Content uploaded by Silvia Fontan
Author content
All content in this area was uploaded by Silvia Fontan on Dec 28, 2019
Content may be subject to copyright.
28
MORTALIDAD ASOCIADA A EVENTOS EXTREMOS DE FRÍO EN ARGENTINA,
2005-2015
Mortality Associated to Extreme Cold Events in Argentina, 2005-2015
ABSTRACT. INTRODUCTION: Mortality is associated with daily temperatures and extreme cold events. This study aimed to analyze the
effects of low temperatures on mortality in the main urban areas of Argentina during 2005-2015. METHODS: A time-series study with
generalized additive models was conducted, modeling the relationship between low temperatures and mortality for 21 cities in Argentina
between 2005 and 2015. Total mortality was analyzed as well as mortality by sex, age and cause of death, considering cold days, cold spells
and delays of 7 and 14 days after those events. RESULTS: Within a 7-day lag, the risk of death increases for a cold day in half of the cities
analyzed between 1.04 [CI95%: 1.00-1.08] and 1.14 [CI95%: 1.06-1.23]. The most vulnerable group was people aged 65 or more years, with
increases of up to 1.20 [CI95%: 1.05-1.39]. Cold spells are associated with an increased risk within the subsequent 7 days in 8 cities (1.05
[CI95%: 1.03-1.08] to 1.30 [CI95%: 1.03-1.65]), which increases to 10 cities for the 14-day lag, with slightly lower values. CONCLUSIONS:
With differences in magnitude and statistical robustness by cities, the population of most urban areas presents an increased risk of death
within 7 and 14 days after an event of extreme cold.
RESUMEN. INTRODUCCIÓN: La mortalidad guarda relación con las temperaturas diarias y los eventos extremos. Este estudio buscó analizar los
efectos de las bajas temperaturas sobre la mortalidad en las principales ciudades de Argentina en el período 2005-2015. MÉTODOS: Se realizó un
estudio de series temporales con modelos aditivos generalizados, modelando la relación entre bajas temperaturas y mortalidad para 21 ciudades
de Argentina entre 2005 y 2015. Se analizó la mortalidad general y por grupos de sexo, edad y causa de muerte, en días fríos y días de olas de frío,
así como los rezagos de 7 y 14 días posteriores a dichos eventos. RESULTADOS: En los 7 días posteriores a un día frío, el riesgo de muerte aumenta
en la mitad de las ciudades entre un 1,04 [IC95%: 1,00-1,08] y un 1,14 [IC95%: 1,06-1,23] según la ciudad. El grupo de 65 años y más es el que
muestra mayor impacto, con un incremento de hasta el 1,20 [IC95%: 1,05-1,39]. Las olas de frío se asocian con un aumento más pronunciado en
el riesgo de morir en los siguientes 7 días en 8 ciudades (1,05 [IC95%: 1,03-1,08] a 1,30 [IC95%: 1,03-1,65]), y en 10 ciudades en los siguientes 14
días, aunque con valores algo más bajos. CONCLUSIONES: Con diferencias en magnitud y robustez estadística según las ciudades, la población de
las áreas urbanas presenta un riesgo aumentado de muerte durante los 7 y 14 días posteriores a un evento de frío extremo.
1 Secretaría de Gobierno de Salud de la Nación, Universidad
Metropolitana para la Educación y el Trabajo, Argentina.
2 Instituto de Investigaciones Gino Germani, Universidad de Buenos
Aires, Argentina.
3 Servicio Meteorológico Nacional, Argentina.
4 Universidad Nacional de La Matanza, Argentina.
5 Universidad Nacional de Entre Ríos, Argentina.
6 Universidad ISALUD, Argentina.
PALABRAS CLAVE: Frío; Frío Extremo; Mortalidad; Cambio Climático; Argentina
Francisco Chesini1, Rosana Abrutzky2, Natalia Herrera3, María de los Milagros Skansi3, Silvia Fontán4, Elida Gonzalez Morinigo3, Francisco
Savoy5, Ernesto de Titto6
KEY WORDS: Cold Temperature; Extreme Cold; Mortality; Climate Change; Argentina
FUENTE DE FINANCIAMIENTO: Beca “Abraam Sonis”, otorgada por
la Dirección de Investigación para la Salud, Secretaría de Gobierno
de Salud de la Nación, Argentina.
FECHA DE RECEPCIÓN: 26 de julio de 2019
FECHA DE ACEPTACIÓN: 4 de noviembre de 2019
CORRESPONDENCIA A: Francisco Chesini
Correo electrónico: fran.chesini@gmail.com
RENIS Nº: IS002477
ARTÍCULOS ORIGINALES - Chesini y col. Mortalidad asociada a eventos extremos de frío en Argentina, 2005-2015
Rev Argent Salud Pública, 2019; 10(41): 28-36.
ARTÍCULOS ORIGINALES
29
Mortalidad asociada a eventos extremos de frío en Argentina, 2005-2015
Rev Argent Salud Pública, 2019; 10(41): 28-36
INTRODUCCIÓN
El bienestar del ser humano está relacionado con la tem-
peratura ambiente y tiene un rango de temperatura óptima,
que según la Organización Mundial de la Salud se encuentra
entre los 20 y los 27 ºC
1
. Los eventos extremos de tempe-
ratura, tanto de frío como de calor, generan impactos en la
salud de la población, que se reflejan en los registros de
hospitalizaciones y de mortalidad. Pese a que en ambos
extremos se observan incrementos en los efectos sobre la
salud2-4, los eventos de altas temperaturas han sido más
estudiados que los de bajas temperaturas5-7.
Existe evidencia epidemiológica que asocia la mortalidad
diaria con la temperatura ambiente registrada durante el/los
día/s anterior/es. Se observan incrementos en los extremos
de temperatura con un patrón de comportamiento en forma
de J invertida, V o U8. En concordancia, un estudio realizado
para las ciudades de Buenos Aires y Rosario encontró que
la relación entre la mortalidad y las temperaturas máximas
y mínimas presenta un comportamiento en forma de U
para ambas urbes7.
Estudios realizados en Estados Unidos y en Europa han
asociado el descenso de temperatura con incrementos de
la mortalidad general no accidental, así como con aumentos
en enfermedades cardiovasculares, respiratorias y cerebro-
vasculares9-11. En el caso de las temperaturas bajas, tanto
en la literatura como desde la plausibilidad biológica, se
reconoce que el efecto sobre la salud se verifica en rezagos
más prolongados a partir del momento de la exposición que
los relacionados con las temperaturas altas12.
No existe un criterio uniforme para definir los eventos
extremos de temperatura. Las olas de frío (OF) aparecen
en varios estudios como un período de días consecutivos
con temperaturas extremas sobre la base de la distribución
de frecuencias
8,13
. El Servicio Meteorológico Nacional (SMN)
de Argentina, a partir de una definición exclusivamente
climatológica, considera OF a un período de al menos tres
días consecutivos en el cual las temperaturas máximas y
mínimas son inferiores al percentil 10 (P10) calculado para
los meses de abril a septiembre de 1961-201014.
La evidencia sugiere que los efectos de las OF sobre la sa-
lud son más pronunciados en climas templados9. La extensa
geografía argentina exhibe una gran variedad de climas, por
lo que las OF presentan diferentes características (intensidad,
duración y frecuencia de ocurrencia) a lo largo y ancho del
país
15
. El Cuadro 1 del Anexo electrónico (http://rasp.msal.
gov.ar/rasp/articulos/volumen41/Anexo-Chessini-Cuadro1.
pdf ) muestra la cantidad y duración de las OF entre los
años 1961 a 2008 y durante el período de estudio, para
cada una de las ciudades incluidas en el análisis.
En los últimos 58 años se observó en gran parte del país
un aumento en las temperaturas a nivel anual. Junto con este
incremento, los días con temperaturas mínimas inferiores
al percentil 10 (Tn10p) y temperaturas máximas inferiores
al percentil 10 (Tx10p) tendieron a disminuir (con mayor
coherencia espacial en el caso de la Tn10p). Sin embargo,
en muchas de las localidades analizadas de Argentina estas
tendencias fueron débiles y no significativas16. Cabe des-
tacar que en los meses de julio y agosto en general no se
observó una disminución en la frecuencia de Tx10p ni de
Tn10p, que en algunas localidades incluso han aumentado17.
La hipótesis que guió este estudio fue que las bajas
temperaturas están asociadas a la mortalidad general y es-
pecífica para enfermedades cardiovasculares y respiratorias
en la República Argentina. Por ello, el objetivo planteado fue
analizar y caracterizar los efectos de los eventos extremos
de bajas temperaturas sobre la mortalidad en la ciudad
más poblada de cada provincia y en la Ciudad Autónoma
de Buenos Aires (CABA) en el período 2005-2015, consi-
derando como eventos extremos de temperatura las OF y
los días fríos (DF, definidos como cada uno de los días con
Tn10p y Tx10p simultáneamente).
MÉTODOS
Se realizó un estudio de tipo descriptivo y ecológico, con
un enfoque estadístico de series temporales. Los datos
meteorológicos fueron provistos por el SMN, como datos
diarios de temperatura mínima, media y máxima (en ºC)
para cada una de las estaciones correspondientes a las
localidades analizadas.
Los datos de mortalidad fueron proporcionados por la
Dirección de Estadísticas e Información de Salud, pertene-
ciente a la Secretaría de Gobierno de Salud de la Nación,
como registros individuales por caso de muerte. Se accedió
a información demográfica (sexo, edad y departamento de
deceso) y causa de muerte. No se contó en ningún momen
-
to con información que pudiese identificar en modo alguno
a los sujetos individualmente. Para su análisis se agruparon
en cantidad de casos para cada uno de los días del período.
Se conformaron series de datos diarios, para el semes-
tre frío (abril a septiembre), de variables meteorológicas
(temperatura mínima, media y máxima) y de mortalidad
para cada una de las localidades seleccionadas, para el
período 2005-2015.
Se identificaron los días con Tn10p y aquellos con Tx10p
durante el semestre frío para cada localidad, y a partir de
la definición del SMN se construyeron las variables de DF,
definido como aquel en que coinciden Tn10p y Tx10p, y OF,
constituida por tres o más DF consecutivos, y se generaron
rezagos de 7 días para los DF y de 7 y 14 días a partir de
la finalización de cada OF.
Se analizó la mortalidad diaria excluyendo las causas ex-
ternas y se construyeron subgrupos por sexo (varón; mujer),
por edad (0 a 64 años; 65 años y más, ya que la literatura
indica a la edad avanzada como un factor de vulnerabilidad
ante factores externos tanto en la morbilidad como en la
mortalidad
13,18
) y dos grupos de causas de muerte (cardio-
vasculares I00-I99 y respiratorias J00-J99 de la Clasificación
Estadística Internacional de Enfermedades y Problemas
Relacionados con la Salud, Décima Revisión - CIE1019),
que se indican como especialmente correlacionados con
las variables meteorológicas20,21.
30 ARTÍCULOS ORIGINALES
Rev Argent Salud Pública, 2019; 10(41): 28-36
Modelos estadísticos
Las series temporales se analizaron con modelos aditivos
generalizados (GAM, por sus siglas en inglés), que cons-
tituyen una extensión de los modelos lineales y permiten
relacionar variables de impacto y de resultado, incorpo-
rando el efecto de variables concomitantes en forma no
lineal. Se seleccionaron los registros correspondientes a
los días pertenecientes a los meses de abril, mayo, junio,
julio, agosto y septiembre de cada año, que conforman
el semestre frío en Argentina. En función de la dispersión
de los valores para las series de mortalidad, se utilizó una
regresión de Quasi Poisson.
La regresión controla para cada ciudad, en primer lu-
gar, las variables temporales (día de la semana, mes)
que muestran alguna correlación con el conteo diario
de muertes; en el modelo final se incorporan aquellas
que muestran correlación estadísticamente significativa
(p<0,05), para luego conformarse una fórmula del tipo
g(E(Y))= β0+ƒ1(x1)+ ƒ2(x2)+…+
en la cual Y es la variable de respuesta, g es la función que
vincula el valor esperado (E) de Y a las variables predictivas,
en este caso el logaritmo, y xi son las variables predictivas,
que pueden o no ser paramétricas dentro del mismo mo-
delo. De esta manera se conforma un modelo final del tipo
modelo<-gam(mort~vin+dsem1+dsem2+...+dsemn
+mes1+mes2+...+mesn+s(hr)+s(tmed)+s(id),family=
quasipoisson)
en el cual mort es la variable de resultado (mortalidad total y
de cada uno de los grupos), vin es la variable independiente
(día frío, ola de frío, rezago de ola, etc.), dsemx y mesx es
cada uno de los días de la semana y meses que mostraron
previamente una relación significativa con la variable de
resultado, y hr, tmed e id son la humedad relativa, la tem-
peratura media del día y el orden del día en los registros,
vinculados a través de una función de suavizado.
Para el análisis se utilizó el software R versión 3.6.0,
paquete MGCV.
Los resultados de los modelos se presentan como riesgo
relativo (RR), acompañado por su intervalo de confianza
del 95% entre corchetes. Se consideró asociación esta-
dísticamente significativa a aquella con un p-valor <0,05.
Selección de las localidades
En Argentina, 9 de cada 10 personas viven en áreas urbanas
de diferentes dimensiones22. En este estudio se analizó
la mortalidad por bajas temperaturas en 21 ciudades
(ver Figura 1). Para obtener resultados que permitiesen
describir el fenómeno en el territorio del país, se decidió
en primer término analizar una ciudad por provincia y la
CABA. Se escogió la ciudad más poblada de la provincia,
definida como aquella con mayor cantidad de habitantes
a nivel departamento que tuviera en su proximidad una
estación meteorológica. En los casos donde la mancha
FIGURA 1. Ciudades argentinas bajo estudio.
1, Ciudad Autónoma de Buenos Aires; 2, San Fernando del Valle de
Catamarca; 3, Resistencia; 4, Comodoro Rivadavia; 5, Córdoba; 6, Corrientes;
7, Paraná; 8, Formosa; 9, San Salvador de Jujuy; 10, Santa Rosa; 11, La Rioja;
12, Mendoza; 13, Posadas; 14, Neuquén; 15, Bariloche; 16, Salta; 17, San Juan;
18, San Luis; 19, Rosario; 20, Santiago del Estero; 21, San Miguel de Tucumán.
Fuente: Instituto Nacional de Estadísticas y Censos, Argentina.
urbana se extiende a departamentos adyacentes, estos
fueron considerados para el registro de la mortalidad.
Dado que el conteo de defunciones se encontraba a nivel
de departamento, en todos los casos se trabajó con los
totales poblacionales para este nivel de desagregación. De
este modo, cada unidad de análisis llamada “ciudad” es
la sumatoria de las defunciones ocurridas en los departa-
mentos cubiertos por la mancha urbana.
Se excluyeron las provincias de Santa Cruz y Tierra del
Fuego, cuyas ciudades más pobladas (Ushuaia y Río Ga-
llegos) registran un muy bajo promedio diario de muertes,
lo cual imposibilita el análisis con el diseño elegido. Se
excluyó también la provincia de Buenos Aires, que —pese a
que alberga una gran cantidad de población en su ciudad
capital, La Plata, y en el conurbano de la Capital Federal—
no dispone de registros diarios de mortalidad para el
período de estudio.
RESULTADOS
La población en estudio (12 272 546 habitantes) repre-
senta más de un tercio del total de la población urbana del
país (36 084 953 habitantes). En la Tabla 1 se presenta
la población total de cada ciudad, los valores de P10 para
31
Mortalidad asociada a eventos extremos de frío en Argentina, 2005-2015
Rev Argent Salud Pública, 2019; 10(41): 28-36
La Pampa. Analizando el rezago de 14 días se observó un
riesgo incrementado en 10 de las 21 ciudades, pero con
un impacto ligeramente más bajo, con RR de entre 1,05
[1,00-1,11] en Mendoza y 1,26 [1,06-1,50] en Santa Rosa.
La Figura 3 presenta los mapas de variación porcentual
del riesgo de morir por todas las causas durante los 7 y
14 días posteriores a una OF, en comparación con el resto
de días del semestre frío.
Al igual que en la mortalidad total, los DF no mostraron
impacto en el análisis por sexo. Sin embargo, durante la
semana posterior a un DF los incrementos en el riesgo
fueron disímiles para ambos sexos: en 5 ciudades el ries-
go aumentó en varones y mujeres, en 4 solamente en
varones y en 3 solamente en mujeres, con RR que fueron
desde 1,05 [1,03-1,07] en CABA a 1,17 [1,04-1,31] en
San Luis para los primeros y desde 1,05 [1,02-1,07] en
CABA a 1,22 [1,10-1,35] en Neuquén para las segundas.
El impacto diferencial por sexo se verificó en Santa
Rosa, donde la mortalidad de varones disminuyó ligera-
mente durante el evento, y en Tucumán, donde el riesgo
ascendió a RR=1,23 [1,05-1,46], y no se observó en el
resto de las ciudades analizadas. La semana posterior a
las OF mostró un aumento del riesgo en 7 ciudades para
los varones y en 4 para las mujeres; si se consideran los
14 días posteriores, se observó un impacto en 6 ciudades
para cada sexo. Los resultados fueron variables para cada
ciudad en cuanto a las diferencias en el RR según sexo y,
la Tmáx y Tmín, el número de OF y la media de muertes
diarias para cada uno de los grupos analizados durante el
semestre frío en el período 2005-2015.
En el total de las aglomeraciones urbanas analizadas en
el período se registraron 1 631 848 casos de muertes
por causas naturales, con promedios diarios que variaron
entre 1,7 (Bariloche) y 116,3 (CABA). En el Cuadro 2 del
Anexo electrónico (http://rasp.msal.gov.ar/rasp/articulos/
volumen41/Anexo-Chessini-Cuadro2.pdf) se muestran las
principales estadísticas descriptivas de las defunciones.
La mortalidad general presentó asociación con los DF
para las ciudades de Formosa y La Rioja; en ambos casos
se trató de una asociación negativa (RR=0,87 [0,75-0,99]
y RR=0,8 [0,6-1,0], respectivamente). Sin embargo, en la
semana siguiente a un DF, la mortalidad general aumentó
en 10 de las 21 ciudades analizadas, con impactos diarios
que fueron desde RR=1,04 [1,00-1,08] en Mendoza a
RR=1,14 [1,06-1,23] en Neuquén (ver Figura 2). Algo
similar ocurrió en relación con las OF, en las que para 9
ciudades no se encontró ninguna variación significativa en
la mortalidad general, ni específica por sexo o grupo etario
durante los días de OF. La mortalidad general se asoció
positivamente para Mendoza y Tucumán, y negativamente
para Neuquén. En cambio, durante la semana siguiente
a una OF, en 8 ciudades se registraron incrementos en la
mortalidad general mayores a los del rezago de DF, con RR
de entre 1,06 [1,03-1,09] en CABA y 1,30 [1,03-1,64] en
TABLA 1. Ciudades bajo estudio, número de olas de frío y principales estadísticos de defunciones (2005-2015).
CABA
San Fernando del Valle
de Catamarca (Catamarca)
Resistencia (Chaco)
Comodoro Rivadavia (Chubut)
Córdoba (Córdoba)
Corrientes (Corrientes)
Paraná (Entre Ríos)
Formosa (Formosa)
San Salvador de Jujuy (Jujuy)
Santa Rosa (La Pampa)
La Rioja (La Rioja)
Mendoza (Mendoza)
Posadas (Misiones)
Neuquén (Neuquén)
Bariloche (Río Negro)
Salta (Salta)
San Juan (San Juan)
San Luis (San Luis)
Rosario (Santa Fe)
S
antiago del Estero (Santiago del Estero)
San Miguel de Tucumán (Tucumán)
Ciudad
(Provincia)
2 890 151
159 703
390 874
109 123
1 329 604
358 223
339 930
234 354
317 880
117 721
180 995
1 086 633
324 756
362 673
133 500
536 113
441 477
204 019
1 350 860
409 404
994 553
Población
12,7
16,4
16,2
7,5
14
16,3
13,4
17
14,9
10,9
16
11,7
16,9
9,5
4,3
13,6
13
12,5
13
16,5
15
P10 †
Tmáx. ‡
P10
Tmín. §
4
1,5
3,6
-0,4
2,2
5,4
3,4
6,7
3
-1,6
2
-0,2
6,5
-2,9
-6,1
-0,2
-1,7
1
0,3
0,5
4,3
Varones Mujeres 0-64 años 65 y más años CardiovascularesRespiratorias
Nro
de OF ||
11
4
4
8
3
8
5
12
6
3
6
4
12
2
3
2
5
6
3
2
6
Total
116,3
3,9
8,6
2,8
33
7,9
8,3
5,6
6,2
2,6
3,3
22,1
6,3
5,3
1,7
10,2
10,3
3,6
36,3
8,9
19,8
61,7
2
4,1
1,2
16,3
4,1
4,3
2,6
3,3
1,4
1,8
10,8
3,5
2,8
0,8
4,8
5,1
1,7
17,9
4,2
9,7
54,6
1,9
4,5
1,6
16,6
3,8
4
3
2,9
1,3
1,5
11,2
2,9
2,5
0,9
5,4
5,2
1,9
18,4
4,7
10,1
28,8
1,2
3,3
0,9
9,5
3,1
2,5
2,5
2,4
0,7
1,3
5,6
3,8
1,9
0,5
3,8
3
1,1
8,6
3
6,3
87,6
2,6
5,3
1,9
23,5
4,8
5,8
3,1
3,8
1,9
2,1
16,5
2,5
3,4
1,2
6,4
7,3
2,5
27,7
5,9
13,5
39,1
1,2
1,8
0,7
14
1,8
2,4
1,4
1,1
0,9
0,8
7,1
1,6
1,2
0,4
2,4
2,7
1,2
10,9
2
4,6
25,5
0,7
1,2
0,5
4,5
1,2
1
0,7
0,8
0,5
0,6
2,8
1
0,6
0,1
1,8
2,3
0,6
5,1
1,7
3,6
Media de muertes diarias durante el semestre frío
*Ciudad Autónoma de Buenos Aires; †percentil 10; ‡ temperatura máxima; § temperatura mínima; || ola de frío.
Fuente: Instituto Nacional de Estadística y Censos, Servicio Meteorológico Nacional y Secretaría de Gobierno de Salud de la Nación.
32 ARTÍCULOS ORIGINALES
Rev Argent Salud Pública, 2019; 10(41): 28-36
FIGURA 2. Variación porcentual del riesgo de morir durante los días fríos (panel izquierdo) y rezagos de días fríos (panel derecho) en las
ciudades argentinas bajo estudio (2005-2015).
FIGURA 3. Variaciones en el riesgo de morir durante los 7 días (panel izquierdo) y 14 días (panel derecho) posteriores a una ola de frío en
ciudades argentinas bajo estudio (2005-2015).
No sign.: no significativa
No sign.: no significativa
33
Mortalidad asociada a eventos extremos de frío en Argentina, 2005-2015
Rev Argent Salud Pública, 2019; 10(41): 28-36
dentro de estos, para cada longitud de rezago.
En cuanto a los grupos de edad, los mayores de 64 años
mostraron mayor impacto ante la exposición a los eventos
de frío que los de 0 a 64, con un riesgo aumentado para
alguna de las variables en 14 de las ciudades analizadas.
Durante los DF no se observó asociación. Sin embargo,
durante los 7 días posteriores el RR se incrementó para el
grupo de mayores (entre RR=1,05 [1,03-1,07] en CABA,
Córdoba y Mendoza y 1,20 [1,10-1,31] en Neuquén). Las
personas de hasta 64 años solamente vieron aumentado su
riesgo en el rezago del DF en 4 ciudades, con incrementos
menores que oscilaron entre RR=1,04 [1,01-1,07] en CABA
y 1,13 [1,05-1,21] en Posadas. Durante los 7 días poste-
riores a las OF la mortalidad en los adultos mayores (65
años y más) se incrementó en 8 ciudades con diferentes
grados de significancia estadística. Entre las ciudades con
asociaciones más robustas estuvieron CABA (con RR=1,08
[1,04-1,11]), Córdoba (con RR=1,20 [1,05-1,39]) y Formosa
(con RR=1,18 [1,04-1,35]). Bariloche presentó un impacto
muy fuerte, con márgenes de error amplios: RR=1,62 [1,18-
2,27]. En la Figura 4 se presentan los mapas de variación
porcentual del riesgo para los dos grupos con mayores
incrementos: varones y adultos mayores.
Finalmente, la mortalidad por causas cardiovasculares
disminuyó durante los DF en 4 ciudades, con RR de entre
0,43 [0,21-0,90] en Bariloche y RR=0,94 [0,90-0,99] en
CABA, pero este efecto protector se invirtió en la semana
posterior, en la que en 7 ciudades el riesgo se incrementó
con RR=1,04 [1,02-1,07] en CABA a RR=1,23 [1,09-1,40]
en San Luis. Las OF, en cambio, no mostraron asociación
FIGURA 4. Variacion porcentual del riesgo de morir por todas las causas durante los 7 y 14 días posteriores a una ola de frío en Argentina en
comparación con el resto de días del semestre frío (2005-2015).
No sign.: no significativa
Panel A) y B) rezago de 7 días y 14 dias, respectivamente, en varones.
Panel C) y D) rezago de 7 y 14 días , respectivamente,en adultos mayores de 65 años de ambos sexos
34 ARTÍCULOS ORIGINALES
Rev Argent Salud Pública, 2019; 10(41): 28-36
con variaciones en la mortalidad cardiovascular excepto en la
ciudad de Salta (RR=1,40 [1,01-1,95]), pero sí durante los
días posteriores. En este caso, los RR más altos se registraron
durante la primera semana (para 10 ciudades, con valores
situados entre RR=1,07 [1,03-1,11] en CABA y RR=1,75
[1,31-3,34] en Santiago del Estero); si bien el impacto se
mantuvo hasta el día 14, las pendientes fueron menores.
En cuanto a las causas respiratorias, el riesgo se incre-
mentó en 7 ciudades en la semana posterior a un DF,
mientras que el impacto de las OF fue variable, ya que
en 2 de las ciudades fue positivo y en 3 de ellas la mor-
talidad disminuyó durante el evento. De estas últimas, en
Neuquén y Salta la asociación negativa presente durante
la OF desapareció en los días posteriores, mientras que
en La Rioja cambió de signo: durante la OF mostró un
RR=0,43 [0,21-0,85], que la semana siguiente aumentó
a 1,37 [1,01-1,90]. En Córdoba hubo sólo una OF en el
período analizado, sin asociaciones entre OF y los grupos
analizados anteriormente. Sin embargo, la mortalidad
por causas respiratorias registró un incremento del riesgo
con RR=2,11 [1,45-3,07], aumentado en los 14 días
posteriores.
DISCUSIÓN
En un contexto de cambio climático y calentamiento glo-
bal, se espera que las OF disminuyan progresivamente
a medida que la temperatura aumenta. Esto se fue evi-
denciando en la escasez de OF en los últimos años del
período de estudio16. Sin embargo, más de la mitad de
las ciudades analizadas tienen las OF más duraderas en
las últimas dos décadas.
En 20 de las 21 ciudades estudiadas se observan in-
crementos en los RR para uno o más de los subgrupos
analizados durante un evento extremo de frío (DF u OF)
o su rezago. San Salvador de Jujuy es la única ciudad en
la que no se encuentran asociaciones para ninguno de
los grupos ni eventos analizados.
Al evaluar la mortalidad durante los DF y los días de OF
no se encuentra un incremento significativo en el riesgo de
morir en los primeros (salvo para causas cardiovasculares
y respiratorias en una ciudad en cada caso), mientras que
en los segundos se observa un incremento en la mortalidad
general, por sexo, grupos etarios y causas específicas. Esto
pone de manifiesto que la duración del evento puede
asociarse con el incremento del riesgo, como ha sido
referido en otros estudios3.
En concordancia con lo señalado por otros autores23, este
estudio realizado en 21 ciudades argentinas demuestra que
el impacto de las bajas temperaturas sobre la mortalidad se
verifica con posterioridad a los eventos de frío, persistiendo
durante rezagos de hasta 14 días. Al comparar la mortalidad
durante los rezagos de 7 y 14 días de OF, se observa que a
mayor rezago aumenta el número de ciudades en las que
se incrementa significativamente el riesgo de muerte, en
mujeres y en todos los grupos etarios. Si bien es mayor el
número de ciudades en el que se verifica una asociación
con la mortalidad en los días posteriores a un DF que a
una OF, el impacto de la OF es más alto.
Los adultos de 65 años o más muestran mayores in-
crementos en el riesgo de morir durante los eventos de
frío que las personas de 0 a 64 años. Esto se sustenta en
la plausibilidad biológica y coincide con lo observado en
estudios previos3,4.
No se observan regularidades en cuanto al impacto de
las variables consideradas sobre la mortalidad en función
de la latitud u otras condiciones geográficas de las ciudades
analizadas. Sin embargo, cabe destacar que hay incremen-
tos en el riesgo incluso en ciudades con clima subtropical,
como Corrientes, Formosa, Posadas y Resistencia.
Con coeficientes de diversa magnitud, las ciudades de
Buenos Aires, Córdoba y Rosario presentan asociaciones
más fuertes para mayor cantidad de variables analizadas.
Esto no implica necesariamente una relación más estrecha
entre las variables en dichas localidades, sino un efecto
de la fortaleza estadística, al tratarse de las tres ciudades
con mayor cantidad de casos diarios, lo que brinda a los
resultados mayor poder estadístico. Santa Rosa y Salta no
presentan variación del riesgo durante los DF y su rezago
para ningún grupo estudiado, mientras que Resistencia y
San Luis son las únicas ciudades en las cuales no se registra
cambio del riesgo de morir durante las OF y sus rezagos
para ningún grupo. Por otro lado, Bariloche es la ciudad
que muestra mayores incrementos en el riesgo durante
el rezago de 7 días de las OF para mortalidad general,
varones, 65 años y más, y causas cardiovasculares.
Una limitación fue la imposibilidad de incluir todas las
ciudades originalmente propuestas, ya que las más po-
bladas en las provincias de Santa Cruz y Tierra del Fuego
(Ushuaia y Río Gallegos) registran un bajo promedio diario
de muertes, que no permite el análisis de series temporales
contemplado en el diseño del proyecto. Si bien resulta de
interés el efecto de las temperaturas bajas en estas ciuda-
des australes del país, deberían adoptarse otros abordajes
metodológicos para su estudio. Por otro lado, pese a que
la provincia de Buenos Aires concentra una fracción impor-
tante de la población del país tanto en su ciudad capital, La
Plata, como en los partidos del conurbano bonaerense, no
pudo ser incluida porque no dispone de registros diarios
de mortalidad durante el período de estudio.
Otra limitación del estudio fue la imposibilidad de con-
trolar factores de confusión. Por un lado, el modelo esta-
dístico adoptado no permitió calcular los riesgos relativos
ajustados por estratos, que podrían ser modificadores de
efecto. Por otro lado, no fue posible incorporar al análisis
otras variables que podrían actuar como confusores; tal
es el caso de la contaminación atmosférica, tanto exterior
como interior. Esto se debió a la falta de información
sistemática para las ciudades bajo estudio.
Se requieren estudios posteriores para determinar las
causas de las diferencias encontradas entre las ciudades
analizadas en cuanto a efectos de las variables sobre la
mortalidad. En la misma línea, sería deseable analizar en
35
Mortalidad asociada a eventos extremos de frío en Argentina, 2005-2015
Rev Argent Salud Pública, 2019; 10(41): 28-36
profundidad los eventos de temperaturas extremas indi-
vidualmente, a fin de caracterizar los impactos según la
intensidad, duración y condición meteorológica posterior al
evento. Adicionalmente, este análisis de la mortalidad en
relación con las bajas temperaturas podría ser enriquecido
a la luz de otros determinantes estructurales e intermedia-
rios
24
. Surgen nuevos interrogantes a partir de los resultados
hallados: ¿qué relación hay entre la mortalidad y las carac-
terísticas de las viviendas, sus posibilidades de calefacción
adecuada o sus condiciones sanitarias? Se trata de cuestiones
que requieren un enfoque metodológico diferente, con un
estudio pormenorizado que recupere las prácticas sociales
y permita dar cuenta de los factores protectores de la salud
que las comunidades han ido desarrollando.
En la República Argentina los eventos extremos de
bajas temperaturas plantean un riesgo a la salud, que en
el caso de la mortalidad se manifiesta principalmente en
días posteriores al evento.
RELEVANCIA PARA POLÍTICAS
E INTERVENCIONES SANITARIAS
El presente estudio revela los impactos sanitarios de las
OF y avanza en la identificación de grupos poblacionales
vulnerables, facilitando la implementación de acciones
de promoción y protección de la salud. Los resultados
obtenidos en este trabajo podrían sustentar el desarrollo
de un sistema de alerta temprana por OF y salud, de
similares características al que existe para olas de calor. El
hecho de que el SMN forme parte del proyecto garantiza
la transferencia de los resultados a un sistema de alcance
nacional. Asimismo, los hallazgos aquí presentados pueden
servir para diseñar políticas de promoción y protección de
la salud y comunicación de riesgos durante OF.
RELEVANCIA PARA LA INVESTIGACIÓN EN SALUD
El presente trabajo integra un conjunto de investigaciones
tendientes a mejorar el conocimiento del vínculo entre
clima y salud, que aspira a enriquecerse con el trabajo co-
laborativo entre distintas disciplinas, instituciones y equipos.
AGRADECIMIENTOS
A la Dirección de Estadísticas e Información en Salud del
Ministerio de Salud y Desarrollo Social de la Nación y al
Servicio Meteorológico Nacional por proveer los datos
analizados en el presente estudio.
DECLARACIÓN DE CONFLICTO DE INTERESES: No hubo conflicto de intereses durante la realización del estudio.
Cómo citar este artículo: Chesini F, Abrutzky R, Herrera N, Skansi M, Fontan S, Morinigo E y col. Mortalidad asociada a eventos extremos de frío
en Argentina, 2005-2015. Rev Argent Salud Publica, 2019; 10(41): 28-36.
REFERENCIAS BIBLIOGRÁFICAS
1 Organización Mundial de la Salud. Problemas de salud relacionados con el
trabajo en condiciones de sobrecarga térmica. Serie de Informes Técnicos.
Nº 412. Ginebra. 1969.
2 Carmona Alférez R, Díaz Jiménez J, León Gómez I, Luna Rico Y, Mirón
Pérez IJ, Ortiz Burgos C, et al. Temperaturas umbrales de disparo de la mor-
talidad atribuible al frío en España en el periodo 2000-2009. Comparación
con la mortalidad atribuible al calor. Madrid: Instituto de Salud Carlos III;
2016. [Disponible en http://gesdoc.isciii.es/gesdoccontroller?action=downlo
ad&id=10/03/2016-db8fa07be3] [Último acceso: 4/12/2019]
3 Anderson BG, Bell M. Weather-Related Mortality. How Heat, Cold, and Heat
Waves Affect Mortality in the United States. Epidemiology. 2009;20(2):205-
213. doi: 10.1097/EDE.0b013e318190ee08.
4 Huynen MM, Martens P, Schram D, Weijenberg MP, Kunst AE. The Impact
of Heat Waves and Cold Spells on Mortality Rates in the Dutch Population.
Environ Health Perspect. 2001;109(5):463-470. doi: 10.1289/ehp.01109463
5 Chesini F, Abrutzky R, de Titto EH. Mortalidad por olas de calor en la
Ciudad de Buenos Aires, Argentina (2005-2015). Cadernos de Saúde Pú-
blica.2019:35(9):1-11 [Disponible en: http://cadernos.ensp.fiocruz.br/csp/
public_site/arquivo/1678-4464-csp-35-09-e00165218.pdf] [Último acceso:
4/12/2019]
6 Chesini F, Herrera N, Skansi MM, Gonzalez Morinigo C, Fontán S, Savoy
F, et al. Análisis de la mortalidad durante las olas de calor del verano 2013-
2014 en la República Argentina. XII Congreso Argentino de Meteorolo-
gía. 2018. [Disponible en: http://cenamet.org.ar/congremet/wp-content/
uploads/2018/11/T0105_CHESINI.pdf][Último acceso: 14/11/2019]
7 Almeira G, Rusticucci M, Suaya M. Relación entre mortalidad y temperaturas
extremas en Buenos Aires y Rosario. Meteorológica. 2016;41(2):65-79. [Dis-
ponible en: http://www.meteorologica.org.ar/wp-content/uploads/2017/03/
Almeira_Vol42N2.pdf] [Último acceso: 4/12/2019]
8 Ryti NRI, Guo Y, Jaakkola JJ. Global Association of Cold Spells and Adverse
Health Effects: A Systematic Review and Meta-Analysis. Environ Health Persp.
2016;124(1):12-22.
doi: 10.3390/ijerph13121225
9 Aalitis A, Katsouyanni K, Biggeri A, Baccini M, Forsberg B, Bisanti L. Effects of
Cold Weather on Mortality: Results from 15 European Cities within the PHEWE
Project. Am J Epidemiol. 2008;168:1397-1408. doi: 10.1093/aje/kwn266
10 Bhaskaran K, Hajat S, Haines A, Herrett E, Wilkinson P, Smeeth L. Effects
of Ambient Temperature on the Incidence of Myocardial Infarction. Heart.
2009;95:1760-1769.
doi: 10.1136/hrt.2009.175000
11 Keatinge WR, Donaldson GC. Winter Mortality in Elderly People in Britain.
British Medical Journal. 2004;329:976. doi:10.1136/bmj.329.7472.976
12 Armstrong B. Models for the Relationship between Ambient Tempera-
ture and Daily Mortality. Epidemiology. 2006;17:624-631. doi:10.1097/01.
ede.0000239732.50999.8f
13 Wang L, Liu T, Hu M, Zeng W, Zhang Y, Rutherford S, et al. The Impact of Cold
Spells on Mortality and Effect Modification by Cold Spell Characteristics. Sci Rep.
2016;6:38380. doi: 10.1038/srep38380.
14 Servicio Meteorológico Nacional. Estadísticas de largo plazo. [Disponible en:
https://www.smn.gob.ar/estadisticas][Último acceso: 14/11/2019]
15 Servicio Meteorológico Nacional. Tendencias Observadas en Argentina
(1961-2018). [Disponible en: https://www.smn.gob.ar/clima/tendencias][Último
acceso: 14/11/2019]
16 Skansi MM, Brunet M, Sigró J, Aguilar E, Arevalo Groening JA, Bentancur
OJ, et al. Warming and Wetting Signals Emerging from Analysis of Changes in
Climate Extreme Indices over South America. Global and Planetary Change.
2013;100:295-307. http://dx.doi.org/10.1016/j.gloplacha.2012.11.004
17 Centro Regional del Clima para el Sur de América del Sur. Tendencias de
índices de extremos climáticos. [Disponible en: http://www.crc-sas.org/es/cli-
36 ARTÍCULOS ORIGINALES
Rev Argent Salud Pública, 2019; 10(41): 28-36
matologia_extremos_climaticos.php][Último acceso: 14/11/2019]
18 Song X, Wang S, Hu Y, Yue M, Zhang T, Liu Y, et al. Impact of Ambient Tempe-
rature on Morbidity and Mortality: An overview of Reviews. Science of the Total
Environment. 2017;586:241-254. doi:10.1016/j.scitotenv.2017.01.212
19 Organización Panamericana de la Salud. Clasificación Estadística Interna-
cional de Enfermedades y Problemas Relacionados con la Salud, Décima
Revisión. Washington DC. 1992. [Disponible en http://iris.paho.org/xmlui/bits-
tream/handle/123456789/6282/Volume1.pdf][Último acceso:5/12/2019]
20 Han J, Liu S, Zhang J, Zhou L, Fang Q, Zhang J. The Impact of Temperature Ex-
tremes on Mortality: A Time-Series Study in Jinan, China. BMJ Open. 2017;7(4).
doi: 10.1136/bmjopen-2016-014741.
21 Song X, Wang S, Li T, Tian J, Ding G, Wang J, et al. The Impact of Heat Wa-
ves and Cold Spells on Respiratory Emergency Department Visits in Beijing,
China. Science of the Total Environment. 2018;615:1499-1505. doi: 10.1016/j.
scitotenv.2017.09.108
22 Instituto Nacional de Estadística y Censos. Censo Nacional de Población, Ho-
gares y Viviendas 2010. [Disponible en: https://www.indec.gob.ar/indec/web/
Nivel4-Tema-2-41-135] [Último acceso: 4/12/2019]
23 Bao J, Wang Z, Yu C, Li X. The Influence of Temperature on Mortality and its
Lag Effect: A Study in Four Chinese Cities with Different Latitudes. BMC Public
Health. 2016;16:375. doi: 10.1186/s12889-016-3031-z
24 Moiso A. Determinantes de la salud. En: Barragán H, et al. Fundamentos de
Salud Pública. La Plata: Universidad Nacional de La Plata; 2007.
Esta obra está bajo una licencia de Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional. Reconociemiento —
Permite copiar, distribuir y comunicar publicamente la obra. A cambio se debe reconocer y citar al autor original. No comercial — esta
obra no puede ser utilizada con finalidades comerciales, a menos que se obtenga el permiso.
