SciELO - Scientific Electronic Library Online

 
vol.27 issue1Aluminum concentration in cooked beef stored in disposable aluminum traysComparative study with dry crude extracts of Ananas comosus L. Merril using LC50 and erythrocyte osmotic fragility as toxicity parameters author indexsubject indexarticles search
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

  • Have no cited articlesCited by SciELO

Related links

Share


Acta toxicológica argentina

On-line version ISSN 1851-3743

Acta toxicol. argent. vol.27 no.1 Ciudad Autónoma de Buenos Aires May 2019

 

ARTÍCULOS ORIGINALES

Evaluación de riesgo a la salud y contaminantes en agua de bebida. Importancia de la ingesta de agua

Evaluation of health risk and contaminants in drinking water. Importance of the water intake

 

Othax, Natalia1,2; Peluso, Fabio1,3; González Castelain, José1,4; Masson, Ignacio1,3; Dubny, Sabrina1,2

1Instituto de Hidrología de Llanuras “Dr. Eduardo Usunoff” (UNCPBA - CIC - Municipalidad de Azul), República de Italia 780 (B7300), Azul, Buenos Aires, Argentina. 2Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). 3Comisión de Investiga­ciones Científicas de la Provincia de Buenos Aires (CICPBA). 4Universidad Nacional del Centro de la Provincia de Buenos Aires.

Recibido: 24 de agosto de 2018
Aceptado: 09 de marzo de 2019


Resumen

Se evaluó la importancia del consumo diario de agua por ingesta en la evaluación de riesgo a la salud humana (ERS) de contaminantes presentes en agua subterránea de pozos domiciliarios en la ciudad de Azul, Argentina. El riesgo probabilístico acumulativo se calculó en base al modelo de la Agencia de Protección Ambiental de Estados Unidos (USEPA) para cuatro grupos de edad (5, 10, 15 años y adultos). Los resultados fueron comparados mediante la aplicación de un consumo diario de agua por ingesta estimado utilizado con frecuencia en la literatura frente a una cantidad ingerida local. De las seis variables usadas (Concentración de la sustancia peligrosa en el agua; Ingesta diaria de agua (I); Frecuencia de exposición; Duración de la exposición; Peso corporal del individuo expuesto; Factor de corrección para el tiempo promedio de exposición crónica), la Ifue la variable más influyente en el va­lor del riesgo presentando diferencias significativas entre los resultados derivados de ambos tipos de I. La diferencia más alta fue en los 5 años de edad, grupo que presentó un riesgo acumulado asociado con I local 98% más bajo respecto del riesgo calculado utilizando I basada en la literatura. La selección de la I tuvo un impacto significativo en los resultados del riesgo, lo que sugiere una cuidadosa elección de las variables de entrada al modelo de la evaluación del riesgo para evitar subestimaciones o sobreestimaciones.

Palabras clave: Riesgo sanitario; Sustancias inorgánicas; Sustancias fenólicas; Agua de bebida.

Abstract

We evaluated the importance of the daily consumption of water by ingestion on health risk assessment (HRA) from pollutants present in shallow groundwater from residential wells in the city of Azul, Argentina. The probabilistic cumulative risk was calculated based on the model of the United States Environmental Protection Agency (USEPA) for four age groups (5, 10, 15 years and adults). The results were compared by applying a daily consumption of water by estimated intake frequently used in the literature against a local ingested amount. From the six variables used (Concentration of the hazardous substance in water, Daily water intake (I), Frequency of exposure, Duration of exposure, Body weight of the exposed individual, Correction factor for the average time of chronic exposure), I was the most influential variable in the value of risk, presenting significant differences between the results de­rived from both types of I. The highest difference was in the 5 years of age, a group that presented an accumulated risk associated with local I 98% lower regarding the risk calculated using I based on the literature. The selection of I had a significant impact on risk outcomes, suggesting a careful choice of input variables to the risk assessment model to avoid underestimation or overestimation.

Keywords: Health risk; Inorganic substances; Phenolic substances; Drinking water.


Introducción

La evaluación de riesgos a la salud (ERS) es una herramienta de gestión que utiliza datos para estimar posibles efectos en la salud causados por la exposición con agentes físicos, químicos o biológicos dañinos en condiciones específi­cas de exposición (NRC 1994). El método de cuantificación aplicado con mayor frecuencia en la ERS es el enfoque determinístico (Schwab y col. 2005; Navoni y col. 2014). El modelo de ERS determinístico utiliza valores únicos para cada variable de entrada y obtiene un valor de riesgo único como resultado del modelo, sin ninguna indicación de la cantidad de incertidumbre o variación esperada alrededor de este valor. El enfoque probabilístico puede resolver este problema al proporcionar distribuciones de probabilidad de riesgo que tengan en cuen­ta tanto la incertidumbre como la variabilidad de los parámetros de entrada (Burmaster 1996; Thompson y Graham 1996; USEPA 2011). La ERS probabilística se ha aplicado con éxito para evaluar posibles efectos adversos para la salud de los contaminantes del agua (Hamidin y col. 2008; Chowdhury y col. 2009; Kavcar y col. 2009; Wu y col. 2011; Peluso y col. 2012 a, b; Peluso y col. 2016; Saha y col. 2017).

La decisión del investigador sobre qué valores de parámetros de exposición usar en el modelo ERS afecta la variabilidad, los niveles de incer tidumbre y podría inducir diferencias significa­tivas en los resultados. Por lo tanto, las fuentes de incertidumbre y variabilidad deben tenerse en cuenta durante el proceso de ERS (NRC 1994; USEPA 2011). La cantidad de agua inge­rida junto con otros parámetros del modelo de exposición (por ejemplo, concentración de la sustancia peligrosa, frecuencia y duración de la exposición, peso corporal del individuo expuesto) son tipos de variables de entrada utilizadas para calcular el riesgo en condiciones específi­cas por exposición a un agente potencialmente tóxico. El investigador que realiza la ERS debe definir estas "condiciones específicas" al ele­gir los valores de las variables de entrada para el cálculo de riesgo con el fin de minimizar el error. Estas fuentes de incertidumbre y variabi­lidad podrían estar asociadas a la edad del individuo expuesto, escenario de exposición (por ejemplo, la vía, la duración y la frecuencia de la exposición) y al tipo de tratamiento numérico dado a los parámetros (enfoque determinístico o probabilístico). Una vez que se aplica el mo­delo de riesgo, la variabilidad e incertidumbre de los parámetros de entrada se incluyen en la salida del modelo que muestra los resultados de la evaluación del riesgo.

La mayoría de las publicaciones sobre ERS en las que se utiliza el consumo de agua por inges­ta, se basan en valores de consumo de agua establecidos por USEPA (Ni y col. 2009; Kumar y Xagoraraki 2010; Wu y col. 2010; Legay y col. 2011; Wu y col. 2011; Amjad y col. 2013; Pen­tamwa y col. 2013; Kelepertzis 2014; ener y col. 2017; Singh y Kumar 2017, entre muchos otros). Sin embargo, las ERS en las cuales el consumo de agua por ingesta se basa en las condiciones locales son menos comunes (Ka­vcar y col. 2009; Phan y col. 2010; Jamaludin y col. 2013; Wongsasuluk y col. 2014).

El consumo de agua por ingesta suele ser el parámetro más influyente del análisis de riesgo, como se mencionó en un estudio anterior (Othax y col. 2014) y en otro más reciente (Fallahzadeh y col. 2018). Cuando no hay datos locales dis­ponibles sobre el consumo de agua, se utilizan referencias de otras fuentes, lo que aumenta la incertidumbre del valor de riesgo final debido a las condiciones experimentales potencialmente diferentes en las que se estimaron.

La ciudad de Azul, provincia de Buenos Aires tiene una superficie de 90,5 km2 (área urbana más periurbana). Si bien casi la totalidad de la planta urbana está cubierta por la red de agua potable, es frecuente la tenencia de pozos de agua para consumo humano en los domicilios.

Nuestra hipótesis es que la ingesta diaria de agua según la literatura (por ejemplo de USEPA) es mucho más alta que la ingesta local de po­zos domiciliarios para nuestra área de estudio y esta sobreestimación de la exposición humana a contaminantes del agua podría conducir a decisiones erróneas de gestión de recursos hídricos que afectan la salud pública.

El objetivo del presente estudio es corroborar esta hipótesis comparando los resultados de ERS basados en la ingesta de agua de la lite­ratura (USEPA 2002) con los basados en una ingesta de agua generada localmente obtenida con datos de una encuesta in-situ en la que se consideraron cuatro grupos de edades.

Material y métodos

Área de estudio

La cuenca del arroyo del Azul (6.000 km2) se en­cuentra en el centro de la provincia de Buenos Aires (36º 00´ / 37º 20´ S - 60º 12´ / 58º 52´ W). La ciudad de Azul, ubicada en la cuenca, es la ciudad cabecera del partido homónimo, cuenta con una población de 60.000 habitantes y es el área urbana más poblada de la cuenca. La ciudad tiene una amplia cobertura de agua po­table que es suministrada por la compañía de provisión de agua de la ciudad. Esta red alcanza el 98% de los hogares. Sin embargo, a pesar de la amplia cobertura de la red de agua, hay pozos domiciliarios de aguas poco profundos que se usan ocasionalmente para beber y para otros fines (por ejemplo, ducharse), aunque su uso está prohibido por ley. Mediante el uso de agua de pozo, las personas pueden estar expuestas directa o indirectamente a sustancias tóxicas (Figura 1).


Figura 1.
Ubicación del área de estudio y de los pozos domiciliarios. Ciudad de Azul, Argentina.

La estimación del riesgo se realizó en cuatro grupos de edad diferentes (5, 10 y 15 años y adultos, de 20 años en adelante) expuestos a varias sustancias peligrosas en el agua de pozo usada para beber. La dosis diaria promedio de exposición a las sustancias químicas se estimó probabilísticamente usando la Ecuación 1 del modelo cuantitativo de USEPA (1989, 1992).

Ecuación 1

Donde:

DDP = la dosis diaria promedio del contaminante debido a la ingesta de agua (mg/kg/día),

C = la concentración de la sustancia peligrosa en el agua (mg/L),

I = ingesta diaria de agua (L/día),

FE = la frecuencia de exposición (día/año),

DE = la duración de la exposición (año),

Pc = el peso corporal del individuo expuesto (kg),

FC = el factor de corrección para el tiempo promedio de exposición crónica (duración estadística de la vida humana: 30 años * 365 días).

Los valores de riesgo que representan los efectos no carcinogénicos de las sustancias peligrosas se calcularon utilizando el cociente de riesgo (CR) (USEPA 1989) (Ecuación 2), el cual implica la relación entre la dosis diaria promedio (DDP) y la dosis de referencia toxicológica (DRf) para cada sustancia química involucrada. Si CR es menor que 1.0, el riesgo para la salud no carcinogénico se asume no significativo (USEPA 1989).

Ecuación 2

Cada variable de entrada del modelo de DDP se define mediante una función de densidad de probabilidad (FDP). En consecuencia, el CR es también una FDP. Los parámetros estadísticos se tomaron de cada FDP y se utilizaron como descriptores cuantitativos.

Variables de entrada del modelo ERS

Concentración de la sustancia peligrosa (C)

Las muestras estacionales de agua subterránea fueron recolectadas en 30 pozos domésticos activos (10 a 20 m de profundidad) distribuidos en toda el área urbana. El estudio totalizó 16 eventos de muestreo entre 2002 y 2007. Las muestras de agua se recolectaron de acuerdo con técnicas estándar y se mantuvieron a 4 °C hasta su análisis. Las muestras de agua para determinaciones de metales y sustancias inor­gánicas se colectaron en botellas de polietileno de alta densidad. Se usaron botellas de vidrio ámbar con tapas internas de teflón para las muestras de sustancias fenólicas.

Las muestras fueron analizadas por un labo­ratorio certificado según lo establecido por la autoridad de protección ambiental compe­tente. Se utilizó un espectrómetro atómico de absorción Varian SpectrAA55 para medir las concentraciones de metales (es decir, Pb, Cr, Cd) siguiendo el procedimiento estándar de la USEPA (SW 846 M 7420, SW 846 M 7190, SW 846 M 7130). Para la concentración de As, se empleó un espectrofotómetro visible Cintra 6 UV de GBC según el método SM M 3500 As C. Para la determinación de sustancias fenólicas (CAS 108-95-2) se utilizó un espectrofotómetro visible UV Cintra 6 UVC según el método USE­PA SW 846 M 9065. Las concentraciones de fluoruro y nitrato se midieron utilizando espec­trofotómetro Thermo Scientific AquaMate UV Vis de acuerdo a SM 4500 NO3- B.

Las distribuciones de las concentraciones de cada sustancia fueron ajustadas a la función de distribución de probabilidad de mejor ajuste con la ayuda de Crystal Ball 7.1 (Decisioneering 2007) (Tabla 1). El software compara los datos de concentración con cada una de las distribu­ciones de probabilidad continuas (por ejemplo beta, normal, lognormal), seleccionando la que mejor se ajusta después de ejecutar las prue­bas de bondad de ajuste de Anderson Darling para detectar el conjunto de parámetros de la distribución que mejor describe las característi­cas de los datos.

Table 1. Límite de Cuantificación (LC, ug/L), Dosis Oral de Referencia (DRf, ug/kg/día) y concentraciones de las sustancias presente en agua (ug/L).

Las concentraciones de las sustancias no de­tectadas se reemplazaron por el límite superior de confianza del 95% (UCL) de la media aritmé­tica de sus concentraciones detectadas. La es­timación de UCL se realizó utilizando el software ProUCL v.3 (USEPA 2004), que realiza una serie de pruebas paramétricas y no paramétricas y sugiere el valor de UCL más apropiado para usar en función de la distribución de los datos.

Ingesta de agua (I), frecuencia de exposición (FE), duración de la exposición (DE) y peso corporal (Pc)

Las Tablas 2 y 3 presentan los parámetros des­criptivos de las diferentes variables de entrada del modelo de exposición para los cuatro grupos de edades.

Table 2. Parámetros del modelo de distribución de probabilidad y estadísticos descriptivos de la ingesta de agua (I, L/día).

Table 3. Parámetros del modelo de distribución de probabilidad y estadísticos descriptivos de la frecuencia de exposición (FE, días/año), duración de la exposición (DE, años) y peso corporal (Pc, kg).

La ingesta de agua (I) se estimó en base a encuestas realizadas en seis barrios. Los barrios se agruparon según condiciones socioeconó­micas similares mediante la aplicación de un índice de vulnerabilidad denominado Sistema Integrado de Criterios Socio-económicos (SIC) (Peluso y col. 2003).

El SIC está compuesto por variables de entra­da que representan los niveles de educación, salud e ingresos tomados del censo de Po­blación, Vivienda y Hogares de Argentina (IN­DEC 2001) y de un conjunto de datos locales de 2005 proporcionados por el Municipio de Azul. La aplicación del SIC permitió seleccio­nar tres pares de barrios agrupados por con­diciones socioeconómicas similares para lograr una muestra representativa de la población de la ciudad. Las encuestas se realizaron entre di­ciembre de 2010 y febrero de 2011, adoptando un método de muestreo aleatorio estratificado. El número de encuestados fue 418 (n = 418), y cada encuestado representó a su propio gru­po familiar. Este valor n es representativo de las 6516 personas que vivían en los seis barrios. El cálculo del n se realizó según la fórmula de Sie­rra Bravo (1994), con datos de población según INDEC (2008). La encuesta incluyó preguntas sobre la existencia de pozos activos de agua en el hogar, volumen de agua que consumen los miembros del hogar, ya sea directa o indi­rectamente (por ejemplo, té, jugo) composición de la familia, edad y género de los miembros de la familia, sus patrones de consumo de agua, entre otras cuestiones. Las FDP de los pesos corporales (Pc) para cada uno de los cuatro grupos de edad se basaron en Lejarraga y Or­fila (1987). FE y DE fueron definidos por juicio propio (Othax y Peluso 2014).

Resultados y discusión

La Tabla 4 presenta los percentiles 95 de la FDP de riesgo para cada sustancia y para todas las sustancias combinadas (es decir, exposición acumulada) organizadas por grupo de edad y utilizando los dos tipos de I. El uso de I basa­da en los datos de encuesta local representó una reducción del valor de riesgo en los cuatro grupos de edad en comparación con el uso de I de literatura. Los valores de riesgo acumula­dos disminuyeron sus rangos de 98,4% (grupo 5 años) a 29,7% (adultos).

Table 4. Resultado de riesgo (percentil 95 de la función de densidad de probabilidades de riesgo).

Cuando se usó la Ide la literatura, el riesgo acumulado disminuyó con el aumento de la edad. Sin embargo, cuando se aplicó la Ibasada en los datos de la encuesta local, la tendencia de la variación del riesgo con la edad fue diferente: adultos> 10 años> 15 años> 5 años. El adulto, respecto de los demás estratos de edades, si bien presenta mayor Pc, presentó I mayores y valores de riesgo más altos. En los estratos de 10 y 15 años se presentaron valores de inges­ta locales semejantes, sin embargo, este últi­mo, presentó mayores valores de Pc, respecto del estrato de 10 años y los valores de riesgo fueron menores. El estrato de 5 años, si bien presenta bajos valores de Pc, también registra bajos valores de I, y el menor valor de riesgo.

La comparación entre ambos tipos de FDPs de riesgo acumulativo dentro de cada uno de los cuatro grupos de edad usando la prueba de Mann-Whitney mostró diferencias significativas (P <0,05). Por otro lado, la evaluación de los riesgos acumulativos asociados con cada tipo de I entre grupos de edad mostró que cada uno de los cuatro valores de riesgo acumulativos fue significativamente diferente entre sí según la prueba de Kruskal Wallis (P <0,05).

La Figura 2 muestra las FDPs de riesgo acumu­lativo para los cuatro grupos de edad. El grupo de 5 años de edad presentó la mayor diferen­cia entre las FDPs de riesgo asociados con los datos de la literatura y con la Ilocal (Figura 2a). El percentil 95 de 5 años de edad basado en la Ilocal estaba por debajo del límite de segu­ridad (0,0766) pero el basado en la Ide la literatura estaba por encima de éste (4,98). Como se mencionó anteriormente, para el grupo de edad de 5 años, el uso de datos basados en la literatura representó una sobreestimación de 98,4% del riesgo en comparación con el uso de datos locales.


Figura 2.
Funciones de densidad de probabilidad acumulada de riesgo hasta el percentil 95 para los cuatro grupos de edad.

El grupo de edad adulta mostró una diferencia menor entre las FDPs de riesgo calculados utili­zando la ingesta local y la ingesta de la literatura (Figura 2d). Ambos percentiles 95 de los valores de riesgo de adultos estaban por encima del límite de seguridad (los valores fueron 2,57 cuan­do se usó la Ide la literatura y 1,80 cuando se usó la Ide los datos de la encuesta local). El uso de I de la literatura representó una sobreestima­ción de riesgo de 29,7% para este estrato de edad (P <0,05). Los grupos 10 y 15 años mos­traron diferencias de magnitud intermedia.

La sustancia más riesgosa para los cuatro grupos de edad fue As, con un valor de riesgo que representa casi el 75% del riesgo acumulado para ambos tipos de I. Usando la I de la litera­tura, se generaron riesgos por encima del límite de seguridad, siguiendo una tendencia general de valores de riesgo-edad similar a la del riesgo acumulativo. Cuando se aplicó la Ide la encues­ta local, los valores de riesgo de As estaban por encima del límite de seguridad solo para los grupos de 10 años y adultos, aunque para el grupo de 15 años el valor estaba cerca de este límite. Para el grupo 5 años, el valor de riesgo de As estaba por debajo del límite de seguridad.

Sólo dos variables de modelo de entrada varia­ron entre los grupos de edad: I y Pc. Para anali­zar qué variable fue la principal contribuyente a la FDP de riesgo, se realizó un análisis de sen­sibilidad basado en la FDP del riesgo acumula­tivo del grupo de 5 años. La variable de entrada que más contribuyó a la variabilidad de la FDP del riesgo fue la I(ambos tipos de I) (Figura 3).


Figura 3.
Resultado del análisis de sensibilidad realizado en el grupo 5 años para arsénico en agua.

La Icontribuyó en más del 55% (I de encuesta local) y más del 80% (I basada en la literatura) a la varianza total de cada FDP del riesgo. Otra variable de entrada que varió entre los grupos de edad fue Pc, pero su efecto fue insignifican­te para ambos tipos de I (casi -1 y -3% para la literatura y para las I basadas en encuestas locales, respectivamente). La gran contribución de la Ia la FDP de riesgo, independientemente del tipo de I, confirma nuestra hipótesis de que la ingesta de agua es el parámetro más influ­yente en la HRA probabilística.

La declaración mencionada anteriormente im­plica que cada FDP de riesgo tenía una tenden­cia similar a la FDP de la Icorrespondiente. La Figura 4 muestra ambos tipos de FDP de I para los cuatro grupos de edad. La Ide la literatura varía gradualmente debido principalmente a las demandas naturales del cuerpo morfofisiológi­co que evolucionan con la edad.


Figura 4.
Funciones de densidad de probabilidad acumulada de la Ihasta el percentil 95 para los cuatro grupos de edad.

Este cambio natural de la Icon la edad también se aplica al Pc (Tablas 3 y 4). La relación numérica entre estas dos variables de entrada explica la tendencia seguida por el cambio de los valores de riesgo con la edad: 5 años> 10 años> 15 años> adultos. La Ide encuesta local no cambió con la edad y, por lo tanto, el riesgo tampoco cambió. La mayor diferencia se detec­tó en el grupo de edad 5 años, en el que la Ide encuesta local fue mucho más baja que la Ibasada en la literatura. Esta disparidad de in­gestas de agua generó diferencias estadística­mente significativas entre los valores de riesgo. La diferencia entre ambos tipos de riesgo para el grupo de 5 años se atribuye a la gran canti­dad de niños que no consumen agua de pozos poco profundos (88,88%). Esto se debe princi­palmente a que las madres comúnmente se nie­gan a ofrecer agua de pozo a sus hijos porque no se sienten seguras sobre su calidad (Othax y Peluso 2014). La diferencia fue mayor en los grupos 10 y 15 años que en el grupo de 5 años.

Cuando se evalúa la exposición a contami­nantes en el agua potable, el volumen de agua consumida es un parámetro esencial que se debe conocer (Ji y col. 2010; Mons y col. 2007). Aunque la Ise usa con frecuencia como una variable de entrada determinista en los cálcu­los de riesgo (Lee y col. 2004; Tokmak y col. 2004; Uyak 2006; Khan y col. 2016; Rasool y col. 2015; Song y col. 2017; Wang y col. 2018), el análisis de sensibilidad mostró que la I tuvo el mayor impacto en el resultado de la HRA pro­babilística que realizamos. Esto es consisten­te con los resultados de estudios previos que han indicado a la I como el parámetro de mayor impacto (Othax y col. 2014; Fallahzadeh y col. 2018) o uno de los parámetros de mayor im­pacto en los resultados de riesgo (Saha y col. 2017; Zhang y col. 2017).

Hay muchos factores que podrían influir en la cantidad diaria de agua consumida, tales como las diferencias fisiológicas debido a la raza, la edad, el género, las actividades físicas, las con­diciones geometeorológicas (clima y topogra­fía) y los factores culturales (hábitos laborales y de ocio). Además, la tasa de ingesta de agua también podría verse afectada por cambios en el estilo de vida, como las variaciones en los hábitos alimenticios.

Teniendo en cuenta todos los factores anterio­res que influyen en la ingesta de agua y, por lo tanto, afectan los resultados de las evalua­ciones de riesgo, nuestro estudio fue capaz de demostrar que el uso de la Ibasada en datos de la literatura podría generar una sobreestimación de riesgo del 29,7 a 98,4% según el gru­po de edad considerado (adultos y 5 años, res­pectivamente). Por lo tanto, el volumen de agua ingerida debe determinarse cuidadosamente, ya que los supuestos basados en la literatura podrían causar escenarios de exposición poco realistas que podrían conducir a sobreestima­ciones de riesgo.

Conclusiones

El estudio mostró que la ingesta de agua (I) fue la variable más influyente en la ERS. Los valores de riesgo presentaron diferencias significativas entre los resultados derivados de las dos I evaluadas (encuesta local y bibliografía) con valores de riesgo más bajos al utilizar la Ibasada en la en­cuesta local. La mayor diferencia fue para el gru­po 5 años que presentó una diferencia de 98,4% entre ambos riesgos. La diferencia se mantuvo para los grupos 10 y 15 años, siendo del 53,7 y 63,4%, respectivamente. En adultos, la dife­rencia disminuyó 29,7%. La elección del valor de I influye en gran medida en los resultados de la evaluación del riesgo. Al conocer la tasa de ingesta de agua in situ y tener este valor varia­ble discriminado por grupos de edad, se podría realizar una evaluación de riesgos más realista, evitar las sobre-estimaciones de riesgos y redu­cir la incertidumbre. Este trabajo contribuye al conocimiento sobre los métodos de estimación de riesgos por el consumo de agua contaminada para proteger de la salud de la población. La identificación de posibles sobreestimaciones de consumo de aguas ayudaría a evitar resultados de evaluación de riesgos inexactos y a mejorar las decisiones de gestión del agua.

Agradecimientos

El estudio fue financiado por la Universidad Nacional del Centro de la Provincia de Buenos Aires (UNCPBA, Argentina), por la Comisión de Investigación Científica de la Pro­vincia de Buenos Aires (CIC, Argentina), por el Consejo Nacional de Investigación Científica y Técnica (CONICET, Argentina) y por la Agencia Nacional para la Promoción de la Ciencia y la Tecnología (ANPCyT PID 452, Argentina). Agradecemos a Fátima Altoaguirre y Natalia de Líbano por los análisis químicos y a Enrique Queupan, Matías Silicani y Joaquín Rodriguez por su valiosa ayuda durante los estudios de campo.

Bibliografía citada

1. Amjad H., Hashmi I., Rehman M.S.U., Awan M.A., Ghaffar S., Khan Z. Cancer and non-can­cer risk assessment of trihalomethanes in urban drinking water supplies of Pakistan. Ecotoxicol Environ Saf. 2013;91:25-31.         [ Links ]

2. Burmaster D.E. Benefits and costs of using probabilistic techniques in human health risk assessments with an emphasis on site-speci­fic risk assessments. Hum Ecol Risk Assess. 1996;2(1):35-43.         [ Links ]

3. Chowdhury K.H., Husain T., Veitch B., Hawboldt K. Probabilistic risk assessment of polycyclic aro­matic hydrocarbons (PAHs) in produced water. Hum Ecol Risk Assess. 2009;15(5):1049-1063.         [ Links ]

4. Decisioneering. Crystal Ball version 7.1 [soft­ware]. 16 de Febrero de 2007. [Consulta: 15 de marzo de 2018]. Disponible en: http://www.crystalball.com.         [ Links ]

5. Fallahzadeh R.A., Miri M., Taghavi M., Gholiza­deh A., Anbarani R., Hosseini-Bandegharaei A., Ferrante M., Oliveri Conti G. Spatial variation and probabilistic risk assessment of exposure to fluoride in drinking water. Food Chem Toxi­col. 2018;113:314-321.         [ Links ]

6. Hamidin N., Yu Q.J., Connell D.W. Human health risk assessment of chlorinated disinfection by-products in drinking water using a probabilistic approach. Water Res. 2008;42(13):3263-3274.         [ Links ]

7. Instituto Nacional de Estadísticas y Censos de la República Argentina (INDEC). Censo de Po­blación, Viviendas y Hogares por Radios Cen­sales para la ciudad de Azul, Buenos Aires [CD-ROM]; 2001.         [ Links ]

8. Instituto Nacional de Estadísticas y Censos de la República Argentina (INDEC) [en línea]. Minis­terio de Economía y Producción. Secretaría de Política Económica. Estimaciones de población total por departamento y año calendario. Perío­do 2001-2010. N° 34. Serie Análisis Demográfico. Argentina. 2008. [Consulta: 18 de mayo de 2018]. Disponible en: https://www.indec.gov.ar/nuevaweb/cuadros/2/estimaciones-serie34.pdf.         [ Links ]

9. Jamaludin N., Sham S.M., Ismail S.N.S. Health risk assessment of nitrate exposure in well wa­ter of residents in intensive agriculture area. Am J Appl Sci. 2013;10(5):442-448.         [ Links ]

10. Ji K., Kim Y., Choi K. Water intake rate among the general Korean population. Sci Total Envi­ron. 2010;408(4):734-739.         [ Links ]

11. Kavcar P., Sofuoglu A., Sofuoglu S.C. A health risk assessment for exposure to trace metals via drinking water ingestion pathway. Int J Hyg Environ Health 2009;212(2):216-227.         [ Links ]

12. Kelepertzis E. Investigating the sources and potential health risks of environmental contami­nants in the soils and drinking waters from the rural clusters in Thiva area (Greece). Ecotoxicol Environ Saf. 2014;100:258-265.         [ Links ]

13. Khan S., Rauf R., Muhammad S., Qasim, M., Din, I. Arsenic and heavy metals health risk as­sessment through drinking water consumption in the Peshawar District, Pakistan. Hum Ecol Risk Assess. 2016;22(3):581-596.         [ Links ]

14. Kumar A., Xagoraraki I. Human health risk as­sessment of pharmaceuticals in water: An un­certainty analysis for meprobamate, carbama­zepine, and phenytoin. Regul Toxicol Pharma­col. 2010;57(2-3):146-156.         [ Links ]

15. Lee S.C., Guo H., Lam S.M.J., Lau S.L.A. Mul­tipathway risk assessment on disinfection by-products of drinking water in Hong Kong. Envi­ron Res. 2004;94(1):47-56.         [ Links ]

16. Legay C., Rodriguez M.J., Sadiq R., Sérodes J.B., Levallois P., Proulx F. Spatial variations of human health risk associated with exposure to chlorination by-products occurring in drinking water. J Environ Manage. 2011;92(3):892-901.         [ Links ]

17. Lejarraga H., Orfila G. Estándares de peso y es­tatura para niños y niñas argentinos desde el nacimiento hasta la madurez. Arch Arg Pediatr. 1987;85:209-222.         [ Links ]

18. Mons M.N., Van der Wielen J.M.L., Blokker E.J.M., Sinclair M.I., Hulshof K.F.A.M., Dangen­dorf F., Hunter P.R., Medema G.J. Estimation of the consumption of cold tap water for microbio­logical risk assessment: an overview of studies and statistical analysis of data. J Water Health 2007;5:151-170.         [ Links ]

19. National Research Council (NRC). Science and Judgement in Risk Assessment. National Aca­demic Press, Washington, DC, 1994.         [ Links ]

20. Navoni J.A., De Pietri D., Olmos V., Gimenez C., Bovi Mitre G., de Titto E., Villaamil Lepori E.C. Human health risk assessment with spa­tial analysis: study of a population chronically exposed to arsenic through drinking water from Argentina. Sci Total Environ. 2014;499:166-174.         [ Links ]

21. Ni F., Liu G., Jian Y., Ren H., Yang S. Arc­GIS based rural drinking water quality health risk assessment. J Water Resour Prot. 2009;1(5):351-361.         [ Links ]

22. Othax N., Peluso F. Riesgo sanitario por inges­ta local de agua y de valores de la bibliografía en la ciudad de Azul, Argentina. Argentina [CD-ROM]. II Congreso Internacional de Hidrología de Llanuras. Santa Fé; 2014.         [ Links ]

23. Othax N., Peluso F., González Castelain J. Ries­go a la salud integrado por fluoruros, nitratos y arsénico en agua subterránea: caso del parti­do de Tres Arroyos, Argentina. Rev Int Contam Ambiental 2014;30(1):27-41.         [ Links ]

24. Peluso F., Gonzalez Castelain J., Rodriguez L., Othax N. Assessment of the chemical qua­lity of recreational bathing water in Argentina by health risk analysis. Hum Ecol Risk Assess. 2012b;18:1186-1215.         [ Links ]

25. Peluso F., Masson I., González Castelain J., Othax N., Dubny S. Uncertainties in age-and gen­der-based health risk assessment for recreatio­nal bathing: Arsenic in Del Azul stream, Argenti­na. Hum Ecol Risk Assess. 2016;22(3):753-774.         [ Links ]

26. Peluso F., Othax N., Gonzalez Castelain J., Dubny S. Applying health risk analysis to as­sess the chemical quality of water for recreatio­nal bathing: Case of Tres Arroyos Creek, Bue­nos Aires, Argentina. Hum Ecol Risk Assess. 2012a;20(1):45-68.         [ Links ]

27. Peluso F., Usunoff E., Entraigas I. Integración de parámetros socioeconómicos en estudios es­paciales de riesgo sanitario mediante el uso de herramientas multicriterio, Revista Internacional de Ciencia y Tecnología de la Información Geo­gráfica 2003;(3):186-198.         [ Links ]

28. Pentamwa P., Sukton B., Wongklom T., Pen­tamwa S. Cancer Risk Assessment from Tri­halomethanes in Community Water Supply at Northeastern Thailand. Int J Environ Sci Dev. 2013;4(5):538-544.         [ Links ]

29. Phan K., Sthiannopkao S., Kim K.W., Wong M.H., Sao V., Hashim J.H., Mohamed Yasin M.S., Aljunid S.M. Health risk assessment of inorganic arsenic intake of Cambodia residents through groundwater drinking pathway. Water Res. 2010;44(19):5777-5788.         [ Links ]

30. Rasool A., Farooqi A., Masood S., Hus­sain K. Arsenic in groundwater and its health risk assessment in drinking water of Mail­si, Punjab, Pakistan. Hum Ecol Risk Assess. 2015;22(1):187-202.         [ Links ]

31. Saha N., Rahman M.S., Ahmed, M.B., Zhou J.L., Ngo H.H., Guo W. Industrial metal pollution in water and probabilistic assessment of human health risk. J Environ Manage. 2017;185,70-78.         [ Links ]

32. Schwab B.W., Hayes E.P., Fiori J.M., Mastroc­co F.J., Roden N.M., Cragin D., Meyerhoff R.D., D'Aco V.J., Anderson P.D. Human pharmaceu­ticals in US surface waters: a human health risk assessment. Regul Toxicol Pharmacol. 2005;42(3):296-312.         [ Links ]

33. Sener S., Sener E., Davraz A. Assessment of groundwater quality and health risk in drin­king water basin using GIS. J Water Health. 2017;15(1):112-132.         [ Links ]

34. Sierra Bravo R. Técnicas de investigación so­cial, teoría y ejercicios. 9a ed. Paraninfo, Espa­ña, 1994.         [ Links ]

35. Singh U.K., Kumar B. Pathways of heavy metals contamination and associated human health risk in Ajay River basin, India. Chemosphere. 2017;174:183-199.         [ Links ]

36. Song T., Chen Y., Du S., Yang F. Hydrogeoche­mical evolution and risk assessment of hu­man health in a riverbank filtration site, nor­theastern China. Hum Ecol Risk Assess. 2017;23(4):705-726.         [ Links ]

37. Thompson K., Graham J. Going Beyond the Single Number: Using Probabilistic Risk As­sessment to Improve Risk Management. Hum Ecol Risk Assess. 1996;2(4):1008-1034.         [ Links ]

38. Tokmak B., Capar G., Dilek F.B, Yetis U. Trihalo­methanes and associated potential cancer risks in the water supply in Ankara, Turkey. Environ Res. 2004;96:345-352.         [ Links ]

39. Toxicological Profiles Database (TPD). Spa­tial Analysis and Decision Assistance (SADA); c2005 [actualizado el 12 de Agosto de 2005; consulta: 14 de febrero de 2018]. Disponible en: http://www.sadaproject.net/download.html.         [ Links ]

40. United State Environmental Protection Agency (USEPA) 2018. Integrated Risk Information Sys­tem (IRIS) Database. [en línea]. c2018. [Consul­ta: 18 de mayo de 2018]. Disponible en: http://www.epa.gov/iris.         [ Links ]

41. United States Environmental Protection Agen­cy (USEPA). ProUCL Version 3.0. [software]. EPA/600/R04/079. Abril 2004 [Consulta: 25 de febrero de 2018]. Disponible en: www.epa.gov/land-research/proucl-version-30002-documen­tation-downloads        [ Links ]

42. United States Environmental Protection Agency (USEPA). Child-specific exposure factors hand­book. EPA/600/P-00/002B, National Center for Environmental Assessment, Washington, DC, 2002.         [ Links ]

43. United States Environmental Protection Agency (USEPA). Guidelines for Exposure Assessment. Fed. Reg. 57:22888–938. Washington DC, 1992.

44. United States Environmental Protection Agency (USEPA). Risk assessment guidance for super­fund. Vol. I: Human health evaluation manual - Part A. EPA/540/1-89/002. Office of Emergency and Remedial Response, Washington DC, 1989.         [ Links ]

45. United States Environmental Protection Agen­cy (USEPA). Exposure Factors Handbook 2011 Edition (Final). (EPA/600/R-09/052F), 2011.         [ Links ]

46. Uyak V. Multi-pathway risk assessment of triha­lomethanes exposure in Istanbul drinking water supplies. Environ Int. 2006;32(1):12-21.         [ Links ]

47. Wang H., Gu H., Lan S., Wang M., Chi B. Hu­man health risk assessment and sources analy­sis of nitrate in shallow groundwater of the Liujiang basin, China. Hum Ecol Risk Assess. 2018;1-17.         [ Links ]

48. Wongsasuluk P., Chotpantarat S., Siriwong W., Robson M. Heavy metal contamination and hu­man health risk assessment in drinking water from shallow groundwater wells in an agricultu­ral area in Ubon Ratchathani province, Thailand. Environ Geochem Health 2014;36(1):169-182.         [ Links ]

49. Wu B., Zhang Y., Zhang X., Cheng S. Health risk from exposure of organic pollutants through drinking water consumption in Nanjing, China. Bull Environ Contam Toxicol. 2010;84(1):46-50.         [ Links ]

50. Wu B., Zhang Y., Zhang X.X., Cheng S.P. Health risk assessment of polycyclic aromatic hydro­carbons in the source water and drinking wa­ter of China: quantitative analysis based on published monitoring data. Sci Total Environ. 2011;410:112-118.         [ Links ]

51. Zhang L., Huang D., Yang J., Wei X., Qin J., Songfeng O., Zhang Z., Zou Y. Probabilis­tic risk assessment of Chinese residents' ex­posure to fluoride in improved drinking wa­ter in endemic fluorosis áreas. Environ Pollut. 2017;222:118-125.         [ Links ]

 

Creative Commons License All the contents of this journal, except where otherwise noted, is licensed under a Creative Commons Attribution License