La razón para las diferentes interpretaciones obtenidas a partir de los valores de riesgo relativo o de Δy es el tamaño de la tasa en no fumadores. La incidencia de problemas isquémicos en la población es muchas veces mayor que la de cáncer al pulmón en no fumadores. Por esto, aunque el efecto de fumar sea más pequeño en el caso de la enfermedad cardíaca, va a afectar a mucha más gente que en el caso del cáncer pulmonar.
Ejemplo 2.5
Se hizo una evaluación de salud en empleados de plantas de manufactura de PVC, y se encontró que de 200 trabajadores, 15 desarrollaron cáncer al hígado. Para analizar estos datos, se contrastó la información con un grupo de control (con hábitos similares a los trabajadores de la planta de PVC) que no había sido expuesto al PVC, y se encontró que de un total de 450 individuos, 24 desarrollaron cáncer al hígado. Ambas mediciones se hicieron para el mismo período (10 años).
Llene la tabla de contingencia y determine el riesgo relativo de contraer cáncer al hígado por trabajar en la manufactura de PVC. Calcule además el exceso de incidencia de cáncer, expresado en porcentaje (a veces se le llama “riesgo atribuido”) debido a la ocupación laboral en plantas de PVC. Expresar los riesgos en base anual. ¿Qué conclusión puede Ud. sacar de estos resultados?
La tabla de contingencia queda como sigue:
(*) Se expresó en base anual, ya que la duración de los estudios fue de 10 años.
Con esto se encuentra que: RD = 0,00217 y RR = 1,406. El valor de riesgo relativo sugiere que hay una relación entre exposición al PVC y riesgo de contraer cáncer. Para los empleados expuestos, el riesgo se ha incrementado en RD, es decir, 0,0025 (o 0,25%) anualmente por sobre aquellos trabajadores no expuestos al PVC. Los resultados indican que habría que hacer más estudios para confirmar esta hipótesis.
Ejemplo 2.6
En el estudio ya citado de Bell y Davies (2001), se reanalizó el episodio de esmog de Londres de diciembre de 1952, buscando indicadores de morbilidad que midieran el riesgo relativo de la población expuesta a altas concentraciones de contaminantes. Dado que en este caso no se cuenta con monitoreo de partículas respirables en suspensión, se usó el SO2 como indicador de ellas, debido a que proceden de la misma actividad (combustión residencial de carbón).
FIGURA 2.3
Valores normalizados de solicitudes de reembolso de gastos médicos (panel izquierdo) y de postulaciones a camas de emergencia para el episodio de Londres de diciembre de 1952. Fuente: Bell y Davis (2001)
Los autores utilizaron como indicadores de morbilidad el cociente de las solicitudes de reembolso de gastos médicos (disponibles como promedios semanales), usando como referencia el promedio de 1949-1951 en la misma zona. La Figura 2.3 (panel izquierdo) presenta series cronológicas de dicho cociente y de las concentraciones de SO2. Se constata una alta correlación entre ambas variables.
Por otra parte, cuando un paciente no podía ser aceptado en un hospital, se debía postular a una cama de emergencia, lo que quedaba registrado en una oficina central; la Figura 2.3 (panel derecho) muestra el valor de las postulaciones para camas por enfermedades respiratorias, cardiacas y totales, normalizadas por los valores de la semana previa (1 al 4 de diciembre de 1952) en la misma zona, que en este caso corresponde al Gran Londres. Nuevamente se aprecia un aumento de admisiones hospitalarias cuando se manifestó el episodio, y una alta correlación entre esa tasa relativa y las concentraciones ambientales de SO2.
Como se observa en la figura anterior, el concepto de riesgo relativo se puede aplicar con variables que sean indicadores adecuados del efecto en salud que se desea analizar. Lo importante es:
a)Usar indicadores adecuados de la exposición a la contaminación y de los efectos en salud, ambos cuantitativos; y
b)Utilizar una comparación con un grupo de referencia adecuado.
2.3.4Construcción de las curvas de dosis-respuesta para efectos de corto plazo19
Para construir estimadores de los coeficientes β (o del riesgo relativo RR), asociados a un efecto en salud en particular, se comienza por recolectar información en conteos diarios de dicho efecto. Para esto se clasifica el efecto en salud usando el código ICD (Internacional Classification of Diseases)20 recomendado por la OMS.
A continuación, se asume que los conteos diarios (variables discretas) se pueden representar por un proceso estocástico de Poisson no estacionario. Para considerar que las relaciones son de tipo no lineal en general, se usa un modelo aditivo generalizado (GAM, por sus siglas en inglés) para hacer el ajuste de parámetros en el modelo de Poisson, el cual se puede poner de la forma:
Donde Yt representa los efectos observados en el día t; βi la magnitud del efecto asociado al contaminante i; las Zti son variables predictoras del fenómeno, como el tiempo (para ajustar tendencias temporales), pero no se incluye aquí la calidad del aire; los Si(·) representan funciones suavizadas (como promedios móviles) de dichas variables predictoras Zti; las Iti son variables indicadoras: día de la semana, feriados, presencia (o ausencia) de influenza, etcétera; εt es el error en el modelo (residuo); y finalmente μt es el número esperado de casos del efecto en salud que se analiza. El caso más simple es cuando se analiza el efecto de un solo contaminante, es decir, P = 1 en la ecuación anterior, pero la metodología permite analizar más de un contaminante en cada efecto en salud.
Para modelar efectos no lineales, se emplean suavizadores no paramétricos locales (loess en inglés) como variables de entrada al modelo. Al filtrar y suavizar la variable tiempo (tomando una ventana de medias móviles) se eliminan los efectos estacionales (presencia o ausencia de virus como la influencia, ciclo anual de temperaturas) y de largo plazo (cambios en la salud y hábitos de la población, demografía), pero se debe mantener las variabilidades de corto plazo, las que están asociadas a cambios en la calidad del aire, por ejemplo. Por esto no se aceptan intervalos de suavizamiento menores a 60 días; la longitud final de la ventana de suavizamiento de datos se estima mediante una minimización de la autocorrelación de los residuos del modelo 2.7.
Después de que se han controlado esos términos de largo plazo, se incorporan las variables meteorológicas de corto plazo (normalmente son la temperatura y la humedad relativa) dentro del modelo. Usualmente se emplean los valores del mismo día y algunos rezagos para considerar frentes fríos asociados a escalas sinópticas (que duran varios días en pasar por la ciudad); en los modelos se incluyen hasta unos tres días de rezago. A continuación se añaden indicadores (variables discretas) para el día de la semana, feriados o cualquier evento inusual en el calendario. Por ejemplo, para el caso de enfermedades respiratorias se deben incluir efectos adicionales tales como feriados escolares y epidemias de influenza.
Siguiendo este procedimiento se puede entonces construir un modelo base para la ciudad, para cada efecto y distribución de edades de los individuos afectados.
En el paso final del análisis, se agregan los contaminantes atmosféricos al modelo. Se usan en estos casos los promedios diarios de MP10 (o MP2.5), máximos promedios de 8 horas diarios de ozono, etcétera, los que entran al modelo de forma lineal, incluyendo valores de rezago correspondientes a los valores de esas concentraciones en uno o más días anteriores, etcétera.
El modelo