Rendimiento diagnóstico de tres índices antropométricos de peso y talla para síndrome metabólico en trabajadores

Gianella Zulema Zeñas -Trujillo, Víctor Juan Vera-Ponce, Irma Trujillo-Ramírez

Texto completo:

HTML PDF XML

Resumen

Introducción: La presencia del síndrome metabólico está asociada con enfermedades crónicas a largo plazo, por lo que se buscan diferentes formas de obtener un diagnóstico temprano.
Objetivo: Determinar el rendimiento diagnóstico de 3 índices antropométricos de peso y talla para síndrome metabólico en una muestra de trabajadores peruanos.
Métodos: La población son trabajadores de 18 a 65 años, de ambos sexos, ocupación operarios y administrativos. Las variables estudiadas son: Edad, sexo, ocupación, peso, talla, perímetro de cintura, antecedentes de diabetes mellitus tipo 2, presión arterial sistólica, diastólica, glucosa en ayunas, triglicéridos y lipoproteína de alta densidad. Se incluyeron 370 trabajadores, se crearon curvas características operativa del receptor con su respectiva área bajo la curva (AUC), se obtuvo la sensibilidad y especificidad de cada índice.
Resultados: Del total, el 20 % presentó síndrome metabólico; el 46,76 % fueron mujeres, el 60 % tomaron alcohol alguna vez, el 5,14 % señaló haber fumado. El índice de masa corporal tuvo la mayor AUC= 0,73; corte= 26,04; sensibilidad= 78,4 y especifidad= 67,9) seguido del nuevo índice de masa corporal (AUC= 0,70; corte= 27,85; sensibilidad= 68,9 y especificidad= 70,6); el último lugar lo ocupa el índice triponderal (AUC= 0,66; corte= 16,67; sensibilidad= 67,6 y especificidad= 64,5); los parámetros para síndrome metabólico mostraron asociación estadísticamente significativa.
Conclusión: El índice de masa corporal es el de mejor rendimiento diagnóstico para síndrome metabólico; podría ser un predictor útil para detectar este síndrome.

Palabras clave

síndrome metabólico; índice de masa corporal; diagnóstico precoz; sensibilidad y especificidad; área bajo la curva.

Referencias

Fahed G, Aoun L, Bou Zerdan M, Allam S, Bou Zerdan M, Bouferraa Y, et al. Metabolic Syndrome: Updates on Pathophysiology and Management in 2021. International Journal of Molecular Sciences. 2022; 23(2):786. DOI:10.3390/ijms23020786

Rojas M, Chávez-Castillo M, Pirela D, Parra H, Nava M, Chacín M, et al. Metabolic Syndrome: Is It Time to Add the Central Nervous System? Nutrients. 2021; 13(7):2254. DOI: 10.3390/nu13072254

Bangen KJ, Armstrong NM, Au R, Gross AL. Metabolic Syndrome and Cognitive Trajectories in the Framingham Offspring Study. Journal of Alzheimer's Disease. 2019; 71(3):931-43. DOI: 10.3233/JAD-190261

Uzunlulu M, Caklili OT, Oguz A. Association between Metabolic Syndrome and Cancer. ANM. 2016; 68(3):173-9. DOI: 10.1159/000443743

Kachur S, Morera R, De Schutter A, Lavie CJ. Cardiovascular Risk in Patients with Prehypertension and the Metabolic Syndrome. Curr Hypertens Rep. 2018; 20(2):15. DOI: 10.1007/s11906-018-0801-2

Wu S, Zhou K, Misra-Hebert A, Bena J, Kashyap SR. Impact of Metabolic Syndrome on Severity of COVID-19 Illness. Metabolic Syndrome and Related Disorders. 2022; 20(4):191-8. DOI: 10.1089/met.2021.0102

Yanai H. Metabolic Syndrome and COVID-19. Cardiol Res. 2020; 11(6):360-5. DOI: 10.14740/cr1181

Saklayen MG. The Global Epidemic of the Metabolic Syndrome. Curr Hypertens Rep. 2018; 20(2):12. DOI: 10.1007/s11906-018-0812-z

Díaz-Ortega JL, Quispe-Tácunan A, Gallo-Ancajima M, Castro-Caracholi L, Yupari-Azabache I, Díaz-Ortega JL, et al. Indicadores de aterogenicidad en la predicción del síndrome metabólico en adultos, Trujillo-Perú. Revista chilena de nutrición. 2021; 48(4):586-94. DOI: 10.4067/S0717-75182021000400586

Diaz A, Espeche W, March C, Flores R, Parodi R, Genesio MA, et al. Prevalencia del síndrome metabólico en Argentina en los últimos 25 años: revisión sistemática de estudios observacionales poblacionales. Hipertensión y Riesgo Vascular. 2018; 35(2):64-9. DOI: 10.1016/j.hipert.2017.08.003

Domínguez-Reyes T, Quiroz-Vargas I, Salgado-Bernabé AB, Salgado-Goytia L, Muñoz-Valle JF, Parra-Rojas I. Las medidas antropométricas como indicadores predictivos de riesgo metabólico en una población mexicana. Nutrición Hospitalaria. 2017; 34(1):96-101. DOI: 10.20960/nh.983

Yeste D, Clemente M, Campos A, Fábregas A, Mogas E, Soler L, et al. Precisión diagnóstica del índice de masa triponderal (kg/m3) para identificar el fenotipo de riesgo metabólico en pacientes obesos. Anales de Pediatría. 2021; 94(2):68-74. DOI: 10.1016/j.anpedi.2020.04.004

Trefethen LN. BMI (Body Mass Index): Calculate your "New BMI". Oxford: Oxford University Mathematical Institute; 2013. [acceso: 29/05/2022]. Disponible en: http://people.maths.ox.ac.uk/trefethen/bmi.html

Ramírez-López LX, Aguilera AM, Rubio CM, Aguilar-Mateus ÁM. Síndrome metabólico: una revisión de criterios internacionales. RCCAR. 2022; 28(1):5885. DOI: 10.24875/RCCAR.M21000010

Ofer K, Ronit L, Ophir A. Normal body mass index (BMI) can rule out metabolic syndrome: An Israeli cohort study: Erratum. Medicine. 2019; 98(19):e15744. DOI: 10.1097/MD.0000000000015744

Ghachem A, Marcotte-Chénard A, Dionne IJ, Brochu M. Body mass index to predict fat mass and metabolic syndrome severity: should it really be specific to sex, age and ethnicity? A NHANES study (1999-2014). Annals of Human Biology. 2019; 46(3):215-24. DOI: 10.1080/03014460.2019.1635645

Radetti G, Fanolla A, Grugni G, Lupi F, Tamini S, Cicolini S, et al. The Role of Different Indexes of Adiposity and Body Composition for the Identification of Metabolic Syndrome in Women with Obesity. Journal of Clinical Medicine. 2021; 10(9):1975. DOI: 10.3390/jcm10091975

Peterson CM, Su H, Thomas DM, Heo M, Golnabi AH, Pietrobelli A, et al. Tri-Ponderal Mass Index vs Body Mass Index in Estimating Body Fat During Adolescence. JAMA Pediatrics. 2017; 171(7):629-36. DOI: 10.1001/jamapediatrics.2017.0460

Ramírez-Vélez R, Correa-Bautista JE, Carrillo HA, González-Jiménez E, Schmidt-RioValle J, Correa-Rodríguez M, et al. Tri-Ponderal Mass Index vs. Fat Mass/Height3 as a Screening Tool for Metabolic Syndrome Prediction in Colombian Children and Young People. Nutrients. 2018; 10(4):412. DOI: 10.3390/nu10040412

Sun J, Yang R, Zhao M, Bovet P, Xi B. Tri-Ponderal Mass Index as a Screening Tool for Identifying Body Fat and Cardiovascular Risk Factors in Children and Adolescents: A Systematic Review. Frontiers in Endocrinology. 2021; 12:694681. DOI: 10.3389/fendo.2021.694681

Elagizi A, Kachur S, Lavie CJ, Carbone S, Pandey A, Ortega FB, et al. An Overview and Update on Obesity and the Obesity Paradox in Cardiovascular Diseases. Progress in Cardiovascular Diseases. 2018; 61(2):142-50. DOI: 10.1016/j.pcad.2018.07.003

Bauce GJ. Comparación entre el IMC tradicional y el IMC Oxford y su relación con otros indicadores, en niños y adolescentes. Rev. Inst. Nac. Hig. 2019 [acceso: 22/05/2022]; 50(1-2):22-29. Disponible en: https://pesquisa.bvsalud.org/gim/resource/zh/biblio-1118371?lang=es

Van Haute M, Rondilla E, Vitug JL, Batin KD, Abrugar RE, Quitoriano F, et al. Assessment of a proposed BMI formula in predicting body fat percentage among Filipino young adults. Sci Rep. 2020; 10(1):21988. DOI: 10.1038/s41598-020-79041-3

Enlaces refback

  • No hay ningún enlace refback.


URL de la licencia: https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es