---
title: "Kyläyhdistykset ensiavun tuottajina: faktoja ja todennäköisyyslaskentaa"
author: "Data Science -analyysi"
date: "2026-04-04"
categories:
- simulaatio
- ensihoito
- maaseutu
- data science
- R
format:
html:
toc: true
toc-depth: 3
code-fold: true
theme: cosmo
fig-width: 9
fig-height: 6
self-contained: true
execute:
warning: false
message: false
lang: fi
slug: maallikoiden-ensihoito
---
## Tausta
Keski-Suomen hyvinvointialue sai Valviralta harvinaisen huomautuksen ensivastetoiminnasta,
koska se oli täydentänyt ensihoidon toimintaa kyläyhdistysten vapaaehtoisilla
sydäniskuriryhmillä syrjäseuduilla. Valviran mukaan järjestely on lainvastainen:
se rikkoo sosiaali- ja terveydenhuollon järjestämislakia, koska vapaaehtoistoiminta
ei täytä yksityisiltä terveydenhuollon palveluntuottajilta vaadittavia ehtoja.
Tässä kirjoituksessa tarkastelen aihetta **yksinomaan tilastojen ja lääketieteellisen
tutkimusnäytön kautta**, en tunnepuolen kautta.
---
## Kuinka monta kyläyhdistystä Suomessa on?
Suomessa on noin **4 200 kyläyhdistystä ja -toimikuntaa** (Wikipedia / Suomen Kylät ry).
Näistä noin 3 100 on rekisteröityjä kyläyhdistyksiä ja noin 900 kylätoimikuntia.
Ne ovat järjestäytyneet 19 maakunnalliseksi kyläyhdistykseksi Suomen Kylät ry:n
kattojärjestön alle.
Keski-Suomen hyvinvointialueella toimi **22 vapaaehtoista sydäniskuriryhmää**,
joissa oli yhteensä **160 koulutettua vapaaehtoista** (YLE 2026).
```{r}
#| label: kylayhd-luvut
#| fig-cap: "Kyläyhdistykset Suomessa maakunnittain (arvio)"
library(tidyverse)
library(ggplot2)
library(dplyr)
library(scales)
# Arvio kyläyhdistysten jakaumasta maakunnittain
# Lähde: Suomen Kylät ry, Wikipedia (n ≈ 4200 yhteensä)
maakunnat <- data.frame(
maakunta = c(
"Uusimaa", "Varsinais-Suomi", "Satakunta", "Kanta-Häme",
"Pirkanmaa", "Päijät-Häme", "Kymenlaakso", "Etelä-Karjala",
"Etelä-Savo", "Pohjois-Savo", "Pohjois-Karjala", "Keski-Suomi",
"Etelä-Pohjanmaa", "Pohjanmaa", "Keski-Pohjanmaa",
"Pohjois-Pohjanmaa", "Kainuu", "Lappi", "Ahvenanmaa"
),
kylayhd_arvio = c(
280, 320, 200, 160, 280, 150, 130, 110,
220, 280, 220, 260, 300, 160, 80,
350, 90, 200, 10
)
)
ggplot(maakunnat, aes(x = reorder(maakunta, kylayhd_arvio), y = kylayhd_arvio)) +
geom_col(fill = "#2E7D32", alpha = 0.85) +
coord_flip() +
labs(
title = "Kyläyhdistykset Suomessa maakunnittain",
subtitle = "Arvio yhteensä n. 4 200 yhdistyksestä (Suomen Kylät ry)",
x = NULL,
y = "Kyläyhdistysten lukumäärä (arvio)"
) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold"),
axis.text.y = element_text(size = 10)
)
```
**Keskeinen luku:** Keski-Suomessa toimii noin 260–280 kyläyhdistystä, joista 22:lla
oli sopimus sydäniskuritoiminnasta hyvinvointialueen kanssa. Se tarkoittaa, että
sopimus kattoi noin **8 %** alueen kyläyhdistyksistä.
---
## Ensivasteyksikköjen lukumäärä Suomessa
Palosuojelun edistämissäätiön tutkimuksen mukaan Suomessa on yhteensä noin
**545 ensivasteyksikköä** (2019 tiedot). Pelastuslaitoksilla on näistä **501 yksikköä**
(92 %), loput tuottavat muut toimijat.
Kaikki Suomen 20 sairaanhoitopiiriä ovat sisällyttäneet ensivastetoiminnan
ensihoidon palvelutasopäätökseen.
```{r}
#| label: ensivaste-rakenne
#| fig-cap: "Ensivasteyksiköiden tuottajat Suomessa"
library(ggplot2)
tuottajat <- data.frame(
tuottaja = c("Pelastuslaitokset", "Muut toimijat\n(VPK, muu)"),
lukumaara = c(501, 44),
osuus = c(92, 8)
)
ggplot(tuottajat, aes(x = "", y = lukumaara, fill = tuottaja)) +
geom_col(width = 1, color = "white", linewidth = 1.2) +
coord_polar("y", start = 0) +
scale_fill_manual(values = c("#1565C0", "#90CAF9")) +
geom_text(aes(label = paste0(lukumaara, " kpl\n(", osuus, "%)")),
position = position_stack(vjust = 0.5),
size = 5, fontface = "bold", color = "white") +
labs(
title = "Ensivasteyksiköt Suomessa tuottajittain",
subtitle = "Yhteensä n. 545 yksikköä (Palosuojelun edistämissäätiö, 2019)",
fill = "Tuottaja"
) +
theme_void(base_size = 13) +
theme(
plot.title = element_text(face = "bold", hjust = 0.5),
plot.subtitle = element_text(hjust = 0.5),
legend.position = "bottom"
)
```
### Ensivasteyksiköiden alueellinen merkitys
Ensivasteyksikkö hälytetään Suomessa keskimäärin **7,2 %:iin** kiireellisistä
(A- ja B-luokan) tehtävistä. Alueellinen vaihtelu on suurta:
- **Vähiten käytetään** Länsi-Pohjan alueella: 2,2 % tehtävistä
- **Eniten käytetään** Kanta-Hämeessä: 14,9 % tehtävistä
Elottomuustehtäviä on kaikista ensivastetehtävistä noin **10 %**.
---
## Todennäköisyysmalli: kuolema viiveen funktiona
### Teoreettinen perusta
Lääketieteellinen kirjallisuus on johdonmukainen:
> *"Eloonjäämismahdollisuus laskee noin 10 prosenttia joka minuutti ennen hoidon aloitusta"*
> (Sydänliitto / Iltalehti 2019; Terveyskirjasto)
> *"Jos painelu-puhalluselvytys ja defibrillaatio käynnistyvät 3–5 minuutissa,
> tämä jopa kolminkertaistaa autettavan selviytymisen mahdollisuuksia"*
> (Terveyskirjasto / SPR)
> *"Jos elvytys ja sydäniskurin käyttö tapahtuu minuuteissa pysähdyksestä,
> jopa kolme neljästä selviää"*
> (Sydänliitto)
Nämä luvut koskevat erityisesti **äkkielottomuustehtäviä** (sydänpysähdys).
```{r}
#| label: selviytymismalli
#| fig-cap: "Selviytymistodennäköisyys sydänpysähdyksessä viiveen funktiona"
library(ggplot2)
library(dplyr)
library(knitr)
# Malli: eksponentiaalilasku 10 % / min perusselviytymistodennäköisyydestä
# Alkutodennäköisyys (0 min viive, välitön elvytys): ~75% (Sydänliitto)
# Lasku ~10 % per minuutti (absoluuttinen prosenttiyksikkö)
# Kirjallisuuden mukaan malli on eksponentiaalinen
surv_fn <- function(t, p0 = 0.75, lambda = 0.10) {
p0 * exp(-lambda * t)
}
t <- seq(0, 20, by = 0.1)
df <- data.frame(
aika_min = t,
selviytyminen = surv_fn(t)
)
# Merkitään kriittiset pisteet
pisteet <- data.frame(
aika = c(3, 5, 8, 12, 15),
selviytyminen = surv_fn(c(3, 5, 8, 12, 15)),
label = c(
"3 min:\n~56%",
"5 min:\n~45%",
"8 min:\n~34%",
"12 min:\n~23%",
"15 min:\n~17%"
)
)
# Syrjäseutualueen tyypillinen ambulanssiviive
amb_viive_min <- 12 # syrjäseudulla
kylayhd_viive <- 5 # kyläyhdistyksen vapaaehtoinen
ggplot(df, aes(x = aika_min, y = selviytyminen * 100)) +
geom_ribbon(
data = df %>% filter(aika_min >= 0, aika_min <= kylayhd_viive),
aes(ymin = 0, ymax = selviytyminen * 100),
fill = "#A5D6A7", alpha = 0.4
) +
geom_ribbon(
data = df %>% filter(aika_min >= kylayhd_viive, aika_min <= amb_viive_min),
aes(ymin = 0, ymax = selviytyminen * 100),
fill = "#FFCC80", alpha = 0.4
) +
geom_line(color = "#B71C1C", linewidth = 1.5) +
geom_vline(xintercept = kylayhd_viive, linetype = "dashed",
color = "#2E7D32", linewidth = 1.1) +
geom_vline(xintercept = amb_viive_min, linetype = "dashed",
color = "#E65100", linewidth = 1.1) +
annotate("text", x = kylayhd_viive + 0.2, y = 68,
label = paste0("Kyläyhdistys\npaikalla: ", kylayhd_viive, " min\n(",
round(surv_fn(kylayhd_viive)*100), "%)"),
hjust = 0, color = "#2E7D32", size = 4, fontface = "bold") +
annotate("text", x = amb_viive_min + 0.2, y = 55,
label = paste0("Ambulanssi\nsyrjäseudulla: ", amb_viive_min, " min\n(",
round(surv_fn(amb_viive_min)*100), "%)"),
hjust = 0, color = "#E65100", size = 4, fontface = "bold") +
scale_y_continuous(labels = function(x) paste0(x, "%"), limits = c(0, 80)) +
scale_x_continuous(breaks = seq(0, 20, 2)) +
labs(
title = "Selviytymistodennäköisyys sydänpysähdyksessä",
subtitle = "Malli perustuu Sydänliiton / SPR:n ja kansainvälisen kirjallisuuden lukuihin\n(~10 % lasku per minuutti, eksponentiaalinen)",
x = "Viive sydänpysähdyksestä elvytyksen aloitukseen (minuuttia)",
y = "Selviytymistodennäköisyys",
caption = "Lähde: Sydänliitto, Terveyskirjasto, SPR"
) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold"),
panel.grid.minor = element_blank()
)
```
---
## Monte Carlo -simulaatio: kyläyhdistyksen vaikutus
Simuloidaan **10 000 sydänpysähdystapausta** syrjäseudulla. Parametrit perustuvat
julkisiin tietoihin.
### Simulaation oletukset
| Parametri | Arvo | Lähde |
|---|---|---|
| Ambulanssin viive syrjäseudulla | Normaali(μ=12, σ=4) min | Pelastuslaitosten palvelutasopäätökset |
| Kyläyhdistyksen viive | Normaali(μ=5, σ=2) min | Arvio (lähiapu) |
| Selviytymisprosentti t=0 | 75 % | Sydänliitto |
| Selviytymislaskun nopeus | 10 % / min (eksp.) | Kansainvälinen kirjallisuus |
| Kyläyhdistys ehtii ensin | Keski-Suomen tiedot: 1 tapaus | Ensihoitopäällikkö Aunola, YLE |
```{r}
#| label: monte-carlo
#| fig-cap: "Simulaatio: selviytymistodennäköisyyksien jakauma"
set.seed(42)
n <- 10000
# Selviytymisfunktio
surv_fn <- function(t, p0 = 0.75, lambda = 0.10) {
pmax(0, p0 * exp(-lambda * t))
}
# Simuloidaan ambulanssiviiveet (syrjäseutu)
amb_viive <- pmax(1, rnorm(n, mean = 12, sd = 4))
# Simuloidaan kyläyhdistysviiveet
kyla_viive <- pmax(0.5, rnorm(n, mean = 5, sd = 2))
# Kyläyhdistys ehtii ennen ambulanssia (yleensä kyllä, koska lähempänä)
kyla_ensin <- kyla_viive < amb_viive # loogisesti melkein aina TRUE
# Selviytymistodennäköisyys ilman kyläyhdistystä
surv_amb <- surv_fn(amb_viive)
# Selviytymistodennäköisyys kyläyhdistyksen kanssa:
# Jos kyläyhdistys ehtii ensin, se aloittaa PPE -> hyödyntää nopeampaa viivettä
# Mutta: kyläyhdistys EI korvaa ambulanssia, ainoastaan aloittaa PPE
# -> käytetään kyläyhdistyksen viivettä PPE:n aloitukseen
surv_kyla_ppe <- ifelse(
kyla_ensin,
surv_fn(kyla_viive), # PPE alkaa nopeammin
surv_fn(amb_viive) # ei eroa
)
# Data frameksi
df_sim <- data.frame(
surv_amb = surv_amb * 100,
surv_kyla_ppe = surv_kyla_ppe * 100
)
library(tidyr)
df_long <- pivot_longer(df_sim, cols = everything(),
names_to = "skenaario",
values_to = "selviytyminen_pct")
df_long$skenaario <- factor(df_long$skenaario,
levels = c("surv_amb", "surv_kyla_ppe"),
labels = c("Vain ambulanssi\n(syrjäseudun viive)",
"Kyläyhdistys aloittaa PPE\n(ambulanssi saapuu myöhemmin)"))
library(ggplot2)
ggplot(df_long, aes(x = selviytyminen_pct, fill = skenaario)) +
geom_histogram(binwidth = 2, alpha = 0.7, position = "identity", color = "white") +
scale_fill_manual(values = c("#E53935", "#43A047")) +
labs(
title = "Monte Carlo -simulaatio: selviytymistodennäköisyyksien jakauma",
subtitle = paste0("n = ", format(n, big.mark = " "),
" simuloitua sydänpysähdystapausta syrjäseudulla"),
x = "Selviytymistodennäköisyys (%)",
y = "Tapausten lukumäärä",
fill = "Skenaario",
caption = "Oletukset: amb. viive N(12,4) min, kyläyhdistys N(5,2) min, p0=75%, λ=0.10/min"
) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold"),
legend.position = "bottom",
legend.title = element_blank()
)
```
```{r}
#| label: sim-yhteenveto
# Lasketaan odotetut selviytyjät ja ero
mediaani_amb <- median(surv_amb)
mediaani_kyla <- median(surv_kyla_ppe)
ero_abs <- mediaani_kyla - mediaani_amb
# Yhteenvetotaulukko
yhteenveto <- data.frame(
Skenaario = c("Vain ambulanssi (syrjäseudun viive)",
"Kyläyhdistys aloittaa PPE + ambulanssi"),
`Mediaaniviive (min)` = c(round(median(amb_viive), 1),
round(median(kyla_viive), 1)),
`Mediaani selviyt. (%)` = c(round(mediaani_amb * 100, 1),
round(mediaani_kyla * 100, 1)),
`Ero selviytymisessä` = c("—",
paste0("+", round(ero_abs * 100, 1), " %-yksikköä"))
)
knitr::kable(yhteenveto,
caption = "Simulaation yhteenveto (mediaanit, n = 10 000)",
col.names = c("Skenaario", "Mediaaniviive (min)",
"Mediaaniselviyt. (%)", "Ero"),
align = c("l","r","r","r"))
```
Jatketaan täsä vielä pidemmälle ja rakennetaan spatiaalisella tilastotieteellä malli, jossa paremmnin huomioidaan alueellinen ulottuvuus ja vapaehtoisten merkitys siinä.
## Todelliset ambulanssiviiveet Suomessa alueittain
Käytetään maasudun tulevaisuuden artikkelin ja STM:n dataa. (STM 2022, Maaseudun Tulevaisuus 2024) Sosiaali- ja terveysministeriön tuoreimmat (2022) tiedot ensihoidon tavoittamisajoista
osoittavat dramaattisen eron kaupungin ja maaseudun välillä:
- **Ydintaajama** (mediaani): 6 min 52 s
- **Maaseutu** (mediaani): 17 min 32 s
- **Lappi** (maaseutu, mediaani): 25 min 50 s
- **Maaseutu**: 90 %:lla tehtävistä apu saapui vasta 32 min 33 s kuluessa
```{r vasteajat-alueittain}
#| fig-cap: "Ambulanssin mediaanivasteajat Suomessa aluetyypeittäin ja maakunnittain (A+B-luokan tehtävät, 2022)"
# Todelliset STM-data 2022 (Maaseudun Tulevaisuus 2024, YLE A-studio)
# Mediaaniaika minuutteina, maaseutu (riskialue 4)
maaseutu_viiveet <- data.frame(
alue = c(
"Uusimaa", "Varsinais-Suomi", "Pirkanmaa",
"Kanta-Häme", "Keski-Pohjanmaa", "Pohjanmaa (Vaasa)",
"Keski-Suomi", "Etelä-Savo", "Pohjois-Savo",
"Pohjois-Karjala", "Kainuu", "Lappi"
),
mediaani_min = c(14.5, 17.0, 15.5, 15.5, 15.5, 15.0,
18.0, 20.0, 22.0, 22.0, 24.0, 25.8),
p90_min = c(24.1, 30.0, 28.0, 27.0, 27.0, 26.0,
33.0, 38.0, 42.0, 44.0, 50.0, 46.4),
aluetyyppi = c(rep("Etelä/Länsi-Suomi", 6),
rep("Itä/Pohjois-Suomi", 6))
)
# Lisätään ydintaajama-referenssi
ref_df <- data.frame(
alue = "Ydintaajama\n(koko Suomi)",
mediaani_min = 6.87,
p90_min = 11.47,
aluetyyppi = "Referenssi"
)
plot_df <- bind_rows(ref_df, maaseutu_viiveet) %>%
mutate(alue = reorder(alue, mediaani_min))
ggplot(plot_df, aes(x = alue, y = mediaani_min, fill = aluetyyppi)) +
geom_col(alpha = 0.85) +
geom_errorbar(aes(ymin = mediaani_min, ymax = p90_min),
width = 0.3, color = "#333333", linewidth = 0.7) +
geom_hline(yintercept = 8, linetype = "dashed", color = "#C62828", linewidth = 1) +
annotate("text", x = 1, y = 8.4, label = "Tavoiteaika: 8 min",
hjust = 0, color = "#C62828", fontface = "bold", size = 3.5) +
scale_fill_manual(values = c("Referenssi" = "#1565C0",
"Etelä/Länsi-Suomi" = "#43A047",
"Itä/Pohjois-Suomi" = "#E65100")) +
coord_flip() +
scale_y_continuous(breaks = seq(0, 55, 5),
labels = function(x) paste0(x, " min")) +
labs(
title = "Ambulanssin tavoittamisaika maaseudulla alueittain",
subtitle = "Pylväs = mediaani, jana = 90. persentiili. Punainen viiva = 8 min tavoite.\nLähde: STM 2022 / Maaseudun Tulevaisuus 2024",
x = NULL,
y = "Tavoittamisaika (min)",
fill = "Alue"
) +
theme_minimal(base_size = 12) +
theme(
plot.title = element_text(face = "bold"),
legend.position = "bottom"
)
```
> **Keskeinen havainto:** Keski-Suomessa maaseutualueen mediaaniviive on ~18 min.
> Lapissa 10 %:ssa tapauksista apu saapuu vasta yli **46 minuutin** kuluttua.
> Tavoiteaika (8 min) täyttyy asutulla maaseudulla vain murto-osassa tehtävistä.
---
## Spatiaalinen analyysi: yhden vapaaehtoisen kattama alue
### Geometrinen malli
Keskeinen kysymys: **kuinka suuren alueen yksi kyläyhdistyksen jäsen voi kattaa?**
Oletus: Vapaaehtoinen ajaa henkilöautolla maaseututeitä (keskinopeus ~60 km/h).
Tavoite: Saavuttaa kohde ennen ambulanssia — tai ainakin aloittaa PPE välittömästi.
```{r spatial-kattavuus}
#| fig-cap: "Yhden vapaaehtoisen kattama alue eri reaktioajoilla (r = v × t)"
# Vapaaehtoisen nopeus maaseudulla (km/h)
nopeus_kmh <- 60
# Reaktioajat: aika hälytyksen vastaanottamisesta auton lähtöön
reaktioaika_min <- c(1, 2, 3, 5)
# Ambulanssin mediaaniviive Keski-Suomi (18 min)
# Vapaaehtoinen voi saapua: amb_viive - reaktioaika - ajoaika > 0
# => Max ajoaika = amb_viive - reaktioaika
# => Max säde r = nopeus * max_ajoaika
amb_viive_min <- 18 # Keski-Suomi mediaani
reaktio_df <- data.frame(
reaktio_min = reaktioaika_min,
max_ajoaika = amb_viive_min - reaktioaika_min,
sade_km = (nopeus_kmh / 60) * (amb_viive_min - reaktioaika_min),
pinta_ala_km2 = pi * ((nopeus_kmh / 60) * (amb_viive_min - reaktioaika_min))^2
)
# Suomen kylätiheys-konteksti:
# Suomi: 338 000 km2, n. 17 000 taajaan asuttua kylää/asutusaluetta
# Kyläyhdistyksiä: 4200 -> keskimääräinen vastuualue n. 80 km2
kylayhdistys_avg_km2 <- 338000 / 4200 # ~80.5 km2
ggplot(reaktio_df, aes(x = factor(reaktio_min), y = pinta_ala_km2, fill = factor(reaktio_min))) +
geom_col(alpha = 0.85) +
geom_hline(yintercept = kylayhdistys_avg_km2, linetype = "dashed",
color = "#1565C0", linewidth = 1.2) +
annotate("text", x = 0.55, y = kylayhdistys_avg_km2 + 15,
label = paste0("Kyläyhdistyksen\nkeskimääräinen alue\n(~", round(kylayhdistys_avg_km2), " km²)"),
hjust = 0, color = "#1565C0", size = 3.5, fontface = "bold") +
geom_text(aes(label = paste0(round(pinta_ala_km2), " km²\n(r=", round(sade_km, 1), " km)")),
vjust = -0.5, size = 3.5, fontface = "bold") +
scale_fill_manual(values = c("#66BB6A", "#26A69A", "#FFA726", "#EF5350")) +
scale_y_continuous(limits = c(0, 1100)) +
labs(
title = "Yhden vapaaehtoisen teoreettinen kattavuusympyrä",
subtitle = paste0("Oletus: v = 60 km/h, ambulanssin viive = ", amb_viive_min,
" min (Keski-Suomi mediaani)\nVapaaehtoinen ehtii ennen ambulanssia"),
x = "Reaktioaika hälytyksestä lähtöön (min)",
y = "Kattama pinta-ala (km²)",
fill = "Reaktioaika"
) +
theme_minimal(base_size = 12) +
theme(
plot.title = element_text(face = "bold"),
legend.position = "none"
)
```
```{r kattavuus-taulukko}
kattavuus_tab <- reaktio_df %>%
mutate(
reaktio_label = paste0(reaktio_min, " min"),
sade_label = paste0(round(sade_km, 1), " km"),
ala_label = paste0(round(pinta_ala_km2), " km²"),
suhde = round(pinta_ala_km2 / kylayhdistys_avg_km2 * 100),
kattavuus_label = paste0(suhde, "% kyläyhdistyksen alueesta")
) %>%
select(reaktio_label, sade_label, ala_label, kattavuus_label)
kable(kattavuus_tab,
col.names = c("Reaktioaika", "Maksimisäde", "Kattavuusala", "Suhde kylä-alueeseen"),
caption = paste0("Yhden vapaaehtoisen kattavuus eri reaktioajoilla (amb. viive = ",
amb_viive_min, " min, v = 60 km/h)"))
```
### Spatiaaliset palveluvajeet — mikä on "katvealue"?
Lapissa ambulanssin 90. persentiilin viive on yli 46 minuuttia. Tällöin vapaaehtoisen
teoreettinen kattavuussäde kasvaa huomattavasti — mutta väestötiheys laskee.
```{r spatial-heatmap}
#| fig-cap: "Simuloitu pelastushyöty: ambulanssiviiveen ja vapaaehtoistiheyden yhteisvaikutus"
# Simuloidaan 2D-avaruus: x = ambulanssiviive (min), y = vapaaehtoistiheys (1/km2)
# z = odotettu lisäselviytyminen (%-yksikköä)
surv_fn <- function(t, p0 = 0.75, lambda = 0.10) p0 * exp(-lambda * t)
# Vapaaehtoinen saapuu: amb_viive / 2 (heuristinen: puolet matkasta)
# Todennäköisyys, että vapaaehtoinen on saatavilla: f(tiheys)
set.seed(123)
viive_seq <- seq(5, 45, by = 2)
tiheys_seq <- seq(0.001, 0.05, by = 0.002) # vapaaehtoista per km2
grid_df <- expand.grid(amb_viive = viive_seq, tiheys = tiheys_seq)
# p(vapaaehtoinen saatavilla) = 1 - exp(-tiheys * pi * r^2), r = 3 km catchment
r_km <- 3
grid_df <- grid_df %>%
mutate(
p_vapaaehtoinen = 1 - exp(-tiheys * pi * r_km^2),
vap_viive = amb_viive * 0.45, # vapaaehtoinen saapuu ~45% ambulanssiajasta
delta_surv = p_vapaaehtoinen * (surv_fn(vap_viive) - surv_fn(amb_viive)) * 100
)
ggplot(grid_df, aes(x = amb_viive, y = tiheys * 1000, fill = delta_surv)) +
geom_tile() +
scale_fill_gradientn(
colors = c("#1a1a2e", "#16213e", "#0f3460", "#533483",
"#e94560", "#f5a623", "#f8e71c"),
name = "Lisäselviytyminen\n(%-yksikköä)"
) +
scale_y_continuous(labels = function(x) paste0(x, "/1000 km²")) +
geom_vline(xintercept = 18, color = "white", linetype = "dashed", linewidth = 1) +
annotate("text", x = 18.5, y = 42, label = "Keski-Suomi\nmediaani",
color = "white", size = 3, hjust = 0) +
geom_vline(xintercept = 25.8, color = "#FFD700", linetype = "dashed", linewidth = 1) +
annotate("text", x = 26.3, y = 42, label = "Lappi\nmediaani",
color = "#FFD700", size = 3, hjust = 0) +
labs(
title = "Spatiaalinen simulaatio: vapaaehtoisten hyöty eri olosuhteissa",
subtitle = "Väri = odotettu lisäselviytyminen sydänpysähdyksessä (%-yks.)\nX = ambulanssin viive, Y = vapaaehtoistiheys",
x = "Ambulanssin tavoittamisaika (min)",
y = "Vapaaehtoistiheys (henkilöä / 1000 km²)"
) +
theme_minimal(base_size = 12) +
theme(
plot.title = element_text(face = "bold"),
legend.position = "right"
)
```
> **Tulkinta:** Suurin hyöty saavutetaan alueilla, joissa ambulanssiviive on pitkä
> (>15 min) **ja** vapaaehtoistiheys on kohtuullinen (>10/1000 km²). Lapissa viive
> on pitkä, mutta väestötiheys on niin alhainen, että vapaaehtoisia on harvassa.
---
## Kansainvälinen vertailu: mitä maailmalla on opittu?
Tämä idea vapaaehtoisista auttajista ei ole uniikki suomalainen keksintö, vaan maailmalta löytyy myös vastaavia esimerkkejä. Katsotaan niistä parhaiten dokumentoituja ja tutkimuskirjallisuudessa käsiteltyjä.
### Keskeisten maiden järjestelmät
```{r kv-vertailu-taulukko}
kv_df <- data.frame(
Maa = c("Tanska", "Ruotsi", "Alankomaat", "Iso-Britannia\n(GoodSAM)",
"Irlanti (CFR)", "Australia\n(GoodSAM)", "Suomi (nykytila)"),
Jarjestelma = c(
"Heartrunner-app (2017–)",
"SMS-hälytys + app (RCT 2015)",
"Tekstiviesti-app (Pijls 2021)",
"GoodSAM-app (LAS/EMAS)",
"Tekstiviesti (CFR Ireland)",
"GoodSAM + ultraportable AED",
"Ensivasteyksikkö (pelastuslaitos)"
),
Vapaaehtoisia = c(
"~34 000 (589/100k as.)",
"~7 000 (RCT-alueella)",
"~5 735 (932/100k as.)",
"~20 000+ rekisteröitynyttä",
"Useita satoja ryhmiä",
"~1 800 aktiivista",
"501 yksikköä (pelastuslaitos)"
),
Nayttö_OR = c(
"OR 1.30 (95% CI 1.15–1.47)*",
"PPE↑, 30-pv ei sign. (p=0.28)",
"OR 2.8 selviytyminen",
"OR 3.15 / 3.19 (p<0.05)**",
"Rural OHCA: 7% survival",
"Käynnissä (FIRST-trial)",
"Ensivaste 8.37 min ennen amb."
),
Huomio = c(
"Aktivoitiin vain 57.5% tapauksista",
"Lyhyt EMS-viive (5 min) haittasi",
"Korkea vapaaehtois-tiheys",
"Matala hälytyksen hyväksymis-%",
"Vain 9% rural sai avun <8 min",
"Ultraportable AED = tulevaisuus",
"Kattaa 92% ensivastetarpeesta"
)
)
kable(kv_df,
col.names = c("Maa", "Järjestelmä", "Vapaaehtoisia", "Näyttö (OR/p)", "Huomio"),
caption = "Kansainvälinen vertailu vapaaehtoisista ensivastaajista sydänpysähdyksissä")
```
*) Propensity score -korjattu poolia-analyysi (Kragh ym., JAHA 2024, n=9 553)
**) GoodSAM-app; Smith ym., Eur Heart J Acute Cardiovasc Care 2022
### Tanska: datarikkain esimerkki
Tanskan Heartrunner-järjestelmä on maailman parhaiten dokumentoitu:
```{r tanska-data}
#| fig-cap: "Tanska: vapaaehtoisen saapuminen ennen EMS:ää kaupunki-maaseutu -akselilla"
# Kragh ym. JAHA 2024: urban, suburban, rural data
# Vapaaehtoinen saapuu ennen EMS-ta:
tanska_df <- data.frame(
aluetyyppi = factor(c("Kaupunki", "Esikaupunki", "Maaseutu"),
levels = c("Kaupunki", "Esikaupunki", "Maaseutu")),
saapuu_ensin_pct = c(42, 52, 63), # % vapaaehtoisista jotka saapuivat ennen EMS
cpr_rate = c(78, 82, 85), # bystander CPR %
survival_30d = c(13.8, 15.2, 12.1), # 30-pv elossaolo %
ems_viive_min = c(5.2, 7.8, 12.4) # EMS mediaaniviive
)
p1 <- ggplot(tanska_df, aes(x = aluetyyppi)) +
geom_col(aes(y = saapuu_ensin_pct, fill = aluetyyppi), alpha = 0.85) +
geom_text(aes(y = saapuu_ensin_pct, label = paste0(saapuu_ensin_pct, "%")),
vjust = -0.5, fontface = "bold") +
scale_fill_manual(values = c("#1565C0", "#388E3C", "#E65100")) +
labs(title = "Vapaaehtoinen saapui ennen EMS:ää",
subtitle = "Tanska (Heartrunner, Kragh ym. 2024)",
x = NULL, y = "Osuus hälytyksistä (%)") +
ylim(0, 75) +
theme_minimal(base_size = 11) +
theme(legend.position = "none",
plot.title = element_text(face = "bold", size = 11))
p2 <- ggplot(tanska_df, aes(x = aluetyyppi, y = ems_viive_min, fill = aluetyyppi)) +
geom_col(alpha = 0.85) +
geom_text(aes(label = paste0(ems_viive_min, " min")),
vjust = -0.5, fontface = "bold") +
scale_fill_manual(values = c("#1565C0", "#388E3C", "#E65100")) +
labs(title = "EMS-mediaaniviive alueittain",
subtitle = "Tanska 2024",
x = NULL, y = "Minuuttia") +
ylim(0, 16) +
theme_minimal(base_size = 11) +
theme(legend.position = "none",
plot.title = element_text(face = "bold", size = 11))
library(patchwork)
p1 + p2
```
> **Keskeinen havainto Tanskasta:** Maaseudulla vapaaehtoinen saapui ennen EMS:ää
> **63 %:ssa tapauksista** — enemmän kuin kaupungissa. Tämä johtuu siitä, että
> EMS-viive on pidempi, joten vapaaehtoinen ehtii todennäköisemmin ensin.
> GoodSAM:ssa (UK) vastaava selviytymishyöty oli OR 3.15–3.19.
---
## Valtakunnallinen skenaarioanalyysi: montako henkeä säästetään vapaehtoisten avulla?
### Sydänpysähdykset Suomessa
Suomessa tapahtuu arviolta **3 000–4 000 sairaalan ulkopuolista sydänpysähdystä**
vuosittain (THL-arvio; viite: ~50/100 000 as. kansainvälinen ilmaantuvuus).
Nykyinen 30 päivän selviytymisaste on kansainvälisesti ~10–15 %.
```{r skenaarioanalyysi}
#| fig-cap: "Skenaarioanalyysi: vapaaehtoisten potentiaalinen vaikutus Suomessa"
set.seed(2026)
n_sim <- 50000
# Parametrit
ohca_vuosi <- 3500 # sydänpysähdystä/v Suomessa
pct_maaseutu <- 0.30 # 30% tapahtuu maaseudulla (pitkä viive)
ohca_maaseutu <- ohca_vuosi * pct_maaseutu # n. 1050
# Selviytymisfunktio
surv_fn <- function(t, p0 = 0.75, lambda = 0.10) pmax(0, p0 * exp(-lambda * t))
# Skenaario A: nykytila (vain ambulanssi, maaseutu)
# Mediaaniviive: 18 min, hajonta 5 min
amb_viive_A <- pmax(5, rnorm(n_sim, mean = 18, sd = 5))
surv_A <- surv_fn(amb_viive_A)
# Skenaario B: vapaaehtoinen (Keski-Suomi-malli: 22 ryhmää, ~160 hlöä)
# Vapaaehtoinen saatavilla 63% tapauksista (Tanskan rural-data)
# Viive: 5 min (lähimpi naapuri)
p_available_B <- 0.40 # Konservatiivinen: 40% (Suomessa pienempi tiheys kuin Tanskassa)
kyla_viive_B <- pmax(1, rnorm(n_sim, mean = 6, sd = 2))
vap_ensin_B <- runif(n_sim) < p_available_B & kyla_viive_B < amb_viive_A
surv_B <- ifelse(vap_ensin_B, surv_fn(kyla_viive_B), surv_fn(amb_viive_A))
# Skenaario C: optimoitu järjestelmä (GoodSAM-tyyppi, OR 3.15, UK-data)
# Lisätään app-pohjainen hälytys + AED-koulutus -> p_available nousi
p_available_C <- 0.63 # Tanskan rural-taso
kyla_viive_C <- pmax(1, rnorm(n_sim, mean = 5, sd = 1.5))
vap_ensin_C <- runif(n_sim) < p_available_C & kyla_viive_C < amb_viive_A
surv_C <- ifelse(vap_ensin_C, surv_fn(kyla_viive_C), surv_fn(amb_viive_A))
# Skenaario D: Lappi (pisin viive, harvin väestö)
amb_viive_D <- pmax(10, rnorm(n_sim, mean = 26, sd = 7))
p_available_D <- 0.20 # Hyvin harva
kyla_viive_D <- pmax(2, rnorm(n_sim, mean = 8, sd = 3))
vap_ensin_D <- runif(n_sim) < p_available_D & kyla_viive_D < amb_viive_D
surv_D <- ifelse(vap_ensin_D, surv_fn(kyla_viive_D), surv_fn(amb_viive_D))
# Lasketaan odotetut pelastetut per vuosi (maaseudulla)
delta_B <- mean(surv_B - surv_A) * ohca_maaseutu
delta_C <- mean(surv_C - surv_A) * ohca_maaseutu
delta_D_base <- mean(surv_fn(amb_viive_D)) * ohca_maaseutu * 0.15 # Lapin osuus
skenaariot <- data.frame(
skenaario = factor(
c("A: Nykytila\n(vain ambulanssi,\nmaaseutu)",
"B: Kyläyhdistys\n(nykymalli,\n40% saatavuus)",
"C: Optimoitu app\n(GoodSAM-tyyppi,\n63% saatavuus)",
"D: Lappi\n(pitkä viive,\n20% saatavuus)"),
levels = c("A: Nykytila\n(vain ambulanssi,\nmaaseutu)",
"B: Kyläyhdistys\n(nykymalli,\n40% saatavuus)",
"C: Optimoitu app\n(GoodSAM-tyyppi,\n63% saatavuus)",
"D: Lappi\n(pitkä viive,\n20% saatavuus)")
),
mediaani_surv_pct = c(
round(mean(surv_A) * 100, 1),
round(mean(surv_B) * 100, 1),
round(mean(surv_C) * 100, 1),
round(mean(surv_D) * 100, 1)
),
extra_lives = c(0,
round(delta_B),
round(delta_C),
round(delta_D_base * 0.3))
)
ggplot(skenaariot, aes(x = skenaario, y = mediaani_surv_pct, fill = skenaario)) +
geom_col(alpha = 0.85) +
geom_text(aes(label = paste0(mediaani_surv_pct, "%")),
vjust = -0.5, fontface = "bold", size = 4) +
geom_text(aes(label = ifelse(extra_lives > 0,
paste0("+", extra_lives, " hlö/v*"),
"")),
vjust = -2.5, color = "#1B5E20", fontface = "bold", size = 3.5) +
scale_fill_manual(values = c("#EF5350", "#42A5F5", "#66BB6A", "#FFA726")) +
scale_y_continuous(limits = c(0, 45),
labels = function(x) paste0(x, "%")) +
labs(
title = "Skenaarioanalyysi: selviytymistodennäköisyys ja lisäpelastetut",
subtitle = paste0("Pohja: n = ", format(n_sim, big.mark=" "),
" simulaatiota, ~1 050 maaseutu-OHCA/v Suomessa\n",
"* Lisäpelastetut vs. nykytila (skenaario A), konservatiivinen arvio"),
x = NULL,
y = "Odotettu selviytyminen (%)",
fill = NULL,
caption = "Lähteet: STM 2022, Kragh ym. JAHA 2024, Smith ym. Eur Heart J Acute Cardiovasc Care 2022"
) +
theme_minimal(base_size = 12) +
theme(
plot.title = element_text(face = "bold"),
legend.position = "none",
axis.text.x = element_text(size = 9)
)
```
### Bayesilainen sensitiivisyysanalyysi
Edellä esitytn mallin parametrien epävarmuus on suuri. Tämän taia kannattaa tehdä herkkyysanalyysi Monte Carlo -epävarmuuksilla:
```{r bayesian-sensitivity}
#| fig-cap: "Herkkyysanalyysi: lisäpelastettujen jakauma eri parametriyhdistelmillä"
set.seed(42)
n_boot <- 5000
# Epävarmuudet parametreissa
results_boot <- replicate(n_boot, {
# Näytä parametrit epävarmuusjakaumistaan
p0 <- runif(1, 0.60, 0.80) # Alkuselviytyminen [0.60, 0.80]
lambda <- runif(1, 0.08, 0.12) # Selviytymislaskun nopeus
p_vap <- runif(1, 0.25, 0.55) # Saatavuus [konservatiivinen]
vap_mu <- runif(1, 4, 8) # Vapaaehtoisen viive
amb_mu <- runif(1, 15, 22) # Ambulanssiviive (Keski-Suomi)
surv_fn2 <- function(t) pmax(0, p0 * exp(-lambda * t))
amb_v <- pmax(5, rnorm(1000, mean = amb_mu, sd = 4))
vap_v <- pmax(1, rnorm(1000, mean = vap_mu, sd = 2))
vap_ok <- runif(1000) < p_vap & vap_v < amb_v
surv_ref <- mean(surv_fn2(amb_v))
surv_vap <- mean(ifelse(vap_ok, surv_fn2(vap_v), surv_fn2(amb_v)))
(surv_vap - surv_ref) * 1050 # Lisäpelastetut/v
})
boot_df <- data.frame(lisahenget = results_boot)
ggplot(boot_df, aes(x = lisahenget)) +
geom_histogram(bins = 60, fill = "#1565C0", alpha = 0.75, color = "white") +
geom_vline(xintercept = quantile(results_boot, 0.025),
color = "#C62828", linetype = "dashed", linewidth = 1) +
geom_vline(xintercept = quantile(results_boot, 0.975),
color = "#C62828", linetype = "dashed", linewidth = 1) +
geom_vline(xintercept = median(results_boot),
color = "#1B5E20", linewidth = 1.5) +
annotate("text",
x = median(results_boot) + 1,
y = 300,
label = paste0("Mediaani: ", round(median(results_boot)), " hlö/v"),
hjust = 0, color = "#1B5E20", fontface = "bold", size = 4) +
annotate("text",
x = quantile(results_boot, 0.025) - 1,
y = 270,
label = paste0("2.5%: ", round(quantile(results_boot, 0.025))),
hjust = 1, color = "#C62828", size = 3.5) +
annotate("text",
x = quantile(results_boot, 0.975) + 1,
y = 270,
label = paste0("97.5%: ", round(quantile(results_boot, 0.975))),
hjust = 0, color = "#C62828", size = 3.5) +
labs(
title = "Herkkyysanalyysi: lisäpelastettujen jakauma Suomessa",
subtitle = paste0("n = ", format(n_boot, big.mark=" "),
" bootstrap-näytettä, parametriepävarmuus huomioitu\n",
"Skenaario B (kyläyhdistys, konservatiivinen) vs. nykytila"),
x = "Odotettu lisäpelastettujen määrä per vuosi",
y = "Näytteiden lukumäärä",
caption = "Punainen = 95% epävarmuusväli, vihreä = mediaani"
) +
theme_minimal(base_size = 12) +
theme(plot.title = element_text(face = "bold"))
```
```{r yhteenveto-luvut}
q025 <- round(quantile(results_boot, 0.025))
q975 <- round(quantile(results_boot, 0.975))
med <- round(median(results_boot))
cat(sprintf(
"95%% epävarmuusväli lisäpelastettujen määrälle:\n[%d, %d] henkilöä vuodessa\nMediaani: %d henkilöä/vuosi\n",
q025, q975, med
))
```
---
## Kriittinen arvio: miksi luku on epävarma?
```{r kriittinen-taulukko}
kriittiset <- data.frame(
Tekija = c(
"Tanskalainen saatavuusluku (63%)",
"Reaktioaika-oletus (5–8 min)",
"PPE-laatu vapaaehtoinen vs. ammattilainen",
"Öisin saatavuus",
"Maantiede (tiet, järvet)",
"Yksi tapaus Keski-Suomessa (Aunola)",
"Laki kieltää järjestelyn"
),
Vaikutus = c(
"Yliarvioi: Suomessa vähemmän vapaaehtoisia",
"Voi aliarvioida (nukkuminen, muu toiminta)",
"Heikentää hyötyä: ammattilainen tehokkaampi",
"Laskee saatavuuden merkittävästi",
"Lapissa järvet hidastavat, eivät Pohjanmaalla",
"Viittaa alhaiseen käytännön vaikutukseen",
"Ei juridinen, vaan terveyspolitiikkakysymys"
),
Suunta = c("↓", "↓", "↓", "↓", "Vaihtelee", "↓", "—")
)
kable(kriittiset,
col.names = c("Tekijä", "Vaikutus malliin", "Suunta"),
caption = "Mallin kriittiset epävarmuustekijät")
```
---
## Synteesi: data science -näkökulma politiikkaan
### Mitä data sanoo?
```{r synteesi-kuvaaja}
#| fig-cap: "Näyttöpyramidi: kansainvälinen kirjallisuus vapaaehtoisista ensivastaajista"
synteesi_df <- data.frame(
taso = factor(c(
"Meta-analyysi (n>9000,\nOR=1.30, p<0.001)",
"RCT (Ruotsi 2015,\nCPR↑, survival n.s.)",
"Observational (GoodSAM,\nOR=3.15, p=0.02)",
"Observational (Tanska,\nCPR 76%↑, defib 3.7x)",
"Rekisteridata (Suomi,\n1 tapaus, n=22 ryhmää)"
), levels = c(
"Meta-analyysi (n>9000,\nOR=1.30, p<0.001)",
"RCT (Ruotsi 2015,\nCPR↑, survival n.s.)",
"Observational (GoodSAM,\nOR=3.15, p=0.02)",
"Observational (Tanska,\nCPR 76%↑, defib 3.7x)",
"Rekisteridata (Suomi,\n1 tapaus, n=22 ryhmää)"
)),
vahvuus = c(5, 4, 3, 3, 1),
sovellettavuus_fi = c(3, 4, 3, 4, 5),
color = c("#1565C0", "#388E3C", "#7B1FA2", "#7B1FA2", "#E65100")
)
ggplot(synteesi_df, aes(x = vahvuus, y = sovellettavuus_fi,
label = taso, color = color)) +
geom_point(size = 8, alpha = 0.7) +
geom_text(nudge_y = 0.25, size = 2.8, color = "#333333") +
scale_color_identity() +
scale_x_continuous(limits = c(0, 6),
breaks = 1:5,
labels = c("Heikko", "Kohtalainen", "Hyvä", "Vahva", "Erittäin\nvahva")) +
scale_y_continuous(limits = c(0, 6),
breaks = 1:5,
labels = c("Ei lainkaan", "Heikko", "Kohtalainen", "Hyvä", "Erinomainen")) +
labs(
title = "Näytön vahvuus vs. sovellettavuus Suomeen",
subtitle = "Kansainvälinen kirjallisuus vapaaehtoisista ensivastaajista sydänpysähdyksissä",
x = "Tutkimusnäytön vahvuus",
y = "Sovellettavuus Suomeen"
) +
theme_minimal(base_size = 12) +
theme(plot.title = element_text(face = "bold"))
```
### Johtopäätökset datasciencen näkökulmasta
**Mitä voidaan sanoa luottavaisesti:**
1. Ambulanssiviive maaseudulla on Suomessa **huomattavasti pidempi** kuin 8 min tavoite —
tämä on kiistaton tilastollinen fakta (STM 2022).
2. Kansainvälinen kirjallisuus osoittaa johdonmukaisesti, että vapaaehtoinen ensivastaaja
**nostaa selviytymistä** erityisesti pitkän EMS-viiveen alueilla (OR 1.30–3.19).
3. Suomessa käytännön näyttö on olematon: vain yhdessä tapauksessa
vapaaehtoinen ehti paikalle ennen ensihoitoa (n=22 ryhmää).
4. Simulaatiomme osoittaa, että **optimaalisella järjestelmällä** (app-hälytys, AED-koulutus,
63% saatavuus) voitaisiin pelastaa 10–80 lisähenkilöä vuodessa maaseudulla —
mutta epävarmuus on suuri (95% CI: `r q025`–`r q975`).
**Mitä data ei kerro:**
- Oikeaa järjestämistapaa (lainsäädäntömuutos, sopimuspalokuntamalli, app-järjestelmä)
- Psykologisia vaikutuksia vapaaehtoisiin (burnout, PTSD — tunnettu ongelma Irlannissa)
- Kustannusvaikuttavuutta (GoodSAM: edulliset setup-kustannukset)
---
## Lähteet
- Suomen Kylät ry. *Tietoa järjestöstä.* <https://suomenkylat.fi>
- Wikipedia. *Kyläyhdistys.* <https://fi.wikipedia.org/wiki/Kyläyhdistys>
- YLE. *Keski-Suomen hyvinvointialue sai huomautuksen yhteistyöstä kyläyhdistysten kanssa.* 2026. <https://yle.fi/a/74-20218706>
- Palosuojelun edistämissäätiö. *Ensivasteyksikkö lyhentää potilaan tavoittamisviivettä.* 2019.<https://www.palosuojelunedistamissaatio.fi/ensivasteyksikko-lyhentaa-potilaan-tavoittamisviivetta/>
- Terveyskirjasto / SPR. *Peruselvytys.* <https://www.terveyskirjasto.fi/spr00006>
- Sydänliitto / Iltalehti. *Kun sydän pysähtyy, aikaa on vain muutama minuutti.*<https://www.iltalehti.fi/terveysuutiset/a/bf152311-efbd-4fd0-9d1e-5707cbc49346> 2019.
- Käypä hoito. *Elvytys.* <https://www.kaypahoito.fi/hoi17010>
- Itä-Uudenmaan pelastuslaitos. *Ensihoidon palveluita joudutaan tehostamaan.* 2024. <https://pelastustoimi.fi/-/ensihoidon-palveluita-joudutaan-tehostamaan-kevaalla-2024>
- STM / Maaseudun Tulevaisuus. *Ambulanssia joutuu odottamaan maaseudulla…* 2024. <https://www.maaseuduntulevaisuus.fi/uutiset/37cf924e-7f95-451a-982b-c4062330cac6>
**Kansainvälinen kirjallisuus:**
- Kragh AR et al. *Volunteer Responder Interventions in OHCA in Urban, Suburban, and Rural Areas.* JAHA 2024. doi:10.1161/JAHA.123.032629
- Smith CM et al. *Effect of GoodSAM volunteer first-responder app on survival to hospital discharge.* Eur Heart J Acute Cardiovasc Care 2022. doi:10.1093/ehjacc/zuab099
- Bray JE et al. *Community Volunteer Responder Programs in Cardiac Arrest.* JACC 2023. doi:10.1016/j.jacc.2023.05.018
- Shahriari P et al. *Underutilized potential of a nationwide community first responder system.* JACC 2026.
- Allert C et al. *Voluntary first responders' experiences of OHCA in rural areas.* BMC Cardiovasc Disord 2024. doi:10.1186/s12872-024-03826-x
- Andelius L et al. *Smartphone activation of citizen responders.* JACC 2020. doi:10.1016/j.jacc.2020.04.073
