A Spatio-Temporal Modelling of Climate Variability on Respiratory Disease Morbidity in Kampala City, Uganda

Resumen Técnico: Modelado Espacio-Temporal de la Variabilidad Climática en la Morbilidad por Enfermedades Respiratorias en la Ciudad de Kampala, Uganda

Planteamiento del Problema
El cambio climático y la rápida urbanización plantean riesgos significativos para la salud pública, particularmente en áreas urbanas de rápido crecimiento en el África subsahariana, como Kampala, Uganda. Estos factores exacerban las enfermedades respiratorias como el asma, la enfermedad pulmonar obstructiva crónica (EPOC) y la neumonía a través de complejas interacciones que involucran la temperatura, la humedad, la precipitación y la calidad del aire. Si bien la literatura global vincula la variabilidad climática con los resultados respiratorios, existe una escasez de evidencia sobre cómo estas exposiciones ambientales influyen conjuntamente en la distribución espacial y temporal de las enfermedades respiratorias en los entornos urbanos de Uganda. Los modelos estadísticos tradicionales a menudo no logran capturar las complejidades no lineales, no uniformes y espacio-temporales inherentes a las relaciones clima-salud, lo que requiere marcos analíticos más flexibles.

Metodología
El estudio empleó un diseño ecológico retrospectivo analizando datos agregados mensuales de 2021 a 2024 en las cinco divisiones administrativas de la ciudad de Kampala (Central, Kawempe, Makindye, Nakawa y Rubaga).

• Fuentes de Datos:

  • Datos de Salud: Se extrajeron conteos mensuales agregados de enfermedades respiratorias (asma, EPOC, neumonía) del Sistema de Información Distrital de Salud 2 (DHIS2), gestionado por el Ministerio de Salud.
  • Datos Climáticos: Los promedios mensuales de temperatura, precipitación y humedad se obtuvieron a través del Programa del Sistema de Información de Salud (HISP) de Uganda, utilizando los conjuntos de datos ERA5 y CHIRPS.
  • Datos de Calidad del Aire: Las concentraciones de material particulado (PM2.5) se obtuvieron de dispositivos AirQo (Universidad de Makerere) y de las redes de monitoreo de la Autoridad de la Ciudad Capital de Kampala (KCCA).
  • Datos Espaciales: Los límites administrativos se obtuvieron de la Oficina de Estadísticas de Uganda (UBOS).

• Enfoque Estadístico:
  El marco analítico central utilizó Modelos Aditivos Generalizados Espacio-Temporales (ST-GAMs) con una distribución binomial negativa para dar cuenta de la sobredispersión en los conteos de enfermedades. Los modelos incorporaron:

  • Términos de suavizado: Funciones no paramétricas para las variables climáticas (temperatura, humedad, precipitación, PM2.5) para capturar relaciones no lineales.
  • Suavizado espacial: Funciones de suavizado bidimensional de longitud y latitud para modelar la variación espacial.
  • Suavizado temporal: Funciones de suavizado para el tiempo (mes y año) para capturar tendencias y estacionalidad.
  • Términos de interacción: Suavizados de producto tensorial para modelar interacciones espacio-temporales (por ejemplo, cómo los patrones estacionales varían entre las ubicaciones).
  • Offset: Un término de offset basado en el tamaño de la población mensual estimada para cada división para ajustar el riesgo poblacional.

  La selección del modelo fue guiada por el Criterio de Información de Akaike (AIC), la devianza explicada y la Validación Cruzada Generalizada (GCV). Los diagnósticos del modelo incluyeron residuos de cuantiles aleatorizados y verificaciones de concurvidad utilizando el paquete mgcv en R.

Resultos Clave

• Estadísticas Descriptivas: Se registraron un total de 89,253 enfermedades respiratorias. La neumonía constituyó la mayoría (65%), seguida del asma (23%) y la EPOC (12%). Los niveles de PM2.5 promediaron 27.80 µg/m³, con picos estacionales significativos en enero y febrero.
• Determinantes Específicos de la Enfermedad:
  • Asma: Mostró una asociación significativa y no lineal con el PM2.5 (edf ≈ 4.5, p < 0.05) y la precipitación. Los casos aumentaron notablemente cuando las concentraciones de PM2.5 superaron los 30 µg/m³ y cuando la precipitación excedió los 3 mm. El asma exhibió un agrupamiento espacial significativo en las divisiones Central y Nakawa, y picos estacionales entre julio y octubre.
  • Neumonía: Demostró una relación no lineal significativa con la precipitación (edf ≈ 2.1, p < 0.05), con un aumento rápido de los casos tras 3 mm de lluvia. Se observó un agrupamiento espacial en las divisiones Central y Kawempe. Los picos estacionales ocurrieron entre marzo–mayo y septiembre–noviembre.
  • EPOC: A diferencia del asma y la neumonía, los patrones de la EPOC no fueron impulsados significativamente por las variables climáticas específicas probadas en el modelo final. En su lugar, la morbilidad por EPOC estuvo fuertemente influenciada por la ubicación espacial y las tendencias temporales. El modelo de mejor ajuste para la EPOC excluyó las variables climáticas y de calidad del aire, reteniendo solo los componentes espaciales y temporales, lo que sugiere que las exposiciones locales arraigadas (por ejemplo, el uso de biomasa doméstica, las emisiones urbanas no reguladas) pueden ser impulsores más dominantes. Los casos de EPOC alcanzaron su pico estacional entre mayo y agosto, con un aumento constante de la carga desde 2022 en adelante.
• Patrones Espacio-Temporales: Las tres enfermedades exhibieron una heterogeneidad espacial significativa. La interacción entre el mes y el año fue significativa para el asma y la neumonía, lo que indica variabilidad interanual en los picos estacionales. Sin embargo, la interacción entre la estacionalidad y el espacio generalmente no fue significativa, lo que sugiere que los patrones estacionales se mantuvieron relativamente consistentes a través de las diferentes divisiones de Kampala.

Contribuciones Clave

1. Aplicación Metodológica: El estudio aplicó con éxito los ST-GAMs con interacciones de producto tensorial para modelar las relaciones clima-salud en un contexto urbano africano, demostrando la utilidad de estos modelos flexibles para capturar las complejidades no lineales y espacio-temporales que los modelos lineales tradicionales omiten.
2. Perspectivas Específicas de la Enfermedad: La investigación distingue los impulsores ambientales de diferentes condiciones respiratorias, identificando al PM2.5 como un factor de riesgo modificable crítico para el asma y a la precipitación para la neumonía, mientras destaca que la EPOC en este contexto está impulsada más por factores estructurales espaciales y temporales que por las variables meteorológicas específicas analizadas.
3. Granularidad Espacial: Al mapear las cargas de enfermedades en divisiones administrativas específicas, el estudio identifica puntos críticos persistentes (Central, Kawempe, Makindye, Nakawa), proporcionando evidencia granular para intervenciones de salud pública focalizadas.

Significancia y Reivindicaciones
El artículo sostiene que sus hallazgos proporcionan apoyo empírico para el uso de marcos de modelado espacio-temporal flexibles en la epidemiología ambiental en entornos de ingresos bajos y medios. El estudio concluye que el PM2.5 es un factor de riesgo modificable clave para las enfermedades respiratorias en Kampala, particularmente para el asma. Enfatiza que las exposiciones ambientales afectan los patrones de enfermedad de manera diferente según el tipo de enfermedad, la ubicación y la estación.

Los autores afirman que la identificación de grupos espaciales persistentes y picos estacionales específicos respalda la necesidad de intervenciones de salud pública de precisión. Argumentan que los recursos deben asignarse a las divisiones de alto riesgo (Central, Kawempe, Makindye, Nakawa) y que las intervenciones deben adaptarse a los impulsores ambientales específicos de cada enfermedad (por ejemplo, mejoras en la calidad del aire para el asma, saneamiento y gestión de inundaciones para la neumonía). El estudio se posiciona como un paso hacia estrategias de salud resilientes al clima en ciudades africanas en rápida urbanización, aunque reconoce limitaciones respecto al uso de datos agregados y la exclusión de otros contaminantes como el NO₂ y el O₃.