Journal of Environmental Protection, 2012, 3, 262-271 doi:10.4236/jep.2012.33033 Published Online March 2012 (http://www.SciRP.org/journal/jep) Health Effects of Climate and Air Pollution in Buenos Aires: A First Time Series Analysis* Rosana Abrutzky1, Laura Dawidowski1,2#, Patricia Matus3,4, Patricia Romero Lankao5 1Universidad Nacional de San Martn, San Martn, Buenos Aires, Argentina; 2Comisin Nacional de Energa Atmica, Gerencia Qumica, Buenos Aires, Argentina; 3Centro Nacional del Medioambiente, Santiago, Chile; 4Universidad del Desarrollo, Las Condes, Santiago, Chile; 5National Centre for Atmospheric Research, Boulder, Colorado, USA. Email: #dawidows@cnea.gov.ar Received December 16th, 2011; revised January 14th, 2012; accepted February 16th, 2012 ABSTRACT Background: The impact of urban air pollution and temperature changes over health is a growing concern for epidemi-ologists all over the world and particularly for developing countries where fewer studies have been performed. Aim: The main goal of this paper is to analyze the short term effects of changes in temperature and atmospheric carbon mon-oxide on daily mortality in Buenos Aires, Argentina. Methods: We conducted a time series study focused on three age groups, gender, and cardiovascular and respiratory mortality, with lags up to four days and temporal variables as modi-fiers. Results: Temperature correlates positively with total mortality for summer months, with a RR = 1.0184 (95%, CI 1.0139, 1.0229) on the same day for each 1C increase. In winter this relationship reverses, as 1C temperature increase exhibit a protective effect with a RR = 0.9894 (95%, CI 0.9864, 0.9924) at the 3 day lag. Carbon monoxide correlates always positively with mortality, with a RR = 1.0369 (95%, CI 1.0206, 1.0534) for each 1 ppm increase, on the previ-ous day. Conclusions: Climate and pollution parameters measured in Buenos Aires City exhibit a correlation with health outcomes. The impacts of temperature and carbon monoxide vary with age and gender, being elderly the most susceptible subgroup. One day after an increase in CO of 1 ppm, about 4% extra deaths can be expected. The correla-tion found between increases in CO and mortality for greater lags may be ascribed to the role of CO as a chemical marker of urban air pollution, indicating the co-presence of other pollutants. Keywords: Health; Air Pollution; Climate Variability; Carbon Monoxide; Epidemiology

1. Introduction The link between extreme temperatures and air pollution episodes and health is well documented, particularly for extreme episodes [1,2]. However, during the last decades, there has been a growing interest in the chronic or even acute effects of even low levels of air pollution and small changes in temperatures in morbidity and mortality [3-5]. Urban populations exposure to particulate matter and to ozone, as well as to nitrogen oxides, carbon monoxide, lead and other metals, has negative impacts on human health, even at levels lower than those established as se-cure by international standards [6-11].

*This work was carried out with the aid of a grant from the Inter-American Institute for Global Change Research (IAI) CRN II 2017 which is sup-ported by the US National Science Foundation (Grant GEO-0452325) within the framework of the project South American Emissions, Mega-cities and Climate Adaptation to the health impacts of air pollution and climate extremes in Latin American cities (ADAPTE) and support from the San Martn National University (UNSAM). #Corresponding author. The cardiovascular system is the most compromised in the thermal regulation of the human body, while the res-piratory system is the first one to receive air pollutants into the body [12]. This means that susceptible indivi- duals with chronic pathologies, extreme ages, or metabo- lic changes due to prescription drug use, are more vul-nerable to environmental changes [13,14]. The reviewed literature agrees that temperature con-stitutes an important factor in explaining mortality values, even in template urban areas [5]. Cold temperatures pro-duce an important cumulative effect that is lagged in time with a lag of up to two weeks after the climatic event, while high temperatures increase mortality for a much shorter period, generally limited to the same day or the following [5,15-17]. At the same time, respiratory caused mortality pre-sents larger lags (between 3 and 6 days) while cardio-vascular caused deaths occur between the same day of the climatic event and the two following days [18]. This is coherent with the underlying biological mechanisms of disease. Existing scholarship emphasizes the importance of con- Copyright 2012 SciRes. JEP Health Effects of Climate and Air Pollution in Buenos Aires: A First Time Series Analysis 263 sidering the characteristics of the analyzed region. Even when some generalizations can be established from com-parative studies (through typifying cold and hot settle-ments, for example), the climatic peculiarities of each location result in different health outcomes [16]. Finally, [5] highlight the complexity of such deter-minants of the relationship between temperatures and mortality as the socioeconomic characteristics of the populations. This is especially important in urban centres of developing countries, but very few papers analyze this issue for Latin American cities. References [18,19] performed time series analysis for the cities of Santiago (Chile) and Sao Paulo (Brazil). Specifically in Argen-tina there are few studies with different approaches. Reference [20] performed synoptic analysis for hospital emergency consults in Buenos Aires City, while [21] used the same methodology to analyze asthmatic pa-tients in the city of Rosario. Reference [22] described a strong relationship between meteorological variables and health outcomes as cardiovascular hospitalizations and emergency consultations for asthma, in Baha Blanca. In this work we explore the correlation between tem-perature and air pollution with mortality for the City of Buenos Aires, thought a temporal series study. To the best of our knowledge this is the first Time Series study performed at the mega citys level. 2. Materials and Methods 2.1. The City of Buenos Aires Buenos Aires lies in the Pampa region, on the western shore of the estuary of the Ro de la Plata. It has a warm and humid climate (See Table 1). Summer days and nights are hot, while cold days and colder nights prevail in winter, when minimum, average and maximum tem-peratures drop about 10 from their summer values. Au-tumn and spring present transitional weather characteris-tics, determined by mild temperatures during the days and colder during the nights. The rivers proximity and its longitudinal location make Buenos Aires a city with few extreme temperature episodes. The metropolitan area of Buenos Aires (MABA) is composed of the city of Buenos Aires, the Federal Dis-trict or capital of the country, and 24 surrounding dis-tricts that are part of the province of Buenos Aires. Being the 10th megalopolis in the world and the 3rd in Latin America, it concentrates 32% of the total population in only 0.14% of the national territory. The city itself com-prises only the 7% of the total MABA area, yet it con-centrates about 25% of its population, the highest of the country. Even when considering the megacity as a whole would be the best approach, as MABA constitutes a unique atmospheric basin, the administrative fragmenta-tion between local authorities imposes difficulties re-garding availability of the data needed to perform a time series analysis. For this reason we only included data on the city. Although Buenos Aires differs slightly from the whole country in demographic terms (e.g., its gender composi-tion is similar to national one, with a low predominance of females (55%), a very important difference of rele-vance for public health is given by the age composition of its population in two ways 1) The percentage of eld-erly people (64 and more) is significantly higher at the city level (17%) than at the national level (10%); 2) And infants (under 15 years) make only 17% of the total city population, being almost 30% of the national population. For this, factors that affect the health of elderly, as air pollution, grow in importance.

Table 1. Descriptive statistics for temperature and humidity in Buenos Aires City, 2002-2006. Min. Average Max. Standard deviation.

Whole year Min. temp. Av. temp. Max. temp. Rel. Hum. 0.10 4.99 8.50 30.28 13.95 17.96 22.46 68.67 21.30 32.04 37.50 96.63 5.49 5.47 5.89 11.26

Summer Min. temp. Av. temp. Max. temp. Rel. Hum. 9.50 15.29 17.70 30.28 19.24 23.65 28.42 63.06 27.60 32.04 37.50 93.21 3.24 2.92 3.41 10.20

Autumn Min. temp. Av. temp. Max. temp. Rel. Hum. 1.40 7.20 12.70 44.27 14.11 17.98 22.43 72.46 25.40 27.76 33.80 96.63 4.71 4.32 4.50 9.27

Winter Min. temp. Av. temp. Max. temp. Rel. Hum. 0.10 4.99 8.50 46.73 8.98 12.43 16.48 74.29 21.30 25.35 31.50 95.67 4.04 3.48 3.76 10.46

Spring Min. temp. Av. temp. Max. temp. Rel. Hum. 2.00 7.02 10.60 37.21 13.58 17.92 22.63 64.69 24.10 28.73 33.80 94.75 4.34 4.19 4.66 10.75

Jurnal Perlindungan Lingkungan, 2012, 3, 262-271 doi: 10,4236 / jep.2012.33033 Diterbitkan online Maret 2012 (http://www.SciRP.org/journal/jep) Efek Kesehatan Iklim dan Polusi Udara di Buenos Aires: Sebuah Analisis First Time Series * Rosana Abrutzky1, Laura Dawidowski1,2 #, Patricia Matus3,4, Patricia Romero Lankao5 1Universidad Nacional de San Martn, San Martn, Buenos Aires, Argentina; 2Comisin Nacional de Energia Atomica, Gerencia Quimica, Buenos Aires, Argentina; 3Centro Nacional del Medioambiente, Santiago, Chili; 4Universidad del Desarrollo, Las Condes, Santiago, Chili; 5National Pusat Penelitian Atmosfer di Boulder, Colorado, Amerika Serikat. Email: #dawidows@cnea.gov.ar Diterima 16 Desember 2011; direvisi 14 Januari 2012; diterima 16 Februari 2012 Abstraksi Latar Belakang: Dampak polusi udara dan perubahan suhu perkotaan lebih dari kesehatan adalah berkembangnya kekhawatiran untuk epidemi-ologists di seluruh dunia dan khususnya untuk negara-negara berkembang di mana studi lebih sedikit telah dilakukan. Tujuan: Tujuan utama dari makalah ini adalah untuk menganalisis efek jangka pendek dari perubahan suhu dan karbon atmosfer mon-oksida pada kematian setiap hari di Buenos Aires, Argentina. Metode: Kami melakukan studi time series difokuskan pada kelompok tiga usia, jenis kelamin, dan mortalitas kardiovaskular dan pernapasan, dengan kelambatan hingga empat hari dan variabel sementara sebagai modi-fiers. Hasil: Suhu berkorelasi positif dengan mortalitas total selama berbulan-bulan musim panas, dengan RR a = 1,0184 (95%, CI 1,0139, 1,0229) pada hari yang sama untuk setiap kenaikan 1 C. Di musim dingin hubungan ini membalikkan, sebagai 1 C kenaikan suhu pameran efek perlindungan dengan RR a = 0,9894 (95%, CI 0,9864, 0,9924) pada 3 hari lag. Karbon monoksida berkorelasi selalu positif dengan kematian, dengan RR a = 1,0369 (95%, CI 1,0206, 1,0534) untuk setiap kenaikan 1 ppm, pada hari previ-ous. Kesimpulan: Iklim dan polusi parameter yang diukur dalam pameran Buenos Aires Kota korelasi dengan hasil kesehatan. Dampak suhu dan karbon monoksida bervariasi dengan usia dan jenis kelamin, menjadi tua subkelompok yang paling rentan. Satu hari setelah peningkatan CO dari 1 ppm, sekitar 4% kematian tambahan dapat diharapkan. The correla-tion ditemukan antara peningkatan CO dan kematian untuk tertinggal lebih besar dapat dianggap berasal dari peran CO sebagai penanda kimia polusi udara perkotaan, menunjukkan co-kehadiran polutan lainnya. Kata kunci: Kesehatan; Polusi udara; Variabilitas Iklim; Karbon Monoksida; Epidemiologi 1 Pendahuluan Hubungan antara suhu ekstrim dan episode polusi udara dan kesehatan didokumentasikan dengan baik, terutama untuk episode ekstrim [1,2]. Namun, selama dekade terakhir, telah ada minat yang tumbuh di efek kronis atau bahkan akut bahkan tingkat rendah polusi udara dan perubahan kecil dalam suhu morbiditas dan mortalitas [3-5]. Eksposur populasi urban 'untuk partikulat dan ozon, serta nitrogen oksida, karbon monoksida, timbal dan logam lainnya, memiliki dampak negatif terhadap kesehatan manusia, bahkan pada tingkat yang lebih rendah daripada yang ditetapkan sebagai se-obat oleh standar internasional [6- 11]. Sistem kardiovaskular adalah yang paling dikompromikan dalam regulasi termal dari tubuh manusia, sedangkan sistem res-piratory adalah yang pertama untuk menerima polusi udara ke dalam tubuh [12]. Ini berarti bahwa duals indivi- rentan dengan patologi kronis, usia yang ekstrim, atau perubahan lic metabo karena penggunaan obat resep, lebih vul-nerable terhadap perubahan lingkungan [13,14]. Literatur Ulasan setuju bahwa suhu con-stitutes merupakan faktor penting dalam menjelaskan nilai-nilai kematian, bahkan dalam template daerah perkotaan [5]. Suhu dingin pro-Duce efek kumulatif penting yang tertinggal dalam waktu dengan jeda hingga dua minggu setelah peristiwa iklim, sementara suhu tinggi meningkatkan mortalitas untuk jangka waktu yang lebih pendek, umumnya terbatas pada hari yang sama atau yang berikut [5, 15-17]. Pada saat yang sama, pernafasan menyebabkan kematian pra-sents kelambatan yang lebih besar (antara 3 dan 6 hari) sementara cardio-vascular menyebabkan kematian terjadi antara hari yang sama dengan peristiwa iklim dan dua hari berikutnya [18]. Hal ini koheren dengan mekanisme biologis yang mendasari penyakit. * Karya ini dilakukan dengan bantuan hibah dari Inter-American Institute untuk Perubahan Global Research (IAI) CRN II 2017 yang sup-porting oleh US National Science Foundation (Grant GEO-0452325) dalam rangka proyek Amerika Selatan Emisi, mega-kota dan iklim - Adaptasi terhadap dampak kesehatan dari polusi udara dan iklim ekstrem di kota-kota Amerika Latin (adapte) dan dukungan dari San Martn National University (UNSAM). #Corresponding Penulis. Beasiswa yang ada menekankan pentingnya con- Copyright 2012 SciRes. JEP Efek Kesehatan dari Polusi Iklim dan Air di Buenos Aires: Sebuah Analisis First Time Series 263 sidering karakteristik wilayah dianalisis. Bahkan ketika beberapa generalisasi dapat dibentuk dari studi com-parative (melalui typifying settle-KASIH dingin dan panas, misalnya), keanehan iklim setiap hasil lokasi dalam hasil kesehatan yang berbeda [16].

Akhirnya, [5] menyoroti kompleksitas seperti menghalangi-minants hubungan antara temperatur dan mortalitas sebagai karakteristik sosial-ekonomi penduduk. Hal ini terutama penting di pusat-pusat perkotaan negara-negara berkembang, namun sangat sedikit makalah menganalisis masalah ini untuk kota-kota Amerika Latin. Referensi [18,19] melakukan analisis time series untuk kota-kota Santiago (Chili) dan Sao Paulo (Brazil). Khususnya di Argen tina-ada beberapa studi dengan pendekatan yang berbeda. Referensi [20] melakukan analisis sinoptik untuk rumah sakit darurat berkonsultasi di Buenos Aires City, sementara [21] menggunakan metodologi yang sama untuk menganalisis asma pa-pasien-di kota Rosario. Referensi [22] dijelaskan hubungan yang kuat antara variabel meteorologi dan hasil kesehatan sebagai rawat inap jantung dan konsultasi darurat untuk asma, di Bahia Blanca. Dalam karya ini kita mengeksplorasi korelasi antara tem-perature dan polusi udara dengan kematian untuk Kota Buenos Aires, pikir studi seri temporal. Untuk yang terbaik dari pengetahuan kita ini adalah studi Time Series pertama dilakukan pada tingkat mega kota ini. 2 Bahan dan Metode 2.1. Kota Buenos Aires Buenos Aires terletak di kawasan Pampa, di pantai barat muara Ro de la Plata. Ini memiliki iklim yang hangat dan lembab (Lihat Tabel 1). Hari musim panas dan malam yang panas, sementara hari dingin dan malam dingin menang di musim dingin, ketika minimum, rata-rata dan maksimum tem-suhunya turun sekitar 10 dari nilai musim panas mereka. Au-tumn dan musim semi hadir cuaca transisi characteris-tics, ditentukan oleh suhu ringan selama hari-hari dan dingin selama malam. Kedekatan sungai dan lokasi longitudinal membuat Buenos Aires sebuah kota dengan beberapa episode suhu ekstrim. Wilayah metropolitan Buenos Aires (MABA) terdiri dari kota Buenos Aires, Federal Dis-trict atau ibukota negara, dan 24 sekitar dis-seluruh kabupaten yang merupakan bagian dari provinsi Buenos Aires. Menjadi megalopolis-10 di dunia dan ke-3 di Amerika Latin, itu berkonsentrasi 32% dari total penduduk hanya 0,14% dari wilayah nasional. Kota itu sendiri com-prises hanya 7% dari total luas MABA, namun con-centrates sekitar 25% dari populasi, yang tertinggi negara. Bahkan ketika mempertimbangkan megacity secara keseluruhan akan menjadi pendekatan yang terbaik, sebagai MABA merupakan cekungan atmosfer unik, administrasi fragmenta-tion antara pemerintah daerah memaksakan kesulitan re-lia ketersediaan data yang diperlukan untuk melakukan analisis time series. Untuk alasan ini kami hanya mencakup data di kota. Meskipun Buenos Aires sedikit berbeda dari seluruh negeri dalam hal demografi (misalnya, jenis kelamin yang composi-tion mirip dengan salah satu nasional, dengan dominasi rendah perempuan (55%), perbedaan yang sangat penting dari rele-Vance untuk kesehatan masyarakat mengingat dengan komposisi umur penduduk dalam dua cara 1) persentase orang lapangan-gan benar (64 dan lebih) secara signifikan lebih tinggi di tingkat kota (17%) dibandingkan di tingkat nasional (10%); 2) Dan bayi (di bawah 15 tahun) membuat hanya 17% dari populasi kota total, yang hampir 30% dari populasi nasional. Untuk ini, faktor-faktor yang mempengaruhi kesehatan lansia, seperti polusi udara, semakin penting. Tabel 1. stati Deskriptif Efek Kesehatan Iklim 264 dan Polusi Udara di Buenos Aires: Sebuah Analisis First Time Series 2.2. Data Maksimum harian, minimum dan suhu rata-rata yang diperoleh dengan menggunakan data per jam dari stasiun meteorologi Villa Ortzar, National Weather Service (NWS). Data titik embun digunakan untuk menghitung per jam relatif hu-midity menerapkan Iribarne dan ekspresi Godson (1981) [23]. Analisis musiman adalah dilakukan, menyusul parameter yang digunakan oleh NWS, yang mendefinisikan musim dengan kehadiran sering kondisi iklim (NWS 2010) [24] sebagai berikut: musim panas dari bulan Desember sampai bulan Februari; musim gugur dari Maret sampai Mei; musim dingin dari bulan Juni sampai Agustus dan musim semi dari bulan September sampai November. Seri data kualitas udara yang langka di Buenos Aires. Hanya ada satu stasiun pemantauan bekerja selama dua dekade terakhir, dan tiga lagi stasiun telah baru-baru dipasang oleh Pemerintah Kota. Namun, penelitian yang dilakukan oleh sektor ilmiah [25,26] memungkinkan kita untuk menetapkan bahwa karbon monoksida (CO), sulfur dioksida (SO2) dan Particulate Matter 10 (PM10) kadarnya usu-sekutu di bawah standar internasional [27,28] ; sementara ni-Trogen oksida (NOx) dan Particulate Matter 2.5 (PM2.5) menunjukkan exceedance standar internasional. Unfortu-secara bergantian O3 belum sistematis diukur di kota Buenos Aires. Data kualitas udara yang disediakan oleh Pemerintah Kota Buenos Aires untuk satu-satunya stasiun pemantauan dengan data histori-kal, terletak di lingkungan padat penduduk kota. Hanya karbon monoksida (CO) Data mencakup serangkaian rata-rata harian cukup lama untuk melakukan analisis time series. Terpanjang set terpercaya dari data kontinu berlari dari 5 Februari 2003 hingga 30 November 2004, yang kemudian dipilih sebagai masa studi. Serial ini memiliki 5,26% register hilang, dikelompokkan menjadi dua periode yang relatif lama dan beberapa data terisolasi. Secara khusus, seri memiliki 21 data yang hilang yang diganti melalui pendekatan regresi. Serangkaian dengan 24 jam nilai harian rata-rata berkisar 0-4,3 ppm dibangun untuk menjalankan kualitas udara Analy-sis. Data kematian disediakan oleh Departemen Kesehatan Nasional Statistik Direction. Database asli yang terorganisasi dengan baik dan lengkap. Data diklasifikasikan oleh Klasifikasi Inter-nasional Penyakit dan Masalah Kesehatan Terkait (ICD-10). 2712 register diperoleh untuk periode 2002-2006. Pemeriksaan QC dari data yang entri tidak lengkap atau salah per-dibentuk dan 4.32% dan dibuang. Kematian disengaja juga dihilangkan dan dari database yang dihasilkan hitungan kematian akibat kardiovaskular (I00-I99) dan pernapasan (J00-J98) dis-penyakit-diekstraksi. Buenos Aires City memiliki rata-rata sekitar 86 kematian setiap hari (lihat Tabel 2), dimana sekitar 33% disebabkan oleh penyebab kardiovaskular dan 23% disebabkan oleh res-piratory penyebab. Menariknya, meskipun iklim Template dan relati-tively pendek kisaran suhu antara musim, Buenos Aires Kota angka kematian puncak selama musim dingin, kemungkinan besar terkait dengan wabah penyakit musiman (Gambar 1). Efek Kesehatan dari Polusi Iklim dan Air di Buenos Aires: Sebuah Analisis First Time Series 265 2.3. metode Sebagian besar studi epidemiologi polusi udara menggunakan time series eco-logis, kasus cross-over, panel dan kelompok pejantan-ies untuk mengeksplorasi hubungan antara temperatur dan polusi udara dan kesehatan [29,30]. Masing-masing desain ini memiliki kelebihan dan kekurangan. Dalam kasus kami desain Seri Tempo-ral dipilih, karena paling cocok untuk memperkirakan efek kesehatan akut polusi dan mete-orological penentu dan memiliki keuntungan yang sim-plicity, yang memungkinkan untuk mengekstrak faktor pembaur (musiman, temporalitas dan cuaca), dan memberikan hasil yang memungkinkan untuk perbandingan dengan kota-kota lain. Studi Series Temporal menyiratkan analisis regresi antara variabel temporal (umumnya polusi udara, tem-suhunya, kelembaban, tekanan udara) diambil sebagai in-dependen, dan hasil kesehatan sebagai variabel terikat [31]. Umumnya, metode kuadrat minimum digunakan untuk membangun persamaan prediksi melalui umum model addi-tive, yang memungkinkan menggabungkan variabel kontrol atau pembaur. Tergantung pada desain dan distribusi data, non linear atau model non aditif dapat digunakan. Literatur Ulasan berlaku variabel kontrol untuk mengidentifikasi kemungkinan asosiasi buatan antara kematian dan suhu, yang digunakan dalam analisis efek polusi udara. Referensi [4,16] menggunakan barometrik pres-yakin, log tren menjalankan dan hari kerja sebagai variabel kontrol. Referensi [32] menggunakan hari kerja dan polusi udara. Referensi [33] mengembangkan analisis time series, pertimbangkan-ing kecepatan angin sebagai variabel kontrol. Referensi [34] mempelajari dampak dari tingkat ozon di atas kematian incorpo-rating awan, dan [15] menambahkan skema budaya, ketersediaan AC, dan perencanaan kota sebagai faktor yang memodifikasi variabel iklim selama mortalitas nilai yang efektif. Variabel lain yang terkait dengan kebiasaan individu, seperti pola makan, merokok, aktivitas, olahraga, mungkin memiliki pengaruh yang relevan di tingkat individu, tetapi mereka diharapkan untuk tinggal relatif stabil pada tingkat populasi selama periode penelitian. Dalam studi ini, kita dikendalikan oleh hari kerja dan bulan, dan trend waktu yang lama, dan menggunakan empat database terpisah untuk setiap musim tahun. Suhu adalah variabel yang kompleks, yang biasanya cor-berhubungan dalam bentuk U dengan hasil kesehatan [32], yang berarti bahwa jika suhu rendah (baik di iklim dingin atau di musim dingin), peningkatan mereka memiliki dampak protektif atas kesehatan, sementara di iklim panas atau musim panas kenaikan dalam suhu dapat berdampak buruk pada kesehatan. Menjaga ini dalam pikiran, serta hangat cli-mate di Buenos Aires, analisis kami berjalan selama empat musim terpisah tahun ini. Setelah Aphea (Polusi Udara dan Kesehatan: Sebuah Pendekatan Eropa) dan EMACAM (Estudio Multicntrico Espaol sobre la Relacin entre la Contaminacin At-mosfrica y la mortalidad) pendekatan, model analisis kami dibangun secara progresif dalam tiga langkah. Pertama hubungan-kapal antara hari kerja dan pembaur bulanan dan hasil kesehatan didirikan untuk masing-masing kelompok dianalisis. Hari kerja dan bulan yang menunjukkan korelasi dengan hasil kesehatan yang dipilih dan dimasukkan dalam analisis kedua berhubungan kematian dengan maksimal, suhu minimum dan kelembaban relatif. Maka model polusi udara corre-lating (karbon monoksida) dan mortalitas dibangun, mengingat hubungan dengan tempera-membangun struktur dan kelembaban sebagai non linear. Setiap langkah kedua dan ketiga dijalankan untuk mendapatkan korelasi dengan variabel hari yang sama dan dengan orang-orang dari 4 hari lag. Model dijalankan untuk seluruh total, kematian cardiovascu-lar dan pernafasan serta untuk 6 subkelompok: pria / wanita dan tiga kelompok usia (berusia 0 sampai 14 tahun, 15-64 dan 65 dan lebih tua). A General Additive Model (GAM) dijalankan untuk masing-masing kelompok untuk setiap musim tahun (Dominici et al., 2006) [35]. Untuk analisis polusi udara, model dijalankan juga untuk tahun secara keseluruhan. Bahkan jika varia-tions musiman dalam korelasi ada, karena ukuran data, seluruh rangkaian catatan digunakan untuk memungkinkan hasil yang signifikan secara statistik. Model dijalankan dalam R software [36], menggunakan Poisson regresi Kuasi [37], karena data itu lebih dari dis-perse (Tabel 2). Kami membangun sebuah model berikut formula stan-dardized untuk suhu dan polusi udara time series [38]: log01111, EYXSX (1) di mana Y adalah jumlah harian kematian, E (Y) adalah nilai yang diharapkan dari jumlah kematian, 0 adalah intersep, 1 adalah esti-Mator, X1 adalah kovariat, dan Si adalah fungsi halus. 1 menggambarkan peningkatan mortalitas per unit kenaikan suhu atau polusi udara tingkat. Residual dari regresi dianalisis untuk pem-lish penyesuaian model yang dipilih. 3 Hasil Hasilnya disajikan dalam hal Ratio Risk (RR), didefinisikan sebagai perbedaan antara kasus kematian kedua orang yang telah terkena dan non terkena faktor risiko (kenaikan atau penurunan suhu dan pres-ence dari CO di udara) , dengan rumus RRexpi (2) 3.1. suhu Analisis menunjukkan hubungan yang konsisten antara suhu dan kematian, untuk semua jenis kematian (Gambar-ures 2, 3 dan 4). Asosiasi ini lebih kuat dan lebih signifikan selama musim panas dan musim dingin, dan lebih lemah selama musim gugur dan musim semi. Namun demikian, beberapa efek Copyright 2012 SciRes. JEP Efek Kesehatan Iklim 266 dan Polusi Udara di Buenos Aires: Sebuah Analisis First Time Series perubahan suhu harian lebih dari kematian ditemukan bahkan untuk musim pancaroba ini. Kardiovaskular fana-ity adalah, untuk semua musim dan kelompok, lebih kuat Corre-lated perubahan suhu daripada kematian pernapasan. Untuk hampir semua tertinggal, suhu rata-rata menunjukkan pengaruh kuat dari suhu yang minimum atau maksimum. Oleh karena itu presentasi hasil akan fokus pada nilai-nilai suhu rata-rata. Kelembaban menunjukkan korelasi lemah dengan nilai mortalitas, hanya signifikan untuk lag 2 hari di musim dingin dan musim panas. Bagi mereka musim korelasi negatif, yang berarti bahwa peningkatan kelembaban relatif sesuai dengan penurunan fana-ity, baik total dan membedakan antara penyebab kematian. 3.1.1. musim panas Suhu menunjukkan korelasi positif dan langsung dengan kematian. Untuk mortalitas total, kenaikan 1 C suhu rata-rata terkait dengan RR dari 1,0184 (95%, CI 1,0139, 1,0229), menunjukkan bahwa dengan 1 C kenaikan suhu, jumlah total kematian hari akan meningkat di 1,8% (95% CI 1,3-2,3). Sebuah hubungan yang konsisten ditemukan selama 3 hari pertama. Terkuat dampak ap-pir pada hari yang sama dan lereng berkurang sebagai hari-hari berlalu (Gambar 2). Hal ini konsisten dengan mekanisme biologis yang mendasari mengarah ke mati oleh panas dan juga dengan hasil penelitian lain yang dilakukan untuk cit-ies lain [3,5]. Signifikansi statistik korelasi juga melemah dengan kelambanan hari meningkat. Dampak dari suhu lebih kuat untuk wanita dibandingkan pada laki-laki (RR = 1,0216, 95%, CI 1,0156, 1,027552 dan RR = 1,0135, 95%, CI 1,0076, 1,0195 masing-masing). Orang tua adalah kelompok lain yang sensitif untuk musim panas (RR = 1,0209 95%, CI 1,0160, 1,0259). Gambar 3 menunjukkan bahwa kardiovaskular kematian disebabkan memiliki beban berat dalam korelasi, dengan RR a = 1.020 (95%, CI 1,012, 1,028) yang terintegrasi terutama untuk dampak atas perempuan (RR = 1,027 95%, CI 1,017, 1,037) dan orang tua (RR = 1,022 95%, CI 1.013, 1.030). Pernafasan menyebabkan kematian selama musim panas menyajikan korelasi yang lebih rendah, tapi cukup kuat untuk dipertimbangkan (Gambar 4). Hubungan ini konsisten melalui hari, dan lagi perempuan dan lanjut usia yang umumnya terpengaruh. (RR = 1.020 95%, CI 1,007, 1,032 dan RR = 1,021 95%, CI 1,011, 1,031 masing-masing). Pada hari berikutnya (lag 1) kemiringan sedikit lebih rendah dan korelasi semakin kuat, melemahnya lagi di 2 hari lag. 3.1.2. musim Dingin Seperti yang diharapkan, selama musim dingin suhu meningkat memiliki efek perlindungan atas kesehatan manusia. Ada lag antara perubahan suhu dan kematian diamati (Gambar 2). Suhu tidak memiliki dampak yang kuat atas hitungan hari kematian yang sama, dan dampak pelindung terkuat kenaikan suhu tersebut terlihat dalam 3 dan 4 hari lag. Sekali lagi, untuk musim dingin ada korelasi kuat antara suhu dan mortalitas cardiovascu-lar. Kesalahan bar: titik atas dan bawah mewakili 95% CI. Padat garis hori-horizontal menunjukkan RR = 1. Gambar 2. Rasio Risiko 1 C kenaikan suhu rata-rata, berdasarkan musim: Total kematian. Kesalahan bar: titik atas dan bawah mewakili 95% CI. Padat garis hori-horizontal menunjukkan RR = 1. Gambar 3. Rasio Risiko 1 C kenaikan suhu rata-rata, berdasarkan musim: kematian vaskular Cardio. Kesalahan bar: titik atas dan bawah mewakili 95% CI. Padat garis hori-horizontal menunjukkan RR = 1. Gambar 4. Rasio Risiko 1C peningkatan suhu rata-rata, berdasarkan musim: kematian pernapasan. Copyright 2012 SciRes. JEP Efek Kesehatan dari Polusi Iklim dan Air di Buenos Aires: Sebuah Analisis First Time Series 267 Untuk mortalitas total, kenaikan 1 C suhu memiliki efek perlindungan dengan RR = 0,9894 (95%, CI 0,9864, 0,9924) pada 3 hari lag. Pria dan orang tua adalah kelompok yang paling dilindungi (RR = 0,9899 95%, CI 0,9857, 0,9941 dan 0,9881 RR = 95%, CI 0,9848, 0,9914). Untuk perempuan, RR = 0,9889 (95%, CI 0,9850, 0,9928). Kecenderungan yang sama terlihat ketika menganalisis cardiovas-cular kematian: RR = 0,9833 95%, CI 0,9781, 0,9884; RR = 0,9815 95%, CI 0,9743, 0,9887; RR = 0,9845 95%, CI 0,9774, 0,9916 y RR = 0,9831 95%, CI 0,9776, 0,9887 total kardiovaskular, laki-laki, perempuan dan lapangan-mestinya pada 3 hari lag. Penurunan kardiovaskular mor-kema- terkait dengan kenaikan suhu musim dingin mempengaruhi juga orang dewasa (berusia 15-64 tahun) kelompok (RR = 0,9831, 95%, CI 0,9706, 0,9957). Hubungan suhu dengan kematian pernafasan sedikit lebih rendah, tapi masih signifikan pada 2 hari lag, dapatkan-ting kekuatan maksimum pada 4 hari lag (Gambar 4). Sebuah rata-rata 1 C kenaikan suhu berkorelasi dengan de-lipatan kematian total pernapasan, dan kematian respi-pernafasan lansia (RR = 0,9896, 95%, CI 0,9839, 0,9954, 0,9892 RR 95%, CI 0,9831, 0,9954 masing-masing), tetapi juga dengan pria dan wanita, menjadi mantan kelompok yang paling rentan (RR 0,9861 95%, CI 0,9772, 0,9950 dan 0,9921 RR 95%, CI 0,9851, 0,9992). 3.1.3. Musim Semi dan Gugur Ini adalah musim pancaroba tentang suhu dan kelembaban di Buenos Aires. Oleh karena itu lemah correla-tion antara variabel meteorologi dan mortalitas yang diharapkan. Mengenai variabel kepentingan penelitian ini, karakteristik serupa kedua musim ini untuk orang-orang dari musim dingin, seperti di satu sisi kematian korelasi dalam-versely dengan suhu dan di sisi lain, efek yang terbaik dilihat pada lag variabel, lebih lama dibandingkan musim panas . Pengecualian untuk ini adalah kematian musim gugur hari yang sama kenaikan suhu (lag 0), dimana peningkatan kematian terjadi. Pada musim gugur, kenaikan suhu 1 Celcius celcius dikaitkan dengan kematian pernapasan RR 1,0136 (95% CI 1,0059-1,0123), par-khusus- untuk orang tua (RR = 1,0139 95% CI 1,0055-1,0224) pada hari yang sama dari eksposur. Korelasi Autumn antara suhu dan mor-kema- menyajikan RR = 0,9921 (95%, CI 0,9889, 0,9952), terutama terdiri oleh 64 tahun dan kelompok yang lebih tua (RR = 0,9917 95%, CI 0,9883, 0,9952), sedangkan laki-laki dan fe- laki-laki menyajikan korelasi yang lebih baik pada 2 hari lag (RR = 0,9907 95% CI 0,9862, 0,9952 y 0,9947 95% CI 0,9906, masing-masing 0,9988). Kematian kardiovaskular menyebabkan corre-akhir terbaik mereka pada 3 hari lag untuk semua kelompok dianalisis, menjadi laki-laki kelompok yang paling diuntungkan (RR = 0,9857 95%, CI 0,9794, 0,9920). Pada musim semi pengaruh terbesar terlihat pada 3 hari lag untuk mortalitas total dan kardiovaskular, sementara pernapasan mor-kema- berkorelasi lebih baik dengan 2 hari sebelumnya tem-perature (Angka 2, 3 dan 4). Akhirnya, kelembaban relatif bertindak sebagai faktor risiko fana-ity pernapasan untuk orang-orang 14 tahun dan lebih muda pada 3 hari lag. Efek ini dapat disebabkan oleh situasi virus tidak dipertimbangkan dalam penelitian ini. 3.2. karbon Monoksida Angka 5 sampai 7 hasil menunjukkan RR untuk seluruh korpus data serta analisis musiman. Sebuah hubungan yang kuat dan positif ditemukan antara CO dan kematian, untuk hal yang sama dan untuk hari berikutnya. Seperti dapat dilihat pada Gambar 5, 1 ppm peningkatan CO menyajikan RR a = 1,01868 (95%, CI 1,0021, 1,0355 dan 1,0369 RR = (95%, CI 1,0206, 1,0534) respec-masing, menjadi asosiasi terakhir ini secara statistik lebih kuat. Kenaikan hari yang sama angka kematian jelas pada laki-laki (RR = 1,0265 95%, CI 1,0040, 1,0495), sedangkan untuk dua hari berikutnya (lag 1 dan 2) hubungan yang signifikan secara statistik ditemukan untuk perempuan (RR = 1,0299 95%, CI 1,0081, 1,0522 dan 1,0267 RR = 95%, CI 1,0058, 1,0479). Untuk hari berikutnya, bahkan ketika statistik signifi-cance lebih kuat bagi perempuan daripada laki-laki (p = 0,001, vs p = 0,01), RR praktis sama untuk kedua kelompok (RR = 1,029 95%, CI 1.00 1.05) . Berfokus pada kelompok usia, yang paling terpengaruh adalah orang dewasa berusia antara 15 dan 64 tahun, untuk hal yang sama dan hari berikutnya (RR = 1,0355 95% CI 1,0173, 1,0541). Untuk lansia dampak yang lebih besar terlihat pada tiga hari berikutnya (tertinggal 1, 2 & 3), dengan RR a = 1,0355 95% (CI 1,0173, 1,0541), RR = 1,0162 95% (CI 0,9984, 1,0343) dan RR = 1,0162 95% (CI 0,9985, 1,0342) masing-masing. Nilai yang diperoleh untuk kelompok usia 0 sampai 14 tahun tidak memungkinkan untuk membuat kesimpulan, karena rendahnya jumlah kasus di grup ini. Mortalitas kardiovaskular berkorelasi lemah dengan CO untuk tertinggal 1 dan 2, menjadi RR = 1,0247 95%, CI 0,9966, 1,0536 dan 1,0238 RR = 95%, CI 0,9962, 1,0523 (Gambar 6). Situasi ini didorong oleh meningkatnya angka kematian perempuan Kesalahan bar: titik atas dan bawah mewakili 95% CI. Padat garis hori-horizontal menunjukkan RR = 1. Gambar Ratio 5. Risiko 1 ppm meningkatkan tingkat CO, berdasarkan musim dan tahun: Total kematian. Copyright 2012 SciRes. JEP Efek Kesehatan Iklim 268 dan Polusi Udara di Buenos Aires: Sebuah Analisis First Time Series Kesalahan bar: titik atas dan bawah mewakili 95% CI. Padat garis hori-horizontal menunjukkan RR = 1. Gambar Rasio 6. Risiko 1 ppm meningkatkan tingkat CO, berdasarkan musim dan tahun: kematian vaskular Cardio. Kesalahan bar: titik atas dan bawah mewakili 95% CI. Padat garis hori-horizontal menunjukkan RR = 1. Gambar Rasio 7. Risiko 1 ppm meningkatkan tingkat CO, berdasarkan musim dan tahun: kematian pernapasan. (1,0341 95%, CI 0,9966, 1,0729 dan 1,0645 RR = 95%, CI 1,0283, 1,1021, dengan sig-nificance sangat statistik kuat untuk nilai terakhir ini (p