Modelo de predicción para Síndrome metabólico en adultos de Trujillo, Perú
Palabras clave:
Adultos, colesterol, HDL-colesterol, triglicéridos, estilo de vida, síndrome metabólico.Resumen
Introducción: El síndrome metabólico es una confluencia de alteración metabólica que involucra la glicemia y el perfil lipídico, la presión arterial, y en especial la obesidad que aumentan el riesgo cardiovascular.
Objetivo: Estimar un modelo de predicción de síndrome metabólico en adultos del Distrito de Trujillo (Perú), a partir de indicadores aterogénicos, antropométricos y estilos de vida.
Material y Métodos: Participaron 260 adultos de 30 a 65 años de la Ciudad de Trujillo. El síndrome metabólico se identificó mediante criterios del ALAD y ATP III armonizado, y se aplicó un cuestionario de preguntas para estilos de vida. Para el análisis estadístico se utilizó la regresión logística.
Resultados: Consumen gaseosa y snack 70,8 % y 38,5 %; no consumen frutas y verduras en 56,2 % y 58,1 %; y no realiza actividad física 47,7 %. Presentó síndrome metabólico según ALAD y ATP III 46,2 % y 48,1 %, respectivamente. Se asociaron según ALAD; el Índice de Masa Corporal (OR: 11,014; IC 95 %: 4,337-27,971); Índice Castelli (OR: 2,344; IC95 %: 1,074-5,113) y TG/HDL (OR: 3,584; IC 95 %: 1,774-7,242). Se asociaron según ATP III; el sexo (OR: 2,385; IC 95 %: 1,2-4,739); edad (OR: 1,939; IC 95%: 1,032 – 3,644); Índice de Masa Corporal (OR: 5,880; IC 95 %: 2,547-13,576); índice de Castelli (OR: 2,935; IC 95 %: 1,295-6,653) y TG/HDL (OR: 6,937; IC 95 % 3,232-14,889). No hubo asociación entre estilos de vida y síndrome metabólico.
Conclusiones: El modelo de predicción para síndrome metabólico por ALAD involucra al Índice de Masa Corporal, Castelli e Índice TG/HDL; se adiciona género y edad en el modelo para síndrome metabólico por ATP III armonizado.
Descargas
Citas
1. Raimi TH, Dele Ojo BF, Dada SA, Fadare JO, Ajayi DD, Ajayi EA, et al. Triglyceride-Glucose Index and Related Parameters Predicted Metabolic Syndrome in Nigerians. Metab Syndr Relat Disord [Internet].2021 [Citado 10/10/2020];19(2):76-82. Disponible en: https://pubmed.ncbi.nlm.nih.gov/33170086/
2. Saklayen M. The Global Epidemic of the Metabolic Syndrome. Current Hypertension Reports [Internet].2018 [Citado 10/10/2020];20(2):12. Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5866840/
3. Giuseppe S, Dianin M, Bertocco A, Zanforlini B, Curreri C, Mazzochin M. Gender differences in the impact of metabolic syndrome components on mortality in older people: A systematic review and meta-analysis. Nutr Metab Cardiovasc Dis. 2020; 30(9):1452-464.
4. Linkner E, Humphreys C. Insulin Resistance and the Metabolic Syndrome. En: Rakel D, ed. Integrative Medicine. 4 ed. Filadelfia: Elsevier; 2018.p. 320-33.
5. Tenk J, Peter M, Hegyi M, Rostás I, Garami A, Szabó I. Perceived stress correlates with visceral obesity and lipid parameters of the metabolic syndrome: A systematic review and meta-analysis. Psychoneuroendocrinology [Internet].2018 [Citado 10/10/2020];95(2018):63-73. Disponible en: https://pubmed.ncbi.nlm.nih.gov/29803182/
6. Wilsgaard T, Jacobsen B. Lifestyle factors and incident metabolic syndrome The Tromsø Study 1979–2001. Diabetes Res Clin Pract [Internet].2007 [Citado 13/10/2020];78(2):227-4. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S0168822707002094
7. Cuschieri S, Vassallo J, Calleja N, Pace N, Mamo J. The effect of age, gender, TG/HDL-C ratio and behavioral lifestyles on the metabolic syndrome in the high risk Mediterranean Island population of Malta. Diabetes Metab Syndr Clin Res Rev [Internet].2017 [Citado 13/10/2020];11(2017):S321-7. Disponible en: https://doi.org/10.1016/j.dsx.2017.03.009
8. Arsentales V, Tenorio M, Bernabé A. Asociación entre actividad física ocupacional y síndrome metabólico: Un estudio poblacional en Perú. Rev Chil Nutr [Internet].2019 [Citado 25/10/2020];46(4):392-9. Disponible en: https://scielo.conicyt.cl/scielo.php?script=sci_arttext&pid=S0717-75182019000400392
9. Bolívar E, Villanueva A. Validación y confiabilidad del Cuestionario AQ-27 de actitudes estigmatizadoras hacia pacientes con esquizofrenia en un Hospital General -2015. Rev Neuropsiquiatr [Internet].2017 [Citado 25/10/2020];80(3):165-71. Disponible en: http://www.scielo.org.pe/pdf/rnp/v80n3/a03v80n3.pdf
10. Domingo F. Utilidad de los índices aterogénicos como marcadores biológicos en el síndrome metabólico [Tesis Doctoral]. Madrid: Universidad Complutense; 2012.
11. Rosas Guzmán J, González Chávez A, Aschner P, Bastarrachea R. Epidemiología, Diagnóstico, Control, Prevención y Tratamiento del Síndrome Metabólico en Adultos. ALAD [Internet].2010 [Citado 03/11/2020];18(1):25-44. Disponible en: https://www.revistaalad.com/pdfs/100125-44.pdf
12. Lizarzaburu J. Síndrome Metabólico: concepto y aplicación práctica. A Fac Med [Internet]. 2014 [Citado 03/11/2020];74(4):315. Disponible en: http://www.scielo.org.pe/pdf/afm/v74n4/a09v74n4.pdf
13. Hosmer D, Lemeshow S, Sturdivant R. Applied Logistic Regression. 3 ed. EE UU: A Wiley Interscience Publication; 2013.
14. Seclén S. Diabetes Mellitus en el Perú: hacia dónde vamos. Rev Med Hered. [Internet]. 2015 [Citado 11/11/2020];26(1):3-4. Disponible en: http://www.scielo.org.pe/scielo.php?script=sci_arttext&pid=S1018-130X2015000100001
15. Sifuentes V. Los hábitos alimentarios y las redes de soporte social de los adultos mayores. Revista Peruana Sicología Trabajo Social [Internet]. 2016 [Citado 11/11/2020];5(2):77-94. Disponible en: http://revistas.uigv.edu.pe/index.php/psicologia/article/view/515/460
16. Tarqui Mamani C, Álvarez Dongo D, Espinoza Oriundo P. Prevalencia y factores asociados a la baja actividad física de la población peruana. Nutr Clin y Diet Hosp [Internet].2017 [Citado 11/11/2020];37(4):108-15. Disponible en: https://revista.nutricion.org/PDF/TARQUIMA.pdf
17. Huamán J, Álvarez M, Gamboa L, Marino F. Índice cintura-estatura como prueba diagnóstica del Síndrome Metabólico en adultos de Trujillo. Rev Med Hered [Internet]. 2017 [Citado 11/11/2020];28(1):13-20. Disponible en:
http://www.scielo.org.pe/scielo.php?script=sci_arttext&pid=S1018-130X2017000100003
18. Instituto Nacional Estadística Información. Enfermedades No Transmisibles y Transmisibles. Lima:INEI; 2020.
19. Millán J, Hernández Mijares A, Ascaso JF, Blasco M, Brea A, Díaz Á, et al. The real measurement of non-HDL-cholesterol: Atherogenic cholesterol. Clin Investig Arterioscler. 2016;28(6):265-70.
20. Zúñiga Hurtado C, Álvarez Cedeño G, Aguirre Espinosa A, Pozo Arcentales M. Utilidad del índice aterogénico en la predicción de enfermedad coronaria. Recimundo [Internet].2020 [Citado 02/12/2020];4(1):78-89. Disponible en: https://doi.org/10.26820/recimundo/4.(1).esp.marzo.2020.78-89
21. Ren X, Chen ZA, Zheng S, Han T, Li Y, Liu W, et al. Association between triglyceride to HDL-C Ratio (TG/HDL-C) and insulin resistance in chinese patients with newly diagnosed type 2 diabetes mellitus. PLoS One [Internet].2016 [Citado 12/03/2021];11(4):1-13. Disponible en: https://pubmed.ncbi.nlm.nih.gov/27115999/
22. Bernabé Ortiz A, Carrillo Larco RM, Gilman RH, Checkley W, Smeeth L, Miranda JJ, et al. Contribution of modifiable risk factors for hypertension and type-2 diabetes in Peruvian resource-limited settings. J Epidemiol Community Health [Internet]. 2015 [Citado 12/03/2021];70(1):49-55. Disponible en: https://pubmed.ncbi.nlm.nih.gov/26248550/
23. Singh SK, Aggarwal J, Kathariya G, Manzoor S. Usefulness of the TG/HDL ratio in predicting cardiovascular risk: A MMIMSR experience. JK Sci [Internet].2020 [Citado 12/03/2021];22(2):75-9. Disponible en: https://www.jkscience.org/archives/volume222/7-Original%20Article.pdf
24. Dos Prazeres E, Sabino C, Dornelas A, Galvão I, Da Silva A, Kruze I. Razón entre grasa visceral y subcutánea como predictor de alteraciones cardiometabólicas. Rev Chil Nutr [Internet].2018 [Citado 23/03/2021];45(1):28-36. Disponible en: https://scielo.conicyt.cl/pdf/rchnut/v45n1/0716-1549-rchnut-45-01-0028.pdf
25. Von Bibra H, Saha S, Hapfelmeier A, Müller G, Schwarz P. Impact of the Triglyceride/High-Density Lipoprotein Cholesterol Ratio and the Hypertriglyceremic-Waist Phenotype to Predict the Metabolic Syndrome and Insulin Resistance. Horm Metab Res [Internet].2017 [Citado 23/03/2021];49(07):542-9. Disponible en: https://pubmed.ncbi.nlm.nih.gov/28597452/
26. Salcedo Cifuentes M, Belalcazar S, Acosta EY, Medina Murillo JJ. Conventional biomarkers for cardiovascular risks and their correlation with the castelli risk index-indices and TG/HDL-c. Arch Med [Internet].2019 [Citado 23/03/2021];20(1):11-22. Disponible en: https://revistasum.umanizales.edu.co/ojs/index.php/archivosmedicina/article/view/3534/5414
27. Instituto Nacional Estadística Informática. Estadísticas con enfoque de género. Trimestre enero-febrero 2020. Lima: INEI; 2020.
28. Gygliola P, Tarquino G, Chambi E, Averanga K, Salcedo L. Determinación de glucosa: El uso de glucómetros como prueba rápida de análisis. J Selva Andina Res Soc [Internet].2020 [Citado 23/03/2021];11:38-48. Disponible en: http://www.scielo.org.bo/pdf/jsars/v11n1/v11n1_a05.pdf
Descargar PDF
