Partes: 1, 2, 3

Tabla 3
Contaminantes estudiados en cada una de las ciudades

CIUDAD	CONTAMINANTES
	Valores medios de 24 horas	Valor máximo horario	Valor máximo de 8 horas
Barcelona	HN, PTS, SO2, NO2, CO	SO2, NO2,	O3
Gran Bilbao	HN, PTS, SO2, NO2	PTS, SO2, NO2
Castellón	HN, SO2
Cartagena	PTS, SO2	PTS, SO2
Huelva	PM10, SO2, NO2, CO
Sevilla	PTS, SO2, NO2
Madrid	PM10, SO2, NO2, CO	SO2, NO2,	O3
Pamplona	HN, SO2
Valencia	HN, SO2, NO2, CO	SO2, NO2,	O3
Vigo	HN, SO2
Vitoria	HN, SO2
Gijón	HN, PTS, SO2, NO2, CO	SO2, NO2
Oviedo	HN, PTS, SO2, NO2, CO	SO2, NO2
Zaragoza	HN, SO2
HN: humos negros PTS: partículas totales en suspensión

Por otro lado, el protocolo de nuestro estudio incluye una serie de guías, siguiendo lo establecido en el proyecto APHEA9, para la obtención de las variables de contaminación atmosférica. En este sentido, la exposición diaria de la población se ha estimado usando, en cada caso, el promedio de los datos de las estaciones captadoras según los siguientes criterios:

• Admisibilidad de las estaciones captadoras: Se estudian únicamente las estaciones urbanas, no incluyéndose las situadas fuera de las ciudades ni las que miden la contaminación ‘de fondo’. En cierto sentido, el Gran Bilbao y Pamplona constituyen una excepción, al tratarse de grupos de municipios; sin embargo, los captadores incluidos se hallan situados en los núcleos urbanos que, además, están muy próximos entre sí. Se excluyeron del análisis las mediciones procedentes de estaciones captadoras situadas en autopistas de acceso limitado.
• Porcentaje de datos válidos: En los cálculos del promedio de cada contaminante se incluyeron sólo los valores de las estaciones captadoras que presentaron un porcentaje de datos válidos mayor al 75% de días para todo el periodo a estudio. En los cálculos de la media de 1h y 24h (cuando los datos provienen de estaciones automáticas) se requiere un mínimo del 75% de datos válidos. Se desecharon los datos procedentes de captadores en los que, a pesar de cumplir con el criterio de porcentaje de datos válidos, los valores perdidos se presentaban en unos determinados periodos de tiempo (por ejemplo fines de semana, vacaciones o durante el verano).
• Número de estaciones captadoras: Se estimó conveniente un mínimo de tres estaciones válidas por contaminante. En algunos casos límite se estudió la posibilidad de la inclusión de indicadores con datos de dos estaciones. En ningún caso se han incluido en el estudio valores de un contaminante a partir de los datos de una sola estación.
• Imputación de datos perdidos: Los valores perdidos de las estaciones incluidas se corrigieron para el cálculo del promedio diario con los valores obtenidos en la regresión de cada una de ellas utilizando los datos de las demás estaciones captadoras como variables explicativas.

En los trabajos correspondientes de los grupos participantes en el proyecto EMECAM se detallan el número de captadores seleccionado por contaminante, la correlación entre los mismos y los valores obtenidos en cada una de las ciudades.

Variables de control:

• Estacionalidad y otras variables cronológicas: La estacionalidad (anual, semestral, trimestral, mensual o semanal) y la tendencia son variables por las que es preciso controlar en los estudios de series temporales (ver apartado de análisis)11,19. También se tuvieron en cuenta otros sucesos relacionados con el calendario, como los días festivos (sin contar los domingos, es decir fiestas nacionales, autonómicas y locales) y los días inusuales o extraordinarios (huelga médica o grandes acontecimientos, como la Expo-92 en Sevilla o los Juegos Olímpicos en Barcelona).
• Variables meteorológicas: Después de la estacionalidad éstas son las variables más importantes de modelizar, cuando se analiza la asociación de la mortalidad con los contaminantes atmosféricos por su posible efecto confusor11,19. Los valores medios diarios de la temperatura media (calculada como el promedio de las temperaturas máxima y mínima) y la humedad relativa (calculada como el promedio de los valores de humedad relativa en diferentes momentos del día: 0, 7, 13 y 18 horas) fueron las variables incluidas en el estudio (tabla 4).
• Incidencia de gripe: obtenida a partir del número de casos semanales de gripe notificados al sistema de Enfermedades de Declaración Obligatoria. Dicho número se dividió por 7 para tener una aproximación del número de casos diarios.

Tabla 4
Datos meteorológicos: promedios diarios de temperatura y humedad relativa

	PERIODO						INDICADOR DE ESTACIONALIDAD
CIUDAD	Todo el periodo		Semestre cálido1		Semestre frío2
	Temp3	Hum4	Temp3	Hum4	Temp3	Hum4	Temp5	Hum6
Barcelona	16,5(5,8)	71,5(5,3)	21,0 (4,2)	71,3 (5,7)	11,7 (2,7)	71,8 (4,9)	9,3	1,01
Gran Bilbao	15,2 (4,7)	80,0(10,3)	18,6 (3,4)	81,3 (9,8)	11,8 (3,2)	78,8 (10,7)	6,8	0,96
Castellón	17,2(5,8)	70,7(12,0)	21,9 (3,7)	70,0 (10,5)	12,5 (3,0)	71,3 (13,3)	9,4	1,01
Cartagena	19,0(5,3)	75,3(12,1)	23,2 (3,3)	75,5 (11,1)	14,9 (2,8)	75,0 (13,8)	8,3	0,99
Huelva	18,3(5,5)	64,5(20,6)	22,7 (3,5)	54,0 (22,0)	13,9 (3,2)	75,2 (12,0)	8,8	1,40
Sevilla	18,4(6,1)	64,4(14,5)	23,4 (4,3)	57,9 (12,8)	14,1 (3,4)	70,3 (13,3)	9,3	1,21
Madrid	14,4(7,7)	61,8(16,7)	20,3 (5,4)	53,8 (14,2)	8,4 (4,1)	69,9 (15,0)	11,9	1,30
Pamplona	12,9(6,5)	68,7(12,6)	17,5 (5,0)	65,9 (10,8)	7,5 (3,5)	73,9 (12,0)	9,9	1,12
Valencia	18,2(5,5)	64,8(13,6)	22,9 (3,4)	65,3 (12,8)	14,3 (3,0)	61,0 (14,4)	8,6	0,93
Vigo	13,5(4,7)	77,3(12,2)	16,9 (3,7)	75,1 (12,3)	10,1 (2,8)	79,5 (11,7)	6,8	1,06
Vitoria	11,6(6,2)	76,5(11,1)	16,18 (4,5)	72,8 (10,8)	6,9 (3,6)	80,2 (10,2)	9,2	1,10
Gijón	13,8 (4,2)	79,4 (9,3)	17,4 (2,7)	80,3 (8,1)	10,6 (2,6)	78,6 (10,3)	6,8	0,97
Oviedo	13,2 (4,5)	78,0 (11,2)	16,4 (3,1)	79,6 (9,7)	10,0 (3,2)	76,3 (12,4)	6,4	0,95
Zaragoza	15,5 (7,3)	64,5 (14,9)	21,2 (5,1)	57,7 (12.4)	9,7 (4,04)	71,3 (14,2)	11,42	1,23
1 Semestre cálido: meses de mayo a octubre 2 Semestre frío: meses de noviembre a abril 3 Temp: temperatura media diaria (en ºC), y su desviación estándar 4 Hum: humedad relativa diaria (en %) (media de los valores a las 0,7,13 y 18 horas, excepto Valencia que es la media de los valores a las 7,13,18 horas), y su desviación estándar 5 Diferencia: Temperatura media meses cálidos – temperatura media meses fríos 6 Razón: Humedad relativa meses fríos / Humedad relativa meses cálidos

ANÁLISIS DE LA INFORMACIÓN

El análisis epidemiológico de los datos se ha desarrollado siguiendo un proceso paulatino que complementa el análisis simple con el uso de modelos multivariantes. Se consideró necesario, en una primera etapa, la realización de un estudio descriptivo. Esta etapa incluyó el estudio bivariado entre las variables por medio de las matrices de correlaciones y gráficos diagnósticos. Especialmente útiles fueron las representaciones gráficas, como las secuencias de las series, los diagramas de dispersión, las funciones de autocorrelación y las de correlaciones cruzadas. En los diagramas de dispersión, la forma de la relación entre la mortalidad y cada una de las variables a estudio se valoró mediante un método no paramétrico de regresión ponderado, lowess (por las siglas en inglés)20. La filosofía subyacente a esta aproximación es la de dejar que sean los propios datos los que muestren la forma funcional adecuada, sin proponer ninguna forma previa de dependencia entre la variable resultado y las variables predictoras21. Por último, esta primera etapa se complementó con el análisis simple de Poisson de la relación entre las series de mortalidad y las de los distintos contaminantes a estudio en cada una de las ciudades.

Análisis multivariante

Desde el punto de vista de la distribución se asume que la mortalidad diaria se distribuye según un proceso de Poisson. Este proceso no es estacionario, esto es, el riesgo de muerte varía con algunas variables predictoras. En este estudio la unidad de observación es el día. Una serie temporal es una sucesión ordenada en el tiempo de valores de una variable. En series temporales con datos día a día los factores de confusión son variables que cambian a lo largo del tiempo. Tales factores pueden ser, además de las variables meteorológicas a estudio, las epidemias de ciertas enfermedades (gripe) o la diferente ocurrencia de las variables según días de la semana y festivos. Además, se han de tener en cuenta los componentes de las series temporales: estacionalidad, tendencia y cambios anuales. Otras variables como edad, hábito tabáquico o profesión no influirán en las variaciones diarias de la mortalidad dado que la exposición a dichos factores no cambia en la población día a día. Por lo demás, el efecto del tabaco y de otros muchos tóxicos propios del ambiente de trabajo se evidencian a largo plazo. Esta es la gran ventaja de los estudios ecológicos temporales sobre los geográficos. En un artículo de este mismo número se exponen más detalladamente los fundamentos metodológicos del análisis de series temporales en epidemiología ambiental19.

El procedimiento de análisis seguido para valorar la relación entre mortalidad y las variables explicativas se basó principalmente en la metodología desarrollada en el proyecto APHEA10. Durante la primera etapa de nuestro proyecto se siguió una estrategia idéntica a la del proyecto europeo. Dicho análisis consta básicamente de dos fases: la primera, de identificación de un modelo basal para cada una de las causas específicas de muerte y el grupo de edad estudiado, ajustando por mínimos cuadrados un modelo de regresión gaussiano para, posteriormente, realizar una estimación cuantitativa de la asociación de los contaminantes y la mortalidad por medio de la regresión de Poisson. Para la construcción del modelo mediante mínimos cuadrados la variable mortalidad se aproximaba a una normal, usando transformación logarítmica.

En una segunda etapa del desarrollo del proyecto se consideró conveniente introducir algunas modificaciones a dicho procedimiento, ya que nuestro estudio presenta algunas diferencias destacables con respecto al proyecto APHEA. Por un lado, gracias a la experiencia derivada de dicho proyecto, se contaba con un protocolo muy bien definido que permitía establecer la secuencia de los procedimientos siguiendo un criterio estadístico. Por otro lado, el tamaño de la población de las ciudades participantes en el proyecto EMECAM es, en promedio, bastante menor que el de las ciudades participantes en el proyecto APHEA. Por esta razón el número de defunciones diarias, especialmente en las series de mortalidad por causas, era pequeño y en bastantes días no se observó ninguna defunción. Por tanto, su adaptación a una distribución normal es cuestionable y el ajuste de una regresión gaussiana no es del todo adecuado. Por todo ello, se decidió realizar tanto la identificación del modelo basal como la estimación de la asociación con los contaminantes utilizando regresión de Poisson. Con esta adaptación del protocolo consideramos que, en nuestro caso, el análisis se adapta mejor a la distribución de la serie, se simplifica su realización y se evita una fuente de errores, al omitir un paso (regresión lineal múltiple), que podía dejar fuera del modelo a variables que podrían ser significativas en el modelo Poisson.

En otro trabajo23 se detallan los pasos establecidos en el protocolo del proyecto. Asimismo, se ilustra su aplicación mediante la realización de un ejemplo. Brevemente, consiste en los dos pasos siguientes utilizando en ambos regresión de Poisson:

• Construcción de un modelo basal para cada una de las causas de muerte estudiadas. Los factores que se tienen en cuenta para controlar la confusión son las variables temporales (estacionalidad, tendencia, cambios anuales) y de calendario (día de la semana, festivos), los fenómenos meteorológicos (temperatura media y humedad relativa diarias), la incidencia de gripe y otros eventos (huelgas, acontecimientos especiales). Los efectos de las variables meteorológicas y de la gripe pueden ser inmediatos u ocurrir con algún retraso. Por ejemplo, las bajas temperaturas pueden tener un efecto sobre la mortalidad el mismo día o al día siguiente o unos días después. Por ello, se examina el efecto retardado de las variables meteorológicas hasta una semana antes de la fecha de defunción y el de la gripe hasta quince días antes.
• Estimación de la asociación entre cada uno de los contaminantes y la mortalidad. A los modelos construidos en la etapa anterior se les añaden las variables de contaminación atmosférica. Se introducen los contaminantes de uno en uno, con el fin de evitar problemas de colinealidad. Al igual que en el caso de las variables meteorológicas y la gripe, los efectos retardados deben ser investigados también para el caso de los contaminantes atmosféricos. Una cuestión que se plantea es hasta dónde llegar en la comprobación de los retardos. Siguiendo Schwartz et el11, se ha considerado que explorar demasiados términos de retardos puede llevar a encontrar una asociación espúrea. En ese sentido, nos parece sensato no explorar los retardos más allá del quinto día previo a la defunción. Entre los retardos probados se selecciona el de mejor ajuste para cada contaminante y su asociación se expresa como el riesgo relativo de morir por incremento de 10m g/m3 (excepto en el caso del CO que se expresa como incremento de 1mg/m3). Con el fin de comparar el efecto de los distintos contaminantes en cada ciudad, también se calcula el efecto relativo a un incremento igual a la diferencia del percentil 90 al percentil 10.

En todos los modelos construidos se diagnostica la posible autocorrelación de los residuos. El que alguno de ellos presente este fenómeno indica una incompleta o inadecuada especificación de la asociación, motivo por el que se introducen los términos autorregresivos, es decir los retardos de mortalidad correspondientes en el modelo.

Por último, se realizan una serie de análisis complementarios que incluyen el estratificado según periodo (meses cálidos o fríos) y la investigación de posibles interacciones entre los posibles contaminantes y entre éstos y la temperatura. También se llevan a cabo análisis de sensibilidad para valorar la estabilidad de las posibles asociaciones encontradas.

Meta-análisis

Con los riesgos relativos obtenidos en cada ciudad y para cada contaminante se llevará a cabo un meta-análisis. En concreto, se realizará una media ponderada de los coeficientes de regresión "locales" (esto es, proporcionados por cada uno de los centros). Asimismo, se contrastará la homogeneidad de los coeficientes utilizando el contraste ji cuadrado (c 2). Si la hipótesis de homogeneidad se rechazase se utilizaría un modelo de efectos aleatorios. En caso de existir, la heterogeneidad será explicada utilizando una regresión ponderada de los coeficientes de regresión locales sobre variables explicativas fijas en el tiempo. Se considerarán, entre otras, las siguientes variables explicativas: indicadores de la salud general de la población (tasa estandarizada de la mortalidad, esperanza de vida, proporción de ancianos, prevalencias de enfermedades respiratorias y tabaquismo, etcétera); variables meteorológicas por estación; indicadores de la bondad de los datos, (correlación entre estaciones captadoras, número de habitantes en torno a las mismas, origen de los datos de mortalidad, etcétera).

El meta-análisis, en este contexto, difiere en aspectos esenciales de los meta-análisis habituales que se realizan a partir de resultados publicados y que se realizan únicamente cuando existe un número importante de artículos con relación a una hipótesis. Como consecuencia, los problemas habituales de los meta-análisis no deben ocurrir en este estudio. Como en el caso de los meta-análisis llevados a cabo en el proyecto APHEA24, 25: no habrá sesgo de publicación (se incluirán todos los resultados en el estudio), no habrá sesgo de selección (todas las ciudades que pueden aportar la información necesaria y desean entrar en el proyecto se incluyen en él mucho antes de conocer los resultados); una vez finalizado el estudio, toda la información se encontrará disponible para posibles reanálisis.

El grupo EMECAM lo forman: F Ballester, S Pérez-Hoyos, JM Tenías, R Molina, J González-Aracil (Valencia, Centro coordinador); M Saez, MA Barceló, C Saurina, A Tobias (Barcelona); E. Alonso, K. Cambra (Bilbao); M Taracido, JM Barros, I Castro, A Figueiras, A Montes, E Smyth (Vigo); JM Ordóñez, E Aranguez, I Galán, AM Gandarillas (Madrid); I Aguinaga, MY Floristan, F Guillén, MS Laborda, MA Martínez, MT Martínez, PJ Oviedo (Pamplona); A Daponte, R Garrido de la Sierra, JL Gurucelain, P. Gutiérrez, JA Maldonado, JL Martín, JM Mayoral, R Ocaña, J Serrano (Granada); JB Bellido, A Arnedo, F González (Castellón); JJ Guillén, Ll Cirera, L García, E Jiménez, MJ Martínez, S Moreno, C Navarro (Cartagena); MJ Pérez, A Alonso, JJ Estíbalez, MA García-Calabuig, (Vitoria); A Cañada, C Fernández, F Fernández, V García, I Huerta, V Rodríguez (Asturias); F Arribas, M Navarro, C Martos, MJ Rabanaque, E Muniesa, JM Abad, JI Urraca (Zaragoza); y J Sunyer como asesor del proyecto.

(*) Este trabajo cuenta con una beca del Fondo de Investigaciones Sanitarias (Expediente núm 97/0051)

BIBLIOGRAFÍA

1. Holland WW, Bennett AE, Cameron IR, Florey CV, Leeder SR, Schilling RSF et al. Health effects of particulate pollution: reappraising the evidence. Am J Epidemiol 1979; 110: 525-659.

2. Air Quality Guidelines for Europe. World Health Organization. Regional Office for Europe. WHO Regional Publications, European Series No. 23. Copenhagen, 1987.

3. Momas I, Pirard P, Quenel P, Medina S, Le Moullec Y, Ferry R et al. Pollution atmosphérique urbaine et mortalité: une synthèse des études épidemiologiques publiées entre 1980 et 1991. Rev Epidemiol Santé Publique.

4. Schwartz J, Marcus A. Mortality and air pollution in London: a time series analysis. Am J Epidemiol 1990; 131: 185-94.

5. Schwartz J. Air Pollution and Daily mortality in Birminghan, Alabama. Am J Epidemiol 1993; 137: 1136-47.

6. Touloumi G. Pocock SJ, Katsouyanni K, Trichopoulos D. Short-Term Effects of Air Pollution on Daily Mortality in Athenas: A Time Series Analysis. Int J Epidemiol 1994; 23:957-67.

7. Sunyer J, Antó JM, Murillo C, Sáez M. Effects of urban air pollution on emergency room admissions for chronic obstructive pulmonary disease. Am J Epidemiol 1991; 134: 277-86.

8. Brunekeef B, Dockery DW, Krzyzanowsky M. Epidemiologic Studies on Short-Term Effects of Low Levels of Major Ambient Air Pollution Components. Environ Health Perspect 103 1995;Suppl 2:2-13.

9. Katsouyanni K, Zmirou D, Spix C, Sunyer J, Schoten JP, Pönka A et al. Short-term effects of air pollution on health: A european approach using epidemiologic time series data. The APHEA project: background, objectives, design. Eur Respir J 1995;8:1030-8.

10. Katsouyanni K, Schwartz J, Spix C, Touloumi G, Zmirou D, Zanobetti A et al. Short-term effects of air pollution on health: a European approach using epidemiological time-series data. The APHEA protocol. J Epidemiol Comm Health 1996; 50 (Sup I):S12-S18.

11. Schwartz J, Spix C, Touloumi G, Bacharova L, Barumamdzdeh T, Le Tertre A et al. Methodological issues in studies of air pollution and daily counts of deaths and hospital admissions. J Epidemiol Community Health 1996; 50 (Sup I):S3-S11.

12. Sunyer J, Castellsagué J, Sáez M, Tobías A, Antó JM. Air pollution and mortality in Barcelona. J Epidemiol Community Health 1996; 50 (Sup I):S76-S80.

13. Ballester F, Corella D, Pérez-Hoyos S, Hervás A. Air pollution and mortality in Valencia (Spain): a study using the APHEA methodology. J Epidemiol Community Health 1996; 50: 527-33.

14. Alonso E, Cambra K, Urtiaga M. Análisis del episodio de disnea súbita ocurrido por emisión masiva de SO2 en Barakaldo (Bizkaia). Gac Sanit 1995, 9 (Sup I); 54.

15. Guillén JJ, Guillén F, Medrano J, García-Marcos L, Aguinaga I, Ñíguez JC. Afluencia inusual por asma y enfermedad pulmonar crónica en urgencias hospitalarias y contaminación por SO2 en Cartagena. Rev Esp Salud Pública 1995; 69: 305-14.

16. Organización Mundial de la Salud. Manual de la Clasificación Estadística Internacional de Enfermedades, Traumatismos y Causas de Defunción. 9ª revisión. Publicación nº 353. Washington: Organización Panamericana de Salud; 1978.

17. Ministerio de Sanidad y Consumo. Red Nacional de Vigilancia y Prevención de la Contaminación Atmosférica. Colección Sanidad Ambiental. Madrid: Ministerio de Sanidad y Consumo;1988.

18. Ministerio de Obras Públicas, Transportes y Medio Ambiente (MOPTMA). Estaciones y redes de vigilancia de la contaminación atmosférica en España. Descripción técnica y gráfica. Serie Monografías. Madrid: MOPTMA; 1993.

19. Sáez M, Pérez-Hoyos S, Tobías A, Saurina C, Barceló MA, Ballester F. Métodos de series temporales en los estudios epidemiológicos sobre contaminación atmosférica. Rev Esp Salud Pública 1999; 133-143.

20. Sánchez-Cantalejo E, Ocaña-Riol R. Actualizaciones en regresión: suavizando las relaciones. Gac Sanit 1997; 11:24-32.

21. Hastie TJ, Tibshirani RJ. Generalized Additive Models. Londres: Chapman and Hall; 1990: 9.

22. Murillo C. Métodos estadísticos de series temporales. Aplicaciones sanitarias. Barcelona: SG;1994.p.17.

23. Pérez-Hoyos S, Sáez M, Barceló MA, Cambra K, Figueiras A, Aránguez E, et al. Protocolo EMECAM: Análisis del efecto a corto plazo de la contaminación atmosférica sobre la mortalidad. Rev Esp Salud Pública 1999; 177-185.

24. Katsouyanni K, Toulomi G, Spix C, Schwartz J, Balducci F, Medina S, et al. Short-term effects of ambient sulphur dioxide and particulate matter on mortality in 12 European cities: results from time series data from the APHEA project. BMJ 1997;314:1658-63.

25. Toulomi G, Katsouyanni K, Zmirou D, Schwartz J, Spix C, Ponce de Leon A, et al. Short-term effects of ambient oxidant exposure on mortality: a combined analysis within the APHEA project. Am J Epidemiol 1997;146:177-85.

Ferran Ballester Díez (1), Marc Sáez Zafra (2), Mª Eva Alonso Fustel (3), Margarita Taracido Trunk (4), José Mª Ordóñez Iriarte (5), Inés Aguinaga Ontoso (6), Antonio Daponte Codina (7), Juan Bellido Blasco (8), José Jesús Guillén Pérez (9), Mª José Pérez Boíllos (10), Álvaro Cañada Martínez (11), Federico Arribas Monzón (12) y Santiago Pérez-Hoyos (1) por el Grupo EMECAM.

(1) Institut Valencià d'Estudis en Salut Pública (IVESP). (2) Universitat de Girona. Departament d'Economia. (3) Departamento de Sanidad del Gobierno Vasco. (4) Facultad de Medicina de la Universidad de Santiago. (5) Consejería de Sanidad y Servicios Sociales. Comunidad de Madrid. (6) Area de Sanidad y Medioambiente del Ayuntamiento de Pamplona. (7) Escuela Andaluza de Salud Pública. (8)Centro Salud Pública Area 02 de Castelló. (9) Centro Área Cartagena. Consejería de Sanidad de la Comunidad de Murcia. (10) Departamento de Salud y Consumo. Ayuntamiento de Vitoria-Gasteiz. (11) Dirección Regional de Salud Pública. Asturias. (12) Dirección General de Salud Pública. Aragón.

Correspondencia: Ferran Ballester Díez. Institut Valencià d'Estudis en Salut Pública (IVESP). C\ Juan de Garay, 21. 46017 Valencia. Teléfono 963869369 Fax 963869370.