Evaluación metodológica del Índice Psicosomático para la clasificación de riesgo estimado de diabetes según el índice de Bang en población peruana
DOI:
https://doi.org/10.35434/rcmhnaaa.2026.191.2917Palabras clave:
Diabetes Mellitus Tipo 2, Depresión, Indicadores de Salud, Modelos Teóricos, Estudios TransversalesResumen
Introducción: La diabetes mellitus tipo 2 constituye un problema creciente en el Perú; los modelos de estimación de riesgo suelen priorizar factores metabólicos, relegando componentes emocionales como la depresión. El objetivo fue evaluar el desempeño discriminativo del Índice Psicosomático (IPS) para clasificar a la población adulta peruana según el riesgo estimado por el índice de Bang, utilizado como modelo de referencia. Material y métodos: Estudio analítico con datos secundarios de la ENDES 2022–2024 (n= 95 685). Se incluyeron registros con información completa de presión arterial, medidas antropométricas y puntaje PHQ-9. Mediante análisis factorial se construyó un índice compuesto y se evaluó su desempeño discriminativo mediante curvas ROC (AUC), índice de Youden, sensibilidad, especificidad y otras métricas, comparándolo con el índice de Bang. Resultados: El análisis factorial identificó tres componentes: hemodinámico (PAS), antropométrico (IMC) y afectivo (PHQ-9), que conformaron el IPS= (PAS × 0,915 + IMC × 0,971 + PHQ-9 × 0,914). El modelo mostró adecuación estadística (KMO= 0,559; Bartlett: p<0,001). En mujeres, el IPS alcanzó un AUC= 0,849, superior al IMC, perímetro abdominal y PHQ-9. En varones, la relación cintura/altura mostró mayor desempeño (AUC= 0,851). Por edad, el IPS presentó desempeño excelente ≤39 años (AUC= 0,916–0,993) y moderado en ≥40 años (AUC= 0,737–0,836). Conclusiones: El IPS mostró buen desempeño discriminativo para clasificar a población adulta según riesgo estimado por el índice de Bang, especialmente en mujeres y adultos jóvenes, respaldando su utilidad exploratoria como herramienta integrada cardiometabólica-psicoemocional que requiere validación frente a estándares clínicos o bioquímicos.
Descargas
Referencias
1) Hossain MJ, Al-Mamun M, Islam MR. Diabetes mellitus, the fastest growing global public health concern: Early detection should be focused. Health Sci Rep [Internet]. 2024;7(3):e2004. doi:10.1002/hsr2.2004
2) Ministerio de Salud (MINSA). La diabetes se constituye como séptima causa de muerte en nuestro país [Internet]. Lima: Ministerio de Salud; 2024 Nov 14. Disponible en: https://shortlink.uk/1rVOx
3) Zhang Y, Zhang Y, Zhu L, Yu Z, Lu F, Wang Z, et al. The correlation between health risk factors and diabesity and lipid profile indicators: The role mediator of TSH. Diabetes Metab Syndr Obes [Internet]. 2023;16:1247–59.doi:10.2147/DMSO.S398124
4) Ismail L, Materwala H, Al Kaabi J. Association of risk factors with type 2 diabetes: A systematic review. Comput Struct Biotechnol J [Internet]. 2021;19:1759–85. doi:10.1016/j.csbj.2021.03.003
5) Kahl KG, Schweiger U, Correll C, Müller C, Busch M-L, Bauer M, et al. Depression, anxiety disorders, and metabolic syndrome in a population at risk for type 2 diabetes mellitus. Brain Behav [Internet]. 2015;5(3):e00306. doi:10.1002/brb3.306
6) Abate TW, Gedamu H. Psychosocial and clinical factors associated with depression among individuals with diabetes in Bahir Dar City Administrative, Northwest Ethiopia. Ann Gen Psychiatry [Internet]. 2020;19(1):18. doi:10.1186/s12991-020-00267-6
7) Instituto Nacional de Estadística e Informática (INEI). Encuesta Demográfica y de Salud Familiar – ENDES 2022 [Internet]. Lima: INEI; 2022 [citado 2025 jun 17]. Disponible en: https://shortlink.uk/1mJdq
8) Manual MSD, versión para profesionales. Calculadoras clínicas [Internet]. [citado 17 de junio de 2025]. Disponible en: https://shortlink.uk/1mJdu
9) Sălcudean A, Popovici R-A, Pitic DE, Sârbu D, Boroghina A, Jomaa M, et al. Unraveling the complex interplay between neuroinflammation and depression: A comprehensive review. Int J Mol Sci [Internet]. 2025;26(4). doi:10.3390/ijms26041645
10) Lei AA, Phang VWX, Lee YZ, Kow ASF, Tham CL, Ho Y-C, et al. Chronic stress-associated depressive disorders: The impact of HPA axis dysregulation and neuroinflammation on the hippocampus-A mini review. Int J Mol Sci [Internet]. 2025;26(7):2940. doi:10.3390/ijms26072940
11) Shchaslyvyi AY, Antonenko SV, Telegeev GD. Comprehensive review of chronic stress pathways and the efficacy of Behavioral Stress Reduction Programs (BSRPs) in managing diseases. Int J Environ Res Public Health [Internet]. 2024;21(8):1077. doi:10.3390/ijerph21081077
12) Gruber T, Lechner F, Krieger J-P, García-Cáceres C. Neuroendocrine gut-brain signaling in obesity. Trends Endocrinol Metab [Internet]. 2025;36(1):42–54. doi:10.1016/j.tem.2024.05.002
13) Jakubowska P, Balcerczyk-Lis M, Fortuna M, Janiak A, Kopaczyńska A, Skwira S, et al. Influence of metabolic dysregulation in the management of depressive disorder-narrative review. Nutrients [Internet]. 2024;16(11):1665. doi: 10.3390/nu16111665
14) Yu H, Yang W-M, Chen Y-H, Guo L, Li R, Xue F, et al. The gut microbiome from middle-aged women with depression modulates depressive-like behaviors and plasma fatty acid metabolism in female middle-aged mice. J Psychiatr Res [Internet]. 2024;173:139–50. doi:10.1016/j.jpsychires.2024.03.023
15) He Q, Zheng R, Song W, Sun X, Lu C. The impact of metabolic heterogeneity of obesity and transitions on cardiovascular disease incidence in Chinese middle-aged and elderly population: A nationwide prospective cohort study. Diabetes Obes Metab [Internet]. 2025;27(2):501–10. doi:10.1111/dom.16040
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.




