La optimización matemática como una herramienta para fortalecer la toma de

decisiones en pro del mejoramiento de la calidad del aire en el Valle de Aburrá

Juan Pablo Holguín Marín

Estudiante maestría en ingeniería analítica

Profesor
Francisco Javier Díaz Serna

Universidad Nacional de Colombia

Sede Medellín
Facultad de Minas
2022
 La contaminación atmosférica y su relación con la salud humana
El crecimiento poblacional acelerado en zonas urbanas, la mala planificación
territorial y el desarrollo de los modelos productivos de la actualidad, favorecen el
incremento de la cantidad de fuentes de contaminación del aire de origen antrópico,
especialmente el transporte motorizado y la industria, lo cual aumenta la exposición
de la población a contaminantes atmosféricos extradomiciliarios. El efecto de estos
sobre la salud es motivo de alerta y atención a nivel mundial, por lo que
organizaciones multilaterales expresan su preocupación por los efectos a corto y
largo plazo. Los hallazgos sobre el organismo son diversos, destacándose el
aumento en el riesgo de padecer enfermedades respiratorias agudas y crónicas,
cáncer de pulmón y enfermedades cardiovasculares (OMS, 2018) [1].
Múltiples investigaciones llevadas a cabo en conjunto entre el sector académico y
autoridades ambientales y sanitarias, han permitido conocer los incrementos en el
riesgo de enfermar y morir asociados a las exposiciones de corto y largo plazo a
distintos contaminantes del aire. También han permitido calcular la carga de
enfermedad atribuible a la contaminación a nivel local, así como los costos de dicha
carga y su distribución geográfica (Piñeros, 2021) [2]. Todas estas investigaciones
han revelado la complejidad del fenómeno epidemiológico asociado a este factor de
riesgo, además de las dificultades metodológicas y analíticas que impiden un
seguimiento adecuado de los eventos atmosféricos con respecto a sus efectos en la
salud de la población. Para llevar a cabo estas investigaciones fue necesario acudir
a diversas fuentes de información de morbimortalidad, contaminantes del aire,
condiciones medioambientales y geográficas del territorio, entre muchas otras, lo
cual se traduce en una labor constante de recolección y almacenamiento de un gran
volumen datos.
Actualmente, dicha labor se ve representada en un lago de datos extenso y con
tendencia a seguir creciendo dado el interés de los entes territoriales y el sector
educativo de ahondar en la problemática. Sin embargo, al no existir una arquitectura
de la información (AI) que facilite la integración de bases de datos, investigaciones,
resultados y estudios sobre la misma problemática, se incurre en redundar en
información y conocimiento ya existente, lo cual imposibilita realizar un análisis de
los efectos de los eventos atmosféricos en la salud humana de manera oportuna y
pertinente, ni medir el impacto de las acciones que toman las autoridades
ambientales para su mitigación.
La arquitectura de la información (AI) se define como una estructura de
componentes, sus interrelaciones y los principios y lineamientos que rigen su diseño
y evolución en el tiempo. La función de una AI es formalizar los objetivos que
requiere una organización dentro de un contexto estructurado y utilizar esta
formalización para vincular mejor las decisiones (Duarte, Luís, & Nuno, 2021; Bader,
Ellen, & Steve, 2021; Elena & Judith, 2020; Nina, Binariswanto, & Nilo, 2019;
Philippe & Gilbert, 2014) [6].
Dado lo anterior, se evidencia la necesidad de contar con un proceso de integración
de datos que facilite su gestión y acceso, por lo cual, se hace necesario el diseño y
desarrollo de un metamodelo que fortalezca esta integración y favorezca la
realización de consultas multidimensionales soportado por soluciones tecnológicas
para llevar a cabo los distintos análisis estadísticos. Una vez se cuente con este
metamodelo en una etapa operativa, la oportunidad de la información aumentará
notablemente, ampliando el abanico de análisis y métodos, sin embargo, no se
debería incurrir en querer realizar todos los análisis posibles, bivariados,
multivariados, etc, ya que se estaría cayendo hacía un error peor, el cual es la
saturación de conocimiento irrelevante.
Es por lo anterior, que se plantean las siguientes preguntas: ¿Puede la optimización
matemática facilitar el desarrollo de procesos analíticos para determinar la
asociación entre la contaminación del aire y los efectos en la salud humana?, y
además ¿Puede esta optimización ayudar a direccionar las medidas a implementar
por las autoridades ambientales y sanitarias en un territorio?

La optimización matemática en pro de la calidad del aire

Sin lugar a dudas, la optimización matemática, comprendiéndola como una
herramienta para la selección de la mejor solución entre distintas posibles, jugaría
un papel relevante dentro de esta problemática desde diversas etapas.
Inicialmente, en una etapa de gestión de datos, con respecto a los registros de las
atenciones en salud que deben ser solicitados a las autoridades territoriales
sanitarias, que a su vez se encargan de consolidar los reportes enviados por cada
unidad primaria generadora del dato, la optimización matemática facilitaría la
identificación de los mejores flujos de datos posibles desde las fuentes primarias
hasta su destino final en el lago de datos, comparando los recursos en cada flujo y
el beneficio que este traería a un sistema de información en términos de oportunidad
y eficacia. Por otro lado, con respecto a los datos de origen publico
correspondientes a concentraciones de los contaminantes atmosféricos y variables
meteorológicas, ayudaría a determinar el método de descarga y almacenamiento de
nuevos registros más óptimo para evitar reprocesos en cuanto a la estructuración y
validación de la calidad de los datos que van ingresando, lo cual empezaría a
asentar las bases para la recolección sistemática de datos en un sistema de
información.
En una segunda etapa de integración de datos, nos permitiría identificar cuáles son
las mejores relaciones a implementar entre miles de posibilidades para lograr
acceder a los datos de una forma rápida y oportuna, teniendo en cuenta que para
determinar el efecto de la contaminación del aire en la salud humana se recurren a
millones de datos de atenciones en salud más los relacionados con las condiciones
medioambientales. De esta forma, se lograrían optimizar las consultas
multidimensionales reduciendo el tiempo de ejecución de las mismas y el uso de
componentes propios de los equipos de cómputo como su memoria RAM. A su vez,
facilitará la elección de la mejor arquitectura de información y de la solución
informática a desarrollar para ejecutar las bondades que brinda el metamodelo de
datos.
Posteriormente, se entraría en una etapa de análisis de los datos disponibles, en
donde la literatura y los métodos son infinitos, sin embargo, la elección de las
mejores técnicas determinará el provecho que pueda obtenerse de los mismos. En
una fase inicial de análisis estadísticos descriptivos no habría muchos
inconvenientes ya que en ocasiones la simplicidad de los mismos en su
presentación es más adecuada para poder llegar a todo tipo de público, sin
embargo, los métodos multivariados, predictivos, de clasificación, etc, requieren de
una especificidad y complejidad mayor. Es allí cuando nuevamente la optimización
matemática aportaría gran conocimiento para ayudar a determinar cuáles técnicas
ofrecen mejores bondades en cuanto ajuste de modelos, recursos implementados y
tiempos de ejecución y retorno de resultados, así como la interacción entre las
distintas técnicas, permitiendo complementarlas entre sí en lugar de suprimir
algunas.
En un caso puntual, en el desarrollo e implementación de los Modelos Aditivos
Generalizados (GAM), usados para determinar la correlación entre el contaminante
atmosférico en estudio y los efectos en la salud humana, medidos por medio de
atenciones en salud o defunciones según unos diagnósticos específicos, es
necesario ejecutar múltiples modelos en donde se van eliminando o adicionando en
distinto orden factores y/o covariables que influyen en el número de atenciones o
defunciones, lo cual redunda en un proceso manual y que implica mucho
conocimiento técnico por parte del investigador que esté corriendo los modelos, lo
cual evidencia una oportunidad de optimización que permita seleccionar los modelos
con un mejor ajuste entre una cantidad ilimitada de modelos posibles sin necesidad
de llevar a cabo una labor tan rudimentaria y sin disponer tanta responsabilidad en
unas pocas personas.
Finalmente, los resultados de los procesos analíticos deben ser dispuestos a las
autoridades ambientales y sanitarias para que sean ellos quienes tomen las
acciones preventivas o correctivas que ayuden a mitigar los efectos de la
contaminación del aire en la salud de los habitantes de su territorio. Muchas de
estas medidas deberán ser comunicadas a la población general ya que de ellos
depende en gran parte que las mismas tengan el impacto esperado debido a su
proporción poblacional, por lo cual, las formas en las que se presenta el
conocimiento generado toman gran relevancia. Este conocimiento debe ser
presentado de forma clara y concreta a la comunidad general, y de manera más
técnica y específica a las autoridades ambientales y sanitarias, ya que las acciones
que deberán implementar cada uno son diferentes e impactarán diferencialmente en
la solución a la problemática.
Medir este impacto generado por la aplicación de las diferentes medidas preventivas
o correctivas es otro gran desafío para la optimización matemática, ya que los
métodos usados para evaluar el impacto de las mismas puede que no reflejen a
corto plazo una mejora en los efectos en la salud humana, teniendo en cuenta que
muchas de estas medidas están fuertemente asociadas a las costumbres, estilos de
vida, y peor aún, a modelos de desarrollo y crecimiento económico. Adicionalmente,
las soluciones y esfuerzos que deben realizarse abarcan diferentes sectores y
esferas de la sociedad. Comúnmente se podría pensar que es un problema
únicamente del sector automotor e industrial del territorio, sin embargo, no se
estaría contemplando un aspecto inevitable como lo es la topografía y la
estacionalidad climática, y otros un poco más flexibles como la cultura, en donde los
hábitos consumistas, e incluso de conducción, influyen negativamente y deben
comenzar a ser medidos y estudiados.
Es evidente que son múltiples las medidas que se pueden implementar desde los
diferentes sectores ya mencionados, por lo cual su cuantificación se hace un poco
compleja y su impacto conjunto/complementario aún más, pero es aquí donde la
optimización podría esclarecer una ruta para la priorización de las medidas a
implementar teniendo en cuenta su impacto y la proporción poblacional con la cual
se llevan a cabo, permitiendo finalmente, diseñar e implementar políticas públicas a
corto, mediano y largo plazo para la mitigación de los efectos en la salud asociados
a la contaminación atmosférica.
En conclusión, se puede observar claramente el papel que podría jugar la
optimización matemática en el mejoramiento de la toma de decisiones por parte de
las diferentes autoridades territoriales para el mejoramiento de la salud de su
población por factores medioambientales, evidenciando una disminución en la
complejidad de las tareas que se han realizado rutinaria y rudimentariamente a la
hora de desarrollar las diferentes investigaciones, y una oportunidad de perfeccionar
la selección y aplicación de medidas desde diferentes sectores en pro de la calidad
del aire.

Referencias

[1] Organización Mundial de la Salud. Contaminación del aire ambiente

(exterior). Consultado en Marzo de 2022. Disponible en:
https://www.who.int/es/news-room/fact-sheets/detail/ambient-(outdoor)-
air-quality-and-health
[2] Área Metropolitana del Valle de Aburrá. Plan Integreal para la Gestión de
la Calidad del Aire del Valle de Aburrá. 2019. Contaminación atmosférica
y sus efectos sobre la salud de los habitantes del valle de aburrá 2008-
2017 análisis de la exposición de corto y largo plazo. Segunda edición.
Medellín, Colombia.