tandhälsoproblem.

4

5 Innehåll Bakgrund...1 Inledning...1 Epidemiologiskt register över tandhälsa...2 Problem och problemavgränsning...2 Mål och syfte...3 Material och metod...3 Val av variabler till analys...3 Justering av nyckelkoder...4 Rensning av extremvärden...4 Klusteranalysmetoder...4 Resultat...5 Nyckelkoder...5 Örebro län...6 Bakgrundsdata...6 Tandhälsa...7 Kommuner i Örebro län...11 Örebro kommun...11 Degerfors kommun...14 Hallsbergs kommun...14 Hällefors kommun...15 Kumla kommun...16 Laxå kommun...16 Lekebergs kommun...16 Lindesbergs kommun...17 Ljusnarsbergs kommun...17 Nora kommun...17 Klusterbeskrivning i korthet...18 Diskussion...19 Bilaga 1: Tillgängliga variabler...21 Bilaga 2: Klustermetoder och konfidensintervall...23 Klustermetoder...23 Tvåstegs klusteranalys...23 Wards metod...24 Konfidensintervall för tandhälsodata...24

6

7 Bakgrund Inledning En mer jämlik fördelning av villkoren för en god hälsa är ett viktigt mål i svensk hälsopolitik. Enligt den senaste nationella Folkhälsorapporten 1 är livslängd och hälsa ojämnt fördelade bland Sveriges befolkning. Trots att klassklyftorna i den materiella välfärden minskar är arbetares risk att bli sjuka högre än tjänstemännens. En rad faktorer av betydelse för hälsan har visat sig vara fördelade på ett sådant sätt att man måste befara att klassklyftorna i hälsa kan komma att öka. Störst skillnader i hälsa återfinns bland männen. Manliga högre tjänstemän förväntas vid 35 års ålder leva 2 år längre än ej facklärda manliga arbetare. Hälsoskillnaderna mellan sociala grupper tycks dock minska något bland män medan de istället ökar bland kvinnor. I Folkhälsorapport 2001 konstateras också att hälsoutvecklingen är fördelaktigare för den del av befolkningen som är 45 år eller äldre än för yngre vuxna. Barn och ungdomar i Sverige har under lång tid haft en mycket gynnsam hälsoutveckling men även beträffande dem finns oroande tecken. Även mellan grupper med olika etnisk bakgrund förekommer skillnader i livslängd och hälsa. I Sverige finns en relativt god tillgång på registerdata. På Statistiska centralbyrån (SCB) finns en mängd registerdata över Sveriges hela befolkning som t ex Register över Totalbefolkningen 2, Inkomst och förmögenhetsregistret 3 och Utbildningsregistret 4. På tandvårdsenheten samlas löpande epidemiologisk statistik över kariessjukdomens utbredning hos länets barn och ungdomar in. Dessa registerdata används bland annat till att bevaka tandhälsoläget i länet. Tandhälsoläget är en viktig parameter för att kunna planera länets tandvård med utgångspunkt i länsinnevånarnas behov. Undersökningar och rapporter visar på en ojämlik fördelning av tandhälsan. Områden med hög andel icke nordiska invandrare, ensamhushåll, hög andel socialbidragstagare eller låg utbildningsnivå har en högre kariesförekomst bland barn och ungdom. Det är i barn- och ungdomsåren som grunden för folkhälsa med avseende på karies läggs. De individer som lämnar den organiserade barn- och ungdomstandvården med en god tandhälsa har mycket stora chanser att behålla den goda tandhälsan genom livet. Det är därför av yttersta vikt att dessa områden kan identifieras så att resurserna kan fördelas rätt efter behov. I en nyutkommen kunskapssammanställning Uppdrag: Hälso- och sjukvård påtalas vikten av att de epidemiologiska beskrivningar som finns följs upp med behovsanalyser, prioriteringsdiskussioner och överenskommelser om åtgärder. 5 Huvudsyftet med denna klusteranalys är att ge underlag till sådana prioriteringsdiskussioner och eventuellt riktade åtgärder. 1 Red Lise Sjöstedt: Folkhälsorapport 2001, Epidemiologiskt Centrum Socialstyrelsen; Stockholm, Innehåller en mängd data som t ex bostadsadress, födelseland och medborgarland 3 Innehåller data om inkomst och förmögenhet som hämtats från kontrolluppgifter till skattemyndigheten 4 Innehåller uppgift om examensår och avslutade utbildningar 1

8 Epidemiologiskt register över tandhälsa Epidemiologi över tandhälsa hos barn- och ungdomar i Örebro län finns att tillgå på datamedium från All registrering sker löpande varje år. Epidemiologin omfattar registrering av karies per individ. Registreringen på varje individ omfattar skadade, fyllda och saknade tänder. Det finns två mått på kariesincidens som vi valt att använda i denna rapport. Det är nya kariesytor (DS eller decayed surface ) som står för antalet tandytor med ny karies som inte tidigare är lagade och nya kariesytor mellan (DS-a eller decayed surface approximal ) som är antalet tandytor mellan tänderna med ny karies som inte tidigare är lagade. Av dessa sjukdomsmått är den senare mer allvarlig eftersom karies i mellanrumsytor oftast innebär en större fyllning som på sikt kommer att öka behovet av nya restaureringar av den skadade tanden. Individer med skadade mellanrumsytor har dessutom vanligtvis större problem med karies än de som har oskadade mellanrumsytor. Karies på mjölktänder registreras till och med 6 års ålder. Karies i permanenta tänder registreras från 7 till 19 års ålder. Registreringen omfattar alla barn i Örebro län, oavsett ålder, som genomgår fullständig undersökning. I vissa åldrar finns möjligheter till jämförelser med andra län och med riksgenomsnittet via socialstyrelsens statistik. Validiteten på länsnivå är testad och kan anses vara god. De senaste åren har dock inneburit en förändring avseende rutiner för så kallad revisionsundersökning. Tidigare undersöktes alla barn varje år. Numera tillämpar fler vårdgivare så kallade individuella revisionstider. Detta innebär att patientens behov av vård styr revisionstidens längd. Därför kallas vissa barn till undersökning oftare än en gång per år och andra med upp till 2 års intervall. Landstingets anvisningar för barntandvård medger dock inte längre tid mellan undersökningarna än 24 månader. Detta innebär att slutsatser på kliniknivå, på kliniker med få barn i varje åldersgrupp, bör göras med detta i beaktande. Av denna anledning har vi i denna rapport valt att redovisa tandstatus för barn där några åldersgrupper är ihopslagna. Tidigare var de vanligaste redovisningsgrupperna 3 år, 6 år, 12 år samt 19 år. I rapporten redovisas istället åldersgrupperna 3 år, 5-6 år, år samt år. Problem och problemavgränsning Inom en kommun finns ofta stor variation i både tandhälsa och sociala förhållanden. Vi frågar oss om det finns mindre grupper av individer med likartade förhållanden som samtidigt skiljer sig från andra grupper (kluster) av individer. Vi vill sedan undersöka om dessa grupper skiljer sig åt med avseende på tandhälsan. I denna undersökning begränsas studien till att identifiera klustertillhörighet på samtliga individer med uppgift om tandstatus utifrån de tidigare identifierade klustren. Som underlag till klusteranalysen används data från år 2000 (ekonomiska data) och 2001 (övriga data) från SCB. Tandvårdsepidemiologiska data som använts i analysen är endast från år Små geografiska områden (nyckelkoder) med minst 20 innevånare och minst en barnfamilj har använts som minsta studieenhet till klusteranalysen. 5 Andersson G, Eklund A, Larsson S, Maathz G, Rönström K: Uppdrag: Hälso- och sjukvård ; Studentlitteratur, Lund,

9 Mål och syfte Vi ska genomföra en klusteranalys på socioekonomiska data på nyckelkodsnivå och fördela relevant tandvårdsdata på de kluster som kan urskiljas. Genom att undersöka om de identifierade klustren skiljer sig åt med avseende på tandhälsa kan grupper av individer med särskilt stora behov av tandvård och förebyggande åtgärder identifieras inför prioriteringsdiskussioner av tandhälsoarbetet. Material och metod En lista med registerdata över tandhälsa och personnummer levereras till SCB som sedan lägger på de nyckelkoder som personerna tillhörde under Detta register avidentifieras av SCB som återlämnar registret utan personnummer men med nyckelkoder. Det avidentifierade registret över tandhälsa 2001 påförs sedan klustertillhörighet genom att använda nyckelkoderna som nyckel. Tandvårdsdata kan sedan delas upp i de identifierade klustren och eventuella skillnader i tandhälsa mellan klustren kan studeras. Dataprogrammet SPSS 11.5 används till att göra variabelgranskning, databearbetning, klusteranalys samt framställning av tabeller. Vid beräkning av statistiskt signifikanta skillnader i andelar används ett 95 procentigt konfidensintervall med normalfördelningsapproximation, se Bilaga 2. Val av variabler till analys Socioekonomiska och demografiska data från SCB används till att genomföra en klusteranalys för att identifiera grupper av individer med likartade förhållanden. Registerdata är uppdelat på små geografiska enheter kallade nyckelkoder som framställts i länets kommuner. De registerdata som använts kommer från totalräknade registeruppgifter. De variabler som beställdes från Statistiska centralbyrån beskrivs i Bilaga 1. Inför en första analys har de variabler som täcker den största andelen innevånare valts ut bland ett antal variabler som samvarierar med varandra. Några av variablerna ska endast användas som bakgrundsvariabler som kan beskriva de skapade klustren och dessa har därför inte heller inkluderats i analysen. För de variabler som valts ut till klusteranalysen har procentuella andelar för varje nyckelkod beräknats vilka sedan har använts till analysen. 3

10 Justering av nyckelkoder För att undvika problem med alltför små grupper har endast nyckelkoder med minst 20 innevånare använts i analysen. I de fall där så varit möjligt har först nyckelkoder slagits ihop. Övriga nyckelkoder med färre än 20 innevånare har tagits bort ur analysen. Denna process har varit en av de mest tidsödande i själva inledningsfasen då mycket arbete gått åt till att bearbeta de från SCB erhållna registerdata. Eftersom tandhälsodata för barn upp till 19 års ålder har använts för att skatta skillnader i tandhälsa mellan klustren så har i den slutliga analysen endast de nyckelkoder som innehåller barnfamiljer använts. Rensning av extremvärden Materialet har rensats från nyckelkoder som innehåller extrema värden eftersom de flesta klusteranalysmetoder är mycket känsliga för extremvärden och dessa då kan störa resultatet. Rensningen av extremvärden har genomförts med hjälp av funktionen Twostep cluster analysis i SPSS Klusteranalysmetoder Materialet har utforskats med hjälp av dataprogrammet SPSS Två olika varianter av klusteranalys har testats. Genom att använda en kraftfull dator samt öka antalet beräkningar (iterationer) så kunde Wards metod användas på det stora datamaterialet. Klusteranalys är en mycket explorativ analysmetod och beror mycket på de i analysen ingående datatypernas struktur. Generaliseringar av resultatet för andra grupper och tidsperioder måste därför ske med mycket stor försiktighet. För en mer utförlig beskrivning av de metoder som har använts se Bilaga 2. 4

11 Resultat Nyckelkoder För de variabler som valts ut har procentuella andelar beräknats. De i analysen ingående nyckelkodsområdena har aggregerats så att alla nyckelkoder innehåller minst 20 personer och har minst en barnfamilj. De variabler som använts i analysen är: Andel ej födda i Norden Andel ensamstående med barn bland barnfamiljer Andel innevånare över 15 år bland barnfamiljer med individualiserad disponibel inkomst under kronor 6 Andel innevånare år med högsta utbildning gymnasienivå Vid kontroll av de 1349 nyckelkoder som uppfyllde inklusionskriteriet, minst 20 personer och en barnfamilj, identifierades ett extremvärde som därför togs bort ur analysen. Efter genomgång av resultat från två olika klustertekniker valdes en femklusterlösning med Wards metod (se Bilaga 2). Eftersom det är kommunerna själva som fördelar nyckelkoderna över kommunen så varierar antalet nyckelkoder mycket från kommun till kommun. Även innevånareantalet per nyckelkod varierar kraftigt från 20 personer till som mest 1974 personer (medianvärde=149, medelvärde=195 och standardavvikelse=181). Tabell 1 beskriver hur många kluster, nyckelkoder per kluster samt innevånare per kluster som finns i varje kommun. Tabell 1: Antal nyckelkoder och innevånare per kommun och kluster. De fem kluster som identifierats innehåller grupper av nyckelkoder som inom klustren har liknande värden för de variabler som ingår i analysen. Värden för de olika variablerna skiljer sig åt mellan klustren vilket redovisas nedan på läns- och kommunnivå. Kluster 1 Kluster 2 Kluster 3 Kluster 4 Kluster 5 Totalt nyckel innevånare nyckel inne- nyckel inne- nyckel inne- nyckel inne- nyckel innevånare koder koder vånare koder vånare koder vånare koder vånare koder Askersund Degerfors Hallsberg Hällefors Karlskoga Kumla Laxå Lekeberg Lindesberg Ljusnarsberg Nora Örebro Örebro län Individualiserad inkomst: Den disponibla inkomsten för en familj summeras för att sedan delas upp på familjemedlemmarna över 15 år, Källa LOUISE-registret, Statistiska centralbyrån 5

12 Örebro län Bakgrundsdata Efter klusteranalys har andelar för de i analysen ingående variablerna räknats om per innevånare i varje kluster. I figur 1 redovisas andel innevånare per kluster. Kluster 1, 2 och 4 innehåller tillsammans över tre fjärdedelar av innevånarna. De kluster som har minst antal innevånare är kluster 3 och 5 med respektive personer, se även tabell 1. Kluster 5 8% Kluster 1 21% Kluster 4 24% Kluster 3 16% Kluster 2 31% Figur 1: Procentuell fördelning av innevånare på de fem klustren, N= personer När endast innevånare i barnfamiljer studeras så är det fortfarande kluster 3 och 5 som har minst andel innevånare, tio respektive nio procent, se tabell 2. Totalt ingår innevånare i barnfamilj i analysen. Tabell 2: Fördelning av innevånare i barnfamilj på de fem klustren Antal innevånare i Andel innevånare i barnfamilj barnfamilj fördelat på kluster Kluster % Kluster % Kluster % Kluster % Kluster % Totalt % I tabell 3 beskrivs de i analysen ingående variablerna samt en av bakgrundsvariablerna för de fem olika klustren. Tabell 3: Fördelning av socioekonomiska variabler för de fem klustren, procent Andel ej födda i Norden Andel ensamstående med barn bland barnfamiljer Andel över 15 år i Andel år med barnfamilj med disponibel högsta utbildning inkomst under :- gymnasiet Andel innevånare i barnfamiljer Kluster 1 2, Kluster 2 3, Kluster 3 8, Kluster 4 3, Kluster 5 33,

13 I kluster 5 är 33 procent av innevånarna födda utanför Norden, vilket är långt över de andelar som återfinns i de övriga klustren. Även kluster 3 har en relativt hög andel innevånare födda utanför Norden. Kluster 1 är det kluster som har lägst andel innevånare födda utanför Norden. Samtliga skillnader i andel innevånare födda utanför Norden i tabell 3 är statistiskt signifikanta 7. I kluster 3 är 48 procent av innevånarna bland barnfamiljer ensamstående med barn. Att notera är att endast 34 procent av innevånarna i detta kluster är innevånare i barnfamilj. Detta kluster har alltså även den högsta andelen innevånare i hushåll utan barn. Även kluster 5 har en relativt hög andel ensamstående med barn bland barnfamiljer, 32 procent. Samtliga skillnader i andel ensamstående med barn bland barnfamiljer i tabell 3 är statistiskt signifikanta förutom mellan kluster 1 och 4. I kluster 5 är det 68 procent av innevånarna över 15 år i barnfamilj som har individualiserad disponibel årsinkomst under kronor. Kluster 4 är det kluster som har lägst andel, 16 procent, innevånare med låg inkomst. Samtliga skillnader i andel innevånare över 15 år i barnfamilj som har individualiserad disponibel årsinkomst under kronor i tabell 3 är statistiskt signifikanta. Kluster 3 och 5 är de kluster som har högst andel lågutbildade. Kluster 4 är det kluster som har lägst andel lågutbildade. Samtliga skillnader i andel innevånare år med högsta utbildning gymnasieutbildning i tabell 3 är statistiskt signifikanta förutom mellan kluster 3 och 5. Tandhälsa Vid fördelning av tandhälsa på de fem socioekonomiska klustren har vi valt att redovisa två incidensmått: antal nya kariesytor och antal nya kariesytor mellan tänderna. Av dessa är det senare måttet av mer allvarlig natur då karies mellan tänderna ofta innebär en större fyllning som på sikt kan komma att öka behovet av nya restaureringar av den skadade tanden. Antalet nya kariesytor har också betydelse eftersom fler skadade tandytor kan vara en indikation på att kariesproblemet är större än om endast en ny kariesangripen tandyta har upptäckts. På grund av att rutinerna för undersökning av barns tänder är sådana att inte samtliga barn kallas till tandläkare varje år så har vi utvidgat åldersspannet något för att beskriva tandhälsan hos barn i åldrarna 3, 6, 12 och 19 år. Vi tre års ålder sker den första kontakten med tandläkare därför har vi valt att redovisa dessa. Andelen undersökta treåringar varierar dock kraftigt mellan klustren från 60 till 80 procent. För att få med undersökta barn med registrerade mjölktänder har vi valt att redovisa samtliga undersökta 5-6 åringar. För att ringa in tandhälsan hos 12 åringar har vi valt undersökta åringar. För att få en bild av slutprodukten inom barntandvården har vi valt att redovisa åringar. Notera att tandhälsan endast redovisas för år % konfidensintervall med normalfördelningsapproximation 7

14 I tabell 4 beskrivs fördelningen av tandhälsa för samtliga undersökta barn i åldern Andelen undersökta barn 3-19 år utan ny karies och mellan tandytorna är signifikant lägre än länet för både kluster 3 och kluster 5. Andelen friska barn i kluster 5 är dessutom signifikant lägre än samtliga övriga kluster. Även andelen barn med fler än tre nya kariesytor är signifikant högre än länet för kluster 3 och 5. Kluster 1 och 2 har signifikant högre andel friska barn 3-19 år än länsgenomsnittet medan kluster 4 har värden som ligger innanför det 95 procentiga konfidensintervallet för länet. För de beräknade konfidensintervallen se även Bilaga 2. Tabell 4: Tandhälsa för undersökta barn 3-19 år i Örebro län 2001 fördelat på antal nya kariesytor och mellan tänderna samt kluster, andelar i procent Kluster 3 (n=3657) 4 (n=7695) 5 (n=2989) Totalt (n=35311) 1 (n=8625) 2 (n=12345) Nya kariesytor, 0 86 > 87 > 80 < < < 7 < 9 > 8 9 > 8 >1 7 < 7 < 11 > 7 < 18 > 8 Varav >3 2 2 < 4 > 2 < 8 > 3 Nya kariesytor, mellan > 93 < < < 3 < > 3 >1 2 < 2 < > 2 Varav >3 0 0 < > 1 > Signifikant över länets nivå; < Signifikant under länets nivå; 95% approximativt NF Tabell 5 beskriver fördelningen av tandhälsa för samtliga undersökta treåringar. Andelen undersökta treåringar utan ny karies och mellan tandytorna är lägre för både kluster 3 och kluster 5. Endast ett av värdena för de undersökta barnen är dock statistiskt signifikant. För de beräknade konfidensintervallen se Bilaga 2. Tabell 5: Tandhälsa för undersökta barn 3 år i Örebro län 2001 fördelat på antal nya kariesytor och mellan tänderna samt kluster, andelar i procent 1 (n=439) 2 (n=725) Kluster 3 (n=201) 4 (n=385) 5 (n=203) Totalt (n=1953) Nya kariesytor, > < 4 2 < Signifikant under länets nivå; 95% approximativt NF I tabell 6 beskrivs fördelningen av tandhälsa för samtliga undersökta barn i åldern fem till sex. Andelen undersökta barn 5-6 år utan ny karies och mellan tandytorna är signifikant lägre än länet för både kluster 3 och kluster 5. Andelen friska barn i kluster 5 är dessutom signifikant lägre än samtliga övriga kluster. Andelen undersökta fem och sexåringar med fler än en ny kariesangripen tandyta i kluster 3 och 5 är signifikant högre än länet. Andelen barn i kluster 5 med fler än tre nya kariesytor är även den signifikant högre än länet. 8

15 Kluster 2 och 4 har signifikant högre andel friska barn 5-6 år än länsgenomsnittet medan kluster 1 har värden som ligger innanför det 95 procentiga konfidensintervallet för länet. För de beräknade konfidensintervallen se även Bilaga 2. Tabell 6: Tandhälsa för undersökta barn 5-6 år i Örebro län 2001 fördelat på antal nya kariesytor och mellan tänderna samt kluster, andelar i procent Kluster 3 (n=387) 4 (n=799) 5 (n=323) Totalt (n=3680) 1 (n=877) 2 (n=1294) Nya kariesytor, > 81 < 91 > 67 < >1 9 6 < 15 > 6 < 26 > 9 Varav >3 4 2 < > 4 Nya kariesytor, mellan > 90 < 96 > 83 < >1 4 2 < > 4 Varav >3 1 1 < > 2 > Signifikant över länets nivå; < Signifikant under länets nivå; 95% approximativt NF I tabell 7 beskrivs fördelningen av tandhälsa för samtliga undersökta barn år. Andelen undersökta barn år utan ny karies och mellan tandytorna är signifikant lägre än länet för både kluster 3 och kluster 5. Andelen undersökta elva till trettonåringar med fler än en ny kariesangripen tandyta i kluster 5 är signifikant högre än länet, även andelen barn i kluster 5 med fler än tre nya kariesytor är signifikant högre än länet. Kluster 2 har signifikant högre andel friska barn år än länsgenomsnittet medan kluster 1 och 4 har värden som ligger innanför det 95 procentiga konfidensintervallet för länet. För de beräknade konfidensintervallen se även Bilaga 2. Tabell 7: Tandhälsa för undersökta barn år i Örebro län 2001 fördelat på antal nya kariesytor och mellan tänderna samt kluster, andelar i procent Kluster 3 (n=652) 4 (n=1489) 5 (n=509) Totalt (n=6876) 1 (n=1729) 2 (n=2497) Nya kariesytor, > 81 < < >1 7 6 < 10 6 < 23 > 8 Varav > > 2 Nya kariesytor, mellan > 96 < < > 3 > < 5 > 1 Varav > > Signifikant över länets nivå; < Signifikant under länets nivå; 95% approximativt NF 9

16 I tabell 8 beskrivs fördelningen av tandhälsa för samtliga undersökta barn år. Andelen undersökta barn år utan ny karies och mellan tandytorna är signifikant lägre än länet för kluster 5. Andelen undersökta barn år med fler än en ny kariesangripen tandyta i kluster 5 är signifikant högre än länet, även andelen barn i kluster 5 med fler än tre nya kariesytor är signifikant högre än länet. Kluster 1 har signifikant högre andel friska barn år än länsgenomsnittet medan kluster 2 och 4 har värden som ligger innanför det 95 procentiga konfidensintervallet för länet. För de beräknade konfidensintervallen se även Bilaga 2. Tabell 8: Tandhälsa för undersökta barn år i Örebro län 2001 fördelat på antal nya kariesytor och mellan tänderna samt kluster, andelar i procent Kluster 3 (n=956) 4 (n=1903) 5 (n=755) Totalt (n=8101) 1 (n=1905) 2 (n=2582) Nya kariesytor, 0 78 > < > > 13 Varav > > 5 Nya kariesytor, mellan < > > 5 Varav > > 1 > Signifikant över länets nivå; < Signifikant under länets nivå; 95% approximativt NF De kluster som genomgående har sämst tandhälsa är kluster 3 och 5, varav kluster 5 är det kluster som har i särklass sämst tandhälsa. Kluster 1, 2 och 4 skiljer sig inte från varandra på ett genomgående sätt. När olika åldersgrupper studeras växlar rangordningen av bästa-sämsta tandhälsa mellan dessa kluster och inget egentligt mönster kan urskiljas. Klart är att kluster 1, 2 och 4 har genomgående en bättre tandhälsa än kluster 3 och 5. Se figur 2. Bäst tandhälsa Kluster 1 Kluster 2 Kluster 4 Kluster 3 Kluster 5 Sämst tandhälsa Figur 2: Schematisk bild över tandhälsan hos barn 3-19 år i Örebro län 2001 för de fem klustren 10

17 Kommuner i Örebro län Eftersom denna analys har sina begränsningar både med avseende på metodiken samt de i analysen ingående nyckelkoderna så bör inga jämförelser mellan de olika kommunerna i Örebro län göras. Vi redovisar därför i kommande stycken endast en kortare beskriv-ning av förhållandena i respektive kommun. Tandhälsodata redovisas endast för Karlskoga kommun och Örebro kommun eftersom dessa kommuner har ett större antal undersökta barn. För Örebro kommun redovisas också kartor för att illustrera vad som kan göras för att åskådliggöra de kluster som identifierats. Även för övriga kommuner kan klustertillhörighet för de olika nyckelkoderna illustreras på kartor, men i dagsläget är endast kartor för Örebro kommun tillgängligt för oss inom Örebro läns landsting. Örebro kommun Kommuncentrum: Örebro Antal invånare: pers Areal (land): 1371 km² Befolkningstäthet: 91 inv/km² Antal kliniska tandläkartimmar januari 2003 per 2000 innevånare: 43 Källor: Geografisk information från Sveriges Länsstyrelser i samverkan på Internet Tandvårdsenheten Hälsokansliet, Örebro läns landsting Örebro kommun hade 566 nyckelkoder med innevånare som ingick i analysen. 51 nyckelkoder med tillsammans innevånare tillhörde kluster 5, det kluster som har sämst tandhälsa i länsmaterialet. 91 nyckelkoder med innevånare tillhörde kluster 3 som hade näst sämst tandhälsa i länsmaterialet. Då undersökta barn i åldern 3-19 år bosatta i Örebro kommun studeras ses samma mönster som för länsmaterialet. Kluster 5 har sämst tandhälsa både med avseende på andelen undersökta barn utan ny karies samt andelen barn med fler nya kariesytor. Kluster 3 är även i Örebro kommun det kluster som har näst lägst andel friska barn bland undersökta 3-19 åringar samt näst högst andel barn med fler nya kariesytor. Tabell 9: Tandhälsa för undersökta barn 3-19 år i Örebro kommun 2001 fördelat på antal nya kariesytor och mellan tänderna samt kluster, andelar i procent 1 (n=1449) 2 (n=4158) Kluster 3 (n=1452) 4 (n=5553) 5 (n=2572) Totalt (n=15184) Nya kariesytor, > Varav > Nya kariesytor, mellan > Varav > På följande två sidor redovisas två schematiska kartor med de fem klustren utritade för Örebro kommun respektive Örebro stads centrala delar. 8 8 Kartorna har framställts av Gunnar Nicklasson, Statistikchef, Stadskansliet statistikenheten, Örebro kommun 11

18 Kluster efter nyko6 5 (49) 4 (919) 3 (97) 2 (280) 1 (68) Figur 2: Fördelning av kluster i Örebro kommun 9 I figur 2 kan utläsas att kluster 1, 2 och 4 dominerar i de nyckelkodsområden som ligger utanför Örebro stad. Kluster 1 återfinns företrädesvis i Örebro kommuns sydöstra och nordligaste delar. 9 Kartorna har framställts av Gunnar Nicklasson, Statistikchef, Stadskansliet statistikenheten, Örebro kommun 12

19 5 4 (919) 3 2 (280) 1 Figur 3: Fördelning av kluster i Örebro stad 10 Figur 3 visar en mer detaljerad bild av centrala Örebro. Kluster 5 dominerar i större sammanhängande bostadsområden såsom Baronbackarna, Markbacken, Tornfalksgatan och Varberga. Hyreshusområden med en blandning av kluster 3 och 5 är Brickebacken, Vivalla och Ladugårdsängen. Större sammanhängande villaområden i Adolfsberg, Almby och Sörby domineras av kluster 4 och 2. Kluster 1 återfinns endast i några enstaka nyckelkodsområden i Örebro stad. 10 Kartorna har framställts av Gunnar Nicklasson, Statistikchef, Stadskansliet statistikenheten, Örebro kommun 13

20 Askersunds kommun Kommuncentrum: Askersund Antal invånare: pers Areal (land): 821 km² Befolkningstäthet: 14 inv/km² Antal kliniska tandläkartimmar januari 2003 per 2000 innevånare: 44 Källor: Geografisk information från Sveriges Länsstyrelser i samverkan på Internet Tandvårdsenheten Hälsokansliet, Örebro läns landsting Askersunds kommun hade endast 37 nyckelkoder med innevånare som ingick i analysen. Endast fyra kluster kunde identifieras i Askersunds kommun. Kluster 5 där den sämsta tandhälsan i länet återfinns kan inte identifieras i Askersunds kommun. Detta innebär inte att vi kan konstatera att det inte existerar grupper i denna kommun som har dålig tandhälsa, vi kan bara inte visa det med hjälp av denna analys. Degerfors kommun Kommuncentrum: Degerfors Antal invånare: pers Areal (land): 386 km² Befolkningstäthet: 27 inv/km² Antal kliniska tandläkartimmar januari 2003 per 2000 innevånare: 32 Källor: Geografisk information från Sveriges Länsstyrelser i samverkan på Internet Tandvårdsenheten Hälsokansliet, Örebro läns landsting Degerfors kommun hade 53 nyckelkoder med innevånare som ingick i analysen. En nyckelkod med 75 innevånare tillhörde kluster 5, det kluster som har sämst tandhälsa i länsmaterialet. 11 nyckelkoder med innevånare tillhörde kluster 3 som hade näst sämst tandhälsa i länsmaterialet. Hallsbergs kommun Kommuncentrum: Hallsberg Antal invånare: pers Areal (land): 639 km² Befolkningstäthet: 25 inv/km² Antal kliniska tandläkartimmar januari 2003 per 2000 innevånare: 32 Källor: Geografisk information från Sveriges Länsstyrelser i samverkan på Internet Tandvårdsenheten Hälsokansliet, Örebro läns landsting Hallsbergs kommun hade 108 nyckelkoder med innevånare som ingick i analysen. Två nyckelkoder med tillsammans 802 innevånare tillhörde kluster 5, det kluster som har sämst tandhälsa i länsmaterialet. 14 nyckelkoder med innevånare tillhörde kluster 3 som hade näst sämst tandhälsa i länsmaterialet. 14

21 Hällefors kommun Kommuncentrum: Hällefors Antal invånare: 8025 pers Areal (land): 996 km² Befolkningstäthet: 8 inv/km² Antal kliniska tandläkartimmar januari 2003 per 2000 innevånare: 30 Källor: Geografisk information från Sveriges Länsstyrelser i samverkan på Internet Tandvårdsenheten Hälsokansliet, Örebro läns landsting Hällefors kommun hade endast 40 nyckelkoder med innevånare som ingick i analysen. Endast fyra kluster kunde identifieras i kommunen. Kluster 5 där den sämsta tandhälsan i länet återfinns kan inte identifieras i Hällefors kommun. Detta innebär inte att vi kan konstatera att det inte existerar grupper i denna kommun som har dålig tandhälsa, vi kan bara inte visa det med hjälp av denna analys. Karlskoga kommun Kommuncentrum: Karlskoga Antal invånare: pers Areal (land): 471 km² Befolkningstäthet: 66 inv/km² Antal kliniska tandläkartimmar januari 2003 per 2000 innevånare: 53 Källor: Geografisk information från Sveriges Länsstyrelser i samverkan på Internet Tandvårdsenheten Hälsokansliet, Örebro läns landsting Karlskoga kommun hade 143 nyckelkoder med innevånare som ingick i analysen. Fyra nyckelkoder med tillsammans innevånare tillhörde kluster 5, det kluster som har sämst tandhälsa i länsmaterialet. 29 nyckelkoder med innevånare tillhörde kluster 3 som hade näst sämst tandhälsa i länsmaterialet. Då undersökta barn i åldern 3-19 år bosatta i Karlskoga kommun studeras ses samma mönster som för länsmaterialet. Kluster 5 har sämst tandhälsa både med avseende på andelen undersökta barn utan ny karies samt andelen barn med mer än en ny kariesyta. Kluster 3 är även i Karlskoga kommun det kluster som har näst lägst andel friska barn bland undersökta 3-19 åringar. Tabell 10: Tandhälsa för undersökta barn 3-19 år i Karlskoga kommun 2001 fördelat på antal nya kariesytor och mellan tänderna samt kluster, andelar i procent Kluster 3 (n=582) 4 (n=1190) 5 (n=150) Totalt (n=3959) 1 (n=418) 2 (n=1619) Nya kariesytor, > Nya kariesytor, mellan >

22 Kumla kommun Kommuncentrum: Kumla Antal invånare: pers Areal (land): 206 km² Befolkningstäthet: 92 inv/km² Antal kliniska tandläkartimmar januari 2003 per 2000 innevånare: 16 Källor: Geografisk information från Sveriges Länsstyrelser i samverkan på Internet Tandvårdsenheten Hälsokansliet, Örebro läns landsting Kumla kommun hade 128 nyckelkoder med innevånare som ingick i analysen. En nyckelkod med 208 innevånare tillhörde kluster 5, det kluster som har sämst tandhälsa i länsmaterialet. 20 nyckelkoder med innevånare tillhörde kluster 3 som hade näst sämst tandhälsa i länsmaterialet. Laxå kommun Kommuncentrum: Laxå Antal invånare: 6699 pers Areal (land): 577 km² Befolkningstäthet: 12 inv/km² Antal kliniska tandläkartimmar januari 2003 per 2000 innevånare: 19 Källor: Geografisk information från Sveriges Länsstyrelser i samverkan på Internet Tandvårdsenheten Hälsokansliet, Örebro läns landsting Laxå kommun hade endast 34 nyckelkoder med innevånare som ingick i analysen. En nyckelkod med 346 innevånare tillhörde kluster 5, det kluster som har sämst tandhälsa i länsmaterialet. 4 nyckelkoder med 511 innevånare tillhörde kluster 3 som hade näst sämst tandhälsa i länsmaterialet. Lekebergs kommun Kommuncentrum: Fjugesta Antal invånare: 7008 pers Areal (land): 467 km² Befolkningstäthet: 15 inv/km² Antal kliniska tandläkartimmar januari 2003 per 2000 innevånare: 24 Källor: Geografisk information från Sveriges Länsstyrelser i samverkan på Internet Tandvårdsenheten Hälsokansliet, Örebro läns landsting Lekebergs kommun hade endast 15 nyckelkoder med innevånare som ingick i analysen. Endast två kluster, kluster 1 och 2, kunde identifieras i kommunen. Detta innebär inte att vi kan konstatera att det inte existerar grupper i denna kommun som har dålig tandhälsa, vi kan bara inte visa det med hjälp av denna analys. 16

23 Lindesbergs kommun Kommuncentrum: Lindesberg Antal invånare: pers Areal (land): 1382 km² Befolkningstäthet: 17 inv/km² Antal kliniska tandläkartimmar januari 2003 per 2000 innevånare: 31 Källor: Geografisk information från Sveriges Länsstyrelser i samverkan på Internet Tandvårdsenheten Hälsokansliet, Örebro läns landsting Lindesbergs kommun hade 153 nyckelkoder med innevånare som ingick i analysen. En nyckelkod med 442 innevånare tillhörde kluster 5, det kluster som har sämst tandhälsa i länsmaterialet. 27 nyckelkoder med innevånare tillhörde kluster 3 som hade näst sämst tandhälsa i länsmaterialet. Ljusnarsbergs kommun Kommuncentrum: Kopparberg Antal invånare: 5651 pers Areal (land): 579 km² Befolkningstäthet: 10 inv/km² Antal kliniska tandläkartimmar januari 2003 per 2000 innevånare: 32 Källor: Geografisk information från Sveriges Länsstyrelser i samverkan på Internet Tandvårdsenheten Hälsokansliet, Örebro läns landsting Ljusnarsbergs kommun hade endast 17 nyckelkoder med innevånare som ingick i analysen. Endast fyra kluster kunde identifieras i kommunen. Kluster 5 där den sämsta tandhälsan i länet återfinns kan inte identifieras i Ljusnarsbergs kommun. Detta innebär inte att vi kan konstatera att det inte existerar grupper i denna kommun som har dålig tandhälsa, vi kan bara inte visa det med hjälp av denna analys. Nora kommun Kommuncentrum: Nora Antal invånare: pers Areal (land): 622 km² Befolkningstäthet: 17 inv/km² Antal kliniska tandläkartimmar januari 2003 per 2000 innevånare: 35 Källor: Geografisk information från Sveriges Länsstyrelser i samverkan på Internet Tandvårdsenheten Hälsokansliet, Örebro läns landsting Nora kommun hade 54 nyckelkoder med innevånare som ingick i analysen. Endast fyra kluster kunde identifieras i kommunen. Kluster 5 där den sämsta tandhälsan i länet återfinns kan inte identifieras i Nora kommun. Detta innebär inte att vi kan konstatera att det inte existerar grupper i denna kommun som har dålig tandhälsa, vi kan bara inte visa det med hjälp av denna analys. 17

24 Klusterbeskrivning i korthet Kluster 1 Kluster 1 har lägst andel innevånare födda utanför Norden och högst andel innevånare år med högsta utbildning gymnasienivå. Andelen barn 3-19 år samt år utan några nya kariesytor är signifikant högre än länet Kluster 2 Kluster 2 har lägst andel ensamstående med barn bland barnfamiljer och låg andel innevånare födda utanför Norden. Andelen barn 3-19 år, 5-6 år samt år utan några nya kariesytor är signifikant högre än länet Kännetecken kluster 1: - Lägst andel ej födda i Norden - Låg andel ensamstående med barn bland barnfamiljer - Mer än en tredjedel (37%) låginkomsttagare - Högst andel lågutbildade (84%) - Tandhälsan bättre än kluster 3 och 5 Kännetecken kluster 2: - Låg andel ej födda i Norden - Lägst andel ensamstående med barn bland barnfamiljer - En fjärdedel (24%) låginkomsttagare - Relativt många lågutbildade (76%) - Tandhälsan bättre än kluster 3 och 5 Kluster 3 Kluster 3 har näst högst andel innevånare födda utanför Norden och högst andel ensamstående med barn bland barnfamiljer samt lägst andel innevånare i barnfamiljer. Andelen barn 3-19 år, 5-6 år samt år utan några nya kariesytor är signifikant lägre än länet. Kännetecken kluster 3: - Näst högst andel ej födda i Norden - Högst andel ensamstående med barn bland barnfamiljer - Nära två femtedelar (39%) låginkomsttagare - Många lågutbildade (79%) - Lägst andel barnfamiljer (34%) - Näst sämst tandhälsa Kluster 4 Andelen innevånare år med högsta utbildning gymnasienivå och andelen innevånare i barnfamilj med disponibel inkomst under kronor är lägst bland samtliga kluster. Andelen barn 5-6 år utan några nya kariesytor är signifikant högre än länet Kännetecken kluster 4: - Låg andel ej födda i Norden - Låg andel ensamstående med barn bland barnfamiljer - Lägst andel (16%) låginkomsttagare - Lägst andel lågutbildade (59%) - Tandhälsan bättre än kluster 3 och 5 Kluster 5 Kluster 5 har de i särklass högsta andelarna innevånare födda utanför Norden och innevånare i barnfamilj med disponibel inkomst under kronor. Andelen barn 3-19 år, 5-6 år, år samt år utan några nya kariesytor är signifikant lägre än länet. Även med avseende på antal angripna nya kariesytor så har kluster 5 signifikant sämre tandhälsa. Kännetecken kluster 5: - Högst andel ej födda i Norden - Näst högst andel ensamstående med barn bland barnfamiljer - Drygt två tredjedelar (68%) låginkomsttagare - Många lågutbildade (78%) - Sämst tandhälsa Tandhälsa - barn 3-19 år i Örebro län 2001 Kluster 5 har signifikant sämst tandhälsa jämfört med alla övriga kluster. Kluster 3 har signifikant sämre tandhälsa än länet. Kluster 1,2 och 4 har signifikant bättre tandhälsa än kluster 3 och 5. Inget mönster kan urskiljas som kan säkert rangordna tandhälsan mellan kluster 1, 2 och 4 utan detta varierar med olika undersökningsåldrar. 18

25 Diskussion Klusteranalys som metod är mycket explorativ och resultatet är dessutom beroende av datatyper samt val av klustringsmetod. Resultaten av denna analys bör därför tolkas med försiktighet. Trots detta så har vi kunnat konstatera att de fem kluster som den slutligen valda klustringsmetoden genererat visade sig skilja sig åt både socioekonomiskt och tandhälsomässigt. Vi har med hjälp av klustringstekniken kunnat urskilja två kluster som utmärker sig med signifikant sämre tandhälsa än övriga tre kluster. De två klustren med sämst tandhälsa står för 19 procent av samtliga innevånare i barnfamiljer, tillika 19 procent av alla undersökta barn år Dessa barn står för 28 procent av alla nya kariesytor och 40 procent av alla fall av mer än tre nya kariesytor samma år. Samma mönster gäller även för antalet nya kariesytor mellan tänderna fastän andelarna av tandohälsan hos de två sämsta klustren är här ännu högre. Genom denna typ av analys kan mindre geografiska områden identifieras som har en hög kariesförekomst. Det finns därmed möjligheter att rikta insatser till särskilt utsatta områden. Eftersom kariesförekomst i många fall lätt kan förebyggas med relativt enkla metoder kan detta vara till hjälp då förebyggande insatser skall planeras. Eftersom analysen bygger på kommunernas indelning i geografiska områden (nyckelkoder) finns här också en svaghet eftersom kommunerna i Örebro län har strukturerat arbetet med nyckelkoder på olika sätt. Vissa kommuner har ett stort antal nyckelkoder med få innevånare i varje område medan andra har få nyckelkoder med många innevånare i varje område. Vissa mindre kommuner med litet antal nyckelkoder är inte möjliga att analysera med denna metod. Att göra jämförelser mellan kommuner är därför inte att rekommendera. 19

26 20

27 Bilaga 1 Bilaga 1: Tillgängliga variabler Variabler som finns tillgängliga på nyckelkodsnivå från Statistiska Centralbyrån är följande: Variabel Innehåll Specifikation 1 Län Örebro län 2 Kommun Kommuner i Örebro län 3 Nyckelkodsområde Enligt särskild indelning 3a Ålder vid årets slut 0-w=Ettårsklasser 3b Kön Man=1 Kvinna=2 4b Födelseland 0=Sverige 1=Norden (utom Sverige) 2=Europa, exkl. Sverige och Norden 3=Övriga länder11=okänt 5b Medborgarskapsland 0=Sverige 1=Norden (utom Sverige) 2=Europa, exkl. Sverige och Norden 3=Övriga länder 11=Okänt 6 Senaste invandringsår 1=Invandrat före =Invandrat efter =ej invandrat 7 Civilstånd OG=Ogift G=Gift S=Skild Ä=Änka/änkling RP=Registrerat partnerskap SP=Skild partner EP=Efterlevande partner 8 Familjetyp enligt RTB-familj 1=Gifta/sambo med barn 2=Gifta utan barn 3=Ensamstående med barn 4=Ensamboende 9=Uppgift saknas 9 Disponibel inkomst individualiserad från RTB-familjen för individer över 15 år 10 Disponibel inkomst individualiserad från RTB-familjen för individer över 15 år 11 Förekomst av erhållet socialbidrag i RTB-familjen (>15 år) 12 Förekomst av erhållet sjukbidrag/förtidspension i RTBfamiljen (>15 år) 13 Förekomst av erhållen A-kassa i RTB-familjen, (>15 år) 14 Förekomst av inkomst från sjukpenning, ej arbetsgivarinträde i RTB-familjen, (>15 år) 15 Högsta avslutade utbildning, år 16 Branschtillhörighet, år, nattbefolkning 17 Sektorstillhörighet, år, nattbefolkning 1=Barnfamilj 2=Ej barnfamilj 3=Totalt; 1=0 kr 2= kr 3= kr 4= kr 5= kr 6= kr 7= kr 8= kr 1=Barnfamilj 2=Ej barnfamilj 3=Totalt; Medelvärde kr Medianvärde, kr Exklusive och inklusive nollinkomst 1=Barnfamilj 2=Ej barnfamilj 3=Totalt; 0=ej erhållit socialbidrag 1=erhållit socialbidrag 1=Barnfamilj 2=Ej barnfamilj 3=Totalt; 0=ej erhållit sjukbidrag/förtidspension 1=erhållit sjukbidrag/förtidspension 1=Barnfamilj 2=Ej barnfamilj 3=Totalt; 0=ej erhållit A-kassa 1=erhållit A-kassa 1=Barnfamilj 2=Ej barnfamilj 3=Totalt; 0=ej erhållit inkomst från sjukpenning 1=erhållit inkomst från sjukpenning 1=Förgymnasial 2=Gymnasial 3=Eftergymnasial <3år 4=Eftergymnasial 3 år eller längre inkl. forskarutbildning 00=Ej specificerad verksamhet 01=Jordbruk, skogsbruk, fiske 02=Tillverkning o utvinning 03=Energiprod, vattenförsörjn, avfallshant 04=Byggverksamhet 05=Handel o kommunikationer 06=Finansiell verksamhet o företagstjänster 07=Utbildning o forskning 08=Vård o omsorg 09=Personliga o kulturella tjänster 10=Offentlig förvaltning mm Offentlig sektor: 11=Statlig förvaltning 12=Statliga affärsverk 13=Primärkommunal förvaltning 14=Landsting 15=Övriga offentliga institutioner Näringslivet: 21=Aktiebolag, ej offentligt ägda 22=Övriga företag, ej offentligt ägda 23=Statligt ägda företag och organisationer 24=Kommunalt ägda företag o organisationer 25=Övriga organisationer 21

28 22

29 Bilaga 2: Klustermetoder och konfidensintervall Klustermetoder Materialet har utforskats med hjälp av dataprogrammet SPSS Två olika varianter av klusteranalys har testats innan det slutliga valet blev att göra analysen med hjälp av Wards metod. Det som med hjälp av klusteranalys skulle utforskas var om det existerade grupper av individer (i detta fall nyckelkodsområden) som inom gruppen är homogena med avseende på de ingående variablerna (4 stycken socioekonomiska variabler). Klustren/grupperna bör dessutom vara sinsemellan olika (heterogena) med avseende på samma kriterier. Detta brukar benämnas som en personorienterad ansats att utforska ett datamaterial. Det finns en stor mängd olika angreppssätt när ett större datamaterial skall utforskas med hjälp av klusterteknik. Alla har sina fördelar och sina nackdelar. Vilken metod som är bäst är mycket beroende av den karaktär som datamaterialet i sig har. Klusteranalys är på intet vis en teknik med ett givet förfaringssätt för olika typer av data. Det finns metoder mer eller mindre passande för olika datatyper och förutsättningar. Men det finns ingen given teknik som alltid passar bäst. Många av de algoritmer som används i olika tekniker är dessutom mycket datorintensiva. Skall då ett stort datamaterial analyseras så krävs såväl kraftfulla datorer, slumpgeneratorer som dataprogram. Vid tolkning av resultaten från klusteranalyserna är det därför även viktigt att få en rimlighetsbedömning av de eventuella kluster som kan utläsas i analysen. Tvåstegs klusteranalys Inledningsvis testades tvåstegs klusteranalys som är den metod som av SPSS rekommenderas till stora analysmaterial. Enligt SPSS manual kan en tvåstegs klusteranalys genomföras med både kontinuerliga och kategoriska variabler för att göra en personorienterad analys. Metoden förutsätter att variablerna i klustringsmodellen är oberoende och approximativt normalfördelade. Enligt SPSS är metoden relativt robust även om dessa två förutsättningar inte uppfylls. Genom att inledningsvis använda ett slumpmässigt urval av individer till att fastställa vissa klustervärden för att sedan räkna fram avstånden till dessa för samtliga individer kan ett stort datamaterial användas. Resultatet från denna metod var dock tveksamt och istället valdes att göra en hierarkisk klusteranalys med hjälp av Wards metod. 23

30 Wards metod Denna metod går ut på att identifiera relativt homogena grupper av individer med hjälp av en algoritm som börjar med varje individ i ett separat kluster för att sedan kombinera kluster tills det endast finns ett kluster med samtliga individer. Antalet kluster som är det optimala bestäms sedan genom att studera hur stor förändringen i likhet inom klustren samt olikhet mellan klustren blir genom ytterligare en sammanslagning. Det finns olika sätt att göra en sådan här klusteranalys, varav denna, Wards metod, är den kanske mest vanliga. Även denna metod förutsätter att variablerna i klustringsmodellen är oberoende och approximativt normalfördelade. Metoden är dock relativt robust även om dessa två förutsättningar inte uppfylls. Då tvåstegsmetoden bedömdes osäker så valdes istället Wards metod för klusteranalys trots att den är mer exakt i beräkningarna och kräver många beräkningar vid ett så stort datamaterial som det vi har i denna undersökning. Genom att använda en kraftfull dator samt öka antalet möjliga iterationer till 200 miljoner så kunde ändå analysen genomföras med hjälp av SPSS 11.5 och Wards metod trots att datamaterialet innehöll 1348 poster. Den optimala lösningen för materialet i denna rapport bedömdes vara en lösning med fem kluster. Konfidensintervall för tandhälsodata Bilaga 2 tabell 1, Approximativt normalfördelat 95 procentigt konfidensintervall: Tandhälsa för undersökta barn 3 år 2001 procentuella andelar fördelat, på antal nya kariesytor och mellan tänderna Kluster 1 Kluster 2 Kluster 3 min max min max min max 0 95,8 98,8 97,1 99,1 90,1 96,9 1 0,1 2,1 0,2 1,4 1,3 6,7 >1 0,4 2,8 0,3 1,9 0,3 4,7 Kluster 4 Kluster 5 Hela länet min max min max min max 0 98,8 100,2 89,6 96,6 96,5 97, ,8 0,4 4,6 0,8 1,8 >1 0 0,8 1,6 7,2 1,0 2,0 24

31 Bilaga 2 tabell 2, Approximativt normalfördelat 95 procentigt konfidensintervall: Tandhälsa för undersökta barn 5-6 år 2001, procentuella andelar fördelat på antal nya kariesytor och mellan tänderna mellan mellan mellan mellan Kluster 1 Kluster 2 Kluster 3 min max min max min max 0 85,6 90,0 89,5 92,7 77,0 84,8 1 2,0 4,2 2,1 3,9 2,1 6,1 >1 7,2 11,0 4,6 7,2 11,4 18,6 0 92,4 95,6 94,8 97,0 86,7 92,7 1 1,2 3,2 1,2 2,8 2,0 5,8 >1 2,6 5,2 1,3 2,9 4,0 9,0 0 85,6 90,0 89,5 92,7 77,0 84, ,6 10,2 5,5 8,3 8,9 15,3 >3 2,5 5,1 1,2 2,8 4,5 9,5 0 92,4 95,6 94,8 97,0 86,7 92, ,4 6,2 2,5 4,5 5,1 10,5 >3 0,6 2,0 0,2 1,0 1,0 4,2 Kluster 4 Kluster 5 Hela länet min max min max min max 0 88,6 92,6 61,8 72,0 85,9 88,1 1 2,6 5,2 4,3 9,9 3,1 4,3 >1 3,9 7,1 21,2 30,8 8,4 10,2 0 94,5 97,3 78,6 86,8 92,8 94,4 1 0,7 2,3 1,6 5,8 1,8 2,8 >1 1,5 3,7 9,9 17,3 3,5 4,7 0 88,6 92,6 61,8 72,0 85,9 88, ,2 8,8 14,9 23,5 8,0 9,8 >3 1,3 3,5 10,1 17,7 3,5 4,7 0 94,5 97,3 78,6 86,8 92,8 94, ,1 4,7 7,2 13,8 4,1 5,5 >3 0,2 1,4 4,1 9,5 1,1 1,9 25