Presentación del Profr. George Gray, Director del Centro de Riesgo y Salud Pública de la Universidad George Washington, en el Taller sobre Evaluación de Riesgo y Análisis de Impacto Regulatorio, Sesión 7, México, 9-11 Junio 2014. Información adicional disponible en: http://www.oecd.org/gov/regulatory-policy/

1. Center for Risk Science and Public Health
Análisis de Riesgos con
“Datos Actuariales”
George Gray
Centro de Ciencias del Riesgo y Departamento de
Salud Pública Ambiental y Ocupacional
Instituto Milken de Salud Pública

2. Center for Risk Science and Public Health
Riesgos Actuariales vs
Modelados
• Riesgos Actuariales
• basados en experiencia previa con el mismo riesgo
• se pueden hacer predicciones con un alto grado de precisión
• entre los ejemplos se encuentran enfermedades, accidentes
de auto, etc.
• Riesgos Modelados
• basados en datos y teoría, no en observación directa del
riesgo
• las predicciones están sujetas a incertidumbre considerable
• entre los ejemplos se encuentran riesgo de cáncer derivado
de sustancias químicas, calentamiento global, etc.

3. Center for Risk Science and Public Health
Datos Actuariales
• Frecuentemente relacionados con seguros
• Estimar la probabilidad de resultados adversos
• Temporalidad (curvas de supervivencia)
• Mitigación
• Seguro
• Predicciones basadas en la experiencia con el
resultado específico – frecuentemente con un
componente estocástico

4. Center for Risk Science and Public Health
Datos Actuariales
• El punto clave es que los datos miden el resultado que
deseamos evaluar
• Con frecuencia se requiere hacer modelos para
generar predicciones del efecto de las intervenciones
de gestión de riesgos
• Las fuentes principales de incertidumbre son el
muestreo (qué tan bien contamos el resultado) y el
papel que juegan otras variables para influir en el
resultado

5. Center for Risk Science and Public Health
Ejemplo: Accidentes
Fatales de Auto
• Sistema de Reporte y Análisis Fatales de EUA (FARS)
• El FARS ha recopilado datos desde 1975
• Datos sobre aproximadamente 1 millón de accidentes fatales en
vehículos automotores
• Se recopilan más de 100 elementos de datos en el accidente
• Los datos son recopilados de manera voluntaria por medio de
acuerdos de cooperación entre la Administración Nacional de
Seguridad del Tráfico de Carreteras (NHTSA) y cada uno de
los 50 Estados, el Distrito de Columbia y Puerto Rico
• Para estar incluido en el FARS, un accidente debe involucrar
un vehículo automotor que viaje en una carretera
usualmente abierta al público y que resulte en la muerte de
una persona (ocupante de un vehículo o no ocupante) dentro
de los 30 días siguientes del accidente

6. THE GEORGE
WASHINGTON
UNIVERSITY
WASHINGTON, DC
FARS
'b$i®t'f1'üi$jl'
FUe Vers1ons 2011 2010 2009 2008 2007 2006 2005 2004 2003 2002 2001 2000 1999 1998 1997 1996 1995 1994
MotorV.tltcle
Traffk: Crasheos
Fatal
Crashes
Trafflc Cra.sh
Fatatftteos
Vohklo
Occf.C)I.nts
Ortvers 16,430 16,864 17,670 19,279 21,717 22,831 23,237 23,158 23,352 23,625 22,914 22,914 22,971 22,654 22,no 22,sn 22,370 21,596
Passeneen 5,953 6,451 6,793 7,441 9,187 9,750 10,042 10,171 10,370 10,227 10,451 10,325 10,327 10,765 10,860 10,576 10,294
Unknown 65 56 63 71 101 83 76 104 110 102 86 96 107 114 102 118 108
SlilTotal1
Motorcyctists
Nonmotorlst
22,448 23,371 24,526 26,791 30,527 32,119 33,070 33,276 33,627 34,105 33,243 33,451 33,392 33,088 33,609 33,534 33,064 31,998
4,612 4,518 4,469 5,312 5,174 4,837 4,576 4,028 3,714 3,270 3,197 2,897 2,483 2,294 2,116 2,161 2,227 2,320
Pedestr1ans
Pedalcycltsts
4,432
677
4,302
623
4,109
628
4,414
718
4,795
772
4,675
n1
4,n4
629
4,851
665
4,901
732
4,763
693
5,228
760
5,321
814
5,449
765
5,584
8JJ
5,489
802
Other/
Unknown
198 185 151 188 158 185 186 130 140 114 123 141 149 131 153 154 109 107
SlbTotal2
Total'"'
Oth« Natlonal
Statktks
Vehlcle
Miles
Traveled
(811llons)
Resident
5,307 5,110 4,888 5,320 5,558 5,752 5,864 5,532 5,543 5,630 5,756 5,597 5,842 6,119 6,288 6,368 6,526 6,398
32,367 32,999 33,883 37,423 41,259 42,708 43,510 42,836 42,884 43,005 42,196 41,945 41,717 41,501 42,013 42,065 41,817 40,716
2,946 2,967 2,957 2,977 3,031 3,014 2,989 2,965 2,890 2,856 2,796 2,747 2,690 2,628 2,552 2,484 2,423 2,358
Populatlon 311,592 309,330 306,m 304,094 301,231 298,380 295,517 292,805 290,108 287,625 284,969 282,162 2n,691 270,248 267,784 265,229 262,803 260,327
(Thousands)
Reatstered
Vehk:teos 257,512 257,312 258,958 259,360 257,4n 252,930 247,031 239,364 232,326 227,136 221,2Jo 217,993 212,685 208,076 203,568 201,631 197,065 192,497
(Thousands)
Ucensed
Ortvers 211,875 210,115 209,618 208,321 205,742 202,810 200,549 198,889 196,166 194,602 191,276 190,625 187,170 184,861 182,709 179,539 176,628 175,403
(Thousands)
NatlonalRates:
Fatatttles
Fatalftieos
per 100
Mllllon
Vehlcle
Miles
Traveled
Fataltties
per 100,000
Populatlon
Fataltties
per 100,000
Revisteced
Vehlcles
Fataltties
per 100,000
llcensed
Ortvers
1.10 1.11 1.15 1.26 1.36 1.42 1.46 1.44 1.48 1.51 1.51 1.53 1.55 1.58 1.65 1.69 1.73 1.73
10.39 10.67 11.os 12.31 13.70 14.31 14.n 14.63 14.78 14.95 14.81 14.87 15.30 15.36 15.69 15.86 15.91 15.64
12.57 12.82 13.08 14.43 16.02 16.99 17.71 18.00 18.59 19.06 19.07 19.JJ 19.61 19.95 20.64 20.86 21.22 21.15
15.28 15.71 16.16 17.96 20.05 21.06 21.70 21.54 21.86 22.10 22.06 22.00 22.29 22.45 22.99 23.43 23.68 23.21
Science and Public Health

7. Center for Risk Science and Public Health
Utilizar Datos Actuariales
• La Ley de Seguridad de Transportación de Menores del
año 2007 indicó a la Secretaría de Transporte que
comenzara a crear regulación para expandir el campo visual
requerido de modo que el conductor de un vehículo
automotor pueda detectar las áreas detrás de dicho
vehículo, con la finalidad de reducir las muertes y lesiones
derivadas de incidentes al manejar en reversa
• “Dicho estándar se puede alcanzar colocando espejos
adicionales, sensores, cámaras u otras tecnologías para
expandir el campo visual del conductor…”

8. Center for Risk Science and Public Health
Punto Crítico para Recordar
• En la siguiente sesión, revisaremos el análisis de métodos
alternativos para prevenir accidentes al conducir en
reversa
• En este caso, los datos del FARS están incompletos:
• La mayoría de los accidentes no suceden en una
carretera pública
• Podría no involucrar a la policía

9. Center for Risk Science and Public Health
Ejemplo: Lesiones y Accidentes
Fatales Ocupacionales
• El Buró de Estadísticas de Trabajo (BLS) del Departamento del
Trabajo de EUA recopila datos de las industrias de EUA
relativas a la tasa anual y la cantidad de lesiones y
enfermedades fatales y no fatales relacionadas con el trabajo
• Organizado conforme al código del Sistema de Clasificación
Industrial Norteamericano de la Oficina del Censo de EUA
(NAICS)
• Se identifica a las industrias con un código de seis dígitos
• por ej.: la clasificación de manufactura de llantas para vehículo
automotor se clasifica en el NAICS con el código 326199

10. Center for Risk Science and Public Health
Estimación de Años
de Vida Perdidos
• Como parte del proyecto para examinar las lesiones y
accidentes fatales ocupacionales en el Análisis del Ciclo
de Vida (LCA), queríamos estimar los años de vida que se
pierden a causa de los accidentes fatales
• Se utilizaron datos del BLS (que incluye la edad al
momento de ocurrir el accidente fatal) y los datos del
censo sobre los años de vida restante a una edad
específica

11. Center for Risk Science and Public Health
Utilizar Datos del BLS
Scanlon, K.A., Gray, G.M., Francis, R.A., Lloyd, S.M., y LaPuma, P. (2013) The Work Environment Disability-Adjusted Life
Year for Use With Life Cycle Assessments: A Methodological Approach. Environmental Health 6:12-21

12. Center for R
Ejemplo: Tala Forestal
isk Science and Public Health

13. Center for Risk Science and Public Health
Es Crucial Tener Presente
• ¿Qué tan completo es el reporte de lesiones y accidentes
fatales ocupacionales?
• Estudios realizados por académicos, el BLS y otros
sugieren que no se han contabilizado lesiones y
accidentes fatales
• Las estimaciones que indican que no se han
contabilizado lesiones y enfermedades no fatales
van desde 0% a 70%*
*Leigh J.P., Marcin, J.P., & Miller, T.R. (2004). An estimate of the U.S. government's undercount of
nonfatal occupational injuries. Journal of Occupational & Environmental Medicine, 46, 10-18.

14. Center for Risk Science and Public Health
Puntos Clave:
Datos Actuariales
• Los datos actuariales usualmente se enfocan directamente
en el resultado de interés – sin necesidad de una
extrapolación
• Las fuentes de incertidumbre se relacionan con la
precisión de los datos y la posibilidad de aplicar los datos
al análisis específico
• Con frecuencia la incertidumbre es menor que la de los
riesgos que requieren mayor extrapolación y
generalización (por ej.: riesgos contra la salud derivados
de sustancias químicas)

15. Center for Risk Science and Public Health
Sistemas de Clasificación
y Calificación
• En ocasiones, los analista de riesgo prefieren utilizar
sistemas de clasificación cuando las estimaciones
cuantitativas del riesgo son difíciles de elaborar
• Enfoque cualitativo que pretende brindar un sentimiento
semi-cuantitativo en cuanto a la magnitud de los riesgos
• Como analistas, deben analizar muy de cerca – los
sistemas tienen el potencial de confundir

16. Center for Risk Science and Public Health
Ejemplo: Enfoque
Propuesto por la USDA
para ARP
• La meta del Análisis de Riesgo de Plaga (ARP) es una
caracterización del potencial de riesgo de plagas de algas,
insectos o enfermedades que puedan introducirse
• Requiere
• Identificación de plagas
• Evaluar las consecuencias de la introducción
• Caracterizar el potencial de introducción
• El enfoque propuesto implicaba la asignación de puntajes
(1, 2 o 3) dependiendo de los atributos de la plaga en
cada categoría – la caracterización final es la suma de
los puntajes de cada categoría

17. Center for Risk Science and Public Health
Fortalezas del
Enfoque Cualitativo
• Identificación explícita de la información a ser
considerada
• Flujo de información bien diseñado, incluyendo la
identificación de los puntos de detención
• Documentación de atributos de plagas que
contribuyen a un mayor o menor potencial de
presencia de plagas

18. Center for Risk Science and Public Health
Preocupaciones Acerca
del Enfoque Cualitativo
• Los puntajes podrían no reflejar adecuadamente el riesgo
• No transmite el grado de incertidumbre en las
estimaciones de potencial de plagas
• No aborda la efectividad de los esquemas de
gestión de riesgo

19. Center for Risk Science and Public Health
Calificación en el
Análisis Cualitativo
Elemento de Riesgo #4: Impacto Económico
Las plagas introducidas son capaces de ocasionar una gran variedad
de impactos económicos directos e indirectos. Éstos se dividen en
tres categorías principales (también pueden presentarse otros tipos
de impactos):
• Menor producción del cultivo huésped, por ej.: al ocasionar mortalidad
de las plantas o actuar como vector de enfermedades.
• Menor valor del producto, por ej.: al aumentar los costos de
producción, disminuir el precio de mercado o una combinación de
ambos.
• Pérdida de mercados extranjeros o locales debido a la presencia de
una nueva peste de cuarentena
Bajo (1): La plaga ocasiona una o ninguna de los impactos anteriores
Medio (2): La plaga ocasiona dos de los impactos anteriores
Alto (3): La plaga ocasiona tres de los impactos anteriores

20. Center for Risk Science and Public Health
¿Los Puntajes Reflejan el
Riesgo? Ejemplo Hipotético
% Disminución de
Producción
% Disminución de
Precio
¿Pérdida de
Mercado?
Plaga 1 2 2 Sí ($1M)
Plaga 2 0 No Sí ($50M)
Puntaje de Impacto Económico
Plaga 1 - Alto (3) ocasiona los tres impactos
Plaga 2 – Bajo (1) ocasiona un impacto
• ¿Cuál es el riesgo mayor?

21. Center for Risk Science and Public Health
Calificar el Rango del
Huésped
Elemento de Riesgo #2: Rango de Huésped
El riesgo que implica una plaga de planta depende tanto de si
capacidad de establecer una población viable reproductiva y su
potencial de ocasionar daños a la planta. En el caso de los
artrópodos, se asume que el riesgo esté positivamente
correlacionado con el rango del huésped. En el caso de patógenos,
el riesgo es más complejo y se asume que depende del rango,
agresividad, virulencia y patogenicidad del huésped. Para hacerlo
simple, el riesgo se califica como una función del rango del huésped.
Bajo (1): La plaga ataca una especie en particular o varias
especies dentro de un género en particular
Medio (2): La plaga ataca a varias especies dentro de una
familia particular de plantas
Alto (3): La plaga ataca a varias especies entre varias familias de
plantas

22. Center for Risk Science and Public Health
Importancia de la Incertidumbre:
Ejemplo Hipotético
• Para algunas plagas, es poco probable contar con datos
completos en el rango del huésped, especialmente en una
región nueva
• La asignación de puntajes requiere un buen juicio pero
puede estar sujeto a incertidumbre
P(bajo) P(medio) P(alto)
Plaga 1 0.10 0.85 0.05
Plaga 2 0.90 0.05 0.05
Calificación del Rango del Huésped
Plaga 1 - Medio (2)
Plaga 2 - Bajo (1)

23. Center for Risk Science and Public Health
¿Por Qué es Importante la
Incertidumbre?
• Quienes gestionan el riesgo pueden dar mucha
importancia a los eventos de baja probabilidad pero
consecuencias de alta consideración
• Si la Plaga 2 ocasiona un daño significativo si puede
atacar a varias especies entre varias familias de plantas,
entonces incluso una baja probabilidad de este evento
puede ser significativa
• La caracterización de la incertidumbre es crítica para
entender el valor de la nueva información

24. Center for Risk Science and Public Health
Clasificación y Calificación
• Los sistemas de clasificación y calificación se usan
frecuentemente como parte de un enfoque estructurado para
análisis de riesgos (por ej.: sustancias químicas
Permanente, Bioacumulativas y Tóxicas (PBT)
• Es útil para establecer prioridades
• Sea muy cuidadoso con su uso como datos de riesgo en
la MIR

25. Center for Risk Science and Public Health
Observe los Números
Cuidadosamente