Calidad del Aire y Salud en Asturias

Informe epidemiológico

Análisis espacial del área central

2016-2018

Calidad del Aire y Salud

en Asturias

Calidad del Aire y Salud en Asturias. Informe epidemiológico

Página 3 de 46

Calidad del Aire y Salud en Asturias

Informe epidemiológico

Análisis espacial del área central

2016-2018

Análisis espacial del área central 2016 -2018

Página 4 de 46

Autores

Rodríguez Suárez, Valentín

Unidad de Epidemiología Laboral y Ambiental. Dirección General de Salud Pública.

Consejería de Salud. Gobierno del Principado de Asturias.

Fernández Somoano, Ana

Área de Medicina Preventiva y Salud Pública. Departamento de Medicina. Universidad de Oviedo. Centro de Investigación Biomédica en Red de Epidemiología y Salud Pública (CIBERESP). Instituto de Investigación Sanitaria del Principado de Asturias (ISPA).

Martínez Pérez, Isabel

Área de Medicina Preventiva y Salud Pública. Departamento de Medicina. Universidad de Oviedo.

Promueve y edita

Consejería de Salud del Principado de Asturias

Dirección General de Salud Pública

Unidad de Epidemiología Laboral y Ambiental

Distribuye

Disponible para descarga en el Portal de Salud del Principado de Asturias – asturSalud.

Oviedo, Julio de 2020.

https://www.astursalud.es/categorias/-/categorias/profesionales/04000registros-informes-encuestas-y-vigilancia-epidemiologica/02000informes-epidemiologicos/04000salud-laboral-y-ambiental


Página 5 de 46


Página 6 de 46

ÍNDICE DEL DOCUMENTO

1 INTRODUCCIÓN ................................................................................................................................................... 8

2 OBJETIVOS ................................................................................................................................................................ 9

3 MÉTODOS ................................................................................................................................................................. 9

3.1 FUENTES DE INFORMACIÓN .................................................................................................. 9

3.1.1 Datos de salud ............................................................................................................................ 9

3.1.2 Poblaciones - ámbito del estudio ......................................................................................... 10

3.1.3 Cartografía ................................................................................................................................. 11

3.2 MÉTODOS...................................................................................................................................... 12

3.2.1 Geográficos ................................................................................................................................ 12

3.2.2 Estadísticos ................................................................................................................................. 13

3.2.3 Representación geográfica de los resultados .................................................................... 15

3.2.4 Consideraciones para la lectura e interpretación de los resultados ........................... 16

4 INGRESOS HOSPITALARIOS EN LOS MUNICIPIOS DE ESTUDIO...................................................... 17

5 MAPAS DE INDICADORES DE SALUD ......................................................................................................... 20

5.1 INFARTO AGUDO DE MIOCARDIO - ANGINA ............................................................. 21

5.1.1 Mujeres ....................................................................................................................................... 21

5.1.2 Hombres ..................................................................................................................................... 24

5.2 ENFERMEDAD PULMONAR OBSTRUCTIVA CRÓNICA (EPOC) .............................. 27

5.2.1 Mujeres ....................................................................................................................................... 27

5.2.2 Hombres ..................................................................................................................................... 30

5.3 ASMA ................................................................................................................................................ 33

5.3.1 Mujeres ....................................................................................................................................... 33

5.3.2 Hombres ..................................................................................................................................... 36

6 RESUMEN Y DISCUSIÓN.................................................................................................................................... 39

7 CONCLUSIONES .................................................................................................................................................. 40

8 ACRÓNIMOS .......................................................................................................................................................... 41

9 REFERENCIAS BIBLIOGRÁFICAS ..................................................................................................................... 42

ANEXO I INFORMACIÓN DEMOGRÁFICA .......................................................................................................... 44


Página 7 de 46

ÍNDICE DE TABLAS

Tabla 1. Enfermedades seleccionadas para el estudio y código CIE10 asociado. ............................................. 10

Tabla 2. Población de los municipios de estudio. Padrón Municipal de Habitantes 2016 (SADEI). ............. 10

Tabla 3.- Secciones censales existentes en los municipios de estudio (2016). ................................................. 11

Tabla 4. Porcentaje de geocodificación de los datos del CMBD de los años 2016-2018. ............................. 12

Tabla 5. Distribución de datos del CMBD por municipio, grupo de enfermedad y sexo. ............................. 18

Tabla 6. Tasas de ingresos hospitalarios por 1000 habitantes, IAM y ANGINA. ............................................. 18

Tabla 7. Tasas de ingresos hospitalarios por 1000 habitantes, EPOC. ............................................................... 19

Tabla 8. Tasas de ingresos hospitalarios por 1000 habitantes, ASMA. ............................................................... 19

Tabla 9.- Distribución de la población en los concejos del área central. ........................................................... 45

ÍNDICE DE FIGURAS

Figura 1.- Esquema de procesado de los datos. ........................................................................................................ 13

Figura 2.- Interpretación de los resultados del análisis I Moran. .......................................................................... 14

Figura 3.- Distribución de hombres y mujeres por municipio (%) ....................................................................... 45


Página 8 de 46

1 INTRODUCCIÓN

La calidad del aire es una de las mayores preocupaciones de salud pública. Según la Organización

Mundial de la Salud (OMS) cada año se producen 4,2 millones de defunciones por exposición a aire

contaminado, principalmente por enfermedades cardiacas, accidentes cerebrovasculares, enfermedad

pulmonar obstructiva crónica (EPOC), cáncer de pulmón e infecciones respiratorias agudas en niños

(Organización Mundial de la Salud, 2018).

En Europa, de acuerdo con los datos publicados por la Agencia Europea de Medio Ambiente en

su informe de 2019 sobre la calidad del aire (European Environment Agency, 2019), durante el periodo

2000-2017 entre el 42% y el 91% de la población urbana de la Europa de 28 miembros estuvo expuesta

a concentraciones de partículas de menos de 10 micras, PM10, superiores a 20 µg/m3 (valor guía anual

recomendado por la OMS).

En Asturias, la Consejería de Sanidad comenzó a monitorizar las enfermedades relacionadas con

la contaminación del aire en 2015 (analizando los datos retrospectivamente desde 2003), a raíz de la

elaboración de los planes de mejora de calidad del aire por la Administración Autonómica. Los resultados

obtenidos hasta ahora por este sistema de vigilancia epidemiológica han puesto de manifiesto que los días

de mayor contaminación se producen más ingresos en los hospitales por patologías respiratorias y

circulatorias, fundamentalmente por enfermedad pulmonar obstructiva crónica, asma y cardiopatía

isquémica: Informe epidemiológico 2016 (Rodríguez Suárez et al., 2017), Informe epidemiológico 2017

(Rodríguez Suárez et al., 2019). La incorporación de nuevos datos sobre contaminantes y eventos de

salud y el análisis continuo con la misma metodología permitirá conocer si el progresivo descenso que se

viene observando en los valores anuales de partículas y dióxido de nitrógeno se traduce en un menor

riesgo de enfermar.

El documento que aquí se presenta aporta una visión complementaria, ya que no estudia tanto la

relación temporal a corto plazo entre contaminación e ingreso en un hospital, como el análisis espacial

del lugar de residencia (domicilio) de las personas afectadas. Se trata de un análisis geográfico para conocer

con mayor detalle la distribución espacial del riesgo de enfermar por patologías relacionadas con la calidad

del aire. La elaboración de mapas representando las tasas de ingresos no programados (urgentes) en el

hospital convenientemente estandarizadas y modelizadas, permite plantear hipótesis sobre la relación que

pueda existir entre el lugar habitual de residencia y el riesgo de enfermar por estas patologías, así como

la posible relación entre estas zonas y la contaminación del aire en las mismas.

Este documento constituye la continuación del anterior análisis espacial realizado en los tres

principales municipios de Asturias, Informe epidemiológico – Análisis espacial 2016-2018 (Rodríguez

Suárez et al., 2020), aportando como novedades la adición de 8 municipios colindantes para conformar

una gran área central de Asturias y la incorporación de análisis estadísticos que buscan patrones espaciales

homogéneos (autocorrelación espacial y análisis de conglomerados).


Página 9 de 46

2 OBJETIVOS

El desarrollo de este Informe epidemiológico tiene como objetivos generales los siguientes:

1. Profundizar en el análisis epidemiológico de las enfermedades relacionadas con la calidad

del aire en Asturias.

2. Conocer la distribución espacial del riesgo de ingresar en un hospital en función del lugar

de residencia de los pacientes.

3. Generar hipótesis sobre la relación que pueda existir entre lugar habitual de residencia,

mala calidad del aire e ingreso en un hospital por enfermedades cuya relación con la

contaminación es conocida.

4. Utilizar métodos epidemiológicos basados en sistemas de información geográficos para

mejorar las precisiones de las estimaciones de riesgos.

3 MÉTODOS

3.1 FUENTES DE INFORMACIÓN

3.1.1 DATOS DE SALUD

Los datos de salud estudiados se corresponden con ingresos hospitalarios no programados

(urgentes) por tres grupos de enfermedades que, de acuerdo con los resultados del sistema de vigilancia

epidemiológica de calidad del aire del Principado de Asturias, presentan asociación con la contaminación

atmosférica: infarto agudo de miocardio y angina, enfermedad pulmonar obstructiva crónica (EPOC) y

asma.

Los ingresos corresponden a los hospitales de Avilés (Hospital Universitario San Agustín), Gijón

(Hospital Universitario de Cabueñes y Hospital de Jove) y Oviedo (Hospital Universitario Central de

Asturias).

Los datos se obtuvieron del Registro de Actividad de Atención Especializada RAE-CMBD

(Conjunto Mínimo Básico de Datos, CMBD) del periodo 2016-2018: identificador personal, sexo, fecha

de nacimiento, fecha de ingreso y diagnóstico principal codificado con la Clasificación Internacional de

Enfermedades (CIE 10, tabla 1). A partir del identificador personal se obtuvo la dirección de residencia

consignada en el Sistema de Identificación Poblacional y de Recursos Sanitarios (SIPRES).


Página 10 de 46

Tabla 1. Enfermedades seleccionadas para el estudio y código CIE10 asociado.

Código CIE10* Enfermedad Agrupación para estudio

I-20 Angina de pecho IAM-ANGINA

I-21 Infarto agudo de miocardio

J-41 Bronquitis crónica simple y mucopurulenta

EPOC J-42 Bronquitis crónica no especificada

J-43 Enfisema

J-44 Otras enfermedades pulmonares obstructivas crónicas

J-45 Asma ASMA

J-46 Estado asmático

*(Organización Panamericana de la Salud, 2003)

3.1.2 POBLACIONES - ÁMBITO DEL ESTUDIO

Los datos de población por sección censal y sexo de cada uno de los municipios del estudio

fueron obtenidos del Padrón Municipal de Habitantes (PMH) de 2016 proporcionado por SADEI (Sociedad

Asturiana de Estudios Económicos e Industriales (Tabla 2).

Tabla 2. Población de los municipios de estudio. Padrón Municipal de Habitantes 2016 (SADEI).

Municipio Mujeres Hombres Total

Avilés 42.193 37.921 80.114

Carreño 5.498 5.138 10.636

Castrillón 11.652 10.974 22.626

Corvera de Asturias 8.113 7.855 15.968

Gijón 144.467 128.955 273.422

Gozón 5.405 5.129 10.534

Illas 509 517 1.026

Llanera 6.982 6.864 13.846

Noreña 2.725 2.535 5.260

Oviedo 118.275 102.292 220.567

Siero 26.659 25.310 51.969

TOTAL 372.478 333.490 705.968


Página 11 de 46

3.1.3 CARTOGRAFÍA

Los datos cartográficos base son las secciones censales (SC), los municipios de Asturias, en

concreto, los municipios del área central, y los archivos de portales de los municipios de estudio.

Las secciones censales constituyen la unidad geográfica básica del estudio. La cartografía de

secciones censales de los municipios de estudio, correspondiente al año 2016, fue obtenida del Instituto

Nacional de Estadística (INE). El número de secciones censales totales para el área central es de 558 con

el siguiente reparto por municipios:

Tabla 3.- Secciones censales existentes en los municipios de estudio (2016).

Municipio Nº de Secciones

Censales

Avilés 70

Carreño 10

Castrillón 19

Corvera de Asturias 13

Gijón 203

Gozón 8

Illas 1

Llanera 11

Noreña 4

Oviedo 181

Siero 38

TOTAL 558

La población registrada en ellas varía desde los 579 habitantes, en Siero, hasta los 2.610 habitantes,

en Oviedo (Anexo I), con una media para el conjunto de las secciones censales de 1.265 habitantes.

Los archivos de portales de los municipios de Oviedo y Gijón fueron proporcionados por los

respectivos Ayuntamientos en formato shape (ArcGIS), donde consta información del número de portal,

calle, código de vía (CVIA), entidad singular, entidad colectiva y/o barrios y núcleos rurales en la que se

encuentra cada portal. Los datos del municipio de Avilés se obtuvieron de la base de datos del Proyecto

de CartoCIUDAD del Instituto Geográfico Nacional (Ministerio de Fomento, 2019) en formato shape

(ArcGIS), y de la base cartográfica de detalle del municipio proporcionada por el Ayuntamiento de Avilés

en formato dwg (AutoCad). Para el resto de municipios del área de estudio se utilizó la cartografía de

CartoCIUDAD del IGN y las bases topográficas BTN100 del IGN para localizar núcleos de población

rurales y diseminados.


Página 12 de 46

3.2 MÉTODOS

3.2.1 GEOGRÁFICOS

Para la gestión y análisis de los datos en formato SIG (Sistema de Información Geográfica) se ha

empleado el programa ArcGIS 10.4. La información se organizó en una Geodatabase, y dentro de ella, en

conjuntos de datos llamados Feature Dataset y capas de información o FeatureClass (FC), a las que se

asocian tablas de datos. Las FC contienen las capas elementales con la información cartográfica

georreferenciada. Los datos cartográficos se almacenan en el sistema de referencia espacial ETRS89 (UTM

Zona30).

Geocodificación

Los datos del Padrón Municipal de Habitantes del año 2016 fueron directamente asignados a la

sección censal correspondiente para la obtención de la población de referencia a través del campo de

identificación de las secciones censales (CUSEC).

A continuación, se realizó el proceso de geocodificación de los ingresos hospitalarios no

programados del CMBD para los grupos de enfermedades estudiadas: infarto agudo de miocardio y angina,

enfermedad obstructiva crónica (EPOC) y asma, alcanzando casi el 100% de direcciones localizadas.

Tabla 4. Porcentaje de geocodificación de los datos del CMBD de los años 2016-2018.

Municipio Nº Ingresos Nº Ingresos

geolocalizados

% Ingresos

geolocalizados

Avilés 1997 1.984 99,35

Carreño 197 196 99,49

Castrillón 610 610 100

Corvera de Asturias 392 392 100

Gijón 3.616 3.605 99,70

Gozón 276 276 100

Illas 21 21 100

Llanera 124 124 100

Noreña 42 42 100

Oviedo 1.684 1.683 99,94

Siero 423 423 100

TOTAL 9.382 9.356 99,77


Página 13 de 46

Vinculación a Secciones Censales

Una vez realizado el proceso de geocodificación de los datos del CMBD, se realizó una unión

espacial con las capas de Secciones Censales, donde previamente se había asignado los datos del PMH

para cada una, y a partir de esta unión se realizó un agregado de datos para identificar cuántos registros

del CMBD hay en cada sección censal. (Figura 1).

Figura 1.- Esquema de procesado de los datos.

3.2.2 ESTADÍSTICOS

Para cada unidad geográfica se calculó la Razón de Ingresos Estandarizada (RIE) que es el cociente

entre el número de ingresos observados y esperados. Los ingresos esperados para el conjunto de los

municipios del área central se calcularon mediante el método indirecto de estandarización, multiplicando

la población de cada unidad geográfica, específica por sexo y grupo de edad, por las tasas específicas por

los mismos grupos de edad, tipo de ingreso y sexo del área central considerado en el periodo de estudio.

Debido a la variabilidad de las RIE cuando intervienen áreas de poca población o cuando los

ingresos son poco frecuentes, se consideró necesario aplicar métodos de suavización espacial. Para ello,

se calculó el Riesgo Relativo suavizado (RRs) de ingresar por cada patología mediante modelos

condicionales autorregresivos desarrollados por Besag, York y Mollié (Besag et al., 1991). Se trata de

modelos espaciales de Poisson con efectos aleatorios, que tienen en cuenta la adyacencia espacial de las

unidades geográficas del área y que utilizan la técnica de aproximación simplificada de Laplace para realizar

inferencia Bayesiana siguiendo el procedimiento INLA (Integrated nested Laplace approximation) (Rue et

al., 2009, 2016),


Página 14 de 46

Tanto las RIE como los RRs se han expresado en tanto por 100.

Además, se calculó la Probabilidad de riesgo Posterior (PP), probabilidad de que ese riesgo

suavizado sea mayor de 100. Un valor PP ≥ 0,8 indica un exceso de ingresos estadísticamente significativo

(no debido al azar).

Para los cálculos de las RIE, RRs y PP se utilizaron los programas Stata v14 y R versión 3.6.1, con

la librería INLA (R-INLA Proj., n.d.).

A continuación, se utilizó la herramienta de análisis de tendencia del programa ArcGIS (Trend

analysis) incluida en el paquete Geostatistical Analyst para obtener una perspectiva tridimensional de los

datos y valorar si las proyecciones de las nubes de puntos sobre los planos X (dirección Oeste-Este) - Z

(RRs) y/o Y (dirección Sur-Norte) - Z (RRs) presentaban tendencia lineal o cuadrática.

Por último, para verificar la existencia o ausencia de autocorrelación espacial en la totalidad del

área central, se utilizó el índice I de Moran, que trata de contrastar la hipótesis nula de ausencia de

autocorrelación espacial global (esto es, aleatoriedad espacial) frente a la hipótesis alternativa de existencia

de autocorrelación espacial (positiva o negativa):

Figura 2.- Interpretación de los resultados del análisis I Moran.

Así, por ejemplo, dada una puntuación z > 2,58, existe una probabilidad menor al 1% de que el

patrón agrupado pueda ser el resultado de una verosimilitud aleatoria.

Disperso Aleatorio Agregado

Significativo Significativo Aleatorio

Nivel de significación (p-valor)

Valor crítico (z)


Página 15 de 46

De manera complementaria, se calcularon indicadores locales que detectan la posible presencia

de autocorrelación espacial en un determinado subconjunto de unidades espaciales. De esta forma, se

puede obtener un índice para cada unidad espacial estudiada, lo que permite analizar el grado de

dependencia individual de cada unidad espacial respecto a las demás. Para ello se utilizó el estadístico local

de Moran, propuesto por Anselin (Anselin, 1995), cuya interpretación es muy similar a la del índice I global:

cuando es estadísticamente significativo y positivo, permite confirmar la presencia de un clúster de valores

similares alrededor de la unidad espacial i. Por el contrario, si es estadísticamente significativo pero

negativo, se estará ante un clúster de valores diferentes alrededor de la i-ésima unidad espacial (atípicos

espaciales). Los resultados de autocorrelación espacial a nivel local, se presentan mediante el mapa LISA

(acrónimo de “Local Indicators of Spatial Association”), que utiliza los índices I de Moran locales calculados

para todas las unidades espaciales analizadas (secciones censales), permitiendo localizar geográficamente

los agrupamientos espaciales (que se producen cuando una unidad espacial que registra un valor alto/bajo

de la variable se encuentra rodeada de unidades espaciales que también registran un valor alto/bajo de

dicha variable, esto es, alto-alto o bajo-bajo) y los atípicos espaciales (que son aquellos que surgen cuando

una unidad espacial con un elevado valor de la variable analizada se encuentra rodeada de unidades

espaciales en las que la variable registra valores pequeños, o viceversa, es decir, alto-bajo o bajo-alto).

3.2.3 REPRESENTACIÓN GEOGRÁFICA DE LOS RESULTADOS

El informe se presenta en formato Atlas mostrando mapas temáticos de coropletas de áreas

pequeñas, siguiendo la metodología utilizada en, por ejemplo, el Atlas de Mortalidad de España (Benach

Rovira et al., 2013), Aragón (Gobierno de Aragón, 2018) o País Vasco (Esnaola et al., 2010). Las Secciones

Censales se presentan coloreadas en función de las categorías en las que se dividen los valores de los

indicadores de salud. Los intervalos de clase de estos indicadores han sido elegidos para obtener una

buena representación gráfica de toda la escala de valores.

En los mapas de RIE y RRs se ha utilizado una escala absoluta (puntos de cortes fijos) de 7 colores

divergentes (verde a marrón oscuro) para facilitar la comprensión de los mismos. La categoría intermedia,

con colores neutros, señala áreas donde la tasa de enfermos observados es equivalente a la tasa de

enfermos esperados, mientras que los tonos verdes indican un menor número de enfermos observados

que esperados, y los tonos marrones un mayor número de enfermos observados que esperados.

Para los mapas de PP se ha utilizado una escala fija de 5 colores de tonos verdes a marrones. Los

tonos verdes indican una baja probabilidad de que los RRs se encuentren por encima de los valores

esperados, mientras que los tonos marrones indican una alta probabilidad de que los RRs se encuentren

por encima de los valores esperados.

Los gráficos de tendencia espacial muestran, mediante una línea de tendencia, la distribución de

los valores de los RRs en los ejes “X, Y” de los municipios de estudio. El gráfico representa, en una

visualización de tres dimensiones, los valores “X” e “Y” sobre el plano horizontal y los valores “Z”, sobre

el plano vertical. De esta manera se puede apreciar el cambio en los valores de los RRs en las direcciones

Oeste-Este (eje “X”) y Sur-Norte (eje “Y”), lo que permite interpretar la existencia de gradientes para

cada una de las enfermedades y municipios del estudio. Los gráficos de tendencia incluyen el valor de


Página 16 de 46

correlación r (coeficiente de correlación de Pearson) y se han marcado con un asterisco aquellos valores

que presentan significación estadística al nivel del 95%.

Se presentan también los valores del Índice Global de I Moran que permite valorar el tipo de

distribución y su significación estadística y el mapa de análisis de Clúster (Anselin I Local de Moran) para

valorar los tipos de agrupación existentes. El mapa de clúster se presenta usando una gradación de colores

cálidos (rojo) a fríos (azul) para identificar fácilmente las agrupaciones existentes, colores cálidos para

agrupaciones de valores altos y colores fríos para las asociaciones de valores bajos.

Los mapas se presentan ordenados por enfermedad: infarto agudo de miocardio y angina,

enfermedad pulmonar obstructiva crónica y asma, y dentro de cada grupo de enfermedad, se diferencian

por sexo, mujeres y hombres.

3.2.4 CONSIDERACIONES PARA LA LECTURA E INTERPRETACIÓN DE LOS

RESULTADOS

Los resultados del análisis espacial de las tres patologías estudiadas se muestran en conjunto para

el área global de estudio (Área central de Asturias) y, dentro de cada patología, se analizan por sexo.

En primer lugar, se presentan de arriba hacia abajo, las RIE y los RRs, posteriormente se muestran

las PP y el gráfico de tendencia S-N/O-E. Finalmente, se muestran en una página los resultados del análisis

de agrupación espacial y el mapa de clúster.

El gráfico de RIE permite visualizar la posición de cada una de las Secciones Censales respecto al

promedio de ingresos hospitalarios en el área de estudio (100), independientemente de las RIE de las

secciones vecinas. El gráfico de RRs muestra los colores de las Secciones Censales modificados tras

haberse tenido en cuenta las RIE de las áreas vecinas (modelado estadístico de suavización). El gráfico de

PP representa las Secciones Censales según la mayor o menor probabilidad de que el RRs sea superior a

100. La lectura de los tres gráficos permite conocer las tasas de ingresos hospitalarios en las diferentes

zonas del municipio e interpretar la variabilidad observada en función de la probabilidad de que los riesgos

sean verdaderamente elevados.

Los gráficos de tendencia espacial de las tres enfermedades, son gráficos en 3D en los que se

muestran las líneas de tendencia espacial de los valores de los RRs en tres ejes, X, Y, Z. La línea azul

representa la tendencia oeste-este y la línea roja la tendencia sur-norte. Los gráficos incluyen los valores

del coeficiente de correlación (r) y el grado de significación estadística (se marcan con un asterisco los

coeficientes que presentan significación estadística).

Para el análisis de la correlación espacial, en primer lugar, se muestran los valores estadísticos del

Índice Global de I Moran, indicando si los valores muestran la presencia o ausencia de agregaciones

espaciales no debidas al azar en la totalidad del área central. A continuación, se muestra el mapa de clúster

(Anselin I Local de Moran), con valores Alto-Alto, Alto-Bajo, Bajo-Alto, Bajo-Bajo y No significativo que

indican el tipo de agregación espacial existente entre las secciones censales del área de estudio.


Página 17 de 46

Por último, para interpretar correctamente los resultados es conveniente tener en cuenta lo

siguiente:

Las RIE de las Secciones Censales no pueden ser comparadas directamente entre sí, sino que

debe hacerse siempre respecto a la población de referencia, que es el promedio del área central

(representado por el valor 100 en los gráficos).

Los gráficos que muestran la PP ofrecen una mayor confianza de cuáles son las áreas (Secciones

Censales) con mayor riesgo de tener hospitalizaciones por las enfermedades estudiadas.

A pesar de los métodos estadísticos utilizados no se puede obviar el efecto del azar. Por ello, el

hecho de encontrar puntualmente áreas con exceso o defecto de riesgo de enfermar, debe ser

confirmado mediante la repetición de los resultados en varios periodos consecutivos. El azar

puede ser la causa si aparecen y desaparecen a lo largo del tiempo.

Las técnicas estadísticas utilizadas permiten describir la distribución geográfica de la enfermedad

en el área de estudio, pero no explicar las diferencias entre las secciones censales. El nivel de exposición

a cualquier factor de riesgo de las personas ingresadas en el hospital es desconocido. No es posible

conocer si las personas que residen actualmente en una sección censal han vivido en ella la mayor parte

de su vida, ni sus pautas de movilidad, sus riesgos laborales o sus hábitos (ejercicio físico, dieta, consumo

de tabaco, alcohol, etc.). Por ello, es preciso mostrar cautela antes de establecer hipótesis que sugieran

una relación causal entre el exceso de enfermedad en algunas Secciones Censales y desigualdades sociales,

uso de servicios de salud o exposiciones ambientales de los individuos, porque se podría incurrir en la

denominada Falacia Ecológica, que consiste en hacer deducciones incorrectas a nivel individual a partir de

información a nivel grupal.

4 INGRESOS HOSPITALARIOS EN LOS MUNICIPIOS DE ESTUDIO

El estudio comprende un periodo de tres años (2016-2018). Los ingresos no programados totales

y su distribución por grupo de enfermedad y municipio de residencia del paciente se presentan en la Tabla

5.


Página 18 de 46

Tabla 5. Distribución de datos del CMBD por municipio, grupo de enfermedad y sexo.

Municipio IAM y Angina EPOC Asma

Total H M T H M T H M T

Avilés 363 182 545 766 191 957 166 316 482 1.984

Carreño 33 27 60 64 27 91 16 29 45 196

Castrillón 103 62 165 217 72 289 60 96 156 610 Corvera

de Asturias

60 32 92 150 21 171 34 95 129 392

Gijón 686 391 1.077 1.074 347 1.421 421 686 1.107 3.605

Gozón 44 36 80 100 23 123 27 46 73 276

Illas 5 5 10 10 0 10 0 1 1 21

Llanera 33 16 49 45 12 57 8 10 18 124

Noreña 20 4 24 7 3 10 1 7 8 42

Oviedo 565 297 862 400 178 578 92 151 243 1.683

Siero 161 93 254 82 25 107 24 38 62 423

2.073 1.145 3.218 2.915 899 3.814 849 1.475 2.324 9.356

Las tasas de ingresos hospitalarios específicas por sexo para cada enfermedad y municipio fueron

calculadas en función del número medio de personas ingresadas con residencia en alguno de los municipios

del estudio y de la población de los mismos. En las Tablas 6, 7 y 8 se muestran las tasas de cada uno de

los grupos de enfermedades según sexo, año y municipio.

Tabla 6. Tasas de ingresos hospitalarios por 1000 habitantes, IAM y ANGINA.

HOMBRES MUJERES

2016 2017 2018 2016-2018 2016 2017 2018 2016-2018

Avilés 3,35 3,06 3,25 3,22 1,30 1,62 1,47 1,46

Carreño 3,50 1,77 1,19 2,16 2,18 1,10 1,67 1,65

Castrillón 3,10 3,58 2,75 3,14 1,97 1,38 1,99 1,78 Corvera de Asturias 2,80 2,69 2,07 2,52 0,49 2,10 1,38 1,32

Gijón 1,98 1,39 1,91 1,76 1,05 0,60 1,01 0,88

Gozón 3,31 3,35 1,97 2,88 1,67 2,05 2,62 2,11

Illas 1,93 5,85 1,94 3,23 1,96 3,97 3,95 3,29

Llanera 1,31 1,75 1,77 1,61 0,86 1,15 0,29 0,77

Noreña 4,34 1,20 2,42 2,66 1,10 0,37 0,00 0,49

Oviedo 2,16 1,64 1,53 1,78 0,84 0,78 0,82 0,81

Siero 2,45 1,86 2,06 2,13 1,43 1,05 1,02 1,17


Página 19 de 46

Tabla 7. Tasas de ingresos hospitalarios por 1000 habitantes, EPOC.

HOMBRES MUJERES

2016 2017 2018 2016-2018 2016 2017 2018 2016-2018

Avilés 7,65 7,20 5,54 6,80 1,66 1,60 1,35 1,54

Carreño 3,89 2,55 6,15 4,19 0,91 1,47 2,78 1,71


Gijón 2,95 2,27 3,00 2,74 0,84 0,60 0,90 0,78

Gozón 9,16 6,11 4,32 6,54 1,11 2,24 0,94 1,43

Illas 5,80 3,90 9,69 6,47 0,00 0,00 0,00 0,00

Llanera 1,60 2,63 2,36 2,19 1,00 0,29 0,44 0,58

Noreña 1,18 1,20 0,40 0,93 0,73 0,00 0,37 0,37

Oviedo 1,41 1,11 1,11 1,21 0,47 0,53 0,41 0,47

Siero 0,87 1,23 1,15 1,08 0,30 0,15 0,49 0,31

Tabla 8. Tasas de ingresos hospitalarios por 1000 habitantes, ASMA.

HOMBRES MUJERES

2016 2017 2018 2016-2018 2016 2017 2018 2016-2018

Avilés 1,61 1,25 1,61 1,49 3,03 2,41 2,19 2,55

Carreño 1,75 0,59 0,79 1,05 2,00 1,84 1,48 1,77


Gijón 1,29 0,65 1,25 1,06 1,55 1,23 1,87 1,55

Gozón 1,75 1,77 1,77 1,77 3,52 3,17 1,87 2,86

Illas 0,00 0,00 0,00 0,00 1,96 0,00 0,00 0,66

Llanera 0,58 0,15 0,44 0,39 0,86 0,58 0,00 0,48

Noreña 0,00 0,00 0,40 0,13 0,37 0,74 1,12 0,74

Oviedo 0,30 0,44 0,16 0,30 0,43 0,47 0,35 0,41

Siero 0,32 0,36 0,28 0,32 0,19 0,60 0,68 0,49


Página 20 de 46

5 MAPAS DE INDICADORES DE

SALUD


Página 21 de 46

5.1 INFARTO AGUDO DE MIOCARDIO - ANGINA

5.1.1 MUJERES

Razón de Ingresos Estandarizada (RIE)

Riesgo Relativo suavizado (RRs)


Página 22 de 46

Probabilidad de riesgo Posterior (PP)

Análisis de tendencia de los RRs

*Resultado estadísticamente significativo.


Página 23 de 46

Autocorrelación espacial y Análisis de clúster

Análisis de Autocorrelación espacial – Global I de Moran

Índice de Moran Índice esperado Varianza Valor z P valor

0,637850 -0,001795 0,000593 26,257918 0,000000

La probabilidad de que el patrón observado sea aleatorio es menor al 1%.


Página 24 de 46

5.1.2 HOMBRES




Página 25 de 46





Página 26 de 46




0,837600 -0,001795 0,000603 34,195087 0,000000



Página 27 de 46

5.2 ENFERMEDAD PULMONAR OBSTRUCTIVA CRÓNICA (EPOC)

5.2.1 MUJERES




Página 28 de 46





Página 29 de 46




0,160623 -0,001795 0,000580 6,743917 0,000000



Página 30 de 46

5.2.2 HOMBRES




Página 31 de 46





Página 32 de 46




0,445049 -0,001795 0,000584 18,485531 0,000000



Página 33 de 46

5.3 ASMA

5.3.1 MUJERES




Página 34 de 46





Página 35 de 46




0,689917 -0,001795 0,000598 28,291206 0,000000



Página 36 de 46

5.3.2 HOMBRES




Página 37 de 46





Página 38 de 46




0,610378 -0,001795 0,000593 25,146958 0,000000



Página 39 de 46

6 RESUMEN Y DISCUSIÓN

El presente estudio busca complementar los informes epidemiológicos previos sobre calidad del

aire y salud en Asturias que se vienen publicando desde 2016, especialmente el análisis espacial de los

ingresos hospitalarios no programados por infarto agudo de miocardio-angina, EPOC y asma durante

2016-2018 en los municipios de Avilés, Gijón y Oviedo.

La elección de estos tres grupos de enfermedades obedece a los resultados obtenidos desde

2003 en los informes epidemiológicos anteriores, estando estas patologías entre las que más claramente

presentan asociación con la contaminación atmosférica.

Se trata de un estudio ecológico en el que se han utilizado datos agregados por área geográfica,

sexo y grupo de edad. La unidad de análisis, por tanto, no es el individuo sino la población de las áreas

geográficas utilizadas (Secciones Censales).

La agregación por área pequeña, en este caso Secciones Censales, es utilizada en estudios

epidemiológicos (Borrell et al., 2010; Puigpinós-Riera et al., 2011), para poner de manifiesto las diferencias

geográficas en la aparición de enfermedades, la existencia de patrones de distribución o de agregados

puntuales que puedan tener raíz en las diferencias socioeconómicas, la distribución de áreas industriales y

vías de comunicación, etc. La utilización de Secciones Censales se debe a su tamaño y homogeneidad

poblacional, a la información demográfica y socioeconómica que lleva vinculada y a la posibilidad de

comparar los resultados con otros estudios epidemiológicos realizados en España que utilizan la misma

unidad de análisis y pueden complementar la interpretación de los resultados.

En esta ocasión se ha ampliado el análisis geográfico de las enfermedades relacionadas con la

contaminación del aire en los tres principales municipios de Asturias, en dos sentidos: 1) se han

incorporado otros 8 municipios colindantes para disponer de un área de estudio continua suficientemente

amplia en la zona central de Asturias y, 2) se han añadido dos nuevos test estadísticos de análisis espacial

para analizar la posible existencia de correlación y/o agrupación entre secciones censales próximas, y por

lo tanto para comprobar si existe algún tipo de patrón espacial.

Los resultados revelan un claro patrón espacial, que se puede resumir en tres niveles:

1. Los municipios que conforman la comarca de Avilés muestran el mayor exceso de riesgo

de ingresar por las tres patologías de estudio, evidenciado tanto por la tasa de ingresos hospitalarios,

como por la probabilidad posterior de los riesgos relativos suavizados, el análisis de tendencia y sobre

todo por los gráficos de clúster.

2. La zona este de Carreño y la zona oeste de Gijón conforman una unidad geográfica en

la que también se evidencia agrupación de las enfermedades estudiadas.

3. Los municipios situados más al sur: Llanera, Oviedo, Siero y Noreña, presentan una

menor probabilidad de enfermar.


Página 40 de 46

7 CONCLUSIONES

• La incorporación de más municipios a los tres anteriormente estudiados, ha permitido poner de

manifiesto la inequívoca existencia de un patrón geográfico definido, fundamentalmente en la

comarca de Avilés, pero también en la zona de los municipios de Carreño y de Gijón que

comparten actividad económica. El área geográfica situada más al sur presenta menor riesgo de

enfermar.

• La utilización de sistemas de información geográfica y de test estadísticos que analizan tendencias

espaciales y agrupaciones geográficas, se han revelado de gran utilidad para evidenciar zonas de

mayor riesgo de enfermar, permitiendo generar hipótesis sobre las causas del exceso de riesgo.

• Siguen siendo adecuadas las propuestas para mejorar el sistema de vigilancia epidemiológica de

calidad del aire del Principado de Asturias que se formularon en el anterior informe

epidemiológico:

• Agregar información socioeconómica a las unidades territoriales (índice socioeconómico

sintético que permita categorizar las áreas en función del nivel socioeconómico).

• Añadir a las unidades territoriales información sobre proximidad a vías de tráfico, tanto urbanas

como interurbanas.

• Determinar los focos potencialmente contaminantes del aire en el entorno de los municipios

incluidos, con el objetivo de facilitar el estudio de las tendencias espaciales y la posible

repercusión de las causas de dichos focos en la distribución geográfica de los riesgos relativos de

enfermar.


Página 41 de 46

8 ACRÓNIMOS

CIE: Clasificación Internacional de Enfermedades

CMBD: Conjunto Mínimo Básico de Datos

EPOC: Enfermedad Pulmonar Obstructiva Crónica

IAM: Infarto Agudo de Miocardio

IGN: Instituto Geográfico Nacional

INE: Instituto Nacional de Estadística

OMS: Organización Mundial de la Salud

PMH: Padrón Municipal de Habitantes

PP: Probabilidad de riesgo Posterior

RIE: Razón de Ingresos Estandarizada

RRs: Riesgo Relativo suavizado

SADEI: Sociedad Asturiana de Estudios Económicos e Industriales

SC: Secciones Censales

SIG: Sistemas de Información Geográfica

SIPRES: Sistema de Identificación Poblacional y de Recursos Sanitarios


Página 42 de 46

9 REFERENCIAS BIBLIOGRÁFICAS

Anselin, L. (1995). Local Indicators of Spatial Association—LISA. Geographical Analysis, 27(2), 93–115.

https://doi.org/10.1111/j.1538-4632.1995.tb00338.x

Benach Rovira, J. De, Martínez Martínez, J. M., Martín Sánchez, J. C., Buxó Pujolràs, M., Vergara Duarte,

M., Yasui, Y., Cleries Soler, R., Borrell Thió, C., Español Peña, E., & Grupo Medea. (2013). Atlas de

mortalidad en municipios y unidades censales de España (1984-2004).

Besag, J., York, J., & Mollié, A. (1991). Bayesian image restoration, with two applications in spatial statistics.

Annals of the Institute of Statistical Mathematics, 43(1), 1–20. https://doi.org/10.1007/BF00116466

Borrell, C., Marí-Dell’Olmo, M., Serral, G., Martínez-Beneito, M., Gotsens, M., & MEDEA members. (2010).

Inequalities in mortality in small areas of eleven Spanish cities (the multicenter MEDEA project).

Health and Place, 16(4), 703–711. https://doi.org/10.1016/j.healthplace.2010.03.002

Esnaola, S., Calvo, M., Aldasoro, E., Audícana, C., Ruíz, R., Montoya, I., & Ibáñez, B. (2010). Atlas de

mortalidad en áreas pequeñas de la Comunidad Autónoma del País Vasco.

European Environment Agency. (2019). Air quality in Europe — 2015 report. In EEA Report no 10/2019

(European E). https://doi.org/10.2800/62459

Gobierno de Aragón. (2018). Vigilancia del estado de salud y de sus determinantes por Zona Básica de salud

en el Atlas de Aragón.

Ministerio de Fomento. (2019, March 6). CartoCiudad. Sistema Cartográfico Nacional.

https://www.cartociudad.es/portal/

Organización Mundial de la Salud. (2018, May 2). Calidad del aire ambiente (exterior) y salud.

https://www.who.int/es/news-room/fact-sheets/detail/ambient-(outdoor)-air-quality-and-health

Organización Panamericana de la Salud. (2003). Clasificación Estadística Internacional de Enfermedades y

Problemas Relacionados con la Salud. In Publicación Científica No. 554 (Issue 554, pp. 2–179). OPS.

https://doi.org/10.1093/acprof:oso/9780199559121.003.0005

Puigpinós-Riera, R., Marí-Dell’Olmo, M., Gotsens, M., Borrell, C., Serral, G., Ascaso, C., Calvo, M.,

Daponte, A., Domínguez-Berjón, F. M., Esnaola, S., Gandarillas, A., López-Abente, G., Martos, C. M.,

Martínez-Beneito, M. A., Montes-Martínez, A., Montoya, I., Nolasco, A., Pasarín, I. M., Rodríguez-

Sanz, M., … Sánchez-Villegas, P. (2011). Cancer mortality inequalities in urban areas: A Bayesian

small area analysis in Spanish cities. International Journal of Health Geographics, 10(1), 1–2.

https://doi.org/10.1186/1476-072X-10-6

Rodríguez Suárez, V., Fernández-Somoano, A., Martínez Pérez, I., & González Iglesias, V. (2020). Calidad

del Aire y Salud en Asturias. Informe epidemiológico - Análisis espacial 2016 - 2018.

https://www.astursalud.es/noticias/-/noticias/calidad-del-aire-y-salud-en-asturias-informe-

epidemiologico-2019


Página 43 de 46

Rodríguez Suárez, V., Fernández Somoano, A., & Alonso Alonso, O. (2017). Calidad del aire y Salud en

Asturias. Informe Epidemiológico 2016. https://www.asturias.es/Astursalud/Ficheros/AS_Salud

Publica/As_Vigilancia/Informes epidemiológicos/Laboral/Calidad del Aire y Salud en Asturias Informe

Epidemiológico 2016 [30-9-16].pdf

Rodríguez Suárez, V., Fernández Somoano, A., Alonso Menéndez, J. M., Martínez Pérez, I., Alonso Alonso,

O., & Diez González, S. (2019). Calidad del Aire y Salud en Asturias. Informe epidemiológico 2017.

https://www.astursalud.es/noticias/-/noticias/calidad-del-aire-y-salud-en-asturias-informe-

epidemiologico-2017

Rue, H., Martino, S., & Chopin, N. (2009). Approximate Bayesian inference for latent Gaussian models by

using integrated nested Laplace approximations. Journal of the Royal Statistical Society. Series B:

Statistical Methodology, 71(2), 319–392. https://doi.org/10.1111/j.1467-9868.2008.00700.x

Rue, H., Riebler, A., Sørbye, S. H., Illian, J. B., Simpson, D. P., & Lindgren, F. K. (2016). Bayesian Computing

with INLA: A Review. www.r-inla.org

The R-INLA project. (n.d.). The R-INLA Project. Retrieved March 4, 2020, from http://www.r-inla.org/


Página 44 de 46

ANEXO I INFORMACIÓN

DEMOGRÁFICA


Página 45 de 46

ÁREA CENTRAL DE ASTURIAS

En este apartado se expone la información detallada de la distribución de la población, por

municipio, grupos de edad y sexo.

Tabla 9.- Distribución de la población en los concejos del área central.

<15 15 - 40 40 - 65 65 - 85 >85 Subtotal Total

Avilés Hombres 4.685 10.451 15.207 6.537 1.041 37.921

80.114 Mujeres 4.411 10.261 16.215 9.112 2.194 42.193

Carreño Hombres 580 1.330 2.080 985 163 5.138

10.636 Mujeres 598 1.283 2.056 1.228 333 5.498

Castrillón Hombres 1.386 2.981 4.334 2.047 226 10.974

22.626 Mujeres 1.271 2.934 4.589 2.378 480 11.652

Corvera de Asturias

Hombres 1.102 2.191 3.066 1.357 139 7.855 15.968

Mujeres 954 2.155 3.027 1.692 285 8.113

Gijón Hombres 16.006 34.683 50.666 24.351 3.249 128.955

273.422 Mujeres 15.059 34.393 55.340 31.928 7.747 144.467

Gozón Hombres 544 1.271 2.082 1.071 161 5.129

10.534 Mujeres 499 1.246 2.011 1.303 346 5.405

Illas Hombres 42 120 216 121 18 517

1.026 Mujeres 55 100 192 135 27 509

Llanera Hombres 944 1.937 2.882 985 116 6.864

13.846 Mujeres 903 1.840 2.799 1.167 273 6.982

Noreña Hombres 378 708 1.046 350 53 2.535

5.260 Mujeres 338 687 1.093 486 121 2.725

Oviedo Hombres 13.706 29.888 40.156 16.167 2.375 102.292

220.567 Mujeres 13.158 30.921 45.714 22.525 5.957 118.275

Siero Hombres 3.325 7.438 10.243 3.768 536 25.310

51.969 Mujeres 3.161 7.043 10.408 4.727 1.320 26.659

Figura 3.- Distribución de hombres y mujeres por municipio (%)

60 40 20 0 20 40 60

AvilésCarreño

CastrillónCorvera de Asturias

GijónGozón

IllasLlaneraNoreñaOviedo

Siero

Distribución de los % de hombres y mujeres por municipio

% Mujeres

%Hombres

Documents

Calidad del Aire y Salud en Asturias