Creación y validación del Índice Antropometría-Presión Arterial-Edad para evaluación del riesgo de prediabetes y diabetes en Perú
DOI:
https://doi.org/10.35434/rcmhnaaa.2026.192.2877Palabras clave:
Diabetes Mellitus, Antropometría, Análisis Factorial, Técnicas de Apoyo para la Decisión, Informática en Salud PúblicaResumen
Introducción: La identificación temprana, masiva y eficiente de personas en riesgo de diabetes es clave para su prevención. Objetivo: Desarrollar y validar el Índice Antropometría-Presión Arterial-Edad (IAPAE) como herramienta de determinación del riesgo de prediabetes y diabetes en población peruana. Materiales y Métodos: Se analizaron datos secundarios de la Encuesta Nacional Demográfica de Salud-2022(n=31 748), validado en las ENDES-2021(n=32 221) y 2023(n=32 270), con variables antropométricas, presión arterial y edad. Se utilizó el análisis de componentes principales(ACP), evaluando su capacidad evaluativa utilizando la escala de riesgo de diabetes de Bang como referencia con el área bajo la curva(AUC), pruebas de sensibilidad, especificidad, valor predictivo positivo(VPP),valor predictivo negativo(VPN) y Odds Ratio(OR). Resultados: La fórmula resultante del análisis factorial fue:(0,868*perímetro abdominal)+(0,561*edad)+(0,657*presión Sistólica)+(0,710*presión diastólica)+(0,827*IMC), que en población general tuvo AUC=0,914(ENDES-2022),0,887(ENDES-2021), 0,915(ENDES-2023). En personas≤59 años, fueron 0,924(ENDES-2022), 0,893(ENDES-2021) y 0,926(ENDES-2023). En≤39 años, fueron 0,941(ENDES-2022), 0,902(ENDES-2021), 0,955(ENDES-2023). El IAPAE tuvo un AUC mayor a la relación cintura-altura(0,712 en población general, 0,775 en≤39 años, 0,728 en≤59 años), perímetro abdominal (0,742 en población general, 0,893 en≤39 años, 0,799 en≤59 años), índice de masa corporal (0,673 en población general, 0,880 en≤39 años, 0,753 en≤59 años) y edad (0,911 en población general, 0,635 en≤39 años, 0,857 en≤59 años). El desempeño del IAPAE fue: sensibilidad=87,40%(2021), 91,30%(2022),89,20%(2023); especificidad=65,40%(2021), 72,80%(2022),75,30%(2023); VPP=41,70%(2021), 65,20%(2022), 64,40%(2023); VPN=94,80%(2021), 93,80%(2022), 93,30%(2023); OR=12,97(2021), 28,12(2022), 25,15(2023). Conclusiones: El IAPAE es una herramienta eficiente para la determinación del riesgo de prediabetes y diabetes en población peruana.
Descargas
Referencias
1) Facts & figures [Internet]. International Diabetes Federation. 2022 [citado 10 de marzo de 2025]. Disponible en: https://shorturl.at/0N5uq
2) Carrillo-Larco RM, Bernabé-Ortiz A. Diabetes mellitus tipo 2 en Perú: una revisión sistemática sobre la prevalencia e incidencia en población general]. Rev Peru Med Exp Salud Publica. 2019;36(1):26-36. doi: 10.17843/rpmesp.2019.361.4027.
3) Lu X, Xie Q, Pan X, Zhang R, Zhang X, Peng G, Zhang Y, Shen S, Tong N. Type 2 diabetes mellitus in adults: pathogenesis, prevention and therapy. Signal Transduct Target Ther. 2024;9(1):262. doi: 10.1038/s41392-024-01951-9.
4) sociedad Española de Salud y Seguridad en el Trabajo. Riesgo de diabetes tipo 2 determinado con los modelos FINDRISC y QDSCORE en trabajadores menores de 35 años y su relación con variables sociodemográficas [Internet]. 2017 [citado 10 de marzo de 2025]. Disponible en: https://www.sesst.org/riesgo-diabetes-tipo-2-determinado-los-modelos-findrisc-qdscore-trabajadores-menores-35-anos-relacion-variables-sociodemograficas/
5) Instituto Nacional de Estadística e Informática [Internet]. Gob.pe. [citado 12 de abril de 2024]. Disponible en: https://shorturl.at/SVgit
6) Fan Y, Wang R, Ding L, Meng Z, Zhang Q, Shen Y, Hu G, Liu M. Waist Circumference and its Changes Are More Strongly Associated with the Risk of Type 2 Diabetes than Body Mass Index and Changes in Body Weight in Chinese Adults. J Nutr. 2020;150(5):1259-1265. doi: 10.1093/jn/nxaa014.
7) Muñoz-Hernando J, Escribano J, Ferré N, Closa-Monasterolo R, Grote V, Koletzko B, Gruszfeld D, ReDionigi A, Verduci E, Xhonneux A, Luque V. Usefulness of the waist-to-height ratio for predicting cardiometabolic risk in children and its suggested boundary values. Clin Nutr. 2022;41(2):508-516. doi: 10.1016/j.clnu.2021.12.008.
8) Bang H, Edwards AM, Bomback AS, Ballantyne CM, Brillon D, Callahan MA, Teutsch SM, Mushlin AI, Kern LM. Development and validation of a patient self-assessment score for diabetes risk. Ann Intern Med. 2009 ;151(11):775-83. doi: 10.7326/0003-4819-151-11-200912010-00005.
9) Instituto Nacional de Estadistica e Informatica. MANUAL DEL ANTROPOMETRISTA [Internet]. Gob.pe. 2010 [citado 21 de septiembre de 2024]. Disponible en: https://shorturl.at/Jor5o
10) Wu L, Liu H, Cui Z, Hou F, Gong X, Zhang Y, Lu C, Liu H, Yu P. Fluctuations in waist circumference increase diabetes risk: a 4-year cohort study in 61,587 older adults. Nutr Metab (Lond). 2021;18(1):99. doi: 10.1186/s12986-021-00627-3.
11) Strings S, Wells C, Bell C, Tomiyama AJ. The association of body mass index and odds of type 2 diabetes mellitus varies by race/ethnicity. Public Health. 2023;215:27-30. doi: 10.1016/j.puhe.2022.11.017.
12) Lee MK, Lee JH, Sohn SY, Ahn J, Hong OK, Kim MK, Baek KH, Song KH, Han K, Kwon HS. Cumulative exposure to metabolic syndrome in a national population-based cohort of young adults and sex-specific risk for type 2 diabetes. Diabetol Metab Syndr. 2023 ;15(1):78. doi: 10.1186/s13098-023-01030-z.
13) Klein S, Gastaldelli A, Yki-Järvinen H, Scherer PE. Why does obesity cause diabetes? Cell Metab. 2022 ;34(1):11-20. doi: 10.1016/j.cmet.2021.12.012.
14) Kawai T, Autieri MV, Scalia R. Adipose tissue inflammation and metabolic dysfunction in obesity. Am J Physiol Cell Physiol. 2021;320(3):C375-C391. doi: 10.1152/ajpcell.00379.2020.
15) Mancusi C, Izzo R, di Gioia G, Losi MA, Barbato E, Morisco C. Insulin Resistance the Hinge Between Hypertension and Type 2 Diabetes. High Blood Press Cardiovasc Prev. 2020 ;27(6):515-526. doi: 10.1007/s40292-020-00408-8.
16) Tudurí E, Soriano S, Almagro L, Montanya E, Alonso-Magdalena P, Nadal Á, Quesada I. The pancreatic β-cell in ageing: Implications in age-related diabetes. Ageing Res Rev. 2022;80:101674. doi: 10.1016/j.arr.2022.101674.
17) Palmer AK, Jensen MD. Metabolic changes in aging humans: current evidence and therapeutic strategies. J Clin Invest. 2022;132(16):e158451. doi: 10.1172/JCI158451.
18) Peralta HM, Costa Gil JE, Saleme AE. FINDRISC as screening for detection of prediabetes and unknown type 2 diabetes. Medicina (B Aires). 2024;84(1):1-10. Disponible en: https://pubmed.ncbi.nlm.nih.gov/38271927/
19) Martínez Cerón A, Martínez Arellanes P del C, Reyes Pintor AJ, Gutiérrez Vázquez GL. Desempeño de Instrumentos Predictores de Riesgo para Desarrollar Diabetes Mellitus Tipo 2 en Población Adscrita a una Unidad Médica de Primer Nivel. Ciencia Latina. 2024;8(6):1592–612. doi:10.37811/cl_rcm.v8i6.14926
20) Hippisley-Cox J, Coupland C. Development and validation of QDiabetes-2018 risk prediction algorithm to estimate future risk of type 2 diabetes: cohort study. BMJ. 2017;359:j5019. doi: 10.1136/bmj.j5019.
Descargas
Publicado
Número
Sección
Categorías
Licencia
Derechos de autor 2026 Alberto Guevara Tirado
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
