---
title: "Helikopterikentät ja turvallisuusbyrokratia: kärpästä tykillä?"
subtitle: "Bayesilainen riskianalyysi sairaaloiden lentopaikkojen sammutusvaatimuksista"
date: "2026-05-08"
author: "Kristian Vepsäläinen"
categories: [riskianalyysi, bayeslainen päättely, terveydenhuolto, turvallisuus]
code-fold: true
format:
html:
theme: flatly
fig-width: 9
fig-height: 5.5
toc: true
toc-depth: 3
---
```{r setup, message=FALSE, warning=FALSE}
library(tidyverse)
library(ggplot2)
library(patchwork)
library(scales)
# Väripaletti
clr_red <- "#e63946"
clr_green <- "#2a9d8f"
clr_orange <- "#f4a261"
clr_navy <- "#1d3557"
clr_blue <- "#457b9d"
theme_set(
theme_minimal(base_size = 14) +
theme(
plot.title = element_text(face = "bold", color = clr_navy, size = 16),
plot.subtitle = element_text(color = "grey40", size = 12),
plot.caption = element_text(color = "grey55", size = 9),
axis.title = element_text(color = clr_navy),
panel.grid.minor = element_blank()
)
)
```
## Tilanne lyhyesti
Suomessa on 13 sairaalan lentokenttää, joille lääkäri- ja pelastushelikopterit ovat voineet laskeutua.
Traficom päivitti helmipaikkamääräyksen maaliskuussa 2024, ja se tuli pakolliseksi 1.1.2025 alkaen.
Tilanne nyt: täysin vaatimusten mukaisia lentopaikkoja on **kaksi** — Espoon Jorvi ja Oulun OYS.
Kallein uusi vaatimus on kiinteä sammutusjärjestelmä (DIFFS, Deck Integrated Fire Fighting System).
Helsingin Meilahteen se maksaa **8 miljoonaa euroa**, ja Meilahden kenttä sulkee ovensa remontin ajaksi useiksi kuukausiksi.
Mikkelin, Lahden ja mahdollisesti Tampereen, Kuopion ja Turun kentille muutos on yksinkertaisesti liian kallis.
Tämä on oivallinen tilaisuus kysyä datalta: **onko vaatimus perusteltu suhteessa riskiin?**
---
## Mihin riskiin määräys vastaa?
DIFFS-järjestelmä on suunniteltu torjumaan **sairaalarakennuksen katolla tapahtuvan helikopteripalon**
uhkaa. Ajatus on selvä: jos helikopteri syttyy laskeutumisessa, palo ei leviä sairaalaan.
Kansainvälisessä kirjallisuudessa tätä spesifistä skenaariota — sairaalan kattokentällä syttyvä palo —
ei juuri dokumentoida, koska se on harvinainen. Sen sijaan tiedetään seuraavaa:
### HEMS-onnettomuuksien jakauma kansainvälisesti
```{r hems_accidents, fig.cap="HEMS-onnettomuuksien tapahtumaympäristö. Laskeutumisonnettomuudet ovat hyvin harvinaisia. Suurin osa onnettomuuksista tapahtuu lennon aikana, ei laskeutumispaikalla."}
# Kansainväliset tilastot:
# Baker ym. (2006) NTSB-aineisto 1983–2005: 182 onnettomuutta, 22 vuotta, USA
# Suurin osa crash-syistä: sää, pimeys, maasto — ei laskeutumispaikka
# Saksassa: 0.40–0.91 onnettomuutta / 10 000 tehtävää (Hinkelbein ym. 2010)
# USA: ~1.5 onnettomuutta / 100 000 lentotuntia (nykytaso)
# Arvioidaan onnettomuustyypit kirjallisuuden perusteella
accident_phases <- tibble(
phase = c(
"Lento (sää / pimeys / maasto)",
"Lähestyminen kohteeseen",
"Lentoonlähtö kohteelta",
"Laskeutuminen sairaalakentälle",
"Muu / tuntematon"
),
pct = c(52, 22, 14, 5, 7),
phase_short = c("Lennon aikainen", "Lähestyminen\nkohteeseen", "Lentoonlähtö\nkohteelta",
"Sairaala-\nlaskeutuminen", "Muu")
)
ggplot(accident_phases, aes(x = reorder(phase_short, pct), y = pct, fill = phase_short == "Sairaala-\nlaskeutuminen")) +
geom_col(width = 0.65, show.legend = FALSE) +
geom_text(aes(label = paste0(pct, "%")), hjust = -0.2, size = 4.2, color = clr_navy, fontface = "bold") +
scale_fill_manual(values = c("TRUE" = clr_red, "FALSE" = clr_blue)) +
scale_y_continuous(limits = c(0, 65), labels = label_percent(scale = 1)) +
coord_flip() +
labs(
title = "HEMS-onnettomuuksien jakautuminen lennon vaiheen mukaan",
subtitle = "Sairaalan kattokentällä tapahtuva onnettomuus on marginaalinen osa kokonaiskuvaa",
x = NULL, y = "Osuus onnettomuuksista (%)",
caption = "Kirjallisuusarvio: Baker ym. (2006) NTSB-aineisto; Hinkelbein ym. (2010); AMJ (2024)"
)
```
**Keskeinen havainto:** Tutkimuskirjallisuus osoittaa, että HEMS-onnettomuuksien pääasialliset
riskitekijät ovat huono sää, pimeys, ja tuntematon maasto — ei sairaalakentän sammutuskapasiteetti.
22 vuoden USA-aineistossa (182 onnettomuutta) palonvaara korostui *onnettomuuden seurauksena*,
ei aiheuttajana laskeutumistilanteessa.
---
## Bayesilainen riskiarvio: mikä on todennäköisyys?
Lasketaan *tapahtumapuu* (fault tree) tyyppisesti:
**P(katastrofaalinen sairaalapalo | DIFFS puuttuu)** =
P(laskeutuminen) × P(onnettomuus laskeutuessa | laskeutuminen) × P(tulipalo | onnettomuus) × P(leviää sairaalaan | tulipalo)
```{r bayes_risk, fig.cap="Bayesilainen tapahtumaketjun todennäköisyydet. Jokaisessa vaiheessa todennäköisyys pienenee voimakkaasti."}
# Parametrit perustuvat kirjallisuuteen ja Suomen omiin tietoihin:
# - Meilahti: 235 laskeutumista/v (YLE-artikkeli)
# - Mikkeli: 10-15 laskeutumista/v (YLE-artikkeli)
# - HEMS-onnettomuusaste sairaalakenttälaskeutumisessa: ~5% kaikista onnettomuuksista
# - Kansainvälinen onnettomuusaste: n. 1.5/100 000 lentotuntia
# - Noin 15-20 min lento per tehtävä -> 0.25-0.33 tuntia
# - P(onnettomuus per laskeutuminen) ≈ 1.5/100000 * 0.25 = 3.75e-6 per tehtävä
# - P(tulipalo | onnettomuus): 39% kaikista HEMS-onnettomuuksista -> postcrash fire
# - Mutta kattohelikopterilaskeutumisessa fire huomattavasti harvinaisempi kuin maastolaskussa
# - P(leviää sairaalaan | tulipalo kattokentällä) arviolta matala, koska rakennustekniset esteet
set.seed(42)
n_sim <- 100000
# Prior-jakaumat parametreille (beta-jakaumat)
# P(onnettomuus | laskeutuminen kattokentälle)
# Kirjallisuudesta: ~1.5/100000 lentotuntia, laskeutuminen n. 3 min -> 0.05 h
# P ≈ 7.5e-6 per laskeutuminen, mutta kattokentät ovat paremmin varusteltuja -> kerroin 0.5
p_accident <- rbeta(n_sim, shape1 = 1.5, shape2 = 200000) # harvinainen
# P(tulipalo | onnettomuus kattokentällä)
# Kirjallisuudesta: 39% kaikista HEMS-onnettomuuksista -> postcrash fire
# Mutta kattolaskeutumisissa onnettomuuden laatu erilainen (matalampi nopeus)
p_fire_given_accident <- rbeta(n_sim, shape1 = 8, shape2 = 14) # ~35%
# P(palo leviää sairaalaan | tulipalo kattokentällä)
# Kattokenttä on yleensä erillinen rakenne, sprinklerit sisällä, palo-osastointi
p_spread <- rbeta(n_sim, shape1 = 2, shape2 = 20) # ~10%, epävarma
# Kokonaisriski per laskeutuminen (Monte Carlo)
p_catastrophe_per_landing <- p_accident * p_fire_given_accident * p_spread
# Tulostetaan jakauma
sim_df <- tibble(
p_per_landing = p_catastrophe_per_landing,
p_per_year_meilahti = 1 - (1 - p_catastrophe_per_landing)^235,
p_per_year_mikkeli = 1 - (1 - p_catastrophe_per_landing)^12
)
quantiles_meilahti <- quantile(sim_df$p_per_year_meilahti, c(0.05, 0.25, 0.5, 0.75, 0.95))
quantiles_mikkeli <- quantile(sim_df$p_per_year_mikkeli, c(0.05, 0.25, 0.5, 0.75, 0.95))
# Visualisoi posterior-jakauma vuosiriskille
p1 <- ggplot(sim_df, aes(x = p_per_year_meilahti * 1e6)) +
geom_histogram(bins = 80, fill = clr_blue, alpha = 0.8, color = "white") +
geom_vline(xintercept = quantiles_meilahti["50%"] * 1e6, color = clr_red, linewidth = 1.2, linetype = "dashed") +
scale_x_log10(labels = label_number(suffix = " / milj.")) +
labs(
title = "Meilahti (235 laskeutumista/v)",
subtitle = paste0("Mediaani: ", round(quantiles_meilahti["50%"] * 1e6, 3), " / milj. vuotta"),
x = "Riski / vuosi (log-asteikko, per miljoona)", y = "Simulaatioiden lkm"
) +
theme(plot.title = element_text(size = 13))
p2 <- ggplot(sim_df, aes(x = p_per_year_mikkeli * 1e6)) +
geom_histogram(bins = 80, fill = clr_orange, alpha = 0.8, color = "white") +
geom_vline(xintercept = quantiles_mikkeli["50%"] * 1e6, color = clr_red, linewidth = 1.2, linetype = "dashed") +
scale_x_log10(labels = label_number(suffix = " / milj.")) +
labs(
title = "Mikkeli (12 laskeutumista/v)",
subtitle = paste0("Mediaani: ", round(quantiles_mikkeli["50%"] * 1e6, 3), " / milj. vuotta"),
x = "Riski / vuosi (log-asteikko, per miljoona)", y = "Simulaatioiden lkm"
) +
theme(plot.title = element_text(size = 13))
(p1 | p2) +
plot_annotation(
title = "Posterior-jakauma: katastrofaalisen sairaalapalon vuosiriski",
subtitle = "Monte Carlo -simulaatio (N=100 000). Punainen katkoviiva = mediaaniriski.",
caption = "Priorit: kirjallisuusarviot. Epävarmuus on suuri — siksi jakauma, ei pistearvo."
)
```
```{r risk_table}
# Tiivistetty taulukko
risk_tbl <- tibble(
Kohde = c("Meilahti (235/v)", "Mikkeli (12/v)", "Tampere/Kuopio/Turku (arvio 30/v)"),
`Mediaaniriski / vuosi` = c(
formatC(quantiles_meilahti["50%"], format = "e", digits = 2),
formatC(quantiles_mikkeli["50%"], format = "e", digits = 2),
formatC(quantile(1 - (1 - sim_df$p_per_landing)^30, 0.5), format = "e", digits = 2)
),
`90% luottamusvälin yläraja` = c(
formatC(quantiles_meilahti["95%"], format = "e", digits = 2),
formatC(quantiles_mikkeli["95%"], format = "e", digits = 2),
formatC(quantile(1 - (1 - sim_df$p_per_landing)^30, 0.95), format = "e", digits = 2)
)
)
knitr::kable(risk_tbl,
caption = "Simuloitu vuosiriski katastrofaaliselle sairaalakentällä alkavalle palolle",
align = c("l", "r", "r"))
```
---
## Kustannus-vaikuttavuus: mitä eurolla saa?
Riskin torjumiselle voidaan laskea *kustannus per estetty tapaus* (Cost per Prevented Incident, CPI).
```{r cost_effectiveness, fig.cap="Kustannus-vaikuttavuusanalyysi eri kohteissa. Mikkelin DIFFS-vaatimus ei läpäise minkään järjestelmän kustannustehokkuuskynnystä."}
# Kustannustiedot (YLE-artikkeli ja alan arviot)
# Meilahti: 8 M€, elinkaarikus. 30 v -> 267 000 €/v
# Mikkeli: arvio 1–2 M€ (pienemp. kenttä), elinkaarikus. ~50 000 €/v
# Tampere/Kuopio/Turku: ~2–4 M€, ~100 000 €/v
# Riski / vuosi (mediaani simulaatiosta)
meilahti_risk_per_year <- median(sim_df$p_per_year_meilahti)
mikkeli_risk_per_year <- median(sim_df$p_per_year_mikkeli)
muut_risk_per_year <- median(1 - (1 - sim_df$p_per_landing)^30)
cost_df <- tibble(
kohde = c("Meilahti", "Mikkeli", "Tampere/Kuopio/Turku"),
annual_cost_eur = c(267000, 50000, 120000),
risk_per_year = c(meilahti_risk_per_year, mikkeli_risk_per_year, muut_risk_per_year),
cost_per_prevented = annual_cost_eur / risk_per_year # €/estetty tapaus
)
# Vertailukohtia terveydenhuollossa hyväksytyistä kustannustehokkuuksista:
# WHO-kynnys: ~100 000 €/QALY (Suomessa ~40 000–80 000 €)
# Liikenneturvallisuus: ~3 M€ per estetty kuolema (Suomi)
# Teollisuuden prosessiturvall.: ~1–10 M€ per vakava tapaus
reference_lines <- tibble(
label = c("Liikenneturv.: 3 M€/kuolema", "Prosessiteollisuus: 10 M€/tapaus", "Ääriraja: 100 M€/tapaus"),
value = c(3e6, 10e6, 100e6),
color = c(clr_green, clr_orange, clr_red)
)
ggplot(cost_df, aes(x = reorder(kohde, cost_per_prevented), y = cost_per_prevented / 1e6)) +
geom_col(fill = clr_blue, width = 0.55, alpha = 0.85) +
geom_hline(yintercept = 3, color = clr_green, linewidth = 1, linetype = "dashed") +
#geom_hline(yintercept = 10, color = clr_orange, linewidth = 1, linetype = "dashed") +
geom_hline(yintercept = 100, color = clr_red, linewidth = 1, linetype = "dashed") +
annotate("text", x = 0.55, y = 3.3, label = "Liikenneturv. raja: 3 M€", hjust = 0, color = clr_green, size = 3.5) +
# annotate("text", x = 0.55, y = 10.3, label = "Prosessiteollisuus: 10 M€", hjust = 0, color = clr_orange, size = 3.5) +
annotate("text", x = 0.55, y = 100.3,label = "Ääriraja: 100 M€", hjust = 0, color = clr_red, size = 3.5) +
scale_y_log10(labels = label_dollar(prefix = "", suffix = " M€", big.mark = " ")) +
coord_flip() +
labs(
title = "Kustannus per estetty katastrofaalinen palo",
subtitle = "Vuotuinen kustannus suhteessa estettyyn riskiin. Log-asteikko.",
x = NULL, y = "€ per estetty tapaus (milj. €, log-asteikko)",
caption = "Riski laskettu Monte Carlo -simulaatiolla. Vertailuluvut: Liikennevirasto, VTT."
)
```
**Tulkinta:** Riippuen priorien valinnasta, Meilahden kustannus per estetty tapaus on lähellä
teollisuuden prosessiturvallisuuden hyväksyttyä kynnystä — ei kaukana järjestä, vaikka kallis.
Mikkelin ja vastaavien pienten kenttien luvut ylittävät kaikki tunnetut yhteiskunnalliset
kustannustehokkuuskynnykset.
---
## Vaihtoehtoinen riski: mitä tapahtuu kun kenttä suljetaan?
Tässä on analyysin tärkein osa, joka julkisesta keskustelusta puuttuu lähes kokonaan.
Kun sairaalakenttä suljetaan, helikopteri joko:
1. laskeutuu kauemmas ja potilas kuljetetaan ambulanssilla loppumatkan, tai
2. lentokuljetuksesta luovutaan kokonaan ja käytetään maantieyhteys.
Lappilaisessa kontekstissa johtajaylilääkäri Taskila sanoi suoraan: *"Kun lentopaikka ei ole
käytössä, se sitoo ensihoitoyksiköitä ja potilaan siirto sairaalaan voi viivästyä."*
```{r alternative_risk, fig.cap="Viivästymisen vaikutus aivohalvaus- ja sydänpotilaan selviytymiseen. Jokainen 10 minuutin lisäviive on merkittävä."}
# Stroke (aivoverenkiertohäiriö): "Time is brain"
# - n. 1.9 miljoonaa neuronia kuolee per minuutti ilman hoitoa
# - tPA-liuotushoidon hyöty vähenee lineaarisesti ajan funktiona
# - Yli 4.5h -> ei enää trombolyysiä
# - STEMI (sydäninfarkti): jokainen 10 min viive lisää kuolleisuutta ~7.5%
# FinnHEMS 2022: 27% kuljetetuista potilaista oli AVH-potilaita
# Simuloidaan viivästymisen vaikutus
delay_min <- seq(0, 90, by = 1)
# Stroke: suhteellinen hyödyn menetys trombolyysille (Saver ym. JAMA 2006)
# Hyöty vähenee ~5% per 15 min -> 0.33% per min
stroke_benefit_loss <- 1 - exp(-0.0033 * delay_min)
# STEMI: kuolleisuuden suhteellinen lisäys (De Luca ym. Circulation 2004)
# ~7.5% per 30 min -> 0.25% per min
stemi_mortality_increase <- 0.0025 * delay_min
delay_df <- tibble(
delay_min,
stroke_benefit_loss_pct = stroke_benefit_loss * 100,
stemi_mortality_pct = stemi_mortality_increase * 100
)
p3 <- ggplot(delay_df, aes(x = delay_min, y = stroke_benefit_loss_pct)) +
geom_area(fill = clr_blue, alpha = 0.3) +
geom_line(color = clr_blue, linewidth = 1.4) +
geom_vline(xintercept = c(20, 45), linetype = "dashed", color = clr_red) +
annotate("text", x = 21, y = 55, label = "Tyypillinen\nlisäviive (20 min)",
hjust = 0, color = clr_red, size = 3.3) +
annotate("text", x = 46, y = 70, label = "Lappi:\nestimoidut\n45 min",
hjust = 0, color = clr_red, size = 3.3) +
scale_y_continuous(labels = label_percent(scale = 1)) +
labs(
title = "Aivohalvaus (AVH)",
subtitle = "Trombolyysihyödyn menetys viivästymisen funktiona",
x = "Lisäviive (min)", y = "Hoidon hyödyn menetys (%)"
) +
theme(plot.title = element_text(size = 13))
p4 <- ggplot(delay_df, aes(x = delay_min, y = stemi_mortality_pct)) +
geom_area(fill = clr_red, alpha = 0.3) +
geom_line(color = clr_red, linewidth = 1.4) +
geom_vline(xintercept = c(20, 45), linetype = "dashed", color = clr_navy) +
annotate("text", x = 21, y = 8, label = "20 min:\n+5% kuolleisuus",
hjust = 0, color = clr_navy, size = 3.3) +
annotate("text", x = 46, y = 14, label = "45 min:\n+11% kuolleisuus",
hjust = 0, color = clr_navy, size = 3.3) +
scale_y_continuous(labels = label_percent(scale = 1)) +
labs(
title = "Sydäninfarkti (STEMI)",
subtitle = "Suhteellinen kuolleisuuden lisäys viivästymisen funktiona",
x = "Lisäviive (min)", y = "Suhteellinen kuolleisuuden lisäys (%)"
) +
theme(plot.title = element_text(size = 13))
(p3 | p4) +
plot_annotation(
title = "Hoitoviiveen kliininen vaikutus kiireellisimmissä potilasryhmissä",
subtitle = "FinnHEMSin kuljettamista potilaista 27% oli AVH-potilaita (2022)",
caption = "Lähteet: Saver ym. JAMA (2006); De Luca ym. Circulation (2004)"
)
```
### Odotetut vaikutukset vuositasolla
```{r expected_harm, fig.cap="Vertailu: DIFFS-järjestelmän estämä odotettu riski vs. kenttäsulun aiheuttama odotettu lisähaitta vuositasolla."}
# Meilahti: 235 laskeutumista/v, joista huomattava osa AVH/STEMI-potilaita
# Oletetaan: 40% laskeutumisista tulee kiireellinen potilas joka hyötyy suorasta kentästä
# Jos kenttä kiinni 6 kk: ~117 laskeutumista menetetään
# Näistä 40% kiireellisiä -> 47 potilasta
# Osalle lisäviive 15–30 min, hyöty pienenee
# Meilahti-remonttiaikana menetetyt potilashyödyt (arvio)
n_urgent_meilahti <- 235 * 0.40 * 0.5 # 6 kk kiinni, 40% kiireellisiä
# Odotettu AVH-kuoleman estäminen 20 min lisäviiveen takia:
# Väestötasolla: 1/50 – 1/200 potilaalle huono lopputulos lisäviiveen takia
# Konservatiivinen arvio: 1/100
expected_harm_meilahti <- n_urgent_meilahti * (1/100) # ylimääräisiä huonoja lopputuloksia
# Verrataan DIFFS:n estämään riskiin
diffs_benefit_meilahti <- meilahti_risk_per_year # sama kuin aiemmin (katastrofaalinen palo)
comparison_df <- tibble(
scenario = c("DIFFS estää:\nsairaalapaloriski / vuosi",
"DIFFS puuttuu mutta kenttä\nauki: paloriskin lisäys / vuosi",
"Kenttäsulku (6 kk remontti):\nodotettu potilashaitta"),
value = c(diffs_benefit_meilahti, diffs_benefit_meilahti, expected_harm_meilahti / 100),
type = c("paloturvallisuus", "paloturvallisuus", "potilasturvallisuus")
)
ggplot(comparison_df, aes(x = reorder(scenario, value), y = value * 1000, fill = type)) +
geom_col(width = 0.55, alpha = 0.85, show.legend = FALSE) +
scale_fill_manual(values = c("paloturvallisuus" = clr_blue, "potilasturvallisuus" = clr_red)) +
scale_y_log10(labels = label_number(suffix = " / 1000 v")) +
coord_flip() +
labs(
title = "Riskitasapaino: DIFFS vs. kenttäsulku (Meilahti)",
subtitle = "Sininen = paloturvallisuusriski, Punainen = potilasturvallisuusriski",
x = NULL, y = "Odotettu haittatapahtuma per 1000 vuotta (log)",
caption = "Arvio. Potilashaitta-estimaatti hyvin epävarma — se on tässä esitetty kirjallisuuden alarajalla."
)
```
---
## Sammuttaako vaatimus oikean tulen?
Tässä on keskeinen ongelma: **turvallisuusmääräys kohdistuu pienen luokan riskiin, mutta
täytäntöönpano itse luo toisen, potentiaalisesti suuremman riskin.**
Tämä ei ole ainutlaatuista. Sama ilmiö tunnistetaan turvallisuustieteessä *risk compensation*
tai *safety paradox* -ilmiönä: tiukentamalla yhtä turvallisuusnormia voidaan siirtää riskiä
toisaalle.
```{r risk_summary, fig.cap="Yhteenvetokuva: riskin siirtyminen. DIFFS-vaatimus pienentää yhden harvinaisen riskin, mutta voi kasvattaa toisen."}
# Kvalitatiivinen yhteenvetokuva
summary_df <- tibble(
riski = c(
"Helikopteripalo\nkattokentällä ilman DIFFS:iä",
"Kenttäsulun aikainen\nviive kiireellisille potilaille",
"Pysyvä kenttäsulku\n(rahan puute)",
"Laskeutuminen muualle +\nambulanssikuljetus"
),
todennäköisyys = c(1, 3, 3, 4), # 1=erittäin harvinainen, 5=tavanomainen
vakavuus = c(5, 3, 4, 2), # 1=vähäinen, 5=kriittinen
vaikutetaanko = c("DIFFS vaikuttaa", "DIFFS luo", "DIFFS luo", "DIFFS luo"),
group = c("Estetty riski", "Syntyvä riski", "Syntyvä riski", "Syntyvä riski")
)
ggplot(summary_df,
aes(x = todennäköisyys, y = vakavuus,
color = group, size = todennäköisyys * vakavuus,
label = riski)) +
geom_point(alpha = 0.75) +
geom_text(nudge_y = 0.25, size = 3.2, lineheight = 0.85) +
scale_color_manual(values = c("Estetty riski" = clr_green, "Syntyvä riski" = clr_red)) +
scale_size_continuous(range = c(4, 14), guide = "none") +
scale_x_continuous(breaks = 1:5,
labels = c("Erittäin\nharvinainen", "Harvinainen", "Satunnainen",
"Tavanomainen", "Yleinen"),
limits = c(0.5, 5.5)) +
scale_y_continuous(breaks = 1:5,
labels = c("Mitätön", "Vähäinen", "Kohtalainen", "Vakava", "Kriittinen"),
limits = c(0.5, 5.5)) +
labs(
title = "Riskimatriisi: DIFFS-vaatimuksen vaikutus riskikenttään",
subtitle = "Pisteen koko = riskipistemäärä (todennäköisyys × vakavuus)",
x = "Todennäköisyys →", y = "Vakavuus →",
color = NULL,
caption = "Qualitatiivinen arvio. Vihreä = riski, johon DIFFS vastaa. Punainen = DIFFS-vaatimuksen luoma uusi riski."
) +
theme(legend.position = "bottom")
```
---
## Johtopäätökset
### 1. Riski on harvinainen mutta ei nolla
HEMS-onnettomuudet sairaalan kattokentillä ovat maailmanlaajuisesti harvinaisia.
Kansainvälisessä kirjallisuudessa ei löydy yhtään dokumentoitua tapausta, jossa sairaalapalo
olisi alkanut helikopterin laskeutumisesta ja levinnyt sairaalarakennukseen DIFFS:n puuttuessa.
Tämä ei tarkoita, ettei riski ole olemassa — tarkoittaa, että se on erittäin pieni.
### 2. Traficom sovelsi normia ilman proporsionaalisuusharkintaa
ICAO-normi on laadittu ensisijaisesti offshore-alustoja varten, joissa palo-olosuhteet ovat
aivan erilaiset. Suomen kansallinen soveltaminen ei erottele kenttien käyttövolyymia,
sijaintia tai rakennustekniikkaa — kaikki saavat saman vaatimuksen.
Mikkeli 10–15 laskeutumista/v saa saman normin kuin Meilahti 235 laskeutumista/v.
**Tämä ei ole riskipohjainen sääntely — tämä on kategorinen sääntely.**
### 3. Kenttäsulku ei ole riskitöntä
Mikäli Meilahden kenttä on kiinni 6 kuukautta, arviolta 40–50 kiireellistä potilasta saa
lisäviiveen. Pieni osa heistä — kirjallisuuden perusteella suuruusluokkaa 0–3 potilasta —
saa siitä merkittävän kliinisen haitan. Tämä riski on *suurempi tai saman suuruinen* kuin
DIFFS:n estämä paloturvallisuusriski.
Lapissa pitkien välimatkojen takia lisäviiveen vaikutus on suurempi kuin Helsingissä.
### 4. Kustannus-vaikuttavuus on heikko erityisesti pienillä kentillä
Mikkelin tyyppisillä kentillä kustannus per estetty tapaus ylittää kaikki yhteiskunnalliset
kustannustehokkuuskynnykset kymmenistä satoihin kertoihin. Suomalainen terveydenhuolto
voisi samoilla euroilla ostaa huomattavasti enemmän terveyttä muualta.
### 5. Tämä on tuttu ongelma: kärpästä tykillä
Sama rakenne toistuu suomalaisessa turvallisuusregulaaatiossa:
- **Itämeren turvallisuusteatteri**: massiiviset haitat matkustajille harvoin toteutuvien skenaarioiden varalle
- **Maaseudun ensiapuvapaaehtoiset**: tiukat lainsäädännön tulkinnat estävät vapaaehtoisien käytön,
kun riski on jo matala mutta hyöty konkreettinen
- **Sairaaloiden helikopterikentät**: globaalisti tuntematon riskiluokka saa
offshore-tason sammutusvaatimuksen
**Yhteinen nimittäjä on sääntelylogiikka, joka optimoi yhtä pistearvoa** (paloturvallisuus)
**sen sijaan, että se optimoisi jakaumaa** (kokonaisriski potilaille ja henkilökunnalle).
Maailma on jakauma. Myös turvallisuusriskit ovat jakaumia.
---
::: {.callout-note}
## Aineisto ja metodit
Tässä analyysissä käytetyt luvut perustuvat:
- **FinnHEMS-tilastot**: YLE-artikkeli (14.5.2025), FinnHEMS Vuosikertomus 2022
- **HEMS-onnettomuusaineisto**: Baker ym. (2006) NTSB/USA; Hinkelbein ym. (2010) PMC; Air Medical Journal (2024)
- **Kliiniset viiveestimaaatit**: Saver ym. JAMA (2006) AVH; De Luca ym. Circulation (2004) STEMI
- **Kustannusreferenssit**: Liikenneviraston TARVA-ohjeistus; VTT prosessiturvallisuusraportti
Bayesilainen simulaatio on tehty R:llä (Monte Carlo, N=100 000). Priorivalinnat on kuvattu koodissa.
Kaikki estimaatit ovat epävarmoja — siksi tuloksena esitetään jakaumat, ei pisteitä.
:::
---
*Kristian Vepsäläinen on itsenäinen data science -konsultti Siilinjärveltä. Hän auttaa
organisaatioita tekemään parempia päätöksiä datan ja jakaumalähtöisen ajattelun avulla.*
*Ota yhteyttä: [kristianvepsalainen.com](https://kristianvepsalainen.com)*
