aplicación de técnicas de análisis espacial a la

66Documentos Técnicos de Salud Pública

Aplicación de técnicas de análisis espacial a la

mortalidad por cáncer en Madrid

Aplicación de técnicas deanálisis espacial a la

mortalidad por cánceren Madrid

D o c u m e n t o s T é c n i c o s d e S a l u d P ú b l i c a

66

Dirección General de Salud Pública

CONSEJERIA DE SANIDAD

Comunidad de Madrid



Comunidad de Madrid

Instituto de Estadística de la Comunidad de Madrid

CONSEJERIA DE HACIENDA

Comunidad de Madrid

Documentos Técnicos de Salud Pública • 1

ÍNDICE

Presentación 5

Introducción 7Antecedentes 8Desarrollos tecnológicos. Métodos analíticos y tipos de datos en análisis espacial 8Utilización de Sistemas de Información Geográfica en Epidemiología 9

Georreferenciación de eventos vitales en Madrid 11Georreferenciación de eventos vitales en Madrid. Bases de datos georreferenciadas de interés en epidemiología 12

Mortalidad por cáncer de peritoneo y pleura en Madrid 15Exposición al asbesto y mesoteliomas 15Material y métodos 16

Procedimientos 17Análisis estadístico 17


66Aplicación de técnicas de

análisis espacial a lamortalidad por cáncer

en Madrid

1

2

3

Distribución espacial de los mesoteliomas como proceso puntual. Detección de agregaciones espaciales. Función K. Diferencia de funciones K 17Distribución del riesgo en el área de estudio. Estudio de la intensidad del proceso 18Valoración del riesgo en relación con posibles focos contaminantes 19

Resultados 20Análisis espacial. Resultados 24

Detección de la agregación espacial. Funciones K en casos y controles 24Razón de intensidades espaciales de mortalidad entre casos y controles. Representación espacial del riesgo relativo 24Comentario crítico sobre el estudio de la mortalidad como proceso puntual. Importancia de la utilización de un grupo control 25

Análisis clásico. Resultados 37

Utilidad de la codificación de las causas múltiples en los BED 49Diferencias de patrones espaciales entre menciones y causa básica de defunción 49

Cáncer de encéfalo 49Linfoma de Hodgkin 50Linfomas no hodgkinianos 51

Discusión 55

Conclusiones 65

Bibliografía 67

Aplicación de técnicas de análisis espacial a la mortalidad por cáncer en Madrid

2 • Documentos Técnicos de Salud Pública

4

5

6

7

AUTORES:

Gonzalo López-Abente OrtegaÁrea de Epidemiología Ambiental y Cáncer. Centro Nacional de Epidemiologia. Instituto de Salud Carlos III. [email protected].

Consuelo Ibáñez MartíServicio de Epidemiología. Dirección General de Salud PúblicaConsejería de SanidadComunidad de [email protected]

AGRADECIMIENTOS:

Queremos expresar nuestro agradecimiento a Ignacio Duque, Isabel Pintado, Angel de Santosy Carlos García del Servicio de Estadísticas Demográficas del Instituto de Estadística de laComunidad de Madrid, por su estímulo y excelente trabajo que ha hecho posible la realizaciónde este informe.


Presentación


PRESENTACIÓN

Las estadísticas de mortalidad son la fuente más utilizada para conocer la distribución de lasenfermedades en las poblaciones. Desde hace años se ha consolidado como la fuente dedatos más estándar y accesible para elaborar indicadores sanitarios. En los estudios sobredistribución geográfica de patologías la unidad espacial empleada habitualmente hasta ahoraera la provincia, pero este puede ser visto como un planteamiento insuficiente ya que en nues-tro ámbito el interés se centra en conocer el comportamiento de las diferentes patologías ennuestra Comunidad.

El trabajo que presentamos obedece al esfuerzo coordinado de varias instituciones de nues-tro ámbito. Por un lado utiliza la información generada por el Registro de Mortalidad deMadrid, implantado en 1986, y por otro aprovecha la existencia de un completo y eficienteSistema de Información Geográfica, ambos pertenecientes al Instituto de Estadística de laConsejería de Presidencia y Hacienda de la Comunidad de Madrid. El Centro Nacional deEpidemiología del Instituto de Salud Carlos III y la Dirección General de Salud Pública de laConsejería de Sanidad, han sabido rentabilizar esta circunstancia realizando el presente estu-dio.

Este trabajo muestra un ejemplo de explotación de nuestras bases de datos y documenta ladistribucion de la mortalidad por cáncer de pleura y peritoneo en nuestra región. Los proce-dimientos seguidos se describen en detalle con la intención de que puedan ser aplicados aotras patologías y se obtenga una mayor rentabilidad científica de la inversión realizada ennuestros registros.

Como comentan los autores, esta es una primera aproximación que abre una línea de traba-jo en la que sus componentes básicos están desarrollados y disponibles. Con la publicaciónde esta monografía queremos animar al colectivo de investigadores en epidemiología, y sobretodo a los más comprometidos con los problemas ambientales, a que utilicen los registrosdisponibles y puedan proporcionar pistas sobre posibles problemas susceptibles de ser solu-cionados.

José Ignacio Echániz SalgadoConsejero de Sanidad


El estudio de la distribución espacial de lasenfermedades y de la mortalidad es unaaproximación básica a sus posibles causas.Tradicionalmente los eventos de salud sehan registrado de forma agregada para gran-des áreas geográficas determinadas admi-nistrativamente como son las provincias y,con restricciones, los municipios. Estos mé-todos de codificación geográfica de los even-tos relacionados con la salud se emplean enla mayor parte de los países. El resultado esque problemas específicos que ocasionanagregaciones (clusters) de casos de enfer-medad no pueden ser investigados a menosque su tamaño y límites geográficos coinci-dan con las unidades espaciales en que hansido codificados. Esta es una limitación re-conocida desde hace muchos años. Los in-tentos de superación siempre han chocadocon la falta de un método alternativo de codi-ficación espacial de los eventos de salud.Actualmente se están produciendo dos he-chos que cambiarán radicalmente este pa-norama: 1) la implantación de los Sistemasde Información Geográfica y 2) el incrementode la disponibilidad de bases de datos espa-ciales en formato digital que permiten vincu-lar direcciones individuales con su localiza-ción espacial. Con ello, la vieja codificaciónque asignaba registros individuales a áreaso regiones predefinidas deja de ser racional,es un método poco eficiente y carece de sen-

tido. A esto hay que añadir el desarrollo deuna disciplina conocida como análisis espa-cial.

En el Instituto de Estadística de laComunidad de Madrid se realiza un proce-so automático de georreferenciación deeventos vitales y con posibilidades de apli-cación a registros en los que figuren direc-ciones postales. Esta actividad, desdenuestro punto de vista, va ha ser de granimportancia en los estudios epidemiológi-cos que tengan que ver con problemas am-bientales. El objetivo general de esta mo-nografía es dar a conocer sus posibilidadesa través de varios ejemplos reales y sus ob-jetivos específicos son los siguientes:

1. Mostrar la gran utilidad de las basesde datos georreferenciadas en epide-miología y potenciar su uso.

2. Aplicar nuevas técnicas de análisis es-pacial en el estudio de problemas deepidemiología ambiental.

3. Mostrar un ejemplo de análisis de lamortalidad como proceso puntual.

4. Profundizar en el estudio del papel defocos contaminantes mediante dise-ños caso-control.

5. Avanzar en las técnicas de detecciónde patrones espaciales en mortalidadurbana.

Introducción

1

INTRODUCCIÓN

ANTECEDENTES

La representación gráfica de la distribuciónespacial de las enfermedades ha sido y esde un gran interés para: 1) mostrar geo-gráficamente las tasas de incidencia omortalidad con objetivos puramente des-criptivos (mapas de enfermedades); 2) for-mular hipótesis relacionadas con la etiolo-gía de la enfermedad que se estudia; 3)documentar o establecer el marco de es-tudios de epidemiología ambiental y espa-cial. Las hipótesis derivadas de los estu-dios descriptivos han de ser comprobadaspor métodos rigurosos como los estudiosde casos y controles, de cohortes o de in-tervención.

La publicación de mapas de patologías tie-ne una larga tradición y ya se ha producidouna gran cantidad de atlas de enfermeda-des. El área quizá más conocida es el delos atlas de mortalidad por cáncer publica-dos en muchos países. Esta polarizaciónha sido determinada por la disponibilidaduniversal de la información proveniente delos certificados de defunción. Hoy sabe-mos que la información concerniente alcáncer obtenida de esa fuente es de cali-dad suficiente para los estudios geográfi-cos y de tendencias temporales.

El término epidemiología espacial se empleapara describir estudios sobre las causas yprevención de las enfermedades, emplean-do diferentes perspectivas de análisis en lasque la localización de los eventos es un com-ponente fundamental(1). No se trata de un te-ma nuevo, pues en la literatura pueden en-contrarse buenos ejemplos en la segundamitad del siglo XIX (vg.: Snow 1855, mapade incidencia de cólera en Londres y resolu-ción del brote mediante la identificación delfoco). Los que sí son relativamente nuevosson los métodos analíticos desarrollados ysu clasificación en función del tipo de datos(espaciales) que tratan. Este crecimiento re-

ciente está estrechamente relacionado condos hechos: 1) la gran preocupación existen-te sobre problemas ambientales, 2) los de-sarrollos tecnológicos derivados de laconfluencia entre la epidemiología, la esta-dística y las herramientas informáticas y 3)la confluencia de la epidemiología con otrasdisciplinas científicas (análisis de imagen,percepción remota, etc).

DESARROLLOS TECNOLÓGICOS.MÉTODOS ANALÍTICOS Y TIPOS DEDATOS EN ANÁLISIS ESPACIAL

Los datos espaciales consisten en medi-ciones u observaciones realizadas en lo-calizaciones o en áreas específicas.Además del valor de la medición u obser-vación, los datos espaciales incluyen lalocalización/posición de los valores obser-vados. Las localizaciones pueden ser refe-ridas a puntos o áreas. Por ejemplo, datosreferidos a un punto es una medición deun contaminante en suelo en un lugar condeterminada latitud y longitud. Otro ejem-plo serían las coordenadas (x,y) en metrosdel domicilio de un sujeto afectado de unaneumonía por legionella. Los datos referi-dos a un área son los que utilizamos conmás frecuencia en epidemiología, pues setratan de observaciones realizadas en unaregión (municipio, sección censal, provin-cia). En ambas situaciones, la localizaciónespacial puede ser regular o irregular, aun-que lo habitual en epidemiología ambien-tal es que sea irregular ya que raramentese trabaja con rejillas de áreas regulareso mediciones ambientales adquiridas uni-formemente de forma equidistante unasde otras.

Estos ejemplos conforman los tipos de da-tos espaciales más habituales en epide-miología ambiental y que requieren un abor-daje analítico diferente: 1) los datosespacialmente continuos (geoestadísticos),



2) los procesos puntuales y 3) los datos re-feridos a áreas (area data o lattice data).

Los datos continuos en el espacio o geoes-tadísticos son mediciones tomadas en pun-tos fijos y en los que sus localizaciones enel espacio son continuas. Las medicionesclásicas en salud ambiental suelen pertene-cer a esta categoría. Por ejemplo, contami-nación en suelos y aire o la radiación natu-ral, serían ejemplos de datos espacialescontinuos o geoestadísticos. En estos ejem-plos la variable medida es continua pero po-dría tratarse de una variable discreta. Unode los problemas de análisis de estos datoses obtener una ‘imagen’ de la variable deestudio, muestreada en diferentes puntos,en todo el área problema. Se trata de enten-der la distribución espacial de los valores deun atributo sobre la región total de estudio,dados los valores tomados en puntos demuestreo fijos. Los objetivos son a) modeli-zar el patrón de variabilidad y revelar los fac-tores con los que pueda estar relacionado yb) poder obtener una buena predicción de lavariable en puntos donde no se ha mues-treado(2, 3). Estos métodos son muy relevan-tes en estudios del área de las geociencias(suelo, clima, hidrología, geología minera,etc) por lo que se les suele denominar datosgeoestadísticos.

En epidemiología pueden encontrarse bue-nos ejemplos de aplicación de estas técni-cas a la incidencia de enfermedades(4) yaplicaciones en vigilancia epidemiológica(5).

Los procesos puntuales se refieren a la lo-calización de eventos. Un sencillo ejemplode proceso puntual serían las coordenadasde los domicilios de los casos de una en-fermedad. En este tipo de datos se trataríade valorar si existe una tendencia de loseventos a exhibir un patrón sistemático.Especialmente alguna forma de regularidado de agregación. Se trataría de conocer sila intensidad de los eventos varía sobre la

región de estudio y posiblemente buscarmodelos que nos ayuden a explicar o com-prender el fenómeno. Algunos ejemplos deaplicación de estas técnicas pueden con-sultarse en las referencias(6, 7) y algunos delos métodos desarrollados en este áreason aplicados en esta monografía.

Los datos referidos a áreas son los que ha-bitualmente se utilizan en epidemiología.Se conoce el número de casos de enfer-medad/muerte por provincias, municipioso áreas de salud. Los eventos se refieren auna serie de polígonos y esos polígonospresentan una distribución espacial conoci-da. El objetivo en el análisis de este tipo dedatos es modelizar el patrón espacial enlos valores sobre estas áreas y descubrirlos determinantes de ese patrón. Las téc-nicas de representación geográfica de da-tos en epidemiología suelen englobarse eneste apartado. Actualmente se está produ-ciendo un gran desarrollo de los métodosde representación de mapas de patologíasen áreas pequeñas en los que la utilizaciónde modelos mixtos espaciales (con térmi-nos de efectos fijos y efectos aleatorios) esimprescindible. Hasta ahora los procedi-mientos disponibles para su ajuste eranmuy limitados y hacían prácticamente intra-table el problema. Afortunadamente ahoraexisten soluciones procedentes de la con-fluencia de la estadística bayesiana y la po-tencia de computación que posibilitan ha-cer este tipo de análisis. La difusión de losmétodos MCMC (Markov Chain MonteCarlo) y su aplicación mediante el softwareBUGS y Winbugs suponen toda una revolu-ción en este y en muchos otros campos(8).

UTILIZACIÓN DE SISTEMAS DE INFORMACIÓN GEOGRÁFICA EN EPIDEMIOLOGÍA

Los Sistemas de Información Geográfica(SIG) son sistemas para la recopilación, al-

Introducción


macenamiento, integración, análisis y pre-sentación de datos referenciados en el es-pacio. A esto último se le denomina geo-rreferenciación. Una de las áreas de mayoraplicación de los SIG es en el estudio deproblemas ambientales, la epidemiologíaambiental. Los SIG permiten la rápida re-presentación gráfica de mapas de patolo-gías y de las exposiciones ambientales. Porsí solos los SIG pueden ser consideradoscomo un potente sistema de gestión de ba-ses de datos. La facilidad de su manejopermite generar colecciones de mapas quepueden sugerir nuevas líneas de trabajo.Sin embargo, hay que estar preparadospara recibir críticamente las sugerenciasque proporciona la observación de los ma-pas. Lo que Jacquez denomina efecto ’geewhiz’ (algo así como ‘eureka, lo tengo!’)(9)

ha de ir seguido de una evaluación siste-mática de hipótesis de investigación. Laspersonas somos muy propensas a ver

agregaciones de datos o simplemente pa-trones geográficos donde no los hay y losmapas son muy propensos a mostrarlas(9).Los mapas han de ser sometidos sistemá-ticamente a pruebas estadísticas que tra-ten de transformar la percepción visual enalgo objetivo.

Los SIG por sí solos son un instrumentofrancamente útil, pero es cuando los uni-mos a las técnicas de análisis espacial,cuando muestran todas sus posibilidades.O quizás mejor, las técnicas de análisis es-pacial tienen un complemento extraordina-rio cuando se apoyan en un SIG, dado queen la actualidad, la capacidad de análisisespacial de los SIG son muy limitadas, almenos, en el ámbito de la epidemiología.

Ejemplos de la aplicación y usos de SIG enel ámbito sanitario pueden consultarse enla referencia(10).




Habitualmente, el registro de la mortalidad(y la morbilidad) incluye el domicilio de re-sidencia de los fallecidos (o enfermos). Lastasas de enfermedad para las áreas de es-tudio se obtienen por agregación de casos,la mayor parte de las veces simplementeempleando los códigos de municipio o pro-vincia. Este constituye el método de codifi-cación geográfica tradicional. El resultadoes que se hace imposible investigar dife-rentes problemas (agregación de casos), amenos que tengamos la suerte que lasunidades espaciales que se codifican, coin-cidan con las áreas que se precisa investi-gar(11). Esta es una dificultad con la que tro-pezamos todos los días los que trabajamosen servicios regionales/centrales de salud.Cuando se dispone de las poblaciones poráreas de salud, no se dispone de los ca-sos, o un cambio en la conformación de unárea imposibilita reconstruir toda la infor-mación para hacer un estudio. Más difícilse hace añadir información ambiental o so-cio-sanitaria, a la existente sobre la morta-lidad o incidencia de enfermedades.

La práctica de codificar la información delos ‘casos’ asignándoles un código de‘área’, implica perder información y reducirsu valor y utilidad para análisis posterio-res(12). Actualmente parece que lo más ra-zonable sería registrar las coordenadas

geográficas (del domicilio u otras) de cadaevento y posteriormente asignar este puntoal área de estudio o delimitación adminis-trativa que nos interese. La mayor parte delos paquetes que trabajan con informacióngeorreferenciada contienen una función ha-bitualmente denominada ‘punto en polígo-no’ que resuelve este problema de una for-ma sencilla. Uno de los problemascentrales derivados de georreferenciar losdomicilios es la confidencialidad. La infor-mación geográfica detallada sobre un even-to de salud, precisa de protección al igualque otros tipos de información. Sin embar-go, eliminar la información geográfica no esuna solución, aunque es lo que se está ha-ciendo en la actualidad. Tienen que existirmétodos que permitan proteger la confi-dencialidad, manteniendo en cierto gradola precisión geográfica.

Los Boletines Estadísticos de Defunciónalimentan la base de datos de mortalidadde la Comunidad de Madrid. Esta base dedatos se creó en el año 1986 medianteun convenio firmado entre las Consejeríasde Salud y Bienestar Social y la deEconomía y Hacienda, para la realizaciónde las estadísticas del movimiento naturalde la población de Madrid. Los procedi-mientos seguidos en el registro de morta-lidad de la Comunidad de Madrid están

Georreferenciación de eventos vitales en Madrid

2

GEORREFERENCIACIÓN DE EVENTOS VITALES EN MADRID

per fectamente especificados en los ma-nuales correspondientes(13). Una de las in-formaciones que figura en el BoletínEstadístico de Defunción es la direccióndel fallecido. Todos estos datos son gra-bados en el Registro de Mortalidad. Poste-riormente estos ficheros son procesadospara añadir la información sobre coorde-nadas del domicilio de residencia. El lite-ral de la calle es codificado de forma au-tomática siguiendo la ‘Relación de códigosde vías públicas del Municipio de Madrid’y también se graba la información sobre lanumeración y piso. El programa utilizadopara la georreferenciación contiene, ade-más de los códigos de vías públicas, la in-formación sobre coordenadas topográficasde los comienzos y final de los tramos via-les y el rango de numeración de direccio-nes contenida en cada tramo. Ello permiteque, teniendo en cuenta esta información,se obtengan por interpolación las coorde-nadas de cada portal de la calle. La esti-mación se hace con la asunción de que lanumeración sigue una distribución homo-génea en todo el tramo vial, asunción queen algunos casos puede no ser muy ade-cuada. Sin embargo, pensamos que elerror derivado, a efectos de los análisisque pretendemos hacer, no tendrá conse-cuencias muy graves. Hay que tener encuenta que el domicilio es una informa-ción indicativa del entorno en dónde se re-side. Por ejemplo, en estudios sobre con-secuencias de focos contaminantes, esteerror tendrá escasa relevancia y serámenor que el que se tendría utilizando po-lígonos (áreas donde se reside). Cualquierbase de datos en la que consten las di-recciones podrían ser georreferenciadacon este sistema.

Este sistema de codificación es similar alempleado en U.S. a partir de los ficheros‘TIGER’ (US Bureau of the Census 1992).Estos ficheros TIGER están en el dominiopúblico, por lo que allí el sistema es acce-

sible y barato(11). En poco tiempo el mer-cado generará una amplia oferta de fiche-ros de calles para diferentes áreas y ciu-dades que permitirán la geocodificaciónde cualquier evento a partir de sus direc-ciones. Esta oferta ya existe en otros paí-ses y suponemos que muy pronto llegaráa España.

El sistema de codificación empleado en elInstituto de Estadística de la Comunidadde Madrid es muy eficaz y eficiente, puesprácticamente la totalidad de las direccio-nes de los fallecidos (en Madrid capital)son georreferenciados automáticamente.Sin embargo, dado que se emplea un sis-tema de estimación por interpolación,sería de interés conocer el error presenteempleando alguna técnica de validación.Una posibilidad que hemos consideradoes obtener las coordenadas topográficasdel domicilio de una muestra de fallecidosmediante un Sistema de PosicionamientoGlobal (GPS) y medir la distancia al puntoestimado por georreferenciación automáti-ca. Sin embargo, en una prueba realizada,el error en la medición proporcionada porun GPS convencional parece bastantemayor que la del sistema de estimacióndel Instituto de Estadística. En la pruebaapreciamos un error en torno a los 100metros en el eje de las Y, que en partepodría ser debido al escaso tiempo de ob-servación empleado (en torno a los 5 mi-nutos). Para la validación sería necesarioemplear un método más preciso como lamedición de posicionamiento diferencialcon varios receptores.

GEORREFERENCIACIÓN DE EVENTOSVITALES EN MADRID. BASES DE DATOSGEORREFERENCIADAS DE INTERÉS ENEPIDEMIOLOGÍA

El Instituto de Estadística de la Comunidadde Madrid dispone de un sistema de geo-



códigos y un conjunto de información geo-rreferenciada que puede ser muy útil paratodo tipo de estudios epidemiológicos yque pasamos a describir1.

1. Delimitaciones (contornos topográfi-cos) de ‘polígonos’ de unidades espa-ciales (estadísticas) que incluyen:— términos municipales— distritos censales y secciones cen-

sales— entidades de población

• núcleos y sectores urbanos• entidades diseminadas

— zonas de transporte— códigos postales— topónimos (polígonos industriales,

urbanizaciones, parajes, etc.)— zonas de salud— otras delimitaciones que son múlti-

plo de algunas de las anteriores

2. Malla viaria básica— ejes viales con indicación de nume-

ración a derecha e izquierda. — localización aproximada de cada

una de las aproximaciones posta-les y su conexión al vial al que per-tenecen.

3. Otros elementos:— tablas auxiliares de corresponden-

cia de unidades (vg.: entre seccio-nes censales y zonas de salud).

— tablas auxiliares deducidas del sis-tema (correspondencias entre mu-nicipios y hojas cartográficas, re-pertorios de viales (vg.: barrios))

4. Fondos cartográficosCartografías básicas o catastrales quese utilizan como fondos de referencia a

la hora de imprimir/visualizar las unida-des básicas. Disponen de dos tipos defondos vectoriales:— general: Mapa 1/5.000 de la

Comunidad de Madrid— núcleos urbanos: cartografía catas-

tral 1/1000 procedente de laDirección del Catastro o elaboradapor la Comunidad de Madrid en cola-boración con ese organismo.

Fondos raster:— cartografía 1/2000 de núcleos urba-

nos— imágenes de satélite

Este material ha sido generado por elInstituto de Estadística a partir de la carto-grafía más detallada disponible en cadamomento y es actualizado periódicamente.Los fondos cartográficos no se modificanen ningún caso. Unicamente los elementosproducidos por el propio Instituto deEstadística son adaptados o mejorados.

La siguiente tabla da una idea de las di-mensiones del material comentado.

Georreferenciación de eventos vitales en Madrid


1 Información proporcionada por el Servicio de Esta-dísticas Demográficas del Instituto de Estadística de laComunidad de Madrid.

Número deunidades

Secciones censales 3.700

Unidades del Nomenclator 6.199

Viales 35.617

Topónimos 3.202

Tramos 147.063

Aproximaciones postales 602.698

Huecos (viviendas o locales) 2.422.948

Manzanas 48.588

Planos DIN-A3 cartografía de los

trabajos 20.512

Superficie de planos (m2) 6.570


EXPOSICIÓN AL ASBESTO Y MESOTELIOMAS

Los asbestos son silicatos en cadena deforma fibrosa. Hay dos tipos principales: elcrisotilo y los anfíboles. El crisotilo es decolor blanco y es el más utilizado, constitu-yendo el 95% de la producción mundial. Seemplea en la producción de tejidos y cintasde amianto.

Desde los años 30 se conocen las propie-dades carcinogénicas del asbesto. El ma-yor poder carcinogénico lo presentan losanfíboles y entre ellos, sobre todo, la croci-dolita. Al parecer esto es debido al diáme-tro y configuración de las fibras. Un nivelbajo de exposición es suficiente para pro-ducir un tumor, con un período de latenciamínimo de 10 años.

La mayoría de los mesoteliomas se debena la exposición al asbesto y en un 80-85%de los casos se suele documentar la expo-sición ocupacional. Se ha encontrado un in-cremento del riesgo en trabajadores de mi-nas de asbesto, factorías de asbesto,instalación y manufactura de aislamientos,manufactura de máscaras anti-gas, astille-ros, sector ferroviario y otras ocupacionesque implican inhalación de polvo de as-besto(9).

Todos los tipos de asbesto pueden causarmesoteliomas pleurales en humanos y enanimales de experimentación. Se ha comu-nicado que los mesoteliomas peritonealesen general están asociados a la exposicióna anfíboles y no a crisotilos. Aunque losmecanismos de inducción son desconoci-dos, parecen estar estrechamente relacio-nados con las propiedades físicas de lasfibras. La mayor carcinogenicidad corres-ponde a fibras con un alto cociente longi-tud-anchura. El riesgo de mesotelioma seincrementa con el nivel de exposición. Elriesgo de mesoteliomas peritoneales pare-ce asociado a altos niveles de exposición.Los tumores peritoneales son más fre-cuentes en grupos de trabajadores muy ex-puestos en industria de aislamiento y en fá-bricas de asbesto(14).

Está documentado el desarrollo de meso-teliomas derivados de exposición no-ocupa-cional al asbesto. Este es un problema pre-sente en poblaciones que viven en laproximidad de minas y factorías de asbes-to, y por contacto en las casas con polvo deasbesto depositado en la ropa de traba-jo(15-17). La presencia de asbesto en los edi-ficios es otro riesgo potencial. Es intere-sante resaltar que el hábito de fumar nointeractúa con el asbesto en el caso de losmesoteliomas, como sucede en cáncer de

Mortalidad por cáncer de peritoneo y pleura en Madrid

3

MORTALIDAD POR CÁNCER DE PERITONEO Y PLEURA EN MADRID

pulmón. En el cáncer de pulmón la exposi-ción a ambos factores de riesgo (tabaco yasbesto) produce una interacción en unaescala multiplicativa, siendo el riesgo de lapersona que está expuesta a ambos, muyelevado.

En el capítulo siguiente estudiamos loscomponentes espaciales de la mortalidadpor cáncer de pleura y peritoneo en la pro-vincia de Madrid. La ausencia de un códigoespecífico de la CIE para el mesotelioma,nos obliga a estudiar la mortalidad por cán-cer de pleura y peritoneo. Esta elección noes muy satisfactoria por incluir una propor-ción de casos que no son mesoteliomas yexcluye los mesoteliomas que no está enlas rúbricas 158 y 163 de la ClasificaciónInternacional de Enfermedades, pero esuna de las pocas aproximaciones posiblesal problema.

Los casos de mesotelioma producidos enMadrid son un indicador de las exposicio-nes ocurridas hace 30 o más años. Estasexposiciones, en buena medida han podidoser ocupacionales, lo que se apoya en queel 67% (78/116) son hombres. Sin embar-go la existencia de 38 casos en mujeres,no excluye otro tipo de exposiciones am-bientales.

Un análisis reciente de la evolución de lamortalidad por mesotelioma en Inglaterra yen Europa, ha mostrado que la mayor mor-talidad por mesotelioma se producirá entrelos años 1998 y 2018, decayendo poste-riormente(18).

En Europa, la razón del número de casoscáncer de pleura/mesotelioma es de 1,6.En nuestro estudio en Madrid es de 3,4 loque indica que posiblemente nos encontre-mos ante un ‘subdiagnóstico’ de mesote-liomas.

MATERIAL Y MÉTODOS

El material utilizado en este estudio ha si-do proporcionado por el Instituto deEstadística de la Comunidad de Madrid. ElInstituto de Estadística además, ha realiza-do la georreferenciación de las defuncionessiguiendo el procedimiento ya descrito.

El material utilizado ha sido el siguiente:

Defunciones en las que el BoletínEstadístico de Defunción (BED) menciona-se el cáncer de pleura (ClasificaciónInternacional de Enfermedades (CIE): 163)o peritoneo (CIE: 158) producidas en laComunidad de Madrid en los años 1991 a1997. Se marcaron los registros en los quese hacía mención específica a mesotelio-mas. Todos los domicilios de residencia delos casos han sido georreferenciados encoordenadas UTM.

Para el grupo control se seleccionaron untotal de 1500 BED, de forma aleatoria, es-tratificadas por año de defunción (1991-1997) y sexo y con 40 o más años cumpli-dos. No se hicieron exclusiones porpatologías. Lo que aporta el grupo controles el conocimiento de la estructura de dis-tribución espacial de la población enMadrid provincia. Este grupo control puedeser utilizado en otros estudios, por lo me-nos para explorar patrones de agregaciónen otras patologías. Las variables de con-fusión potenciales conocidas como son laedad, el sexo y las causas de muerte per-miten su control en el análisis.

Para mostrar la diferencia entre la utiliza-ción de la causa básica y las “menciones”de causas de muerte en los estudios es-paciales, se han seleccionado las siguien-tes rúbricas: cáncer de encéfalo (CIE: 191),linfoma de Hodgkin (CIE: 201) y linfomas nohodgkinianos (CIE: 200,202). Estas rúbri-cas también han sido georreferenciadas.



El Instituto de Estadística ha proporcionadolos contornos topográficos de lasSecciones Censales de la Comunidad deMadrid (formato Arcinfo export). Estos fi-cheros contienen los contornos de las sec-ciones censales y de los municipios.Permiten vincular automáticamente los ca-sos con su sección o distrito censal.

De las Tablas correspondientes a las esta-dísticas de población de la Comunidad deMadrid en 1996, referidas al seccionadocensal, se ha empleado la correspondientea indicadores relativos respecto al sexo,edad, estudios, actividad económica de lapoblación y al tamaño de los hogares(Tomo4 T4008sec).

Se ha obtenido también la ubicación detodas las empresas de la Comunidad deMadrid que figuran en el Registro deEmpresas con Riesgo por Amianto(RERA)(19). Esta información ha sido propor-cionada por el Centro Nacional de NuevasTecnologías (Instituto Nacional de Segu-ridad e Higiene en el Trabajo). La direcciónpostal de las empresas fue posteriormentegeorreferenciada en el Instituto deEstadística.

Procedimientos

Los ficheros y bases de datos se incluyeronen un Sistema de Información Geográfica.Con las tablas de defunciones, que contie-nen las coordenadas UTM de los domiciliosde residencia, se generaron los puntos co-rrespondientes y se añadió el campo “sec-ción censal” a los ficheros de casos y con-troles. Para ello se superpusieron lascapas de defunciones y de secciones cen-sales y se utilizaron las funciones estándardel Sistema de Información Geográfica pa-ra añadir el campo que codifica la seccióncensal. Estas funciones básicamente per-miten actualizar un campo de la bases de

datos identificando el polígono que contie-ne cada punto.

Los errores detectados en esta superposi-ción de capas han sido mínimos. Uni-camente en dos sujetos no pudo asignarsela sección censal automáticamente. Tam-bién se produjeron errores de georreferen-ciación detectables en solamente 4 casosen el conjunto de ficheros (1 control y 3 enel fichero de “otras” defunciones). El errorconsistía en unas coordenadas incompati-bles con la Comunidad de Madrid por loque sus registros han sido excluidos.

El tratamiento estadístico de los datos sehizo en S-Plus y para el análisis de la mor-talidad como proceso puntual se empleó lalibrería Splancs.

(http://www.maths.lancs.ac.uk/~row-lings/Splancs/).

ANÁLISIS ESTADÍSTICO

Distribución espacial de losmesoteliomas como proceso puntual.Detección de agregaciones espaciales.Función K. Diferencia de funciones K

Para la detección de agregaciones espacia-les se utilizó la aproximación basada en elestudio de las funciones K de Ripley, pro-puesta por Diggle y Chetwynd(20). La fun-ción K(s) se define como el número espe-rado (E[ ]) de puntos en una distancia s deun punto arbitrario dividido por la intensi-dad general de puntos.

K(s) = λ -1 E [número de eventos en la dis-tancia ≤ s de un evento arbitrario]

Donde λ es la intensidad, o número mediode eventos por unidad de área.

La interpretación intuitiva de la función K



es que su estimador cuenta el número deeventos que se producen en un rango dedistancias y esta densidad de eventos serepresenta gráficamente. Por ello, en losgráficos, el eje de las abscisas contiene lasdistancias s y las ordenadas el valor de lafunción K(s).

En nuestro estudio tratamos las defuncio-nes como proceso puntual y empleamos undiseño de casos y controles, por lo que setrata de un proceso puntual marcado. Laubicación de los domicilios de residenciade los casos está estrechamente relacio-nada con la distribución de la población enel área de estudio. Para controlar este as-pecto se estudió la distribución espacialdel grupo control. La distribución espacialde los controles refleja la agregación espa-cial ‘natural’ de la población en laComunidad Autónoma, lo que se denominaheterogeneidad espacial. La distribución delos casos, en el supuesto de no existiragregación espacial, sería equivalente a lade los controles. La distribución de los ca-sos reflejaría, además de la heterogenei-dad espacial, la agregación (si existe). Setrata pues de comparar la distribución deambos grupos. Esto puede ser realizadomediante la comparación de las funcionesK en ambos grupos.

D(s) = K1(s) - K2(s)

Siendo K1(s) la función K para los casos,K2(s) para los controles y s las distancias aque se realiza la evaluación. En ausenciade agregación espacial K1(s) = K2(s).

La evaluación de la significación estadísti-ca de la agregación espacial se ha estudia-do mediante marcado aleatorio (random la-belling) y métodos de simulación por MonteCarlo. El procedimiento consiste en asignarrepetidamente la condición de caso de for-ma aleatoria al conjunto de sujetos del es-tudio y calcular la D(s)(20). Ello permite co-

nocer la distribución de D(s) bajo la hipóte-sis nula y establecer una banda de con-fianza. También se ha escrito un algoritmobasado en Splancs para calcular la signifi-cación estadística global de la agregaciónespacial.

Este estudio se ha realizado para el con-junto de la Comunidad Autónoma y paraMadrid capital. La evaluación se efectuósobre una rejilla de 100 valores entre 0 y 1Km y entre 0 y 5 Km. Los resultados se pre-sentan gráficamente.

Distribución del riesgo en el área deestudio. Estudio de la intensidad delproceso

Para describir el patrón que sigue el riesgorelativo en el área de estudio, hemos tra-bajado con una estimación de la intensidadespacial del proceso λ(x) (vg.: la frecuenciade defunciones por área en la localizaciónx). Esto es la contrapartida espacial delconcepto de tasa que usamos habitual-mente, en el que sustituimos la unidad detiempo por unidad de superficie. Si la en-fermedad estudiada se distribuye de formaaleatoria, la intensidad de casos en x seráigual a la intensidad de los controles λ1(x)= cλ0(x) por un factor de proporcionalidad(c). Podemos considerar la razón ρ(x) =λ1(x) / λ0(x), que será constante si el ries-go de morir por la enfermedad estudiada esconstante. Mediante este método es posi-ble obtener una ‘imagen’ (superficie deriesgo) de las razones de intensidad delproceso en el área estudiada empleandotécnicas de suavización. La técnica em-pleada ha sido una función de suavizaciónkernel siguiendo los criterios propuestospor Kelsall y Diggle(21). Se ha estimado laintensidad espacial del proceso por sepa-rado en casos y en controles según:

λ’1(x) = Kh{(x-xi)}



donde Kh es una función kernel de suaviza-ción en la que ‘h’ es el parámetro de sua-vización (amplitud de la ventana). En la es-timación suavizada de λ’1(x) hemosempleado un ‘quartic kernel’ utilizando lafunción kernel2d() de la librería Splancs. Lasuperficie de riesgo para que sea interpre-table puede expresarse con la probabilidadde ser caso (p(x)).

p(x)= λ1(x) /(λ1(x) + λ2(x))

Como en nuestro estudio la razón con-trol/caso es 3.8, las áreas con probabili-dad mayor a 0.21 (num de casos/num depuntos) de ser un caso se caracterizan portener un incremento del riesgo de morir porel tumor estudiado.

También se puede hacer una representa-ción del logaritmo del riesgo relativo de lasiguiente forma

s(x) = log (λ1(x) / λ2(x)) - log(n1/n2)

siendo n1 y n2 el número de casos y de con-troles respectivamente. s(x) puede inter-pretarse como una estimación del log(oddsratio) en cada localización comparado conel total de la región y por lo tanto su pro-medio es 0(21). Este parámetro es más in-terpretable que la probabilidad de ser caso.En nuestro análisis hemos encontrado útilla adición de un epsilon (0,000001) a la in-tensidad de casos y controles para evitarlos ceros y obtener una mejor imagen gráfi-ca. En estas técnicas son críticos los pará-metros aportados al algoritmo de suaviza-ción. Los parámetros de suavizaciónempleados han sido obtenidos de formaempírica y constan en la leyenda de cadafigura.

Se han obtenido también, empleando mar-cado aleatorio y métodos de Monte Carlosobre la hipótesis nula de riesgo constantesobre toda la región, los contornos de con-

fianza (al 95%) correspondientes a lasáreas de mayor riesgo(21).

Este estudio se ha realizado para elConjunto de la Comunidad Autónoma y pa-ra el área metropolitana (Madrid capital ylos 27 grandes municipios de su entorno),representando los resultados gráfica-mente.

Los mapas que contienen los resultadosestán construidos con los logaritmos delriesgo relativo pues son más fácilmente in-terpretables que las probabilidades de sercaso. Las áreas de mayor riesgo y estadís-ticamente significativo coinciden con larepresentación de la probabilidad de sercaso.

Valoración del riesgo en relación conposibles focos contaminantes

Conocer la localización de las empresas re-lacionadas con asbesto nos permite estu-diar como variable de exposición, la distan-cia de los domicilios a estas empresas.Esto se ha hecho mediante modelos de re-gresión logística. En estos modelos la va-riable dependiente es binomial, caso vscontrol. Como variables independientes seincluyeron las distancias a cada empresarelacionada con el asbesto, la edad cate-gorizada en 4 grupos (< 60, 60-69, 70-79,80 y más), el sexo, el estado civil y tres va-riables socio-demográficas. Estas variablessocio-demográficas han sido el porcentajede parados, de analfabetos y el promediode personas por hogar en cada seccióncensal. Ello supone que se ha asignado acada sujeto el valor de estas variables enla sección censal en la que residían. En losmodelos estas variables se han centradorestándoles su media. Las distancias delos casos y controles a las 30 empresasque utilizan asbesto se calcularon utilizan-do la eficiente función dsquare() de la li-



brería Splancs. Muchas de estas empresasestán muy próximas entre sí. Por ello se hahecho, además, una reducción por proximi-dad, resultando una serie de 13 empresas.

En esta parte del análisis se ha optado porvarias opciones: cálculo de las odds ratiosde “cerca” (< 2 Km) frente a “lejos” (2 omás Km), estratificar el análisis de la dis-tancia mínima por municipios (con más de5 casos), calcular el cambio de riesgo enfunción de la distancia para cada una delas 13 ubicaciones por separado y calcularla odds ratio para cada municipio frente al

resto. La distancia se ha tomado como va-riable contínua (en Km) y como categórica(0-, 1-, 2- , 5 y más).

RESULTADOS

En la tabla I se muestra la distribución decasos y controles respecto a las variablessexo, edad, municipios de residencia (con5 o más casos), y estado civil. Al final semuestran los promedios de los indicadoressocio-demográficos que se emplearán enanálisis posteriores.



Tabla I. Distribución de casos (cáncer de pleura y peritoneo) y controles respecto a sexo,edad, municipios, estado civil y otras variables

Casos (%) Controles (%) Mesoteliomas1 (%)

Total 398 1499 116

Sexo

Hombres 228(57) 797(53) 78(67)

Mujeres 170(43) 702(47) 38(33)

Media de edad 66,7 74,8 64,5

Municipios2

Madrid (0796)3 269 1103 73

Getafe (0650) 17 22 12

Móstoles (0920) 12 37 5

Alcorcón (0072) 9 32 3

Fuenlabrada (0587) 7 11 1

Leganés (0745) 9 32 2

Alcalá Henares (0053) 5 34 0

Colmenar Viejo (0455) 5 2 0

SS de los Reyes (1343) + 3 + 4 7 + 9 1 + 1

Alcobendas (0066)

Resto 58 211 18

Estado civil

Solteros/as 38 (9,5) 180 (12,0) 9 (7,9)

Casados/as 264 (66,3) 765 (51,0) 90 (77,6)

Viudos/as 89 (22,3) 541 (36,1) 16 (13,8)

Separados legalmente 7 (1,8) 13 (0,9) 1 (0,9)

Analfabetos (1,34) (1,48) (1,52)

Parados (21,95) (22,15) (22,69)

Tamaño medio hogar 2,98 2,96 3,01

1 Casos con mención específica a mesotelioma2 Con al menos 5 casos3 Código municipal

En la tabla II se muestran las causas bási-cas de defunción en los casos, con las fre-cuencias de especificación de mesoteliomapor causa básica. El estudio recoge todaslas defunciones en las que, en algún cam-po del certificado de defunción referido a lacausa de muerte, figuraba un diagnósticode cáncer de pleura o peritoneo. En estosregistros además, el Instituto de Esta-dística marcó los que figuraba explícita-mente un diagnóstico de mesotelioma. Latabla II recoge las frecuencias de estos he-chos. La columna 1 es el diagnóstico queconsta como causa básica (en las defun-ciones en las que figura cáncer de pleu-ra/peritoneo). La columna 2 es el código dela Clasificación Internacional de Enfer-

medades a que corresponde. La columna 3son las frecuencias de cada uno de losdiagnósticos de la columna 1. La columna4 son las frecuencias de los registros mar-cados como mesoteliomas y la última lasmenciones a cáncer de pleura y peritoneo.

Respecto a la localización de los tumores,161 casos corresponden a pleura y el res-to (237) a peritoneo. En los de pleura en101 (63%) BED figuraba el diagnóstico demesotelioma y en los de peritoneo en 15(6%).

En la tabla III se muestran las 25 causasbásicas de defunción más frecuentes en elgrupo control. Estas causas constituyen el



Tabla II. Distribución de la causa básica de defunción en los casos, la especificación demesotelioma y las menciones a tumor de pleura o peritoneo

Causa básica CIE Causa básica Mesotelioma MencionesNúm. de casos Núm. de casos pleura+peritoneo

Otras enf viricas 0785 1 0 1

Cáncer de estómago 1519 8 0 8

Cáncer de colon 1539 2 0 2

Cáncer de recto 1541 3 0 3

Cáncer de hígado 1550 1 0 1

C. vesícula biliar 1560 1 0 1

Cáncer de próstata 1579 1 0 1

Cáncer de peritoneo 1580 102 0 102

“ 1588 5 0 5

“ 1589 85 15 100

C. no especif. digestivo 1598 8 0 8

Cáncer de pulmón 1623 1 0 1

“ 1629 1 1 2

Cáncer de pleura 1639 53 98 151

Cáncer de mediastino 1649 1 0 1

C. no especif. respiratorio 1658 4 1 5

Cáncer de piel 1739 0 1 1

Cáncer de útero 1820 1 0 1

Cáncer de ovario 1830 1 0 1

Cáncer de próstata 1850 1 0 1

Cáncer no especificado 1990 1 0 1

Linfoma no hodgkiniano 2028 1 0 1

Total 282 116 398

20% de los controles. Se han registrado untotal de 161 causas diferentes (a 3 dígitosde la CIE).

En la figura 1 se muestra la distribución dela edad por sexos en casos y controles. Loscasos son más jóvenes en ambos sexos.En la figura 2 se muestra la distribución delas variables obtenidas de las secciones

censales a las que pertenecían los falleci-dos, % personas que buscan 1er empleo, %analfabetos, % parados, y promedio de per-sonas por hogar. Las distribuciones sonmuy parecidas en casos y controles. Estasvariables proporcionan información sobrela condición socio-económica de area/ba-rrio donde residían las personas incluidasen el estudio.



Tabla III. Causas básicas de defunción en el grupo control

Causa CIE Número %

Cáncer de pulmón 162 92 6,14

Infarto agudo de miocardio 410 88 5,87

Insuficiencia cardíaca 428 86 5,74

E. cerebrovascular aguda 436 82 5,47

Cáncer de colon 153 51 3,40

Demencia senil 290 48 3,20

Otras formas enf. isquémica corazón 414 45 3,00

Cirrosis 571 41 2,74

Cáncer de estómago 151 39 2,60

Causas externas E*** 36 2,40

Neumonía 486 36 2,40

EPOC 496 34 2,27

Diabetes mellitus 250 34 2,27

Cáncer de mama (mujer) 174 31 2,07

Hemorragia intracerebral 431 30 2,00

Aterosclerosis 440 29 1,93

Disritmia cardiaca 427 27 1,80

Tumor maligno no especif. 199 26 1,73

Cáncer de hígado 155 23 1,53

Insuficiencia renal 586 22 1,47

Otras enf. ap. respiratorio 519 19 1,27

Oclusión arterias cerebrales 434 19 1,27

Otras neumopatías 518 16 1,07

Neumonitis 507 16 1,07

Cáncer de próstata 185 16 1,07



Figura 1. Box-plot de la variable edad por sexos en casos y controles.

Figura 2. Box-plot de los indicadores socio-económicos de las secciones censales a las quepertenecen los casos y los controles.

15

10

5

0

4.0

3.5

3.0

2.5

2.0

40

30

20

10

ANÁLISIS ESPACIAL. RESULTADOS

Para proporcionar una idea del problemaque tratamos de abordar, en la figura 3mostramos la distribución espacial de loscasos de cáncer de pleura y peritoneo en laComunidad de Madrid (a) y en el área me-tropolitana (b). La aparente distribu-ción/agregación espacial de los casos estácondicionada por la distribución de la po-blación. En la figura 4 mostramos los casosy los controles. En estas figuras se hace di-fícil apreciar diferencias ya que aparente-mente la distribución es muy parecida. Enla figura 5 se muestra la distribución de loscasos en el municipio de Madrid por sexos.

Detección de la agregación espacial.Funciones K en casos y controles

Para obtener una función sumarizadoraque nos indique la existencia de agrega-ción espacial en ambos patrones hemosempleado las funciones K(s). En la figura6 están representadas las funciones K(s)para casos y controles para un rango dedistancias de 0-1000 metros. Las mismasfiguras también representan las funcionesK(s) bajo la hipótesis de inexistencia depatrón de agregación espacial y unabanda de confianza al 95% obtenida me-diante simulación. Ambas series muestranun patrón de agregación y la función esmuy parecida.

Para conocer la existencia de un patrón deagregación teniendo en cuenta la heteroge-neidad espacial condicionada por la distri-bución de la población, en la figura 7 semuestran las diferencia (D(s)) de las fun-ciones K entre casos y controles y en el grá-fico de la derecha la diferencia D(s) y labanda de confianza al 95% en un rango dedistancias hasta 5000 metros en las figu-ras superiores y hasta 1000 metros en lasinferiores. En la figura 8 se muestra lo mis-

mo pero restringiendo el análisis al áreametropolitana. Para el conjunto de laComunidad Autónoma D(s) se mantienedentro de la banda de confianza excepto enalgunos puntos entre 200 y 400 metros.Sin embargo en el análisis referido al áreametropolitana parece que existe un ciertogrado de agregación espacial en el rangode distancias entre 200 y 700 metros. Ladiferencia en el aspecto entre las curvasde las figuras de izquierda y derecha sonderivadas simplemente de la escala del ejede ordenadas.

Razón de intensidades espaciales demortalidad entre casos y controles.Representación espacial del riesgorelativo

La figura 9a muestra una representaciónsuavizada de la razón de intensidades depuntos entre casos y controles para el áreametropolitana. Las áreas mostradas en ro-jo corresponden a las de mayor riesgo y enverde a las de menor riesgo. En estas imá-genes se ha definido un polígono simplifi-cado para poder realizar el análisis. La sua-vización está corregida para tener encuenta el “efecto frontera”. La imagen (9b)presenta además unas zonas marcadascon una isolínea que indican las áreas dón-de el exceso de riesgo estimado es esta-dísticamente significativo (al 95%). Estasisolíneas señalan cuatro zonas. En la figurasiguiente (9c) es posible identificar a quézonas corresponden estas áreas por la su-perposición de los contornos topográficosde los municipios de Madrid. Se trata delos municipios de Colmenar Viejo, Boadilladel Monte, Getafe y Fuenlabrada y una pe-queña área de San Fernando de Henares.

En la figura 10(a,b y c) presentamos los re-sultados de este mismo análisis referido atoda la Comunidad de Madrid. Las áreasque destacan con un exceso estadística-



mente significativo de riesgo son ColmenarViejo, Navalcarnero, y una gran área queabarca Getafe, Leganés, Fuenlabrada yPinto.

Comentario crítico sobre el estudio dela mortalidad como proceso puntual.Importancia de la utilización de ungrupo control

Respecto a esta forma de representar lamortalidad hay que aclarar varias cosas. Enprimer lugar se trata de una representación“cruda” del riesgo de muerte. En el cálculode la intensidad de la mortalidad como pro-ceso puntual no se han tenido en cuentaninguna de las variables de confusión posi-bles, como por ejemplo la edad. Ademáslas técnicas de suavización requieren la es-pecificación de parámetros que pueden mo-dificar drásticamente las imágenes obteni-das. Sin embargo, estas técnicas parecenútiles como instrumento exploratorio y co-mo una nueva forma de explotar la infor-mación sobre mortalidad en el campo de laepidemiología ambiental.

En la generación de los mapas hemos po-dido observar que las áreas con mayor ries-go no son las que presentan excesos deriesgos significativos. Es decir, que zonasmenos pobladas con menor número de ca-sos y controles presentan mayor variabili-dad aleatoria. Es un problema similar al delos valores extremos en la representaciónde datos referidos a áreas pequeñas. Enlos estudios sobre “áreas pequeñas”,cuando se representa un mapa temático re-ferido a tasas, razones de mortalidad es-tandarizada u otro indicador, lo más habi-tual es que los indicadores reflejen

situaciones extremas. Es decir, que es muyfrecuente encontrarse o bien con polígonos(áreas) sin casos o con áreas en el otro ex-tremo de la distribución. Unicamente lasáreas que contienen un gran número de ha-bitantes suelen permanecer en la zona pro-medio de la distribución. Sin embargo,cuando se somete a estos indicadores auna prueba estadística de significación, ha-bitualmente no son las áreas que están enlos extremos de la distribución las que pro-ducen un resultado positivo, si no, que sonlas más pobladas la que tienen mayor pro-babilidad que producirlo.

Ya se han descrito en la literatura instru-mentos para superar las deficiencias co-mentadas en los párrafos anteriores. Así,Kelsall y Diggle han descrito un sistemade análisis de la variación espacial delriesgo de enfermar mediante estudios decasos y controles en el que formulan elproblema de la estimación del riesgocomo una regresión binaria no-paramétri-ca. Uno de los métodos mostrados em-plea el marco estadístico de los GAM, loque permite incluir en los modelos varia-bles explicativas adicionales y representarla variación espacial del riesgo sin la res-tricción de las fronteras administrativashabituales(6). Se trata de técnicas de de-sarrollo muy reciente y para las que toda-vía no hay disponibles funciones que per-mitan difundir su aplicación.

En el apartado siguiente mostramos unaaproximación clásica al problema emplean-do modelos de regresión logística para es-timar los cambios de riesgos asociados adeterminados ámbitos geográficos y a laproximidad de empresas relacionadas conel uso de asbesto.





Figura 3. Distribución espacial de la mortalidad por los tumores de pleura y peritoneo (CIE158 + 163) en la Comunidad Autónoma (a) y municipio de Madrid (b).



Figura 4. Distribución espacial de casos (defunciones por cáncer de pleura o peritoneo) ycontroles en la Comunidad de Madrid.

Figura 5. Distribución espacial de la mortalidad por tumores de pleura y peritoneo (CIE 158+ 163) en el municipio de Madrid por sexos.

distancia Este

dist

anci

a N

orte



Figura 6. Representación de las funciones K(s) (trazo grueso) para casos y controles.Funciones K(s) bajo la hipótesis de aleatoriedad espacial completa y banda de confianza al95%.



Figura 7. Diferencias de funciones K entre casos (cáncer de pleura y peritoneo) y controlesen la Comunidad de Madrid a las distancias 0-5000 metros (figuras superiores) y 0-1000metros (figuras inferiores).



Figura 8. Diferencias de funciones K entre casos (cáncer de pleura y peritoneo) y controlesen Madrid (área metropolitana) a las distancias 0-5000 metros y 0-1000 metros.



Figura 9a. Estimación del logaritmo del riesgo relativo de mortalidad por cáncer deperitoneo y pleura. Area metropolitana de Madrid. 1991-1997. El parámetro de suavizaciónes h=3 km.



Figura 9b. Estimación del logaritmo del riesgo relativo de mortalidad por cáncer deperitoneo y pleura. Area metropolitana de Madrid. 1991-1997. Contornos de tolerancia al95% en trazo grueso que marcan las zonas con exceso de riesgo. El parámetro desuavización es h=3km.



Figura 9c. Estimación del logaritmo del riesgo relativo de mortalidad por cáncer deperitoneo y pleura con superposición de contornos municipales. Area metropolitana deMadrid. 1991-1997. Contornos de tolerancia al 95% en trazo grueso que marcan las zonascon exceso de riesgo. El parámetro de suavización es h=3km.



Figura 10a. Estimación del logaritmo del riesgo relativo de mortalidad por cáncer de pleuray peritoneo en la Comunidad de Madrid. 1991-1997. El parámetro de suavización esh=7km.



Figura 10b. Estimación del logaritmo del riesgo relativo de mortalidad por cáncer deperitoneo y pleura en la Comunidad de Madrid durante 1991-1997. Contornos de toleranciaal 95% que marcan las zonas con exceso de riesgo. El parámetro de suavización es h=7km.



Figura 10c. Estimación del logaritmo del riesgo relativo de mortalidad por cáncer deperitoneo y pleura en la Comunidad de Madrid durante 1991-1997, con superposición decontornos municipales. Contornos de tolerancia al 95% en trazo grueso que marcan laszonas con exceso de riesgo. El parámetro de suavización es h=7km.

ANÁLISIS CLÁSICO. RESULTADOS

En la Tabla IV mostramos la distribución decasos y controles respecto a las variablessexo, edad, municipios de residencia (con5 o más casos), y estado civil. En esta ta-bla también se muestra la estimación delcambio de riesgo por la proximidad de lasempresas del asbesto. La variable ha sidotomada como 1/distancia siguiendo la re-comendación de Diggle. Como puede ver-se, en ninguno de los municipios analiza-

dos se encuentra un patrón de cambio de-finido. Esto puede interpretarse como queel lugar de residencia no tiene que ver conlos tumores de pleura y peritoneo.

En la figura 11 se muestra la ubicación delos casos de mesotelioma por sexos en laComunidad Autónoma. Se trata de defun-ciones por cáncer de pleura o peritoneo enlas que se hacía explícito el diagnóstico demesotelioma. Mientras que en el municipiode Madrid el 27% (73/269) de los tumores



Tabla IV. Distribución de casos y controles por sexo, edad, municipios y estado civil

(1/distancia) cerca vs lejos3

Casos Controles Mesoteliomas1 OR IC 95% OR IC 95%

Total 398 1499 116 0,976 0,846-1,126 1,031 0,813-1,308

Sexo

hombres 228 797 78 0,976 0,804-1,185 0,880 0,640-1,210

mujeres 170 702 38 0,974 0,789-1,204 1,332 0,926-1,916

Media de edad 66,7 74,8 64,5

Municipios2

Madrid (0796) 269 1103 73 1,032 0,882-1,207 1,021 0,768-1,356

Getafe (0650) 17 22 12 0,982 0,314-3,073 1,169 0,201-6,799

Móstoles (0920) 12 37 5 0,683 0,146-3,198 1,263 0,274-5,814

Alcorcón (0072) 9 32 3 0,551 0,081-3,756 1,905 0,203-1,783

Fuenlabrada (0587) 7 11 1 1,111 0,314-3,935 -

Leganes (0745) 9 32 2 0,001 0,000-1,277

Alcalá Henares (0053) 5 34 0 –

Colmenar Viejo (0455) 5 2 0

SS de los Reyes (1343) + 3 + 4 7 + 9 1 + 1

Alcobendas (0066)

Resto 58 211 18

Estado civil

Solteros/as 38 (9.5) 180 (12.0)

Casados/as 264 (66.3) 765 (51.0)

Viudos/as 89 (22.3) 541 (36.1)

Separados legalmente 7 (1.8) 13 (0.9)

Divorciados/a 0 (0.0) 1 (0.1)

1 Casos con mención específica a mesotelioma2 Con al menos 5 casos3 cerca = < 2 km; lejos = 2 km o más() Código municipalOR = Odds ratioIC 95% = Intervalo de confianza al 95%

de pleura-peritoneo se especifica el diag-nóstico de mesotelioma en Getafe es el70% (12/17). Considerando como casosexclusivamente los mesoteliomas de pleu-ra y peritoneo (datos no mostrados en la ta-bla), en Madrid el OR para el inverso de ladistancia es 0,928 (IC 95% 0,668-1,290) yen Getafe 0,656 (IC 95% 0,031-13,847).En el análisis cerca vs lejos las estimacio-nes de las OR son 1,108 (IC 95% 0,675-1,817) y 2,899 (IC 95% 0,257-32,653) pa-ra Madrid y Getafe respectivamente.

En la Tabla V mostramos el análisis de ladistancia mínima a cada una de las 13 ubi-caciones seleccionadas de empresas delasbesto. Ninguna de las pruebas de incre-mento del riesgo con la proximidad es es-tadísticamente significativa.

En la tabla VI mostramos información ano-nimizada sobre las empresas relacionadascon el asbesto en Madrid.

En la tabla VII presentamos la evaluacióndel riesgo relativo de residir en cada uno delos municipios tomando al “resto” como re-ferencia. Como puede observarse existe unexceso de riesgo estadísticamente signifi-cativo en Getafe y en Colmenar Viejo. Esteanálisis está ajustado por edad, sexo, es-tado civil, nivel de paro, analfabetos y ta-maño de hogar. Es interesante comprobarla confirmación de los resultados de lacomparación de intensidades de análisisde la mortalidad como proceso puntual yeste análisis clásico por regresión logísti-ca. La odds ratio obtenida para Getafecuando se consideran como casos exclusi-vamente los que figura el dato histológicode ‘mesotelioma’ en el certificado de de-función es de 7,2. El riesgo es elevado enambos sexos, pero es más alto en mujeresaunque la estimación es poco precisa, da-do que el intervalo de confianza es muy am-plio, pero estadísticamente significativa.

En la figura 12 se presentan las razones deintensidad espacial de la mortalidad sóloconsiderando los mesoteliomas. Estos ma-pas apuntan al exceso de riesgo en Getafey en Boadilla del Monte aunque en este úl-timo municipio sólo residía un caso.

En la figura 13 se muestra la distribuciónde mesoteliomas de peritoneo y pleura enla Comunidad Autónoma. La representa-ción de los mesoteliomas de peritoneo tie-ne importancia debido a que se ha publica-do que los mesoteliomas de peritoneorequieren exposiciones especialmente al-tas al asbesto.



Tabla V. OR e intervalos de confianza al95% asociados a la distancia mínima(1/distancia) a cada una de lasinstalaciones

Empresas OR IC 95%

1 0,840 0,648 - 1,088

2 1,111 0,787 - 1,568

3 0,916 0,621 - 1,352

4 1,355 0,186 - 9,850

5 0,016 0,000 - 227,725

6 2,567 0,371 - 17,781

7 1,098 0,709 - 1,700

8 1,039 0,446 - 2,421

9 1,146 0,103 - 12,707

10 2,813 0,033 - 237,527

11 1,404 0,528 - 3,734

12 0,682 0,240 - 1,941

13 2,961 0,779 - 11,250



CN

AE

Act

ivid

ad d

e la

em

pres

aA

ño a

lta

Año

baj

aLo

calid

adC

od1

E-1

504.

02C

onst

rucc

ión:

pre

para

ción

de

obra

s, d

emol

ició

n y

mov

imie

nto

de t

ierr

as,e

xcav

acio

nes.

1992

MAD

RID

1E-

250

1.0

Edifi

caci

ón y

obr

as p

úblic

as (

sin

pred

omin

io).

Dem

olic

ión

1992

ARAN

JUEZ

E-3

363.

0Fa

bric

ació

n de

equ

ipo,

acc

esor

ios

y pi

ezas

de

repu

esto

par

a ve

hícu

los

auto

móv

iles

1991

ARG

AND

A D

EL R

EYE-

450

4.0

Con

stru

cció

n: p

repa

raci

ón d

e ob

ras,

dem

olic

ión

y m

ovim

ient

o de

tie

rras

, ex

cava

cion

es.

1991

GET

AFE

E-5

482.

0Tr

ansf

orm

ació

n de

mat

eria

s pl

ástic

as19

9019

96AL

CAL

A D

E H

ENAR

ESE-

650

1.0

Edifi

caci

ón y

obr

as p

úblic

as (

sin

pred

omin

io).

Dem

olic

ión

1988

1992

MAD

RID

E-7

501.

0Ed

ifica

ción

y o

bras

púb

licas

(si

n pr

edom

inio

). D

emol

ició

n19

87M

ADR

IDE-

850

1.0

Edifi

caci

ón y

obr

as p

úblic

as (

sin

pred

omin

io).

Dem

olic

ión

1987

MAD

RID

2E-

984

3-0

Ser

vici

os t

écni

cos

(inge

nier

ía,

arqu

itect

ura,

urb

anis

mo,

etc

.)19

8719

92AL

CAL

A D

E H

ENAR

ESE-

1036

3.0

Fabr

icac

ión

de e

quip

o, a

cces

orio

s y

piez

as d

e re

pues

to p

ara

vehí

culo

s au

tom

óvile

s19

87AL

CAL

A D

E H

ENAR

ESE-

1150

1.0

Edifi

caci

ón y

obr

as p

úblic

as (

sin

pred

omin

io).

Dem

olic

ión

1987

MAD

RID

E-12

504.

02C

onst

rucc

ión:

pre

para

ción

de

obra

s, d

emol

ició

n y

mov

imie

nto

de t

ierr

as,

exca

vaci

ones

.19

88M

ADR

ID3

E-13

482.

0Tr

ansf

orm

ació

n de

mat

eria

s pl

ástic

as19

87AR

GAN

DA

DEL

REY

4E-

1436

3.0

Fabr

icac

ión

de e

quip

o, a

cces

orio

s y

piez

as d

e re

pues

to p

ara

vehí

culo

s au

tom

óvile

s19

87S

. AG

US

TIN

DE

GU

ADAL

IX5

E-15

243.

2Fa

bric

ació

n de

pro

duct

os d

e fib

roce

men

to19

86G

ETAF

E6

E-16

342.

0Fa

bric

ació

n de

mat

eria

l elé

ctric

o de

util

izac

ión

y eq

uipa

mie

nto

1990

1993

MAD

RID

7E-

1748

2.0

Tran

sfor

mac

ión

de m

ater

ias

plás

ticas

1989

VIC

ALVA

RO

E-18

501.

0Ed

ifica

ción

y o

bras

púb

licas

(si

n pr

edom

inio

). D

emol

ició

n19

86M

ADR

IDE-

1936

3.0

Fabr

icac

ión

de e

quip

o, a

cces

orio

s y

piez

as d

e re

pues

to p

ara

vehí

culo

s au

tom

óvile

s19

8619

93AR

ANJU

EZ8

E-20

504.

02C

onst

rucc

ión:

pre

para

ción

de

obra

s, d

emol

ició

n y

mov

imie

nto

de t

ierr

as,

exca

vaci

ones

.19

96FU

ENLA

BR

ADA

E-21

843.

0S

ervi

cios

téc

nico

s (in

geni

ería

, ar

quite

ctur

a, u

rban

ism

o, e

tc.)

1996

CO

MU

N.

AUT.

MAD

RID

E-22

645.

0C

omer

cio

al p

or m

enor

de

vehí

culo

s au

tom

óvile

s, m

otoc

icle

tas,

bic

icle

tas

y su

s ac

ceso

rios

1986

1995

VALD

EMO

RO

E-23

363.

0Fa

bric

ació

n de

equ

ipo,

acc

esor

ios

y pi

ezas

de

repu

esto

par

a ve

hícu

los

auto

móv

iles

1986

1992

FUEN

LAB

RAD

A9

E-24

243.

2Fa

bric

ació

n de

pro

duct

os d

e fib

roce

men

to19

8619

90VA

LDEM

OR

O10

E-25

753.

0Ac

tivid

ades

ane

xas

al t

rans

port

e aé

reo

(exp

lota

ción

de

aero

puer

tos,

etc

.)19

9219

97TO

RR

EJO

N11

E-26

251.

2Fa

bric

ació

n de

otr

os p

rodu

ctos

quí

mic

os o

rgán

icos

1986

1990

RIV

AS D

EL J

ARAM

A12

E-27

381.

0C

onst

rucc

ión,

rep

arac

ión

y m

ante

nim

ient

o de

mat

eria

l fer

rovi

ario

1986

1988

MAD

RID

E-28

482.

0Tr

ansf

orm

ació

n de

mat

eria

s pl

ástic

as19

8619

92AL

CAL

A D

E H

ENAR

ES13

E-29

316.

03Fa

bric

ació

n de

her

ram

ient

as y

art

ícul

os a

caba

dos

de m

etal

es19

99FU

ENLA

BR

ADA

E-30

504.

02C

onst

rucc

ión:

pre

para

ción

de

obra

s, d

emol

ició

n y

mov

imie

nto

de t

ierr

as,

exca

vaci

ones

.19

99M

ADR

IDE-

3184

3.0

Ser

vici

os t

écni

cos

(inge

nier

ía,

arqu

itect

ura,

urb

anis

mo,

etc

.)19

98M

ADR

IDE-

3284

3.0

Ser

vici

os t

écni

cos

(inge

nier

ía,

arqu

itect

ura,

urb

anis

mo,

etc

.)19

98M

ADR

ID1

Este

cód

igo

corr

espo

nde

al d

e la

tab

la V

.2

Con

stru

cció

n: p

repa

raci

ón d

e ob

ras,

dem

olic

ión

y m

ovim

ient

o de

tie

rras

,exc

avac

ione

s. Ins

tala

ción

de

edifi

cios

y o

bras

: in

stal

acio

nes

eléc

tric

as,

aisl

amie

nto

térm

ico

y ac

ústic

o;fo

ntan

ería

y c

limat

izac

ión

Rev

ocam

ient

o: c

arpi

nter

ía d

e: m

ader

a, m

ater

ias

plás

ticas

,met

álic

a, c

erra

jería

. R

eves

timie

nto

suel

os y

par

edes

, ac

rista

lam

ient

o, p

intu

ra y

otr

os t

raba

jos

de a

caba

do d

e ed

ifici

os y

obr

as.

3C

on e

xclu

sión

de

mat

eria

l elé

ctric

o.C

NAE

: C

lasi

ficac

ión

Nac

iona

l de

Activ

idad

es E

conó

mic

asFu

ente

: R

ERA

Tabl

a VI. E

mpr

esas

rel

acio

nada

s co

n el

asb

esto

en

Mad

rid

En la figura 14 se muestra la relación, en elgrupo control, entre las variables socio-de-mográficas obtenidas de las 3724 seccio-nes censales incluidas en el estudio. Lasvariables son: porcentaje de masculinidad(hombres/mujeres x 100), proporción dereemplazamiento (pobl 15-39 años/pobl40-64 años), proporción de dependencia((< 15 años + > 64 años)/población de 15-64 años), proporción de analfabetismo(pobl analfabeta/pobl nacida antes de1986), proporción de actividad (pobl acti-va/ pobl de 16 años y más), proporción deocupación (pobl ocupada/pobl activa), pro-porción de paro (parados/pobl activa) y pro-medio de personas por hogar. La figuramuestra las nubes de puntos que relacio-nan todas las parejas de variables. En re-

sumen, pueden verse de forma gráfica lasrelaciones lógicas entre mayor proporciónde población dependiente y menos pobla-ción activa, la relación entre analfabetismoy paro, la mayor proporción de poblaciónactiva y porcentaje de masculinidad.

En la figura 15 mostramos además me-diante una función de suavización la rela-ción entre las variables edad, analfabetos,paro y tamaño del hogar y el riesgo de mo-rir por un tumor de pleura-peritoneo.

El riesgo parece incrementarse en relacióncon los niveles altos de paro y analfabetis-mo y disminuir con la edad a la defunción yel tamaño del hogar.



Tabla VII. OR e intervalos de confianza al 95% asociados a residir en cada uno de losmunicipios de Madrid tomando el ‘resto’ de municipios como referencia

Municipio Casos Controles OR IC 95%(exp/no exp) (exp/no exp)

Madrid 269/129 1103/396 0,725 0,540-0,972

Getafe 17/381 22/1477 2,847 1,445-5,609

Móstoles 12/386 37/1462 0,906 0,450-1,827

Alcorcón 9/389 32/1467 0,962 0,439-2,111

Fuenlabrada 7/391 11/1488 1,812 0,668-4,914

Leganés 9/389 32/1467 1,009 0,459-2,217

Alcalá 5/393 34/1465 0,598 0,227-1,581

Colmenar Viejo 5/393 2/1497 6,469 1,221-34,269

SS de los Reyes 7/391 16/1483 1,406 0,547-3,613

+ Alcobendas

Mesoteliomas1

Getafe 12/104 22/1477 7,215 3,197-16,281

hombres 7/71 13/784 4,366 1,609-11,852

mujeres 5/33 9/693 21,420 4,880-94,015

1 Se han excluido los casos en los que no se especificaba “mesotelioma”.Estimaciones ajustadas por edad, sexo, estado civil, paro, analfabetismo y tamaño del hogar.



Figura 11. Distribución de mesoteliomas por sexos en la Comunidad de Madrid.



Figura 12a. Estimación del logaritmo del riesgo relativo de mortalidad por mesotelioma.Area metropolitana de Madrid. 1991-1997. El parámetro de suavización es h=3km.



Figura 12b. Estimación del logaritmo del riesgo relativo de mortalidad por mesotelioma.Area metropolitana de Madrid. 1991-1997. Contornos de tolerancia al 95% en trazo gruesoque marcan las zonas con exceso de riesgo. El parámetro de suavización es h=3km.



Figura 12c. Estimación del logaritmo del riesgo relativo de mortalidad por mesotelioma consuperposición de contornos municipales. Area metropolitana de Madrid. 1991-1997.Contornos de tolerancia al 95% en trazo grueso que marcan las zonas con exceso deriesgo. El parámetro de suavización es h=3km.



Figura 13. Distribución espacial de las defunciones por mesotelioma de pleura y peritoneo.



Figura 14. Relación, en el grupo control, entre las variables socio-demográficas incluidasen el estudio derivadas de las secciones censales.



Figura 15. Estimación no-paramétrica del riesgo de morir por un tumor de pleura-peritoneoen función de la edad, porcentaje de analfabetos, parados y tamaño medio del hogar.


DIFERENCIAS DE PATRONESESPACIALES ENTRE MENCIONES Y CAUSA BÁSICA DE DEFUNCIÓN

Hemos seleccionado los tumores de encéfa-lo (CIE: 191), linfomas de Hodgkin (CIE: 201)y linfomas no hodgkinianos (CIE: 200, 202)para comprobar las diferencia en el patrónespacial que surgen de utilizar la causa bá-sica de defunción o las menciones a esacausa en los certificados de defunción.

Cáncer de encéfalo

Para comprobar las diferencias en el patrónempleamos la diferencia de funciones K(s)en ambas situaciones. En la figura 16 mos-tramos el cáncer de encéfalo.

El número de menciones/causas es1648/1586 (1,04). No se observan dife-rencias entre ambos criterios. El patrón esopuesto a la agregación de casos. La agre-gación de la población (grupo control) esmuy superior a la que tienden a presentarlos casos de cáncer de encéfalo. La dife-rencia entre ambos criterios son 62 certifi-cados que en su mayoría corresponden a larúbrica 279.5 (Sida).

Utilidad de la codificación de las causas múltiples en los BED

4

UTILIDAD DE LA CODIFICACIÓN DE LAS CAUSAS MÚLTIPLES EN LOS BED

Rúbrica CIE 496 1519 1950 1991 2500 2795 4019 4149 4939

Número de casos 3 1 1 1 2 51 1 1 1

Figura 16. Cáncer de encéfalo. Diferencias de funciones K para Madrid (área metropolita-na) a las distancias 0-1000 metros.

Linfoma de Hodgkin

En la figura 17 mostramos el linfoma deHodgkin. El número de menciones/causases 314/293 (1,07). No se aprecian dife-rencias en el patrón entre ambos criterios.

Como en el caso anterior la agregación delgrupo control es superior a la que muestranlos casos de linfoma de Hodgkin. Tambiéncomo en el caso anterior la mayor parte decausas básicas en la diferencia de criterioscorresponde a 279.5.



Rúbrica CIE 185 1629 1643 2028 2050 2795 3229 4571 5751 7958

Número de casos 1 1 1 1 1 10 1 1 1 3

Figura 17. Linfoma de Hodgkin. Diferencias de funciones K para Madrid (área metropolita-na) a las distancias 0-1000 metros.

Linfomas no hodgkinianos

En este tumor existen mayores diferenciasentre menciones/causas 3429/3126(1,10). Como en los casos anteriores lasdiferencias corresponden a 279.5 (249 ca-sos). Este tumor sí muestra un patrón deagregación espacial en el rango de 0-400metros. En la figura 18 se muestran las

funciones por separado y en el mismo grá-fico en la figura 19. Es interesante obser-var que la agregación de casos parte des-de 0 metros. Esto indica la coincidenciaespacial de algunos casos. Es decir que enlos años de estudio hay casos de LNH queresidían en el mismo edificio o edificios co-lindantes en una frecuencia superior a lade las defunciones en general.



Rúbrica CIE 119 270 1177 1460 1509 1519 1590 1629 1899 1910 2019

Número de casos 2 2 2 2 2 2 3 2 2 4 1

Rúbrica CIE 2080 2795 2849 3074 3239 3429 4149 4254 4409 4532 4939

Número de casos 2 249 2 1 2 2 4 3 2 2 2

Rúbrica CIE 5579 5609 5715 7331

Número de casos 2 2 4 2

Figura 18. Linfomas no hodgkinianos. Diferencias de funciones K para Madrid (área metro-politana) a las distancias 0-1000 metros.

La comparación que se hace con esta téc-nica es una comparación cruda. Puede te-ner interés explorar las diferencias al me-nos por grupos de edad. A la vista de estosresultados, para el estudio de patrones deagregación, al menos en los tumores con-siderados, es indiferente usar menciones ocausa básica.

Esta técnica parece muy eficiente para laexploración sistemática de agregacionespor utilizar un único grupo control quemuestre la distribución de la población. Sibien el grupo control puede ser insufi-ciente en el caso de los linfomas no hodg-kinianos (3429 casos frente a 1500 con-troles).



Figura 19. Linfomas no hodgkinianos. Diferencias de funciones K en menciones y causa bá-sica de defunción.

Los linfomas no hodgkinianos muestran unpatrón de agregación en Madrid que mere-ce ser estudiado debido a la importanciaque ha adquirido este tumor. Este patrón

parece independiente de la mortalidad porSIDA, ya que no existen prácticamente di-ferencias entre el estudio de menciones ycausas básicas.




La georreferenciación de los domicilios deresidencia de los fallecidos añade una nue-va dimensión al estudio de la mortalidad.Las principales ventajas son la flexibilidadque proporciona para las agrupaciones decasos y codificaciones posteriores y laeficiencia de todo el proceso. La georre-ferenciación es un procesamiento informá-tico posterior al registro de la mortalidad.Esta información, importada por cualquierSIG, puede vincularse a cualquier otro fi-chero que contenga límites geográficos conindependencia de su nivel (municipio, sec-ción censal, etc) o estructura. Esto puedesuponer un cambio cualitativo en el estudiode la mortalidad o morbilidad.

Este estudio ha mostrado, con un diseñocaso-control, 1) una agregación de casosde cáncer de pleura-peritoneo en el rangode distancias de 200-400 metros en laComunidad de Madrid, 2) una agregaciónde casos de cáncer de pleura-peritoneo enel municipio de Getafe, 3) un exceso deriesgo de muerte por mesotelioma en elmunicipio de Getafe.

Aunque el planteamiento de este estudioera fundamentalmente exploratorio, puescreemos que es el primero de su natura-leza que se realiza en Madrid, y sus re-sultados son prometedores, es conve-

niente discutir algunos aspectos de su di-seño.

La selección del grupo control buscaba co-nocer la heterogeneidad espacial de la mor-talidad, es decir, poder extraer del análisisla distribución de la población. Por ello sehizo mediante un muestreo estratificandoúnicamente por año de defunción y sexo.En este grupo control no se han excluidopatologías, lo que podría estar incluyendoalgún tipo de sesgo, que habría que revelar.El análisis empleado mediante la diferenciade funciones K en casos y controles y la ra-zón de intensidades, es un análisis crudo ylos resultados podrían estar alterados porla presencia de variables de confusión im-posibles de controlar. Sin embargo, el aná-lisis por municipios de residencia emplean-do regresión logística, que sí contempla laexistencia de variables de confusión, apun-ta también hacia el incremento del riesgoen el municipio de Getafe.

Respecto a la obtención de las coordena-das topográficas de los domicilios desco-nocemos la precisión de esta estimaciónaunque, como ya comentamos, parece su-ficiente para los análisis espaciales. Otraforma de validación podría ser comparar lasección censal a la que pertenecen los do-micilios y la asignada mediante el SIG. Este

Discusión

5

DISCUSIÓN

procedimiento posiblemente requeriría ac-ceder al censo y a los identificadores delregistro de mortalidad, por lo que no puedehacerse de forma inmediata.

La librería Splancs(22) es un instrumentoimprescindible para el estudio de la morta-lidad como proceso puntual. Los procedi-mientos utilizados en esta monografía noestán disponibles en los paquetes estadís-ticos estándar. El análisis espacial requiereprogramas gráficos sofisticados para gene-rar rápidamente y de forma muy flexible losmapas de puntos de casos y controles, losgráficos de contornos o los mapas temáti-cos. Generalmente los SIG permiten estasfunciones gráficas, pero carecen de las fun-ciones analíticas. Rowlingson y Diggle en1991 desarrollaron en la Universidad deLancaster la librería Splancs para el paque-te estadístico S. Esta librería además delas funciones analíticas, contiene otras fun-ciones básicas pero de gran utilidad, comola posibilidad de definir polígonos emplean-do el ratón, seleccionar puntos en un área,hacer un ‘zoom’ de una porción de un ma-pa o representar mapas. La libreríaSplancs está accesible en(http://www.maths.lancs.ac.uk/~row-lings/Splancs/y una versión para Windows95 enhttp://www.maths.lancs.ac.uk/~row-lings/Splancs/Florida/También está disponible una versión para R(programa similar a S pero de dominio pú-blico bajo licencia GNU),http://cran.r-project.org

Existen otras librerías para análisis espacialcomo el módulo Spatial-Stat de S-Plus, o la li-brería Sm de Bowman y Azzalini(23). La libre-ría Spatial-stat, aunque es la más completa,no contiene funciones para el análisis de es-tudios de casos y controles como procesopuntual y por tanto no ha sido utilizada en es-te estudio. La librería Sm acompaña al exce-lente libro de Bowman y Azzalini sobre técni-

cas de suavización en análisis de datos. Enel texto citado pueden encontrarse ejemplosdel análisis de un estudio caso-control sobrecáncer de laringe en el entorno de una inci-neradora y los ‘scripts’ que generan los gráfi-cos y figuras. Nosotros hemos aplicado es-tas funciones en nuestro estudio obteniendolas figuras 20 y 21. En la figura 20 se mues-tran las ‘superficies’ de distribución del ries-go relativo (arriba) y su logaritmo (abajo). Enla 21 está representada la superficie de dife-rencia de densidades espaciales estandari-zadas (densidad/error estándar) y lo mismomediante un ‘contour plot’ marcando las iso-líneas que limitan los excesos y defectos deriesgo. En el caso del cáncer de pleura tam-bién parecen apuntar hacia las mismas áre-as que en el análisis ya presentado. Las figu-ras tridimensionales, aunque muyespectaculares, no siempre son fáciles deinterpretar y no parecen más útiles que losgráficos en dos dimensiones. Su empleo seenmarca sobre todo en la exploración gráficade datos. En la figura 22 mostramos una re-presentación de las isolíneas del logaritmodel riesgo relativo en toda la comunidad au-tónoma aplicando también las funciones deBowman y Azzalini.

En la figura 23 se presentan los resultadosdel ajuste de un modelo de regresión logís-tica en el que la variable central de análisises una suavización de la posición (coorde-nadas x,y) de casos y controles, solamentepara el municipio de Madrid. La represen-tación de arriba es pues la superficie quedibuja la odds ratio suavizada y la de abajolo mismo pero ajustada por edad. Ambasimágenes son muy similares. Nótese que laimagen ha sido girada 180° para que la zo-na sur de mayor riesgo no ocultara la zonanorte. Los parámetros de suavizaciónempleados han sido los que proporcionapor defecto la función loess (lo()). En la fi-gura 24 mostramos lo mismo pero amplia-do a algunos municipios del área metropo-litana y únicamente para los mesoteliomas.



En estas imágenes el patrón norte sur esmucho más evidente. Sin embargo, en laimagen tridimensional se hace más difícildetectar las áreas a que corresponden laszonas de mayor riesgo. La solución seríahacer un gráfico de contornos con estos re-sultados.

En el análisis de las distancias a las indus-trias no se han encontrado resultados po-sitivos. Ello apuntaría a que la vía de expo-sición es ocupacional y no afecta alambiente de su entorno geográfico.Aunque, en general, la población tiende abuscar un lugar de residencia próximo a sulugar de trabajo ello no siempre es así.

Los resultados de la exploración gráfica delpatrón espacial y del análisis de municipiosseñalan a Getafe como un área de mayorriesgo, sobre todo para los mesoteliomas.En este municipio está ubicada la impor-tante empresa Uralita en una zona indus-trial algo alejada del núcleo de población.Esta empresa está relacionada con la fa-bricación de fibrocemento y aislamientos.El grupo Uralita en 1998 tenía 5387 em-pleados y una facturación superior a los140.000 millones de pesetas. La plantillade la instalación de Getafe es de 228 tra-bajadores. En la información publicada(1999) por la empresa se comenta que co-mo consecuencia de la nueva regulacióndel amianto en la Unión Europea, se hapuesto en marcha un proceso de transfor-mación hacia tecnología sin amianto.

La circunstancia de que se hayan certificado5 casos de mesotelioma en mujeres en elmunicipio de Getafe aconsejaría, en primerlugar y antes de pensar en formas de expo-sición no ocupacional, tratar de confirmar ca-so a caso la precisión de la información con-signada en esos BED. Este comentario estáfundamentado en comprobaciones prelimi-nares realizadas por el Registro deMortalidad que ha hecho sospechar la exis-

tencia de errores en la información conteni-da en algunos de los BED en los que figuraeste literal.

La gran mayoría de los mesoteliomas soncausados por asbestos y la mayor inciden-cia en hombres indica que en su mayor par-te son debidos a exposición ocupacionalmás que a otras exposiciones ambienta-les(18). La exposición inicial de la mayor par-te de los pacientes con mesotelioma seprodujo 30 años antes de su diagnóstico.La tasa actual de mortalidad es un indica-dor de la exposición en años anteriores. Elreciente trabajo de Peto y Decarli analiza laprevisible evolución de la epidemia de me-soteliomas en Europa y comentan que enlos próximos 20 años se duplicará el nu-mero de casos pasando de 5000 en 1998a unos 9000 sobre el año 2018 disminu-yendo posteriormente(18).

Algunos estudios han mostrado la aso-ciación entre exposición doméstica a as-besto y mesoteliomas, lo que ha sido un ar-gumento más para la elección del tema deestudio. Mientras que la prevención es ab-solutamente la estrategia más efectiva pa-ra el control de los riesgos del asbesto, esuna realidad que vamos a tener que afron-tar un creciente número de casos de me-soteliomas en el futuro.

El proceso de análisis espacial en epide-miología ambiental tiene tres componen-tes: la detección de clusters, las interac-ciones temporo-espaciales y los riesgosderivados de fuentes conocidas de conta-minación. Las dos primeras son de natura-leza descriptiva y exploratoria. Pero la ter-cera tiene una naturaleza más analítica yconfirmatoria. Una vez que se conoce queuna o unas áreas contienen una agregaciónde casos y existe la sospecha de que un fo-co contaminante tiene alguna relación, pue-de generarse una hipótesis y ponerla aprueba estudiando la fuerza de la aso-

Discusión


ciación entre la enfermedad y la exposiciónal foco(24). Sin embargo, en estos estudiosconfirmatorios es crítico disponer de unavariable de exposición que vaya más allá dela distancia al foco. En este contexto, dis-poner de datos de inmisión para poder ha-cer un análisis posterior sobre variables deexposición reales adquiere gran importan-cia, sobre todo si de esos resultados van aderivarse medidas de intervención.

Los métodos de georreferenciación, en ge-neral tienen una gran precisión. Ello haceque disponiendo de un SIG y conociendolas coordenadas de los domicilios, teórica-mente se pueda reconstruir la dirección,ocasionando un posible problema de confi-dencialidad. Las soluciones que se podríanapuntar son el enmascaramiento de las co-ordenadas eliminando parte de su preci-sión. Por ejemplo, proporcionar las coorde-nadas en decámetros enteros o añadirdígitos aleatorios a las coordenadas sin

desvirtuar su localización. El ‘enmascara-miento’ de la ubicación real, por otra parte,podría tener la consecuencia de asignar asecciones censales incorrectas a los ca-sos. Sin embargo creemos que la confi-dencialidad no debe llegar a ser un argu-mento para denegar la utilización de lainformación georreferenciada con fines deinvestigación en salud pública.

Por último comentar que el estudio de losmesoteliomas en Madrid sería más produc-tivo si se estudiase la incidencia. En la mor-talidad desconocemos el grado de subdiag-nóstico con el que contamos. En Europa larazón de casos de muerte por cáncer depleura/mesotelioma es de 1,6(18), mientrasque en nuestro estudio es de 3,4. Podercontar con un registro de cáncer poblacio-nal en la Comunidad de Madrid sería deuna ayuda inestimable, aunque es notoriala dificultad para su establecimiento dadala diversidad asistencial de la región.



Discusión


Figura 20. Mortalidad por cáncer de pleura y peritoneo en la Comunidad de Madrid, 1991-1997. Representación en tres dimensiones de los patrones de distribución del riesgorelativo de muerte (arriba) y su logaritmo (abajo).



Figura 21. Mortalidad por cáncer de pleura y peritoneo en la Comunidad de Madrid, 1991-1997. Representación de la superficie que muestra la diferencia estandarizada dedensidades (arriba) en tres dimensiones y el ‘contour plot’ (abajo).

Discusión


Figura 22. Mortalidad por cáncer de pleura y peritoneo en la Comunidad de Madrid, 1991-1997. Representación del logaritmo del riesgo relativo estimado mediante suavizaciónkernel.



Figura 23. Estimación del logaritmo de la odds ratio de mortalidad por cáncer de peritoneoy pleura en el municipio de Madrid, 1991-1997. Estimación obtenida mediante un modeloGAM de regresión logística que incluye la posición (x,y) (gráfico de arriba) y la posición yla edad (abajo). La imagen ha sido rotada 180° para permitir apreciar el patrón norte-sur.

Discusión


Figura 24. Estimación del logaritmo de la odds ratio de mortalidad por cáncer de peritoneoy pleura en los municipios de Madrid, Getafe, Móstoles, Alcorcón, Fuenlabrada y Leganés,1991-1997. Estimación obtenida mediante un modelo GAM de regresión logística queincluye la posición (x,y) (gráfico de arriba) y la posición y la edad y sexo (abajo). La imagenha sido rotada 180° para permitir apreciar el patrón norte-sur.

-44600-44700

-44800

-44600-44700

-44800


Resumiendo, este informe muestra:

1. La existencia de una agregación decasos de pleura-peritoneo y posible-mente mesoteliomas en el municipiode Getafe, detectado empleando da-tos del Registro de Mortalidad, apo-yaría la realización de las siguientesacciones: 1) una confirmación caso acaso de la precisión de los BED coneste diagnóstico y 2) en caso de queel resultado fuese positivo, la realiza-ción de un estudio de casos y contro-les para conocer el origen de este re-sultado.

2. Una posible agregación de casos delinfomas no hodgkinianos en el áreametropolitana que merecería un estu-dio específico.

3. Una aproximación al análisis de lamortalidad empleando la informaciónespacial registrada. Las ventajas deeste enfoque son:Su flexibilidad.Utilidad como herramienta explorato-ria.Su bajo coste (eficiencia).La integración de dos áreas ya pre-

sentes en el Instituto de Estadística(SIG y registro de mortalidad) que pue-de añadir una nueva rentabilizacióncientífica a su uso.

Posibles inconvenientes son: La posibilidad de detectar problemasdónde no los haya.Problemas relacionados con la confi-dencialidad de los registros.

4. Una nueva línea de trabajo para la cuálel Instituto de Estadística de laComunidad de Madrid ya tiene monta-da la infraestructura necesaria.

5. En los estudios espaciales, al menosen las causas consideradas, pareceindiferente analizar menciones o cau-sa básica de defunción.

6. Por último, insistir una vez más en lanecesidad de contar con registros decáncer poblacionales que permitan co-nocer la incidencia de la enfermedad yque sirvan de soporte a la investiga-ción. La ampliación de las explotacio-nes de la información de los registrosa terrenos como la vigilancia ambien-tal les confiere un nuevo interés.

Conclusión

6

CONCLUSIONES


1. Thomas, R.W. Spatial epidemiology. London: Pion,1990.

2. Bailey, T.C. and Gatrell, A.C. Interactive spatial dataanalysis. Essex: Longman Scientific & Tchnical, 1995.

3. Kaluzny, S.P., Vega, S.C., Cardoso, T.P. and Shelly, A.A.S+SpatialStats. New York: Mathsoft, 1998.

4. Oliver, M.A., Muir, K.R., Parkes, S.E. and Webster, R.Methods for investigating localized clustering of disea-se. Geostatistics for determining the risk of rare dise-ase. IARC.Sci.Publ. 135:227-247, 1996.

5. Abellán, J. J. Evolución espacial de la gripe en la tempo-rada 1998-99. 2000. http://dgsp.san.gva.es/SSCC/Epidemiologia/Centinelas/gripe/evol9899.htm

6. Kelsall, J.E. and Diggle, P.J. Spatial variation in risk ofdisease - a nonparametric binary regression approach.Appl. Statist. 47:559-573, 1998.

7. Gatrell, A.C., Bailey, T.C., Diggle, P.J. and Rowlingson,B.S. Spatial point pattern analysis and its applicationin geographical epidemiology. Transactions of theInstitute of British Geographers 21: 256-274, 1996.

8. Gilks, W.R., Richardson, S. and Spiegelhalter, D.J.Markov Chain Monte Carlo in Practice. London:Chapman Hall, 1996.

9. Jacquez, G. GIS as an enabling technology. In: A.Gatrell and M. Löytönen (eds.), GIS and health, pp. 17-28. London: Taylor & Francis Ltd. 1998.

10. Gatrell, A.C. and Löytönen, M. GIS and health. London:Taylor & Francis Ltd. 1998.

11. Rushton, G. Improving the geographic basis of healthsurveillance using GIS. In: A. Gatrell and M. Löytönen(eds.), GIS and health, pp. 63-79, London: Taylor &Francis Ltd. 1998.

12. Jacquez, G.M. Disease cluster statistics for imprecisespace-time locations. Stat. Med., 15:873-885, 1996.

13. Comunidad de Madrid. Manual de tratamiento de losBoletines Estadísticos de Defunción. Madrid:Comunidad de Madrid, 1986.

14. Blot, W.J., and Fraumeni-JF, J. Cancers of the lung andpleura. In: D. Schottenfeld and J. Fraumeni-JF (eds.),Cancer epidemiology and prevention, pp. 637-665,New York: Oxford. 1996.

15. Magnani, C., Ivaldi, C., Botta, M., and Terracini, B.Pleural malignant mesothelioma and environmental as-bestos exposure in Casale Monferrato, Piedmont.Preliminary analysis of a case-control study. Med. Lav.,88:302-309, 1997.

16. Magnani, C., Terracini, B., Ivaldi, C., Botta, M.,Mancini, A., and Andrion, A. Pleural malignant meso-thelioma and non-occupational exposure to asbestosin Casale Moferrato, Italy. Occup. Environ. Med.,52:362-367, 1995.

17. Browne, K. and Goffe, T. Mesothelioma due to domes-tic exposure to asbestos [letter]. Br. Med. J. Clin. Res.Ed., 289:110-111, 1984.

18. Peto, J., Decarli, A., La-Vecchia, C., Levi, F., and Negri,E., The European mesothelioma epidemic. Br. J.Cancer, 79:666-672, 1999.

19. INHST. Estudio de la incidencia y evaluación de la po-blación laboral expuesta a amianto en la industria es-pañola. Madrid: Instituto Nacional de Higiene ySeguridad en el Trabajo, 1992.

20. Diggle, P.J. and Chetwynd, A.G. Second-order analysisof spatial clustering for inhomogeneous populations.Biometrics., 47:1155-1163, 1991.

21. Kelsall, J.E. and Diggle, P.J. Non-parametric estimationof spatial variation in relative risk. Statistics inMedicine, 14:2335-2342, 1995.

22. Rowlingson, B.S. and Diggle, P.J. Splancs-spatial pointpattern analysis code in S--plus. Computers &Geosciences, 19:627-655, 1993.

Bibliografía

7

BIBLIOGRAFÍA

23. Bowman, A. and Azzalini, A. Applied smoothing techni-ques for data analysis. The kernel approach with S-Plusillustrations. Oxford: Oxford University Press, 1997.

24. Diggle, P.J. Point process modelling in environmentalepidemiology. In: V. Barret and K.F. Turkman (eds.),Statistics for the environment, New York: John Wiley &Sons Ltd. 1993.



1 Guía para el diagnóstico y manejo del Asma.2 Sida y Escuela.3 La Salud Bucodental de la población infantil en la

Comunidad de Madrid.4 El discurso de las personas ex fumadoras en torno al

consumo de tabaco.5 Alcohol y Salud.6 Actualizaciones sobre Tabaco y Salud.7 Protocolo de actuación en brotes causados por la in-

gesta de alimentos.8 Mortalidad por cáncer en la Comunidad de Madrid,

1986-1989. Análisis geográfico.9 La cultura del alcohol entre los jóvenes de la

Comunidad de Madrid.10 Estudio de las actitudes, opiniones y comportamientos

sexuales de los jóvenes de la Comunidad de Madrid.11 Discurso del personal sanitario de la Comunidad de

Madrid en torno a la infección por el VIH/SIDA.12 Protocolo de actuación ante una meningitis de cual-

quier etiología.13 Residuos de plaguicidas organoclorados en alimentos

de origen animal consumidos en la Comunidad deMadrid

14 Manual de inmunizaciones.15 Recomendaciones para el control de emergencias epi-

demiológicas en centros escolares.16 La Cultura del tabaco entre los jóvenes de la

Comunidad de Madrid.17 Actitudes ante el Asma. Los asmáticos y profesionales

opinan.18 Encuesta de nutrición en la Comunidad de Madrid.19 La Cultura del alcohol de los adultos en la Comunidad

de Madrid.20 Encuesta de prevalencia de asma de la Comunidad de

Madrid.21 Protocolo de actuación ante la fiebre tifoidea.22 Maltrato infantil: Prevención, diagnóstico e interven-

ción desde el ámbito sanitario.23 Factores determinantes de los hábitos y preferencias

alimenticias en la población adulta de la Comunidad deMadrid.

24 Guía para realizar un análisis de riesgos en la indus-tria.

25 Guía para la realización de Auditorías medioambienta-les en las empresas.

26 Guía de actuación frente a la zoonosis en laComunidad de Madrid.

27 La influencia de los adultos en los comportamientosde los adolescentes de 14 a 16 años escolarizados enla Comunidad de Madrid.

28 Encuesta tuberculina. Comunidad de Madrid. Curso1993 -94.

29 II Encuesta de serovigilancia de la Comunidad deMadrid.

30 Epidemiología de las enfermedades cardiovascularesen la Comunidad de Madrid.

31 Manual de buenas prácticas higiénico-sanitarias enComedores Colectivos.

32 Informe sobre la Salud y la mujer en la Comunidad deMadrid.

33 El VIH en las relaciones heterosexuales de alto riesgo.

34 La actividad física en la población adulta de Madrid.35 Los accidentes infantiles en la Comunidad de Madrid.36 Factores que determinan el comportamiento alimenta-

rio de la población escolar en la Comunidad de Madrid.37 La diabetes de adulto en la Comunidad de Madrid.38 Diagnóstico Microbiológico de tuberculosis en labora-

torios de primer orden.39 La salud bucodental en la población anciana institu-

cionalizada de la Comunidad de Madrid.40 Fauna tóxica en la Comunidad de Madrid.41 La Menopausia en la Comunidad de Madrid. Aspectos

sociosanitarios.42 Dietas mágicas.43 Guía de aplicación del sistema A.R.I.C.P.C. en estable-

cimientos de producción y almacenamiento de carnesfrescas.

44 Guía para la prevención y control de infecciones quecausan Meningitis.

45 Las representaciones sociales sobre la salud de los jó-venes madrileños.

46 Programa regional de prevención y control de la tuber-culosis en la Comunidad de Madrid.

47 Las representaciones sociales sobre la salud de la po-blación activa masculina de la Comunidad de Madrid.

48 Las representaciones sociales sobre la salud de los ni-ños de 6 a 12 años de la Comunidad de Madrid.

49 Manual de buenas prácticas para el control de vecto-res y plagas.

50 Las representaciones sociales sobre la salud de losmayores madrileños.

51 Actitudes y creencias frente al cáncer de mama de lasmujeres de 50 a 65 años de la Comunidad de Madrid(en elaboración).

52 La infestación por piojos.53 Manual de mantenimiento para abastecimientos de

agua de consumo público.54 Ideas actuales sobre el papel del Desayuno en la ali-

mentación.55 La Tuberculosis: Un problema de Salud Pública.

Material Docente de apoyo para profesionales sanita-rios.

56 Guía de autocontrol en obradores de pastelería.57 La mortalidad de la infancia en Madrid. Cambios de-

mográfico-sanitarios en los siglos XIX y XX.58 Guía para la prevención de la Legionelosis en algunas

instalaciones de riesgo.59 Sociedad madrileña de microbiología clínica. Anuario

1999.60 Actualizaciones sobre el tratamiento del tabaquismo.61 La enfermedad celíaca.62 Programas de Salud Pública 2000.63 Memoria 1999. Programas de Salud Pública.64 Programa Regional de Prevención y Control de la

Tuberculosis en la Comunidad de Madrid. Período2000-2003.

65 Memoria 1996-1999 del Programa Regional dePrevención y Control de la Tuberculosis en laComunidad de Madrid.

66 Aplicación de Técnicas de Análisis Espacial a laMortalidad por Cáncer en Madrid.


DOCUMENTOS DE SALUD PÚBLICA PUBLICADOS

66Documentos Técnicos de Salud Pública

Aplicación de técnicas de análisis espacial a la

mortalidad por cáncer en Madrid

Aplicación de técnicas deanálisis espacial a la

mortalidad por cánceren Madrid


66



Comunidad de Madrid



Comunidad de Madrid

Instituto de Estadística de la Comunidad de Madrid

CONSEJERIA DE HACIENDA

Comunidad de Madrid

aplicación de técnicas de análisis espacial a la

Documents