Definiendo Perfiles de Exposición Laboral a Contaminantes Ambientales: Un Proceso de 8 Pasos

Riesgos Ocupacionales

PERFIL DE EXPOSICIÓN LABORAL:  UN PROCESO DE OCHO PASOS

Estadísticamente hablando, siempre es posible tomar una decisión equivocada no importando cuán confiable sean los elementos obtenidos como base. Sin embargo, la cuantificación del nivel de confianza a través del empleo de una estrategia de muestreo aleatorio, maximiza las probabilidades de tomar la decisión correcta. Con la disponibilidad de computadoras y aplicaciones de software estadístico, gran parte del trabajo estadístico es automatizado, haciendo más fácil emplear una estrategia de monitoreo aleatorio. Varios términos estadísticos y consideraciones deben ser comprendidos cuando usamos este enfoque. Éstos son descritos en el siguiente proceso de ocho pasos para definir el perfil de exposición.

Paso 1: Identificar el GES a perfilar

                El factor clave en la definición de los GES es seleccionar el grupo de exposición para minimizar la variabilidad entre las muestras tomadas dentro de ese GES; de otra manera, los intervalos de confianza resultantes (calculados a partir de la media y la varianza) serán demasiado anchos para ser útiles. Un GES puede estar constituido por un solo trabajador que realiza una sola tarea; sin embargo, a menudo es poco práctico realizar un muestreo aleatorio para cada trabajador. Un enfoque más práctico es incluir múltiples empleados que tienen similar exposición por la afinidad de sus deberes y responsabilidades en la organización. Por ejemplo, los empleados asignados para operar carretillas elevadoras en un almacén pueden agruparse por presentar exposiciones similares a monóxido de carbono. Si se identifican múltiples GES (como ocurre en la mayoría de instalaciones de procesos) uno debe establecer un método para clasificar las necesidades de recolección de datos (o muestras). El documento “Estrategia para Evaluar y Gestionar las Exposiciones Ocupacionales” de AIHA, provee tal método de estudio, basado en la toxicidad de los materiales peligrosos, las condiciones ambientales del lugar de trabajo y su influencia en la exposición, así como las prácticas de trabajo individuales que puedan influir en las exposiciones.

Paso 2: Seleccionar aleatoriamente trabajadores y períodos de exposición dentro del GES a perfilar

Un muestreo aleatorio es aquella en la que la elección de los trabajadores a muestrear, así como los períodos de monitoreo a elegir, tiene igual probabilidad de ser seleccionados. Es importante recolectar las muestras lo más aleatoriamente posible; de otra manera, las estadísticas resultantes estarán sesgadas. Una selección aleatoria de números en una hoja de cálculo (como Microsoft Excel) es una herramienta útil en este proceso. Otra consideración es el número de muestras que deben ser recolectadas de manera que sean las mínimas suficientes para construir un perfil de exposición. La respuesta depende de varios factores, incluyendo la variabilidad de la muestra. Sin embargo, AIHA recomienda que se tomen de 6 a 10 muestras para tener un perfil de exposición de referencia.

Paso 3: Tomar las muestras en la zona respiratoria a los trabajadores seleccionados en períodos de tiempo aleatorios

Las muestras tomadas en la zona respiratoria deben ser recogidas cerca de la nariz y boca del trabajador. La zona respiratoria puede visualizarse como hemisferio (generalmente de 0,3 m. de radio) que se extiende delante de la cara de la persona, centrado en el punto medio de la línea que une las orejas. La base del hemisferio es el plano que pasa por esta línea, la parte más superior de la cabeza y la laringe. Los técnicos de higiene industrial deben comprender la naturaleza del trabajo o proceso en que el agente químico (a ser medido) es usado o generado, así como los fundamentos de los métodos y técnicas de monitoreo en campo.

La tríada exigible para asegurar un buen procedimiento de monitoreo de higiene ocupacional, es la siguiente: 1. Metodologías de monitoreo certificadas; 2. Equipos de monitoreo calibrados y certificados; 3. Técnicos de monitoreo certificados.

Aunque la capacitación formal y/o capacitación práctica sobre técnicas de monitoreo de exposición y métodos analíticos son útiles, la mecánica de la toma de muestras de aire personal puede ser aprendido en forma autodidacta por el técnico de higiene ocupacional. Varias fuentes de información son útiles para identificar la metodología analítica y de muestreo correctas, así como el equipo necesario para realizar las mediciones. Por ejemplo, podemos citar el Manual Técnico de OSHA y el Manual de Métodos Analíticos de NIOSH. Un laboratorio certificado también puede proporcionar orientación e instrucciones para las labores de monitoreo. Y las posibilidades técnicas del laboratorio debe también ser tomado en cuenta al momento de elegir la metodología de monitoreo en campo.

Paso 4: Calcular la Estadística Descriptiva del conjunto de datos

La estadística descriptiva incluye la media, mediana, el porcentaje de la población que supera el límite de exposición ocupacional (TLV), el rango y la desviación estándar que caracteriza la distribución de la muestra, como la tendencia central y la variabilidad de los datos. La media y la mediana son usados para medir la tendencia central de los datos, mientras que el rango y la desviación estándar son medidas de la variabilidad de los mismos. Al mirar los datos desde varias perspectivas, se pueden descubrir interpretaciones y patrones de tendencia que no es posible apreciar observando datos individuales. Muchos conjuntos de datos pueden ser interpretados simplemente por comparación del TLV con las estadísticas descriptivas. Cuando la mayoría de los datos de muestras están agrupados muy por encima o muy por debajo del TLV, generalmente se puede tomar una decisión sobre la aceptabilidad de la exposición mediante el uso estadísticas descriptivas.

La media geométrica (GM) y la desviación geométrica (GSD) son estadísticas descriptivas usadas para estimar parámetros de una distribución lognormal (Ver el paso 5). La media geométrica, GM, es el antilogaritmo de la media aritmética de los valores logtransformados.  Es el valor por debajo y por encima del cual se encuentra el 50% de los elementos en la población (es decir, la mediana de la población). La GSD es el antilogaritmo de la desviación estándar de los valores logtransformados. No tiene unidades y refleja la variabilidad en la población alrededor de GM; por lo tanto, los intervalos de confianza tendrán una mayor difusión a medida que aumenta la GSD.

Paso 5: Determinar si los datos se ajustan a una distribución normal y/o lognormal

Los límites superior e inferior de confianza (UCL y LCL, respectivamente) y los límites de tolerancia superior (UTL) se calculan en función de saber (o suponer) una cierta distribución subyacente del conjunto de datos. El tipo de distribución (es decir, normal o lognormal) generará diferentes intervalos de confianza y límites de tolerancia. Una variable aleatoria se considera normalmente distribuida si su distribución (como se representa en un histograma) se parece a una curva en forma de campana (imagen lateral izquierda, superior).

Sin embargo, los datos de muestreo de higiene industrial a menudo están “sesgados a la derecha” (imagen lateral izquierda, inferior) ya que los valores de exposición ocupacional tienen un límite inferior (es decir, el valor de exposición medido no puede ser menor que cero). Tomando el logaritmo de la variable a menudo se corrige tal sesgo. En tales casos, la distribución se considera lognormalmente distribuida -o lognormal- si el logaritmo de la variable se distribuye normalmente. La distribución lognormal a menudo se aplica a las exposiciones ocupacionales, aunque la presunción de lognormalidad muy pocas veces se verifica.  Si los datos no siguen una distribución normal o lognormal, los datos puede que no representen a un solo GES. En tales casos, los datos tienen que ser divididos en dos o más GES y analizados separadamente.

Si el tamaño de la muestra es grande y por tanto contiene muchos valores, los datos pueden visualizarse mediante la creación de un histograma (es decir, graficando la frecuencia de los elementos según intervalos específicos). Sin embargo, la data de muestreo en higiene industrial frecuentemente consiste de un pequeño conjunto de datos menores de 10 muestras debido al costo u otras restricciones. Una forma de determinar cualitativamente si una distribución determinada sigue una distribución normal o lognormal para muestras pequeñas es trazar la data en una hoja de papel probabilístico. Si la data graficada en una hoja de papel probabilístico lognormal es una recta, se sugiere que la muestra sigue una distribución lognormal. Igualmente, si la data graficada en una hoja de papel probabilístico normal es una recta, se sugiere que la muestra sigue una distribución normal.

Una de las principales ventajas de los gráficos de probabilidad es la cantidad de información que se puede mostrar de forma compacta; no obstante, implica subjetividad para decidir qué tan bien se ajusta los datos al modelo, ya que la gráfica de probabilidad se basa en si los datos graficados forman una línea recta. La identificación de grandes desviaciones de la linealidad se basa en la visualización subjetiva de la gráfica de probabilidad. El papel de probabilidad está disponible para varios tipos de distribución de muestras y sus procedimientos de graficado están descritos en Apéndice Técnico I del Manual de Estrategias de Muestreo de la Exposición Ocupacional (Leidel, et al, 97-105).  Si se dispone de un programa estadístico, se debe utilizar un enfoque más cuantitativo para evaluar la bondad de ajuste de la distribución. Si se sugiere una distribución tanto lognormal como normal, los límites de confianza y el límite superior de tolerancia deben ser calcularse asumiendo una distribución lognormal.

Paso 6: Calcular la Media Aritmética Estimada, UCL y LCL de la media aritmética, el percentil 95 y UTL para el conjunto de datos

·         Media Aritmética Estimada: Para una distribución normal, la media aritmética estimada es la misma que la media de la muestra. Sin embargo, si la data tiene una distribución lognormal, existen varios métodos disponibles para estimar la media aritmética y para calcular los límites de confianza. La media de la muestra y los límites de confianza de la distribución “t” (tabla 2) tiene la ventaja de ser fácilmente calculados, aunque pueden tener una mayor variabilidad que otras estimaciones. Otros métodos preferidos para estimar la media aritmética y el cálculo de los límites de confianza se describen en “Estrategia para Evaluar y Gestionar las Exposiciones Ocupacionales” de AIHA. Sin embargo, estimar la media aritmética y calcular los límites de confianza utilizando tales métodos preferidos es difícil sin el uso de una computadora y/o software especializado.

·         UCL_1.95% y LCL_1.95% de la media aritmética: Cuando evaluamos tóxicos que producen enfermedades crónicas se debe examinar la exposición media. Sin embargo, para evaluar exposiciones agudas (a corto plazo), debe examinarse la UTL del percentil 95%. La UCL_1.95% es el valor superior de un lado con un nivel de confianza del 95%. Del mismo modo, el LCL_1.95% es el valor más bajo de un lado a un nivel de 95%. Si el UCL_1.95% está debajo del TLV, entonces hay una certeza del 95% de confianza de que la exposición promedio está debajo del TLV, es decir, hay un riesgo controlado.

Desde una perspectiva de cumplimiento, la carga de la prueba recae en el inspector de trabajo de SUNAFIL para demostrar que el trabajador estuvo sobreexpuesto con al menos un 95% de nivel de confianza. Por lo tanto, un inspector de trabajo de SUNAFIL debe demostrar que el LCL_1.95% excede el límite permisible o TLV, u otros límites establecidos en la legislación nacional y que sean de aplicación específica a la industria o sector en cuestión. Si los datos tienen una distribución lognormal, existen diferentes métodos disponibles para calcular los límites de confianza para la media aritmética. La media muestral y los límites de confianza de la distribución t, tienen la ventaja de ser fáciles de calcular, pero pueden ser más variables que otras estimaciones.

·         Percentil 95: El percentil 95 es el valor en el que se incluirá el 95% de la población. Por ejemplo, la mediana es el percentil 50.

·         UTL_{95%, 95%:} El UTL del percentil 95 se usa generalmente para examinar exposiciones agudas (a corto plazo), por ejemplo, contaminantes de rápida acción tóxica. Para una distribución lognormal, el UTL_95%,95%, se calcula utilizando la siguiente ecuación: UTL_95%,95% = e^(Ῡ+Ks), donde Ῡ y s son la media y la desviación estándar, respectivamente, de los datos de la muestra logtransformados. K es un factor límites de tolerancia que se obtiene de una tabla normalizada dado el nivel de confianza, el percentil y el número de muestras.

Paso 7: Tomar una Decisión sobre la Aceptabilidad del Perfil de Exposición

En general, un UCL_1.95% que da como resultado un valor mayor que el TLV-TWA, o a largo plazo, sugiere que el perfil de exposición es inaceptable, mientras que un UCL_1.95% que da como resultado un valor por debajo del TLV-TWA sugiere que el perfil de exposición es aceptable. Para los productos químicos con efectos agudos (o a corto plazo), se debe examinar la UTL del percentil 95.

Sin embargo, si se calcula el UTL_95%,95% con pocos datos tiende a producir un amplio intervalo de tolerancia, lo que limita su utilidad. Un UTL_95%,95% que da como resultado un valor por debajo del nivel de exposición a corto plazo, TLV-STEL y TLV-Ceiling, sugiere que el perfil de exposición es aceptable, pero se necesitan muchas muestras para identificarlo como “aceptable”.

Paso 8: Ajustar el GES

Los resultados del perfil de exposición pueden indicar que el grupo de exposición necesita ser ajustado aún más. Por ejemplo, puede parecer que el muestreo para ciertos individuos produce exposiciones más altas. Para probar estadísticamente el significado de esta variación, se puede realizar un análisis de varianza, ANOVA. Un ANOVA es una prueba estadística inferencial que compara dos o más métodos para determinar si las medias son significativamente diferentes. Si los métodos son estadísticamente diferentes, el GES puede necesitar ajustarse aún más.