Santiago Melendi, Marilina Santero, Carolina Prado, Rosana Poggio, Natalia Elorriaga, Laura Gutierrez, Pablo Gulayin and Vilma Irazola.

Evidencia científica sugiere que la presión arterial (PA) podría variar según patrones climáticos.

Un aumento en la PA durante el invierno ha sido demostrado; sin embargo esta hipótesis no ha sido explorada aún en población general del cono sur de América Latina.

Examinar el efecto de la temperatura media ambiente en los valores de presión arterial sistólica y diastólica en población general de 4 ciudades de Argentina, Chile y Uruguay.

El estudio CESCAS I https://estudiocescas.iecs.org.ar/en/ reclutó 7524 mujeres y hombres, de entre 35 y 74 años por un muestreo randomizado en Marcos Paz y Bariloche (Argentina), Temuco (Chile), y Canelones (Uruguay) entre Febrero 2010 y Diciembre 2011.

La PA junto a otras mediciones a nivel individual, variables demográficas y de salud fueron evaluadas utilizando instrumentos validados.

El NASA Langley Research Center (LaRC) POWER Project https://power.larc.nasa.gov/ ofrece de manera gratuita bases de datos meteorológicas.

Datos de la temperatura diaria promedio para las 4 ciudades del estudio fueron obtenidas y la temperatura promedio del día en que el participante se tomó la PA fue utilizada en el análisis.

Pasos: 1. Merging datasets 2. Fitting linear regression models (5° temp y Verano -vs- Invierno)

-"NASA POWER API Client”https://cran.r-project.org/package=nasapower

-package “survey”

-package “ggplot2”

-package “dplyr”

• CEI Argentina, Chile, Uruguay, EEUU.

• Consentimiento informado

#Creating Numeric Variable for 5?C increases in temperature
cescas$Temp5C <- cut(cescas$T2M, seq(-10, 40, 5))
levels(cescas$Temp5C)
cescas$Temp5C <- recode(cescas$Temp5C, "(-10,-5]"=1, 
"(-5,0]"=2,   "(0,5]"=3,  "(5,10]"=4,   "(10,15]"=5,
"(15,20]"=6,  "(20,25]"=7,  "(25,30]"=8,  "(30,35]"=9,  "(35,40]"=10 )

#Aggregate Low an dmoderate CV Risk (0=Low and Modearte, 2=High)
cescas$fram_risk_c <- recode(cescas$fram_risk, '1'=0, '0'=0, '2'=2)

#Creating Seasonality Variable Summer=0 Winter=1
cescas$winter <- NA
cescas$winter[cescas$month=="12"|cescas$month=="01"|cescas$month=="02"] <- 0
cescas$winter[cescas$month=="06"|cescas$month=="07"|cescas$month=="08"] <- 1

cescas$winter <- factor(cescas$winter,
                    levels = c("0","1"),
                    labels = c("Summer", "Winter"))

#Creating Season Variable Summer=1 Fall=2 Winter=3 Spring=4
cescas$season <- NA
cescas$season[cescas$month=="12"|cescas$month=="01"|cescas$month=="02"]<-1
cescas$season[cescas$month=="03"|cescas$month=="04"|cescas$month=="05"]<-2
cescas$season[cescas$month=="06"|cescas$month=="07"|cescas$month=="08"]<-3
cescas$season[cescas$month=="09"|cescas$month=="10"|cescas$month=="11"]<-4

cescas$season <- factor(cescas$season,
                        levels = c("1","2","3","4"),
                        labels = c("Summer", "Fall", "Winter", "Spring"))

#####  Survey complex design #####
cescassvy <- svydesign(id=~subjid, weights=~ponderador, strata=~str, data=cescas)

#95%CI for Overall Weighted Mean BP
svyttest(mu_sbp~0, cescassvy, na.rm=T)
svyttest(mu_dbp~0, cescassvy, na.rm=T)

#Weighted Mean BP by Season
table1<-as.matrix(svyby(~mu_sbp+mu_dbp,~season,design=cescassvy,svymean,ci=T, level=0.95, na.rm=T))

#Weighted Mean BP for Summer and Winter
svyby(~mu_sbp+mu_dbp,~winter,design=cescassvy,svymean,ci=T,level=0.95,na.rm=T)

svyttest(mu_sbp~winter, cescassvy)
svyttest(mu_dbp~winter, cescassvy)

# Scatterplot for Mean Temp - SBP
ggplot(cescas, aes(x=T2M, y=mu_sbp)) + 
  geom_point(aes(col=sitio)) + 
  geom_smooth(method="lm", se=T) + 
  labs(caption= "Pearson's r = -0.065 [95% CI: -0.088;-0.043, p=<0.001]",
       x="Average daily outdoor temperature (?C)", 
       y="Systolic blood pressure (mmHg)")+
  theme(legend.position = "none", 
        axis.title = element_text(size=18),
        plot.caption = element_text(size=18, hjust=1, vjust=22))

• Por cada 5°C de aumento en la temperatura media, en promedio se reduce la PAS en 0.64 mmHg (95% CI: -0.94; -0.35) y la PAD en 1.03 mmHg (95% CI: -1.22; -0.84).

Relación entre temperatura (°C) y PAS (A & B) y PAD (C & D) en 4 ciudades del cono Sur de LA (2010-2012).

• En invierno la PAS fue en promedio 3.66 mmHg más alta que en verano y la PAD aumentó 1.55 mmHg.

• Sin embargo, existe variabilidad entre las ciudades. En Marcos Paz y Canelones durante el invierno la PAS aumenta en promedio más de 6 mmHg, mientras que en Bariloche no se observan diferencias entre las estaciones tanto para PAS como PAD.

• El efecto del invierno sobre la PA fue más marcado en PAS que en PAD y más acentuado en adultos mayores, alto riesgo cardiovascular, y personas con historia de hipertensión o diabetes.

• La PA se asocia con la temperatura ambiente en 3 ciudades estudiadas (Temuco, Marcos Paz, y Canelones).

• La PA es mayor durante invierno, lo cual debería ser considerado en la práctica clínica y en la toma de decisiones. Curiosamente, la asociación no se observa en Bariloche, posiblemente porque a pesar de existir las estaciones, las temperaturas son menores durante todo el año comparadas con las otras ciudades.

• A través del software R, se pudo realizar el análisis estadístico y representaciones gráficas en forma relativamente sencilla. Destaca la flexibilidad y la diversidad de funciones.

• Con R y RStudio tenemos una infinidad de posibilidades, tanto analíticas como visuales para trabajar con los datos de una investigación en salud.

         ,;;;,   ,;;;,
          ;;;;;;;,;;;;;;;
 .:::.   .::::;;;;;;;;;;;
:::::::.:::::::;;;;;;;;;'
:::::::::::::::;;;;;;;'
':::::::::::::';;;;;'
  ':::::::::'   ';'
    ':::::'
      ':'
      
                 

Muchas muuuchas Gracias!!

msantero@iecs.org.ar @SanteroMarilina