El proyecto EMECAM: Estudio multicéntrico español sobre la relación entre la contaminación atmosférica y la mortalidad (página 3)
Tabla 3
Contaminantes estudiados en cada una de las ciudades
CIUDAD | CONTAMINANTES | ||
Valores medios de 24 horas | Valor máximo horario | Valor máximo de 8 horas | |
Barcelona | HN, PTS, SO2, NO2, CO | SO2, NO2, | O3 |
Gran Bilbao | HN, PTS, SO2, NO2 | PTS, SO2, NO2 |
|
Castellón | HN, SO2 |
|
|
Cartagena | PTS, SO2 | PTS, SO2 |
|
Huelva | PM10, SO2, NO2, CO |
|
|
Sevilla | PTS, SO2, NO2 |
|
|
Madrid | PM10, SO2, NO2, CO | SO2, NO2, | O3 |
Pamplona | HN, SO2 |
|
|
Valencia | HN, SO2, NO2, CO | SO2, NO2, | O3 |
Vigo | HN, SO2 |
|
|
Vitoria | HN, SO2 |
|
|
Gijón | HN, PTS, SO2, NO2, CO | SO2, NO2 |
|
Oviedo | HN, PTS, SO2, NO2, CO | SO2, NO2 |
|
Zaragoza | HN, SO2 |
|
|
HN: humos negros |
Por otro lado, el protocolo
de nuestro estudio incluye una serie de guías, siguiendo lo establecido en el
proyecto APHEA9, para la obtención de las variables de
contaminación atmosférica. En este sentido, la exposición diaria de la
población se ha estimado usando, en cada caso, el promedio de los datos de las
estaciones captadoras según los siguientes criterios:
- Admisibilidad de las estaciones captadoras: Se
estudian únicamente las estaciones urbanas, no incluyéndose las situadas
fuera de las ciudades ni las que miden la contaminación de fondo. En
cierto sentido, el Gran Bilbao y Pamplona constituyen una excepción, al
tratarse de grupos de municipios; sin embargo, los captadores incluidos se
hallan situados en los núcleos urbanos que, además, están muy próximos
entre sí. Se excluyeron del análisis las mediciones procedentes de
estaciones captadoras situadas en autopistas de acceso limitado. - Porcentaje de datos válidos: En los cálculos del
promedio de cada contaminante se incluyeron sólo los valores de las estaciones
captadoras que presentaron un porcentaje de datos válidos mayor al 75% de
días para todo el periodo a estudio. En los cálculos de la media de 1h y
24h (cuando los datos provienen de estaciones automáticas) se requiere un
mínimo del 75% de datos válidos. Se desecharon los datos procedentes de
captadores en los que, a pesar de cumplir con el criterio de porcentaje de
datos válidos, los valores perdidos se presentaban en unos determinados
periodos de tiempo (por ejemplo fines de semana, vacaciones o durante el
verano). - Número de estaciones captadoras: Se estimó
conveniente un mínimo de tres estaciones válidas por contaminante. En
algunos casos límite se estudió la posibilidad de la inclusión de
indicadores con datos de dos estaciones. En ningún caso se han incluido en
el estudio valores de un contaminante a partir de los datos de una sola
estación. - Imputación de datos perdidos: Los valores
perdidos de las estaciones incluidas se corrigieron para el cálculo del
promedio diario con los valores obtenidos en la regresión de cada una de
ellas utilizando los datos de las demás estaciones captadoras como
variables explicativas.
En los trabajos
correspondientes de los grupos participantes en el proyecto EMECAM se
detallan el número de captadores seleccionado por contaminante, la correlación
entre los mismos y los valores obtenidos en cada una de las ciudades.
Variables de control:
- Estacionalidad y otras variables cronológicas:
La estacionalidad (anual, semestral, trimestral, mensual o semanal) y la
tendencia son variables por las que es preciso controlar en los estudios
de series temporales (ver apartado de análisis)11,19. También
se tuvieron en cuenta otros sucesos relacionados con el calendario, como
los días festivos (sin contar los domingos, es decir fiestas nacionales,
autonómicas y locales) y los días inusuales o extraordinarios (huelga
médica o grandes acontecimientos, como la Expo-92 en Sevilla o los Juegos
Olímpicos en Barcelona). - Variables meteorológicas: Después de la
estacionalidad éstas son las variables más importantes de modelizar,
cuando se analiza la asociación de la mortalidad con los contaminantes
atmosféricos por su posible efecto confusor11,19. Los valores
medios diarios de la temperatura media (calculada como el promedio de las
temperaturas máxima y mínima) y la humedad relativa (calculada como el
promedio de los valores de humedad relativa en diferentes momentos del
día: 0, 7, 13 y 18 horas) fueron las variables incluidas en el estudio (tabla
4). - Incidencia de gripe: obtenida a partir del
número de casos semanales de gripe notificados al sistema de Enfermedades
de Declaración Obligatoria. Dicho número se dividió por 7 para tener una
aproximación del número de casos diarios.
Tabla 4
Datos meteorológicos: promedios diarios de temperatura y humedad relativa
PERIODO | INDICADOR DE | |||||||
CIUDAD | Todo el periodo | Semestre cálido1 | Semestre frío2 | |||||
Temp3 | Hum4 | Temp3 | Hum4 | Temp3 | Hum4 | Temp5 | Hum6 | |
Barcelona | 16,5(5,8) | 71,5(5,3) | 21,0 (4,2) | 71,3 (5,7) | 11,7 (2,7) | 71,8 (4,9) | 9,3 | 1,01 |
Gran Bilbao | 15,2 (4,7) | 80,0(10,3) | 18,6 (3,4) | 81,3 (9,8) | 11,8 (3,2) | 78,8 (10,7) | 6,8 | 0,96 |
Castellón | 17,2(5,8) | 70,7(12,0) | 21,9 (3,7) | 70,0 (10,5) | 12,5 (3,0) | 71,3 (13,3) | 9,4 | 1,01 |
Cartagena | 19,0(5,3) | 75,3(12,1) | 23,2 (3,3) | 75,5 (11,1) | 14,9 (2,8) | 75,0 (13,8) | 8,3 | 0,99 |
Huelva | 18,3(5,5) | 64,5(20,6) | 22,7 (3,5) | 54,0 (22,0) | 13,9 (3,2) | 75,2 (12,0) | 8,8 | 1,40 |
Sevilla | 18,4(6,1) | 64,4(14,5) | 23,4 (4,3) | 57,9 (12,8) | 14,1 (3,4) | 70,3 (13,3) | 9,3 | 1,21 |
Madrid | 14,4(7,7) | 61,8(16,7) | 20,3 (5,4) | 53,8 (14,2) | 8,4 (4,1) | 69,9 (15,0) | 11,9 | 1,30 |
Pamplona | 12,9(6,5) | 68,7(12,6) | 17,5 (5,0) | 65,9 (10,8) | 7,5 (3,5) | 73,9 (12,0) | 9,9 | 1,12 |
Valencia | 18,2(5,5) | 64,8(13,6) | 22,9 (3,4) | 65,3 (12,8) | 14,3 (3,0) | 61,0 (14,4) | 8,6 | 0,93 |
Vigo | 13,5(4,7) | 77,3(12,2) | 16,9 (3,7) | 75,1 (12,3) | 10,1 (2,8) | 79,5 (11,7) | 6,8 | 1,06 |
Vitoria | 11,6(6,2) | 76,5(11,1) | 16,18 (4,5) | 72,8 (10,8) | 6,9 (3,6) | 80,2 (10,2) | 9,2 | 1,10 |
Gijón | 13,8 (4,2) | 79,4 (9,3) | 17,4 (2,7) | 80,3 (8,1) | 10,6 (2,6) | 78,6 (10,3) | 6,8 | 0,97 |
Oviedo | 13,2 (4,5) | 78,0 (11,2) | 16,4 (3,1) | 79,6 (9,7) | 10,0 (3,2) | 76,3 (12,4) | 6,4 | 0,95 |
Zaragoza | 15,5 (7,3) | 64,5 (14,9) | 21,2 (5,1) | 57,7 (12.4) | 9,7 (4,04) | 71,3 (14,2) | 11,42 | 1,23 |
1 Semestre cálido: meses de mayo a 4 Hum: humedad relativa diaria (en %) (media de los |
ANÁLISIS DE LA INFORMACIÓN
El análisis epidemiológico
de los datos se ha desarrollado siguiendo un proceso paulatino que complementa
el análisis simple con el uso de modelos multivariantes. Se consideró
necesario, en una primera etapa, la realización de un estudio descriptivo. Esta
etapa incluyó el estudio bivariado entre las variables por medio de las
matrices de correlaciones y gráficos diagnósticos. Especialmente útiles fueron
las representaciones gráficas, como las secuencias de las series, los diagramas
de dispersión, las funciones de autocorrelación y las de correlaciones
cruzadas. En los diagramas de dispersión, la forma de la relación entre la
mortalidad y cada una de las variables a estudio se valoró mediante un método
no paramétrico de regresión ponderado, lowess (por las siglas en inglés)20.
La filosofía subyacente a esta aproximación es la de dejar que sean los propios
datos los que muestren la forma funcional adecuada, sin proponer ninguna forma
previa de dependencia entre la variable resultado y las variables predictoras21.
Por último, esta primera etapa se complementó con el análisis simple de Poisson
de la relación entre las series de mortalidad y las de los distintos
contaminantes a estudio en cada una de las ciudades.
Análisis multivariante
Desde el punto de vista de
la distribución se asume que la mortalidad diaria se distribuye según un
proceso de Poisson. Este proceso no es estacionario, esto es, el riesgo de
muerte varía con algunas variables predictoras. En este estudio la unidad de
observación es el día. Una serie temporal es una sucesión ordenada en el tiempo
de valores de una variable. En series temporales con datos día a día los
factores de confusión son variables que cambian a lo largo del tiempo. Tales
factores pueden ser, además de las variables meteorológicas a estudio, las epidemias
de ciertas enfermedades (gripe) o la diferente ocurrencia de las variables
según días de la semana y festivos. Además, se han de tener en cuenta los
componentes de las series temporales: estacionalidad, tendencia y cambios
anuales. Otras variables como edad, hábito tabáquico o profesión no influirán
en las variaciones diarias de la mortalidad dado que la exposición a dichos
factores no cambia en la población día a día. Por lo demás, el efecto del
tabaco y de otros muchos tóxicos propios del ambiente de trabajo se evidencian
a largo plazo. Esta es la gran ventaja de los estudios ecológicos temporales
sobre los geográficos. En un artículo de este mismo número se exponen más
detalladamente los fundamentos metodológicos del análisis de series temporales
en epidemiología ambiental19.
El procedimiento de
análisis seguido para valorar la relación entre mortalidad y las variables
explicativas se basó principalmente en la metodología desarrollada en el
proyecto APHEA10. Durante la primera etapa de nuestro proyecto
se siguió una estrategia idéntica a la del proyecto europeo. Dicho análisis
consta básicamente de dos fases: la primera, de identificación de un modelo
basal para cada una de las causas específicas de muerte y el grupo de edad
estudiado, ajustando por mínimos cuadrados un modelo de regresión gaussiano
para, posteriormente, realizar una estimación cuantitativa de la asociación
de los contaminantes y la mortalidad por medio de la regresión de Poisson.
Para la construcción del modelo mediante mínimos cuadrados la variable
mortalidad se aproximaba a una normal, usando transformación logarítmica.
En una segunda etapa del
desarrollo del proyecto se consideró conveniente introducir algunas
modificaciones a dicho procedimiento, ya que nuestro estudio presenta algunas
diferencias destacables con respecto al proyecto APHEA. Por un lado,
gracias a la experiencia derivada de dicho proyecto, se contaba con un
protocolo muy bien definido que permitía establecer la secuencia de los
procedimientos siguiendo un criterio estadístico. Por otro lado, el tamaño de
la población de las ciudades participantes en el proyecto EMECAM es, en
promedio, bastante menor que el de las ciudades participantes en el proyecto APHEA.
Por esta razón el número de defunciones diarias, especialmente en las series de
mortalidad por causas, era pequeño y en bastantes días no se observó ninguna
defunción. Por tanto, su adaptación a una distribución normal es cuestionable y
el ajuste de una regresión gaussiana no es del todo adecuado. Por todo ello, se
decidió realizar tanto la identificación del modelo basal como la estimación de
la asociación con los contaminantes utilizando regresión de Poisson. Con esta
adaptación del protocolo consideramos que, en nuestro caso, el análisis se
adapta mejor a la distribución de la serie, se simplifica su realización y se
evita una fuente de errores, al omitir un paso (regresión lineal múltiple), que
podía dejar fuera del modelo a variables que podrían ser significativas en el
modelo Poisson.
En otro trabajo23
se detallan los pasos establecidos en el protocolo del proyecto. Asimismo, se
ilustra su aplicación mediante la realización de un ejemplo. Brevemente,
consiste en los dos pasos siguientes utilizando en ambos regresión de Poisson:
- Construcción de un modelo basal para cada una de
las causas de muerte estudiadas. Los factores que se tienen en cuenta para
controlar la confusión son las variables temporales (estacionalidad,
tendencia, cambios anuales) y de calendario (día de la semana, festivos),
los fenómenos meteorológicos (temperatura media y humedad relativa
diarias), la incidencia de gripe y otros eventos (huelgas, acontecimientos
especiales). Los efectos de las variables meteorológicas y de la gripe
pueden ser inmediatos u ocurrir con algún retraso. Por ejemplo, las bajas
temperaturas pueden tener un efecto sobre la mortalidad el mismo día o al
día siguiente o unos días después. Por ello, se examina el efecto
retardado de las variables meteorológicas hasta una semana antes de la
fecha de defunción y el de la gripe hasta quince días antes. - Estimación de la asociación entre cada uno de
los contaminantes y la mortalidad. A los modelos construidos en la
etapa anterior se les añaden las variables de contaminación atmosférica.
Se introducen los contaminantes de uno en uno, con el fin de evitar
problemas de colinealidad. Al igual que en el caso de las variables
meteorológicas y la gripe, los efectos retardados deben ser investigados
también para el caso de los contaminantes atmosféricos. Una cuestión que
se plantea es hasta dónde llegar en la comprobación de los retardos.
Siguiendo Schwartz et el11, se ha considerado que explorar
demasiados términos de retardos puede llevar a encontrar una asociación
espúrea. En ese sentido, nos parece sensato no explorar los retardos más
allá del quinto día previo a la defunción. Entre los retardos probados se
selecciona el de mejor ajuste para cada contaminante y su asociación se
expresa como el riesgo relativo de morir por incremento de 10m g/m3
(excepto en el caso del CO que se expresa como incremento de 1mg/m3).
Con el fin de comparar el efecto de los distintos contaminantes en cada
ciudad, también se calcula el efecto relativo a un incremento igual a la
diferencia del percentil 90 al percentil 10.
En todos los modelos
construidos se diagnostica la posible autocorrelación de los residuos. El que
alguno de ellos presente este fenómeno indica una incompleta o inadecuada
especificación de la asociación, motivo por el que se introducen los términos
autorregresivos, es decir los retardos de mortalidad correspondientes en el
modelo.
Por último, se realizan una
serie de análisis complementarios que incluyen el estratificado según periodo
(meses cálidos o fríos) y la investigación de posibles interacciones entre los
posibles contaminantes y entre éstos y la temperatura. También se llevan a cabo
análisis de sensibilidad para valorar la estabilidad de las posibles
asociaciones encontradas.
Meta-análisis
Con los riesgos relativos
obtenidos en cada ciudad y para cada contaminante se llevará a cabo un
meta-análisis. En concreto, se realizará una media ponderada de los
coeficientes de regresión "locales" (esto es, proporcionados por cada
uno de los centros). Asimismo, se contrastará la homogeneidad de los
coeficientes utilizando el contraste ji cuadrado (c 2). Si la
hipótesis de homogeneidad se rechazase se utilizaría un modelo de efectos
aleatorios. En caso de existir, la heterogeneidad será explicada utilizando una
regresión ponderada de los coeficientes de regresión locales sobre variables
explicativas fijas en el tiempo. Se considerarán, entre otras, las siguientes
variables explicativas: indicadores de la salud general de la población (tasa
estandarizada de la mortalidad, esperanza de vida, proporción de ancianos,
prevalencias de enfermedades respiratorias y tabaquismo, etcétera); variables
meteorológicas por estación; indicadores de la bondad de los datos,
(correlación entre estaciones captadoras, número de habitantes en torno a las
mismas, origen de los datos de mortalidad, etcétera).
El meta-análisis, en este
contexto, difiere en aspectos esenciales de los meta-análisis habituales que se
realizan a partir de resultados publicados y que se realizan únicamente cuando
existe un número importante de artículos con relación a una hipótesis. Como consecuencia,
los problemas habituales de los meta-análisis no deben ocurrir en este estudio.
Como en el caso de los meta-análisis llevados a cabo en el proyecto APHEA24,
25: no habrá sesgo de publicación (se incluirán todos los resultados en
el estudio), no habrá sesgo de selección (todas las ciudades que pueden aportar
la información necesaria y desean entrar en el proyecto se incluyen en él mucho
antes de conocer los resultados); una vez finalizado el estudio, toda la
información se encontrará disponible para posibles reanálisis.
El grupo EMECAM lo
forman: F Ballester, S Pérez-Hoyos, JM Tenías, R Molina, J González-Aracil
(Valencia, Centro coordinador); M Saez, MA Barceló, C Saurina, A Tobias
(Barcelona); E. Alonso, K. Cambra (Bilbao); M Taracido, JM Barros, I Castro, A
Figueiras, A Montes, E Smyth (Vigo); JM Ordóñez, E Aranguez, I Galán, AM
Gandarillas (Madrid); I Aguinaga, MY Floristan, F Guillén, MS Laborda, MA
Martínez, MT Martínez, PJ Oviedo (Pamplona); A Daponte, R Garrido de la Sierra,
JL Gurucelain, P. Gutiérrez, JA Maldonado, JL Martín, JM Mayoral, R Ocaña, J
Serrano (Granada); JB Bellido, A Arnedo, F González (Castellón); JJ Guillén, Ll
Cirera, L García, E Jiménez, MJ Martínez, S Moreno, C Navarro (Cartagena); MJ
Pérez, A Alonso, JJ Estíbalez, MA García-Calabuig, (Vitoria); A Cañada, C
Fernández, F Fernández, V García, I Huerta, V Rodríguez (Asturias); F Arribas,
M Navarro, C Martos, MJ Rabanaque, E Muniesa, JM Abad, JI Urraca (Zaragoza); y
J Sunyer como asesor del proyecto.
(*) Este trabajo cuenta
con una beca del Fondo de Investigaciones Sanitarias (Expediente núm 97/0051)
BIBLIOGRAFÍA
1. Holland WW, Bennett AE,
Cameron IR, Florey CV, Leeder SR, Schilling RSF et al. Health effects of
particulate pollution: reappraising the evidence. Am J Epidemiol 1979; 110:
525-659.
2. Air Quality Guidelines
for Europe. World Health Organization. Regional Office for Europe. WHO Regional
Publications, European Series No. 23. Copenhagen, 1987.
3. Momas I, Pirard P,
Quenel P, Medina S, Le Moullec Y, Ferry R et al. Pollution atmosphérique
urbaine et mortalité: une synthèse des études épidemiologiques publiées entre
1980 et 1991. Rev Epidemiol Santé Publique.
4. Schwartz J, Marcus A.
Mortality and air pollution in London: a time series analysis. Am J Epidemiol
1990; 131: 185-94.
5. Schwartz J. Air
Pollution and Daily mortality in Birminghan, Alabama. Am J Epidemiol 1993; 137:
1136-47.
6. Touloumi G. Pocock SJ,
Katsouyanni K, Trichopoulos D. Short-Term Effects of Air Pollution on Daily
Mortality in Athenas: A Time Series Analysis. Int J Epidemiol 1994; 23:957-67.
7. Sunyer J, Antó JM,
Murillo C, Sáez M. Effects of urban air pollution on emergency room admissions
for chronic obstructive pulmonary disease. Am J Epidemiol 1991; 134: 277-86.
8. Brunekeef B, Dockery DW,
Krzyzanowsky M. Epidemiologic Studies on Short-Term Effects of Low Levels of
Major Ambient Air Pollution Components. Environ Health Perspect 103 1995;Suppl
2:2-13.
9. Katsouyanni K, Zmirou D,
Spix C, Sunyer J, Schoten JP, Pönka A et al. Short-term effects of air pollution
on health: A european approach using epidemiologic time series data. The APHEA
project: background, objectives, design. Eur Respir J 1995;8:1030-8.
10. Katsouyanni K, Schwartz
J, Spix C, Touloumi G, Zmirou D, Zanobetti A et al. Short-term effects of air
pollution on health: a European approach using epidemiological time-series
data. The APHEA protocol. J Epidemiol Comm Health 1996; 50 (Sup I):S12-S18.
11. Schwartz J, Spix C,
Touloumi G, Bacharova L, Barumamdzdeh T, Le Tertre A et al. Methodological issues
in studies of air pollution and daily counts of deaths and hospital admissions.
J Epidemiol Community Health 1996; 50 (Sup I):S3-S11.
12. Sunyer J, Castellsagué
J, Sáez M, Tobías A, Antó JM. Air pollution and mortality in Barcelona. J
Epidemiol Community Health 1996; 50 (Sup I):S76-S80.
13. Ballester F, Corella D,
Pérez-Hoyos S, Hervás A. Air pollution and mortality in Valencia (Spain): a
study using the APHEA methodology. J Epidemiol Community Health 1996;
50: 527-33.
14. Alonso E, Cambra K,
Urtiaga M. Análisis del episodio de disnea súbita ocurrido por emisión masiva
de SO2 en Barakaldo (Bizkaia). Gac Sanit 1995, 9 (Sup I); 54.
15. Guillén JJ, Guillén F,
Medrano J, García-Marcos L, Aguinaga I, Ñíguez JC. Afluencia inusual por asma y
enfermedad pulmonar crónica en urgencias hospitalarias y contaminación por SO2
en Cartagena. Rev Esp Salud Pública 1995; 69: 305-14.
16. Organización Mundial de
la Salud. Manual de la Clasificación Estadística Internacional de Enfermedades,
Traumatismos y Causas de Defunción. 9ª revisión. Publicación nº 353.
Washington: Organización Panamericana de Salud; 1978.
17. Ministerio de Sanidad y
Consumo. Red Nacional de Vigilancia y Prevención de la Contaminación Atmosférica.
Colección Sanidad Ambiental. Madrid: Ministerio de Sanidad y Consumo;1988.
18. Ministerio de Obras
Públicas, Transportes y Medio Ambiente (MOPTMA). Estaciones y redes de
vigilancia de la contaminación atmosférica en España. Descripción técnica y gráfica.
Serie Monografías. Madrid: MOPTMA; 1993.
19. Sáez M, Pérez-Hoyos S,
Tobías A, Saurina C, Barceló MA, Ballester F. Métodos de series temporales en
los estudios epidemiológicos sobre contaminación atmosférica. Rev Esp Salud
Pública 1999; 133-143.
20. Sánchez-Cantalejo E,
Ocaña-Riol R. Actualizaciones en regresión: suavizando las relaciones. Gac
Sanit 1997; 11:24-32.
21. Hastie TJ, Tibshirani
RJ. Generalized Additive Models. Londres: Chapman and Hall; 1990: 9.
22. Murillo C. Métodos
estadísticos de series temporales. Aplicaciones sanitarias. Barcelona:
SG;1994.p.17.
23. Pérez-Hoyos S, Sáez M,
Barceló MA, Cambra K, Figueiras A, Aránguez E, et al. Protocolo EMECAM:
Análisis del efecto a corto plazo de la contaminación atmosférica sobre la
mortalidad. Rev Esp Salud Pública 1999; 177-185.
24. Katsouyanni K, Toulomi
G, Spix C, Schwartz J, Balducci F, Medina S, et al. Short-term effects of
ambient sulphur dioxide and particulate matter on mortality in 12 European
cities: results from time series data from the APHEA project. BMJ
1997;314:1658-63.
25. Toulomi G, Katsouyanni
K, Zmirou D, Schwartz J, Spix C, Ponce de Leon A, et al. Short-term effects of
ambient oxidant exposure on mortality: a combined analysis within the APHEA
project. Am J Epidemiol 1997;146:177-85.
Ferran Ballester Díez
(1), Marc Sáez Zafra (2), Mª Eva Alonso Fustel (3), Margarita Taracido Trunk
(4), José Mª Ordóñez Iriarte (5), Inés Aguinaga Ontoso (6), Antonio Daponte
Codina (7), Juan Bellido Blasco (8), José Jesús Guillén Pérez (9), Mª José Pérez
Boíllos (10), Álvaro Cañada Martínez (11), Federico Arribas Monzón (12) y
Santiago Pérez-Hoyos (1) por el Grupo EMECAM.
(1) Institut Valencià
d'Estudis en Salut Pública (IVESP). (2) Universitat de Girona. Departament
d'Economia. (3) Departamento de Sanidad del Gobierno Vasco. (4) Facultad de
Medicina de la Universidad de Santiago. (5) Consejería de Sanidad y Servicios
Sociales. Comunidad de Madrid. (6) Area de Sanidad y Medioambiente del
Ayuntamiento de Pamplona. (7) Escuela Andaluza de Salud Pública. (8)Centro
Salud Pública Area 02 de Castelló. (9) Centro Área Cartagena. Consejería de
Sanidad de la Comunidad de Murcia. (10) Departamento de Salud y Consumo.
Ayuntamiento de Vitoria-Gasteiz. (11) Dirección Regional de Salud Pública.
Asturias. (12) Dirección General de Salud Pública. Aragón.
Correspondencia: Ferran
Ballester Díez. Institut Valencià d'Estudis en Salut Pública (IVESP). C Juan
de Garay, 21. 46017 Valencia. Teléfono 963869369 Fax 963869370.
Página anterior | Volver al principio del trabajo | Página siguiente |