Resumen
Introducción: El Índice de Masa Corporal (IMC) es insuficiente para diagnosticar obesidad. Este documento presenta al Índice de Masa Grasa (IMG) como indicador más preciso para el diagnóstico de esta enfermedad dado su nivel alto de correlación respecto a las variables propias del tejido graso.
Objetivo: Identificar las variables cineantropométricas más relevantes para determinar el IMG como herramienta más adecuada para el diagnóstico de obesidad en la población que asistió a consulta ambulatoria.
Metodología: El estudio retrospectivo, fue desarrollado con una población de 899 entre los 6 y los 81 años de edad. Los datos fueron obtenidos por bioimpedanciometría (Inbody® 770) durante un periodo de dos años (2017-2019). La información fue depurada mediante la metodología de minería de datos CRISP-DM y analizada estadísticamente mediante el programa estadístico SPSS. Finalmente se relacionan las variables antropométricas asociadas al tejido graso con el IMG y el IMC mediante el coeficiente de determinación (R2).
Resultados: Se determinó que las variables con mayor relación con la masa grasa son: circunferencia medida cadera, circunferencia medida cuello, circunferencia medida abdomen y peso. Sin embargo, la importancia de esta relación depende del género.
Conclusión: La relevancia de este estudio es el cálculo de masa grasa a partir de medidas antropométricas, para lograr así obtener el IMG y al ser este último específico para el diagnóstico de sobrepeso/obesidad, la implementación de cineantropometría en la consulta de paciente con obesidad es crucial para un adecuado abordaje del paciente, al no contar con la tecnología para determinar composición corporal.
Citas
Romero-Corral A, Somers VK, Sierra-Johnson J, Thomas RJ, Collazo-Clavell ML, Korinek J, et al. Accuracy of body mass index in diagnosing obesity in the adult general population. Int J Obes. 2008;32(6):959-66. https://doi.org/10.1038/ijo.2008.11
Flegal KM, Kit BK, Orpana H, Graubard BI. Association of all-cause mortality with overweight and obesity using standard body mass index categories a systematic review and meta-analysis. JAMA. 2013;309:71-82. https://doi.org/10.1001/jama.2012.113905
Heymsfield SB, Cefalu WT. Does body mass index adequately convey a patient’s mortality risk? JAMA. 2013;309(1):87-8. https://doi.org/10.1001/jama.2012.185445
Clin N, Suárez-Carmona MW, Sánchez-Oliver AJ, Suárez-Carmona W, Antonio C, Sánchez-Oliver J. Índice de masa corporal: ventajas y desventajas de su uso en la obesidad. Relación con la fuerza y la actividad física. Nutr Clin Med. 2018;XII(3):128-39.
WHO. WHO Technical Report Series 894: Obesity: preventing and managing the global epidemic; Ginebra, Suiza. World Health Organization; 2000. Disponible en: https://apps.who.int/iris/handle/10665/42330
Ford ES, Mokdad AH. Epidemiology of obesity in the Western Hemisphere. J Clin Endocrinol Metab. 2008;93(11):1-8. https://doi.org/10.1210/jc.2008-1356
Okorodudu DO, Jumean MF, Montori VM, Romero-Corral A, Somers VK, Erwin PJ, et al. Diagnostic performance of body mass index to identify obesity as defined by body adiposity: A systematic review and meta-analysis. Int J Obes. 2010;34(5):791-9. https://doi.org/10.1038/ijo.2010.5
Mottillo S, Filion KB, Genest J, Joseph L, Pilote L, Poirier P, et al. The metabolic syndrome and cardiovascular risk: A systematic review and meta-analysis. J Am Coll Cardiol. 2010 sept. 28;56(14):1113-32. https://doi.org/10.1016/j.jacc.2010.05.034
Karastergiou K, Smith SR, Greenberg AS, Fried SK. Sex differences in human adipose tissues - The biology of pear shape. Biol Sex Differ. 2012;3(1):1-12. https://doi.org/10.1186/2042-6410-3-13
Kelly TL, Wilson KE, Heymsfield SB. Dual energy X-ray absorptiometry body composition reference values from NHANES. PLoS One. 2009;4(9):2-9. https://doi.org/10.1371/journal.pone.0007038
Rodríguez O. Metodología para el Desarrollo de Proyectos en Minería de Datos CRISP-DM. 2010. Disponible en: http://ir.obihiro.ac.jp/dspace/handle/10322/3933
Wirth R. CRISP-DM?: Towards a Standard Process Model for Data Mining. Disponible en: http://cs.unibo.it/~danilo.montesi/CBD/Beatriz/10.1.1.198.5133.pdf
Orallo JH, Ramírez MJ. Introducción a la Minería de Datos. España: Pearson Educación; 2004.
Whitney DG, Miller F, Pohlig RT, Modlesky CM. BMI does not capture the high fat mass index and low fat-free mass index in children with cerebral palsy and proposed statistical models that improve this accuracy. Int J Obes. 2019;43(1):82-90. https://doi.org/10.1038/s41366-018-0183-1
Lyall DM, Celis-Morales C, Ward J, Iliodromiti S, Anderson JJ, Gill JM, et al. Association of body mass index with cardiometabolic disease in the UK biobank: A mendelian randomization study. JAMA Cardiol. 2017;2(8):882-9. https://doi.org/10.1001/jamacardio.2016.5804
Liu J, Fox CS, Hickson DM, May WD, Hairston KG, Carr JJ, et al. Impact of abdominal visceral and subcutaneous adipose tissue on cardiometabolic risk factors: The Jackson Heart Study. J Clin Endocrinol Metab. 2010;95(12):5419-26. https://doi.org/10.1210/jc.2010-1378

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Derechos de autor 2022 Revista Colombiana de Endocrinología, Diabetes & Metabolismo

