Sobre poderes mágicos, matemáticas y efectos de la contaminación del aire sobre la salud

Sobre poderes mágicos, matemáticas y efectos de la contaminación del aire sobre la salud

10.7.2019
image alt

Recientemente, tuve el placer de ofrecer la charla “¿Qué tienen en común la magia y la investigación sobre los efectos de la contaminación del aire en la salud?”, en el Centro de Formación de Personas Adultas Bon Pastor en Barcelona. Fue una agradable ocasión para divulgar ciencia, concretamente la idea de que quienes nos dedicamos a la epidemiología ambiental nos pasamos la mayor parte del tiempo estimando riesgos. Y los riesgos son esencialmente probabilidades, y el cálculo de probabilidades es una rama de las matemáticas.

Quienes nos dedicamos a la epidemiología ambiental nos pasamos la mayor parte del tiempo estimando riesgos

Así, comenzamos la actividad con una serie de juegos para ilustrar algunas características de la “mente científica”. El primero, un ejercicio que se usa en educación primaria, consistía en colorear un collar siguiendo la instrucción “Colorea las perlas blancas siguiendo la pauta”:

Figura 1: Colorea las perlas blancas siguiendo la pauta.

Después de discutir cuál era la solución al problema, llegamos a la conclusión de que hay infinitas posibilidades tales que para cada una de ellas exista “una pauta”. Moraleja: en la ciencia, como en la vida, muy pocos problemas tienen una única solución. Conviene no dar nada por supuesto, dejar a un lado los prejuicios y apoyarnos en la argumentación.

Figura 2: Existe una infinidad de maneras de pintar las perlas de un collar “siguendo la pauta”. Cada uno de estos ejemplos sigue una determinada pauta.

En otros dos juegos, mostré mis (presuntos) poderes mágicos. En el primero, hice una serie de cálculos aritméticos mentalmente muchísimo más rápido que cualquier otra persona en la sala con una calculadora. En el segundo, leí sus mentes, adivinando el animal y el nombre del país que habían pensado. Moraleja: lo que aparentemente es mágico e ilógico, frecuentemente puede explicarse con la ciencia (en este caso, con el concepto matemático de raíz digital).

Si reunimos a 23 personas elegidas al azar, la probabilidad de que haya al menos dos que cumplen años el mismo día es superior al 50%… ¡y se dispara hasta el 99% si reunimos a 57 personas!

Después pasamos a ilustrar cómo el cálculo de probabilidades para estimar riesgos puede resultar muy útil en la toma de decisiones. Por ejemplo, vimos que si reunimos a 23 personas elegidas al azar, la probabilidad de que haya al menos dos que cumplen años el mismo día es superior al 50%… ¡y se dispara hasta el 99% si reunimos a 57 personas!

Figura 3: Probabilidad de que haya al menos dos personas que cumplen años el mismo día.

Otro ejemplo. En uno de los exámenes de oposiciones a profesorado de secundaria, debe desarrollarse por escrito un tema de entre los cinco que el tribunal elige al azar, en el momento del examen, de entre los 71 temas que hay en total. ¿Cuántos temas debería saberme para que sea muy probable que entre los cinco temas que elija el tribunal yo me sepa al menos uno? Puede sorprender que sabiendo únicamente 19 de los 71 temas, la probabilidad de éxito es del 80%. Y sabiendo 26 temas, es superior al 90%. Moraleja: saber estimar riesgos puede reducir los niveles de ansiedad, estrés, desconfianza o miedo.

Figura 4: Probabilidad de que haya al menos un tema que he estudiado entre los cinco que han salido en el sorteo.

Ya estábamos preparados para ver cómo nos movemos en el ámbito de la epidemiología donde, esencialmente, nos dedicamos a estimar riesgos para la salud en determinadas condiciones de exposición a un potencial factor de riesgo. Por ejemplo, imaginemos la siguiente conversación:

- Un estudio dice que si fumas tienes una esperanza de vida menor que si no fumas.

- Yo no me creo esos estudios porque mi abuelo fuma desde los 16 años, y ya ha cumplido 93.

Volvamos por un momento al juego de los cumpleaños repetidos. En la sala resultó haber 35 personas, de manera que, según la Figura 3, la probabilidad de encontrar en la sala al menos dos que cumpliesen años el mismo día era del 80%. En cambio, eso no ocurrió… Moraleja: la probabilidad no predice qué ocurrirá en un caso concreto sino que predice qué ocurrirá cuando miramos muchos casos. En la hipotética conversación anterior, la primera persona se refiere a “realizar el experimento muchas veces”; es decir, se refiere a un valor promedio (la esperanza de vida). En cambio, la segunda persona se refiere a un caso concreto (su abuelo). La epidemiología,  del griego epi (sobre) + demos (pueblo) + logos (palabra, tratado), no trata sobre personas concretas sino sobre la población en su conjunto.

Un ejemplo de comparación de riesgos es el estudio de los efectos a corto plazo de la contaminación del aire de una ciudad sobre la salud de sus habitantes

Un ejemplo de comparación de riesgos es el estudio de los efectos a corto plazo de la contaminación del aire de una ciudad sobre la salud de sus habitantes. El primer estudio moderno de este tipo analizó un pico de contaminación del aire en Londres en 1952, que se llamó Great Smog (smog fue un nuevo término acuñado a partir de smoke (humo) + fog (niebla)).

Great Smog. Londres, 1952.

El Great Smog fue de la mano con otro pico de mortalidad donde, además, se aprecia una especie de “efecto retardado” al observarse que el pico de mortalidad se encuentra desplazado hacia la derecha respecto al pico de contaminación:

Figura 5: Relación entre contaminación del aire y mortalidad durante el Great Smog, Londres (1952). Fuente: Johns Hopkins Bloomberg School of Public Health. Creative Commons BY-NC-SA.

Actualmente, en estudios de este tipo, analizamos series temporales mucho más largas (años en lugar de días), como las que se muestra a continuación, extraída de un análisis que hemos realizado desde ISGlobal para evaluar el impacto a corto plazo de la contaminación del aire de Barcelona sobre la salud.

Figura 6: Mortalidad total diaria y concentración de PM2,5 (Barcelona 2013 y 2014).

La “relación entre picos”, contrariamente al caso de la Figura 5, no resulta evidente a simple vista. En casos como este, se utilizan modelos estadísticos que permiten estimar el riesgo de mortalidad para diferentes e hipotéticos escenarios de contaminación del aire. En la práctica, se suele estimar el riesgo en dos escenarios diferentes: el escenario observado (es decir, con los niveles de contaminación que hubo) y un hipotético escenario de referencia considerado como “seguro” (por ejemplo, aquel en el que los niveles de contaminación diarios estuviesen siempre por debajo de los máximos recomendados por la Organización Mundial de la Salud (OMS)). Sin entrar en detalles técnicos, los modelos estadísticos que se utilizan en estos estudios son lo suficientemente sofisticados como para tener en cuenta otras variables que pueden afectar a la mortalidad como, por ejemplo, la temperatura ambiental, el día de la semana, el nivel de alérgeno de soja en el Puerto de Barcelona, el número de casos de gripe o posibles tendencias temporales en la mortalidad.

Así, la estimación de riesgos no solo sirve para saber decidir en apuestas sobre cumpleaños repetidos o saber cuántos temas tengo que saberme para un examen. También sirve para estimar que si Barcelona no superase ningún día el nivel máximo recomendado por la OMS de PM2,5 (partículas de diámetro no superior a 2,5 micras), podrían evitarse anualmente unas 160 muertes por causas cardiovasculares (el 3,6%) o 280.000 (1,3%) visitas al CAP, debidas a efectos a corto plazo (6 días). Por cierto, todo eso con un determinado margen de error porque la estadística hace maravillas pero no es mágica.