ESTUDIO BASADO EN LA REGRESION DE POISSON, PARA CONOCER EL GRADO DE ASOCIACION QUE PRESENTAN LAS PRINCIPALES ENFERMEDADES RESPIRATORIAS CON

LOS CONTAMINANTES DEL AIRE QUE REBASAN LOS ESTANDARES EN MEXICALI E IMPERIAL

Informe Tcnico Final para: LASPAU: Academic and Professional Programs for the Americas 25 Mount Auburn Street, Cambridge, MA 02138-6095 Attention to: Ned Strong, Executive Director

Informe preparado por: Marco Antonio Reyna Instituto de Ingeniera Universidad Autnoma de Baja California, Mxico. Campus Mexicali 28 de abril del 2006

Estudio basado en la regresin de Poisson, para conocer el grado de asociacin que presentan las principales enfermedades respiratorias con los contaminantes del aire que rebasan los estndares en Mexicali
Marco Antonio Reyna y Hctor Arriola Zorrilla Instituto de Ingeniera, UABC

INTRODUCCIN Debido a su gran dinamismo demogrfico, urbano, industrial y empresarial, as como a su localizacin en relacin con los Estados Unidos de Amrica (USA), Mexicali juega un papel relevante en la economa regional-binacional y nacional. Mexicali, Capital del estado de Baja California, est apenas dividida por la lnea poltica internacional del hermano condado de Imperial en California. El crecimiento de esas poblaciones hermanas trae beneficios sociales y econmicos, pero tambin problemas relacionados con el desarrollo urbano y con la generacin de infraestructura y servicios, lo que a su vez genera problemas de tipo ambiental, en particular un deterioro de la calidad del aire y por ende una degradacin en la salud y de la calidad de vida de los habitantes (Reyna et al, 2005), (Reyna et al, 2003), (Collins et al, 2003), (Reyna et al, 2002), (Osornio AR et al, 1991), (English et al, 1998). El incremento de actividades industriales, comerciales y de servicios, as como una acelerada motorizacin en mal estado, han provocado la degradacin de la calidad del aire de la cuenca atmosfrica fronteriza, sobre todo la del lado mexicano (i.e., Mexicali). Adicionalmente, la situacin se ve acentuada por las emisiones de partculas y polvos de quemas urbanas clandestinas, quemas agrcolas y emisiones de calles y caminos sin pavimentar (INE, 1998). Otros factores que impactan la calidad del aire de Mexicali, son las plantas geotermoelctricas y termoelctricas (Cornejo JA, 2002(a), 2002(b)). El aire de Mexicali (i.e., la cuenca atmosfrica fronteriza Mexicali-Imperial), est considerado como el segundo ms contaminado del pas por material microfraccionado respirable menor a 10 micrmetros de dimetro (PM-10 por sus siglas en Ingls de Particulate Matter Less than 10 Micrometers of Diameter), aunque tambin se presentan niveles altos de monxido de carbono (CO) y Ozono; estos contaminantes se miden a travs de procedimientos estandarizados en el mbito internacional, los cuales permiten obtener informacin que proporciona valores representativos de la calidad del aire que se respira en la ciudad. El valor lmite normativo para estos contaminantes presentados en el diario oficial de la federacin en 1994 son: a) para el Ozono, 0.11 partes por milln (ppm) en promedios de 8 horas con periodicidad de una vez cada tres aos, b) para el CO, 11 ppm en promedios de 8 horas, con periodicidad de 1 vez por ao y c) para el PM-10 con un lmite de 150 microgramos por metro cbico (!g/m3) en promedios de 24 horas, una vez al ao.

Los monitoreos llevados a cabo en estos dos valles hermanos, demuestran incumplimiento en los estndares de proteccin al ambiente para el PM-10, el Ozono y el CO. Los niveles de PM-10 y ozono registrados en Mexicali son muy superiores a los de Imperial, mientras que el CO registrado en ambos valles muestran niveles superiores a los estndares federales de USA. Diversa literatura de todas partes del mundo (Sanier, 1999), (Pope et al, 1991), (Borja, 2000), (Ballester et al, 2005), (Katsouyanni K, 1996), brindan evidencia cientfica de que estos contaminantes influyen de manera significativa en el agravamiento de ciertas enfermedades respiratorias, tales como neumonas y bronconeumonas, asma, bronquitis e infecciones respiratorias agudas (IRAs), entre otras. En este informe tcnico se presentan los resultados del estudio ecolgico retrospectivo descriptivo, en donde se analizan las asociaciones a largo plazo de los tres principales contaminantes atmosfricos que rebasan los estndares de calidad del aire (i.e., Ozono, PM-10, y CO), sobre las tres principales enfermedades respiratorias presentes en la poblacin, primero para Mexicali (i.e., asma, neumonas y bronconeumonas e IRAs) y luego para el Valle Imperial (i.e., asma, bronquitis e IRAs). (2) estudio analtico de comprobacin de hiptesis utilizando anlisis de series de tiempo y la regresin de Poisson. Aqu tambin se hace el anlisis, primero para Mexicali y luego para el Valle Imperial. Las series de tiempo analizadas corresponden de 1997 al 2000. MATERIALES Y MTODOS Se construyeron tres bases de datos para el periodo de cuatro aos de 1997 al 2000, cuyas caractersticas se explican a continuacin: " Morbilidad.- Esta base de datos se compone de tres series de tiempo, consideradas como las enfermedades respiratorias que podran verse mayormente afectadas por la contaminacin del aire. Estas son: el asma (clasificadas como: J45 y J46 en el CIE X revisin), las neumonas y bronconeumonas (clasificadas como: J12-J18, excepto J18.2 en el CIE X revisin. En lo sucesivo nos referiremos a esta clasificacin como neumonas nicamente) y bronconeumonas y las infecciones respiratorias agudas (IRAs clasificadas como: J00-J06, J20, J21 excepto J02.0 J03.0 en el CIE X revisin) para el caso de Mexicali. Las series fueron proporcionadas por la Jurisdiccin de Servicios de Salud No. 1 en Mexicali, Baja California y representan conteos totales semanales de casos nuevos. Los datos originales se encontraban reportados en papel, estudiantes de posgrado y licenciatura acudieron a la Jurisdiccin para darse a la tarea de capturarlos en hojas electrnicas de Excel. Para el caso de Imperial, la base de datos estara compuesta de las tres siguientes series de tiempo: conteos totales semanales de hospitalizaciones por asma, por bronquitis y por IRAs. Los datos originales de Imperial fueron proporcionados por la Agencia de Servicios Humanos y de Salud del Estado de California (i.e., State of California

Health and Human Services Agency), y se encontraban en formato electrnico representando hospitalizaciones debido a las patologas mencionadas previamente. Estudiantes de posgrado capturaron y organizaron los datos en hojas electrnicas de Excel. " Meteorolgicas.- Se compone de dos series de tiempo climatolgicas; la temperatura ambiente promedio (Temp) medida en grados centgrados (C) y la humedad relativa (Hr) medida en porcentajes (%). Estas se obtuvieron de las estaciones de monitoreo ambiental (EMAs) instaladas en Mexicali e Imperial y representan el promedio aritmtico semanal de todas las estaciones. La operacin ha estado a cargo de una empresa norteamericana TEAM - TRACER, y la supervisin se ha llevado por parte de la delegacin de la SEMARNAT y la Agencia Estatal del Aire de California (CARB por sus siglas en Ingls de California Air Resources Board), con la asistencia tcnica del Instituto Nacional de Ecologa. Si se est interesado en conocer ms sobre la ubicacin y caractersticas de estas estaciones de monitoreo ambiental, favor de consultar la pgina Web: www.ine.gob.mx/ueajei/publicaciones/libros/113/cap10.html?id_pub=113. Contaminacin.- Esta se compone de tres series temporales tanto para Mexicali como para Imperial; el Ozono medido en partes por milln (ppm), las micropartculas respirables de fraccin menor a los 10 micrmetros de dimetro (PM-10) medido en microgramos por metro cbico de aire (!g/m3) y el monxido de carbono (CO) medido en ppm, por ser consideradas como las ms importantes, ya que las tres rebasan continuamente los estndares de calidad del aire de la zona. Las series son promedios aritmticos semanales de todas las EMAs que registraron lecturas. Si se est interesado en saber ms sobre estndares de calidad del aire, se recomienda acceder a la pgina Web: www.ine.gob.mx/dgicurg/calaire/lineas/estandares.html.

"

A priory a la organizacin de la base de datos en series de tiempo por promedios semanales, se calcularon los promedios de 8 horas para el CO y para el Ozono, al igual que los promedios de 24 horas para el PM-10, con el fin de estudiar las coincidencias en el tiempo, de las veces que las EMAs registraron excesos a las normas con los promedios semanales de las series de tiempo para los contaminantes y las series de tiempo de las enfermedades consideradas en este estudio. De las series temporales se obtienen los datos de tendencia central y dispersin, luego se hace un anlisis de la informacin por ao calendario, despus por estaciones del ao y por temporadas de fro y calor. Finalmente se obtiene un modelo auto-regresivo utilizando el algoritmo de Poisson. Para la construccin de las bases de datos, el anlisis estadstico y la obtencin del modelo, se utiliz el software NCSS. De las propiedades de tendencia central y dispersin de todas las series temporales, se pudieron conocer las variaciones de los datos entre cada una de las tres enfermedades,

entre cada una de las dos variables meteorolgicas y entre cada una de las tres variables contaminantes del aire. Adems, cada serie de tiempo fue analizada por estacin del ao para los cuatro perodos estacinales comprendidos de 1997 al 2000, y se obtuvieron los totales por estacin del ao para los cuatro aos considerados. Con esto se pudieron determinar las estaciones del ao en que se presentaban los conteos y promedios mximos y mnimos de cada variable y si estos presentaban diferencias significativas. Tambin las series de tiempo fueron analizadas por semestres de fro y de calor para el total del perodo estudiado de 1997 al 2000, con el objeto de comparar sus mximos y mnimos frecuenciales as como sus medias y si estos presentaban diferencias significativas. Se consider como perodo de fro el semestre de noviembre a abril y el perodo de calor el semestre de mayo a octubre. EXPLORACIN DE LAS GRFICAS DE LAS SERIES DE TIEMPO (MEXICALI) En la figura 1, se muestran grficamente las series de tiempo consideradas en el estudio. Mediante una inspeccin visual, se notar que existe una aparente relacin entre los niveles mximos y niveles mnimos de cada una de las series, y que algunas de estas conforme transcurre el tiempo toman una tendencia. Tambin es posible ver como aparecen picos que sobresalen abruptamente en algunas semanas. Tal es el caso del asma por ejemplo, en donde claramente sobre la semana 40 aparece un pico que sobresale del resto de las otras semanas, o el caso de las neumonas en donde se nota un pico en la semana 114 y otro en la semana 156, en cambio, la serie de tiempo de las IRAs muestra un comportamiento ms homogneo, al igual que las series temporales climatolgicas y de los contaminantes del aire, con excepcin del PM10. Este contaminante deja ver un pico abrupto en la semana 40 y otro en la semana 104. A simple vista se podra pensar que los niveles pico de este contaminante, podran estar induciendo los niveles abruptos que aparecen en la semana 40 en el caso del asma y en la semana 114 en el caso de la neumona. Sin embargo, con este tipo de anlisis visual no es posible comprobar con exactitud estas observaciones y mucho menos determinar el grado con el que se correlacionan las series, de qu manera se correlacionan, si algn contaminante tiene efectos de latencia y si su tendencia es lineal o de otro tipo, etc. Lo ms que se puede lograr con el anlisis visual de las series, es observar si se encuentran relacionadas por el principio de coherencia, es decir unas son consecuencia o reciben influencia de las otras y si unas siguen en el tiempo a las otras, para luego producir hiptesis y/o tomar decisiones de incluirlas o no en estudios cuantitativos ms complejos. En este caso, las series temporales del clima y contaminantes del aire tienen una estructura similar a las de las enfermedades respiratorias, lo cual se sugiere incluirlas todas en el estudio. En la tabla 1, aparecen los conteos mximos (negritas) y mnimos (subrayadas) por ao y para el perodo total de 1997 al 2000 para cada una de las enfermedades respiratorias consideradas en el estudio, al igual que para el caso de las series restantes (i.e., Temp., Hr, Ozono, PM-10 y CO).

Asma vs semanas
Asma (Nuevos casos por semana)
250.0

166.7

83.3

0.0

52

104

156

208

tiempo (semanas)

Neumona vs semanas
Neumona (Nuevos casos por semana)
150.0

100.0

50.0

0.0

52

104

156

208

tiempo (semanas)

Figura 1.- Series de tiempo consideradas en el estudio para el caso de Mexicali (1997-2000), donde se muestran cada una de las series estudiadas y adems, la media (lnea horizontal fina) y la serie suavizada (lnea gruesa) mediante la regresin loess con un suavizado del 10%. Conteos semanales de casos nuevos de: (A) Asma, (B) Neumonas y (C) Infecciones Respiratorias Agudas (IRAs). Promedios semanales de: (D) temperatura (Temp) en grados centgrados (C), (E) humedad relativa (Hr) en porcentajes (%). Promedios semanales de: (F) Ozono en partes por milln (ppm), (G) material microfraccionado de dimetro menor a los diez 3 micrmetros (PM-10) en microgramos por metro cbico de aire (!g/m ), y (H) promedios semanales de monxido de carbono (CO) en ppm.

IRAs vs semanas
10000.0

IRAs (Nuevos casos por semana)

6666.7

3333.3

0.0

52

104

156

208

tiempo (semanas)

Temp vs semanas
Temp (Promedios por semana en C)
40.0

30.0

20.0

10.0

52

104

156

208

tiempo (semanas)

Hr vs semanas
80.0

Hr (Promedios por semana en %)

Loess suavizado (10% de datos utilizados)

56.7

33.3

10.0

52

104

156

208

E Continuacin Fig. 1.

tiempo (semanas)

Ozono vs semanas
Ozono (Promedios por semana en ppm)
0.1

0.0

0.0

0.0

52

104

156

208

F
PM-10 sin tendencia (Promedios por semana en /m3)

tiempo (semanas)

PM-10 vs semanas
250.0

150.0

50.0

-50.0

52

104

156

208

tiempo (semanas)

CO vs semanas
CO (Promedios por semana en ppm)
8.0

5.3

2.7

0.0

52

104

156

208

H Continuacin Fig. 1.

tiempo (semanas)

En la misma tabla se puede ver por ejemplo que el conteo mximo para el asma aparece en 1997, mientras que el mnimo aparece en el 2000. Para las neumonas el mximo aparece en 1999 y el mnimo en el 2000, el mximo para las IRA se dio en 1997 y el mnimo en 1998. La temperatura promedio ms alta apareci en 1997 y la mnima en 1998. En cuanto a la humedad relativa se puede ver que la ms alta se vio en 1998 y la menor en 1997. El Ozono present su promedio mximo en 1998 y su mnimo en 1999, mientras que el PM-10 y el CO muestran su mximo en el 2000 y 1999 respectivamente. Los promedios mnimos se observan en 1998 y 1997 respectivamente. Medidas de tendencia central totales (1997-2000) En la tabla 2 se muestra la media semanal de nuevos casos de asma, neumona e IRA que se registraron durante los cuatro aos considerados en el estudio. En la tabla 3 se pueden ver los valores medios para las variables climatolgicas de temperatura y humedad relativa, y en la tabla 4 se presentan los valores medios correspondientes a los contaminantes del aire estudiados.
Tabla 1.- Mximos (negritas) y mnimos (subrayadas) por ao y para todo el periodo 1997 al 2000, de las series de tiempo consideradas en el estudio.

Variable Ao 1997 1998 1999 2000 1997-2000 Asma 4729 4255 4458 4201 17643 Neumona 1502 1524 1922 1452 6400 IRAs 188443 160571 180532 175676 705222 Temp. (C) 23.87 22.90 23.18 23.45 23.35 Hr (%) 36.87 42.46 37.22 40.36 39.23 Ozono (ppm) 0.027543 0.029012 0.027349 0.027642 0.027886 PM-10 (!g/m3) 101.28 92.05 112.30 131.66 109.32 CO (ppm) 1.84 1.98 2.20 1.94 1.99

IRAs = Infecciones respiratorias agudas, Temp = Temperatura en grados centgrados (C), Hr = Humedad relativa (%), Ozono = Ozono en partes por milln (ppm), PM-10 = Material microfraccionado respirable de 3 dimetro menor a los 10 micrmetros en microgramos por metro cbico de aire (!g/m ). Tabla 2.- Medidas de tendencia central de los nuevos casos de asma, neumona e IRAs por semana en Mexicali, Baja California, (1997-2000).

Enfermedades (total de casos nuevos) Asma Neumona IRAs

Media 85 31 3390

DS 33 24 1381

CV 39 79 41

Mediana 80 24 3071

Min 31 3 1127

Max 220 144 8019

Rango 189 141 6892

Varianza 1117 584 1906073

IRAs = Infecciones Respiratorias Agudas, DS = Desviacin Estndar, CV = Coeficiente de Variacin, Min = Valor Mnimo, Max = Valor Mximo. Tabla 3.- Medidas de tendencia central para la temperatura promedio y humedad relativa promedio por semana en Mexicali, Baja California, 1997-2000.

Variables Meteorolgicas: Temp (C) Hr (%)

Media 23.35 39.23

DS 7.55 10.62

CV 32.33 27.08

Mediana 22.92 38.1

Min 10.42 17.57

Max 36.52 72.25

Rango 26.10 54.68

Varianza 56.98 112.83

DS = Desviacin Estndar, CV = Coeficiente de Variacin, Min = Valor Mnimo, Max = Valor Mximo, Temp =Temperatura en grados centgrados (C), Hr = Humedad relativa en porcentajes (%).

Tabla 4.- Medidas de tendencia central de los niveles promedio por semana de Ozono, PM-10 y CO en Mexicali, Baja California, 1997-2000.

Niveles de contaminacin: Ozono (ppm) PM-10 (!g/m ) CO (ppm)

3

Media 0.0279 109.32 1.9875

DS 0.0089 54.79 1.5491

CV 31.9792 50.12 77.9411

Mediana 0.0269 97.80 1.3202

Min 0.012 97 22.00 0.483

Max 0.04844 353.00 6.9844

Rango 0.0354 7 331.00 6.5014

Varianza 0.00008 3002.42 2.40

DS = Desviacin Estndar, CV = Coeficiente de Variacin, Min = Valor Mnimo, Max = Valor Mximo, Ozono= Ozono en partes por milln (ppm), PM-10 = Micropartculas respirables menores a 10 micrmetros de 3 dimetro en microgramos por metro cbico (!g/m ), CO = Monxido de carbono en ppm.

Al observar las medias y medianas de las enfermedades para el perodo de 1997 al 2000, se puede ver que en Mexicali aparecieron entre 80 y 85 nuevos casos de asma por semana, entre 24 y 31 nuevos casos de neumonas y entre 3071 y 3390 nuevos casos de infecciones respiratorias agudas. Los valores medios de las variables meteorolgicas, indican que en Mexicali predominaron las temperaturas promedio bajas sobre las temperaturas promedio altas con valores entre 22.92 C y 23.35 C, con una humedad relativa promedio entre 38.1 % y 39.23 %. Los valores medios para el Ozono fueron entre 0.0269 ppm y 0.0279 pmm, indicando que en esos cuatro aos predominaron los niveles por debajo de los 0.08 ppm. Las medias para el PM-10 estuvieron entre 97.80 !g/m3 y 109.32 !g/m3 de aire, lo que indica que los valores promedio predominaron por arriba de los 50 !g/m3 de aire. El CO present valores medios entre 1.99 ppm y 1.32 ppm, lo que sugiere que durante esos cuatro aos dominaron los niveles por debajo de las 9 ppm. Excesos a la norma ambiental de cada contaminante por ao En las figuras 2, 3 y 4 se pueden apreciar los nmeros de veces que las estaciones de monitoreo ambiental (EMAs) registraron excesos a las normas para cada uno de los aos y para cada uno de los contaminantes estudiados. Por ejemplo, para el caso del Ozono se nota que el mayor nmero de excesos a la norma ocurre a mediados de cada ao; en cambio, para el PM-10 se puede ver que el mayor nmero de excesos a la norma aparecen al inicio y final de cada ao; lo mismo ocurre para el CO. En la figura 5 se muestran los totales de excesos por ao registrados por las EMAs. Es importante notar que las EMAs registraron excesos de los tres contaminantes durante los cuatro aos considerados en el estudio. Se ve que el CO es el contaminante que excedi la norma un mayor nmero de veces en cada uno de los aos, luego le sigui el PM-10, excepto en 1997, donde el Ozono present ligeramente un mayor nmero de excesos; el Ozono es el contaminante que registr el nmero ms bajo de excesos. Anlisis de los datos por estaciones del ao Aunque los valores medios para el O3 y el CO que se presentan en la tabla 4, indican valores por debajo de los estndares de calidad del aire, no quiere decir que estos contaminantes no sobrepasen los estndares para perodos de tiempo ms cortos o para los promedios establecidos por las normas oficiales.

10

O3 Total de veces que las EMAs registraron excesos a la norma 10 9 8 7 6 5 4 3 2 1 -

19 99

19 97

19 98

tiempo (semanas)

Figura 2.- Nmero total de veces que las estaciones de monitoreo ambiental (EMAs) registraron excesos a la norma ambiental para el O3 (0.08 ppm/8hr).
PM10 registraron excesos a la norma 8 7 6 5 4 3 2 1 19 97 19 98 19 99 20 00

Total de veces que las EMAs

tiempo (semanas)

Figura 3.- Nmero total de veces que las estaciones de monitoreo ambiental (EMAs) registraron excesos a la norma 3 ambiental para el PM10 (150 !g/m ).
CO registraron excesos a la norma 30 25 20 15 10 5 19 99 20 00 19 97 19 98

Total de veces que las EMAs

tiempo (semanas)

Figura 4.- Nmero total de veces que las estaciones de monitoreo ambiental (EMAs) registraron excesos a la norma ambiental para el CO (9 ppm/8hr).

20 00

11

O3 Total de veces que las EMA registraron excesos 250 200 150 100 50 1997 1998 43 41 37 43 190

CO

PM10

193

125

135 92 69 41 8 1999 2000

tiempo (aos)

Figura 5.- Total de veces que las estaciones de monitoreo ambiental (EMAs) registraron excesos a la norma ambiental 3 de cada contaminante (i.e., 0.08 ppm/8hr para el O3, 150 !g/m para el PM10, y 9 ppm/8hr para el CO).

En la tabla 5 se presentan los valores promedio para cada una de las series de tiempo por estacin del ao y para el total de los cuatro perodos (i.e., 1997-2000). Se puede ver por ejemplo, que el asma para el perodo estacional uno (i.e., perodo 1) present su mximo en otoo, en el periodo estacional dos lo presenta en primavera, en el perodo estacional tres en otoo y en el perodo estacional 4 lo presenta tambin en otoo, en cambio todos sus mnimos se presentaron en verano. En los totales de la misma tabla se refleja que el mximo del asma predomina en el otoo y el mnimo en verano con diferencias significativas de p<0.05 (ver tabla 6). En el caso de las neumonas e IRA, los mximos y mnimos se mantuvieron igual durante todos los periodos estacionales, mximos en invierno y mnimos en verano con diferencias significativas de p<0.05. Para el caso de la temperatura, el mximo se presenta en verano y el mnimo en invierno con diferencias significativas de p<.05. La humedad relativa muestra mximos en invierno y mnimos en primavera con diferencias significativas de p<0.05. El mximo del O3 aparece en primavera y el mnimo en invierno-otoo con diferencias significativas de p<0.05. El mximo para el PM-10 ocurre en otoo y el mnimo en primavera con diferencias significativas de p<0.05. El CO muestra su mximo en otoo-invierno y su mnimo en verano con diferencias significativas de p<0.05. En la tabla 6 se brindan las pruebas de hiptesis de comparacin de medias para cada una de las series estudiadas y entre cada estacin del ao. Analizando los totales sobre la misma tabla, se pueden notar algunos aspectos interesantes, como por ejemplo que los conteos mximos de las enfermedades respiratorias se dan entre otoo e invierno y que sus mnimos siempre aparecen en verano. Que la temperatura mxima aparece en verano y la mnima en invierno, que los niveles ms altos de O3 aparecen entre primavera y verano, lo cual podra tener un efecto retardado sobre las enfermedades respiratorias; que los niveles altos de PM-10 y CO aparecen entre otoo e invierno, con lo que se podra pensar que estos contaminantes podran tener un efecto ms directo sobre las enfermedades respiratorias que el O3. 12

En la tabla 7, se muestran los nmeros de veces totales que las EMAs registraron excesos a la norma ambiental en cada estacin del ao por cada uno de los contaminantes. El O3 por ejemplo, durante el perodo 1 registr el mximo (negritas) de excesos en primavera y el mnimo (subrayado) de excesos en otoo, mientras que el PM-10 y el CO registraron sus mximos en otoo y sus mnimos en verano. Si se observan los mximos del O3 para todos los periodos, se notar que estos ocurren en primavera, los mximos para el PM-10 se dan en Otoo para el periodo 1 y 2, y en invierno para los perodos 3 y 4. Los mximos para el CO ocurrieron en otoo para los perodos 1, 2 y 4, y en invierno para el periodo 3. Las pruebas de hiptesis de comparacin de medias entre semestres de Fro y Calor por ao analizado, para el Asma, la Neumona y las IRAs se realizaron utilizando las pruebas de KolgomorovSmirnov, con un nivel de confianza alfa de 0.05. Las pruebas de hiptesis para las variables temperatura, humedad relativa, O3, PM-10 y CO, se realizaron con la pruebas de Mann-Whitney U (medianas diferentes), con un nivel de confianza del 95 %. En todos los casos de comparacin de medias entre los mximos y mnimos por estacin del ao hubo diferencias significativas (p<0.05). Anlisis de los datos por temporadas de fro y calor En la tabla 8 se muestran las medidas de tendencia central para las tres enfermedades estudiadas por semestres de fro y de calor, para todo el periodo de 1997 al 2000. Como puede verse, los valores medios de las tres enfermedades siempre son ms altos en el semestre de fro que en el de calor. Estos valores medios altos durante el semestre de fro de las tres enfermedades, coinciden con los valores medios ms bajos de temperaturas y con los niveles medios altos de humedad relativa (ver tabla 9), con los niveles medios ms altos del PM-10 y con los niveles medios ms altos del CO (ver tabla 10). Los niveles medios altos de O3 aparecen en la temporada de calor. En todos los casos se encontraron diferencias significativas (p<0.05) entre los valores medios de las temporadas de fro y de calor. En la tabla 11, se muestra el total de veces que las EMAs registraron excesos a la norma ambiental de cada uno de los contaminantes del aire para las temporadas de fro y de calor, para cada ao y para el total de los aos estudiados. Como puede verse, el mayor nmero de excesos a la norma del O3 aparece en la temporada de calor. Los mayores excesos a la norma para el PM-10 y para el CO aparecen en la temporada de fro, lo cual coincide con los valores medios de los contaminantes (ver tabla 10). Se encontraron diferencias significativas (p<0.05) en todos los casos entre las temporadas de fro y de calor. Construccin de los Modelos Antes de empezar a construir los modelos para las tres enfermedades, primero se llev a cabo el anlisis de los datos para conocer su tendencia central, su dispersin, sus datos atpicos, su distribucin (i.e., normalidad) y su estacionariedad.

13

Tabla 5.- Mximos por estaciones del ao por periodo y mximos de los totales para los cuatro periodos. Los datos presentados para el Asma, la Neumona y las IRA representan conteos totales por estacin del ao, mientras que los datos para las restantes variables representan promedios para cada estacin del ao. Los nmeros subrayados indican mnimos y los valores en negritas indican mximos.

Invierno* Primavera Verano Otoo

Asma 919 1067 651 1848

Neumona 592 391 143 272

Periodo 1 Temp IRA (C) 16.18 56871 37615 26.31 25284 33.05 55361 20.25 Periodo 2 Temp (C) IRA 14.52 55007 40620 22.73 26812 34.13 44833 19.62 Periodo 3 Temp IRA (C) 15.23 64810 36331 22.90 25674 32.12 43957 21.46 Periodo 4 Temp IRA (C) 15.69 62571 37591 25.69 27515 32.52 50456 19.70 Totales Temp IRA (C) 15.41 239259 152157 24.41 105285 32.96 194607 20.26

Hr (%) 40.53 31.52 31.33 43.05

O3 (ppm) 0.0235 0.0359 0.0289 0.0221

PM-10
(!g/m3)

91.06 99.80 87.71 124.17

CO (ppm) 2.19 0.98 0.85 3.20

Invierno Primavera Verano Otoo

Asma 1177 1310 673 1191

Neumona 605 455 240 263

Hr (%) 56.02 36.75 39.27 39.51

O3 (ppm) 0.0205 0.0403 0.0316 0.0223

(!g/m3)

PM10

91.85 62.30 77.46 138.21

CO (ppm) 3.09 0.97 0.92 3.10

Invierno Primavera Verano Otoo

Asma 1204 1050 701 1313

Neumona 831 357 149 364

Hr (%) 41.43 34.47 39.41 33.31

O3 (ppm) 0.0207 0.0386 0.0281 0.0200

(!g/m3)

PM10

148.10 76.82 81.40 155.20

CO (ppm) 3.66 1.05 0.82 3.57

Invierno Primavera Verano Otoo

Asma 1219 977 645 1370

Neumona 932 202 125 360

Hr (%) 46.02 31.65 39.03 44.81

O3 (ppm) 0.0207 0.0380 0.0293 0.0213

(!g/m3)

PM10

136.93 112.21 113.03 166.59

CO (ppm) 3.03 0.97 0.69 2.89

Invierno Primavera Verano Otoo

Asma 4519 4404 2670 5722

Neumona 2960 1405 657 1259

Hr (%) 46.00 33.60 37.26 40.17

O3 (ppm) 0.0214 0.0382 0.0295 0.0214

(!g/m3)

PM10

116.98 87.78 89.90 146.04

CO (ppm) 2.99 0.99 0.82 3.19

*No se consideraron los datos de las dos ltimas semanas del invierno de 1996, debido a que las estaciones de monitoreo ambiental empezaron a registrar informacin a partir de enero de 1997. IRA = Infecciones Respiratorias Agudas, Temp = Temperatura en grados centgrados (C), Hr = Humedad Relativa en porcentajes (%), O3 = Ozono en partes por milln (ppm), PM10 = Material microfraccionado respirable de 3 fraccin menor a los 10 micrmetros de dimetro en microgramos por metro cbico de aire (!g/m ), CO = Monxido de Carbono en partes por milln (ppm).

14

Tabla 6. Comparacin de medias por estacin del ao para el total de los cuatro aos estudiados (1997-2000).

Estacin Asma Invierno-Otoo Invierno-Verano Invierno-Primavera Otoo-Primavera Otoo-Verano Primavera-Verano Neumona

Series de tiempo estudiadas IRA Temp. Hr O3 PM-10 CO

! !" !" !" !" !"

!" !" !" !" !" !

! !" !" !" !" !"

! !" !" !" !" !"

! ! !" !" ! !"

! !" !" !" !" !"

! ! ! ! ! !

! !" !" !" !" !"

Las pruebas de hiptesis de comparacin de medias para el asma, la neumona y las infecciones respiratorias agudas (IRA), se realizaron con el test de Kolgomorv Smirnov (distribuciones diferentes), con un nivel # = 0.05. $ = significa que se acepta la hiptesis nula Ho: no existe diferencia significativa entre las medias. X = significa que se rechaza Ho. Las pruebas de hiptesis para la temperatura (Temp), la humedad relativa (Hr), el ozono (O3), las partculas menores a diez micrmetros de dimetro (PM10) y para el monxido de carbono (CO), se realizaron con el test Mann-Whitney U (medianas diferentes), con un nivel de confianza del 95%. $ = significa que se acepta la hiptesis nula Ho: no existe diferencia significativa entre las medias. X = significa que se rechaza Ho

Tabla 7.- Total de veces que las EMAs registraron excesos a la norma por estacin del ao para los tres contaminantes del aire. Negritas indican mximos y subrayadas indican mnimos. Estacin del ao Periodo 1* Periodo 2 Periodo 3 Periodo 4 PM-10 PM-10 PM-10 PM-10 O3 CO O3 CO O3 CO O3 CO (ppm) (!g/m3) (ppm) (ppm) (!g/m3) (ppm) (ppm) (!g/m3) (ppm) (ppm) (!g/m3) (ppm) 33 115 26 14 0 12 89 4 0 43 Invierno 1 0 19 23 8 Primavera 16 2 16 2 5 7 1 25 0 18 Verano 14 5 0 4 0 11 8 0 0 17 0 17 88 20 95 71 Otoo 9 3 3 23 86 0 23
*No se consideraron los datos de las dos ltimas semanas del invierno de 1996, debido a que las estaciones de monitoreo ambiental empezaron a registrar informacin a partir de enero de 1997. O3 = Ozono en partes por milln (ppm). PM-10 = Material microfraccionado menor a los 10 micrmetros de dimetro en microgramos 3 por metro cbico de aire (!g/m ). CO = Monxido de carbono en partes por milln (ppm).

Tabla 8.- Medidas de tendencia central por temporadas de fro y calor para las series de tiempo de las enfermedades (1997-2000).

Asma Fro Calor Neumona Fro Calor IRA Fro Calor

Mediana 87 68

Media 93 74

Desv Est 30 34

Min 37 31

Max 200 220

Rango 163 189

41 14

46 16

27 8

7 3

144 38

137 35

4118 2336

4315 2403

1195 638

2427 1127

8019 4573

5592 3446

IRA = Infecciones respiratorias agudas. Desv Est = Desviacin estndar.

15

Tabla 9.- Medidas de tendencia central por temporadas de fro y calor para las series de tiempo del clima (1997-2000). Temp Mediana Media Desv Est Min Max Rango Fro 16.28 17.12 3.72 10.42 26.71 16.29 Calor 30.28 29.76 4.29 18.39 36.52 18.13 Hr Fro calor

41.93 34.03

42.9 35.42

11.21 8.81

17.57 20.32

72.25 63.30

54.68 42.99

Temp = temperatura en grados centgrados (C), Hr = Humedad relativa en porcentajes (%). Desv Est = Desviacin estndar.

Tabla 10.- Medidas de tendencia central por temporadas de fro y calor para las series de tiempo de los contaminantes (1997-2000).

O3 Fro Calor PM-10 Fro Calor CO Fro Calor

Mediana 0.0218 0.0301

Media 0.0239 0.0325

Desv Est 0.0078 0.0077

Min 0.0130 0.0184

Max 0.0437 0.0484

Rango 0.0307 0.0300

104.2250 87.2750

117.4757 95.1991

60.0471 37.9559

29.3333 22.0000

353.0000 215.7500

323.6667 193.7500

2.4952 0.8621

2.7698 1.0563

1.5217 0.6503

0.6301 0.4830

6.1075 3.6796

5.4774 3.1966

O3 = Ozono en partes por milln (ppm), PM-10 = Material microfraccionado menor a 10 micrmetros de dimetro en microgramos 3 por metro cbico de aire (!g/m ), CO = Monxido de carbono en partes por milln (ppm). Desv Est = Desviacin estndar.

Tabla 11.- Total de veces que las EMAs registraron excesos a la norma ambiental por temporadas de fro y calor 1997 1998 1999 2000 1997-2000 O3 Fro 4 9 5 2 20 Calor 35 32 36 6 109 PM-10 Fro Calor CO Fro Calor

3 22

27 11

49 20

52 38

131 91

16 13

169 11

200 18

111 0

496 42

O3 = Ozono en partes por milln (ppm), PM-10 = Material microfraccionado menor a 10 3 micrmetros de dimetro en microgramos por metro cbico de aire (!g/m ), CO = Monxido de carbono en partes por milln (ppm).

16

250.0

150.0

10000.0

Neumonia

166.7

100.0

6666.7

Asma

IRA
50.0

83.3

3333.3

0.0

0.0
1997 1998 1999 2000

1997

1998

1999

2000

0.0

1997

1998

1999

2000

Ao

Ao
0.1

Ao

40.0

80.0

0.0
30.0

56.7

Temp

Hr

O3
33.3

20.0

0.0

10.0

1997

1998

1999

2000

10.0

0.0
1997 1998 1999 2000

1997

1998

1999

2000

Ao

Ao

Ao

400.0

8.0

266.7

5.3

PM10

Co
133.3

2.7

0.0

1997

1998

1999

2000

0.0

1997

1998

1999

2000

Ao

Ao

Figura 6.- Diagramas de cajas de cada una de las series de tiempo consideradas en el estudio. Los datos de cada serie de tiempo son analizados por ao (1997 al 2000). El asma presenta cuatro datos atpicos no-severos en 1997. La neumona muestra dos en 1998, tres en 1999 y uno en el 2000. La humedad relativa deja ver un dato atpico no-severo en 1999 y el PM10 muestra un dato atpico no- severo en 1997 y dos en 1999. Tambin se nota un dato atpico severo en 1997 para el PM10. El CO presenta tres datos atpicos no-severos en 1997, cuatro en 1998 y tres en el 2000.

La figura 6 presenta los diagramas de cajas para cada una de las series de tiempo, en donde se muestra su dispersin (i.e., longitud de la caja es 50% del total de los datos rango intercuartil), la tendencia central de los datos mediante la lnea horizontal dentro de la caja (i.e., la mediana representa el 50vo percentil), y sus datos atpicos; es decir, la lnea en forma de T representa los valores adyacentes que se extienden ms all de los extremos superior e inferior de la caja. El valor superior adyacente es la observacin ms grande que es menor o igual al 75vo percentil mas 1.5 veces el rango intercuartil. El valor ms bajo adyacente es la observacin ms pequea que es mayor o igual al 25vo percentil menos 1.5 veces el rango intercuartil. Los valores que se encontraron por debajo de tres rangos intercuartiles desde el 25vo y 75vo percentil fueron declarados datos atpicos no severos (crculos de color verde) y no 17

fueron removidos de las series de tiempo. Aquellos valores que se encontraron por arriba de los tres rangos intercuartiles fueron declarados datos atpicos severos (crculos de color rojo) y fueron removidos de la base de datos. Como se puede observar en la figura 6, solo se encontr un dato atpico severo en la serie de tiempo correspondiente al PM10.
Tabla 12.- Pruebas de normalidad para las series de tiempo estudiadas (1997-2000). Si alguna de las pruebas rechaza la hiptesis nula de normalidad, entonces se concluye que la distribucin de los datos es no normal. Prueba Valor Probabilidad Decisin (#=0.05) Asma Skewness Normality 4.4105 0.000010 Reject normality Kurtosis Normality 2.6432 0.008212 Reject normality Omnibus Normality 26.4392 0.000002 Reject normality Neumona Skewness Normality 8.3671 0.000000 Reject normality Kurtosis Normality 5.8449 0.000000 Reject normality Omnibus Normality 104.1707 0.000000 Reject normality IRA Skewness Normality 4.6662 0.000003 Reject normality Kurtosis Normality 1.1576 0.247012 Cannot reject normality Omnibus Normality 23.1138 0.000010 Reject normality Temp Skewness Normality 0.6499 0.515782 Cannot reject normality Kurtosis Normality -17.7739 0.000000 Reject normality Omnibus Normality 316.3340 0.000000 Reject normality Hr Skewness Normality 3.2172 0.001295 Reject normality Kurtosis Normality 0.0695 0.944563 Cannot reject normality Omnibus Normality 10.3549 0.005642 Reject normality O3 Skewness Normality 1.8734 0.061011 Cannot reject normality Kurtosis Normality -6.4051 0.000000 Reject normality Omnibus Normality 44.5348 0.000000 Reject normality PM10 Skewness Normality 6.6767 0.000000 Reject normality Kurtosis Normality 4.2353 0.000023 Reject normality Omnibus Normality 62.5161 0.000000 Reject normality CO Skewness Normality 6.1020 0.000000 Reject normality Kurtosis Normality 1.8053 0.071026 Cannot reject normality Omnibus Normality 40.4937 0.000000 Reject normality
IRA= Infecciones respiratorias agudas, Temp = temperatura en grados centgrados (C), Hr = Humedad relativa en porcentajes (%), O3 = Ozono en partes por milln (ppm), PM10 = Material microfraccionado menor a 10 micrmetros de dimetro en microgramos por metro 3 cbico de aire (!g/m ), CO = Monxido de carbono en partes por milln (ppm)

Para analizar la normalidad de los datos, se aplicaron tres pruebas a cada una de las series de tiempo consideradas en el estudio. Las pruebas de normalidad que se utilizaron fueron: Skewness, Kurtosis, and Omnibus con una confianza #=0.05. Si cualquiera de las pruebas rechaza la hiptesis nula Ho = la serie tiene distribucin normal, entonces se concluye que la serie de tiempo es no normal. La tabla 12 presenta los resultados de las pruebas para cada una de las series estudiadas y la figura 7, a manera de ejemplo, 18

muestra el histograma y la grfica de normalidad para el asma. Todas las series de tiempo presentaron una distribucin no normal.
Histogramof Asm a
60.0 250.0

Norm al ProbabilityPlot of Asm a

45.0

187.5

Count

30.0

Asma
62.5 125.0 187.5 250.0

125.0

15.0

62.5

0.0 0.0

0.0 -3.0

-1.5

0.0

1.5

3.0

Asma

Expected Normals

Figura 7.- Histograma y grfica de normalidad para la serie de tiempo del asma (1997-2000).

Para determinar si la media de las series de tiempo cumpla con la estacionalidad, se analizaron sus funciones de autocorrelacin. Si la media es estacionaria, entonces la funcin de autocorrelacin (ACF por sus siglas en ingls de Autocorrelation Function), decaer rpidamente a cero. En la prctica un decaimiento rpido significa que el valor absoluto de los coeficientes de autocorrelacin aparecern por debajo de dos errores estndar como lmites, en alrededor del retardo 5 o 6.
Autocorrelations of Asm a (0,0,52,0,0)
1.0

Autocorrelations

0.5

0.0

-0.5

-1.0

11

14

16

19

22

25

27

30

Time

Lag Correlation Lag 1 0.965827 9 2 0.949193 10 3 0.931881 11 4 0.908247 12 5 0.888472 13 6 0.869352 14 7 0.848331 15 8 0.827449 16 Significant if |Correlation|> 0.138675

Correlation 0.810394 0.792157 0.775832 0.766860 0.756912 0.753125 0.754214 0.749618

Lag 17 18 19 20 21 22 23 24

Correlation 0.747968 0.749333 0.749815 0.754485 0.754688 0.755095 0.757876 0.757032

Lag 25 26 27 28 29 30

Correlation 0.753419 0.756802 0.748845 0.749521 0.749025 0.747502

Figura 8.- Coeficientes de autocorrelacin para la serie de tiempo del asma. El valor absoluto de los coeficientes es mayor a los dos errores estndar lmites.

La figura 8 muestra los coeficientes de autocorrelacin para la serie de tiempo del asma. Ninguna de las series de tiempo analizadas presentaron medias estacionarias. Los resultados de los anlisis anteriores, sugieren la construccin de modelos sobre bases no lineales. La teora asume que en una distribucin de Poisson la varianza y la media son iguales, aunque en el mundo real esto suceda muy pocas veces.

19

En la mayora de las series temporales reales, como por ejemplo las series de mortalidad y de morbilidad presentan una distribucin del tipo Poissoniano pero con sobre dispersin. Tal es el caso de las series de tiempo de las enfermedades respiratorias que aqu estudiamos. Tenemos que el nmero semanal de nuevos casos de asma, de nuevos casos de neumona y nuevos casos de IRA (ver figura 1A, 1B y 1C), pueden representarse mediante una variable aleatoria del tipo Poisoniana, la cual solamente puede tomar valores enteros mayores de cero (i.e., positivos), con rangos no muy grandes. Los casos de morbilidad Yt que aqu estudiamos, en donde t es el nmero de semana que toma valores de 1,,208, pueden ser generados por una funcin de distribucin de Poisson. As, tenemos que la probabilidad de que en una semana se registren yt nuevos casos de enfermos, ya sea por asma, o por neumona o por IRA, se puede representar mediante la siguiente expresin: Prob (Yt = yt) = e-!t ! yt t / yt !, en donde el parmetro !t es el nmero semanal de nuevos casos de enfermos, yt = 0,1,2,, y el valor esperado E(Yt) = !t. El nmero esperado de nuevos casos de enfermos E(Yt) no permanece constante a lo largo del periodo de los cuatro aos considerados en el estudio. En otras palabras, el proceso Posoniano es no estacionario, debido a que las series de tiempo de las enfermedades presentan tendencias y comportamientos estacionales. De aqu se desprende la hiptesis a comprobar, de que el nmero semanal medio de nuevos casos de enfermos !t, es dependiente de los niveles semanales promedio de los contaminantes del aire, en este caso el O3, el PM10 y el CO; sin perder de vista los efectos que pudieran inducir las variables confusoras, tales como: la temperatura promedio semanal (Temp), la humedad relativa promedio semanal (Hr), el efecto cuadrtico de la temperatura y la humedad relativa, la estacionalidad (Est), la estructura cclica, la tendencia (Tend) y su efecto cuadrtico, y las enfermedades respiratorias; estas ltimas se utilizan en sustitucin de las gripes para controlar los posibles efectos confusores que podran presentar y solamente en el caso para los modelos del asma y las neumonas. Luego, el modelo de la regresin de Poisson puede escribirse de la siguiente forma:

!t = exp(%0 + %1xt + %2xt+ &&& + %kxt), en donde t representa la semana t = 1,,208; 1 representa la primera semana del mes de enero de 1997 y 208 representa la ltima semana del mes de diciembre del 2000, %k (k = 0,1,2,,N. Donde N es el nmero total de variables explicativas), representa los coeficientes del modelo; xt (t = 1,208) representa las variables explicativas. Con esta expresin es posible construir un modelo en trminos de las variables de las enfermedades que nos interesa estudiar.
Utilizando estas ideas, se dise un modelo para cada una de las variables de las enfermedades (i.e., primero para asma, luego para neumona y finalmente para IRAs),

20

siguiendo como base de anlisis los protocolos APHEA (Katsouyanni K, 1996) y EMECAM (Ballester et al. 2005). Se consideraron como variables respuesta los nuevos casos semanales de asma, nuevos casos semanales de neumonas y nuevos casos semanales de IRAs. Como variables explicativas se usaron las series de tiempo semanales, de los tres principales contaminantes de la regin que rebasan los estndares de calidad del aire (i.e., O3, PM10 y CO). Como variables confusoras se utilizaron: las series de tiempo meteorolgicas en promedios semanales (i.e., temperatura, humedad relativa y sus efectos cuadrticos), las series temporales de factores estructurales como estacionalidad, ciclo, tendencia y su efecto cuadrtico. Para controlar el efecto confusor de las gripes y por no contar con esas series de tiempo, se utilizaron los nuevos casos semanales de IRAs. Los modelos se construyen con base a la regresin Poisson en dos etapas. En la primera se construye el modelo base o basal utilizando e identificando las variables confusoras o de confusin. En la segunda etapa se van incorporando las variables contaminantes y sus retardos y al mismo tiempo se controla la autocorrelacin residual, incluyendo los retardos ms significativos de la enfermedad que se est modelando. IDENTIFICACIN DEL MODELO BASAL Para la construccin del modelo basal se introdujeron de manera gradual cada una de las variables estructurales y meteorolgicas. El criterio que se utiliz para incluir o no la variable en el modelo fue el de la lejana o deviance, cuando se obtena una significancia de p<0.10. Estacionalidad, Tendencia y Ciclo. La estacionalidad, la tendencia y la estructura cclica se obtienen mediante el mtodo de descomposicin de series de tiempo (Makridakis S. 1998). La figura 9 muestra los componentes que se obtuvieron para la serie temporal del asma. La estacionalidad es la primer serie de tiempo que se utiliza para iniciar la construccin del modelo. Temperatura y Humedad Relativa Los efectos de la temperatura y de la humedad relativa sobre las enfermedades respiratorias no necesariamente tienen que ser lineales y tampoco tienen que tener una relacin directa en el tiempo, sino que podran presentar un efecto retardado. Para controlar en los modelos esos efectos, se calculan los retardos hasta orden 5 de la temperatura promedio semanal y de la humedad relativa semanal; de la misma manera se calculan la temperatura promedio semanal al cuadrado y la humedad relativa promedio semanal al cuadrado con sus respectivos retardos hasta orden 5. Siguiendo el principio de parsimonia, se contrasta el coeficiente de regresin de cada una de las variables de temperatura con cero (i.e., si este es igual a cero). Si el coeficiente resulta significativo (p<0.10) y adems mejora la lejana del modelo con una p<0.10, entonces la variable queda incluida. Se repite el procedimiento hasta completar el anlisis para todos los retardos de la temperatura. Lo mismo se hace con la variable

21

de humedad relativa. Para el caso del modelo del asma quedaron incluidas: el retardo de orden 2 de la temperatura al cuadrado, la humedad relativa, el retardo de orden 2 de la humedad relativa, la humedad relativa al cuadrado y sus retardos de orden 1, 2 y 3. Para el caso del modelo de las IRAs quedaron incluidas: la temperatura y sus retardos de orden 1 y 3, la temperatura al cuadrado y sus retardos 1 y 4, la humedad relativa y sus retardos 1, 2 y 3, la humedad relativa al cuadrado y sus retardos 1 y 4. Para el caso del modelo de las neumonas quedaron incluidas: los retardos 2 y 5 de la temperatura al cuadrado.
150.0

150.0
150.0

Estacionalidad

116.7

Tendencia

116.7

116.7

Ciclo
83.3

83.3

83.3

50.0

52

104

156

208

50.0

50.0
0 52 104 156 208

52

104

156

208

tiempo (semanas)

tiempo (semanas)

tiempo (semanas)

Figura 9.- Estructuras temporales para el asma obtenidas mediante el mtodo de descomposicin de series de tiempo. De izquierda a derecha: tendencia, estacionalidad y ciclo.

Aos considerados Como el proyecto tiene por meta evaluar los efectos semanales de la contaminacin atmosfrica sobre las enfermedades respiratorias sin considerar cualquier otro tipo de asociacin temporal y con el objeto de controlar las diferencias por ao que pudieran presentarse, se utiliza una variable ficticia (indicadora) para cada ao. El ao de 1997 se usa como referencia. A las variables se les asigna el valor de 1 cuando los datos observados corresponden al mismo ao y toman el valor de 0 en caso contrario. Estas variables son incluidas en el modelo en su conjunto y permanecen en el modelo en caso de que la lejana mejore significativamente con p<0.10. En los tres modelos quedaron incluidas. Tendencia Las series de tiempo estudiadas tambin pueden presentar una tendencia secular no lineal. Para controlarla se calcula el cuadrado de la misma y se agregan (i.e., lineal y/o cuadrtica) al modelo si mejoran la lejana con p<0.10. Para el modelo del asma y las IRAs queda incluida solamente la tendencia lineal. Para el caso de las neumonas no se incluye ninguna de las dos dado que no hubo mejora en la lejana. Infecciones Respiratorias Normalmente en este tipo de modelos se utiliza a las gripes para controlar los eventos en el tiempo. El sector salud no cuenta con este tipo de registros, por lo tanto se decidi utilizar la serie de tiempo de las IRAs en sustitucin, la cual presenta tambin relacin significativa (p<0.001) con el asma y con las neumonas. La figura 10 muestra el grado de relacin lineal.

22

250.0

150.0

150.0

166.7

r=0.63
Neumonia

100.0

r=0.72
Neumonia

100.0

r=0.29

Asma
83.3

50.0

50.0

0.0

2500

5000

7500

10000

0.0

2500

5000

7500

10000

0.0

63

125

188

250

IRAs

IRAs

Asma

Figura 10.- Correlacin lineal de las Infecciones Respiratorias Agudas (IRAs) con :(a) asmas y (b) Neumonas. (c) correlacin lineal de las Neumonas con el Asma. La mayor correlacin lineal se presenta entre las Neumonas y las IRAs, mientras que la peor se presenta entre las Neumonas y el Asma.

Para incluir o no a las IRAs y sus retardos en los modelos, se mide una a una su contribucin en la lejana con p<0.10. En el caso del modelo para el asma se incluyen las IRAs y sus retardos de orden 2, 3 y 5. En el modelo de las neumonas se incluyen las IRAs y su retardo de orden 2. Para el modelo de las IRAs se utiliza la serie temporal de las Neumonas como variable de control en lugar de las propias IRAs. Se incluyen las neumonas y su retardo de orden 4. Reevaluacin del modelo basal Despus de incluidas todas las variables que presentaron mejora en la lejana, se hace una reevaluacin de los modelos, para verificar que las variables de estructura (i.e., estacionalidad y ciclo) y meteorolgicas no se encuentren por arriba del nivel de significancia de p<0.10. Seleccin de las variables contaminantes Despus de identificado el modelo basal, se van introduciendo uno a uno los contaminantes y cada uno de sus retardos hasta orden 5. El anlisis se lleva a cabo de manera diferenciada por cada contaminante y cada retraso. En el caso del modelo para el asma se observ una significancia de p<0.001 para el O3. Los retardos del O3 no mostraron significancia estadstica, al igual que los contaminantes PM10, CO y sus retardos. Para el caso del modelo de las neumonas, el O3 present una significancia de p=0.074. Ni el PM10 y ni el CO presentaron significancia estadstica en este modelo. En el caso del modelo para las IRAs, el retraso de orden 1 del O3 mostr la mayor significancia estadstica (p<0.001) con respecto a sus dems retrasos y con respecto al propio O3. El PM10 present una significancia de p<0.001 y el CO una significancia de p=0.046. Control de la Autocorrelacin Residual Para controlar la autocorrelacin seriada, se calculan los residuos de Pearson de cada modelo, ajustados con cada uno de los contaminantes. Luego se obtienen los coeficientes de autocorrelacin de los residuos y se revisa su significancia. Se aaden los retardos de la enfermedad correspondientes a los coeficientes que presentan significancia residual y se ajusta el modelo; lego se eliminan de manera sucesiva aquellos retardos que no muestren significancia estadstica, mediante el contraste de

23

verosimilitudes. Para el caso del asma, fue incluido nicamente el retardo de orden 1 con significancia de p<0.001. Efectos por Temporadas de Fro y de Calor Finalmente, se analiz la relacin de los contaminantes con las enfermedades segn la poca del ao. El semestre fro se defini de noviembre a abril y el semestre de calor de mayo a octubre. Para analizar el efecto por semestres, se incluyeron trminos de interaccin con los contaminantes mediante la creacin de dos variables indicadoras. La variable indicadora fro vale 1 cuando la poca es de fro y 0 en cualquier otro caso. La variable indicadora de calor toma el valor de 1 cuando la poca es de calor y 0 en cualquier otro caso. Para calcular los efectos de los contaminantes durante la poca (semestre) de fro, se incluyeron en los modelos la variable indicadora calor y la interaccin con los contaminantes. As, el coeficiente que acompaa al efecto principal del contaminante corresponde al efecto cuando la variable calor toma el valor de 0 (i.e., efecto en la poca fra). Para el caso del modelo del asma, el coeficiente asociado al O3 cuando se incluye la interaccin con la variable indicadora calor es 10.20 con p<0.001 e intervalos de confianza de 7.84 y 12.56. De manera anloga, para calcular los efectos de los contaminantes en la poca de calor se aaden en los modelos la variable indicadora fro y su interaccin con cada contaminante por separado. Se observa el coeficiente asociado a la variable del contaminante sin interaccin, el cual corresponde al efecto en la poca de calor. El coeficiente asociado al O3 cuando se incluye la interaccin con la variable indicadora fro es 10.25 con p<0.001 e intervalos de confianza de 7.53 y 12.96. Para el modelo de las neumonas, el coeficiente asociado al O3 cuando se incluye la interaccin de la variable indicadora calor es 4.24 con p=0.09 e intervalos de confianza de 0.003 y 8.473. El coeficiente asociado al O3 cuando se incluye la interaccin de la variable indicadora fro es 8.15 con p=0.006 e intervalos de confianza de 3.29 y 13.01. Para el modelo de las IRAs, el coeficiente asociado al primer retardo del O3 cuando se incluye la interaccin de la variable indicadora calor es 5.26 con p<0.001 e intervalos de confianza de 4.80 y 5.72. El coeficiente asociado al primer retardo del O3 cuando se incluye la interaccin de la variable indicadora fro es 7.90 con p<0.001 e intervalos de confianza de 7.35 y 8.45. El coeficiente asociado al contaminante PM10 cuando se incluye la interaccin de la variable indicadora calor es 0.00033 con p<0.001 e intervalos de confianza de 0.00026 y 0.00041. El coeficiente asociado al contaminante PM10 cuando se incluye la interaccin de la variable indicadora fro es 0.00020 con p<0.001 e intervalos de confianza 0.00015 y 0.00025. El coeficiente asociado al contaminante CO cuando se incluye la interaccin de la variable indicadora calor es 0.00956 con p=0.001 e intervalos de confianza de 0.00474 y

24

Tabla 13.- Incrementos porcentuales semanales por temporadas de fro y de calor, de nuevos casos semanales de Asma, Neumonas e IRAs, calculados con los coeficientes de los contaminantes (i.e., O3, PM10 y CO), obtenidos con los modelos usando la regresin de Poisson. Por ejemplo, un incremento en promedio semanal de 0.01 ppm en el O3, producira un incremento del 10.74% en los nuevos casos de Asma por semana en la temporada de fro. Ese mismo incremento en el O3 producira un aumento del 10.79% de nuevos casos de Asma por semana en la temporada de calor. El PM10 y el CO no presentaron significancia estadstica (p>0.10) en los modelos del Asma y neumonas.

Asma Temporada de Fro Contaminante O3 Coeficiente 10.2 IC 90% 7.84 12.56 '% 10.74 IC 90% 5.04 41.65 Neumona Temporada de Fro Contaminante O3 Coeficiente 4.24 IC 90% 0.003 8.473 '% 4.33 IC 90% 4.33 23.18 IRAs Temporada de Fro Contaminante O3 PM10 CO Coeficiente 5.26 0.00033 0.00956 IC 90% 4.8 0.0003 0.0047 5.72 0.0004 0.0144 '% 5.40 1.66 1.93 IC 90% 4.06 17.91 0.89 5.83 0.05 7.84 Coeficiente 7.9 0.0002 0.00281 Temporada de Calor IC 90% 7.35 0.0002 0.0006 8.45 0.0003 0.005 '% 8.22 1.01 0.56 IC 90% 6.30 27.71 0.47 3.51 0.32 2.56
3

Temporada de Calor Coeficiente 10.25 IC 90% 7.53 12.96 '% 10.79 IC 90% 4.41 42.83

Temporada de Calor Coeficiente 8.15 IC 90% 3.29 13.01 '% 8.49 IC 90% 1.72 40.00

O3 = Ozono en partes por milln (ppm), PM10 = Material microfraccionado menor a 10 micrmetros de dimetro en microgramos por metro cbico de aire (!g/m ), CO = Monxido de carbono en partes por milln (ppm). '% = Incremento porcentual de casos nuevos de la enfermedad (90% IC = intervalos de confianza) para incrementos de 3 0.01 ppm en el O3, 50 !g/m en el PM10 e incrementos de 2 ppm en el CO. Los incrementos de los contaminantes representan los promedios de las desviaciones estndar entre la temporada de fro y la temporada de calor. IRAs = infecciones respiratorias agudas. Para el caso de las IRAs, el coeficiente asociado al primer retardo del O3 fue el que present mayor significancia, respecto al propio O3 sin retardos y respecto al resto de los retardos.

25

0.01438; y el coeficiente asociado al contaminante CO cuando se incluye la interaccin de la variable indicadora fro es 0.00281 con p=0.0352 e intervalos de confianza de 0.00062 y 0.00501.
1.0
6

Coeficientes de la ACF

0.5

0.0

Residuos

-1

-0.5

-4

-1.0

12

16

-6

53

105

156

208

nmero de retardo

tiempo (semanas)

Autocorrelacin residual Retardo (Lag) Correlacin Lag Correlacin Lag Correlacin 1 0.344288 5 -0.061661 9 -0.040791 2 0.213982 6 -0.103199 10 -0.047893 3 0.144566 7 -0.061192 11 -0.009539 4 0.071742 8 -0.052501 12 -0.016962 Significativo si |Correlacin|> 0.138675

Lag 13 14 15

Correlacin -0.059894 -0.052164 -0.055173

Figura 11.- (a) Funcin de autocorrelacin (ACF por sus siglas en ingls de AutoCorrelation Functon) residual para el modelo del asma utilizando como variables explicativas: estacionalidad, tendencia, ciclo, ciclo al cuadrado, temperatura al cuadrado, humead relativa y su retardo de orden 2, humedad relativa al cuadrado y sus retardos de orden uno, dos y tres, IRAs y retardos dos, tres y cinco, y O3. El coeficiente de autocorrelacin residual es significativo si su valor absoluto es mayor que dos veces su error estndar. El modelo presenta autocorrelacin residual seriada en los coeficientes con retardo (lag) 1, 2 y 3. (b) Evolucin en el tiempo de los residuos de Pearson del modelo para el asma utilizando la regresin de Poisson.

Estimacin de riesgo a la salud Para calcular los incrementos de riesgo, se utiliz la siguiente transformacin: Incremento porcentual = [exp(coeficiente * incremento del contaminante)-1]*100% La tabla 13 muestra los incrementos porcentuales para cada uno de los modelos estimados. Se puede ver por ejemplo que en la temporada de fro, un incremento de 0.01 ppm en los promedios semanales del O3 traera un aumento del 10.74% de casos nuevos por semana para el asma con intervalos de confianza (IC) del 90% de 5.04 y 41.65. En la temporada de calor se notara un efecto ligeramente superior (10.79% IC 90% 4.4142.83) que en la temporada de fro, utilizando el mismo incremento de O3 (0.01 ppm). Es decir, los efectos del O3 sobre el asma durante la temporada de fro y de calor seran prcticamente los mismos.

26

1.0

(a)
Coeficientes de la ACF
0.5
4

(b)

0.0

Residuos

-0.5

-2

-1.0

12

16

-4

70

139

208

nmero de retardo

tiempo (semanas)

Autocorrelacin residual Retardo (Lag) Correlacin Lag Correlacin Lag Correlacin 1 0.133125 5 -0.072568 9 -0.061085 2 0.109864 6 -0.121796 10 -0.025258 3 0.104563 7 -0.072048 11 -0.018637 4 0.008361 8 -0.023553 12 0.035405 Significant if |Correlation|> 0.138675

Lag 13 14 15

Correlacin -0.042325 -0.052072 -0.022777

Figura 12.- (a) Funcin de autocorrelacin (ACF por sus siglas en ingls de AutoCorrelation Functon) residual para el modelo del asma (Poisson autoregresivo) utilizando como variables explicativas: estacionalidad, tendencia, ciclo, ciclo al cuadrado, temperatura al cuadrado, humead relativa y su retardo de orden 2, humedad relativa al cuadrado y sus retardos de orden uno, dos y tres, IRAs y retardos dos, tres y cinco, O3 y retardo uno de los promedios semanales de los nuevos casos de asma. El coeficiente de autocorrelacin residual es significativo si su valor absoluto es mayor que dos veces su error estndar. El modelo ya no presenta autocorrelacin residual seriada en los coeficientes con retardo (lag) 1, 2 y 3, debido a que en l se control la autocorrelacin seriada existente, utilizando tambin como variable explicativa, el retardo del coeficiente residual ms significativo (i.e., aquel que contribuyera ms significativamente a la lejana deviance, utilizando el contraste de verosimilitudes). (b) Evolucin en el tiempo de los residuos de Pearson del modelo obtenido para el asma utilizando Poisson autoregresivo, para controlar la autocorrelacin residual.

Para el caso de las neumonas, la temporada de fro mostr un aumento del 4.33% (IC 90% 4.33-23.18) en los nuevos casos por semana, para incrementos de 0.01 ppm en el O3; mientras que la temporada de calor present un incremento de casi el doble (8.49% IC 90% 1.72-40.00) en los casos nuevos por semana, para los mismos incrementos en el O 3. Para las IRAs, los nuevos casos por semana aumentaran en un 5.4% (IC 90% 4.0617.91) en la temporada de fro si el O3 se incrementara en 0.01 ppm. Los aumentos de los nuevos casos por semana del 8.22% (IC 90% 6.30%-27.71) en la temporada de calor se mantendran muy similares a los niveles de los nuevos casos de las Neumonas, si el incremento en el O3 fuera el mismo (i.e., 0.01 ppm). Incrementos de 50 g/m3 de aire en promedio semanal en el PM10, conllevara a un aumento del 1.66% (IC 90% 0.89-5.83) en los nuevos casos de IRAs por semana durante la temporada de fro y del 1.01% (IC 90% 0.47-3.51) en la temporada de calor. Es claro que los efectos del PM10 sobre las IRAs son mayores en la temporada de fro que en la temporada de calor. 27

250

200

Variables Asma Predichos

150

Asma

100

50

52

104

156

208

tiempo (semanas)
Figura 13.- Modelo final para el asma, obtenido con la regresin de Poisson autoregresiva ajustando para el O3 y controlando la autocorrelacin residual. Los crculos amarillos representan los datos observados del asma y los de color rojo representan los datos predichos por el modelo. Lejana del modelo basal (i.e., antes de ajustar con O3 y controlar la autocorrelacin residual (i.e., antes de incluir los retardos del asma) = 1820.4568). Lejana del modelo final autoregresivo despus de ajustar con O3 y con retardos del asma = 1686.1045.

Los aumentos de los nuevos casos de IRAs por semana en la temporada de fro seran del 1.93% (IC 90% 0.05-7.84) cuando los incrementos del CO fueran de 2 ppm y del 0.56% (IC 90% 0.32-2.56) durante la temporada de calor para los mismos incrementos de CO. Aqu, los efectos del CO sobre las IRAs son de casi el doble durante la temporada de fro, respecto a los efectos durante la temporada de calor. DISCUSIN Y CONCLUSIONES Con este primer estudio, se han podido obtener modelos basados en la regresin de Poisson con ajustes (normalidad residual) aceptables; sin embargo, algunos podran presentar fallas de control y relacin de las variables explicativas. No obstante, los cambios porcentuales semanales promedio de nuevos casos de las patologas consideradas, calculados de los modelos aqu estimados, pueden ayudar a entender cuales contaminantes son los que mayormente influyen en cada una de las enfermedades estudiadas y pueden ayudar tambin a visualizar lo que pasar con estas enfermedades cuando ocurran incrementos en los contaminantes de O3, PM10 y CO. Por ejemplo, los modelos indican que de los tres contaminantes considerados en el estudio, el O3 es el contaminante que presenta los mayores efectos sobre las tres patologas (i.e., asma, neumona e IRAs), pero adems el mayor de los efectos se presenta en el modelo de las asmas (ver tabla 13). Tambin los modelos indican que las IRAs son las que presentan sensibilidad ante los tres contaminantes. 28

El que los modelos para el asma y las neumonas, en este estudio, no hayan presentado sensibilidad ante los niveles de contaminacin del PM10 y CO, no se debe de perder de vista que el anlisis fue realizado con promedios semanales, y que para reafirmar esta falta de significancia de los efectos de los contaminantes, se debern realizar estudios futuros con series de tiempo en donde la unidad experimental temporal sean los promedios diarios, adems de los promedios semanales. Tambin, en lo futuro, debern considerarse estudios utilizando otros efectos que pudieran brindar mejores indicadores de causa-efecto en la salud ambiental de la cuenca atmosfrica, tales como: Incremento de la Mortalidad Diaria - Muertes por todas las causas menos las externas - Muertes por causas respiratorias - Muertes por causas del aparato circulatorio Incremento de Respiratorias - Ingresos - Urgencias la Demanda de Atencin Hospitalaria por Enfermedades

Exacerbacin del Asma - Crisis asmtica - Uso de broncodilatadores - Visitas a urgencias - Ingresos hospitalarios Disminucin de la Funcin Pulmonar - Volumen expiratorio mximo por segundo - Flujo expiratorio mximo entre otras.
Tabla 14.- Lejanas (deviance) para los modelos basales y finales de nuevos casos semanales de: asma, neumonas e IRAs.

Enfermedad Modelada (nuevos casos por semana) Asma Neumona IRAs

Lejana del Modelo Basal 1820.4568 1759.1273 13333.8323

Lejana del Modelo Final ajustado con retardos de la patologa modelada y con: O3 1686.1045 1313.8589 10485.6799* PM10 NA NA 10601.5576 CO NA NA 10670.1535

* La mejor lejana en el modelo para las IRAs se obtuvo con el retraso de orden uno del O3. IRAs = Infecciones respiratorias agudas.

La figura 13 muestra la grfica del modelo final para el asma, ajustado con el O3 y con los retardos del asma, obtenido con el modelo de Poisson autoregresivo. En ella se pueden ver las lejanas (deviance) calculadas antes de ajustar con el O3 y con los 29

retardos del asma (i.e., lejana del modelo basal), y tambin despus de ajustar el modelo con esas mismas variables. En la tabla 14 se pueden apreciar las lejanas de cada modelo basal y de cada modelo final ajustado para cada contaminante y para los retardos de cada enfermedad, segn el caso de la enfermedad modelada. Aunque los modelos autoregresivos obtenidos presentaron muy poca autocorrelacin residual, esta podra afectar la estimacin de los coeficientes y generar con ello errores estndar equivocados. Los modelos que han sido estimados en este estudio mostraron pruebas de normalidad residual con buen ajuste de los contaminantes, no obstante cuando alguno de ellos present coeficientes de autocorrelacin residual seriada (ver ejemplo para el modelo del asma en la figura 11), al incluir los retardos significativos de las variables dependientes, segn fuera el caso de la enfermedad modelada, se logr aumentar la normalidad en los residuos finales de cada modelo (ver figura 12 como ejemplo para el caso del modelo del asma), mediante el control de la autocorrelacin residual. Esta situacin podra estar indicando que en los modelos no se han podido controlar totalmente todas las variables explicativas y que tampoco las relaciones entre las variables respuesta y las explicativas han sido las ms adecuadas. Otra situacin que pudiera estar influyendo en la produccin de los coeficientes de autocorrelacin residual, son la omisin de los efectos de latencia (retardo) por da que pudieran ejercer las variables explicativas sobre las variables respuesta. Los modelos aqu estimados han sido programados en STELLA y se pueden usar en lnea entrando a la pgina web: www.laspau.ingsis.net. La clave (password) para acceder a los modelos es: uwxl. Con el desarrollo de este proyecto, pudimos conocer las fallas de los aspectos, no solamente tcnicos, sino tambin polticos que impiden el llevar a cabo estudios de salud ambiental de mayor envergadura. La carencia de acuerdos y procedimientos estandarizados locales de manera binacional, impide la recoleccin, el ordenamiento, mayor confiabilidad y la compatibilidad de los datos mdicos y/o clnicos, que permitan llevar a cabo estudios locales epidemiolgicos profundos y merma completamente la oportunidad de estudiar y proponer indicadores que evalen la salud ambiental de la regin desde una perspectiva transfronteriza. En EUA por ejemplo, el sector salud, no lleva a cabo los registros de nuevos casos de enfermedades. Los datos recabados por parte de Imperial fueron de no muy buena calidad y escasos, a diferencia de los recolectados para Mexicali. Y aunque los datos del Valle Imperial fueron analizados de la misma manera que los datos recabados en Mexicali, se decidi omitir los resultados, ya que presentaron muchas inconsistencias e imprecisiones. De cualquier modo, creemos que los resultados obtenidos del anlisis de los datos de Mexicali, podran ser extrapolados hacia el Valle Imperial, ya que se trata de la misma cuenca atmosfrica fronteriza y adems los contaminantes que no cumplen con

30

la norma federal para la calidad del aire, son los mismos que no cumplen con la norma para Mexicali. Otros aspectos convenientes de mencionar aqu, son por ejemplo que, para desventaja de nuestra localidad, infortunadamente el sistema de salud de Mxico y el de USA, aplican sus normatividades a la problemtica sanitaria y de salud ambiental hacia sus poblaciones de manera independiente, sin considerar que en la frontera entre estos dos pases existen condiciones particulares que deben de atenderse de manera distinta y de forma bilateral. Mxico y USA tienen leyes, formas y costumbres diferentes de llevar a cabo la vigilancia epidemiolgica al interior de sus poblaciones, lo cual, en muchos casos esta vigilancia se vuelve inoperante entre sus fronteras. Consiguientemente, se desconocen los ndices generales binacionales de asma y otras enfermedades respiratorias, al igual que la mortalidad por enfermedades del corazn, debido a que Imperial y Mexicali carecen de un sistema de vigilancia que explique la relacin de la morbi-mortalidad con la contaminacin del aire. Esta falta de acuerdos binacionales locales en materia de salud ambiental no es un problema particular de nuestra regin, sino que se extiende a lo largo de toda la frontera entre Mxico y USA. No obstante, algunas localidades fronterizas ya han empezado a proponer iniciativas que coadyuvan a aminorar esas carencias, tal es el caso de la regin fronteriza Chihuahua-New MexicoTexas, con el proyecto Binational Tracking Network for Environmentally Related Diseases, en donde la Organizacin Panamericana de la Salud (OPS) tiene participacin. Como una medida ms para abatir estas disparidades e incompatibilidades binacionales, estamos proponiendo ante LASPAU el apoyo para que sea aprobado el proyecto Prueba Piloto de un Sistema de Vigilancia Binacional como Indicador del

Impacto de la Contaminacin del Aire sobre la Salud Ambiental de la Regin Mexicali/Imperial, con el que se pretende instrumentar un sistema de vigilancia que
brinde los siguientes beneficios: (1) estandarizacin de procedimientos, formas y costumbres en ambos lados de la frontera, que permita el llevar a cabo una vigilancia epidemiolgica de morbi-mortalidad compatible transfronterizo en la localidad, (2) mejoramiento del conocimiento de los ndices de morbilidad y mortalidad de ciertas enfermedades afectadas en toda la cuenca fronteriza y en cada lado de la frontera, (3) descripcin de la relacin de la morbilidad y/o la mortalidad con esta misma contaminacin del aire, y 4) con los indicadores que se obtengan, el proponer acciones normativas, administrativas, operativas y de control para garantizar la ptima calidad de vida en nuestro medio de manera binacional.

31

Referencias: - Ballester F, Saez M, Daponte A, Ordez JM, et al. 2005. Proyecto EMECAS: Protocolo del estudio multicntrico en Espaa de los efectos a corto plazo de la contaminacin atmosfrica sobre la salud. Rev Esp Salud Pblica 79: 229-242. - Bates D. 1992. Health Indices of the Adverse Effects of Air Pollution The Question of Coherence. Environ Res 59:336-49. - Borja, VH. 2000. Estudios ecolgicos. Salud Pblica de Mxico 42: 533-538. -Instituto Nacional de Ecologia (INE-SEMARNAP). 1998. Segundo informe sobre la calidad del aire en ciudades mexicanas. CENICA. (accessed January 2002) www.ine.gob.mx/INE?documents/cal_aire/reporte/portada.html. - Collins K, Quintero M, Reyna M. Summer 2003. Understanding Air Quality and Health in the Binacional Air Basin of the Imperial and Mexicali Valleys (Revised). Monograph of the California Center for Border and regional Economic Studies (CCBRES-SDSU). - Cornejo JA. 2002(a). Empresas de EUA construyen dos termoelctricas en Mexicali; de 100 mdd, la inversin total. La Jornada 17 de julio. - Cornejo JA. 2002(b). Termoelctricas en Mexicali no cumplirn con los requisitos ambientales de de EUA. La Jornada 23 de octubre. - English PB, Von Behren J, Harnly M, Neutra R. Childhood asthma along the United States/Mexico border: hospitalizations and air quality in two California counties. Pan American Journal of Public Health 1998; 3: 392-399. - Katsouyanni K, 1996. The APHEA project. Short term effects of air pollution on health: a European approach using epidemiological time series data. J Epidemiol Community Health. 50(Supp 1):S2-S8. - Osornio-Vargas AR, Hernndez-Rodriguez NA, Yaez-Buruel AG, Ussler W, Overby LH, Brody AR. 1991. Lung Cell Toxicity Experimentally Induced by a Mixed Dust From Mexicali, Baja California, Mxico. Environmental Research, 56: 31-47. - Pope CA III, Dockery DW, Spengler JD, and Raizenne ME. 1991. Respiratory Health and PM10 Pollution. American Review of Respiratory Diseases 144: 668-674. - Reyna MA, Collins K, Kathryn D. 2002. Environmental Health at the California-Baja California Border: Forum Report, (April) Forum Report. CCBRES-SDSU, Calexico, CA. - Reyna MA, Quintero M, Collins K. 2005. Correlation study of the association of PM10 with the Main Respiratory Diseases in the Populations of Mexicali, Baja California and Imperial County, California. Revista Mexicana de Ingeniera Biomdica Vol. XXVI, Nm. 1, pp 22-36. - Reyna MA, Quintero M, Collins K, Vildsola L. 2003. Anlisis de la relacin del PM10 con las enfermedades respiratorias en la poblacin urbana de Mexicali, Baja California: Un estudio de series de tiempo. Revista Mexicana de Ingeniera Biomdica Vol. XXIV, Nm. 2, pp 116-125. - Sunyer Jordi Journal, 1999. El estudio EMECAM sobre los efectos de la contaminacin atmosfrica. Revista Espaola de Salud Pblica 1999 Vol: 73 Issue: 2 Pages/record No.: 105-107 - Makridakis, S., Wheelwright, S., and Hyndman, R., 1998. Forecasting: Methods and Applications (Third Edition) Wiley, 642 pages: Teacher's Manual (First Edition 1978, Second Edition 1983).

32