universidad san jorge facultad de ciencias de la salud
TRANSCRIPT
Universidad San Jorge
Facultad de Ciencias de la Salud
ESTUDIO DE LOS EFECTOS DE LAS TEMPERATURAS EXTREMAS EN LA
MORTALIDAD DIARIA EN ARAGÓN, DURANTE EL PERIODO 1987-2006 COMO BASE PARA LA
ESTIMACIÓN DEL POSIBLE IMPACTO DEL CAMBIO CLIMÁTICO SOBRE LA MORTALIDAD POR TEMPERATURAS EXTREMAS, APLICANDO
ESCENARIOS CLIMÁTICOS.
TESIS DOCTORAL
Esther Roldán García
Villanueva de Gállego. 2015
Universidad San Jorge
Facultad de Ciencias de la Salud
ESTUDIO DE LOS EFECTOS DE LAS TEMPERATURAS EXTREMAS EN LA
MORTALIDAD DIARIA EN ARAGÓN, DURANTE EL PERIODO 1987-2006 COMO BASE PARA LA
ESTIMACIÓN DEL POSIBLE IMPACTO DEL CAMBIO CLIMÁTICO SOBRE LA MORTALIDAD POR TEMPERATURAS EXTREMAS, APLICANDO
ESCENARIOS CLIMÁTICOS.
TESIS DOCTORAL
Esther Roldán García
Villanueva de Gállego. 2015
Codirector Codirector Codirector
Mª Rosa Pino Otín Julio Díaz Jiménez Manuel Gómez Barrera
Mª Rosa Pino Otín, Vicedecana de Investigación y Coordinadora del Programa de Doctorado en Medioambiente,
Julio Díaz Jiménez, Científico Titular de la Escuela de Sanidad. Instituto Carlos III y
Manuel Gómez Barrera, Vicedecano del Grado de Farmacia, Universidad San Jorge.
CERTIFICAN
Que el trabajo de investigación recogido en la presente Tesis titulada: “Estudio de los efectos de las temperaturas extremas en la mortalidad diaria en Aragón durante el periodo 1987-2006, como base para la estimación del posible impacto del cambio climático sobre la mortalidad por temperaturas extremas, aplicando escenarios climáticos”, presentada en la Universidad San Jorge, ha sido realizado bajo su dirección, por Dª. Esther Roldán García y autorizan su presentación para optar al grado de Doctor.
Y para que conste, firmamos el presente certificado en Villanueva de Gállego (Zaragoza), a XX de diciembre de 2015.
Fdo. Mª Rosa Pino Otín Fdo. Julio Díaz Jiménez Fdo. Manuel Gómez Barrera
AGRADECIMIENTOS Al Dr. Julio Díaz, que me ha brindado la oportunidad de trabajar con él. Por la paciencia que ha tenido, por su tiempo y su esfuerzo y por supuesto por sus valiosos consejos y su aportación de
conocimientos. Gracias Julio.
Al Dr. Manuel Gómez, por su confianza y apoyo incondicional, por todos los ratos que hemos
pasado y por todo lo que me ha enseñado, no solo de estadística. «Abandonarte la Fuerza no puede. Constante ella es. Si encontrarla no puedes, en tu interior y no fuera deberás mirar.»
A la Dra. Rosa Pino, por creer en mí y por su apoyo para seguir en este camino de Tesis. Gracias Rosa.
A mis compañeros y amigos de la Universidad que directa o indirectamente han participado en
esta tesis opinando, corrigiendo, dando ánimo, acompañando en los momentos de crisis. Este
trabajo me ha permitido aprovechar la competencia y la experiencia de muchas personas que no quiero dejar de agradecer; a mis mujeres complicadas, a Carmen, a mis compañeros de
farmacia.
Pero, sobre todo, gracias a mi familia, a mis padres y a mi marido, por su paciencia y comprensión en este proyecto, por el tiempo que me han concedido, un tiempo robado a la
historia familiar. Sin su apoyo este trabajo nunca se habría escrito y, por eso, este trabajo es
también el suyo.
A todos, muchas gracias.
Índice
1
ÍNDICE
1. INTRODUCCIÓN ............................................................................................. 5
1.1. TEMPERATURA Y SALUD..................................................................................... 7
1.1.1. Efectos del calor en la salud ............................................................................ 7
1.1.2. Relación temperatura y mortalidad .................................................................. 8
1.2. ESTUDIO IMPACTO TEMPERATURA-MORTALIDAD. INCERTIDUMBRES .................. 9
1.2.1. Indicadores de salud ....................................................................................... 9
1.2.2. Indicadores meteorológicos y ola de calor ........................................................ 9
1.2.3. Evolución temporal. ...................................................................................... 11
1.2.4. Área geográfica de estudio ............................................................................ 12
1.3. IMPACTO FUTURO RELACIÓN TEMPERATURA-MORTALIDAD. INCERTIDUMBRES. 13
1.3.1. Proyecciones de cambio climático .................................................................. 14
1.3.2. Modelos de Circulación General (MCG) ........................................................... 15
2. JUSTIFICACIÓN ........................................................................................... 17
3. OBJETIVOS ................................................................................................... 21
4. MATERIAL Y MÉTODO y RESULTADOS ......................................................... 25
4.1. DETERMINACIÓN DE ZONAS ISOTÉRMICAS Y SELECCIÓN DE ESTACIONES
METEOROLÓGICAS REPRESENTATIVAS EN ARAGÓN COMO BASE PARA LA ESTIMACIÓN
DEL IMPACTO DELCAMBIO CLIMÁTICO SOBRE LA POSIBLE RELACIÓN ENTRE
MORTALIDAD Y TEMPERATURA .................................................................................... 27
4.1.1. Resumen ...................................................................................................... 28
4.1.2. Introducción ................................................................................................. 30
4.1.3. Material y métodos ....................................................................................... 31
4.1.4. Resultados ................................................................................................... 32
4.1.5. Discusión ..................................................................................................... 33
4.1.6. Bibliografía ................................................................................................... 35
4.1.7. Tablas .......................................................................................................... 38
Tabla 1. Resultados de estadística descriptiva obtenidos para las diferentes estaciones38
Tabla 2. Resultados de análisis factorial en los subgrupos analizados ......................... 39
4.2. The impact of extremely high temperatures on mortality and mortality cost. ........ 41
4.2.1. Abstract ....................................................................................................... 42
4.2.2. Introduction ................................................................................................. 43
4.2.3. Methods ....................................................................................................... 44
4.2.4. Results ......................................................................................................... 46
4.2.5. Discussion .................................................................................................... 47
Índice
2
4.2.6. Conclusion ................................................................................................... 50
4.2.7. Acknowledgements ....................................................................................... 51
4.2.8. References ................................................................................................... 51
4.2.9. Tables .......................................................................................................... 54
Table 1. Descriptive data from each one of the variables objects of study, non-
accidental mortality (dependent variable) and maximum daily temperatures
(independent variable) in Zaragoza for the period 1987-2006. ................................... 54
Table 2. Quantitative data for the effects of heat waves number and heat waves days
on mortality in Zaragoza. ......................................................................................... 54
Table 3. Epidemiological results of the multivariate ARIMA model for Zaragoza.
Attributable risk and relative risk for each significance variable................................... 55
Table 4 Mean death attributable to heat waves and mortality cost in Zaragoza per year
and during the entire 5 years of the study. ............................................................... 55
4.2.10. Figures ..................................................................................................... 56
Figure 1. CCFs between the residuals of organic-cause mortality and the residuals of the
series of maximum temperatures for 1987-2006, 1987-1993, 1994-2000 and 2001-2006.
.............................................................................................................................. 56
Figure 2. Scatter-plot diagrams of the organic mortality residual series and maximum
temperatures in Zaragoza grouped in 2ºC intervals for the study period. .................... 57
4.3. The effect of climate-change-related heat waves on mortality in Spain:
uncertainties in health on a local scale .......................................................................... 58
4.3.1. Abstract ....................................................................................................... 59
4.3.2. Introduction ................................................................................................. 60
4.3.3. Methodology ................................................................................................ 61
4.3.3.1. Study setting......................................................................................... 61
4.3.3.2. Data ..................................................................................................... 61
4.3.3.3. Definition of a heat wave ....................................................................... 62
4.3.3.4. Calculation of the dose–response correlation in the relation between
mortality and temperature ....................................................................................... 62
4.3.3.5. Future projections of maximum temperatures ......................................... 63
4.3.3.6. Future mortality projections ................................................................... 63
4.3.3.7. Calculation of the effect of extremely high temperatures on mortality for the
period 2014–2021. .................................................................................................. 63
4.3.4. Results ......................................................................................................... 64
4.3.4.1. The effects of heat waves, 2014–2021 ................................................... 64
Índice
3
4.3.5. Discussion .................................................................................................... 65
4.3.6. Conclusions .................................................................................................. 68
4.3.7. Acknowledgments ......................................................................................... 69
4.3.8. References ................................................................................................... 69
4.3.9. Tables .......................................................................................................... 74
Table 1: Annual mean intensity and frequency of heat waves for the base study period
.............................................................................................................................. 74
Table 2. Relative risk of the complete base period and the period divided into intervals:
1987-1993, 1994-2000, and 2001-2006. ................................................................... 74
Table 3: Annual mean of intensity and frequency of future heat waves, 2014-2099, for
the three study scenarios. ........................................................................................ 74
Table 4. Future all-cause mortality projections for Zaragoza for the years 2014-2021. . 75
Table 5. Annual mean of heat-wave-attributable deaths for the period 2014-2021 ...... 75
4.3.10. Figures ..................................................................................................... 76
Fig. 1: Location of the area under study, Zaragoza (Aragón) (NE Spain) ..................... 76
5. DISCUSIÓN .................................................................................................. 77
5.1. ESTACIONES REPRESENTATIVAS ...................................................................... 79
5.2. IMPACTO TEMPERATURA MORTALIDAD ............................................................ 80
5.2.1. Análisis de las series ..................................................................................... 80
5.2.2. OLA DE CALOR ............................................................................................. 82
5.2.3. EVOLUCIÓN ................................................................................................. 83
5.3. IMPACTO DE LAS TEMPERATURAS SOBRE LA MORTALIDAD ............................... 84
5.4. IMPACTO FUTURO DE LAS TEMPERATURAS EXTREMAS SOBRE LA MORTALIDAD
2014-2021 ................................................................................................................... 87
5.5. Limitaciones del estudio .................................................................................... 91
6. CONCLUSIONES ........................................................................................... 93
7. BIBLIOGRAFÍA ............................................................................................. 97
8. ANEXOS ...................................................................................................... 107
1. INTRODUCCIÓN
Introducción
7
1.1. TEMPERATURA Y SALUD
“Todo aquel que quiera estudiar medicina correctamente debe conocer las siguientes materias:
Primero, debe tener en cuenta los efectos de cada estación del año, y las diferencias que
existen entre ellas. En segundo lugar, debe estudiar los vientos fríos y los cálidos, tanto los que
son comunes a todos los países, como los propios de cada región….” Tratado de los aires, las
aguas y los lugares. Hipócrates.
Desde los comienzos de la historia, y como ya hacía referencia Hipócrates en su tratado, se
estudiaba la relación de ciertas patologías con las estaciones del año (Ballester, 1996). Desde
entonces innumerables estudios han certificado la influencia que los factores meteorológicos
tales como la temperatura, la humedad o la presión atmosférica del aire ejercen en la salud
humana a través de indicadores sanitarios, la mayoría de las veces referidos a zonas
geográficas reducidas o ciudades.
Obviamente, la mortalidad no es el único indicador de salud, pero ¿cómo afecta el calor en la
salud?
1.1.1. Efectos del calor en la salud
El cuerpo humano debe de mantenerse en un rango de temperaturas entre 36,0-37,5 para que
las células, enzimas, proteínas y demás estructuras moleculares puedan funcionar
adecuadamente. La temperatura está regulada por el centro termorregulador del hipotálamo,
que mediante la termorregulación permite mantener constante la temperatura corporal,
equilibrando los mecanismos tanto de producción como de pérdida de calor (Cámara-Díez,
2006).
De forma general, existe un rango de temperaturas diferente según cada lugar geográfico, en
el cual el sistema de termorregulación se encuentra en un estado de mínima actividad y los
individuos experimentan sensación de bienestar o confort térmico. A medida que la temperatura
ambiente se aleja de esa zona de bienestar, el sistema termorregulador aumenta su actividad y
los ajustes que deben producirse, experimentando sensación de malestar térmico (Linares y
Díaz, 2007).
Una respuesta insuficiente del sistema termorregulador se puede dar por una exposición a
elevadas temperaturas en lo que influyen determinados factores:
- la edad; la población de mayor edad y los niños más pequeños son los individuos más
vulnerables, por su dificultad a un mayor control de los mecanismos de regulación de la
temperatura.
Introducción
8
- determinadas patologías como cardiovasculares, respiratorias y/o mentales así como
enfermedades crónicas como la diabetes, obesidad, u otras.
- ingesta de determinados medicamentos como anticolinérgicos, diuréticos o barbitúricos.
- consumo de alcohol y drogas por deprimir el sistema nervioso.
- factores socioeconómicos como la pobreza el aislamiento social o equipamientos
domésticos.
El estrés por calor puede convertirse rápidamente en peligroso para la vida, por lo que durante
periodos de extremos térmicos por altas temperaturas aumenta tanto la mortalidad como el
número de ingresos hospitalarios (Cámara-Díez, 2006).
1.1.2. Relación temperatura y mortalidad
La mortalidad, como uno de los indicadores de salud, se ha venido representado frente a un eje
temporal observando que presenta una variación estacional cíclica, caracterizada por un pico
invernal cuya amplitud varía según las diferentes localizaciones geográficas y detectándose
además un segundo pico veraniego menos robusto aunque en ocasiones más intenso
(Mackenbach et al., 1992; Alderson, 1985; Kunts et al., 1993; Wen-Harn et al., 1995; Alberdi et
al., 1998).
La influencia de la temperatura sobre la mortalidad se ha observado en numerosos países
(Donalson et al., 2001a; McMichael et al., 2003; Dessai, 2003; Hayhoe et al., 2004; Knowlton et
al., 2007), incluyendo España (Martínez et al., 2004; Díaz et al., 2005b; Díaz et al., 2006).
Describiendo en ellos la influencia de la temperatura ambiental sobre la mortalidad diaria como
una relación no lineal en “V” ó “U”, aumentando la mortalidad diaria a medida que se
incrementa o desciende la temperatura ambiental a partir de una temperatura de confort o de
mínima mortalidad. Esta relación varía según las características de la zona geográfica estudiada,
destacando la climatología, la latitud, el crecimiento económico y la edad de la población (Mirón
et al., 2007; Mirón et al., 2008; Díaz et al., 2005b).
Los eventos realmente extremos por altas temperaturas que se registraron en Europa durante
el verano de 2003, aunque las intensidades registradas fueron diferentes en los países del viejo
continente, provocaron en todos ellos un exceso de mortalidad. Así, las defunciones asociadas a
las temperaturas extremas para esta región se estimaron en 70.000 (Robine et al., 2008). Más
recientemente, en el verano de 2010, muchas ciudades del este de Europa registraron
temperaturas extremadamente altas, a las que denominaron por su intensidad
“megaheatwaves”, y que fueron particularmente elevadas en Rusia, donde las muertes se
estimaron en 55.000 (Barriopedro et al., 2011). Esta sobremortalidad por altas temperaturas y
principalmente las ocasionadas en 2003 pusieron de actualidad ante la opinión pública este tipo
Introducción
9
de estudios y sirvieron para implementar medidas preventivas ante pronósticos de situaciones
meteorológicas similares.
Sin embargo, la eficacia de los planes de prevención o medidas preventivas que las autoridades
puedan proponer va a depender del trabajo previo que realicen, debido a que en este tipo de
estudios siguen apareciendo diferentes problemas e incertidumbres asociadas, relacionadas con
las definiciones y variables que se puedan tener en cuenta para llevarlos a cabo (Díaz et al.,
2015a).
1.2. ESTUDIO IMPACTO TEMPERATURA-MORTALIDAD. INCERTIDUMBRES
A la hora de plantear un estudio en el que se va a determinar la existencia de un impacto de la
temperatura en la mortalidad y cuantificarlo para poder actuar ante los efectos, hay que tener
en cuenta diferentes variables meteorológicas y de la salud. La decisión de tomar unas u otras
variables hará que el estudio reduzca o aumente sus incertidumbres.
1.2.1. Indicadores de salud
La selección del indicador de salud para definir las variables a utilizar en un estudio
epidemiológico y que defina el impacto de las temperaturas en la salud no está claramente
definido. Aunque la mortalidad diaria es con diferencia el más utilizado (Basu, 2009) existen
otros indicadores de salud que también se ven afectados por las temperaturas extremadamente
elevadas, como los ingresos hospitalarios (Kovats et al., 2004) o las visitas a los servicios de
urgencias (Lippmann et al., 2013). Pese a lo que a priori pudiera parecer, estos indicadores no
están relacionados entre sí. Así, por ejemplo, si un episodio de elevadas temperaturas tiene su
máximo impacto en la mortalidad por causas del sistema circulatorio sucede que esto no se
refleja en los ingresos por urgencias por este motivo, ya que las patologías implicadas pueden
ser agudas y las personas fallecen sin tiempo necesario para llegar al servicio de urgencias
hospitalarias (Linares y Díaz, 2008).
1.2.2. Indicadores meteorológicos y ola de calor
¿Qué variable meteorológica debe definir una ola de calor? A esta cuestión parece claro
contestar que la temperatura del aire, ¿pero qué medida de la temperatura del aire? la
temperatura máxima diaria, la temperatura mínima, la temperatura media diaria, o como en
otros casos que relacionan la temperatura con otras variables atmosféricas a través de
ecuaciones semiempíricas, como la relación de la temperatura y humedad relativa o lo que se
denominada temperatura aparente (Steadman, 1984) o el denominado «wind chill» (Siple,
1958) que relaciona la temperatura del aire con la velocidad del viento.
Actualmente no existe consenso entre la comunidad científica a la hora de la selección de las
variables meteorológicas ni con respecto a la definición de ola de calor (Díaz et al., 2002a;
Introducción
10
Montero et al., 2013). Existen numerosos trabajos que utilizan las diferentes variables antes
citadas para definir lo que se denomina una ola de calor (Montero et al., 2013). Aunque parece
que la temperatura máxima diaria es la más utilizada en general, en los últimos años en Europa
y, como resultado del proyecto Euroheat (D’ippoliti et al., 2010), se ha venido a utilizar la
denominada «temperatura aparente» como indicador meteorológico del efecto combinado de
temperatura y humedad. No obstante la utilización de este parámetro no está exenta de
controversia por los motivos que se explican a continuación.
En primer lugar, el uso de un parámetro que sintetice el efecto de diversas variables en un sólo
algoritmo matemático es asumible si su eficacia está previamente probada en todos los
escenarios posibles. La utilización de la temperatura aparente significa suponer que durante
una ola de calor existe una relación cuadrática positiva entre la humedad relativa (medida a
través de la temperatura del termómetro húmedo) y la mortalidad. De manera que un
incremento de la humedad siempre está asociado con un incremento de la temperatura. Sin
embargo, existen publicaciones que muestran que esto no es siempre así. En un estudio para
diferentes ciudades de Estados Unidos (Braga et al., 2002), se muestra que esta relación
temperatura-humedad varía para cada una de las ciudades analizadas. En España, existen
estudios en los que cuando se analiza independientemente la temperatura y la humedad, la
mortalidad se asocia con humedades relativas bajas (Tobías et al. 2010; Montero et al., 2012;
Díaz et al., 2002a), por lo que la utilización de la temperatura aparente en todos los escenarios
no es siempre viable y eficaz como indicador de ola de calor.
Tras exponer las incertidumbres de las variables independientes a la hora de definir ola de
calor, surge otra cuestión que hasta la fecha tampoco existe conceso; ¿A partir de qué
temperatura se considera ola de calor? O lo que coloquialmente se denomina ¿Cuál es la
“temperatura de disparo” de la mortalidad?.
Existen diferentes tendencias, por un lado aquellos que utilizan criterios estrictamente
climatológicos para definir una ola de calor, por ejemplo cuando la temperatura máxima diaria
supera el percentil 95 de las series de temperaturas máximas diarias de los meses de verano
(Montero et al., 2010). En esta línea, otros estudios determinan ola de calor a 2 o más días
consecutivos con temperatura media diaria igual o por encima del percentil 98 de las series de
temperaturas máximas diarias (Gasparrini & Armstrong, 2011; Son et al., 2012). Por otro lado
están los que sostienen que intervienen multitud de parámetros, como factores
socioeconómicos y demográficos, que hacen que la mortalidad comience a aumentar a
temperaturas que en algunos casos pueden estar por encima o por debajo del percentil 95 de
las series de temperaturas máximas antes citadas. Para resolver esta cuestión, habría que
realizar estudios epidemiológicos centrados en la relación mortalidad-temperatura, en cada área
Introducción
11
de estudio para detectar cuál sería la temperatura a la que comienza a aumentar la mortalidad
bruscamente por causa de la misma (Montero et al., 2012).
La definición de la «temperatura de disparo», por lo tanto, es esencial para determinar el
impacto de una ola de calor (Kent et al., 2014).
Efectos retardos, duración y numero de ola.
Existen otras variables que hay que tener en cuenta por su posible influencia en el impacto en
la salud.
Una característica de la relación entre ola de calor y mortalidad es que el efecto de esta
asociación no suele presentarse solamente en el mismo día sino que también se presentan en al
menos durante los tres días siguientes (Martínez et al., 2004; Mirón et al., 2007; Mirón et al.,
2008). Este aumento de la mortalidad en los días posteriores de que la temperatura extrema es
registrada se ha demostrado en varios estudios, por ejemplo en Castilla-La Mancha en el que se
determinó una asociación de 1 a 4 días del calor con la mortalidad por causas orgánicas
(Montero et al., 2012).
Duración de ola. La duración de una ola de calor viene marcada por el número de días
consecutivos en los que se supera la temperatura umbral de disparo, que puede definirse como
la intensidad de la ola de calor. Esto produce diferentes efectos en la salud cuando se supera
dicho umbral un solo día a cuando esto sucede durante varios días seguidos. Los mayores
incrementos en la mortalidad se producen cuando las temperaturas altas se mantienen durante
un periodo largo de tiempo (Bull GM y Morton J, 1978; Nakai S et al., 1999; Diaz J et al.,
2ª2a1; Tan J et al., 2007). A mayor duración, mayor impacto sobre la mortalidad (Gasparini &
Armstrong, 2011).
Número de ola. La asociación entre temperaturas extremas y mortalidad será mayor en las
primeras olas de calor del año (Hajat et al., 2002; Anderson y Bell, 2009), en parte debido a la
falta de aclimatación de la población a las altas temperaturas durante estas primeras olas de
calor (Mastrangelo et al., 2007) y debido también al desplazamiento de la mortalidad de los
grupos de población más susceptibles a estos primeros días del verano, lo que se llama “efecto
siega” (Díaz et al., 2002b).
1.2.3. Evolución temporal.
En los últimos tiempos se viene observando una modificación temporal de los impactos de las
olas de calor. Los percentiles de las temperaturas de disparo de mortalidad han ido variando
con el transcurso del tiempo y además pueden variar dependiendo de las ciudades o regiones
implicadas (Pascal et al., 2006; Mirón et al., 2007).
Introducción
12
Diferentes estudios de los efectos de las olas de calor han demostrado una tendencia
descendente (Schifano et al., 2012) siendo este impacto más acusado en la mortalidad por
causas cardiovasculares (Ha y Kim, 2013), mientras que para las causas respiratorias se
mantiene el efecto prácticamente constante (Mirón et al., 2015). Estos resultados obtenidos de
una serie temporal de más de 30 años para Castilla La Mancha establecen que se ha pasado de
un incremento en el riesgo de la mortalidad asociada al calor por cada grado centígrado en que
se supera la temperatura umbral del 13,7%, en la década 1975-1985, al 7,4% en la de 1997-
2008. En concreto, este descenso se ha debido a las causas circulatorias, pasándose del 18,2%
en la década 1975-1985 al 5,8% en la de 1997-2008. Sin embargo las causas respiratorias se
han mantenido prácticamente constantes, del 11,8% en 1975-1985 frente al 13,5% en la
década 1997-2008. Este comportamiento parece estar relacionado con la mejora de los
servicios sanitarios, en particular en pacientes con patologías cardiovasculares, las mejoras
socioeconómicas y de dotación de infraestructuras de mejor acondicionamiento en las
viviendas, la activación de los Planes de Prevención (Abrahamson et al., 2008) o la mera
aclimatación de la población al calor (Konkel, 2014). Por tanto, cambios en la evolución de
estos parámetros podrían revertir la situación e incrementar los efectos de los extremos
térmicos sobre la mortalidad.
1.2.4. Área geográfica de estudio
Con todo lo expuesto hasta el momento hay que considerar que la definición de ola de calor no
puede ser fija, no solamente no se puede establecer una temperatura que sirva para todas las
latitudes, como tampoco se puede fijar un percentil de la serie de temperaturas a la que se ve
expuesta una población, pues la relación entre temperatura y mortalidad varía con el tiempo.
Sin duda la temperatura umbral es consecuencia de las características sociales, económicas y
demográficas de una sociedad concreta, lo que pone de relieve la necesidad de realizar estudios
epidemiológicos geográficamente específicos y con evaluaciones periódicas sobre la relación
temperatura–mortalidad diarias en el contexto de unidades territoriales apropiadas para adaptar
a la realidad los planes preventivos (Pascal et al., 2006; Mirón et al., 2007).
Para ello, será necesario la realización de un tratamiento previo de los datos meteorológicos
suministrados a fin de cumplir con unos criterios razonables de representatividad. En primer
lugar, se debe tener la certeza de que las áreas en las que se estudia esta asociación exista una
exposición homogénea a la temperatura del aire para toda la población, de forma que se
asegure que el umbral obtenido es un indicador de alerta para toda la zona geográfica en la
que se implanta el plan. Es recomendable la utilización de metodologías como el análisis
factorial y de conglomerados u otros equivalentes. Una vez elegida una estación meteorológica
de referencia y obtenida la temperatura umbral ésta debe ser testada en la misma escala. Dicho
Introducción
13
de otro modo, no es en ningún modo admisible comparar la temperatura umbral elaborada con
los datos de una serie de temperatura de una estación representativa del área de estudio con la
que se registre en otra estación diferente (Mirón et al., 2006).
Existen herramientas disponibles ampliamente utilizadas en climatología para salvar estas
incertidumbres a fin de contar finalmente con datos meteorológicos fidedignos y representativos
en la realización de estudios ecológicos en salud pública, especialmente si se han de utilizar
para establecer medidas preventivas o alertas fiables a partir, por ejemplo, de cierto nivel de
temperatura ambiental (Mirón et al., 2006).
De esta manera se tendrá la seguridad de que la implementación de planes de prevención
basados en la superación de los umbrales así determinados redundarán en una disminución de
los impactos de las altas temperaturas sobre la salud de la población.
1.3. IMPACTO FUTURO RELACIÓN TEMPERATURA-MORTALIDAD.
INCERTIDUMBRES
Si las incertidumbres expuestas hasta ahora son complejas para determinar adecuadamente el
impacto de las olas de calor sobre la salud que ya han ocurrido, el problema se complica aún
mucho más, y aumentan las incertidumbres, cuando se quiere pronosticar qué impacto van a
tener estas olas de calor en un determinado horizonte temporal (Linares et al., 2014).
Aunque diferentes estudios de modelos climáticos indican que las futuras olas de calor serán
más frecuentes, más intensas y de mayor duración (Fischer y Schär, 2010; Kintisch, 2009;
Meehl y Tebaldi, 2004), la magnitud del cambio climático sigue siendo incierta y, por tanto, su
futura afección en la salud. Esto hace necesario comprender mejor cómo el cambio climático
afectará la salud de la población, especialmente entre los grupos más vulnerables (Ebi, 2008;
WHO, 2009).
Consecuencia de todo ello, en los últimos años se han realizado diferentes estudios de los
futuros impactos de las olas de calor en la salud para diferentes áreas: estimaciones futuras de
mortalidad relacionada con calor en la región metropolitana de Nueva York (Knowlton et al.,
2007), impacto futuro del calor estival en la mortalidad para 15 ciudades europeas (Baccini et
al., 2010), desarrollo potencial de la mortalidad relacionada con calor para Viena (Muthers et
al., 2010), examen del impacto del cambio climático sobre la mortalidad relacionada con el calor
en 40 ciudades de EEUU para el siglo XXI (Green et al., 2011), estimación del futuro exceso de
mortalidad atribuibles a las olas de calor para Chicago (Peng et al., 2011), cuantificación de los
efectos futuros del aumento de la temperatura en verano en la mortalidad para las cuatro
principales ciudades de Cataluña (Ostro et al., 2012), o la estimación futura de la relación entre
mortalidad y calor para nueve áreas metropolitanas de California (Sheridan et al., 2012).
Introducción
14
Si bien es cierto que la precisión de las futuras proyecciones sobre los impactos en la salud han
ido aumentando con el progreso en la generación de los modelos climáticos (Wu et al., 2014)
existen determinadas incertidumbres relacionadas con la estimación de los impactos en salud
(Díaz et al., 2014). Estas incertidumbres derivan de los escenarios RCP (Representative
Concentration Pathway) (Wu et al., 2014) de la estimación de los riesgos relativos asociados a
los incrementos de temperaturas (Benmarhnia et al., 2014), de factores relacionados con la
propia definición de la ola de calor (Kent et al., 2014), de cambios temporales en los impactos
del calor sobre la mortalidad (Linares et al., 2014; Mirón et al., 2015) relacionados
posiblemente con cambios socioeconómicos y de adaptación (Petkova et al., 2014).
Parte de estas incertidumbres se atenuaran con una buena definición de ola de calor basada en
estudios epidemiológicos y una correcta determinación de riesgos sin perder de vista su
comportamiento temporal.
1.3.1. Proyecciones de cambio climático
Según el Grupo Intergubernamental de Expertos del Cambio Climático (IPCC de sus siglas en
inglés) son “Las emisiones futuras de Gases de Efecto Invernadero (GEI) son el producto de
muy complejos sistemas dinámicos, determinado por fuerzas tales como el crecimiento
demográfico, el desarrollo socio-económico o el cambio tecnológico”. (IPCC, 2000)
Los escenarios son por tanto imágenes alternativas de posibles situaciones futuras
consecuencia de la evolución de las emisiones. La descripción de los escenarios se desarrolla en
cuatro líneas evolutivas diferentes que representan un cambio demográfico, social, económico y
medioambiental. Para cada una de las líneas evolutivas se desarrollan varios escenarios con el
fin de abarcar todos los posibles condicionantes.
- Línea evolutiva y familia de escenarios A1. Describe un mundo futuro con un crecimiento
económico muy rápido, una población mundial que alcanza su punto máximo hacia mediados
de siglo XXI con un posterior decrecimiento, una introducción de tecnología rápida y eficiente y
una reducción de las diferencias regionales. Esta familia se desarrolla en tres grupos según su
orientación tecnológica: A1F1 con una utilización intensiva de combustible de origen fósil, A1T
uso de energía de origen no fósil y A1B uso equilibrado de todo tipo de fuentes de energía.
- Línea evolutiva y familia de escenarios A2. Describe un mundo muy heterogéneo, con
una población mundial en continuo crecimiento, un desarrollo económico orientado
regionalmente y un cambio tecnológico fragmentado y más lento.
- Línea evolutiva y familia de escenarios B1. Describe un mundo convergente con similar
patrón de población que el A1 pero con cambios más rápidos en las estructuras económicas con
una reducción en la intensidad del uso de materiales y la introducción de tecnologías limpias
con un aprovechamiento eficaz de los recursos.
Introducción
15
- Línea evolutiva y familia de escenarios B2. Un mundo en el que predominan las
soluciones locales a la sostenibilidad económica, social y medioambiental, su población aumenta
a menor ritmo que la familia A2 y con un cambio tecnológico menos rápido y más diverso.
Figura 1: Representación de los escenarios SRES
Los escenarios son de gran utilidad para el análisis del cambio climático y concretamente para
la creación de modelos de clima, para la evaluación de los impactos y de estrategias de
adaptación y mitigación. El uso de diversos escenarios que combinan los cambios demográficos,
económicos y sociales es recomendable ya que las proyecciones no son una herramienta para
asegurar mejores predicciones futuras. Su finalidad es la de ser utilizados como herramientas
para facilitar nuestra comprensión sobre cómo los climas regionales pueden cambiar, y poder
entender cómo sistemas vulnerables pueden ser afectados por el cambio climático (IPCC, 2000)
y facilitar una mejor comprensión de las incertidumbre futuras (Huang et al., 2011).
1.3.2. Modelos de Circulación General (MCG)
Los Modelos de Circulación General (MCG) o Modelos de Predicción Numérica del Clima
(MPNCs) son la herramienta más poderosa para analizar los posibles cambios en el sistema
climático global (Huebener y Kerschgens, 2007).
Estos modelos (Gordon et al., 2000; Stendel et al., 2000) simulan flujos de energía, masa y
cantidad de movimiento, a través de “ecuaciones primitivas” de la dinámica, entre los puntos de
una retícula tridimensional que se extiende por la Atmósfera y Océanos y las capas superiores
de la Litosfera y Criosfera. Mediante la integración temporal de estos flujos, se obtienen
evoluciones simuladas de los estados atmosféricos. Los MCGs tienen tres características
Introducción
16
principales, que son las que van a distinguir unos modelos de otros, la formulación, la
configuración y la resolución.
- La formulación hace referencia a la resolución matemática de los modelos (rejilla o
espectral).
- La configuración es la manera en la que se ejecuta un MCG. En este sentido, hay dos
tipos de modelos, los atmosféricos y los acoplados (atmósfera-océano). Los primeros, modelos
atmosféricos representan la interacción con el océano mediante la introducción de datos fijos
de la temperatura en la superficie del mar, mientras que en los segundos o modelos oceánicos
se encarga de simular los cambios en la temperatura del mar pudiendo reaccionar a posibles
cambios atmosféricos. Estos últimos son los más utilizados hoy en día.
- La resolución, es decir, el tamaño de la rejilla en la que trabajan. Los MCGs muestran una
capacidad notable para reproducir las principales características de la circulación atmosférica
general, como células de Hadley, cinturones extratropicales de borrascas... (Stendel et al.,
2000). El problema surge cuando la escala a estudiar es más pequeña (es decir, se seleccionan
unos pocos puntos de la rejilla de trabajo) donde las variables, especialmente en superficie, no
se aproximan a los valores observados en realidad. Estas limitaciones se pueden explicar por
varias razones relacionadas con la insuficiente resolución espacial de los modelos (Von Storch,
1994) que a día de hoy es de unos 2º-3º de latitud/longitud. La topografía (cordilleras, líneas
de costa, etc.) es descrita con poco detalle lo que hace que algunos forzamientos relacionados
con la misma y de extraordinaria importancia a nivel local, sean omitidos y no tenidos en cuenta
por el modelo. Algunos de los procesos a escala sub-grid son parametrizados. Esas
parametrizaciones son ajustadas de manera estadística en todo el planeta pudiendo ser
ineficientes en regiones concretas. La parametrización del flujo de energía desde las escalas
sinópticas (106 km2) a las sub-grid afecta a la fiabilidad de las menores escalas resueltas.
En la mayor parte de los estudios de evaluación de impactos (Beersma et al., 2000; Cramer et
al., 2000) es necesaria la presencia de escenarios climáticos con resolución local de variables
cercanas a la superficie terrestre (temperatura a 2 m., precipitación, etc.). Surgiendo por tanto,
la necesidad de adaptar la información más fiable proporcionada por los MCGs (baja resolución
espacial) a la información requerida por los modelos de impacto (mayor resolución espacial-
local-en superficie), este proceso es conocido como “downscaling”.
Hay dos maneras de afrontar el problema de resolución local a través de “downscaling”
estadístico o “downscaling” dinámico, ambos siguen teniendo incertidumbres, que es
importante conocer a la hora de trabajar con ellas y poder tratar el efecto de las mismas en los
escenarios o climas futuros. En todo caso, las diferencias en las predicciones de los diferentes
MCGs son generalmente mucho mayores a las incertidumbres propias derivadas de la
regionalización, en otras palabras: es probable que la mayor incertidumbre se encuentre en la
predicción global y no en la regionalización (Gordon et al., 2000).
2. JUSTIFICACIÓN
Justificación
19
Las características climatológicas, socioeconómicas y demográficas de la Comunidad de Aragón
condicionan el impacto de las temperaturas extremas en la mortalidad, si a este hecho se le
añade el entorno cambiante que se prevé en las proyecciones futuras, se considera la
necesidad de realizar estudios epidemiológicos geográficamente específicos y con evaluaciones
periódicas por las siguientes razones:
1- Ante la falta de estudios previos en la zona geográfica a estudiar y siendo una región
tan diversificada y extensa, se considera necesario determinar la existencia de diferentes zonas
isotérmicas de Aragón y seleccionar una estación representativa de cada una de ellas y de toda
la comunidad para posteriormente analizar si la variabilidad de las series de temperatura de las
estaciones se corresponden con la variabilidad de las series de mortalidad. Esta parte se
considera necesaria desde el punto de vista de la planificación sanitaria.
2- La bibliografía consultada muestra que las temperaturas de disparo de la mortalidad
diaria varía de una ciudad a otra, debido a que responde a unas determinadas características
sociales, económicas y demográficas de una sociedad concreta, por lo que se considera que
una correcta definición de ola de calor para la zona geográfica de estudio será esencial a la
hora de determinar los impactos de las temperaturas extremas en la mortalidad. Ante la falta
de consenso científico, es necesario seleccionar las variables adecuadas teniendo en cuenta no
solo los factores estrictamente climatológicos sino estudios epidemiológicos centrados en la
relación temperatura mortalidad de nuestra zona geográfica a estudiar. La definición de los
percentiles de disparo de mortalidad son necesarios, así mismo, para estimar del impacto en la
salud.
3- Se ha observado en los últimos tiempos una variación temporal de las temperaturas
de disparo, evolución que no es homogénea ni extrapolable. Esta evolución también implica una
variación en los riesgos atribuibles a las olas de calor, calculado como un incremento de la
mortalidad por cada grado centígrado que supera la temperatura de disparo. Se ha considerado
que el estudio del comportamiento en el tiempo tanto de las temperaturas de disparo como de
su cuantificación del impacto en la salud son claves a la hora de identificar medidas de
prevención y en la implementación de soluciones.
4- Un estudio epidemiológico previo de la zona de estudio en el que se han tenido en
cuenta las incertidumbres posible, tal como se ha hecho para Zaragoza reducirá las
incertidumbre que surgen cuando se quiere pronosticar qué impacto van a tener estas olas de
calor en un determinado horizonte temporal futuro. El efecto de las temperaturas extremas
para el periodo 2014-2021 para Zaragoza permitirá anticiparse a potenciales consecuencias
Justificación
20
sobre la salud pública asignando el nivel adecuado de recursos a las políticas de mitigación e
intervención.
Por todo lo expuesto, en este trabajo se va a analizar y cuantificar el efecto que han tenido
temperaturas extremas por calor en Aragón como paso previo a una estimación de los futuros
efectos del cambio climático provocaran en nuestro territorio.
3. OBJETIVOS
Objetivos
23
Objetivo general:
Analizar y cuantificar el efecto de las temperaturas extremas en la sobremortalidad diaria en
Zaragoza en el periodo 1987-2006 y estimación de su efecto para el periodo 2014-2021.
Objetivos específicos:
Objetivo 1. Determinar la existencia de regiones isotérmicas y selección de las estaciones
representativas para estudiar la correlación entre variables temperatura y mortalidad diaria en
Aragón.
Objetivo 2. Estudiar la relación entre las temperaturas extremas y la sobremortalidad diaria
para la zona de estudio, mediante el análisis estadístico y modelización de series de datos
climáticos y de salud para el periodo comprendido entre 1987-2006.
Objetivo 3. Analizar la evolución temporal geográfica de la temperatura umbral de disparo de
mortalidad diaria para el periodo de estudio dividido en tres tramos (1987-1993, 1994-2000 y
2001–2006).
Objetivo 4. Determinar el impacto de las temperaturas extremas en la mortalidad diaria, y
estimar su coste de la mortalidad atribuible al calor.
Objetivo 5. Estimar el efecto de las temperaturas extremas por calor sobre la mortalidad diaria
en Zaragoza (España) para el periodo 2014-2021 para diferentes escenarios climáticos y análisis
de las posibles incertidumbres en la relación mortalidad-olas de calor.
4. MATERIAL Y MÉTODO Y RESULTADOS
Material y método y resultados
27
4.1. DETERMINACIÓN DE ZONAS ISOTÉRMICAS Y SELECCIÓN DE ESTACIONES
METEOROLÓGICAS REPRESENTATIVAS EN ARAGÓN COMO BASE PARA LA
ESTIMACIÓN DEL IMPACTO DELCAMBIO CLIMÁTICO SOBRE LA POSIBLE RELACIÓN
ENTRE MORTALIDAD Y TEMPERATURA
Esther Roldán García (1), Manuel Gómez Barrera (1), Mª Rosa Pino Otín (1), Mariano
Esteban Pradas (2) y Julio Díaz Jiménez (3).
Revista Española de Salud Pública 2011; 85: 603-610.
(1) Grupo Consolidado de Investigación Aplicada Gimaces, Facultad de Ciencias de la Salud, Universidad
San Jorge. Villanueva de Gállego. Zaragoza.
(2) Dirección General de Salud Pública. Gobierno de Aragón. Zaragoza.
(3) Escuela Nacional de Sanidad, Instituto de Salud Carlos III. Madrid.
Material y método y resultados
28
4.1.1. Resumen
Fundamento: En regiones extensas y diversificadas, como Aragón, se cree la necesidad de
dividirlas en áreas en función de las variables atmosféricas disponibles, para seleccionar una
estación meteorológica representativa. El objeto de este artículo es determinar la existencia de
regiones isotérmicas y seleccionar las estaciones representativas con el fin de estudiar la
correlación entre variables de temperatura y mortalidad diaria.
Métodos: Se seleccionaron datos diarios de temperatura máxima y mínima para el periodo
comprendido entre enero de 1987 y diciembre de 2006. Para determinar las zonas isotérmicas
se realizó un análisis de conglomerados jerárquicos y un análisis factorial discriminante, así
como un tratamiento previo de datos de relleno de lagunas y detección de heterogeneidades en
las series climáticas. Se analizaron datos de 93 estaciones (44 en Huesca, 15 en Teruel y 34 en
Zaragoza).
Resultados: De los resultados del análisis para la regionalización de Aragón extrajimos que un
solo factor explica la varianza de cada serie. En temperaturas máximas ese único factor explicó
el 93,43% de la varianza y la estación que representó un mayor factor de correlación fue
Huesca-Monflorite (correlación=0,984). Para temperaturas mínimas un único factor explicó el
90,88% de la varianza, siendo la estación con mayor factor de correlación Pallaruelo de
Monegros (correlación= 0,976).
Conclusiones: Se consideró que Aragón es una única región isotérmica con una única estación
representativa de la variabilidad de las temperaturas, Zaragoza-Aeropuerto, con una correlación
en temperaturas máximas de 0,980 y en mínimas de 0,974.
Palabras clave: Temperatura ambiente. Mortalidad. Cambio climático. Series temporales.
Análisis por conglomerados.
Material y método y resultados
29
ABSTRACT
Determination of Isothermal Areas and Selection of Representative Weather
Stations in Aragón as a Basis for Estimating the Impact of Climate Change on the
Possible Relationship Between Mortality and Temperature
Background: In extensive and diversified regions, such as Aragon, it is believed the need to
divide them into areas in terms of the available atmospheric variables with a view to select a
representative weather station. The objective of this study was to determine the existence of
isothermal regions and select representative stations for Aragon in order to carry out further
study on the correlation between variables of temperature and daily mortality.
Methods: Daily data on maximum and minimum temperature for the period between January
1987 and December 2006 was selected. In order to determine the isothermal areas a cluster
analysis and a discriminate factor analysis were carried out along with a data pretreatment of
filled gaps and detection of inhomogeneities in the climatic series. We analyzed data from 93
stations (44 in Huesca, 15 in Teruel and 34 in Zaragoza).
Results: The results of the analysis for the regionalization of Aragon lead us to conclude that a
unique factor explains the variance of each series; at high temperatures one factor explains
93.43% of the variance and the station with the highest correlation factor is Monflorite-Huesca
(correlation = 0.984).At low temperatures one factor explains 90.88%of the variance, with
Monegros-Pallaruelo being the station that presents the greatest correlation factor (correlation
= 0.976).
Conclusions: It was felt that Aragon was a unique isothermal region with one unique
representative station of the temperature variability, Zaragoza-Airport with a correlation of
0.980 in maximum temperatures and 0.974 minimum.
Key Words: Temperature. Mortality. Climate change. Time series studies. Cluster analysis.
Material y método y resultados
30
4.1.2. Introducción
El efecto del calor en la mortalidad ha sido objeto de estudio en diversas ciudades españolas,
constatándose que las series temporales de mortalidad diaria presentan un comportamiento
cíclico estacional, al igual que las series de temperaturas. La mortalidad diaria presenta un pico
invernal o estival coincidiendo con los picos de temperaturas (Mackenbach et al., 1992; Mirón et
al., 2007; 2008). En el verano de 2003 las temperaturas extremadamente elevadas registradas
en Centroeuropa se asociaron con numerosos eventos de morbi-mortalidad (Martínez et al.,
2004; Díaz et al., 2006).
La influencia de la temperatura ambiental sobre la mortalidad diaria se describe generalmente
como una relación no lineal en “V” ó “U”. Aumentando la mortalidad diaria a medida que se
incrementa o desciende la temperatura ambiental a partir de una temperatura de confort o de
mínima mortalidad (Mirón et al., 2007; 2008). Esta relación varía según las características de la
zona geográfica estudiada, destacando la climatología, la latitud, el crecimiento económico y la
edad de la población (Díaz et al., 2005; Mirón et al., 2007; 2008).
Desde el punto de vista de los efectos en la salud, no existen criterios uniformes para definir ola
de calor y de frío. Algunos estudios definen como ola de calor el periodo en el que la
temperatura máxima diaria supera el percentil 95 de las series de temperaturas máximas diarias
durante el periodo estival. Mientras que para las olas de frío, la temperatura mínima diaria se
ha asociado al percentil 5 de las series de temperaturas mínimas diarias durante el periodo
invernal (Díaz et al., 2002; Díaz et al., 2005a; 2005b; Díaz et al., 2006; Mirón et al., 2007).
Otros estudios demostraron que los percentiles de las temperaturas de disparo de la mortalidad
variaban temporal y espacialmente, siendo necesario abordar estudios epidemiológicos
geográficamente específicos y con evaluaciones periódicas sobre la relación entre temperatura
y mortalidad diarias para adaptar a la realidad los planes preventivos (Pascal et al., 2006; Mirón
et al., 2007).
El exceso de mortalidad también se ha asociado a periodos de tres o más días consecutivos de
temperaturas inhabituales, ya sea verano o invierno, y su efecto se puede observar en el mismo
día o con un retraso de 3 o más días después del incremento de temperaturas (Martínez et al.,
2004; Mirón et al., 2007; 2008).
Según el Informe de Impactos del Cambio Climático en España (Díaz et al., 2005c), la
temperatura es vulnerable a los impactos del cambio climático pudiendo generar una serie de
impactos directos o indirectos sobre la salud. Por otro lado, las últimas reuniones del Panel
Intergubernamental para el Cambio Climático (IPCC 2007), aconsejan la realización de estudios
que permitan anticiparse a potenciales consecuencias de este proceso sobre la salud pública.
Material y método y resultados
31
Siendo una región tan diversificada y extensa, como ya ha ocurrido por ejemplo en el caso de
Castilla-La Mancha (Mirón et al., 2006), se cree la necesidad de dividir Aragón en áreas en
función de las variables atmosféricas disponibles, para seleccionar una estación meteorológica
representativa de toda la comunidad autónoma, para su posterior utilización en estudios que
relacionen variables atmosféricas con variables sanitarias como la mortalidad.
El objetivo de este trabajo es determinar si en Aragón existe una única zona isotérmica y
determinar la estación meteorológica representativa de la misma.
4.1.3. Material y métodos
Los datos diarios de temperaturas máximas y mínimas de las diferentes estaciones de Aragón
fueron suministrados por dos fuentes diferentes: datos de 1 de enero de 1987 a 31 de
diciembre de 2002, fueron cedidos por la Fundación para la Investigación del Clima. Y los datos
desde el 1 de enero de 2003 al 31 de diciembre de 2006 fueron proporcionados por la Agencia
Estatal de Meteorología.
El primer tratamiento realizado fue la unificación y homogeneización de los datos para todos los
observatorios, para posteriormente realizar el análisis estadístico según la metodología
propuesta por Mirón y colaboradores para Castilla-La Mancha (Mirón et al., 2006). Esta
metodología incluye como puntos principales el relleno de lagunas, la detección de
discontinuidades y homogenización de las series de temperatura y la división del territorio de
estudio en áreas homogéneas respecto a la temperatura con la selección de una estación
climatológica representativa para cada área.
A las series que presentaron pérdidas en sus datos diarios se les realizó un relleno de lagunas,
utilizando métodos basados en la interpolación de datos de las estaciones cercanas (De
Gaetano et al., 1995; Schneider et al., 2001). En este estudio se incluyeron las estaciones en
las que el número de días sin datos era menor del 6,5% del total (Eischeid et al., 2000). Para el
relleno de lagunas en las series de temperaturas se escogieron cuatro estaciones de referencia
para cada serie a completar distancia de la misma y tengan una correlación con ella mayor de
0,35. Para realizar la interpolación se utilizaron los métodos de la razón normalizada, del
inverso de la distancia, regresión múltiple, mejor estimador y media de los anteriores (Eischeid
et al., 1995; Prieto et al., 2004). Posteriormente se escogió como serie aquella que entre todos
los métodos de interpolación testados, presentase mayor correlación con la serie original en ese
mes.
Posteriormente se analizó si la variabilidad de las series obedecía a factores meteorológicos y
climatológicos y no a la aplicación de la técnica o a posibles faltas de homogeneidad o
Material y método y resultados
32
discontinuidades debidas a cambios realizados en el proceso de medición. Para ello se utilizaron
métodos que no partían del conocimiento de posibles puntos de discontinuidad (Rhoades and
Salinger 1993; Vicent et al., 1996).
La detección de discontinuidades en las series temporales de temperaturas se realizó en dos
etapas (Solow 1997). La primera, a partir de un modelo de regresión en dos fases (Lund and
Reeves 2002) y, posteriormente, utilización de varios tests estadísticos que permitan asegurar
que el punto de discontinuidad identificado no sea debido a factores climáticos (Karl and
Williams 1987).
Para regionalizar Aragón en áreas homogéneas respecto a la temperatura se utilizaron métodos
de análisis de conglomerados jerárquicos y su posterior validación por análisis factorial por
componentes principales rotadas, técnica habitual en climatología (White et al., 1991;
Fernández-Mills et al., 1994), basada en que toda la información de las diferentes series se
encuentra contenida en su varianza, pudiéndose distinguir áreas o regiones con una variabilidad
común, afectadas por las mismas causas (Ribera, 1999). Definida la presencia de las diferentes
zonas se procede a seleccionar la estación climatológica representativa de la misma como
aquella que presente un mayor valor de correlación en la matriz de componentes principales.
Como este análisis se engloba en uno más amplio en el que se correlacionarán, bajo la
perspectiva autonómica y provincial, los datos diarios de temperaturas máximas y mínimas con
los datos de mortalidad diaria, se ha seleccionado una estación representativa para cada
Provincia (Huesca, Teruel y Zaragoza), calculando para cada estación representativa el percentil
5, 10, 25, 50, 75, 90 y 95.
El valor de significación umbral seleccionado para aceptar o rechazar las hipótesis nulas fue de
5% (p=0,05). Los datos se analizaron con el software estadístico PASW 18.0 licencia de
Universidad San Jorge.
Para analizar si la correlación entre las series podía ser atribuida a las oscilaciones comunes de
temperatura a lo largo de los diferentes periodos del año se realizó un análisis de subgrupos
por estaciones (primavera, verano, otoño, invierno) y periodos (frío, templado y cálido).
4.1.4. Resultados
Se recogieron datos de 114 estaciones climatológicas aragonesas. De ellas 52 se localizaron en
Huesca, 19 en Teruel y 43 en Zaragoza, siendo descartadas 21 estaciones por no presentar un
número suficiente de datos. Una vez realizado el relleno de lagunas, en las series no se
detectaron problemas de homogeneidad que no fueran debidas a causas estrictamente
climatológicas. Por lo que el análisis para la regionalización de Aragón se realizó sobre datos de
93 estaciones climatológicas, 44 en Huesca, 15 en Teruel y 34 en Zaragoza.
Material y método y resultados
33
Para temperaturas máximas, un solo factor explicó el 93,436% de la varianza, con el único
autovalor superior a 1 (52,324). El siguiente factor de los componentes presentó un autovalor
de 0,742 y solamente sumó un 1,326 % al total de la varianza. En la matriz de componentes
principales la estación que presentó mayor correlación (=0,984) fue la 9898, correspondiente a
Huesca-Monflorite.
Para temperaturas mínimas, un único factor explicó el 90,887% de la varianza, con el único
autovalor superior a 1 (50,897). El siguiente factor de los componentes presentó un autovalor
de 0,495 y solamente sumó un 0,883 % al total de la varianza. En la matriz de componentes
principales la estación que presenta mayor correlación (=0,976) fue 9910, correspondiente a
Pallaruelo de Monegros.
Vistos estos resultados, se consideró Aragón como una única región isotérmica y se seleccionó
una única estación representativa. Considerando así la estación 9481, Zaragoza-Aeropuerto,
como representativa de la variabilidad de las temperaturas en Aragón. La correlación en
temperaturas máximas fue 0,980 y en mínimas 0,974. La elección de la estación de Zaragoza se
realizó por presentar unas correlaciones muy elevadas en ambas temperaturas y por
encontrarse ubicada en el núcleo de mayor población lo que facilitará la interpretación de los
datos de mortalidad en fases posteriores del estudio.
Por provincias, la estación representativa fue la 9898, Huesca-Monflorite en Huesca (con
correlación=0,896 para máximas y 0,935 para mínimas), la 8368U-Teruel para Teruel
(correlación=0,989 para máximas y 0,961 para mínimas) y la 9434, Zaragoza-Aeropuerto, en
Zaragoza (correlación=0,988 para máximas y 0,980 para mínimas).
Los resultados de estadística descriptiva de las estaciones comentadas se presentan en la tabla
1, sección 4.7.1.
La tabla 2 (sección 4.7.1.) presenta los resultados del análisis factorial de temperaturas
máximas y mínimas para los diferentes subgrupos analizados. En ella se presenta el porcentaje
de varianza explicado por un factor de un único componente, la estación de mayor correlación y
la correlación de la estación 9434, Zaragoza-Aeropuerto.
4.1.5. Discusión
Este estudio ha supuesto el primer paso en una investigación encaminada a analizar si existe
una relación entre temperaturas extremas y mortalidad en Aragón. Como no existen estudios
previos en esta zona geográfica, se ha realizado el estudio determinando la existencia de
diferentes zonas isotérmicas y seleccionando una estación representativa de cada una de ellas.
Material y método y resultados
34
En fases posteriores se analizará si la variabilidad de las series de temperaturas de las
estaciones representativas se corresponde con la variabilidad de las series de mortalidad.
Por ello, los autores creen que este estudio no sólo es obligado desde el punto de vista de la
investigación particular desarrollada sino que es de una importancia relevante desde el punto
de vista de la planificación sanitaria. Con los datos obtenidos de las 114 estaciones
climatológicas se ha podido determinar que Aragón corresponde a una única zona isotérmica en
la que se puede seleccionar una única estación representativa para toda la comunidad
autónoma, o para cada una de sus provincias, que determine la variación en las temperaturas,
permita determinar los picos o valores extremos de temperatura y en función de los mismos
activar medidas preventivas que intenten limitar los efectos de las temperaturas extremas sobre
la salud.
El presente estudio se ha realizado sólo sobre veinte años de temperaturas diarias, aunque se
recomiendan valores de treinta años (Mirón et al., 2006), número condicionado por los datos
diarios de mortalidad disponibles con los que se compararán estas series.
Las conclusiones a considerar del estudio son que Aragón es una única zona isotérmica tanto en
temperaturas máximas como mínimas y que la estación representativa para toda la comunidad
autónoma sería Zaragoza-Aeropuerto. Punto clave para análisis posteriores. La aportación
principal de este trabajo es que se puede utilizar una sola estación representativa para analizar
las repercusiones de las temperaturas extremas en variables de Salud Pública como la
mortalidad. Los resultados del análisis de subgrupos confirmaron la robustez de este resultado
con unos porcentajes muy elevados de varianza explicada por un único factor.
Las estaciones representativas para las provincias de Aragón son 9898, Huesca-Monflorite en
Huesca, 8368U, Teruel para la provincia de Teruel y 9434, Zaragoza-Aeropuerto, en Zaragoza.
Estaciones que se sitúan en las capitales de provincia, hecho ideal para analizar la correlación
con los fallecimientos en las capitales de las provincias, donde se concentra la mayoría de la
población aragonesa.
El que la estación representativa de Aragón esté ubicada en la capital, al igual que las
representativas de cada provincia sean sus capitales, hace que este análisis no solo sea viable
para estudios de salud pública sino para cualquier otro estudio desagregado de interés
administrativo, económico, poblacional etc.
Si bien los estudios localizados sobre determinación de regiones isotérmicas y estaciones
representativas no son numerosos, las escasas publicaciones localizadas llegan a las mismas
conclusiones que este estudio. Un estudio realizado por Curriero (Curriero et al, 2002) en
Material y método y resultados
35
Estados Unidos y el proyecto Eurowinter Group (1997) en Europa tomaron las variables
ambientales y de mortalidad de ciudades de gran número de habitantes con características
socioeconómicas similares, haciendo extensible este estudio a áreas geográficas más amplias,
considerando que los individuos de dicho área están sometidos a las mismas condiciones
climáticas. Se ha entendido que este tipo de análisis no sería aplicable a Aragón debido a que la
población está dispersa en pequeños municipios, siendo Zaragoza la única ciudad que supera
los 100.000 habitantes.
Planteamiento que también se descartó en el estudio llevado a cabo en Castilla-La Mancha
debido a las similares características de ocupación poblacional que se dan en Aragón. La
metodología seguida en el presente trabajo está basada en el estudio de Mirón (Mirón et al,
2006) publicado en esta revista en el año 2006. Al igual que en Aragón, se determinó que
Castilla-La Mancha se consideraba como una única zona isotérmica, la estación representativa
fue la de Toledo, si bien justificaron la elección de las capitales de provincia como las estaciones
representativas para estudiar con diferentes variables como la mortalidad de cada provincia.
4.1.6. Bibliografía
Curriero FC, Heiner KS, FAMET JM, Zeger SL, Strug L, Patz JA. 2002. Temperature and mortality
in 11 cities of the Eastern of the United States. American Journal of Epidemiology;
155(1):80-87
De Gaetano AT, Eggleston KL, Knapp WW. 1995. A Method to Estimate Missing Daily Maximum
and Minimum Temperature Observations. Journal of Applied Meteorology and Climatology;
34:371-80.
Díaz J, Jordan A., García-Herrera R, López C, Alberdi J, Hernández E, Otero A. 2002. Heat
waves in Madrid 1986-1997: effects on the health of the elderly. International Archives of
Occupational and Environmental Health; 75:163-70.
Díaz J, García-Herrera R, López C. Linares C, Tobías A, Prieto L. 2005a. Mortality impact of
extreme winter temperatures. International Journal of Biometeorology; 49:179-83.
Díaz J, Linares C, García-Herrera R. 2005b. Impacto de las temperaturas extremas en la Salud
Pública: Futuras actuaciones. Revista Española de Salud Pública; 79:145-57.
Díaz J, Ballester F, López-Vélez R. 2005c. Impactos del Cambio Climático en España: 16.
Impactos sobre la salud humana. Madrid: Oficina Española de Cambio Climático. Ministerio
de Medio Ambiente.
Díaz J, García-Herrera R, Trigo RM, Linares C, Valente MA, de Miguel JM, Hernández E. 2006.
The impact of the summer 2003 heat wave in Iberia: how should we measure it?
International Journal of Biometeorology; 50:159-66.
Eischeid JK, Baker CB, Karl TR, Diaz HF. 1995. The quality control of longterm climatological
data using objective data analysis. Journal of Applied Meteorology and Climatology;
34:2787-95.
Material y método y resultados
36
Eischeid JK, Pasteris PA, Diaz HF, Plantico M, Lott J. 2000. Creating a Serially Complete,
National Daily Time Series of Temperature and Precipitation for the Western United States.
Journal of Applied Meteorology and Climatology; 39:1580-91.
Fernández-Mills G, Lana X, Serra C. 1994. Catalonian precipitation patterns: Principal
component analysis and automated regionalization. Theor Appl Climatol; 49:201-12.
Intergovernmental Panel on Climate Change. IPCC. Fourth Assessment Report 2007. Disponible
en: www.ipcc.ch/ipccreports/ar4wg3.htm
Karl TR, Williams CN. 1987. An Approach to Adjusting Climatological Time Series for
Discontinuous Inhomogeneities. Journal of Applied Meteorology and Climatology; 26:1744-
63.
Lund R, Reeves J. 2002. Detection of Undocumented Changepoints: A Revision of the Two-
Phase Regression Model. Journal of Climate; 15:2547-54.
Mackenbach JP, Kunst AEM, Looman CWN. 1992. Seasonal variation in mortality in the
Netherlands. Journal of Epidemiology and Community Health; 46:261-5.
Martínez F, Simón-Soria F, López-Abente G, et al. 2004. Valoración del impacto de la ola de
calor del verano de 2003 sobre la mortalidad. Parte II. Temas actuales de salud pública.
Capítulo 2. El medioambiente y su impacto en la salud. Gaceta Sanitaria; 18:250-8.
Mirón I, Montero JC, Criado- Álvarez JJ, Gutierrez G, Paredes D, Mayoral S, Linares C. 2006.
Tratamiento y estudio de series de temperatura para su aplicación en Salud Pública. El caso
de Castilla La Mancha. Revista Española Salud Pública; 80: 113-24.
Mirón IJ, Montero JC, Criado- Álvarez JJ, Mayoral S, Diaz J, Linares C. 2007. Evolución de los
efectos de las temperaturas máximas sobre la mortalidad por causas orgánicas en Castilla-La
Mancha de 1975 a 2003. Revista Española Salud Pública; 81:375-85.
Mirón IJ, Criado-Alvarez JJ, Díaz J, Linares C, Mayoral S, Montero JC. 2008. Time trends in
minimum mortality temperatures in Castile-La Mancha (Central Spain): 1975-2003.
International Journal of Biometeorology; 52:291-9.
Pascal M, Laaidi K, Ledrans M, Baffert E, Caserio C, Le Tertre A, Manach J, Medina S, Rudant J,
Empereur P. 2006. France’s heat watch warning system. International Journal of
Biometeorology; 50:144-53.
Prieto L, García Herrera R, Díaz J, Hernández E, del Teso T. 2004. Minimum extreme
temperatures over Peninsular Spain. Global and Planetary Change; 44:59-71.
Rhoades DA, Salinger MJ. 1993. Adjustment of temperature and rainfall records for site
changes. International Journal of Climatology; 13:899-913.
Ribera P. 1999. Patrones de variabilidad climática en el Mediterráneo. [Tesis doctoral].
Universidad Complutense. Madrid. 173 p.
Solow AR. 1987. Testing for climate change: An application of the two-phase regression model.
Journal of Applied Meteorology and Climatology; 26:1401-5.
Schneider T. 2001. Analysis of Incomplete Climate Data: Estimation of Mean Values and
Covariance Matrices and Imputation of Missing Values. Journal of Climate; 14:853-71.
Material y método y resultados
37
The Eurowinter Group. 1997. Cold exposure and winter from ischaemic heart disease,
cerebrovascular disease, respiratory disease and all causes in warm and cold regions of
Europe. Lancet; 349:1341-6.
Vicent LA. 1998. A technique for the identification of inhomogeneities in Canadian temperature
series. Journal of Climate; 11:1094-104.
Young KC. 1992. A three-way model for interpolating monthly precipitation values. Monthly
Weather Review;120:2561-9.
White D, Richman M, Tarnal B. 1991. Climate Regionalization and Rotation of Principal
Component Analysis. International Journal of Climatology; 11:1-25.
Material y método y resultados
38
4.1.7. Tablas
Tabla 1. Resultados de estadística descriptiva obtenidos para las diferentes estaciones
Percentiles de temperaturas máximas y mínimas en ºC
Máximas Mínimas
H9898 T8368U Z9434 H9898 T8368U Z9434
Percentil 5 6,8 6,6 8,2 -1,6 -5,6 -0,4
Percentil 10 8,8 8,4 10,4 0,3 -3,6 1,5
Percentil 25 12,6 12,5 14,2 3,8 0 5,1
Percentil 50 19,2 19 20,8 8,3 4,8 10
Percentil 75 27 26,6 28,2 13,5 10,4 15,5
Percentil 90 32 31,6 33,3 17,4 13,6 18,9
Percentil 95 34 33,6 35,4 19,1 14,8 20,2
Material y método y resultados
39
Tabla 2. Resultados de análisis factorial en los subgrupos analizados
Subgrupo Meses incluidos
Máximas Mínimas
% varianza que
explica un único
factor
Estación de
máxima
correlación,
(correlación)
Correlación
estación
Z9434
% varianza
que explica un
factor
Estación de
máxima
correlación,
(correlación)
Correlación
estación
Z9434
Invierno Enero, febrero, marzo 78,613 Z9390 (0,935) 0,919 72,843 H9910 (0,911) 0,887
Primavera Abril, mayo, junio 89,793 Z9434 (0,978) 0,978 84,293 Z9434 (0,955) 0,955
Verano Julio, agosto, septiembre 83,933 H9898 (0,965) 0,964 73,520 Z9434 (0,924) 0,924
Otoño Octubre, noviembre,
diciembre 83,886 H9898 (0,949) 0,933 92,948 Z9481 (0,951) 0,942
Frío Noviembre, diciembre, enero,
febrero 69,146 H9474 (0,885) 0,850 74,582 Z9481 (0,911) 0,895
Templado Marzo, abril, septiembre,
octubre 87,092 Z9434 (0,969) 0,969 81,133 Z9434 (0,953) 0,953
Cálido Mayo, junio, julio, agosto 87,825 H9898 (0,976) 0,971 94,176 Z9481 (0,958) 0,949
Material y método y resultados
41
4.2. The impact of extremely high temperatures on mortality and mortality cost.
Esther Roldán (1), Manuel Gómez (1), Mª Rosa Pino (1) & Julio Díaz (2)
International Journal of Environmental Health Research; 25 (3): 227-287.
DOI: 10.1080/09603123.2014.938028
Published online: 07 Aug 2014.
Fecha de publicación: 04 mayo de 2015
(1) Health Faculty Sciences, San Jorge University, Zaragoza, Spain
(2) National School of Health, Carlos III Institute, Madrid, Spain
Material y método y resultados
42
4.2.1. Abstract
The aim of this study was to determine the temperature threshold that triggers an increase in
heat-induced mortality in Zaragoza, Spain to determine the impact of extreme heat on mortality
and in-hospital cost. A longitudinal ecological study was conducted according to an
autoregressive integrated moving average model of a time series for daily deaths and to
determine the relative risk of mortality for each degree that the temperature threshold was
exceeded. Mortality showed a statistically significant increase when the daily maximum
temperature exceeded 38 °C. A Relative Risk was 1.28 with a 95% confidence interval (95%
CI:1.08–1.57) This threshold temperature didn’t change over time. A total of 107 (95% CI:42–
173) heat-attributable deaths were estimated for the period 2002–2006, and the in-hospital
estimated cost of these deaths reach 426,087 (95% CI.€167,249–€688,907). The articulation of
preventive measures to minimize the impact of extreme heat on human health is necessary
because of the mortality–temperature relationship.
Keywords: temperature; total mortality; heat waves; threshold; economic impact
Material y método y resultados
43
4.2.2. Introduction
The extremely high temperatures recorded in Europe during the summer of 2003 increased the
importance of the relationship between heat and mortality. The extreme heat that occurred at
different intensities in many European countries resulted in an increase in mortality in all of
them. So, the extreme temperature-associated deaths for this region were estimated to be
70,000 (Robine et al., 2008). In the summer of 2010, many Eastern European cities recorded
extremely high temperatures (Mega heat waves), which were particularly evident in Russia,
where deaths were estimated to be 55,000 (Barriopedro et al., 2011). This relationship between
temperature and mortality has commonly been associated in another time series studies
(McMichael et al., 2008; Anderson & Bell, 2009; Montero et al., 2010a; Basagaña et al., 2011;
Montero et al., 2012).
Increased mortality due to heat occurs mainly due to circulatory and respiratory causes
aggravated by the thermal extremes of heat waves (Alberdi & Díaz, 1997). Different studies
have shown that the effects of heat are usually immediate, leading to an increased mortality
rate in the population relative to temperate conditions (Mirón et al., 2007). Interestingly,
extreme temperatures and increased mortality occur on the same day as well as on at least the
three subsequent days. This increase in mortality in the days after the extreme temperature is
registered has been shown in several studies, including one in Castilla-La Mancha. In this
report, an association between extreme heat and the mortality rate occurred for one to four
days after the heat due to natural causes of mortality (Montero et al., 2012).
High temperatures are associated with increased daily mortality, but there is currently no
consensus among the scientific community regarding the definition of a heat wave (Díaz et al.,
2002; Montero et al., 2013). Some studies determinate a heat wave ≥ 2 consecutive days with
daily mean temperature at or above the 98th percentile (Gasparrini & Armstrong, 2011; Son et
al., 2012). Other studies and prevention plans which use a given percentile of temperature, that
is 95th percentile of the daily maximum temperature series of the summer months (June–
September), is too associated with increased mortality (Díaz et al., 2002; Dessai, 2003; Linares
& Díaz, 2008b). The daily maximum temperature has a significant impact on the associated
increase in the mortality rate. For cold spells, the daily minimum temperature below which
mortality spikes coincides with the 5th percentile of the series of daily maximum and minimum
temperatures, depends on the study area during the winter period (November–March) (Díaz et
al., 2005a, 2005b; Díaz and Linares et al., 2006; Pascal et al., 2006; Mirón et al., 2007, Montero
et al., 2012). However, other studies have shown that the percentiles of the threshold
temperatures corresponding to an increase in the mortality rate have varied over time and can
differ depending on the cities or regions analyzed (Pascal et al., 2006; Mirón et al., 2007).
Material y método y resultados
44
This fact highlights the necessity to conduct epidemiological studies that are geographically
specific with periodic evaluations of the temperature-daily mortality relationship in the context
of appropriate territorial units to apply the knowledge of these trends to preventive plans
(Pascal et al., 2006; Mirón et al., 2007). Nevertheless, in all studies, the existence of a
threshold or maximum daily temperature trigger for an increase in mortality has been
demonstrated. Nowadays, in this moment, there is a lack of studies on the effect of extreme
temperatures in Zaragoza and its possible evolution over time.
An economic burden of heat waves is expected added to the exposed increase of mortality. The
authors were not able to identify many studies that quantify the cost of heat-attributable
deaths. In contrast, the cost of another environmental risk like pollution has been estimated in
areas like Tehran (Karimzadegan et al., 2007). The author estimated the burden of pollution in
US$ 3258,255 per year, only in direct health cost. These authors conclude that the benefits of
reducing air pollution were estimated at US$ 663,776,276 annually.
Therefore, the main objective of this study was to analyze and quantify the impact of heat
waves on the daily mortality in Zaragoza (Aragón, Spain) from 1987 to 2006. The secondary
objectives were to analyze changes in the temperature threshold for a mortality increase in
three sub-periods and finally to estimate the in-hospital cost of the deaths attributable to heat
waves from 2002 to 2006.
4.2.3. Methods
A longitudinal ecological study was conducted based on aggregate data on the daily
temperature and the daily mortality from all causes except accidents from 1987 to 2006 in
Zaragoza. Mortality data were supplied by the Public Health Directorate of the Government of
Aragón; and, daily maximum temperature data for the different stations of Aragón were
provided by the Foundation for Climate Research and the State Meteorological Agency. To
determine the isothermal areas, a cluster analysis and a discriminate analysis were carried out
along with a data pretreatment of filled gaps and detection of inhomogeneities in the climatic
series. The results of the analysis for the regionalization of Zaragoza lead us to conclude that a
unique factor explains the variance of each series. It was felt Aragón was a unique isothermal
region with one unique representative station of the temperature variability with a correlation of
0.980 in maximum temperatures (Roldán et al., 2011).
An autoregressive integrated moving average (ARIMA) model was obtained from the series of
daily mortality from all causes except accidents by applying the Box–Jenkins methodology.
Univariate ARIMA modeling was used to ascertain the non-deterministic components of the
series, i.e. the autoregressive (AR) part and moving average. Using the Box-Ljung Portmanteau
Material y método y resultados
45
test, we selected those models where their partial (PACFs) and simple autocorrelation functions
indicated white-noise structure. In the multivariate ARIMA, we perform one analysis in a
stepwise bias with backward elimination of non-significant variables, p > 0.05. To observe the
possible delayed effects of extreme temperatures on mortality, cross-correlation functions (CCF)
were performed between the daily residual mortality rates and the daily maximum
temperatures.
To obtain the maximum temperature threshold or mortality trigger, the residual deaths during
the time series resulting from the modeling process were related to the maximum daily
temperatures, grouped by 2°C intervals. First temperature point in which 95%CI of the
mortality residual didn’t include the zero was considered the threshold value of temperature and
mortality.
The maximum mortality trigger temperature was calculated for the entire period between 1987
and 2006 and was calculated for the same period divided into thirds (1987–1993, 1994–2000,
2001–2006) to study changes in the threshold temperature over time.
To understand and quantify the possible effects of heat waves on mortality, multivariate ARIMA
models were established to analyze dependent variables (daily mortality series for organic
reasons) and independent variables, such as (1) temperatures of the days that were above the
trigger threshold for mortality based on the equation Thwave = Tmax-Ththreshold, (2) delayed
effects of temperatures, as suggested by CCF, to create variables for each of the gaps identified
by the length of delay according to the nomenclature Thwaven+1, (3) the influence of the
order of the appearance of a heat wave by establishing the variable wave number, which
describes the order of appearance in each summer and is represented by the term Nhwave, and
(4) the effect of the duration of the heat wave by establishing the variable wave day, which
indicates the number of days in a row that exceeded the threshold temperature and is
represented by the term Dhwave.
The inclusion of the variables in this model was accomplished by forced introduction and
subsequent step-by-step debugging. Variables were considered to deviate from the sequential
modeling process when they failed to achieve significance (p < 0.05). With the resulting
estimator from the ARIMA models and the effects of the heat wave from the different lags,
Attributable Risk (AR), which corresponds to the percentage of deaths for the study population
attributable to heat, was obtained. Relative Risk (RR) for each degree of temperature exceeding
the temperature trigger was estimated by the equation AR = (RR − 1)/RR (Coste & Spira,
1991).
Material y método y resultados
46
After quantifying the number of deaths attributable to heat waves with respect to total
mortality, the effect of this impact in economic terms was estimated for all heat waves for
2002–2006 (the last five-year cycle). To estimate the cost of a death, the mean of several unit
death cost showed by Ministry of Health, has been considered. In this case, we assumed a cost
of €3987.9 per death according to the Ministry of Health, Social Policy, and Equality in 2012
(Instituto de Información Sanitaria 2010). Costs were adjusted by inflation rate in order to
provide the cost in current euros each year from 2002 to 2006 and in constant € 2006 in order
to estimate the whole cost along the period.
4.2.4. Results
The characteristics of the variables used in the study (temperature and mortality) are given in
Table 1 (Section 4.2.9).
The population of Zaragoza, was 649,181 inhabitants in 2006. Zaragoza has a semiarid
continental Mediterranean climate with cold winters and warm summers with little rainfall that is
mainly concentrated in the Spring. The maximum temperature during the study period was
42.5°C. The average mortality count per day was 13 deaths, and the average maximum
temperature was 20.8 degrees Celsius. The 95th percentile of the mortality rate corresponded
to 21 deaths, whereas the 95th percentile of the average maximum temperature was 35.4
degrees Celsius.
CCF were obtained with the series of residual deaths obtained from the filtering process (Box–
Jenkins pre-whitening), in which if the correlation coefficient is significantly positive, the data
indicate that a temperature increase is associated with an increased mortality from organic
causes for the corresponding gap.
The CCF (Figure 1. Section 4.2.10) demonstrated positive and statistically significant delays for
all three periods analyzed in Zaragoza for 1987–2006. The CCFs conducted for the three
sections into which the study period was divided showed a statistically significant positive lag
(0) for the first interval. The lag time showed significance at a value of 1 in the second section
and showed no lag time for the third section. Significant delays that occurred in lag 7 for the
entire period from 1987 to 2006 changed to lag 8 from 1987 to 1993 and showed the so-called
“harvesting effect”.
Figure 2 (Section 4.2.10) shows residual mortality rates (for all causes except accidents) versus
temperature (grouped in intervals of 2°C). The temperature at which the confidence interval no
longer overlapped with zero value was 38°C, which corresponded to the 99th percentile of the
series of peak temperatures during the 1987–2006 time period. The trigger temperature for
Material y método y resultados
47
Zaragoza was also obtained for each time segment to confirm its evolution over time, as shown
in Figure 2 (Section 4.2.10).
As a result of quantifying the effects of heat waves on mortality, the timing of the appearance
of a heat wave causes different effects on the mortality rate; the impact on mortality of the first
wave of the year is higher than for the rest for Zaragoza, 34%, as presented in Table 2 (Section
4.2.9). Also as can be seen the impact on mortality is inversely proportional to the number of
the heat-wave days, having the greatest impact heat waves with one day (36%).
To quantify the effects of heat waves on the daily mortality rate, temperature and mortality
data were analyzed by multivariate ARIMA models. Table 3 (Section 4.2.9) shows the
epidemiological results that showed statistical significance, p < 0.05, obtained by the selected
model. In this analysis, the variables wave number and wave day didn’t show statistical
significance.
Once the death risk for each day that the temperature exceeded the trigger temperature was
obtained, the average number of deaths attributable to heat waves for 2002–2006 was
quantified. As observed in Table 4 (Section 4.2.9), 107 95%CI (42–173) deaths were attributed
to heat waves during this time period, which generated additional Aragón Health Care Service
costs of €426,087 95%CI (€167,249–€688,907).
4.2.5. Discussion
In order to discuss the results, the authors in this study carried out the epidemiological analysis
of the time series using Box–Jenkins analysis and ecological study. One limitation of the
ecological study is the difficulty in interpretation of the results in an individual bias. This Box–
Jenkins analysis was chosen over others, such as Poisson regression analysis because different
studies have shown that for both methods, the results are similar and consistent (Tobías et al.,
2001; Linares & Díaz, 2008a; Mirón et al., 2008). So, the authors didn’t see any limitation in the
method choice.
Moreover, other meteorological variables or indicators, such as relative humidity or barometric
pressure, were not taken into consideration because the contribution of these variables the
model is reduced. This contribution shows decreased influence of temperatures, so the effect of
the heat wave is understated (Montero et al., 2012). Different studies, such as those in Madrid
(Díaz et al., 2002) and in Castilla-La Mancha (Montero et al., 2012), have concluded that the
effect of heat on the days with extremely high temperatures is superior to other meteorological
variables as there is no statistically significant interaction between heat and moisture on
mortality (Basagaña et al., 2011).
Material y método y resultados
48
For this study, the relationship between the air temperature and the daily mortality from all
causes except accidents for Zaragoza (Spain) was analyzed. This relationship was studied based
on the residual deaths of the series, thus assuring the observed association between
temperature and mortality (Armstrong, 2006; Mirón et al., 2008; Montero et al., 2010a, 2012).
A statistically significant increase in mortality was observed in our study when the daily
maximum temperature reached 38 °C, a temperature that corresponds to the 99th percentile of
high temperatures. Different studies (Díaz et al., 2002; Dessai, 2003; García-Herrera et al.,
2006; Linares & Díaz, 2008b) indicated a significant increase in mortality at approximately the
95th percentile of high temperatures. However, other studies disagree with these results
(Tobías et al., 2010). For example, a study conducted in the different provinces of Castilla-La
Mancha showed that a significant increase in mortality near the 95th percentile occurs only in
Guadalajara and that the temperature percentile associated with increased mortality differs for
each community (Montero et al., 2012). It must be emphasized that our high percentile rate
may be due to aging, other studies have pointed out that percentile is inversely proportional to
the rate of aging (Montero et al., 2010a). The trigger temperature analyzed for the three
divided time intervals in our study was maintained constantly at 38 °C over time.
These results suggest the importance of knowing the relationship between temperature and
mortality in each area with the greatest detail permitted by the data, as trigger temperatures
for one area cannot be extrapolated to other study areas because the trigger temperature is
associated with socioeconomic factors, the population pyramid, cultural and social values,
sanitation and other factors.
The results of the present study show that the timing of the onset of heat waves during the
year affects the mortality in our study area, with greater effects on mortality for the first heat
waves recorded during a year than later heat waves, which is known as the “harvesting effects”
(Díaz et al., 2002; Montero et al., 2012). The impact of the first wave on mortality can reach up
to 34% in Zaragoza (Table 2 Section 4.2.9). Notably, harvesting effects have not been observed
in cold wave studies, but instead, extreme low temperatures at the end of each season are
associated with higher mortality (Díaz et al., 2005a; Montero et al., 2010b).
The relative risk of death for each day in which the threshold exceeds a temperature of 38°C,
relative to the days below 38°C, was determined with delays of 0, 1, and 3 days, which resulted
in relative risks of 1.07, 1.1, and 1.08, respectively. Understanding the days with an increased
risk of death that may occur during and after a heat wave provides valuable information for
planning prevention strategies as they demonstrate the importance of remaining vigilant
regarding health care capacity on the days associated with an increased risk, which, in some
places, may be four days after the heat wave (Basu & Samet, 2002) or up to seven days, as in
Guadalajara, Spain (Montero, 2012).
Material y método y resultados
49
Heat-related mortality increase delays for 1987–2006 are shown in Figure 1 (Section 4.2.10)
and are significant at 0, 1, and 3 days. Delays do not occur in the same way when the study
period is divided into thirds but instead, resulted in significant differences for a delay of 0 for
the first segment, 1 for the second segment, and no significant differences in delayed mortality
for the third segment. These results indicate that the impact of temperature on daily mortality
decreased, which has been seen in similar studies (Ha and Kim, 2013). This decreasing pattern
can be explained by a significant increase in air-conditioned homes (6.5% in 1991, 23.7% in
2001, and 37.4% in 2008 based on population and housing census data of the National
Statistics Institute of Spain as well as an increase in public health expenditure as a percentage
of Gross Domestic Product in Spain (4.3% in 1980, 5.4% in 2003, and 6.2% in 2008). In a
study in Korea, Ha also related this result to improved awareness programs. This relationship
between a decrease in heat-related mortality and awareness programs does not appear to
apply to Zaragoza, as until 2013, the 95th percentile resulted in a public heat wave warning
and, as of the current year, only the 99th percentile of high temperatures corresponding to
38°C results in a public heat wave warning.
Regarding the economic estimate of the number of deaths attributable to heat waves, we found
no similar studies, although studies have quantified economic costs by assigning an economic
value to life. A study in Philadelphia (Ebi et al., 2004) estimated this amount to be $4 million
dollars, a figure that was calculated based on the highest percentage of deaths by age group.
Another study (Liao et al., 2010) estimated the economic cost data associated with heart
disease to be aggravated by the increased temperature based on economic data obtained
through the contingent valuation method and the willingness to pay.
For Zaragoza in 2002–2006, the average number of deaths attributable to heat waves was 107
(95%CI: 42–173), which generated additional health care costs of €426,087 (95%CI: 167,249–
688,907) to the Aragón Public Health Service. Previous studies concluded that the deaths
attributable to heat waves occur outside of the hospital setting (Linares and Díaz, 2008a).
Nevertheless, the present study not only considered the day on which the temperature
exceeded the trigger temperature but also considered subsequent days within the risk period.
This method takes into account the delayed effects of temperature on mortality, thus including
non-instantaneous deaths occurring in the hospital setting, which added to the costs. In the
CCFs (Figure 1. Section 4.2.10), delays of up to three days after surpassing the threshold of the
trigger temperature were observed.
Ebi went further by estimating the cost-effectiveness of a warning system against the cost of
averted deaths. The authors estimated that in the first three years of operation of the extreme
Material y método y resultados
50
heat warning system at a cost of $210,000, 117 deaths were avoided ($468 million), which
appeared to justify the cost of the system (Ebi et al., 2004).
The quantification of potential health savings derived from deaths avoided by heat wave alert
systems is a line of research for which more work remains as these studies are scarce. In
addition, the economic implication opens the door to the need for specific plans to reduce
deaths attributable to heat waves as well as the need for the development of preventive
primary care.
Furthermore, continuing this research could also address the efficiency of the plans
implemented to date, as many preventative plans have been developed in Europe since 2003,
but very few have been evaluated for efficiency in reducing mortality (Bassil and Cole, 2010). In
Spain in 2004, the “National Plan for Preventive Action of Excess Temperature Effects on
Health” has been implemented and is now known as the Ministry of Health, Social Services, and
Equality (MSSSI, 2012). Studies have suggested the need to study the accuracy of threshold
trigger temperatures established by the Ministry, as the Ministry has discarded the use of
percentiles over 95, which means that studies cannot conclude whether the impact of the
warning system on mortality is beneficial because of changes in the warning plan (Tobías et al.,
2012). Thus, future studies are needed to conduct an assessment on the effectiveness of heat
wave warning plans.
In addition, this study lays the foundation for the study of the impact of climate change on
mortality over the course of this century, as has been initiated in previous studies (Peng et al.,
2011; Ostro et al., 2012). The increase in global temperatures that the Intergovernmental Panel
on Climate Change predicts at the end of this century varies between 1.2 and 6.4°C (IPCC,
2007), and Spain appears to be particularly sensitive to temperature increases (Brands et al.,
2011). Therefore, future studies should address the impact of climate change on mortality in
light of the frequency and intensity of the heat waves that occur. This study provides data
relevant to the decision-making of health institutions and the development of effective
adaptation strategies aimed at optimizing services and health savings.
4.2.6. Conclusion
A relationship between extreme heat and mortality was found in Zaragoza, Spain. In this study,
the authors were able to detect the threshold of temperature, 38°C, from which mortality takes
off. Moreover, two epidemiological measures such as AR and RR were estimated too, in order to
quantify the extreme heat risk. Hereinafter, health authorities can implement action plans to
prevent the extreme heat-inducted mortality with more accuracy than before. Finally, the study
shows the savings that can be reached, just in hospital-setting, by avoiding the heat-
attributable deaths.
Material y método y resultados
51
4.2.7. Acknowledgements
This project was carried out by Research Group GIMACES E02, Grupo Consolidado de
Investigación Aplicada, Gobierno de Aragón and supported by Gobierno de Aragón and Fondo
Social Europeo “Construyendo Europa desde Aragón”.
4.2.8. References
Alberdi JC, Díaz J. 1997. Modelización de la mortalidad diaria en la Comunidad de Madrid
(1986–1991). Gaceta Sanitaria; 11:9–15.
Anderson BG, Bell ML. 2009. Weather-related mortality: a study of how heat, cold, and heat
waves affect mortality in the United States. Epidemiology; 20:205–213.
Armstrong B. 2006. Models for relationship between ambient temperature and daily mortality.
Epidemiology; 17:624–631.
Barriopedro D, Fischer EM, Luterbacher J, Trigo RM, García-Herrara R. 2011. The hot summer
of 2010: redrawing the temperature record map of Europe. Science; 332:220–224.
Basagaña X, Sartini C, Barrera-Gómez J, Dadvand P, Cunillera J, Ostro B, Sunyer J, Medina-
Ramón M. 2011. Heat waves and cause-specific mortality at all ages. Epidemiology; 22:765-
772.
Bassil KL, Cole DC. 2010. Effectiveness of public health interventions in reducing morbidity and
mortality during heat episodes: a structured review. International Journal of Environmental
Research and Public Health; 7:991–1001.
Basu R, Samet J. 2002. Relation between elevated ambient temperature and mortality: a review
of the epidemiologic evidence. Epidemiologic Review; 24:190–202.
Brands S, Taboada JJ, Cofiño AS, Sauter T, Schneider C. 2011. Statistical downscaling of daily
temperatures in the NW Iberian Peninsula from global climate models: validation and future
scenarios. Climate Research; 48:163–176.
Coste J, Spira A. 1991. Proportion of cases attributable to public health definition(s), estimation
(s) and interpretation. Revue Epidemiologuie et de Sante Publique; 39:399–441.
Dessai S. 2003. Heat stress and mortality in Lisbon Part II. An assessment of the potential
impacts of climate change. International Journal of Biometeorology; 48:37–44.
Díaz J, Jordán A, García R, López C, Alberdi JC, Hernández E, Otero A. 2002. Heat waves in
Madrid 1986–1997: effects on the health of the elderly. International Archives Occupational
and Environmental Health; 75:163–170.
Díaz J, García R, López C, Linares C, Tobías A, Prieto L. 2005a. Mortality impact of extreme
winter temperatures. International Journal of Biometeorology; 49:179–183.
Díaz J, Linares C, García-Herrera R. 2005b. Impacto de las temperaturas extremas en la Salud
Pública: Futuras actuaciones. Revista Española de Salud Pública; 79:145–157.
Díaz J, Linares C, Tobías A. 2006. Impact of extreme temperatures on daily mortality in Madrid
(Spain) among the 45-64 age group. International Journal of Biometeorology; 50:342–348.
Material y método y resultados
52
Díaz J, García-Herrera R, Trigo RM, Linares C, Valente MA, De Miguel JM, Hernández E. 2006.
The impact of the summer 2003 heat wave in Iberia: how should we measure it?.
International Journal of Biometeorology; 50:159–166.
Ebi KL, Teisberg TJ, Kalkstein LS, Robinson L, Weither RF. 2004. Heat watch/warning systems
save lives: estimated costs and benefits for Philadelphia 1995–1998. Bulletin of the American
Meteorological Society; 85:1067–1073.
Gasparrini A, Armstrong B. 2011. The impact of heat wave on mortality. Epidemiology; 22:68–
73.
Ha J, Kim H. 2013. Changes in the association between summer temperature and mortality in
Seoul, South Korea. International Journal of Biometeorology; 57:535–544.
Instituto de Información Sanitaria. 2010. Registro de altas. CIE9 MC-CMBD; [cited 2013 Jun
13]. Available from: http://petadistico.msc.es.
Intergovernmental Panel on Climate Change (IPCC). 2007. Climate change 2007: synthesis
report. Geneva: Fourth Assessment report of the Intergovernmental Panel on Climate
Change.
Karimzadegan H, Rahmatian M, Farhood D, Yunesian M. 2007. Economic valuation of premature
mortality and morbidity. International Journal of Environmental Research; 1:128–135.
Liao SY, Tseng WC, Chen PY, Chen CC, Wu WM. 2010. Estimating the economic impact of
climate change on cardiovascular diseases-evidence from Taiwan. International Journal of
Environmental Research and Public Health; 7:4250–4266.
Linares C, Díaz J. 2008a. Impact of high tempertaures on hospital admissions: comparative
analysis with previous studies about mortality (Madrid). European Journal of Public Health;
18:317–322.
Linares C, Díaz J. 2008b. Temperaturas extremadamente elevadas y su impacto sobre la
mortalidad diaria según diferentes grupos de edad. Gaceta Sanitaria; 22:115–119.
McMichael AJ, Wilkinson P, Kovats RS, Pattenden S, Hajat S, Armstrong B, Vajanapoom N, Niciu
EM, Mahomed H, et al. 2008. International study of temperature, heat and urban mortality:
the “ISOTHURM” project. International Journal of Epidemiology; 37:1121–1131.
Ministerio de Sanidad, Servicios Sociales e Igualdad (MSSSI). 2012. Plan Nacional de
Actuaciones Preventivas de los Efectos del Exceso de Temperaturas sobre la Salud. Madrid;
[cited 2013 Jun 13]. Available from:
http://www.msc.es/ciudadanos/saludamblaboral/planaltastemp/2012/docs/plannacionalexce
sotemperaturas.pdf.
Mirón IJ, Criado-Alvarez JJ, Díaz J, Linares C, Mayoral S, Montero JC. 2008. Time trends in
minimum mortality temperatures in Castile-La Mancha (Central Spain): 1975–2003.
International Journal of Biometeorology; 52:291–299.
Material y método y resultados
53
Mirón IJ, Montero JC, Criado- Álvarez JJ, Mayoral S, Díaz J, Linares C. 2007. Evolución de los
efectos de las temperaturas máximas sobre la mortalidad por causas orgánicas en Castilla-La
Mancha de 1975 a 2003. Revista Española de Salud Pública; 81:375–385.
Montero JC, Mirón IJ, Criado JJ, Linares C, Díaz J. 2010a. Comparison between two methods of
defining heat waves: a retrospective study in Castile-La Mancha (Spain). Science of the Total
Environment; 408:1544–1550.
Montero JC, Mirón IJ, Criado-Álvarez JJ, Linares C, Díaz J. 2010b. Mortality from cold waves in
Castile-La Mancha, Spain. Science of the Total Environment; 408:5768–5774.
Montero JC, Mirón IJ, Criado-Álvarez JJ, Linares C, Díaz J. 2012. Influence of local factors in the
relationship between mortality and heat waves: Castile-La Mancha (1975–2003). Science of
the Total Environment; 414:73–80.
Montero JC, Mirón JJ, Linares C, Díaz J. 2013. Difficulties of defining the term “heat waves” in
public health. International Journal of Environmental Health Research; 23:337–379.
Ostro B, Barrera-Gómez J, Ballester J, Basagaña X, Sunyer J. 2012. The impact of future
summer temperature on public health in Barcelona and Catalonia, Spain. International
Journal of Biometeorology; 56:1135–1144.
Pascal M, Laaidi K, Ledrans M, Baffert E, Medina S, Rudant J, Empereur-Bissonnet P. 2006.
France’s heat watch warning system. International Journal of Biometeorology; 50:144–153.
Peng RD, Bobb JF, Tebaldi C, McDaniel L, Bell ML, Dominici F. 2011. Toward a quantitative
estimate of the future wave mortality under global climate change. Environmental Health
Perspectives; 119:701–706.
Robine JM, Cheung S, Le Roy S, Van Oyen H, Griffiths C, Michel JP, Herrmann FR. 2008. Death
toll exceeded 70,000 in Europe during the summer of 2003. Comptes Rendus Biologies;
331:171–178.
Roldán E, Gómez-Barrera M, Pino Otín MR, Esteban Pradas M, Díaz J. 2011. Determinación de
zonas isotérmicas y selección de estaciones meteorológicas representativas en Aragón como
base para la estimación del impacto del cambio climático sobre la posible relación entre
mortalidad y temperatura. Revista Española de Salud Pública; 85:603–610.
Son J-Y, Lee J-T, Anderson GB, Bell ML. 2012. The impact of heat waves on mortality in seven
major cities in Korea. Environmental Health Perspectives. 120:566–571.
Tobías A, Díaz J, Saez M, Carlos Alberdi JC. 2001. Use of poisson regression and Box–Jenkins
models to evaluate the short-term effects of environmental noise levels on daily emergency
admissions in Madrid, Spain. European Journal of Epidemiology; 17:765–771.
Tobías A, De Olalla PG, Linares C, Bleda MJ, Caylà JA, Díaz J. 2010. Short-term effects of
extreme hot summer temperatures on total daily mortality in Barcelona, Spain. International
Journal of Biometeorology; 54:115–117.
Tobías A, Zuza I, Armstrong B, Gaparrini A, et al. 2012. Mortality on extreme heat days using
official thresholds in Spain: a multi-city time series analysis. BMC Public Health; 12:133.
Material y método y resultados
54
4.2.9. Tables
Table 1. Descriptive data from each one of the variables objects of study, non-accidental
mortality (dependent variable) and maximum daily temperatures (independent variable) in
Zaragoza for the period 1987-2006.
Descriptive
Statistics
Dependent
Variables (Number
of deaths)
Independent
Variables (ºC)
Mortality Maximum TP
Mean 13.8 21.2
Median 13.0 20.8
Mode 12.0 18.0
Variance 18.1 74.6
Range 37.0 45.5
Minimum 0.0 -3.0
Maximum 37.0 42.5
90th Percentile 19.0 33.3
95th Percentile 21.0 35.4
Table 2. Quantitative data for the effects of heat waves number and heat waves days on
mortality in Zaragoza.
Quantification the effects of heat waves
Heat- Wave
Number
Rate of
mortality
Heat-Wave
Days
Rate of
mortality
1 34% 1 36%
2 22% 2 16%
3 17% 3 12%
4 8% 4 16%
5 7% 5 12%
6 12% 6 8%
Material y método y resultados
55
Table 3. Epidemiological results of the multivariate ARIMA model for Zaragoza. Attributable risk
and relative risk for each significance variable.
Attributable risk,
results from the model Relative risk,
(95%CI)
Coefficient Standard Error
Thwave 0.892 0.337 1.07 (1.02-1.13)
Thwave1 1.216 0.34 1.10 (1.04-1.16)
Thwave3 0.97 0.321 1.08 (1.03-1.13)
Table 4 Mean death attributable to heat waves and mortality cost in Zaragoza per year and
during the entire 5 years of the study.
Population
at Risk
N
Attributable mortality,
number of cases
mean 95% CI
Cost, €
mean 95% CI
2002 620,419 4 (2-6) 15,903 (7,951-23,854)
2003 626,081 57 (22-94) 226,723 (87,507-373,894)
2004 638,799 8 (3-13) 31,829 (11,936-51,723)
2005 647,373 19 (8-29) 75,624 (31,841-115,426)
2006 649,181 19 (7-31) 75,660 (27,874-123,445)
2002-2006 3,181,853 107 (42-173) 426,087 (167,249-688,907)
Material y método y resultados
56
4.2.10. Figures
Figure 1. CCFs between the residuals of organic-cause mortality and the residuals of the series
of maximum temperatures for 1987-2006, 1987-1993, 1994-2000 and 2001-2006.
Material y método y resultados
57
Figure 2. Scatter-plot diagrams of the organic mortality residual series and maximum temperatures in Zaragoza grouped in 2ºC intervals for the study period.
Material y método y resultados
58
4.3. The effect of climate-change-related heat waves on mortality in Spain:
uncertainties in health on a local scale
Esther Roldán (1), Manuel Gómez (1), Mª Rosa Pino (1), Javier Pórtoles (2), Cristina.
Linares (3), Julio Díaz (3)
Stochastic Environmental Research and Risk Assessment
DOI 10.1007/s00477-015-1068-7
(1) Health Faculty Sciences, San Jorge University, Autovía A23 Z-H km 299, 50830 Villanueva de
Gállego, Zaragoza, Spain
(2) The Climate Research Foundation, C/Tremps 11, 28040 Madrid, Spain
(3) National School of Health, Carlos III Institute, Avda Monforte de Lemos 5, 28029 Madrid,
Spain
Material y método y resultados
59
4.3.1. Abstract
Different epidemiological studies have shown that high temperatures are directly related to
mortality, furthermore many studies on the effects of climate change on future mortality are
being conducted. The objective of this study is to estimate the effect of extreme hot
temperatures on daily mortality in Zaragoza (Spain) from 2014 to 2021, utilising various
climate-change scenarios. The relationship between temperature and mortality is defined by the
concepts of heat wave, threshold temperature and the relative risk of daily deaths according to
extreme temperatures in 1987–2006 period. The effect on future mortality is projected by
estimating deaths attributable to extreme temperatures in 2014–2021. This estimation was
calculated utilising exposure–response functions for three scenarios (A1B, A2 and B1) from the
ECHAM5 general circulation model after applying a statistical downscaling technique. Because
this study considers the effect of rising temperatures from a health perspective, minimizing
uncertainty was added to the numerical values obtained from the projected future relation
between temperature and mortality. The results shows that expected mortality in Zaragoza will
increase by 0.4 % for the period 2014–2021, an excess that can be directly attributed to
extreme temperatures. This effect is expected to increase in the 2040s and 2050s until the end
of the twenty first century because of a predicted increase in temperatures over this period,
with special emphasis on the need to continue studying this line of inquiry and local studies as
which arises. Finally, this study will luckily be used to create prevention plans for minimising the
effect on health of the high temperatures.
Keywords: Extreme temperatures, Mortality, Climate change, Future projections, Uncertainties
Material y método y resultados
60
4.3.2. Introduction
According to the fifth report of the intergovernmental panel on climate change (IPCC) (IPCC,
2013), global warming is unmistakable. Since the 1950s, many of the changes observed in
extreme weather and climate events have been unprecedented. According to this same panel of
experts, the combined temperature data from oceanic and terrestrial surfaces and global means
from 1880 to 2012 show a mean temperature increase of 0.85ºC (0.65–1.06). For future
projections, it is estimated that by the end of the twenty first century, global surface
temperatures will most likely (66–100%) increase more than 1.5ºC in all of the scenarios.
The scenarios are projections of future greenhouse gas (GHG) emissions are used to assess
future vulnerability to climate change, considering estimates of future population levels,
economic activity, the structure of governance, social values, and patterns of technological
change (IPCC, 2000).
Consequently, because of the extreme climatic phenomena that have occurred since the 1950s,
the panel of experts deemed it quite probable (90–100%) that the number of hot days and
nights have increased worldwide and most likely (66–100%) that the frequency of heat waves
has also increased for a large portion of Europe. In addition, the panel deems it quite likely
(90–100%) that heat waves will occur with greater frequency and will last longer (IPCC, 2013).
Numerous studies have investigated the changes in extreme temperatures using various
methodologies agreeing that the extreme thermal events will increase in frequency and
intensity (Zhang et al., 2009; Tao et al., 2014; Siliverstovs et al. 2010; Alonso et al., 2014;
Degefie et al., 2014; Linares et al., 2015). As a consequence of these occurrences, various
studies on the future effects of heat waves on health have recently been conducted (Knowlton
et al., 2007; Muthers et al., 2010; Green et al., 2011; Peng et al., 2011; Ostro et al., 2012;
Sheridan et al., 2012). Although the precision of future projections of health effects has been
increasing with more precise climate models (Wu et al., 2014), uncertainties related to the
estimation of health effects remain (Díaz, 2014). These uncertainties arise from the difficulty of
estimating the relative risks associated with temperature increases (Benmarhnia et al., 2014);
factors related to the definition of a heat wave (Kent et al., 2014); changes in the effects of
heat on mortality over time (Linares et al. 2014; Miron et al., 2014), which may be related to
socio-economic changes; and from adaptation (Petkova et al., 2014).
Various epidemiological studies conducted in the past several years have shown that high
temperatures have a direct effect on health (McMichael et al., 2008; Anderson and Bell 2009;
Montero et al., 2010; Basagana et al., 2011; Montero et al., 2012). These studies have shown
that high temperatures are directly related to daily mortality. No scientific consensus on the
definition of a heat wave currently exists (Díaz et al., 2002; Montero et al., 2012); however, an
understanding or at least an approximation of the concept of a heat wave is necessary before
Material y método y resultados
61
calculating the effects of temperature on health (Kent et al., 2014; Díaz, 2014). Although
studies exist that indicate that a significant increase in mortality exists at approximately the 95th
percentile of high temperatures (Díaz et al., 2002; Dessai, 2003; Díaz et al., 2006; Linares and
Díaz, 2008), results from other studies are not consistent with these results (Tobías et al.,
2010). For example, a study conducted in the various provinces of Castilla-La Mancha (Spain)
showed that the percentile of temperature associated with higher mortality is different for each
province (Montero et al., 2012). Finally, in a prior study conducted in the present study setting,
a statistically significant increase in mortality was observed when the daily maximum
temperature reached 38ºC, which corresponded with the 99th percentile (Roldán et al., 2014).
Therefore, the objective of this study is to estimate the effect of extremely hot temperatures on
daily mortality in Zaragoza (Spain) for the period 2014–2021 in different climate change
scenarios, with the intention of minimizing uncertainties related to heat-induced mortality.
4.3.3. Methodology
4.3.3.1. Study setting
Aragon is an autonomous region in the northeast of Spain (Fig. 1 Section 4.3.10), its capital city
is Zaragoza which concentrates more than 50% of the Aragon´s population. Aragon has a total
population of 1 347 150, of which 31% are between the ages of 35 and 54 followed by older
than 64 years which represent an additional 19%. The population density of Aragon is 28.2
inhabitants/km2, much lower than the Spanish average. This is the reason of the low rate of
daily mortality of the area. The mean of the daily mortality for Aragon is 15.61 while in
Zaragoza is 13.77 (IAEST, 2015).
The climate of Zaragoza is affected by its location in the Ebro depression. Zaragoza has a
steppe climate with continental and arid characteristics, a predominance of anticyclonic
weather, and long periods of scant precipitation. Absolute annual temperature extremes are a
characteristic of this zone; temperatures can reach up to 40ºC with high sun exposure. The
region means 2614 h of sun yearly.
4.3.3.2. Data
Weather data regarding the maximum temperatures at observatories in Aragon were supplied
by the State Meteorological Agency and by the Foundation for Climate Research. These data
were analysed in conjunction with the University of San Jorge and a project supported by the
Directorate-General of Environmental Quality and Climate Change called Design, Analysis and
Generation of Climate Scenarios in Aragon. According to the International Classification of
Diseases (ICD-10), the daily mortality data, excluding accidents, for the period 1987–2006 were
generated by the Aragon Government Directorate-General of Public Health (Roldán et al., 2011,
2014).
Material y método y resultados
62
4.3.3.3. Definition of a heat wave
One of the primary areas of uncertainty regarding the health effects of climate change
prediction models concerns the definition of a heat wave (Kent et al., 2014) and determining
when the threshold temperature aspect of the heat wave definition can be considered constant
over time (Linares et al., 2014). The definition of heat wave used in this study was based on
the determination, for the study area, the temperature from which begins to increase mortality
as a function of temperature as reflected in the paper Roldán et al. 2014. This temperature is
38ºC for the period 1987–2006, corresponds to the 99th percentile of the summer month
maximum temperatures (June–September). This same study (Roldán et al., 2014) analysed the
possible change in this threshold temperature over time. To measure this change, the threshold
temperature definition of a heat wave was calculated for three intervals: 1987–1993, 1994–
2000 and 2001–2006. The threshold temperature remained constant over these 20 years, it is
expected that the threshold temperature will likely not vary significantly in the 8 (2014–2021)
years that extend beyond the scope of our predictions.
4.3.3.4. Calculation of the dose–response correlation in the relation between mortality and
temperature
To determine dose–response correlations in connection with the temperature-mortality relation,
multivariate Autoregressive Integrated Moving Average (ARIMA) models with exogenous
variables were developed. The analysis methodology comprised the introduction of forced
dependent variables (daily mortality for all causes except accidents ICD9/ICD-10), independent
variables (daily maximum temperatures) (Roldán et al., 2011), and subsequent step-wise
elimination. Variables were considered to deviate from the sequential modelling process when
they did not reach statistical significance (p<0.05). With the resultant ARIMA model estimate
and the effects of heat waves on the various intervals, the Attributable Risk (AR) was
determined, which corresponds, to the percentage of deaths in the study population
attributable to heat. The Relative Risk was determined (RR) for each degree of temperature
that surpassed the threshold temperature for the period 1987–2006, using the equation AR =
(RR - 1)/RR.
To minimise uncertainty related to possible changes in Relative Risks over time (Linares et al.,
2014; Benmarhnia et al., 2014), these estimates were also formulated for the three intervals of
the base period: 1987–1993, 1994–2000 and 2001–2006. Also, to verifying the robustness of
the results the base period has been divided into three new time random intervals: 1987–1995,
1996–2003, 2004–2006/1987–1991, 1992–1999, 2000–2006/1987–1997, 1998–2001, 2002–
2006.
Material y método y resultados
63
4.3.3.5. Future projections of maximum temperatures
These data were provided by the Climate Research Foundation (Fundación para la Investigación
del Clima, FIC) from the study Generation of Climate Scenarios for the twenty first century for
Aragon, financed by the government of Aragon.
The FIC, in collaboration with the University of San Jorge, generated the future climate
scenarios for Aragon (Ribalaygua et al., 2013b) by applying a two-stage statistical downscaling
technique (Ribalaygua et al., 2013a). For this study, four General Circulation Models (GCMs)
were utilised. These models are associated with the Fourth Assessment Report of the
Intergovernmental Panel on Climate Change (Parry et al., 2007): Norwegian BCM2 (Drange,
2006), French CNCM3 (Royer et al., 2007), German ECHAM5 (Roeckner et al., 2006), and
German EGMAM (Niehörster, 2008) and three emissions scenarios (A1B, A2 and B1) (IPCC,
2000).
The present study utilises maximum temperature projections obtained using ECHAM5 GCM
climate simulations in three different emissions scenarios (A1B, A2 and B1). This model was
selected because it is one of the global models that best reproduces the current land-based
climate under known radioactive forces (Van Ulden and Van Oldenborgh, 2006), especially in
the Mediterranean region (Altava-Ortiz, 2010).
4.3.3.6. Future mortality projections
The projected mortality data for the period 2014–2021 for Zaragoza were obtained from the
National Institute of Statistics’s (Instituto Nacional de Estadistica, INE) shortterm population
projections. These data provided by the INE are generated from a simulation of the future
resident population in Spain based on trends and recent demographic behaviours based on the
classical components method. The present study utilises the ‘‘projected deaths’’ for Zaragoza for
the period 2014–2021.
4.3.3.7. Calculation of the effect of extremely high temperatures on mortality for the period
2014–2021.
The heat-wave-attributable mortality (AM [T]) for the period 2014–2021 for the three scenarios
was calculated using the methodology described by Ostro et al. (2012) from the calculation of
the following parameters:
(1) RR(T) = 1 + ([RR - 1] * Tcal)
(2) AM(T) = Estimated mortality * (1 - 1/RR[T])
where RR(T) is the Relative Risk of mortality for each degree of increase in the threshold
temperature and Tcal is the temperature on the days that are above the threshold temperature
for mortality.
Material y método y resultados
64
4.3.4. Results
To estimate the quantification of the future effect of extreme temperatures in Zaragoza, it was
necessary to create different parameters.
First, the annual mean number of heat wave days and the number of heat waves for the three
intervals of the base period were calculated. These data will allow us to verify changes in the
intensity and frequency of this extreme phenomenon. As observed in Table 1 (Section 4.3.9),
the annual mean is somewhat lower in the second period and increases in the third period in
terms of number of days and number of heat waves.
Subsequently, the effects of heat waves during the base period were estimated. To quantify
these effects on the daily mortality rate, the RR of deaths for each day and for each degree
above the temperature threshold of 38 ºC was determined. The RR was estimated for the
complete base period and for the period divided into three intervals to identify any changes
over time. The RR presented values between 1.2 and 1.3 and with confidence intervals always
over 1. There was overlap among the three intervals, as shown in Table 2 (Section 4.3.9).
Although a slight decrease in the effect of heat on mortality over the twenty-year study period
was identified, this difference is not statistically significant.
Thus, it can be concluded that the RRs for mortality have not changed over time. The analysis
shows that there are not statistically significant differences between AR calculated for new
ranges and the results presented in this study. As a consequence, it can be concluded that the
results that have been are robust over the time.
Once the necessary parameters of the base period were estimated, the temperature projections
for the three scenarios for the period 2014–2099 were determined. In Table 3 (Section 4.3.9),
the estimated annual mean number of hot days and number of heat waves are shown. These
projections show identical progressively increasing trends for all three scenarios until the end of
the twenty first century. The projections also show that for the first portion of the period
2014–2021, the annual means do not differ from the base period data.
Other necessary variables in our study are the future projections of mortality in Zaragoza for
the study period 2014–2021, as shown in Table 4 (Section 4.3.9).
4.3.4.1. The effects of heat waves, 2014–2021
To estimate future deaths attributable to extreme temperatures as has been indicated in the
methodology, it is necessary to know the Relative Risk and the threshold temperature. The
change in both parameters over time has been studied; both parameters have remained
constant. For the Relative Risk calculations, the data from the complete period were taken as
Material y método y resultados
65
the base RR: 1.28 (95% CI 1.08–1.57) (Table 2. Section 4.3.9), and the threshold temperature
was determined to be 38 ºC, the temperature that remained constant throughout the base
period (Roldán et al., 2014).
Once all the necessary parameters were estimated, and following the methodology discussed,
the annual mean heat-induced mortality was estimated for the three possible scenarios. As
shown in Table 5 (Section 4.3.9), scenario B1 has a higher mean than scenarios A1B and A2.
The results were expressed in expected number of annual deaths caused by all heat waves for
the three scenarios. Relating the results of Table 5 (Section 4.3.9) to the annual deaths
estimated by the INE for the period 2014–2021 (INE, 2012) the projection is that 0.4 % of
deaths will be attributable to heat waves
4.3.5. Discussion
Studies on the potential future effect of extreme temperatures on mortality, a result of climate
change, are of growing importance. However, to conduct studies such as these, it is necessary
to incorporate numerous variables (base study period, period of future study, climate
projections, general circulation models, climatic scenarios, population, etc.). These variables
tend to differ by study, which renders comparing studies difficult (Voorhees et al., 2011; Ostro
et al., 2012). In addition, these numerous variables also increase the degree of associated
uncertainties.
One of the primary uncertainties is the definition of a heat wave, thus underscoring the
necessity of having a correct definition based on epidemiological studies (Wu et al., 2014). In
the study setting, the threshold temperature for the complete base period has been estimated,
as have the threshold temperatures for the same period divided into intervals. These
estimations were calculated to verify changes over time, and the threshold temperature was
observed to be constant at 38 ºC, or at the 99th percentile (Roldán et al., 2014). To further
investigate Wu’s assertion that temperature-mortality behaviour is an added uncertainty
(Linares et al., 2014), Relative Risk was analysed both by intervals and for the complete base
period. Although a slight decrease in the RR associated with heat was identified, which is
consistent with findings from other recent studies (Mirón et al., 2014), in our study, this
parameter remained constant over time, which can be observed in Table 4 (Section 4.3.9).
Another uncertainty in this type of study is the capacity of the GCM to be used as a tool to
generate future climate estimates (Sheridan et al., 2012; Wu et al., 2014; Linares et al., 2014).
These climate projections are becoming more accessible and reliable (Huang et al., 2011),
partially because these models previously operated at high spatial resolutions, generating
extremely rough information on projected climate. However, more recently, investigators
Material y método y resultados
66
specialising in future climatic simulations have employed methodologies that allow these
climatic simulations to be conducted on a local scale. This type of model continues to be a
considerable uncertainty; however, the model is robust enough to be utilised in planning and in
defining any human activity (Brunet et al., 2008). Chiefly, there are two scale reduction or
regionalisation techniques, statistics and dynamics. Statistics focuses on statistical correlation,
and regionalisation is based on physical processes (Gao et al., 2012). With both techniques, the
goal is to simulate the local climate, keeping in mind factors such as topographical and heat
island considerations. In the present case, it was possible to utilise future climate information
generated specifically for an observatory in the city of Zaragoza, thus eliminating uncertainties
related to grid interpolation that must be performed in other studies such as the European
ENSEMBLES project (Van der Linden et al., 2009). In that study, data were interpolated from
some 45 observatories throughout Spain in grids of 25 km (Haylock et al., 2008), data that
Ostro et al. (2012) utilized for his Catalonia (Spain) study. Other studies, however, have not
utilised scale reduction tools (Gosling et al., 2009; Jackson et al., 2010; Peng et al., 2011).
Peng et al. made this decision to avoid adding more uncertainty, utilising a 200 km projection
and avoiding the physical climatic procedures for their study setting.
Projections of different GCMs are utilised in the study of Ostro et al. (2012), which analyses
eight models, and in the case of Peng et al. (2011), which utilises seven. The results of these
two studies were expressed differently, with the first resulting from multiple assembled models
and the second contrarily showing the results of all their models but not addressed that
variability uncertainty in their projections (Benmarhnia et al., 2014). Benmarhina assessed for
Montreal the variability of temperature projections and dependent future mortality distributions,
using 32 RCM and GMC, and concluded that a small portion of the estimated variability in
mortality projections was due to the different simulations. For this study it was decided then to
be taken into account a unique GMC, since the uncertainty is not minimized as more models.
However, using various scenarios that combine demographic, economic, and social changes
(IPCC IEEE 2000) is recommended because projections are not a tool to ensure better future
predictions but to facilitate a better understanding of possible future uncertainties (Huang et al.,
2011). In our case, three scenarios were studied, and as shown in Table 2 (Section 4.3.9), heat
waves increase on mean until 2099. Scenario B1 presents a lower estimation because this
scenario assumes a world with moderate population growth, a reduction in consumption of
materials, and an increase in efficient and clean technologies.
In a prior study, the relation between temperature and mortality was analysed for the period
1987–2006 in Zaragoza using a longitudinal ecological study with ARIMA models for daily
mortality rates. Mortality showed a significant increase when the daily maximum temperature
reached 38ºC (99th percentile) for both the complete base period and for the interval periods.
This study verified that the temperature threshold remained constant over the years.
Material y método y resultados
67
In addition, the Relative Risk for each degree of temperature above 38ºC was determined for
the base period divided into intervals to determine the change over time. The change over time
was observed to be constant (Table 2 Section 4.3.9) and was also constant for the entire period
with a RR of 1.28 (95 % CI 1.08–1.57).
In the present case, it is important to study the behavior of the temperature-mortality relation,
which has rarely been addressed in this type of study (Linares et al., 2014) and which reduces
the uncertainty of mortality projections (Benmarhnia et al., 2014). Our findings were not
consistent with other studies (Mirón et al., 2008; Schifano et al., 2012) in that the relative risk
and the threshold temperature remained constant over time. Further, the future time line our
study addressed was in the near future and relatively short (2014–2021), which reduces other
types of uncertainties in this type of study, such as population adaptation (Huang et al., 2011).
Other authors have not considered climate adaptation in their studies (Jackson et al., 2010;
Hayhoe et al., 2010; Ostro et al., 2012). Dessai, conversely, suggests that adaptation will
increase by one degree centigrade within the next 30 years (Dessai, 2003). Various
methodologies may be utilised to consider these effects (Knowlton et al., 2007; Gosling et al.,
2009).
In the present study we consider the uncertainties are minimized for three essential reasons:
(1) Relative risks that are used, have been calculated for this location based on the
epidemiological study previously carried out (Roldán et al., 2014) and relative risks calculated
for other locations or climatic criteria-based have not been used. (2) It has seen that
throughout the analysis period (1987–2006), the threshold temperatures of mortality have not
changed and, therefore, it makes sense to assume that on the horizon of the study will not do
either. (3) Relative risks during that period have not changed, and therefore, the relative risks
can be assumed constant over the projection of the presented study period.
The combination of exposure–response functions is the most utilised methodology in the
projection of mortality related to future temperature changes (Knowlton et al., 2007; Gosling et
al., 2009; Peng et al., 2011; Ostro et al., 2012), with each study using these functions
differently. The methodology developed by Ostro was adopted for the present study (see
methodology), obtaining as a result an increase in heat-wave-attributable annual mortality.
In the three scenarios studied, A1B, A2, and B1, 0.4% of deaths projected for the period 2014–
2021 are expected to be attributable to extreme temperatures. This result is lower than that
estimated for Barcelona (2%) or for all of Catalonia (0.8%) (Ostro et al., 2012). Other studies
predict much higher increases in future mortality, such as in New York, which expects an
Material y método y resultados
68
increase of 70% by 2050 compared to 1990 (Knowlton et al. 2007). Estimations predict that
four cities in Canada will double their present mortality rates by 2050 (Cheng et al., 2009).
Other authors indicate that the effects on mortality will be small in the short term (2020–2030),
due partially to a relative lack of sensitivity to temperature increases (Murphy et al., 2009).
Along these lines, in Lisbon, a slight increase in deaths attributable to heat is estimated for
2020 compared to 1998, and a more pronounced increase is estimated for 2050 (Dessai, 2003).
Probably the aging of the population with its incidence at a lower temperature of firing of
mortality to be compensated with socioeconomic development, demographic changes,
improvements in health status, healthcare advances, and people’s perceptions/behaviors
towards heatwaves will profoundly influence the efficacy of heat alert systems, and therefore,
the success of future intervention measures (Meusel et al., 2004; Abrahamson et al., 2008).
Technological and medical advancements will have an important role in mitigating future
heatwaves health outcomes, as will urban adaptation strategies limiting heat gains through
buildup of green/blue areas, use of less heat absorbing construction materials, and urban
designs enhancing air exchange. Green/cool infrastructures have the potential to reduce excess
urban temperature by 1–2 ºC (Georgescu et al., 2014). Finally, population resilience is expected
to increase because of physiological acclimatization to warmer climates (Gosling et al., 2009).
For Zaragoza, estimations showed that heat-attributable deaths will be more pronounced for
the three scenarios in the 2040s and 2050s and much more intense towards the end of the
twenty first century. As shown in Table 3 (Section 4.3.9), these increases are because annual
mean days and frequencies of heat waves remain constant in the first decade with respect to
the base study period but progressively increase in successive years.
4.3.6. Conclusions
The local character of the results obtained in this study clearly establishes the increase in
mortality. Minimizing the potential uncertainties associated both temperatures prediction models
and calculation of impacts on health of heat, suggest that the projections outlined in this paper
is largely in line to what will happen in this temporary horizon.
As indicated in the Stern Report, taking measures to reduce these effects of increasing heat is
necessary and urgent because if societies do not adequately confront the challenge, the effects
could be even more negative and farreaching. Therefore, the price of not acting could be 20
times the cost of adapting mitigation or adaptation measures (Stern, 2007).
Material y método y resultados
69
4.3.7. Acknowledgments
This Project was conducted by the Research Group GIMACES E02, Consolidated Applied
Research Group, Government of Aragon, supported by the government of Aragon and the
European Social Fund Building Europe from Aragon. Cristina Linares and Julio Díaz have
participated in this Project thanks to a scholarship from the Spanish Health Research Fund
(Health Research Fund), File PI12/01404-ENPY 1001/13.
4.3.8. References
Abrahamson V, Wolf J, Lorenzoni I, et al. 2008. Perceptions of heatwave risks to health:
interview-based study of older people in London and Norwich, UK. Journal of Public Health;
31:119−126.
Alonso AM, Bermudez PZ, Scotto MG. 2014. Comparing generalized Pareto models fitted to
extreme observations: an application to the largest temperatures in Spain. Stochastic
Environmental Research and Risk Assessment; Volume 28, Issue 5, pp 1221-1233.
Altava-Ortiz. V 2010. Caracterització i monitoratge de les sequeres a Catalunya i nord del País
Valencià. Cálcul d’escenaris climàtics per al segle XXI, Tesi Doctoral, Publicació Interna,
Departament d’Astronomia i Meteorologia, Universitat de Barcelona, Barcelona, 296 pp.
Anderson G.B, Bell M.L. 2009. Weather-related mortality: a study of how heat, cold, and heat
waves affect mortality in the United States. Epidemiology; 20(2):205-213.
Basagaña X, Sartini C, Barrera-Gómez J, Dadvand P, Cunillera J, Ostro B, Sunyer J, Medina-
Ramón M. 2011. Heat waves and cause-specific mortality at all ages. Epidemiology;
22(6):765-772.
Benmarhnia T, Sottile M-F, Plante C, Brand A, Casati B, Fournier M, Smargiassi A. 2014.
Variability in Temperature-Related Mortality Projections under Climate Change.
Environmental Health Perspectives; 122:1293-1298;http://dx.doi.org/10.1289/ehp.1306954
Brunet M, Casado MJ, De Castro M, Galán P, López JA, Martín JM, Pastor A, Petisco E, Ramos P,
Ribalaygua J, Rodríguez E, Sanz I, Torres L. 2008. Generación de escenarios regionalizados
de cambio climático para España. Agencia Estatal de Meteorología. Centro de publicaciones.
Secretaria General Técnica. Ministerio de Medio Ambiente y Medio Rural y Marino.
Cheng CS, Campbell M, Li Q, Li G, Auld H, Day N, et al. 2009. Differential and combined
impacts of extreme temperatures and air pollution on human mortality in south-central
Canada. Part II: future estimates. Air Quality, Atmosphere & Health; 1(4):223–235.
Degefie DT, Fleischer E, Klemm O, Soromotin AV, Soromotina OV, Tolstikov AV, Abramov NV.
2014. Climate extremes in South Western Siberia: past and future. Stochastic Environmental
Research and Risk Assessment; DOI: 10.1007/s00477-014-0872-9
Dessai S. 2003. Heat stress and mortality in Lisbon part II. An assessment of the potential
impacts of climate change. International Journal of Biometeorology; 48(1):37–44.
Material y método y resultados
70
Díaz J, Jordán A, García R, López C, Alberdi JC, Hernandez E, Otero A. 2002. Heat waves in
Madrid 1986–1997: effects on the health of the elderly. International Archives of
Occupational and Environmental Health; 75(3):163–170.
Díaz J, García-Herrera R, Trigo R.M, Linares C, Valente MA, de Miguel J, Hernandez E. 2006.
The impact of the summer 2003 heat wave in Iberia: how should we measure it?.
International Journal of Biometeorology; 50(3):159-166.
Díaz J. 2014. Heat Waves´ Influence on Health: Some Uncertainties about Their Impact. Earth
Science & Climate Change; 5 (3):186.
Drange H. 2006. ENSEMBLES BCCR-BCM2.0 20C3Mrun1, daily values. CERAdatabase.Hamburg
2: World Data Center for Climate [http://cera-www.dkrz.de/. WDCC/ui/Entry.jsp? acronym =
ENSEMBLES_BCM2_20C3. M_1_D].
Gao Y, Fu JS, Drake JB, Liu Y, Lamarque JF. 2012. Projected changes of extreme weather
events in the Eastern United States based on a high resolution climate modeling system.
Environmental Research Letters; 7(4), Article No.044025.
Georgescu, M, Morefield, PE, Bierwagen, BG, Weaver, CP. 2014. Urban adaptation can roll back
warming of emerging megapolitan regions. Proceedings of the National Academy of
Sciences; 111(8):2909−2914.
Green S, Kalkstein LS, Mills DM and Samenow J. 2011. An Examination of Climate Change on
Extreme Heat Events and Climate-Mortality Relationships in Large U.S. Cities. Weather,
Climate and Society; 3,281-292.
Hayhoe K, Sheridan S, Kalkstein L, Greene S. 2010. Climate change, heat waves, and mortality
projections for Chicago. Journal of Great Lakes Research; 36:65-73.
Haylock MR, Hofstra N, Klein Tank AMG, Klok EJ, Jones PD, and New M. 2008. A European daily
high resolution gridded data set of surface temperature and precipitation for 1950–2006,
Journal of Geophysical Research; 113, D20119, doi:10.1029/2008JD010201.
Huang C, Barnett AG, Want X, Vaneckova P, FitzGerald G, Tong S. 2011. Projecting future heat-
related mortality under climate change scenarios: a systematic review. Environmental Health
Perspectives; 119(12):1681–1690
Informe especial del IPCC. 2000. Escenarios de Emisiones. Publicado por el Grupo
Intergubernamental de Expertos sobre Cambio Climático. ISBN 92-9169-413-4.
Instituto Aragonés de Estadística (IAEST). 2015
http://www.aragon.es/DepartamentosOrganismosPublicos/Institutos/InstitutoAragonesEstadi
stica/AreasTematicas/02_Demografia_Y_Poblacion
Instituto Nacional de Estadística (INE). 2013. Proyecciones de Población a Corto Plazo
http://www.ine.es/jaxi/menu.do?type=pcaxis&path=%2Ft20%2Fp269&file=inebase&L=0
Accessed 23 July 2013
IPCC 2013 Climate Change. 2013. The Physical Science Basis. Working Group I Contribution to
the Fifth Assessment Report of the Intergovernmental Panel on Climate Change.
Material y método y resultados
71
Jackson JE, Yost MG, Karr C, Fitzpatrick C, Lamb BK, Chung SH, Cheng J, Avise J, Rosenblatt
RA, Fenske RA. 2010. Public health impacts of climate change in Washington State:
projected mortality risks due to heat events and air pollution. Climatic Change; 102:159-186.
Kent ST, McClure LA, Zaitchik BF, Smith TT, Gohlke JM. 2014. Heat Waves and Health
Outcomes in Alabama (USA): The Importance of Heat Wave Definition. Environmental
Health Perspectives; 122: 151-158.
Knowlton K, Lynn B, Golberg RA, Rosenzweig C, Rosenthal JK, Kinney PL. 2007. Projecting
heat-related mortality impacts under a changing climate in the New York City region.
American Journal of Public Health; 97(11):2028-34
Linares C, Díaz J. 2008. Temperaturas extremadamente elevadas y su impacto sobre la
mortalidad diaria según diferentes grupos de edad. Gaceta Sanitaria; 22(2):115–119.
Linares C, Mirón IJ, Montero JC, Criado-Álvarez JJ, Tobías A, Díaz J. 2014. The Time Trend
Tempertaure–Mortality as a Factor of Uncertainty Analysis of Impacts of Future Heat Waves.
Environmental Health Perspectives; 122 (5):118. DOI:10.1289/ehp.1308042.
Linares C, Diaz J, Tobias A, Carmona R, Mirón IJ. 2015. Impact of heat and cold waves on
circulatory-cause and respiratory-cause mortality in Spain: 1975-2008. Stochastic
Environmental Research and Risk Assessment; DOI: 10.1007/s00477-014-0976-2
McMichael A.J, Wilkinson P, Kovats S.R, Pattenden S, Hajat S, Armstrong B, Vajanapoom N,
Niciu EM, Mahomed H, Kingkeow C. 2008. International study of temperature, heat and
urban mortality: the “ISOTHURM” project. International Journal of Epidemiology;
37(2):1121-1131.
Meusel D, Menne B, Kirch W, Bertollini R. 2004. Public health responses to extreme weather
and climate events. A brief summary of the WHO meeting on this topic in Bratislava on 9-10
February 2004. Journal of Public Health; 12:371−381.
Mirón I.J, Criado-Alvarez J.J, Díaz J, Linares C, Mayoral S, Montero JC. 2008. Time trends in
minimum mortality temperatures in Castile-La Mancha (Central Spain): 1975-2003.
International Journal of Biometeorology; 52(4):291-299.
Mirón IJ, Linares C, Montero JC, Criado JJ, Díaz J. 2014. Changes in cause-specific mortality
during heat waves in Castile-la Mancha: Spain, 1975-2008. International Journal
Biometeorology; DOI: 10.1007/s00484-014-0933-2
Montero J.C, Mirón I.J, Criado-Alvarez J.J, Linares C, Diaz J. 2010. Comparison between two
methods of defining heat waves: a retrospective study in Castile-La Mancha (Spain). The
Science of Total Environment; 408(7):1544-1550
Montero J.C, Mirón I.J, Criado-Álvarez J.J, Linares C, Díaz J. 2012. Influence of local factors in
the relationship between mortality and heat waves: Castile-La Mancha (1975-2003). The
Science of Total Environment; 414(1):73-80.
Montero J.C, Mirón J.J, Linares C, Díaz J. 2013. Difficulties of defining the term “heat waves” in
public health. International Journal Environmental Health Research; 23(5):337-379.
Material y método y resultados
72
Murphy JM, Sexton DMH, Jenkins GJ, Boorman PM, Booth BBB, Brown CC, et al. 2009. UK
Climate Projections Science Report: Climate Change Projections. Exeter: Met Office Hadley
Centre.
Muthers S, Matzarakis A and Koch E. 2010. Climate Change and Mortality in Vienna- A Human
Biometeorological Analysis Based on Regional Climate Modeling. International Journal of
Environmental Research and Public Health; 7, 2965-2977.
Niehörster F. 2008. ENSEMBLES EGMAM 20C3M run1, daily values. CERA database.
Hamburg:World Data Center for Climate; [http://cera-www.dkrz.de/WDCC/ui/Compact.
jsp?acronym=ENSEMBLES_FUBEMA_20C3M_1_D].
Ostro B, Barrera-Gómez J, Ballester J. 2012. The impact of future summer temperature on
public health in Barcelona and Catalonia, Spain. International Journal of Biometeorology;
56(6):1135-44. doi:10.1007/s00484-012-0529-7.
Parry ML, Canziani OF, Palutikof JP, Van der Linden PJ, Hanson CE, editors. 2007. IPCC impacts,
adaptation and vulnerability contribution of Working Group II to the Fourth Assessment
Report of the IPCC. Cambridge University Press.
Petkova EP, Gasparrini A, Kinney PL. 2014. Heat and mortality in New York City since the
beginning of the 20th century. Epidemiology; 25(4), 554-560.
Ribalaygua J, Torres L, Pórtoles J, Monjo R, Gaitán E, Pino MR. 2013a. Description and
validation of a two-step analogue/regression downscaling method. Theoretical and Applied
Climatology; 2013 0177-798X. doi.org/10.1007/s00704-013-0836-x.
Ribalaygua J, MR Pino, J Portoles, E Roldán, E Gaitán, D Chinarro, L Torres. 2013b. Climate
change scenarios for temperature and precipitation in Aragón (Spain). Science of the Total
Environment; 463-464:1015-1030.
Roeckner E, Brokopf R, Esch M, Giorgetta M, Hagemann S, Kornblueh L, Manzini E, Schlese U,
Schulzweida U. 2006. Sensitivity of simulated climate to horizontal and vertical resolution in
the ECHAM5 atmosphere model. Journal of Climate; 19:3771–3791.
Roldán E, Gómez-Barrera M, Pino M.R, Esteban M, Díaz, J. 2011. Determinación de zonas
isotérmicas y selección de estaciones meteorológicas representativas en Aragón como base
para la estimación del impacto del cambio climático sobre la posible relación entre
mortalidad y temperatura. Revista Española de Salud Pública; 85(6):603-610.
Roldán E, Gómez M, Pino MR, Díaz J. 2014.. The impact of extremely high temperatures on
mortality and mortality cost. International Journal of Environmental Health Research; DOI:
10.1080/09603123.2014.938028
Royer DL, Berner RA, Park J. 2007. Climate sensitivity constrained by CO2 concentrations over
the past 420 million years. Nature; 446:530–532.
Schifano P, Leone M, De Sario M, de Donato F, Bargagli AM, Díppoliti D, Marino C, Michelozzi P.
2012. Changes in the effects of heat on mortality among the elderly from 1998-2010: results
from a multicenter time series study in Italy. Environmental Health; 1:58.
Material y método y resultados
73
Sheridan SC, Allen MJ, Lee CC, Kalkstein LS. 2012. Future heat vulnerability in California, Part
II: projecting future heat-related mortality. Climatic Change; 115(2):311-326
Siliverstovs B, Ötsch R, Kemfert C, Jaeger CC, Hass A, Kremers H. 2010. Climate change and
modelling of extreme temperatures in Switzerland. Stochastic Environmental Research and
Risk Assessment; 24(2):311-326.
Stern, N. 2007. The Economics of Climate Change. The Stern Review. Cambridge: Cambridge
University Press.
Tao H, Fraedrich K , Menz C, Zhai J. 2014.Trends in extreme temperature indices in the Poyang
Lake Basin, China. Stochastic Environmental Research and Risk Assessment; DOI
10.1007/s00477-014-0863-x
Tobías A, de Olalla P.G, Linares C, Bleda M.J, Cayla JA, Díaz J. 2010. Short-term effects of
extreme hot summer temperatures on total daily mortality in Barcelona, Spain. International
Journal of Biometeorology; 54(2):115-117.
Van der Linden P, Mitchel J & Gilbert P. 2009. ENSEMBLES: Climate change and its impacts at
seasonal, decadal an centennial timescales. Exeter
Van Ulden A and Van Oldenborgh G. 2006. Large-scale atmospheric circulation biases and
changes in global climate model simulations and their importance for climate change in
Central Europe. Atmospheric Chemistry and Physics; 6, 863–881, doi: 10.5194/acp–6–863–
2006.
Voorhees AS, Fann N, Fulcher C, Dolwich P, Hubbell B, Bierwagen B, Morefield P. 2011. Climate
change-related temperature impacts on warm season heat mortality: a proof-of-concept
methodology using BenMAP. Environmental Science & Technology; 45:1450-1457.
Wu JY, Zhou Y, Gao Y, FU JS, Johnson BA, Huang C, Kim YM Liu Y. 2014. Estimation and
Uncertainty Analysis of Impacts of Future Heat Wave son Mortality in the Eastern United
States. Environmental Health Perspectives; 122:10-16.
Zhang Q, Xu CY, Zhang Z, Chen YD. 2009. Changes of temperature extremes for 1960–2004 in
Far-West China. Stochastic Environmental Research and Risk Assessment; 23:721–735
Material y método y resultados
74
4.3.9. Tables
Table 1: Annual mean intensity and frequency of heat waves for the base study period
Heat-Wave
Days
Number of Heat-
Wave
1987-1993 5 (±3.39) 3 (±1.98)
1994-2000 4 (±5.51) 3 (±1.33)
2001-2006 7 (±6.63) 4 (±1.38)
Table 2. Relative risk of the complete base period and the period divided into intervals: 1987-
1993, 1994-2000, and 2001-2006.
Coefficient Lower Limit Upper Limit
Base Period
1987-2006
AR 22.40% 8.20% 36.61%
RR 1.289 1.089 1.578
First Period
1987-1993
AR 27.22% 7.40% 47.04%
RR 1.374 1.080 1.888
Second Period
1994-2000
AR 24.02% 7.25% 40.78%
RR 1.316 1.078 1.689
Third Period
2001-2006
AR 18.25% 4.78% 31.73%
RR 1.223 1.050 1.465
Table 3: Annual mean of intensity and frequency of future heat waves, 2014-2099, for the
three study scenarios.
ECHAM5 SRA1B ECHAM5 SRA2 ECHAM5 SRB1
Heat-Waves
Days
Number of
Heat-Wave
Heat-Waves
Days
Number of
Heat-Wave
Heat-Waves
Days
Number of
Heat-Wave
2014-2021 5 (±4,53) 3 (±1.93) 5 (±3.44) 3 (±1.67) 5 (±6.39) 3 (±2.92)
2022-2030 9 (±8.49) 4 (±3.12) 6 (±2.74) 4 (±1.56) 6 (±4.56) 3 (±2.28)
2031-2040 11 (±7.04) 6 (±3.06) 8 (±6.26) 4 (±2.39) 7 (±4.65) 4 (±2.49)
2041-2050 17 (±8.75) 8 (±3.17) 13 (±7.13) 6 (±3.09) 8 (±5.37) 4 (±2.49)
2051-2060 16 (±7.83) 8 (±3.01) 20 (±10.36) 8 (±3.35) 9 (±6.77) 5 (±2.22)
2061-2070 35 (±11.18) 13 (±2.12) 22 (±9.48) 10 (±3.59) 17 (±8.87) 8 (±3.30)
2071-2080 33 (±12.74) 12 (±4.62) 30 (±10.74) 13 (±2.51) 20 (±7.38) 8 (±3.63)
2081-2090 40 (±7.85) 13 (±1.65) 43 (±13.60) 15 (±3.38) 23 (±11.07) 10 (±1.48)
2091-2099 46 (±12.60) 15 (±3.87) 51 (±10.32) 14 (±3.74) 34 (±11.69) 12 (±3.36)
Material y método y resultados
75
Table 4. Future all-cause mortality projections for Zaragoza for the years 2014-2021.
Years Mortality
2014 9,457
2015 9,492
2016 9,523
2017 9,550
2018 9,571
2019 9,590
2020 9,605
2021 9,618
Table 5. Annual mean of heat-wave-attributable deaths for the period 2014-2021
2014-
2021
SCENARIO ECHAM5
Annual Mean AM LL AM UL
A1B 34 14 51
A2 35 14 52
B1 40 16 62
Material y método y resultados
76
4.3.10. Figures
Fig. 1: Location of the area under study, Zaragoza (Aragón) (NE Spain)
0 50 100 200 Kilometers
0 500 1000 2000 Kilometers
5. DISCUSIÓN
Discusión
79
Los resultados que se han mostrado en esta Tesis Doctoral dan repuesta a los objetivos
establecidos en ella.
De modo general, se trata del primer estudio que se realiza en Aragón con el objetivo de
analizar la vulnerabilidad de su población a la mortalidad por temperaturas extremas por calor.
No sólo realizando un análisis retrospectivo de la mortalidad ocurrida en el periodo 1987-2006,
si no que basándose en las simulaciones de temperatura de modelos climáticos en el horizonte
2014-2021, se realiza una prospección del impacto debido al calor en este marco temporal.
Cabe destacar que la metodología utilizada en este estudio trata de minimizar todas las
incertidumbres que se han detectado en estudios previos realizados en otros lugares (Linares et
al., 2014). En primer lugar, haciendo un estudio previo de representatividad de las estaciones
que se han utilizado. En segundo lugar, calculando las temperaturas de disparo y los impactos
del calor para el propio Aragón y en tercer, lugar teniendo en cuenta el posible cambio de
umbrales e impactos en el horizonte 2014-2021 como consecuencia de cambios en la pirámide
de población, mejora de servicios sociales y sanitarios y procesos de adaptación al calor.
No obstante los resultados que se han obtenido y que se muestran en los artículos ya
publicados necesitan de una profunda discusión que se detalla a continuación.
5.1. ESTACIONES REPRESENTATIVAS
En un territorio extenso como es Aragón a la hora de diseñar la metodología ante un estudio de
este tipo lo primero es hacer frente a dos dificultades. La baja tasa de mortalidad diaria
asociada a una escasa densidad poblacional y el no poder asumir que toda la población se
encuentra expuesta a las mismas condiciones térmicas.
Para resolver estos problemas son necesarias series de datos de las variables ambientales
suficientemente largas; del orden de 30 años según recomienda la Organización Meteorológica
Mundial (OMM, 1998). Para el presente estudio se han analizado 20 años al estar condicionados
por los datos de mortalidad diaria disponibles con los que posteriormente se compararan estos
datos.
En el manejo de series de datos climáticos suelen aparecer dificultades ligadas a la presencia de
lagunas en los datos (ausencia de datos en un número más o menos extenso de días). Estas
lagunas necesitan un tratamiento consistente de relleno de estos datos (con datos de otras
series con coeficientes de correlación similares a las de otros observatorios) así como un
Discusión
80
posterior tratamiento de unificación y de detección de posibles inhomogeneidades que permiten
contar con datos robustos y representativos.
Por otro lado, es necesario definir la presencia de diferentes zonas homogéneas de Aragón
analizando la variabilidad térmica y poder seleccionar las estaciones climatológicas
representativas. Para ello es necesario analizar las series de datos de un número suficiente de
estaciones climatológicas para que abarquen todo el territorio a estudiar y que representen
todas las variaciones térmicas posibles. En este estudio concreto, se analizaron 114 estaciones
climatológicas de Aragón. (La metodología seguida es la expuesta en el punto 4.1.3.).
Las estaciones representativas que se obtuvieron para las provincias de Aragón fueron Huesca-
Monflorite en Huesca, Teruel para la provincia de Teruel y Zaragoza-Aeropuerto, en Zaragoza.
Además se determinó que Aragón es una única zona isotérmica y se tomó como la estación
representativa para todo el territorio Zaragoza-Aeropuerto por representar unas correlaciones
muy elevadas en temperaturas máximas confirmando la robustez de los resultados. Si bien los
estudios localizados sobre la determinación de regiones isotérmicas y estaciones representativas
no son muy numerosos, en este caso se siguió la metodología de Mirón realizada para Castilla-
La Mancha (Mirón et al., 2006) que al igual que en otras publicaciones similares localizadas
(Curriero et al.,2002; The Eurowinter Group, 1997) llegan a las mismas conclusiones que en
esta tesis, es decir la posibilidad de utilizar una sola estación representativa para analizar las
repercusiones sanitarias, en el presente caso, las temperaturas extremas.
Además el hecho de que la estación representativa de Aragón esté ubicada en la capital, al
igual que las representativas de cada provincia sean sus capitales, hace que este análisis no
solo sea viable para estudios de salud pública sino para cualquier otro estudio desagregado de
interés administrativo, económico o poblacional.
5.2. IMPACTO TEMPERATURA MORTALIDAD
5.2.1. Análisis de las series
Los datos diarios de temperaturas máximas y mínimas de las diferentes estaciones de Aragón
fueron suministrados por dos fuentes diferentes: datos del 1 de enero de 1987 a 31 de
diciembre de 2002, cedidos por Fundación para la Investigación del Clima y los datos desde el 1
de enero de 2003 al 31 de diciembre de 2006 suministrados por la Agencia Estatal de
Meteorología.
Tras un primer análisis de las series de temperatura de las estaciones representativas de las
tres provincias de Aragón y para el periodo de estudio 1987-2006 cabe destacar la amplia
oscilación térmica, típica del clima continental. Para la serie de Zaragoza, la diferencia entre la
Discusión
81
máxima (42,5) y la mínima (-9,5) registrada es de 52ºC. Para Huesca esta amplitud es de 52,1
(41,3ºC de máxima y -10,8ºC de mínima). Para Teruel esta oscilación es más marcada
alcanzando los 58ºC, entre los 39ºC que se alcanzaron como máxima (39ºC) y los -19ºC que se
registraron como la temperatura mínima. Estos datos hacen suponer que la población de
estudio posee una gran capacidad de adaptación, más aún tras comprobar, y a modo de
curiosidad, la amplitud térmica que las tres capitales han soportado en un mismo día, Zaragoza
y Huesca han tenido hasta 23ºC de diferencia entre la temperatura máxima y mínima, llegando
a los 27ºC Teruel.
Las series de mortalidad diaria por todas las causas excepto accidentes (CIE-10 Clasificación
Internacional de Enfermedades) para el periodo 1987-2006 fueron suministradas para el
estudio por la Dirección General de Salud Pública del Gobierno de Aragón. Y tras un primer
análisis, es importante señalar que Zaragoza con una media de muertes diaria de 13,77 fue la
capital con menos días con cero muertos (dos días), por el contrario Huesca (1,09 media de
mortalidad diaria) y Teruel (0,73 de promedio) tienen 2536 y 3488 días, respectivamente, con
cero registros.
A las series de mortalidad diarias por todas las causas excepto accidentes de las tres capitales
de provincias y para Aragón se les ajustaron modelos ARIMA (Modelos Autorregresivos
Integrados de Media Móvil) mediante la aplicación de la metodología de Box-Jenkins (McLeod,
1983). Los modelos univariante se utilizaron para determinar los componentes de las series,
parte autorregresiva (AR) y la media móvil determinista, siendo absolutamente coherentes con
las periodicidades encontradas ya que todos ellos incorporan funciones de seno y coseno como
ajustes a las periodicidades anuales y semestrales. Posteriormente y mediante el test de Box-
Ljung Portmanteau, se seleccionaron aquellos modelos donde sus funciones de autocorrelación
simple y parcial (PACFs) indicaron la estructura de ruido blanco.
Posteriormente se realizó un preblanqueo mediante un filtrado Box-Jenkins (Makridakis et al,
1983) de las series temporales de datos diarios aplicándoles el modelo ARIMA identificado en
las series de temperaturas máximas (variables independientes) y en las series de mortalidad
diarias (variables dependientes). Como resultado se obtuvieron series de residuos de
temperaturas diarias y de mortalidad para las tres provincias y para Aragón. De este modo, se
aseguró el control de las estacionalidades, periodicidades y tendencias de las series.
Con las series de residuos obtenidos del filtrado o preblanqueo Box-Jenkins, se construyeron
Funciones de Correlaciones Cruzadas (FCC), en las que si el coeficiente de correlación resulta
significativamente positivo, indica que un incremento de la temperatura se asocia con un
aumento de la mortalidad por causas orgánicas en el desfase correspondiente. Las funciones de
correlación cruzadas mostraron retrasos positivos hasta de orden 3, lo que supone que la
Discusión
82
mortalidad que se produce un determinado día esta correlacionada de forma estadísticamente
significativa con las que se producen hasta 3 días antes; patrón que se ha dado en otros
estudios (Basu y Samet, 2002; Montero et al., 2012). Además esté dato es extremadamente
importante cuando se trata de diseñar planes de prevención (Montero et al., 2010).
5.2.2. OLA DE CALOR
Como ya se ha hecho referencia en la introducción, un aspecto fundamental en los trabajos
realizados hasta la fecha es el criterio que se adopta para definir una ola de calor. En los planes
de prevención de muchos países, se tienen en cuenta los criterios estrictamente climatológicos
sin tener en cuenta ningún indicador de salud. Los que utilizan este criterio, una vez tienen las
series de temperaturas diarias de los últimos años, toman día de ola de calor a aquellos cuya
temperatura máxima supera un determinado percentil de las series, que normalmente es 95.
Tal como ha ocurrido en el Plan de Prevención frente a Altas Temperaturas de España
(Almarza, 2004) que toman las temperaturas de 34ºC para Huesca y 36ºC para Teruel y
Zaragoza que se corresponden con los percentiles 95 de las series de temperaturas máximas.
Por otro lado están los estudios que sostienen que intervienen multitud de parámetros como
factores socioeconómicos y demográficos, basados en estudios estadísticos de la relación entre
la temperatura y la mortalidad en cada zona geográfica concreta, teniendo en cuenta
características locales, otras variables como las meteorológicas, duración e intensidad de la que
hacen que la mortalidad comience a aumentar a temperaturas que en algunos casos pueden
estar por encima o por debajo del percentil 95 de las series de temperaturas máximas antes
citadas (Díaz et al., 2006; Montero et al., 2012).
Para obtener las temperaturas de disparo de la mortalidad y definir así ola de calor para las
capitales de las tres provincias de Aragón, y según los últimos criterios expuestos, se ha
analizado la relación temperatura máxima diaria y mortalidad diaria por todas las causas
excepto accidentes. Para ello se representan en un diagrama de dispersión el valor medio de los
residuos, resultado del proceso de modelado, para cada temperatura máxima diaria a intervalos
de 2ºC con sus correspondientes intervalos de confianza al 95%. A partir de una determinada
temperatura los intervalos de confianza de los residuos de mortalidad dejan de solaparse de la
línea basal. Por lo tanto, puede decirse que partir de esa temperatura comienza a aumentar la
mortalidad por ola de calor de forma estadísticamente significativa.
El hecho de usar series preblanqueadas de mortalidad (trabajar con residuos) en lugar de
hacerlo con mortalidad diaria tiene la ventaja de que éstas, tras la modelización no presenta
tendencias ni periodicidades inherentes a la mortalidad diaria, y por tanto cuando se detecta un
aumento del número de muertes en los días caracterizados por una temperatura en un
diagrama de dispersión, se debe a una autentica relación mortalidad-temperatura causal desde
Discusión
83
el punto de vista estadístico, debido a que se detecta un aumento en un residuo o lo que es lo
mismo la parte no explicada del modelo, ya que no se está relacionado con un número real de
defunciones.
Para Zaragoza se observó un aumento estadísticamente significativo en la mortalidad cuando la
temperatura máxima diaria llegó a 38°C, una temperatura que se corresponde con el percentil
99 de las temperaturas máximas. Para Huesca este aumento correspondió con los 34ºC o el
percentil 85. Por el contrario, esta asociación estadísticamente significativa no se dio en Teruel,
como respuesta a la escasa mortalidad diaria que se produce en esta ciudad, ya que la media
de muertes diarias para Teruel es de 0,73. Por este motivo se descartó continuar con el estudio
en Teruel. Además de la baja mortalidad habría que resaltar el elevado índice de
envejecimiento de Teruel, un 134,6 y con un 23,6% de población de mayores de 65 años. Este
índice de envejecimiento también elevado para Huesca (121,5) y con un porcentaje de
población mayor de 65 años superior al de Teruel. Estos datos explicarían el percentil tan bajo
que se obtuvo para Huesca, lo que corrobora así que a mayor envejecimiento de la población
implica una menor temperatura de disparo.
En este punto, hay que hacer especial hincapié en que los percentiles de nuestro estudio
difieren de los que muestra el Plan de Prevención frente a altas Temperaturas Español para
Zaragoza, criterio definido únicamente por factores climatológicos, y estableciendo el nivel de
alerta de ola de calor en 36ºC para Zaragoza. Demostrando, y como ya ha ocurrido en otras
ciudades españolas (Tobías et al., 2010; Montero et al., 2012), que estos percentiles no son
correctos para todas las ciudades. Por otro lado un estudio recientemente publicado para el
conjunto de toda España pero para el periodo más actual 2000-2009 (Díaz et al., 2015b)
establece la temperatura de disparo de la mortalidad para Zaragoza en 36ºC que para la serie
temporal considerada en este estudio es el percentil 86 de las series de temperaturas máximas
de los meses de verano. Este descenso de la temperatura de disparo pasando de 38ºC para
Zaragoza en el periodo 1987-2006 (percentil 99) a 36ºC en el periodo 2001-2009 (percentil 86)
viene a indicar la tendencia a la baja de las temperaturas de disparo como consecuencia del ya
citado envejecimiento de la población. Para el caso de Huesca la temperatura de disparo se ha
mantenido constante en 34ºC en este último periodo 2001-2009 analizado.
5.2.3. EVOLUCIÓN
Tal como se ha venido contando a lo largo de este trabajo, una de las principales
incertidumbres es la necesidad de una correcta definición de ola de calor, basada en estudios
epidemiológicos, y para completar la definición se considera importante comprobar si los
percentiles de las temperaturas de disparo de la mortalidad han variado con el transcurso del
tiempo. Esta evolución se viene confirmando en los últimos tiempos (Linares et al., 2014), de
Discusión
84
forma diferente dependiendo de las ciudades y regiones estudiadas (Pascal et al., 2006; Mirón
et al., 2007).
Así que tanto para Huesca como para Zaragoza se comprobó si esta variación había tenido
lugar. Para ello se dividió el periodo de estudio (1987-2006) en tres tramos 1987-1993, 1994-
2000 y 2001-2006, y posteriormente se comprobó para cada uno ellos las temperaturas de
disparo de la mortalidad. El resultado obtenido para Zaragoza fue que el percentil 99 se había
mantenido constante en el tiempo. Por el contrario, en el caso de Huesca al estimar dichas
temperaturas en los tramos expuestos no se produjeron resultados estadísticamente
significativos con la mortalidad diaria. Esta ausencia de significancia responde a los mismos
motivos expuestos para Teruel, por lo que se descartó continuar con el estudio para esta
ciudad. Estos resultados no contradicen la evolución detectada en los últimos años en la
temperatura de disparo de Zaragoza pasando de 38ºC a 36ºC ya que la serie temporal
considerada para el primer caso es mucho más extensa que la considerada en el periodo 2001-
2009 y ésta última incluye el periodo 2007-2009 no considerada anteriormente (Díaz et al.,
2015b).
5.3. IMPACTO DE LAS TEMPERATURAS SOBRE LA MORTALIDAD
Para cuantificar el efecto de una ola de calor sobre la mortalidad, a través de las temperaturas
máximas diarias (Tmax) se trabajó con modelos ARIMA multivariados. Para ello previamente se
crearon las variables a introducir en los modelos en base a la temperatura de disparo de la
mortalidad (Tumbral):
1) Temperatura de aquellos días que se encuentra por encima del umbral de disparo de la
mortalidad. TCal= Tmax-Tumbral.
2) Variables retardadas TCal (lag1). Puesto que el efecto de una ola de calor puede no ser
inmediato hay que tener en cuenta el efecto de la temperatura del día n sobre la mortalidad un
día después n+1 (lag2), y sobre dos días después n+2 y así sucesivamente. El número de
retardos se seleccionaron en base a la literatura existente, que establece que el efecto del calor
es un efecto a corto plazo (Tcal: lags 1-4) (Alberdi et al., 1998).
3) Orden de aparición de una ola. Para ello se creó la variable Número de Ola NOla.
4) Duración de una ola. Para cuantificar el efecto de la duración de la ola se creó la variable
Día de ola, indicando el número de días seguidos que supera la temperatura umbral, DOla.
La inclusión de las variables en el modelo se realizó mediante introducción forzada y posterior
depuración paso a paso. Extrayendo las variables del proceso secuencial de modelización
cuando no alcanzan su significación, por debajo del límite establecido (p<0,05). Con el
estimador resultante de los modelos ARIMA y junto con los efectos de la ola de calor de los
diferentes Lags se obtiene el Riesgo Atribuible (RA) que va a indicar el porcentaje de muertes
Discusión
85
atribuibles al calor para la población de estudio. Una vez se tienen los datos y tras aplicarles la
fórmula RA= (RR-1)/RR (Coste y Spira, 1991) se obtiene el Riesgo Relativo (RR) por cada grado
que se supera la temperatura de disparo, para cada uno de los días de estudio.
Como conclusiones destacar que la primera ola de calor del año tiene mayores efectos sobre la
mortalidad en Zaragoza, con un impacto de un 34% mayor que el resto de olas de calor que se
puedan dar a lo largo año, produciéndose lo que conoce como "efecto siega" (Díaz et al.,
2002ª; Montero et al., 2012). Efecto que como se ha observado en otros casos (Gover 1938;
Kalkstein LS & Smoyer, 1993; Wolfe et al., 2001) responde a una falta de aclimatación de la
población a las altas temperaturas durante las primeras olas de calor (Mastrangelo et al, 2007)
desplazando la mortalidad de los grupos más susceptibles (Díaz et al., 2002a).
Se ha observado también que para el periodo de estudio, 92 días han superado la temperatura
de 38ºC, siendo las olas con mayor duración las de seis días consecutivos, estas olas se han
producido 6 veces en los 19 años de estudio, representando el 6,5%. Por el contrario las olas
con un único día son las más representativas con un 37% del total. Este mismo patrón se ha
podido observar en otras ciudades de España (García et al., 2002).
En una fase posterior se cuantificaron los efectos de las olas de calor sobre la tasa de
mortalidad diaria, determinando los RA y RR por cada grado centígrado que la temperatura
máxima diaria supera la temperatura de disparo. Riesgos que se han estimado para el periodo
base completo así como para los tres intervalos en los que se dividió para el estudio de las
temperaturas de disparo.
El RR presentó valores entre 1,2 y 1,3, con intervalos de confianza siempre sobre 1, obteniendo
coincidencia entre los tres intervalos, como se muestra en la tabla 2 (sección 4.3.9). Por tanto
se ha concluido que el RR se ha mantenido constante en el tiempo, a pesar de que se identificó
una leve disminución del efecto del calor sobre la mortalidad, esta no es estadísticamente
significativa. De igual manera que no se dan diferencias significativas en los RA estudiados, con
un porcentaje del 22,4% (8,2%-36,6%) de incremento de la mortalidad por cada grado que se
supera los 38ºC. Este resultado es sensiblemente superior, pero sin diferencias
estadísticamente significativas, al encontrado en el estudio reciente de Díaz et al., que
establece para Zaragoza un AR de 8,0% (1,6%-10,0%). Esta diferencia se debe a que la
temperatura de disparo para este último estudio es de 36ºC (percentil 86), sensiblemente
inferior a los 38ºC (percentil 99) obtenidos en esta tesis doctoral, lo que viene a confirmar la
regla de que temperaturas de disparo correspondientes a percentiles bajos llevan asociados RR
inferiores que aquellos RR que se asocian a percentiles altos (Díaz et al., 2015b).
Discusión
86
Resaltar que para minimizar la incertidumbre relacionada con posibles cambios en los riesgos
relativos con el tiempo (Linares et al., 2014; Benmarhnia et al., 2014) se realizó un análisis de
sensibilidad estudiando el RR del período de base dividido en tres nuevos intervalos
seleccionados al azar: 1987-1995, 1996-2003, 2004-2006 / 1987-1991, 1992-1999, 2000-2006 /
1987-1997, 1998-2001, 2002-2006. Los resultados del análisis de sensibilidad verificaron la
robustez de los resultados.
Cabe destacar que como resultado de esta primera fase de la investigación que se presenta, el
Ministerio de Sanidad, Servicios Sociales e Igualdad modificó el nivel de alerta de Zaragoza,
tomando la temperatura de 38ºC y no la de 36ºC que se tomaba anteriormente. Con los
criterios anteriores se hubiesen dado en Zaragoza 292 días en los que se hubiese llegado a la
temperatura de ola de calor, cifra bastante superior a los 92 días en los que se superan los
38ºC para el periodo de estudio. Lo que ha supuesto un exceso de alertas y por consiguiente
un exceso gasto sanitario derivado de las mismas.
En los últimos tiempos se ha venido estudiando la eficacia de los planes de prevención
implementados, muchos de ellos como los desarrollados en Europa desde las olas de calor de
2003. Sin embargo, en muy pocos ha sido evaluada su eficacia en la reducción de la mortalidad
(Bassil & Cole, 2010) y mucho menos la implicación económica que conllevan. Por ello, en este
trabajo se quiso cuantificar costes adicionales de las muertes atribuidas a las olas de calor,
pudiendo así justificar la necesidad de planes específicos para reducir la mortalidad atribuible a
esta causa, así como la necesidad del desarrollo de una atención primaria preventiva. Con
respecto a la estimación económica no se encontró ningún estudio similar, aunque si se
encontraron estudios que habían cuantificado los costes económicos mediante la asignación de
un valor económico a una vida perdida, como es el caso de un estudio realizado en Filadelfia
(Ebi et al., 2004). En este trabajo se estimó la rentabilidad de un sistema de alerta calculando
el coste de muertes evitadas. Para ello, Ebi calculó que en los tres primeros años de
funcionamiento del sistema de alerta por altas temperaturas, se evitaron 117 muertes habiendo
estimando el valor económico de una vida en 4 millones de dólares ($468 millones), y teniendo
en cuenta que el sistema de alerta había costado $210.000, justificó por tanto el coste del
sistema de alertas. En el presente trabajo se calculó el número promedio de muertes atribuibles
a las olas de calor para el periodo 2002-2006 en 107 (IC del 95%: 42-173). Estas muertes
generaron un coste de atención médica adicionales de 426.087€ (95% CI: 167.249-688.907), al
servicio de salud pública de Aragón. Justificando por tanto, que la articulación de medidas
preventivas para minimizar el impacto de calor extremo en la salud humana, es necesaria y
considerando importante continuar con esta línea de estudio en la que se evalúe la efectividad
de los planes de prevención de alertas por temperaturas extremas.
Discusión
87
5.4. IMPACTO FUTURO DE LAS TEMPERATURAS EXTREMAS SOBRE LA
MORTALIDAD 2014-2021
Una de las mayores certezas que dan los informes del IPCC (IPCC, 2007; IPCC 2013) es el
futuro incremento de las temperaturas extremadamente elevadas, lo que previsiblemente traerá
consigo un aumento de la mortalidad por calor a nivel global. Ya en los últimos tiempos se han
incrementado los esfuerzos de investigación para aplicar las proyecciones de cambio climático a
los resultados de salud, con mayor énfasis en la predicción futura de mortalidad relacionada con
el calor, en parte porque desde una perspectiva global, se espera que los días de calor sean
cada vez más frecuentes y más intensos dando lugar a un incremento en los correspondientes
resultados de salud negativos (McMichael et al., 2006). También aumenta el interés por
cuantificar las cargas relacionadas con la salud para poder realizar políticas de planificación (Ebi
et al., 2006; Gosling et al., 2009 y Sheridan et al., 2012).
Este tipo de estudios lleva asociado un hándicap al ser necesario incorporar numerosas
variables (período de base de estudio, período de estudio futuro, las proyecciones del clima, los
modelos de circulación general, escenarios climáticos, población, etc.) a las que hay que
sumarle la falta de homogeneidad en la recogida de datos, su análisis y la representación de los
resultados lo que dificulta la comparabilidad de los estudios condicionando la evolución en la
investigación (Voorhees et al., 2011; Ostro et al., 2012), sin olvidar que el hecho de incorporar
numerosas variables hace que aumente el grado de incertidumbre asociado.
Por lo tanto para estimar la cuantificación de los efectos futuros de temperaturas extremas en
Zaragoza para el periodo 2014-2021, y poder conocer los componentes necesarios, lo primero
es seleccionar la metodología que se va a seguir. En este caso, se optó por la combinación de
las funciones de Exposición Respuesta, ya que es la metodología más utilizada en la proyección
de la mortalidad relacionada con los futuros cambios de temperaturas (Knowlton et al., 2007;
Gosling et al., 2009; Peng et al., 2011; Ostro et al., 2012). Aunque cada estudio dependerá de
diferentes supuestos a tener en cuenta, para esta tesis se adaptó la metodología de Ostro a las
necesidades que han surgido a lo largo del presente trabajo, tal como se puede observar en la
metodología.
El optar por esta metodología ha supuesto que para el área de estudio sean 3 los componentes
necesarios para la cuantificación de los impactos: 1. correcta definición de ola de calor, estudio
del comportamiento de la relación temperatura-mortalidad, 2. estimación de futuras
temperaturas diarias durante varios años futuros, 3. estimación de la población en el futuro.
Los primeros parámetros que se tuvieron en cuenta fueron los 38ºC de la temperatura de
disparo de la mortalidad y el dato de 1,28 (IC del 95%: 1,08–1,57) correspondiente al RR para
cada grado en que se supera dicha temperatura. Se seleccionaron, tras comprobar y tal como
Discusión
88
se ha explicado, que ambos se habían mantenido constantes en el tiempo. En este punto
destacar que, nuestros resultados no han sido consistentes con otros estudios (Mirón et al.,
2008; Schifano et al., 2012) en los que los efectos han tenido una tendencia descendente
relacionada con la mejora de los servicios sanitarios, en particular en pacientes con patologías
cardiovasculares, las mejoras socioeconómicas y la dotación de infraestructuras de mejor
acondicionamiento en las viviendas así como la activación de los Planes de Prevención
(Abrahamson et al., 2008) o simplemente la mera aclimatación de la población al calor (Konkel,
2014).
En esta línea hay que hacer referencia que hasta la fecha rara vez se ha tenido en cuenta el
comportamiento temporal de la relación temperatura-mortalidad (Linares et al., 2014), por lo
que para el presente estudio se ha considerado importante tenerla presente ya que se reduce la
incertidumbre de las proyecciones de mortalidad (Benmarhnia et al., 2014; Linares et al., 2014)
al tener en cuenta la adaptación al clima de la población de la zona de estudio, que por el
contrario otros estudio no la han tenido en consideración (Jackson et al., 2010; Hayhoe et al.,
2010; Ostro et al., 2012). Y tal como Dessai sugiere, la adaptación se incrementará en un grado
centígrado dentro de los próximos 30 años (Dessai, 2003).
Además el hecho de que este trabajo aborde un tiempo futuro próximo y corto (2014-2021),
reduce las incertidumbres de adaptación (Huang et al., 2011) y justifica el uso de la
temperatura de disparo y el RR obtenido para el periodo base, ya que es lógico suponer que no
variará significativamente en los 8 años de proyección.
Otro de los parámetros a tener en cuenta, y que además supone otro incremento de las
incertidumbres, son los cambios demográficos que se den en el futuro, entendidos como la
población expuesta a las futuras temperaturas extremas. Hay estudios que presuponen que el
tamaño de la población y su estructura de edad permanecerán constantes de igual forma que
las tasas de mortalidad, por lo que no representa cambios en la población (Knowlton et al.
2007; Cheng et al., 2009b; Gosling et al., 2009; Takahashi et al., 2007; Hayhoe et al., 2004).
Por el contrario otros autores consideran que las tendencias demografías deben tenerse en
cuenta, utilizando datos de la población proyectada pudiendo representar de este modo el
envejecimiento de la población (Guest et al., 1999). Otros autores, como Dessai para su trabajo
en Lisboa estimó escenarios de población (Dessai, 2003).
En este caso se han tenido en cuenta los datos de mortalidad proyectados para el periodo
2014-2021 para Zaragoza, obtenidos de las Proyecciones de Población a Corto Plazo del
Instituto Nacional de Estadística (INE 2012). Estos datos son generados a partir de una
simulación de la población futura residente en España en base a una prolongación de las
Discusión
89
tendencias y comportamientos demográficos recientes basándose en el método clásico de
componentes.
Por último y para poder completar la metodología seleccionada, es necesario disponer de las
proyecciones del clima, para el periodo de tiempo 2014-2021. Cuestión fundamental en este
punto es la selección de las herramientas necesarias para la modelización del clima.
El primer paso es la selección de los Escenarios de Emisiones, considerados como
representaciones de la evolución futura de las emisiones, a través de futuros posibles que
dependerán de la evolución demográfica, tecnológica, política, social y económica (Nakicenovic
et al., 2000). Los escenarios son necesarios para entender mejor las incertidumbres futuras, por
lo que es recomendable tener en cuenta diferentes escenarios en la evaluación ya que nos
ofrecen una gama más amplia de futuros climas y de sus efectos (Huang et al., 2011). El IPCC
estructura los escenarios en 4 grandes familias, para el presente estudio se tuvieron en cuenta
tres escenarios de emisiones A1B, A2 y B1, abarcando así una gran parte de los futuribles (alta,
media y baja). La familia A1 representa con un rápido crecimiento económico y rápida
introducción tecnológica, la familia A2 muestra un alto crecimiento de la población y lento
crecimiento económico y tecnológico y la familia B1 muestra un alto crecimiento de la población
y rápido en estructuras económicas. En otros estudios, se seleccionaron los escenarios A2 y B2
asumiendo así las altas y las bajas emisiones futuras (Knowlton et al., 2007; Gosling et al.,
2009).
El siguiente paso es seleccionar los Modelos de Circulación General (GCMs), tarea no trivial, ya
que a ellos van vinculadas otras de las incertidumbres de este tipo de estudios puesto que los
MCG son las herramientas generadoras del clima futuro (Sheridan et al., 2012; Wu et al, 2014;
Linares et al., 2014). Destacar que en la actualidad las proyecciones de clima son cada vez más
accesibles y fiables (Huang et al., 2011), en parte porque estos modelos antes operaban a altas
resoluciones espaciales, lo que proporcionaba una información muy gruesa del clima esperado.
Actualmente se ha conseguido poner a punto metodologías que permiten simular el clima
regional con mayor precisión que los modelos de baja resolución, ya que representan las
características a pequeña escala relacionado los contrastes térmicos debidos a la topografía
compleja o a otras inhomogeneidades en superficie (Brunet et al. 2008).
Diferentes estudios han mostrado que las simulaciones climáticas regionales mejoran la
representación de variables climáticas tales como la precipitación y temperatura en superficie
(Giorgi et al., 2004; Caya y Biner, 2004; Raisanen et al., 2004). Estas metodologías, aun
manteniendo una considerable incertidumbre, son lo suficientemente robustas como para ser
utilizadas en planificación y definición de cualquier actividad humana (Brunet et al., 2008).
Discusión
90
Principalmente hay dos técnicas de reducción de escala o regionalización, la estadística y la
dinámica; una de ellas centrada en correlaciones estadísticas frente a la otra basada en los
procesos físicos (Gao et al., 2012). En ambas el fin es simular el clima local teniendo en cuenta
aspectos orográficos o efectos de las islas de calor entre otros.
Para este estudio se ha tomado el escenario de clima futuro generado mediante simulaciones
climáticas regionales tras aplicar la técnica de “downscaling” estadístico a escala local
(Ribalaygua et al., 2013a,b) específico para un observatorio, concretamente de la ciudad de
Zaragoza, eliminando las incertidumbres propias de las de rejillas de interpolación que se dan
en otros estudios como el Proyecto Europeo Esembles (Van der Linde et al., 2009) en el que se
realiza interpolación de unos 45 observatorios de toda España en rejillas de 25 km (Haylock et
al., 2008), datos que ha utilizado Ostro para su estudio de Cataluña (Ostro et al., 2012). Otros
estudios, por el contrario no han utilizado herramientas de reducción de escala (Gosling et al.,
2009; Jackson et al., 2010; Peng et al., 2011), en el caso de Peng esta decisión la toma para no
añadir otra incertidumbre, utilizando una proyección de 200 km y obviando los procesos físicos
del clima para su zona de estudio.
Para este trabajo se ha considerado las proyecciones de temperaturas máximas obtenidas
mediantes simulaciones de clima del GMCs ECHAM5 bajo tres escenarios de emisiones
diferentes (A1B, A2 y B1). Se ha seleccionado este modelo por ser uno de los modelos globales
que mejor reproduce el clima actual de la tierra bajo los forzamientos radiativos conocidos (Van
Ulden & Van Oldenborg, 2006) y especialmente en el Mediterráneo (Altava-Ortiz, 2010). Otros
estudio, como es el caso de Ostro, analizan 8 modelos (Ostro et al., 2012) y 7 en el caso de
Peng (Peng et al., 2011), expresando de diferente forma los resultados; el primero de ellos da
un único resultado fruto de modelos múltiples ensamblados. Por el contrario el segundo
muestra los resultados de todos sus modelos. Otros autores utilizan un único MCG como ha sido
nuestro caso, (Doyon et al., 2008; Gosling et al., 2009) evitando así el uso de estimaciones y/o
combinaciones de diferentes proyecciones que todavía presentan incertidumbres (Knutti et al.,
2010;Schneider, 2001).
Una vez se dispuso de las variables necesarias y tras aplicar la metodología expuesta de
combinación de funciones de Exposición Respuesta, se calculó el impacto de las olas de calor
2014-2021. Para ello se había estimado el promedio anual de frecuencia e intensidad de las
futuras olas de calor para el periodo 2014-2021, obteniendo como resultados para los tres
escenarios futuros A1B, A2 y B1 que un 0,4% de muertes proyectadas para el periodo 2014-
2021 sean atribuibles a las temperaturas extremas. Este resultado es inferior al estimado para
Barcelona, con estimaciones de un 2% y 0,8% para el total de Cataluña (Ostro et al., 2012).
Otros estudios dan aumentos muy superiores de la mortalidad para el futuro como es el caso de
Nueva York (EEUU), que se espera un aumento de un 70% para el 2050 respecto a 1990
Discusión
91
(Knowlton et al., 2007), en cuatro ciudades de Canadá se ha estimado se duplique la
mortalidad para el 2050 (Cheng et al., 2009).
Los resultados de nuestro estudio están en la línea de lo comentado por otros autores que
indican que los efectos en la mortalidad serán pequeños a corto plazo (2020-2030), debido en
parte a una relativa falta de sensibilidad al aumento de las temperaturas (Murphy et al., 2009).
En esta línea en Lisboa se estimó un ligero aumento de las muertes atribuibles al calor para
2020 en relación a 1998 y un aumento más pronunciado para 2050 (Dessai, 2003).
Para Zaragoza se estima que la muerte atribuible al calor sea más pronunciada para los tres
escenarios a partir de la décadas 2040 y 2050 y mucho más intensa para finales de siglo XXI,
tal como se puede comprobar al obtener el promedio anual de días de ola de calor y frecuencia
ya que se mantienen muy constantes en las primeras década respecto al periodo base de
estudio, y aumentaran progresivamente en los años sucesivos.
5.5. Limitaciones del estudio
Con respecto a las limitaciones y cualquier sesgo, resultado de este estudio, cabe señalar:
- En primer lugar, en el caso de un estudio ecológico como el que se presenta, no se
pueden extrapolar conclusiones a nivel individual, por temor a la falacia ecológica que se
presenta como resultado del uso de los datos agrupados.
- Otra posible limitación se puede dar en la representatividad de la temperatura registrada
siempre en la capital de provincia, algunos trabajos ya sostienen este punto (Mirón et al.,
2006).
- En lo que respecta a la no utilización de otras variables ambientales de interés, como la
presión de aire y humedad relativa, no se incluyeron en el análisis debido a su insignificante
importancia en la relación de temperatura y mortalidad (Barnett et al., 2010; Montero et al.,
2012).
- Otra de las limitaciones del estudio puede ser la no utilización de la contaminación
atmosférica química como variable de control. Sin embargo, el efecto que la contaminación
puede tener sobre el peso de la mortalidad por calor es relativamente pequeño, tal como
demuestran estudios realizados para la ciudad de Madrid (Díaz et al., 2002a).
Además, cuando se trata de limitaciones metodológicas, cabe mencionar dos deficiencias
inherentes a un método estadístico; trabajar con un alto número de variables a un nivel de
Discusión
92
confianza del 95% y el uso de un bajo número de muertes diarias en algunas ciudades, lo que
generalmente conduce a mayores intervalos de confianza y unos resultados menos precisos.
Los resultados obtenidos en esta tesis Doctoral ponen a Aragón a la cabeza de los estudios que
a nivel mundial se están realizando sobre la implementación de planes de prevención basados
en valores calculados “ad hoc” para cada región geográfica y no extrapolados de otros lugares
como normalmente ocurre. La utilización de estos valores junto la minimización de las
incertidumbres relacionadas con las posibles proyecciones de las temperaturas y de los
impactos hacen que los resultados aquí presentados sean claves para conocer la dimensión
futura del impacto que las olas de calor van a tener sobre la mortalidad en esta región en un
futuro escenario de Cambio Climático en el que las olas de calor van a ser cada vez más
frecuentes y más intensas (IPCC, 2013).
6. CONCLUSIONES
Conclusiones
95
Las principales conclusiones de esta tesis doctoral son:
1. Aragón se puede considerar como una región isoclimática, lo que da la posibilidad de
utilizar una sola estación representativa tanto para estudios de Salud Pública como para
cualquier otro estudio desagregado de interés administrativo, económico o poblacional.
2. 38ºC es la temperatura que en Zaragoza se detecta un aumento significativo de la
mortalidad, correspondiendo al percentil 99 de las series de temperatura máximas del periodo
1987-2006.
3. Para Huesca, este aumento correspondió con los 34ºC o el percentil 85 de las series de
temperaturas máximas.
4. Los percentiles de las series de temperaturas máximas para Zaragoza en los que se
detecta un aumento estadísticamente significativo de la mortalidad, se mantienen constantes
para los tres tramos en los que se ha dividido periodo de estudio.
5. La primera ola de calor del año tiene mayores efectos sobre la mortalidad, en Zaragoza.
Se detectó un impacto de un 34% mayor, produciéndose lo que se conoce como "efecto siega".
6. El Riesgo Relativo (RR), por cada grado que se supera la temperatura de disparo
presentó valores 1,2 y 1,3. Valor que se ha mantenido constante en el tiempo.
7. El Riesgo Atribuible (RA) no ha dado diferencias significativas en el tiempo, con un
porcentaje del 22,4% de incremento de la mortalidad por cada grado que se supera los 38ºC.
8. El promedio de muertes atribuibles a las olas de calor para el periodo 2002-2006 en
Zaragoza fueron 107, y generaron un coste de atención médica adicional al Servicio de Salud
Pública de Aragón de más de 400.000€.
9. Tras estimar el promedio anual de frecuencia e intensidad de las futuras olas de calor
para el periodo 2014-2021, se cuantificó para los tres escenarios futuros estudiados que un
0,4% de muertes proyectadas serán atribuibles a las temperaturas extremas.
10. Los resultados aquí presentados son claves para conocer la dimensión futura del impacto
que las olas de calor van a tener sobre la mortalidad en esta región en un futuro escenario de
Cambio Climático en el que las olas de calor van a ser cada vez más frecuentes y más intensas.
Conclusiones
96
11. No obstante, serán necesarios estudios continuados en el tiempo que incluyan la
evidencia científica disponible en cada momento y permitan la refutación o validación de las
conclusiones.
7. BIBLIOGRAFÍA
Bibliografía
99
Abrahamson V, Wolf J, Lorenzoni I, et al. 2008. Perceptions of heatwave risks to health:
interview-based study of older people in London and Norwich, UK. Journal of Public Health;
31:119-126.
Alberdi JC, Díaz J, Montero JC, Mirón IJ. 1998. Daily mortality in Madrid community 1986-1992:
Relationship with meteorological variables. European Journal of Epidemiology. 14:571-578.
Alderson MR. 1985. Season and mortality. Health Trends. 17: 87-96
Almarza C. 2004. Olas de Calor en España: Ambienta 25: 58-59.
Anderson G.B, Bell M.L. 2009. Weather-related mortality: a study of how heat, cold, and heat
waves affect mortality in the United States. Epidemiology. 20(2):205-213.
Altava-Ortiz. V 2010. Caracterització i monitoratge de les sequeres a Catalunya i nord del País
Valencià. Cálcul d’escenaris climàtics per al segle XXI, Tesi Doctoral, Publicació Interna,
Departament d’Astronomia i Meteorologia, Universitat de Barcelona, Barcelona, 296 pp.
Baccini M, Kosatsky T, Analitis A, Anderson HR, D’Ovidio M, Menne B, et al. 2010. Impact of
heat on mortality in 15 European cities: attributable deaths under different weather
scenarios. Journal of Epidemiology & Community Health; doi:10.1136/jech.2008.085639.
Ballester F. 1996. Meteorología y Salud. Relación entre la temperatura ambiental y la
mortalidad. Revista Española de Salud Pública; 70:251-259.
Barriopedro D, Fischer EM, Luterbacher J, Trigo RM, García-Herrara R. 2011. The hot summer
of 2010: redrawing the temperature record map of Europe. Science; 332:220-224.
Barnett AG, Tong S, Clements ACA. 2010. What measure of temperature is the best predictor of
mortality? Environmental Research; 110, 604–611.
Bassil KL, Cole DC. 2010. Effectiveness of public health interventions in reducing morbidity and
mortality during heat episodes: a structured review. International Journal of Environmental
Research and Public Health; 7:991–1001.
Basu R. 2009. High Ambient Temperature and Mortality: A Review Of Epidemiologic Studies
From 2001 To 2008. Environmental Health; 8:40.
Basu R, Samet JM. 2002. Relation between elevated ambient temperature and mortality: a
review of the epidemiologic evidence. Epidemiologic Reviews; 24, 190-202.
Beersma J, Agnew MD, Viner D, Hulme M. 2000. Climate Scenarios for Water-Related and
Coastal Impacts. Proceedings of EU Concerted Action Initiative ECLAT-2 Workshop 3, KNMI,
Netherlands, May 10-12th 2000, Climatic Research Unit, Norwich, UK, 140pp.
Benmarhnia T, Sottile M-F, Plante C, Brand A, Casati B, Fournier M, Smargiassi A. 2014.
Variability in Temperature-Related Mortality Projections under Climate Change.
Environmental Health Perspectives; 122:1293-1298.
Braga AI, Zanobetti A, Schwartz J. 2002. The Effect of Weather on Respiratory and
Cardiovascular Deaths in 12 U.S. Cities. Environmental Health Perspectives; 110: 859-63.
Brunet M, Casado MJ, De Castro M, Galán P, López JA, Martín JM, Pastor A, Petisco E, Ramos P,
Ribalaygua J, Rodríguez E, Sanz I, Torres L. 2008. Generación de escenarios regionalizados
Bibliografía
100
de cambio climático para España. Agencia Estatal de Meteorología. Centro de publicaciones.
Secretaria General Técnica. Ministerio de Medio Ambiente y Medio Rural y Marino.
Bull GM, Morton J. 1978. Environment, temperature and death rates. Age and ageing; 7:210-
224.
Cámara-Díez E. 2006. Variables Meteorológicas y Salud. Documentos de Sanidad Ambiental
Servicio de Sanidad Ambiental. Legal: M-14457-2006
Caya D y Biner S. 2004. Internal variability of RCM simulations overa n anual cycle. Climate
Dynamics 22:33-46
Cheng CS, Campbell M, Li Q, Li G, Auld H, Day N, et al. 2009. Differential and combined
impacts of extreme temperatures and air pollution on human mortality in south-central
Canada. Part II: future estimates. Air Quality, Atmosphere & Health; 1(4):223–235.
Coste J, Spira A. 1991. Le proportion de cas attributable en Santé Publique: definition(s),
estimation(s) et interpretation. Rev. Epidemiol. Sante Publique 51, 399–411.
Cramer W, Doherty R, Hulme M, Viner D. 2000. Climate Scenarios for Agricultural and
Ecosystem Impacts, Proceedings of the EU Concerted Action Initiative ECLAT-2 Workshop 2,
Postdam, Germany October 13th-15th, 1999, Climatic Research Unit, Norwich, UK, 120pp.
D’ippoliti D, Michelozzi P, Marino C, Menne B, Katsouyanni K, Kirchmayer U, Analitis A,Medina-
Ramón M, Paldy A, Atkinson R, et al. 2010. The impact of heat waves on mortality in 9
European cities: results from the EuroHEAT project. Environmental Health; 9:37.
Dessai S. 2003. Heat stress and mortality in Lisbon Part II. An assessment of the potential
impacts of changing climate. International Journal of Biometeorology;48:37-44.
Díaz J, Jordán A, García R, López C, Alberdi JC, Hernández E, et al. 2002a. Heat waves in
Madrid 1986–1997: effects on the health of the elderly. International Archives Occupational
Environmental Health; 75:163-70.
Díaz J, García R, Velázquez de Castro F, Hernández E, López C, Otero A. 2002b. Effects of
extremely hot days on people older than 65 years in Seville (Spain) from 1986 to 1997.
International Journal of Biometeorology;46:145–51.
Díaz J, García R, López C, Linares C, Tobías A, Prieto L. 2005a. Mortality impact of extreme
winter temperatures. International Journal of Biometeorology; 49:179-183.
Díaz J, Linares C, García-Herrera R. 2005b. Impacto de las temperaturas extremas en la Salud
Pública: Futuras actuaciones. Revista Española de Salud Pública; 79:145-157.
Díaz J, García-Herrera R, Trigo RM, et al. 2006a. The impact of the summer 2003 heat wave in
Iberia: how should we measure it?. International Journal of Biometeorology; 50:159-66.
Díaz J. 2014. Heat Waves´ Influence on Health: Some Uncertainties about Their Impact. Earth
Science & Climate Change; 5(3):186.
Díaz J, Carmona R, Linares C. 2015a. Temperaturas umbrales de disparo de la mortalidad
atribuible al calor en España en el periodo 2000-2009. Instituto de Salud Carlos III. 725-15-
045-7
Bibliografía
101
Díaz J, Carmona R, Mirón IJ, Ortiz C, León I, Linares C. 2015b. Geographical variation in relative
risks associated with heat: Update of Spain`s heat wave prevention plan. Environmental
International 85:273-283.
Donalson GC, Kovats RS, Keating WR, McMichael AJ. 2001. Heat and cold-related mortality and
morbidity and climate change. In. Expert Group on Climate Change and Health in the UK,
eds. Health Effects of Climate Change in the UK, eds. Health effects of climate change in UK.
London England UK Department of Health; 70-80.
Doyon B, Bélanger D, Gosselin P. 2008. The potential impact of climate change on annual and
seasonal mortality for three cities in Québec, Canada. Int J Health Geogr 7:23;
doi:10.1186/1476-072X-7-23
Ebi KL, Teisberg TJ, Kalkstein LS, Robinson L, Weiher RF. 2004. Heat Watch/Warning Systems
Save Lives: Estimated Costs and Benefits for Philadelphia 1995-98. Bulletin of the American
meteorological society; 85:1067-1073.
Ebi KL, Mills DM, Smith JB, Grambsch A. 2006. Climate change and human health impacts in the
United States: an update on the results of the U.S. National Assessment. Environmental
Health Perspectives. 114:1318/24
Ebi KL. 2008. Healthy people 2100: modeling population health impacts of climate change.
Climatic Change; 88(1):5-19.
Fischer EM, Schär C. 2010. Consistent geographical patterns of changes in high-impact
European heatwaves. Nature Geoscience; 3:398-403
Gao Y, Fu JS, Drake JB, Liu Y, Lamarque JF. 2012. Projected changes of extreme weather
events in the Eastern United States based on a high resolution climate modeling system.
Environmental Research Letters; 7(4), Article No.044025.
García R, Prieto L, Díaz J, Hernández E, del teso MT. 2002. Synoptic conditions leading to
extremely high temperatures in Madrid. Annales Geophysicae. 20: 237-245.
Gasparrini A, Armstrong B. 2011. The impact of heat wave on mortality. Epidemiology; 22:68-
73.
Giorgi F, Bi X, Pal J. 2004. Mean interanual variability and trends in a regional climate change
experiment over Europe II. Climate Change Scenarios (2071-2100). Climate Dynamics
23:839-858
Gordon C, Cooper C, Senior CA, Banks H, Gregory JM, Johns TC, Mitchell JFB, Wood RA. 2000.
The simulation of SST, sea ice extents and ocean heat transports in a version of the Hadley
Centre coupled model without flux adjustments. Climate Dynamics; 16:147-168.
Gosling SN, McGregor GR, Lowe JA. 2009. Climate change and heat-related mortality in six
cities part 2: climate model evaluation and projected impacts from changes in the mean and
variability of temperature with climate change. International Journal of Biometeorolog.
53,31–51.
Gover M. 1938. Mortality during periods of excessive temperature. Public Health Rep. 53:1122-
43.
Bibliografía
102
Green S, Kalkstein LS, Mills DM and Samenow J. 2011. An Examination of Climate Change on
Extreme Heat Events and Climate-Mortality Relationships in Large U.S. Cities. Weather,
Climate and Society; 3:281-292.
Guest CS, Wilson K, Woodward AJ, Hennessy K, Kalkstein LS, Skinner C, et al. 1999. Climate
and mortality in Australia: retrospective study, 1979–1990, and predicted impacts in five
major cities in 2030. Climate Research; 13:1–15.
Ha J, Kim H. 2013. Changes in the association between summer temperature and mortality in
Seoul, South Korea. International Journal of Biometeorology; 57:535–544.
Hajat S, Kovats RS, Atkinson RW, Haines A. 2002. Impact of hot temperatures on death in
London: a time series approach. Journal of Epidemiology and Community Health; 56(5):367–
372.
Hayhoe K, Cayan D, Field CB, et al. 2004. Emissions pathways, climate change and impacts on
California. Proceedings of the National Academy of Sciences of the United States of America;
101:12422–7.
Hayhoe K, Sheridan S, Kalkstein L, Greene S. 2010. Climate change, heat waves, and mortality
projections for Chicago. Journal of Great Lakes Research; 36:65-73.
Haylock MR, Hofstra N, Klein Tank AMG, Klok EJ, Jones PD, and New M. 2008. A European daily
high resolution gridded data set of surface temperature and precipitation for 1950–2006,
Journal of Geophysical Research; 113, D20119, doi:10.1029/2008JD010201.
Huang C, Barnett AG, Want X, Vaneckova P, FitzGerald G, Tong S. 2011. Projecting future heat-
related mortality under climate change scenarios: a systematic review. Environmental Health
Perspectives; 119(12):1681–1690
Huebener H, Kerschgens M. 2007. Downscaling of current and future rainfall climatologies for
southern Morocco. Part I: downscaling method and current climatology. International
Journal of Climatology; 27:1763-74.
Informe especial del IPCC. 2000. Escenarios de Emisiones. Publicado por el Grupo
Intergubernamental de Expertos sobre Cambio Climático. ISBN 92-9169-413-4.
IPCC. Climate Change. 2007. The physical Science Basis. Contribution of working group I to the
fourth assessment report of the intergovernmental panel on climate change. Cambridge,
United Kingdom and New York, NY, USA: Cambridge University Pres.
IPCC Climate Change. 2013. The Physical Science Basis. Working Group I Contribution to the
Fifth Assessment Report of the Intergovernmental Panel on Climate Change.
Jackson JE, Yost MG, Karr C, Fitzpatrick C, Lamb BK, Chung SH, Cheng J, Avise J, Rosenblatt
RA, Fenske RA. 2010. Public health impacts of climate change in Washington State:
projected mortality risks due to heat events and air pollution. Climatic Change; 102:159-186.
Kalkstein LS, Smoyer KE. 1993. The impact of climate change on human health: some
international implications. Experientia. 49:969-79.
Bibliografía
103
Kent ST, McClure LA, Zaitchik BF, Smith TT, Gohlke JM. 2014. Heat Waves and Health
Outcomes in Alabama (USA): The Importance of Heat Wave Definition. Environmental
Health Perspectives; 122: 151-158.
Kintisch E. 2009. Global warming: projections of climate change go from bad to worse,
scientists report. Science; 323(5921):1546–1547.
Knowlton K, Lynn B, Golberg RA, Rosenzweig C, Rosenthal JK, Kinney PL. 2007. Projecting
heat-related mortality impacts under a changing climate in the New York City region.
American Journal of Public Health; 97(11):2028-34
Knowlton K, Rotkin-Ellman M, Geballe L, Max W, Solomon GM. 2011. Six climate change-related
events in the United States accounted for about $14 billion in lost lives and health costs.
Health Affairs; 30(11):2167-2176.
Knutti R, Furrer R, Tebaldi C, Cermak J, Meehl GA. 2010b. Challenges in combining projections
from multiple climate models. J Climate 23:2739–2758.
Konkel L. 2014. Learning to Take the Heat Declines in U.S. Heat-Related Mortality.
Environmental Health Perspectives; 122 (8): A220-A220.
Kovats RS, Hajat S, Wilkinson P. 2004. Contrasting Patterns Of Mortality And Hospital
Admissions During The Hot Weather And Heat Waves In Greater London, Uk. Occupational
and Environmental Medicine; 61: 893-898.
Kunst AE, Looman CWN, Mackenbach JP. 1993. Outdoor air temperature and mortality in the
Netherlands: A time-series analysis. American Journal Epidemiology; 137:331-41.
Linares C, Díaz J. 2007. Impact of high temperatures on hospital admissions: comparative
analysis with previous studies about mortality (Madrid). European Journal of Public Health;
18:317-22.
Linares C, Díaz J. 2008. Impact of High Temperatures on Hospital Admissions: Comparative
Analysis With Previous Studies About Mortality (Madrid). European Journal of Public Health;
18:318-322.
Linares C, Mirón IJ, Montero JC, Criado-Álvarez JJ, Tobías A, Díaz J. 2014. The Time Trend
Tempertaure–Mortality as a Factor of Uncertainty Analysis of Impacts of Future Heat Waves.
Environmental Health Perspective; 122 (5):118.
Lippmann SJ, Fuhrmann CM, Waller AE, Richardson DB. 2013. Ambient Temperature and
Emergency Department Visits for Heat-Related Illness in North Carolina, 2007-2008.
Environmental Research; 124:35-42.
Mackenbach JP, Kunts AE, Looman CWN. 1992. Seasonal variation in mortality in the
Netherlands. Journal of Epidemiology and Community Health; 46(3): 261-265.
Makridakis S, Wheelwright SC, McGee VE. 1983. Forecasting methods and applications. Wiley
and sons. San Francisco.
Martínez F, Simón-Soria F, López-Abente G, et al. 2004. Valoración del impacto de la ola de
calor del verano de 2003 sobre la mortalidad. Parte II. Temas actuales de salud pública.
Capítulo 2. El medioambiente y su impacto en la salud. Gaceta Sanitaria; 18:250-8.
Bibliografía
104
Mastrangelo G, Fedeli U, Visentin C, Milan G, Fadda E, Spolaore P. 2007. Pattern and
determinants of hospitalization during heat waves: an ecologic study. BMC Public Health;
7:200.
McLeod G. 1983. Box Jenkins in practice. Lancaster. Gwilym Jenkins & Parners.
McMichael AJ, Woodruff R, Whetton P, Hennessy K, Nichols N, Hales S, et al. 2003. Human
health and climate change in Oceania: a risk assessment 2002. Camberra, ACT: Department
of Health and Aging, Commonwealth of Australia.
McMichael AJ, Wooddruff RE, Hales S. 2006. Climate change and human health: present and
future risk. The Lancet. 367: 859-869.
Meehl G, Tebaldi C. 2004. More intense, more frequent, and longer lasting heat waves in the
21st century. Science; 305(5686):994–997.
Mirón Pérez I J., Montero Rubio JC, Criado- Álvarez JJ, Gutierrez Ávila G, Paredes Beato D,
Mayoral Arenas S y Linares Gil C. 2006. Tratamiento y estudio de series de temperatura para
su aplicación en la salud pública. El caso de Castilla-La Mancha. Revista Española de Salud
Pública; 80:113-124.
Mirón IJ, Montero JC, Criado- Álvarez JJ, et al. 2007. Evolución de los efectos de las
temperaturas máximas sobre la mortalidad por causas orgánicas en Castilla-La Mancha de
1975 a 2003. Revista Española Salud Pública; 81:375-85.
Mirón IJ, Criado-Alvarez JJ, Díaz J, et al. 2008. Time trends in minimum mortality temperaturas
in Castile-La Mancha (Central Spain): 1975-2003. International Journal Biometeorology;
52:291-9.
Mirón IJ, Linares C, Montero JC, Criado JJ, Díaz J. 2015. Changes in cause-specific mortality
during heat waves in Castile-la Mancha: Spain, 1975-2008. International Journal
Biometeorology; 59:1213-1222
Montero JC, Mirón IJ, Criado-Álvarez JJ, Linares C, Díaz J. 2010. Comparison between Two
Methods Of Defining Heat Waves: A Retrospective Study In Castille-La Mancha (Spain).
Science of the Total Environment; 408:1544-50.
Montero JC, Mirón IJ, Criado-Álvarez JJ, Linares C, Díaz J. 2012. Influence of local factors in the
relationship between mortality and heat waves: Castile-La Mancha (1975–2003). Science of
the Total Environment; 414:73-80.
Montero JC, Mirón JJ, Linares C, Díaz J. 2013. Difficulties of defining the term “heat waves” in
public health. International Journal of Environmental Health Research; 23:337–379.
Murphy JM, Sexton DMH, Jenkins GJ, Boorman PM, Booth BBB, Brown CC, et al. 2009. UK
Climate Projections Science Report: Climate Change Projections. Exeter: Met Office Hadley
Centre.
Muthers S, Matzarakis A and Koch E. 2010. Climate Change and Mortality in Vienna- A Human
Biometeorological Analysis Based on Regional Climate Modeling. International Journal of
Environmental Research and Public Health; 7, 2965-2977.
Bibliografía
105
Nakai S, Itoh T, Marimoto T. 1999. Deaths from heat-stroke in Japan: 1968–1994. International
Journal of Biometeorology; 43:124-7.
Nakicenovic N. 2000. Special Report on Emissions Scenarios: A Special Report of Working Group
III of the Intergovernmental Panel on Climate Change, Cambridge University Press,
Cambridge, U.K., 599 pp. Available online at:
http://www.grida.no/climate/ipcc/emission/index.htm
Organización Mundial de Meteorología. 1998. Reglamento Técnico de la OMM. Documentos
Fundamentales nº 2; Vol. I-Generalidades.
Ostro B, Barrera-Gómez J, Ballester J. 2012. The impact of future summer temperature on
public health in Barcelona and Catalonia, Spain. International Journal of Biometeorology;
56(6):1135-44.
Pascal M, Laaidi K, Ledrans M, Baffert E, Medina S, Rudant J, Empereur-Bissonnet P. 2006.
France’s heat watch warning system. International Journal of Biometeorology; 50:144–153.
Peng RD, Bobb JF, Tebaldi C, McDaniel L, Bell ML, Dominici F. 2011. Toward a Quantitative
Estimate of Future Heat Wave Mortality under Global Climate Change. Environmental Health
Perspectives; 119(5):701-706
Petkova EP, Gasparrini A, Kinney PL. 2014. Heat and mortality in New York City since the
beginning of the 20th century. Epidemiology; 25(4), 554-560.
Raisanen J, HanssonU, Ullerstig A, Doscher R, Graham LP, Jones C, Meier HEM, Samuelsson P,
Willen U. 2004. European climate in the late twenty-first century: regional simulations with
two driving global models and two forcing scenarios. Climate Dynamics 22:13-31
Ribalaygua J, Torres L, Pórtoles J, Monjo R, Gaitán E, Pino MR. 2013a. Description and
validation of a two-step analogue/regression downscaling method. Theoretical and Apllied
Climatology; 11474(1-2);253-269
Ribalaygua J, Pino MR, Pórtoles, Roldán E, Gaitán E, Chinarro D, Torres L J. 2013b. Description
and validation Climate change scenarios for temperature and precipitation in Aragón (Spain).
Science of the Total Environment; 463: 1015-1030
Robine JM, Cheung S, Le Roy S, Van Oyen H, Griffiths C, Michel JP, Herrmann FR. 2008. Death
toll exceeded 70,000 in Europe during the summer of 2003. Comptes Rendus Biologies;
331:171–178.
Schifano P, Leone M, De Sario M, De Donato F, Bargagli AM, Díppoliti D et al. 2012. Changes in
the Effects of Heat on Mortality Among the Elderly Ffom 1998-2010: Results from a
Multicenter Time Series Study In Italy. Environmental Health;1:58
Schneider T. 2001. Analysis of Incomplete Climate Data: Estimation of Mean Values and
Covariance Matrices and Imputation of Missing Values. Journal of Climate; 14:853-71.
Sheridan SC, Allen MJ, Lee CC, Kalkstein LS. 2012. Future heat vulnerability in California, Part
II: projecting future heat-related mortality. Climatic Change; 115(2):311-326
Siple P, Cold Injury. 1958. Steven Horvath Editor, Josiah Macy Foundation, New York.
Bibliografía
106
Steadman RG, A Universal Scale O F. 1984. Apparent Temperature. Journal of Climate and
Applied Meteorology; 23:1674-1687.
Stendel M, Schmith T, Roeckner E, Cubasch U. 2000. The climate of the 21st Century: Transient
Simulations with a Coupled Atmosphere-Ocean General Circulation Model, Danmarks
Klimacenter Report 00-6, Copenhagen, Denmark.
Son J-Y, Lee J-T, Anderson GB, Bell ML. 2012. The impact of heat waves on mortality in seven
major cities in Korea. Environmental Health Perspectives; 120:566–571.
Takahashi K, Honda Y, Emori S. 2007. Assessing mortality risk from heat stress due to global
warming. Journal of Risk Research; 10(3):339–354.
Tan J, Zhen Y, Song G, Kaltstein LS et al. 2007. Heat wave impacts on mortality in Shanghai,
1998 and 2003. International Journal of Biometeorology; 51: 193-200.
The Eurowinter Group. 1997. Cold exposure and winter from ischaemic heart disease,
cerebrovascular disease, respiratory disease and all causes in warm and cold regions of
Europe. Lancet; 349:1341-6.
Tobías A, de Olalla PB, Linares C, Bleda MJ, Caylá JA, Díaz J. 2010. Short term effect of extreme
hot summer temperatures on total daily mortality in Barcelona, Spain. International Journal
of Biometeorology; 54:115-117.
Van der Linden P, Mitchel J & Gilbert P. 2009. ENSEMBLES: Climate change and its impacts at
seasonal, decadal an centennial timescales. Exeter
Van Ulden A and Van Oldenborgh G. 2006. Large-scale atmospheric circulation biases and
changes in global climate model simulations and their importance for climate change in
Central Europe. Atmospheric Chemistry and Physics; 6, 863–881, doi: 10.5194/acp–6–863–
2006.
Von Storch V. 1994. Inconsistencies at the interface of climate impact studies and global
climate research. Max-Planck-Institut fur Meteorologie, Report no. 122, Hamburg
Voorhees AS, Fann N, Fulcher C, Dolwich P, Hubbell B, Bierwagen B, Morefield P. 2011. Climate
change-related temperature impacts on warm season heat mortality: a proof-of-concept
methodology using BenMAP. Environmental Science & Technology; 45:1450-1457.
Wen-Harn P, Lung-An L, Ming-Jan T. 1995. Temperature extremes and mortality from coronary
heart disease and cerebral infarctions in elderly Chinese. Lancet; 345:353-5
WHO. 2009. Protecting Health from Climate Change: Global Research Priorities. Geneva: World
Health Organization.
Wolfe MI, Kaiser R, Naughton MP, et al. 2001. Heat-related mortality in selected United States
cities, summer 1999. American Journal of Forensic Medicine & Pathology. 22: 352-357.
Wu JY, Zhou Y, Gao Y, FU JS, Johnson BA, Huang C, Kim YM Liu Y. 2014. Estimation and
Uncertainty Analysis of Impacts of Future Heat Wave son Mortality in the Eastern United
States. Environmental Health Perspectives; 122:10-16.
8. ANEXOS