Influencia de los factores ambientales en el número de ingresos por urgencias en el complejo hospitalario "Juan Canalejo" de la Coruña (página 2)

Estos estudios, que buscan una asociación entre
los factores climáticos y los ingresos
hospitalarios, se centran fundamentalmente en las enfermedades del aparato
respiratorio, en particular en pacientes con
EPOC16-18 y enfermedades del aparato
circulatorio19.

Así, en base a la evidente asociación,
entre factores meteorológicos y morbilidad por diferentes
causas, encontrada por numerosos autores de diversos
países, parece de interés
estudiar el impacto que esta relación supone y comprobar
si se traduce en un incremento del número de ingresos
hospitalarios en una ciudad de características
climatológicas menos extremas que las referidas en la
mayoría de los estudios. Avanzar en este conocimiento
supondría el inicio de un camino que conduciría a
la posibilidad no sólo de predecir picos de ingresos y
elaborar hipótesis causales sino, también,
disponer de las medidas preventivas oportunas.

Se pretende así, por un lado, estudiar el efecto
que sobre el número de ingresos hospitalarios ejercen
diferentes variables
atmosféricas. Para ello se modelizará el comportamiento
del número de ingresos hospitalarios en el hospital Juan
Canalejo de A Coruña por urgencias, por distintas causas,
partiendo de datos de ingresos
no programados durante el período 1994-1996. En segundo
lugar, se obtendrán modelos
multivariantes que permitan conocer el comportamiento de las
series de ingresos en función de
variables medioambientales y controlando por diferentes factores
de confusión.

Material y métodos

La población objeto de estudio fue la
procedente del Área Sanitaria de A Coruña,
integrada por 36 municipios, siendo la zona más densamente
poblada la propia ciudad de A Coruña, con cerca de 250000
habitantes. El periodo de tiempo
considerado fue de 3 años, desde enero de 1994 hasta
diciembre de 1996.

Datos de ingresos hospitalarios:

Los datos relativos al número de ingresos
hospitalarios por urgencias, fueron obtenidos a partir de la
base de datos
CMBD (conjunto mínimo de datos básicos) del
hospital Juan Canalejo de A Coruña. Los ingresos diarios
fueron clasificados en función de las causas de ingreso
(diagnóstico principal) codificada
según la lista detallada de tres dígitos de la
CIE-9. La clasificación se realizó para el total de
casos y para mayores de 65 años:

• Ingresos debidos a causas orgánicas
  (1-799).
• Ingresos por enfermedades del aparato respiratorio
  (460-519)
• Ingresos por enfermedad circulatoria
  (390-459).

Datos medioambientales

Fueron facilitados por el Instituto Nacional de
Meteorología (Centro Meteorológico de A
Coruña). Los registros diarios
durante el período considerado corresponden a las
siguientes variables: Temperatura
(máxima, mínima y media); humedad relativa medida a
las 7 horas (Hu7h); velocidad del
viento expresada como "recorrido", que representa los
kilómetros recorridos por el viento desde las 0 horas
hasta las 24.

La ubicación de la estación medidora fue
en el casco urbano de A Coruña, por ser la de mayor
fiabilidad y la que mejor representaba los valores de
exposición de la mayor parte de la
población de referencia.

Otras variables

Con el fin de controlar posibles factores de
confusión a la hora de obtener los modelos multivariante,
se crearon las variables:

-"Gripe", debido a su posible influencia en la
aparición de picos en las series de ingresos por
afecciones del aparato respiratorio. Los datos del número
de casos semanales de gripe en el área sanitaria de
estudio fueron codificados como variable dicotómica,
según la existencia o no de epidemia de gripe,
proporcionados por el Servicio de
Epidemiología de la Delegación Provincial de
Sanidad de A Coruña.

– "Descargas de haba de soja" en el
puerto de A Coruña durante el período de tiempo
considerado, variable destinada a controlar el posible efecto que
las grandes descargas de soja producen en individuos
alérgicos y, por tanto, en el agravamiento de determinados
procesos
respiratorios. Dichos datos fueron obtenidos a través de
la autoridad
portuaria de A Coruña.

– Codificación: es una variable ficticia
que se ha creado debido a que la codificación en el periodo de estudio no ha
sido constante, variando del 93% de ingresos codificados en
febrero del 94 hasta lograr el 100% en enero del 96. El valor de esta
variable lo constituyen el porcentaje de ingresos urgentes
codificados cada mes.

– Día de la semana: se obtuvo, como
consecuencia de la distribución no homogénea de las
frecuencias de ingresos por día de la semana. La variable
toma valores desde
1 (domingo) hasta 7 (lunes).

• Tendencia: Se crea esta variable para
  controlar la pendiente positiva de las series de ingresos,
  tomando el valor del número de día entre 1 y
  1086.

Además se crearon también las
correspondientes variables retrasadas de las variables
ambientales asociadas significativamente, con las variables de
ingresos.

Se realizaron diagramas de
dispersión para establecer la relación funcional
entre las diferentes variables ambientales y los ingresos
hospitalarios. La temperatura mostró una
distribución en forma de V, con una temperatura
máxima de ingresos mínimos en 22 oC para
el caso de los ingresos por todas las causas. Es claro que
habrá una temperatura de mínimos ingresos para cada
causa específica considerada y para cada grupo de edad.
No obstante, las diferencias obtenidas entre estas temperaturas
apenas llegan a las décimas de grado. Esto llevó a
que, por simplicidad, la temperatura se dividiera en las
variables temperatura cálida (tcal) y temperatura
fría (tfrío), en función de su
separación de la temperatura de confort (la de
mínimos ingresos) de 22ºC.

Para evaluar la influencia de las variables ambientales
sobre el número de ingresos por urgencias por distintas
causas, se modelizó cada una de las series temporales
correspondientes, empleando modelos autorregresivos integrados y
de media móvil (ARIMA) de Box-Jenkins20,21, en
función de la propia historia de las series. Para
ello, fueron identificadas previamente las periodicidades de cada
serie mediante el análisis espectral y calculadas las
funciones de
autocorrelación simple (ACF) y parcial (PACF) de cada una
de las series. Así, los modelos ARIMA univariados
obtenidos para cada una de las variables de ingresos
hospitalarios, representan el comportamiento de cada variable,
teniendo en cuenta únicamente la historia de la serie.
Estos modelos solamente permitirán predecir situaciones
episódicas de ingresos que hayan ocurrido con
anterioridad.

Tras la obtención de cada uno de los modelos para
las variables de ingresos y variables ambientales, se
realizó el cruce de cada una de estas últimas con
cada una de las seis series de ingresos, mediante el método de
preblanqueo de Box-Jenkins, obteniendo las diferentes funciones
de correlación cruzada (FCC) de las series residuales.
Además, con el fin de aumentar la precisión en las
estimaciones, se consideraron tres períodos de tiempo:
todo el año, invierno (meses de noviembre a marzo) y
verano (meses de junio a agosto). Los valores
estadísticamente significativos que muestren
asimetría en la distribución de la FCC entre los
retrasos positivos y negativos permitirán inferir una
relación estadísticamente significativa entre ambas
variables, pudiéndose identificar pesos y retrasos
significativos entre ellas.

En base a las asociaciones significativas en los
retardos que marquen las funciones de correlación cruzada,
se identificaron las variables ambientales con influencia sobre
las variables de ingresos, creándose las correspondientes
variables retrasadas, necesarias para la obtención de los
modelos multivariantes de las series de ingresos. Cada modelo
incluyó las distintas variables ambientales objeto de
estudio junto con las creadas, para controlar posibles factores
de confusión. Entre estas se encuentran la variable
relativa al porcentaje de casos codificados, la variable
día de la semana, la variable tendencia y las variables
dicotómicas "gripe" y "descargas de haba de soja". Las
estacionalidades de mayor periodo fueron consideradas
introduciendo funciones sinusoidales de periodo un año, 6
meses y 3 meses.

La bondad de los ajustes de cada modelo fue evaluada
analizando la estructura de
ruido blanco
de los residuos, varianza mínima de los mismos y el mayor
coeficiente de correlación entre el ajuste del modelo y el
valor real de la serie modelizada. La estabilidad de los
estimadores del modelo se confirmó empleando el
método Jack-knife, que consiste en repetir el
modelo multivariante omitiendo uno a uno los años
comprendidos en el periodo de estudio, con el fin de controlar de
este modo las posibles variaciones de los estimadores respecto a
la estacionalidad anual. El análisis estadístico de
los datos fue realizado empleando el paquete informático
SPSS para Windows.

Resultados

La tabla 1 muestra la
distribución del número de ingresos diarios por
urgencias en el hospital Juan Canalejo de A Coruña, por
causas orgánicas, respiratorias y circulatorias, tanto
para el total de casos, como para hombres, mujeres y mayores de
65 años. La media de ingresos por distintas causas fue de
37,7, siendo siempre mayor para el grupo de hombres que para el
de mujeres. El número de ingresos en los mayores de 65
años representa algo menos de la mitad del total de
ingresos, salvo para causas circulatorias. Se observa
también la media y desviación estándar de
las variables ambientales pudiendo apreciarse la ausencia de
temperaturas extremas así como los altos niveles de
humedad relativa.

La evolución temporal de las series de
ingresos urgentes para el total de casos, y de las temperaturas
máxima y mínima pueden verse en las figuras 1 y 2
respectivamente. El comportamiento estacional aparece claramente
reflejado en las series de temperatura, no siendo tan evidente en
las de ingresos.

Figura 1.
Evolución
temporal de los Ingresos por Urgencias en el Hospital Juan
Canalejo de A Coruña por causas orgánicas,
respiratorias y circulatorias ( 1994-1996).

Figura 2.
Evolución temporal de las series de
temperatura máxima y mínima del Centro
Meteorológico de A Coruña.

La distribución de la varianza en función
de las frecuencias permitió identificar la existencia de
tendencias y periodicidades significativas al 99% para cada una
de las variables de estudio, como se resumen en la tabla 2. Las
variables ambientales de temperatura y humedad relativa mostraron
un comportamiento similar (ciclo anual y de 3 días) a
diferencia de la variable relativa al viento (2 días). Las
series de ingresos mostraron una tendencia positiva, así
como periodicidades anual, semestral o trimestral, y de 7
ó 3 días. En la figuras 3 y 4 pueden verse dos
ejemplos de representación gráfica del espectro de
frecuencias frente a la densidad
espectral.

Figura 3.
Espectro de
potencia de la
serie de temperatura máxima. Obsérvese para la
frecuencia de 0,0026 la periodicidad anual significativa al
99%.

Figura 4.
Espectro de
frecuencias de la serie de ingresos por causas circulatorias en
el que se observa una marcada tendencia en el lag 0 y
periodicidades de 7 días y 3 días para las
frecuencias 0,142 y 0,33 respectivamente.

Los modelos ARIMA obtenidos de cada una de las series
(tabla 3), representan el comportamiento temporal de cada
variable en función de la propia historia de la serie.
Para los ingresos totales por causas orgánicas el modelo
ARIMA univariante fue de (1,1,1) (0,1,1)7, lo que significa que
tiene un componente autorregresivo (AR) de orden 1 una parte
integrada (I) de 1, y una media móvil (MA) de orden 1. Los
componentes ARIMA de su parte estacional son 0, 1 y 1
respectivamente, mostrando además una periodicidad de 7
días. De ello se deduce que los ingresos por causas
orgánicas dependen del número de ingresos del
día anterior (AR=1). La tendencia de la serie
también es recogida por el modelo (I=1) y su componente de
aleatoriedad se refleja en su media móvil de 1. Para el
grupo de mayores de 65 años el modelo fue similar pero
mostrando un mayor componente aleatorio (MA=2), probablemente
atribuible al menor número de casos registrados en este
grupo.

Los demás modelos (tabla 3), admiten
también funciones periódicas de período 1
año, 6 meses o 3 meses, que representan las
estacionalidades. Cabe destacar cómo únicamente en
los modelos de ingresos por respiratorias aparece periodicidad
trimestral, mientras que las causas circulatorias presentan la
semestral en concordancia con los resultados del análisis
espectral.

En cuanto a los modelos ARIMA de las variables
ambientales, las 3 series de temperatura presentan
idéntico comportamiento, siendo diferente para la humedad
relativa y el recorrido del viento. Todos los modelos de dichas
variables, recogen la estacionalidad anual y la periodicidad de 3
días, así como la parte integrada de 0 que revela
la inexistencia de tendencia (tabla 3).

Las FCC pusieron de manifiesto, como se muestra en la
tabla 4, la asociación de ciertas variables de ingresos
con la temperatura mínima y la temperatura máxima
(figura 5), y también con el porcentaje de humedad
relativa en el caso de ingresos invernales por causas
respiratorias. Cabe destacar la influencia del descenso de la
temperatura en el aumento del número de ingresos por
causas respiratorias, fundamentalmente en invierno, con un
retraso de 11-14 días (efecto de frío a largo
plazo), como muestra la figura 6. Los ingresos por causas
respiratorias aumentan, además, durante el invierno el
mismo día que la temperatura aumenta y desciende la
humedad relativa (días calurosos de invierno). En cuanto a
la variable relativa al viento, no se asoció
significativamente con ninguna de las causas de
ingreso.

Figura 5:
Funciones de
correlación cruzada entre los ingresos por todas las
causas y la temperatura máxima, seleccionados los meses de
verano después del preblanqueo.

Figura 6:
Funciones de
correlación cruzada entre los ingresos por respiratorias y
la temperatura mínima para todo el
año.

En esta misma tabla se analizan las asociaciones
detectadas para el grupo de mayores de 65 años para todas
las causas de ingreso analizadas, siendo, en general, similares a
las descritas para el grupo de todas las edades, excepto para los
ingresos por causas circulatorias. En este caso el número
de ingresos se ve aumentado por un efecto de calor en
verano (con 7-15 días de retraso) y por un efecto de
frío a corto plazo en invierno (1-2 días de
retraso).

La elaboración de los correspondientes modelos
multivariantes para cada una de las series permite la
predicción de su comportamiento en función de las
variables ambientales de influencia. Para ello la variable de
mayor efecto, la temperatura, fue incluida en los modelos
transformada en las variables: temperatura cálida (tcal) y
temperatura fría (tfrío), definidas en el apartado
de metodología. Los coeficientes de
asociación para los diferentes modelos multivariantes
obtenidos, para una p<0,05, aparecen resumidos en la tabla 5.
Dichos modelos únicamente recogen la variable ambiental de
mayor influencia que fue la tfrío, siendo su efecto
más patente en los ingresos por causas respiratorias en
los mayores de 65 años. Así, los coeficientes
obtenidos para este caso, determinan el aumento en
ingresos/diarios por enfermedades respiratorias, que
cabría esperara por cada grado centígrado que
descienda la temperatura máxima por debajo de los
22ºC. Esto supone un aumento entre 7 y 8 ancianos/día
para una temperatura máxima de 12 ºC, con un retraso
de 10 y 13 días, respectivamente.

La figura 7 muestra la representación
gráfica de la serie de ingresos por causas respiratorias,
junto con sus correspondientes modelos univariado y multivariado.
El análisis de los residuales muestra un ajuste
ligeramente superior del modelo multivariante frente al modelo
que únicamente contempla la historia de la
serie.

Figura 7.
Representación del modelo univariado y
multivariado respecto a la serie de ingresos por causas
respiratorias.

Discusión

La tendencia positiva de las series de ingresos es
atribuible, por un lado, a que el porcentaje de casos codificados
y, por tanto, considerados en el estudio, ha ido aumentando a lo
largo del tiempo. En segundo lugar, la reapertura del hospital de
Oza a principios de
1996, perteneciente al complejo hospitalario Juan Canalejo,
repercute en el número de camas disponibles y, por tanto,
en el número de admisiones por urgencias.

Las estacionalidades o periodicidades análogas
entre las series de variables dependientes e independientes para
1 año y 3 días, nos llevan a la necesidad de
modelizar cada una de las series, con el fin de conocer su
comportamiento. Ello nos permitirá, tras el
correspondiente filtrado de las series, comparar variables y
establecer las correspondientes asociaciones una vez eliminadas
las autocorrelaciones y estacionalidades análogas. La
estacionalidad anual tiene una evidente explicación. La de
tres días se relaciona con el paso de borrascas por
nuestras latitudes, que influyen tanto en variaciones de
variables meteorológicas como de otras de contaminación que no se contemplan en este
estudio22.

Al estudiar la relación funcional entre las
variables ingresos por causas orgánicas y temperatura
máxima, obtuvimos una gráfica que se aproxima en
cierta medida a la relación en V entre la mortalidad y la
temperatura ya citada por numerosos autores5,8 , si
bien en el caso de A Coruña este valor es inferior al
detectado en otros estudios3,10,11.

Con respecto a la influencia de las variables
ambientales sobre las variables de ingresos, estudiada mediante
las funciones de correlación cruzada (tabla 4),
encontramos que para el grupo de todos los casos, los ingresos
por causas circulatorias se ven aumentados 10 días
después de que aumente la temperatura máxima.
Aparece, así, un efecto del calor sobre las enfermedades
del aparato
circulatorio, si bien se produce a más largo plazo de
lo que ocurre en otros lugares, como la Comunidad de
Madrid, en la
cual el efecto del calor sobre la mortalidad por causas
circulatorias se produce entre 0 y 3
días10.

Por otra parte, el número de ingresos por causas
orgánicas en invierno, aumenta significativamente hasta 2
días después de un aumento de la temperatura
máxima o mínima. Este aumento de ingresos en
invierno asociado con situaciones de aumento de temperatura,
puede estar en relación con la peculiar situación
climatológica creada los días invernales en los que
sopla viento del sur, que suele llevar temperaturas más
elevadas a las normales en esa época del
año23,24.

En cuanto a los ingresos por causas respiratorias,
sufren un aumento significativo entre 11 y 14 días
después de un descenso de la temperatura máxima o
mínima, fundamentalmente en invierno. Esta
asociación fue ya señalada por diferentes autores
que encuentran un aumento significativo de la incidencia de
reagudizaciones de procesos respiratorios al disminuir la
temperatura y al aumentar la humedad relativa25. Este
efecto del frío a largo plazo, coincide además con
los resultados obtenidos en estudios que relacionan la
temperatura y mortalidad por enfermedades
respiratorias3,10,11. Otros trabajos, ponen de
manifiesto que el efecto del frío sobre la mortalidad por
enfermedades respiratorias se mantiene significativo hasta 15
días tras la exposición5, al igual que
muestran las funciones de correlación cruzada obtenidas en
este trabajo.

En los ingresos por respiratorias aparece de nuevo un
efecto de calor invernal, el mismo día que la temperatura
mínima aumenta y la humedad relativa desciende atribuible
también a esas peculiaridades atmosféricas de los
días calurosos de invierno.

En el grupo de personas mayores de 65 años, los
resultados obtenidos fueron similares, salvo para los ingresos
por enfermedades circulatorias. Así, los ingresos aumentan
tras 1 ó 2 días después de una bajada de
temperatura, fundamentalmente en invierno, mientras que en verano
se produce un pico de ingresos a los 7 y otro a los 15
días de un aumento de la temperatura. Aquí surge un
efecto de frío a corto plazo y un efecto de calor
más a largo plazo. No aparecen resultados similares en
este sentido en la bibliografía, sin embargo, estudios
realizados en Escocia demuestran un claro comportamiento
estacional de las enfermedades coronarias, apareciendo picos de
ingresos en verano/invierno19. Otros autores
encuentran también relación entre las temperaturas
extremas y la mortalidad por enfermedades coronarias en ancianos,
atribuible, al parecer, a un peor mecanismo de
termorregulación26.

En cuanto a los modelos multivariantes obtenidos, nos
permiten conocer la asociación que existe entre el
número de ingresos por distintas causas y diferentes
variables, tanto ambientales, como la temperatura, como las
introducidas para controlar factores de confusión.
Así, la única variable ambiental que se
mostró significativa en los modelos multivariantes fue la
tfrio (variable que representa los grados centígrados por
debajo de la temperatura de confort).

A la vista de los resultados obtenidos (tabla 5) se
deduce, para el grupo de todos los casos, que por cada grado que
la temperatura máxima esté por debajo de la de
confort (22ºC), debemos añadir (al número de
ingresos por causas orgánicas a los 22ºC), 0,22
ingresos más por causas orgánicas para el lag 4 y
0,37 para el lag 13. Por tanto, los días en que la
temperatura máxima sea de 12ºC, sabremos que 4
días después se producirá un aumento de 2,2
ingresos y que 13 días después se producirá
un incremento de 3,7 ingresos por causas orgánicas sobre
el valor mínimo.

Un estudio similar realizado en la Comunidad de
Madrid27, muestra un coeficiente para el frío
de 0,26 ingresos más por cada grado por debajo de la
temperatura de confort de Madrid (32ºC). Aparece sin embargo
un fuerte efecto del calor (coeficiente de 1,1) que no se aprecia
en nuestro estudio. No es extraño la no aparición
de dicho efecto del calor si tenemos en cuenta que durante 3
años no se ha superado la temperatura de 32ºC en la
ciudad de A Coruña, temperatura a partir de la cual se han
encontrado efectos significativos en Madrid.

El efecto del frío fue también
significativo para las demás causas de ingreso, siendo
especialmente acusado en el grupo de mayores de 65 años
que ingresaban por causas respiratorias (0,86-0,71 con 10-13
días de retraso).

Otras variables atmosféricas que resultaron estar
estadísticamente asociadas a las variables dependientes
durante la realización de las funciones de
correlación cruzada, no se mostraron significativas en los
modelos multivariantes. Sin embargo, los modelos multivariantes
sí recogieron las variables más significativas en
las FCC y en los mismos retrasos, mostrando de nuevo el efecto
del frío a largo plazo para los ingresos por causas
respiratorias. No pudo apreciarse, sin embargo, el efecto del
calor que sí aparecía en algunas FCC. Esta
diferencia puede ser atribuida a que las FCC fueron analizadas
considerando los períodos de todo el año, invierno
y verano, operación que no fue realizada en los modelos
multivariantes. Por otra parte, hay que considerar que las FCC
únicamente comparan dos variables mientras que los modelos
multivariantes soportan mayor número de ellas.

En cuanto a la variable gripe solamente se asoció
de forma significativa a los ingresos por causas orgánicas
en el grupo de mayores de 65 años, con un coeficiente de
0,57. Por otro lado esta variable, mostró una clara
colinealidad con la variable tfrío, de tal manera que,
cuando el modelo admitía la variable tfrío en los
lags 0 ó 1, no resultaba significativa la variable gripe y
viceversa. Esto resulta lógico si tenemos en cuenta que
los episodios de gripe están también asociados con
las bajas temperaturas.

Para comparar el grado de ajuste que se alcanza con los
modelos multivariantes frente a los univariados, realizamos la
representación gráfica simultánea de ambos
modelos y la serie real. La figura 7 muestra los dos tipos de
modelo frente a la serie de ingresos por enfermedades
respiratorias para el total de casos. Tanto en ésta como
en el resto de las series, se observa que los modelos
multivariantes no difieren en gran medida de los univariados,
pero sí se aprecia claramente cómo recogen un mayor
número de valores extremos. Con estos modelos sí
estamos en condiciones de predecir situaciones episódicas
de ingresos que estén relacionados con las variables
ambientales analizadas en este trabajo.

Este estudio tiene las limitaciones propias de cualquier
estudio ecológico. Además, la utilización de
este tipo de datos, basados en la codificación de causas
de ingresos, pueden verse afectados por problemas de
mala codificación28. No obstante, puede
suponerse que estos problemas se van a repartir de manera
homogénea a lo largo de la serie y lógicamente no
deben relacionarse con factores ambientales.

Se puede afirmar, a la vista de los resultados, que las
variables ambientales presentan una pequeña pero
significativa influencia sobre el número de ingresos por
las diferentes causas consideradas. Evidentemente, al incluir en
futuros trabajos otras variables ambientales, como la
concentración de contaminantes atmosféricos, es de
esperar que el efecto del medio ambiente
urbano sobre la salud tenga una
repercusión aún mayor al descrito en este trabajo,
tal como se recoge en la bibliografía sobre el
tema27, 29-32.

Por otro lado, la utilización de este tipo de
estudios puede ser una herramienta de gran utilidad en la
gestión
de los recursos
hospitalarios, ya que permite predecir con suficiente
antelación posibles excesos en la demanda de
este tipo de servicios.

AGRADECIMIENTOS

A la Unidad de Gestión del Hospital Juan Canalejo
así como a la Autoridad Portuaria de A Coruña, por
permitirnos disponer, de forma casi inmediata, de los datos
requeridos para el estudio.

Bibliografía

1. Mackenbach J.P, Kunst A.E., Looman CWN: Seasonal
variation in mortality in the Netherlands. J. Epidemiol Comm
Health 1992; 46:261-265.

2. Mc Kee C.M. Deaths in winter: can britain learn from
Europe? Eur J Epidemiol 1989; 5:178-182.

3. Ballester Díez, F. Meteorología y
salud. La relación entre la temperatura ambiental y la
mortalidad. Rev Esp Salud
Pública 1996; 70: 251-259.

4. Pajares S, Díaz J, Montero JC, Alberdi JC,
Mirón IJ. Mortalidad diaria en la Comunidad de Madrid
durante el periodo 1986-1991 para el grupo de 45 años a 65
años su relación con la temperatura del aire. Rev Esp
Salud Pública 1997; 71:149-160.

5. Kunst AE , Looman CWN, Mackenbach JP: Outdoor air
temperature and mortality in the Netherlands: A time series
analysis. Am J Epidem 1993; 137: 331-41.

6. Alderson MR. Season and mortality. Health Trends
1985;17: 87-86.

7. Kay-Tee Khau. Temperature and cardiovascular
mortality. Lancet 1995; 345: 337-8.

8. Sáez M, Sunyer J, Castellsagué J,
Murillo C, Antó
JM. Relationship between Weather temperature and mortality: a
time series analisys aproach in Barcelona. Int J Epidemiol 1995;
24 (3): 576-582.
        [ ]

9. Alberdi JC, Díaz, J. Modelización de la
mortalidad diaria en la Comunidad de Madrid (1986-1991). Gac
Sanit 1997; 11(1): 7-13.

10. Montero JC, Mirón IJ, Alberdi JC, Díaz
J. Influencia de las variables atmosféricas sobre la
mortalidad por enfermedades respiratorias y cardiovasculares en
los mayores de 65 años en la Comunidad de Madrid. Gac
Sanit1997; 11: 164-170.
        [
Medline ]

11. Alberdi JC, Díaz J, Montero JC, Mirón
IJ. Daily mortality in Madrid Community (Spain) 1986-1991:
Relationship with atmospheric variables. Eur J Epidemiol 1998;
14:571-578.

12. Azevedo E, Ribeiro JA, Lopes F, Martins R, Barros H.
Cold: a risk for stroke? J Neurol 1995; 242 (4):
217-21.

13. Anderson HR, Spix C, Medina S, Schouten JP,
Castellsagué J, Rossi G, Zmirou D, Touloumi G, Wojtyniak
B, Ponka A, Bacharova L, Schwartz J, Katsouyanni K. Air pollution
and daily admissions for chronic obstructive pulmonary disease in
6 European cities: results from the APHEA project. Eur Respir J
1997. 19 (5): 1064-71.

14. Tomkinsons A, Bremmer Smith A, Craven C, Roblin DG.
Hospital epistaxis admission rate and ambient temperature. Clin
Otolaryngol 1995, 20 (3): 239-40.

15. Tselepidaki IG, Asimakopoulos DN, Katsouyanni K,
Moustris C, Touloumi G, Pantazopoulou A. The use of a complex
thermohygrometric index in predicting adverse health effects in
Athens. Int J Biometeorol 1995; 38(4): 194-8.

16. Schwartz J. Air pollution and hospital admissions
for respiratory disease. Epidemiol Resources inc
1995;7:20-28.

17. Vigotti MA, Rossi G, Bisanti L, Zanobetti A,
Schwartz J. Short term effects of urban air pollution on
respiratory health in Milan, Italy 1980-1989. J. Epidemiol Comm
Health 1996; 50:71-75.

18. Ramsey JM. The relation of urban atmospheric
variables to asthmatic broncho constriction. Bull Environ Contam
Toxicol 1976, 16:107-110.
        [
Medline ]

19. Douglas AS, Dunningan MG, Allan TM, Rawles JM.
Seasonal variation in coronary heart disease in Scotland. J
Epidemiol Comm Health 1995, 49(6): 575-82.

20. Box GEP, Jenkins G.M., Reimal C. Time series
analysis: forecasting and control. Prentice
Hall. Englewood Cliffs.1994.

21. Anderson T.W. The statistical analysis of timer
series. De. John Wiley; 1971.

22. Díaz J, Alberdi J C, Montero JC, Mirón
IJ. Efectos a corto plazo de la contaminación
atmosférica sobre la mortalidad en la ciudad de
Madrid-España.
Información Tecnol1998. 9(3);
33-42.

23. Ballester F, Corella D, Pérez-Hoyos S,
Sáez M, Hervás A. Mortality as a function of
temperature. A study in Valencia, Spain,1991-1993. Int J
Epidemiol 1997.26(3);551-561.
        [
Medline ]

24. Saez M, Sunyer J, Castellsagué J, Murillo C,
Antó J M. Relationship between Weather Temperature and
Mortality: A Time Series Analysis Approach in Barcelona. Int J
Epidemiol 1995. 24(3); 576-582.
        [
Medline ]

25. Dorado S, González A, Pérez A, Pereda
JM, Alonso F. Influencia de los factores climáticos y de
la polución en la agudización de la enfermedad
obstructiva crónica pulmonar. Med Clin (Barc) 1982;
78:226-230.

26. Wen-Harn Pan, Lung-An Li, Ming-Jan Tsai. Temperature
extremes and mortality from coronary heart disease and cerebral
infarction in elderly chinese. Lancet 1995; 345:
353-355.

27. Díaz J, Alberdi JC, López R, Pajares
MS. Ingresos por urgencias en el hospital Gregorio
Marañón de Madrid y su relación con factores
ambientales. Libro de
Ponencias del I Congreso Mundial de Salud y Medio Ambiente
Urbano; 1998 6-10 julio. Madrid.

28. Pérez G, Ribalta A, Roset P, Marrugat J, Sala
J y los investigadores del grupo Regicor. Fiabilidad del
diagnóstico de infarto agudo
de miocardio inscrito como causa de muerte en los
boletines estadísticos de defunción en Girona. Gac
Sanit 1998;12:71-75.

29. Burnett RT, Dales RE, Raizenne ME, Krewski D,
Summers PW, Roberts GR, Raad-Young M, Dann T, Brook J. Effects of
low ambient levels of ozone and sulfates on the frequency of
respiratory admissions to Ontario hospitals. Environ Res 1994; 65
(2): 172-94.
        [
Medline ]

30. Castellsagué J, Sunyer J, Sáez M,
Antó JM. Short-term association of urban air pollution
with emergency room visits for asthma. Thorax 1995; 50:
1051-6.

31. Delfino RJ, Becklake MR, Hanley JA. The relationship
of urgent hospital admissions for respiratory illnesses to
photochemical air pollution levels in Montreal. Environ Res 1994.
67(1): 1-19.
        [
Medline ]

32. Wordley J, Walter S, Ayres JG. Short-term variations
in hospital admissions and mortality and particulate air
pollution. Occup Environ Med 1997; 54 (2): 108-16.
        [
Medline ]

Publicación original: Rev. Esp.
Salud Publica. [online]. 1999, vol. 73, no. 1 [cited
2007-06-12], pp. 45-60.. ISSN 1135-5727.
Reproducción autorizada por: Revista
Española de Salud Pública,
resp[arroba]msc.es

Mª Belén Lage Ferrón (1),
Julio Díaz Jiménez (1) -, Juan Jesús Gestal
Otero (2), Mª de la Sierra Pajares Ortíz (1) y Juan
Carlos Alberdi Odriozola –

1. Centro Universitario de Salud Pública
de Madrid.
2. Departamento de
Medicina
Preventiva. Universidad de
Santiago.

Correspondencia
Julio Díaz Jiménez.
Centro Universitario de Salud Pública
– C/ General Oraa, 39, 28006 Madrid.