UNA APLICACIÓN PARA REALIZAR ESTUDIOS PROBABILÍSTICOS Y ESPACIALIZADOS DE RIESGO SANITARIO EN AGUAS SUBTERRÁNEAS.

Transcripción

1 UNA APLICACIÓN PARA REALIZAR ESTUDIOS PROBABILÍSTICOS Y ESPACIALIZADOS DE RIESGO SANITARIO EN AGUAS SUBTERRÁNEAS. RESUMEN Peluso Fabio, Usunoff Eduardo Instituto de Hidrología de Llanuras. CC Azul, Prov. Buenos Aires, Argentina fpeluso@faa.unicen.edu.ar Se describe una aplicación basada en una hoja de cálculo en Excel y automatizada por macros y código en Visual Basic para Aplicaciones (VBA), la que implementa estimaciones espacializadas de riesgo sanitario probabilístico por sustancias en el agua subterránea de uso consuntivo proveyendo la información en formato compatible con los Sistemas de Información Geográficos (SIG). La misma se basa en un proceso secuencial que lee información sobre concentraciones puntuales de sustancias peligrosas en aguas y, a partir de seteos del usuario para cada término de la ecuación básica del riesgo, ejecuta una función anidada de Excel de manera iterativa y automatizada implementando la técnica de Monte Carlo (MC). Polígono a polígono, esta función se aplica 5000 veces generando, para cada término de la ecuación, una distribución de valores aleatorizados. Luego, se ejecuta la ecuación para cada iteración obteniéndose una distribución de valores de riesgo probabilísticos a partir de 5000 escenarios aleatorios. Esta aplicación permite apreciar que la planilla de cálculo más popular posee las capacidades operativas para realizar estos complejos procedimientos sin necesidad de recurrir a software adicional que, si bien puede ser más específico, también suele ser más oneroso. Esto la hace una herramienta a las vez accesible, maleable y potente con que pueden contar los estamentos decidores. Palabras Claves: riesgo sanitario, agua subterránea, software Abstract: This paper describes an application based on Excel worksheet automated by macros and codes from Visual Basic for Applications, which is used for making spatial probabilistic estimations of health risk from pollutants carried by drinkable groundwater, and giving out information in a format compatible with Geographical Information Systems (GIS). Such an application is made up of sequential steps that read the point concentrations of dangerous species in water and, from settings for each term of the risk equation by the user, executes an Excel nested function (iteratively and automated) using the Monte Carlo technique. Such a function is applied 5000 times polygon by polygon, generating that way a distribution of random values. Then, an equation for each iteration is executed, rendering out a distribution of probabilistic risk values from the 5000 random scenarios. This application shows that the most popular worksheet is able to carry out complex procedures with no need to use software packages that, whereas much more specific, are also quite expensive. Thus, the method becomes an accessible, malleable, and powerful tool ready for use by the decision makers. Keywords: health risk, groundwater, software

2 INTRODUCCIÓN En Argentina, las decisiones en lo que respecta a la administración de los recursos naturales, suelen tomarse con un fuerte componente de incertidumbre, falta de información, datos incompletos y dispersión de conocimientos. La falta de información limita las posibilidades de comprender los procesos que generan la degradación ambiental y, a la vez, las de predecir qué consecuencias futuras se producirán por el proceso. Se acuerda con Gray y Gudiño (1993) en que el esfuerzo para producir información debería orientarse preferentemente en dos sentidos: a mejorar la calidad de la información ambiental, y a introducir tecnologías que permitan hacer un tratamiento dinámico de ésta. Los análisis de riesgo (AR) son herramientas de gestión cuya finalidad es determinar el nivel potencial de peligro para un receptor humano o ecológico por el contacto con una sustancia química presente en el ambiente (Hay Wilson, 2000). Un AR establece las condiciones específicas bajo las cuales una sustancia representa una amenaza no aceptable a la salud (Lyons, 2002). Así, los efectos adversos potenciales y su probabilidad de ocurrencia son dos elementos salientes de estos procedimientos que ayudan a los tomadores de decisión a la identificación, evaluación, selección e implementación de acciones correctivas (CRARM, 1997). Se han desarrollado y aplicado modelos de análisis probabilísticos y espacializados de riesgo sanitario por contaminantes en agua subterránea de la que se hace uso consuntivo, los que se implementaron en la ciudad de Azul, provincia de Buenos Aires (Peluso, Gonzalez Castelain y Usunoff, 2001; Peluso, Usunoff y González Castelain, 2003a; Peluso, Usunoff y González Castelain, 2003b, Peluso, Usunoff y González Castelain, 2003c). El objetivo del presente trabajo es hacer una descripción de un procedimiento automatizado mediante macros de Excel (Microsoft Corporation, ) y códigos en Visual Basic para Aplicaciones (VBA) para efectuar esos análisis probabilísticos de riesgo aplicando Monte Carlo en su versión de muestreo simple (MCMS). DESCRIPCION DE LA APLICACION Principios básicos de la metodología El modelo básico para la evaluación del riesgo pertenece al National Research Council (NRC), y comprende un esquema de cuatro fases: la identificación de la fuente de riesgo, la estimación de la dosis respuesta, la evaluación de la exposición, y la caracterización final del riesgo (NRC, 1994). El paradigma, en su forma más general, expresa que el riesgo es una función de la toxicidad de la sustancia peligrosa y la magnitud de la exposición a la misma (USEPA, 1992). La evaluación de la exposición es una medida de la calidad y cantidad del contacto entre la fuente de riesgo y el organismo blanco (USEPA, 1992). La exposición se cuantifica a partir de una ecuación tendiente a determinar el nivel de dosis diaria de la sustancia con la cual tiene contacto el individuo expuesto. La Ecuación 1 muestra la integración de variables que constituyen el cómputo de la exposición, referenciada como Dosis Diaria Promedio. ADD = [ C * Ir * EF * ED] [ Bw* AT ] Siendo ADD = Dosis Diaria Promedio C = Concentración de la sustancia peligrosa (en mg l -1 ) (1)

3 Ir = Tasa de ingesta diaria de la sustancia (en l día -1 ) EF = Frecuencia de la exposición (días año -1 ) ED = Duración de la exposición (años) Bw = Peso corporal de la persona expuesta (en kg) AT = Factores de corrección por tiempo promedio (ED * 365 días) Un modo de poner este análisis de la exposición en el contexto de un análisis de riesgo es confrontando ese valor con la dosis umbral por debajo de la cual no existen efectos toxicológicos sobre el individuo expuesto, tal como ocurre con las sustancias de efectos tóxicos no carcinogenéticos. En este caso se usa como dosis umbral a la Dosis de Referencia (RfD). Este concepto, planteado originalmente por la USEPA, representa una estimación probabilística de la exposición diaria a la que la población humana, incluyendo los subgrupos sensibles, se puede someter a la fuente sin que genere riesgos de efectos adversos durante toda su vida (Barnes, 1988). Entonces, una medida del riesgo para este tipo de sustancias es estimar si, y en cuanto, la dosis diaria promedio excede la dosis de referencia para la misma. Esta relación se denomina cociente de riesgo R (Hazard Quotient en inglés) (USEPA, 1989) y se aprecia en la Ecuación 2. Si el valor de R excede la unidad, ya puede decirse que existe un nivel de riesgo atendible. R = ADD RfD (2) El análisis de riesgo probabilístico (ARP) puede ser definido como aquella evaluación que utiliza modelos basados en probabilidades para representar cómo se distribuyen los niveles de riesgo en la población o para caracterizar la incertidumbre en dichas estimaciones (USEPA, 1999). Estas son técnicas que, en vez de operar con un valor único para cada término del modelo analítico (sea éste un valor estandarizado o un estadístico seleccionado de una distribución), trabaja con distribuciones de valores, obteniendo también una distribución como resultado del mismo, la cual incluye y permite representar, la incertidumbre y/o variabilidad resultante del modelo. El procedimiento de MCMS genera un número elevado de muestras aleatorias con diferentes niveles de P para una variable de la que se tienen un conjunto restricto de datos medidos asumiendo que los mismos responden a una distribución teórica de P (normal, lognormal, beta, etc.) (Hammond et al., 1994, USEPA, 1994). Para cada una de esas muestras se calcula un valor de la variable estimada por un método de transformación inversa. Este conjunto de datos estimados conforma una nueva distribución de valores más numerosa (dependiendo del número de iteraciones seleccionado, desde 5000 a 10000) y que se asume representa la distribución original en cuanto a variabilidad e incertidumbre de la que son parte los datos medidos. Finalmente, de ésta se selecciona un valor único representativo de esa distribución (Media, Mediana, valor máximo, el 95 percentilo, etc.), o la distribución misma. La Figura 1 muestra la aplicación de MCMS para 5000 escenarios de concentración (se explicita uno de ellos a modo de ejemplo), graficado como un histograma de frecuencias y como una curva de P acumulada. La aplicación de estos modelos de análisis de riesgo en Azul requiere un proceso previo de espacialización de la información hidroquímica y que consiste en la interpolación de los datos puntuales de concentraciones obtenidos por muestreos de pozos de captación aplicando técnicas geoestadísticas (interpolación mediante krigeado puntual ordinario (Isaaks y Srivastava, 1989, Samper Calvete; Carrera Ramírez, 1990; Goovaerts, 1997)). Por este procedimiento, para cada unidad espacial o polígono en que se subdivide la planta urbana de la ciudad (cada polígono corresponde a una unidad catastral) se genera un conjunto numéricamente variable de datos de concentración que se asume responde a una

4 distribución normal y del que se extrae la media aritmética, el desvío estándar, el valor mínimo y el máximo, datos que son utilizados luego al aplicar MCMS. Figura 1. Distribución de valores de concentración de nitratos en aguas generada por MCMS, señalándose una de las iteraciones aleatoria donde se aplicó la función inversa. El punto central de la metodología para estimar el riesgo en agua de la que se hace uso consuntivo es, entonces, reemplazar cada término de la ecuación 2 por una función inversa que extraiga un valor aleatorio estimado a partir de una distribución probabilística que se asumen responden a una distribución teórica de P (normal, en este caso) y definida por parámetros estadísticos (media, desvío estándar, mínimo y máximo). Para las concentraciones se usa, como se dijo, los valores interpolados. Para la tasa de ingesta y el peso corporal, se usan valores obtenidos de estudios específicos (USEPA, 2002). A partir de aplicar 5000 veces la función inversa antes mencionada con MCMS para cada variable del modelo, se calcula el riesgo para cada una de esas iteraciones, obteniendo una distribución probabilística de valores estimados de riesgo que representa, en cuanto a incertidumbre y variabilidad, a la distribución teórica de los valores medidos de las variables insumos del modelo analítico. Este procedimiento se aplica a cada unidad espacial, por lo que se obtiene como resultado final un mapa poligonizado de valores de riesgo probabilístico el que luego se representa con un Sistema de Información Geográficos. Descripción del procedimiento para la estimación de MCMS con Excel Se ha utilizado el Excel como plataforma de cálculo para realizar MCMS. Una función que genera valores inversos según valores de P aleatorios a partir de una distribución normal de media aritmética y desvío estándar conocido es: =DISTR.NORM.INV((ALEATORIO(), MEDIA, DESVIO ST) La función ALEATORIO() genera números aleatorios entre 0 y 1, por lo que es útil para producir cada iteración asumiendo que representa un nivel de P. La función inversa, como se dijo, va a extraer un valor aleatorio de una distribución normal definida por una media y un desvío estándar. Sin embargo, esta función anidada no asume ningún tipo de restricción respecto de los valores que pudieran surgir en las colas de la distribución, por ejemplo, al establecer los valores mínimo y máximo entre los que deben caer los valores aleatorios estimados por MCMS. Para lograr esa capacidad de regular las colas de la distribución, se deben anidar

5 otras funciones de Excel que fijen los valores mínimo y máximo de P acumulada, rango dentro del cual puede iterar MCMS. En principio, se requiere una función que genere números aleatorios dentro de un rango establecido. La función de EXCEL que lo realiza es ALEATORIO.ENTRE (INFERIOR,SUPERIOR), siendo INFERIOR el menor valor entero que la función puede generar, y SUPERIOR, el mayor. Se remarca valor entero pues, como se verá más adelante, se debe forzar esta función a generar números compatibles con valores de P. La estimación tanto del mínimo como del máximo valor de P acumulada del rango que usara MCMS se calcula a partir de la siguiente función de Excel: =DISTR.NORM(X, PROMEDIO, DESVESTP, VALOR-LOGICO) donde X = valor límite establecido PROMEDIO = media aritmética del lote de datos medidos DESVESTP = desvío estándar del lote de datos medidos y VALOR-LOGICO = verdadero para el caso (como el que se presenta) donde se quiere usar una distribución acumulada. En esta función, X puede ser reemplazado por los valores mínimo (función MIN de Excel) y máximo (función MAX) del conjunto de valores medidos. Debido a que los valores que genera la función DISTR.NORM son P, los mismos respetarán el rango 0 1, lo cual es incompatible con la función ALEATORIO.ENTRE que, como se dijo, obtiene como resultados únicamente valores enteros. La manera de forzar que el resultado de la función DISTR.NORM sean números enteros es multiplicando el valor obtenido por 100. Finalmente, dividiendo por 100 la función ALEATORIO.ENTRE se vuelve a contar con un rango 0 1. Entonces, la función completa para realizar MCMS regulando las colas de la distribución es: =DISTR.NORM.INV(ALEATORIO.ENTRE(DISTR.NORM(MIN,PROMEDIO, DESVESTP,VERDADERO)*100,DISTR.NORM(MAX, PROMEDIO, DESVESTP,VERDADERO)*100)/100, PROMEDIO,DESVESTP) Esta función anidada, como se dijo, se aplicó 5000 veces a cada término de las ecuaciones 1 y 2 con lo que se generó una distribución de esa cantidad de valores aleatorios de riesgo, donde cada uno de ellos representa la estimación según un escenario de exposición particular. De esa distribución luego se extrajeron estadísticos representativos (el percentil 95, el valor máximo, el valor mínimo, la media aritmética, el desvío estándar). Descripción de la aplicación Se ha desarrollado una aplicación en Excel que automatiza MCMS. La misma consiste en una hoja de cálculo con macros internas ligadas a botones. Los puntos salientes de la misma son: Solapa de selección de la sustancia peligrosa y de carga de archivo de concentraciones medidas (ver Figura 2) en agua de bebida. En esta sección del menú de opciones existe un control de tipo cuadro combinado lista con una barra de desplazamiento, lo que permite al usuario recorrer un listado de

6 sustancias y elegir la correcta. Además, se presenta el botón que ejecuta una macro que abre un menú para la selección de archivos, copia su contenido y lo pega dentro de la hoja de cálculo. La información sobre las concentraciones medidas se encuentra referenciada por polígono y constan de los estadísticos necesarios para la función iterativa al aplicar MC: media aritmética, desvío estándar, valor mínimo y valor máximo (Figura 3). Figura 2: solapa para la selección de la sustancia peligrosa y para abrir el archivo con las concentraciones medidas. Sendas solapas para el seteo de la información sobre la Tasa de Ingesta (ver Figura 4) y el Peso del individuo expuesto. Ambas constan de controles de tipo cuadro combinado para seleccionar los valores determinantes para MCMS. Una vez establecidos los valores para todos los parámetros intervinientes en el procedimiento, se lanza el cálculo iterativo de MCMS secuencialmente, es decir, aplicándose polígono por polígono, a partir de un bucle en VBA. Operativamente, la aplicación realiza el cálculo probabilístico por polígono en tres pasos secuenciales: 1. Obtención de un valor probabílistico de concentración por sustancia para cada polígono (Figura 5), datos que se obtienen a partir de las concentraciones medidas. 2. Uso del valor de concentración obtenido y las funciones correspondientes a la Tasa de Ingesta, al Peso Corporal y al RfD para estimar el riesgo por polígono aplicando las ecuaciones 1 y 2, aleatorizadas sobre iteraciones del MCMS (Figura 6). 3. Sobre las distribuciones obtenidas, cálculo del 95 percentilo y otros estadísticos de la distribución para representar el riesgo para cada polígono (Figura 7), copiando y pegando en una hoja de resultados. Una vez calculado el riesgo para un polígono, el bucle lleva nuevamente a los datos medidos, y avanza al polígono siguiente automáticamente.

7 Figura 3. Ventana del Excel mostrando los datos insumos para aplicar MC Figura 4: solapa para la selección de la Tasa de Ingesta del individuo expuesto. CONCLUSIONES: El software Excel brinda un medio de cálculo basado en funciones diseñadas por el usuario que, automatizadas, puede constituirse fácilmente en el soporte analítico para la ejecución de MCMS y brindar los resultados tal como los requiere el SIG como insumo para proceder a su mapeo. Esta aplicación, sustentada en un poderoso lenguaje de programación (VBA), permite apreciar que la planilla de cálculo más popular Excel posee las capacidades operativas para realizar estos complejos procedimientos sin necesidad de recurrir a software (como el Crystal Ball - Decisioneering, Palisade Corporation, ) que,

8 si bien son específicos, son onerosos y tal vez prohibitivos para un ámbito de gestión municipal. Se considera que esta aplicación es una herramienta genuina de estimación de los efectos potenciales de las sustancias presentes en el medio hídrico. Esto representa un aporte a la gestión local de los recursos naturales mejorando la calidad de la información ambiental y desarrollando una tecnología que permite el tratamiento de la misma con costos accesibles a las municipalidades. Figura 5. Ventana del Excel mostrando los resultados de la función anidada para las primeras 29 iteraciones del proceso de cálculo probabilístico del riesgo mediante MCMS. Figura 6. Función para el cálculo del riesgo en la hoja de cálculo aplicado a las primera 29 iteraciones de MCMS.

9 Figura 7. Ventana del Excel mostrando los resultados, es decir, los estadísticos que definen el nivel del riesgo probabilístico por polígono. REFERENCIAS: Barnes D., Reference Dose (rfd): description and use in health risk assessment. Regulatory Toxicology and Pharmacology 8: CRARM, Risk assessment and risk management in regulatory decision-making. Presidential /Congressional Commission on Risk Assessment and Risk Management, U.S.A. Final Report. Volume p. Decisioneering, Crystal Ball 7.0 software. Goovaerts P., Geoestatistics for Natural Resources Evaluation. Applied Geoestatistics Series. Oxford University Press, Inc. 483 p. Gray, N., Gudiño, M., Metodología para organizar un Sistema de Información Ambiental. La experiencia del CIFOT. Revista Interamericana de Planificación. Vol. XXVI. Nº 103. San Antonio, Texas Hammond J. S., Hoffman F. O., Bartell S. M., An Introductory Guide to Uncertainty Analysis in Environmental and Health Risk Assessment. Oak Ridge National Laboratory, U.S. Department of Energy. ES/ER/TM-35/R1 Hay Wilson L., A Spatial Environmental Risk Assessment Methodology for Risk-Based Decisión Making at Large, Complex Facilities. PhD dissertation. The University of Texas at Austin, U.S.A. 417 p. Isaaks E., Srivastava M., An Introduction to Applied Geostatistics. Oxford University Press, Inc. 561 p. Lyons K., Definition of Contaminant in Risk-Based Corrective Action. Accesible en Internet en la Homepage of the U.S. EPA, Office of Underground Storage Tanks. En swerust1/rbdm/definitn.htm Microsoft Corporation, Microsoft Office Excel NRC, Science and Judgement in Risk Assessment. National Research Council. National Academic Press, Washington DC., 672 p. Palisade Corporation, 4.5 software. Peluso F., Gonzalez Castelain J., Usunoff E., Simple Methodology for Assessing Groundwater - Related Environmental Risk In Salliqueló Town, Argentina. Journal of Environmental Hydrology, Paper 5, vol. 9. Peluso F., Usunoff E., González Castelain J., 2003a. Metodología de análisis del riesgo de los recursos hídricos usados con fines recreativos. Caso del Arroyo del Azul, Argentina. Cuadernos del CURIHAM, vol. 9 (1): 1 7, Peluso F., Usunoff E., González Castelain J., 2003b. El Análisis de Riesgo a la Salud como Monitor de la Calidad de los Recursos Hídricos Usados con Fines Consuntivos. Memorias del I Seminario Hispano-Latinoamericano Sobre Temas Actuales de la Hidrología Subterránea, Tomo 2:

10 Peluso F., Usunoff E., González Castelain J., 2003c. Análisis de Riesgo Espacial a la Salud por Fluoruro y Nitrato en el Agua de Bebida de la Ciudad de Azul, Argentina. Cuadernos del CURIHAM vol. 9 (2): Samper Calvete F., Carrera Ramirez J., Geoestadística. Aplicación a la Hidrología Subterránea. Centro Internacional de Métodos Numéricos en Ingeniería. Universidad Politécnica de Catalunya, España. 484 p. USEPA, Risk Assessment Guidance for Superfund Volume 1: Human Health Evaluation Manual. EPA/540/1-89/002. Washington D.C., USA. USEPA, Guidelines for Exposure Assessment. Environmental Protection Agency. Fed. Reg. 57: Washington D.C., USA. USEPA, Risk Assessment: Technical Guidance Manual. Use of Monte Carlo Simulation in Risk Assessments. Hazardous Waste Management Division, Office of Superfund Programs. Philadelphia. EPA 903-F USEPA, Process for Conducting Probabilistic Risk Assessment. Environmental Protection Agency, Draft, en USEPA, Child-Specific Exposure Factors Handbook (Interim Report) (EPA-600-P B), en