Las Islas Canarias son un archipiélago de origen volcánico situado en la parte oriental del Atlántico Norte (figura 1). Este estudio se llevó a cabo en Tenerife, que es la isla de mayor tamaño (2.034,38km2). El clima se caracteriza por vientos alisios (marzo a agosto) que contribuyen a producir una rápida dispersión de los contaminantes atmosféricos locales y ayudan a mantener una calidad del aire bastante buena en la mayor parte del archipiélago. Aunque pueden producirse episodios de polvo sahariano a lo largo del año, hay 2 temporadas de polvo10 separadas entre sí por las condiciones climáticas: a) noviembre a marzo, y b) julio a agosto.

El estudio se llevó a cabo en un hospital de nivel terciario (Tenerife, España) que presta asistencia médica a los residentes en la parte norte de la isla de Tenerife, una población de 343.025 habitantes. La parte norte de Tenerife incluye principalmente zonas residenciales, por lo que sus habitantes se desplazan cada mañana a trabajar a otras partes de las islas (en su mayor parte a la capital, Santa Cruz, y a la parte sur de Tenerife), y están expuestos a las condiciones de calidad del aire de toda la isla. En nuestro estudio se incluyó a todos los pacientes a los que se diagnosticó un SCA con o sin IAM entre diciembre de 2012 y diciembre de 2017 en nuestro centro. El IAM se definió según la guía vigente por la presencia de síntomas de isquemia miocárdica y un aumento de los marcadores de necrosis miocárdica11,12.

Se registraron prospectivamente diversas variables clínicas de todos los pacientes: factores de riesgo coronario, edad, sexo, enfermedad vascular previa, presencia de asma o enfermedad pulmonar obstructiva crónica, enfermedad renal crónica, fibrilación auricular, número de vasos coronarios afectados (registrados a partir de la coronariografía), fracción de eyección del ventrículo izquierdo, clase de Killip, concentración de troponina I, intervención coronaria (angioplastia coronaria transluminal percutánea o cirugía de revascularización coronaria), duración de la hospitalización, mortalidad hospitalaria y mortalidad a 1 año.

Este estudio fue aprobado por el Comité Ético de Investigación Clínica de un hospital de nivel terciario (Hospital Universitario de Canarias).

Se registraron cada día de menera prospectiva los datos climáticos, las concentraciones de PM10, PM2,5-10, PM2,5 y contaminantes gaseosos (NOx, O3 y SO2) entre diciembre de 2012 y diciembre de 2017. Estos datos se obtuvieron de la Red de Calidad del Aire de las Islas Canarias, que forma parte de la Red de Calidad del Aire Europea y realiza un seguimiento de los contaminantes particulados (PM10 y PM2,5) y gaseosos mediante los métodos y procedimientos de referencia obligatorios establecidos por la legislación de la Unión Europea (Directiva 2008/50/EC). La red proporciona con una resolución horaria los datos que se transmiten a la Agencia Europea del Medio Ambiente. Se determinaron y analizaron los valores medios diarios. Con objeto de obtener una imagen completa del impacto de los episodios de polvo sahariano en la calidad del aire, se trabajó inicialmente con los datos de varias estaciones de registro de la calidad del aire situadas en el norte (Balsa Zamora, de tipo residencial), nordeste (Depósito Tristán y Tena Artigas, de tipo residencial) y sur (El Río, de tipo rural) de Tenerife. Dado el contenido basal de PM más bien bajo y puesto que los episodios de polvo sahariano causan concentraciones elevadas de PM en toda la isla, las series temporales de PM en estas diversas zonas mostraron una alta correlación entre ellas. En consecuencia, se eligieron los registros con más datos disponibles (estación de Tena Artigas) para la inclusión en el análisis estadístico en relación con los datos médicos. Durante el periodo del estudio, las series temporales de concentraciones diarias de PM10 de Tena Artigas (disponibilidad, 98,4%) mostraron un coeficiente de correlación situado dentro del intervalo de 0,76 a 0,84 con las de las otras 3 estaciones durante el periodo de estudio (diciembre de 2012 a diciembre de 2017). La aparición de episodios de polvo sahariano se detectó con las predicciones validadas del Sand and Dust Storm – Warning Advisory and Assessment System (WMO SDS-WAS) de la Organización Meteorológica Mundial, cuyo centro de referencia regional para el norte de África, Oriente Medio y Europa gestionan la Agencia Meteorológica Estatal de España y el Centro de Supercomputación de Barcelona. El sistema de predicción de polvo del WMO SDS-WAS está formado por un modelo de predicción meteorológica que incluye también un módulo para la simulación del polvo (ciclo de emisiones, transporte y depósito)13. Esta predicción del polvo para las Islas Canarias fue validada por García-Castrillo y Terradellas14.

Las variables cuantitativas y cualitativas se describen, respectivamente, con la mediana [intervalo intercuartílico] y el número (porcentaje). Se emplearon análisis de regresión de series temporales, que se emplean con frecuencia para el estudio de las asociaciones entre exposiciones agregadas y resultados de salud. El resultado es un recuento (generalmente el número de episodios por día) y la unidad principal de análisis es el día y no la persona individual. Dado que los factores de confusión propios del sujeto (como edad, sexo o diabetes) no cambian significativamente de un día a otro, esos factores carecen de repercusión en las estimaciones del efecto de las variables ambientales. Para introducir un control respecto a la estacionalidad y las tendencias temporales a largo plazo, se utilizó un diseño cruzado de casos con estratificación temporal, tomando como estratos el día de la semana en el mes15,16. La idea era comparar la exposición de un caso inmediatamente antes del episodio con la exposición de esa misma persona en otros momentos «de referencia» que por lo demás fueran similares. Dado que nuestros estratos eran los definidos por el día de la semana dentro de los meses, se compararon las exposiciones asociadas con un evento aparecido un día de la semana, por ejemplo un lunes, con las exposiciones de los demás lunes del mismo mes que se usaron como valores de referencia. Se preveía que estos estratos proporcionarían un control respecto a las covariables individuales y los cambios lentos o regulares del riesgo subyacente, como los de la estación, las tendencias a lo largo del tiempo o el día de la semana15,16.

Generalmente se emplea un modelo de regresión logística condicional para analizar las repercusiones de las variables ambientales en los episodios clínicos. Sin embargo, dada la influencia de las causas no medidas de eventos clínicos que varían con el paso del tiempo, los recuentos de eventos observados tienen generalmente una variación más amplia que la predicha por una distribución de Poisson15,16. Esta sobredispersión al emplear un modelo de regresión logística no se tiene en cuenta, ya que los resultados son binarios y, por consiguiente, la sobredispersión no es apreciable. Sin embargo, el supuesto de independencia entre conjuntos de casos y controles en un modelo logístico condicional parte implícitamente del supuesto de que no hay sobredispersión en los recuentos16. Además, la regresión logística condicional parte del supuesto de que las observaciones son independientes. Sin embargo, las observaciones próximas en el tiempo probablemente sean más similares que las distantes en el tiempo17 y es probable que haya una autocorrelación. En una situación así, el modelo habitual de regresión logística condicional no permite un ajuste respecto a la sobredispersión y la autocorrelación, que son causas frecuentes de subestimación de la incertidumbre o error de tipo 116.

Con objeto de superar todas estas limitaciones metodológicas siguiendo el método publicado por Armstrong et al.16, se empleó un modelo de regresión de Poisson condicional para aplicar un control respecto a la sobredispersión y la autocorrelación. La variable dependiente fue el número diario de SCA diagnosticados en el centro. Para realizar este análisis, fue preciso modificar la matriz de datos (figura 1 del material adicional). Se calcularon los cocientes de tasas de incidencia (CTI) con los intervalos de confianza del 95% (IC95%). Para determinar la influencia de las PM10, se aplicó un ajuste respecto a los siguientes contaminantes y variables ambientales: PM2,5-10, PM2,5, NO2, SO2, O3, temperatura y humedad. El modelo máximo se diseñó con las PM10, los contaminantes y las variables ambientales descritos anteriormente y las interacciones bidireccionales entre las PM10 y todas las demás variables. Todas estas interacciones se evaluaron y se eliminaron si no alcanzaban significación estadística. Se tuvo en cuenta también la posibilidad de que el impacto de las partículas se produjera con unos pocos días de retraso. Se estudió el efecto de un intervalo de retraso de solo 1 día, del día 0 al día 5. Se aplicó también un ajuste respecto a los efectos de esos diferentes intervalos de retraso entre ellos, elaborando un modelo de intervalos de retraso distribuido con estratificación según el intervalo16. Sin embargo, en ese último modelo, es probable que los términos de intervalos de retraso tengan una alta correlación. Con objeto de reducir la colinealidad de estos términos de intervalo de retraso, que lleva a estimaciones imprecisas, se impusieron algunas limitaciones en el modelo de intervalos de retraso distribuido, a saber, que las estimaciones del efecto para los días 1 y 2 fueran iguales y que las estimaciones del efecto para los días 3 a 5 fueran también iguales16. Se repitieron todos los análisis, calculando la incidencia del IAM en vez del SCA. Se verificaron los diagnósticos del modelo. Los valores de p <0,05 se consideraron estadísticamente significativos. Todos los análisis se realizaron con el programa STATA v.15 (StataCorp, Estados Unidos).

Durante el periodo de estudio, se diagnosticó un SCA en el centro antes mencionado a 2.416 pacientes. La mediana de edad fue de 64 [54-74] años y 649 de los participantes (26,86%) eran mujeres. Un total de 1.350 pacientes (55,88%) sufrieron un IAM, 185 (7,67%) ingresaron en clase de Killip III o IV y 129 (5,34%) fallecieron durante su ingreso en el hospital. Estas y otras variables se describen en la tabla 1.

En el periodo de estudio, hubo 485 días (26,75%) en los que no hubo ningún SCA, 621 días (34,25%) en los que hubo 1 SCA, 428 días (23,61%) en los que hubo 2 SCA, 200 días (11,03%) en los que hubo 3 SCA, 60 días (3,31%) en los que hubo 4 SCA, 15 días (0,83%) en los que hubo 5 SCA y 4 días (0,22%) en los que hubo 6 SCA. La mediana de PM10 fue de 15 [11-24] μg/m3. En los días sin SCA, la concentración de PM10 fue de 15 [11-23] μg/m3. En los días con 1, 2, 3, 4, 5 o 6 SCA, las PM10 fueron de 16 [11-24], 16 [11-23], 16 [11-24], 16 [11-24] y 13 [10-23] μg/m3 respectivamente. En la tabla 2 se muestran las concentraciones de PM10 para diferentes cantidades de SCA/día y con diferentes intervalos de días de retraso.

En la figura 2A del material adicional se muestran las concentraciones diarias de PM10 en Tenerife durante el periodo del estudio. Estas series temporales de valores de PM10 muestran los valores basales regularmente bajos de esta región (∼15 μg/m3) y episodios de picos bruscos debidos a la llegada de aire con polvo procedente del norte de África, en los que las concentraciones de PM10 alcanzaron valores entre 40 y 350 μg/m3. En la figura 2B del material adicional se muestran las series temporales de concentraciones de polvo de Tenerife proporcionadas por los modelos del WMO SDS-WAS, en los que los episodios de picos de polvo (de hasta ∼320μg/m3) motivaron episodios de aumento de PM10, como puede observarse claramente.

El mismo día del SCA (sin ningún efecto de intervalo de retraso), el CTI por cada 10μg/m3 de PM10 fue 1,01 (IC95%, 0,80-1,28). En la tabla 3 se muestran los resultados de la regresión de Poisson con el CTI de las PM10 y otros factores de confusión. No se observó ninguna tendencia a largo plazo entre el periodo de estudio y el número de SCA predicho (figura 2).

Figura 2.

Número predicho de SCA/día durante el periodo de estudio según un modelo de regresión de Poisson. La línea indica la función mínima. SCA: síndrome coronario agudo.

(0,13MB).

El estudio de los posibles efectos del intervalo de días de retraso mostró que las concentraciones de PM10 no se asociaban con el número de SCA en ninguno de los 5 días previos. Los CTI de las concentraciones de PM10 en los días 1, 2, 3, 4 y 5 (para un cambio de 10μg/m3) fueron 1,27 (IC95%, 0,87-1,85), 0,92 (IC95%, 0,84-1,01), 0,74 (IC95%, 0,45-1,22), 0,98 (IC95%, 0,87-1,11) y 0,95 (IC95%, 0,84-1,06) respectivamente. No se observó asociación alguna entre las PM10 y el número de SCA tras introducir un ajuste de estos efectos de diferentes intervalos de retraso entre sí en un modelo con restricciones (las estimaciones del efecto para el intervalo de 0, 1 y 2 días son iguales, y también son iguales para el intervalo de retraso de 3, 4 y 5 días). En la figura 3 se muestra el CTI derivado de la modelización de las asociaciones con un intervalo de retraso entre las PM10 y el número de SCA. Las interacciones no fueron estadísticamente significativas en ninguno de los modelos y se eliminaron.

Figura 3.

CTI calculadas mediante modelización de las asociaciones con intervalo de retraso entre las concentraciones de PM10 y el número de SCA. A: sin un control por otros efectos de intervalo de retraso. B: con un control por los efectos de intervalos de retraso diferentes con restricciones. CTI para los cambios en 10μg/m3 de PM10. CTI: cocientes de tasas de incidencia; PM10: partículas de menos de 10 μm de diámetro aerodinámico; SCA: síndrome coronario agudo.

(0,12MB).

Se diagnosticó IAM a un total de 1.350 pacientes. En función de lo indicado por el modelo de regresión de Poisson ajustado respecto a la autocorrelación y la sobredispersión, lasconcentraciones de PM10 no tuvieron influencia en el número de IAM. Con 10μg/m3 de PM10, el CTI fue 1,1 (IC95%, 0,71-1,55). El número de IAM no mostró asociación con las concentraciones de PM10 en ninguno de los 5 días previos. No se observó asociación alguna entre las PM10 y el número de SCA al aplicar un ajuste respecto a estos efectos de diferentes intervalos de retraso entre sí en un modelo con restricciones (figura 4).

Figura 4.

CTI calculadas mediante modelización de las asociaciones con intervalo de retraso entre las concentraciones de PM10 y el número de infartos agudos de miocardio. A: sin un control por otros efectos de intervalo de retraso. B: con un control por los efectos de intervalos de retraso diferentes con restricciones. CTI para los cambios en 10μg/m3 de PM10. CTI: cocientes de tasas de incidencia; PM10: partículas de menos de 10 μm de diámetro aerodinámico.

(0,13MB).

Este estudio tiene ciertas limitaciones. En primer lugar, se emplearon las concentraciones de contaminación atmosférica en el aire exterior, medidas en puntos fijos, mientras que las personas pasan la mayor parte del tiempo en el interior. En segundo lugar, el error de medición de la exposición es un inconveniente intrínseco de los estudios de series temporales, ya que la media de las estaciones de seguimiento fijas elegidas no refleja la exposición media real de la población. En consecuencia, algunos datos indican que el error de medición de la exposición en el análisis de series temporales podría introducir un sesgo de las estimaciones a la baja27. El empleo de un análisis de regresión de Poisson permitió introducir un control respecto a la sobredispersión y la autocorrelación, que son causas frecuentes de subestimación del error de tipo 1. Sin embargo, para ello fue preciso modificar la matriz de datos y no pudo realizarse un análisis estratificado por variables específicas, puesto que estas dejan de tener sentido en la nueva matriz de datos. Por último, no se puede descartar una potencia estadística insuficiente para mostrar asociaciones. Esta falta de potencia estadística no es trivial y plantea dificultades en este tipo de estudio28. Con un periodo de estudio de 5 años y más de 2.000 episodios, se ha estudiado la influencia de los cambios de 10μg/m3 de PM10 en la incidencia de SCA, con una mediana de PM10 en nuestro territorio de 15 [11-24] μg/m3. Es decir, un aumento de 10 unidades de PM10 sería equivalente a pasar de un día con unas PM10 relativamente bajas (supongamos 11 unidades, que está dentro del primer cuartil de PM10) a un día con unas PM10 relativamente altas (supongamos 21, que está dentro del tercer cuartil de las PM10). Aun así, los intervalos de confianza no son excesivamente amplios y ninguna de las asociaciones evaluadas fue estadísticamente significativa. No obstante, las asociaciones entre las PM y los eventos cardiovasculares son en general muy pequeñas, y suelen situarse en el tercer decimal del riesgo relativo, por lo que no se puede descartar una falta de potencia estadística.