Minimal measurement strategies for cardiometabolic risk classification within the Positive Health framework: A cross-sectional analysis of NHANES 1999-2004 data

Resumen Técnico: Estrategias de Medición Mínima para la Clasificación del Riesgo Cardiometabólico dentro del Marco de la Salud Positiva

Planteamiento del Problema
Las enfermedades no transmisibles (ENT) siguen siendo una de las principales causas de mortalidad mundial, impulsadas por factores de riesgo como la adiposidad, la disfunción metabólica y la reducción de la aptitud física. Si bien el marco de la "Salud Positiva" (SP) ha ampliado la definición de salud para incluir dimensiones fisiológicas, sociales y emocionales, los instrumentos actuales de la SP carecen de indicadores fisiológicos objetivos y escalables para la salud metabólica y cardiovascular. Aunque se sabe que diversos indicadores antropométricos se correlacionan con el riesgo cardiometabólico, no está claro qué combinación específica de indicadores simples y automedibles proporciona mejoras significativas en la clasificación del riesgo en comparación con enfoques más sencillos. Existe la necesidad de determinar si un conjunto parsimonioso de mediciones puede lograr un rendimiento de clasificación comparable al de un conjunto completo de candidatos, reduciendo así la carga de medición en el monitoreo de la salud poblacional.

Metodología
Este estudio transversal utilizó datos de 8,275 adultos de las cohortes de la Encuesta Nacional de Examen de Salud y Nutrición (NHANES) de 1999–2004. Los investigadores evaluaron un conjunto mínimo predefinido de cuatro indicadores automedibles seleccionados según estándares de salud y consulta de expertos:

1. Índice de Masa Corporal (IMC): Proxy de metabolismo lipídico.
2. Relación Cintura-Estatura (RCE): Proxy del porcentaje de grasa corporal.
3. Circunferencia de la Parte Media Superior del Brazo (CPMSB): Proxy del metabolismo de la glucosa.
4. VO2máx: Utilizado como proxy de la prueba de caminata de 6 minutos (6MWT) para representar la aptitud cardiorrespiratoria (medido en una submuestra de n=2,919).

Estos indicadores se vincularon a resultados de riesgo clínico categorizados en grupos de bajo y alto riesgo basados en puntos de corte epidemiológicos: porcentaje de grasa corporal, HbA1c, glucosa, insulina, colesterol y triglicéridos.

El estudio empleó dos enfoques analíticos complementarios:

• Regresión Logística Anidada: Los modelos se construyeron en pasos: (i) modelo base (edad, sexo); (ii) +IMC; (iii) +RCE; (iv) +IMC+RCE; y (v) modelo completo (incluyendo CPMSB y VO2máx donde estuviera disponible). El rendimiento se evaluó mediante Pruebas de Razón de Verosimilitud (LRT), ROC-AUC y AUC de Precisión-Recall (PR-AUC) para manejar los desequilibrios de clase.
• Análisis de Árboles de Decisión: Se utilizó para identificar relaciones no lineales y determinar las variables principales que impulsan las decisiones de clasificación (variables de división) dentro del conjunto mínimo.

Resultados Clave

• Dominancia de la RCE: En casi todos los modelos y resultados, la RCE demostró consistentemente el desempeño discriminativo más fuerte. En los modelos anidados, la diferencia en la PR-AUC entre el IMC y la RCE osciló entre -0.002 y -0.037, emergiendo la RCE como la principal variable de división en los árboles de decisión.
• Valor Incremental del IMC: Agregar el IMC a un modelo que contiene la RCE resultó en ganancias solo marginales en la PR-AUC para la mayoría de los resultados (0.000 a 0.008). Una excepción notable fue la de los triglicéridos, donde la adición del IMC produjo una ganancia mayor (ΔPR-AUC = 0.039).
• Valor Limitado de la CPMSB y el VO2máx: La inclusión posterior de la CPMSB y el VO2máx proporcionó un valor de clasificación adicional limitado en general.
  • VO2máx: En la submuestra donde se midió el VO2máx, su adición al modelo no mejoró la clasificación más allá de las medidas antropométricas. Sin embargo, en los análisis de árboles de decisión estratificados por sexo, el VO2máx fue una variable influyente para los hombres, mientras que la CPMSB pareció ser más importante para las mujeres.
  • Resultados de Glucosa/Insulina: No se pudieron generar árboles de decisión significativos para la HbA1c, la insulina o la glucosa, lo que indica que los predictores disponibles no dividieron eficazmente estos resultados específicos.
• Desempeño del Modelo: Los árboles de decisión que combinaron el conjunto mínimo (incluyendo el VO2máx) mostraron una mayor sensibilidad y exactitud balanceada en comparación con los modelos de solo IMC, particularmente para detectar individuos con grasa corporal elevada, triglicéridos y colesterol total elevados.

Significancia y Reivindicaciones
El artículo concluye que una estrategia de medición parsimoniosa que utilice un número limitado de indicadores simples y automedibles es suficiente para la clasificación del riesgo cardiometabólico. Específicamente, el estudio afirma que:

• La RCE es el motor principal: Supera consistentemente al IMC y sirve como el indicador más efectivo para identificar a individuos en riesgo de presentar grasa corporal, triglicéridos y colesterol elevados.
• Rendimientos Decrecientes: Agregar más mediciones (CPMSB, VO2máx) proporciona poco beneficio adicional a la clasificación del rendimiento, lo que sugiere que los protocolos de medición complejos pueden no ser necesarios para la estratificación de riesgo inicial.
• Factibilidad para la Salud Positiva: Estos hallazgos respaldan la integración de estrategias antropométricas simples y eficientes en términos de recursos dentro del marco de la Salud Positiva. Este enfoque puede aliviar las cargas de medición en entornos de salud pública y prevención, manteniendo la capacidad de clasificar el riesgo de manera efectiva.

Los autores señalan limitaciones, incluyendo la naturaleza transversal de los datos (lo que impide la predicción de riesgo a largo plazo), el uso de datos medidos por investigadores en lugar de automedidos en NHANES, y el posible sesgo de selección en la submuestra de VO2máx (que era más joven y saludable). Sugieren que investigaciones futuras deben validar estos hallazgos en cohortes longitudinales y explorar umbrales específicos por subgrupos.