Obesity Management in Indonesia: Links Between mHealth Utilization, Digital Health Inequality, and Sustained Physical Activity

Resumen Técnico: Gestión de la Obesidad en Indonesia – Vínculos entre la Utilización de mHealth, la Desigualdad en la Salud Digital y la Actividad Física Sostenida

Planteamiento del Problema
La obesidad es una creciente crisis de salud pública en Indonesia, impulsada por la urbanización, los cambios en la dieta y los estilos de vida sedentarios. Si bien se promueven cada vez más las tecnologías de salud móvil (mHealth) como herramientas rentables para la gestión de la obesidad y el monitoreo de la actividad física, su adopción no es uniforme. Existe una "brecha digital" significativa, donde las disparidades en el estatus socioeconómico (SES) y la ubicación geográfica (rural frente a urbana) limitan el acceso a los recursos de salud digital. La literatura actual suele centrarse en la viabilidad o la eficacia a corto plazo de la mHealth en naciones en desarrollo, pero carece de una comprensión integral de cómo las desigualdades estructurales (SES) influyen en la utilización de la mHealth (UMH) y, posteriormente, en la sostenibilidad de la actividad física (PAS). Existe una brecha específica en la comprensión de si la UMH actúa como un mecanismo mediador entre el SES y la PAS, y si estas relaciones estructurales difieren entre las poblaciones rurales y urbanas de Indonesia.

Metodología
El estudio empleó un diseño de encuesta transversal que involucró a 1,204 adultos indonesios (IMC ≥ 25) que presentaban sobrepeso u obesidad. La muestra fue estratificada para representar proporcionalmente la división demográfica nacional entre poblaciones urbanas (58.6%, n=706) y rurales (41.4%, n=498), basada en las clasificaciones de la Oficina Central de Estadística de Indonesia.

• Recolección de Datos: Los datos se recopilaron en febrero de 2026 mediante distribución física en centros de salud comunitaria (Puskesmas) y canales digitales (WhatsApp).
• Variables:
  • Variable Independiente: Estatus Socioeconómico (SES), modelado como un constructo latente reflexivo que comprende el nivel educativo, el ingreso familiar y la estabilidad laboral.
  • Mediador: Utilización de mHealth (UMH), medida por la frecuencia y la motivación para usar aplicaciones móviles (por ejemplo, Halodoc, Alodokter, rastreadores de actividad física) para el monitoreo de la salud y el cambio de comportamiento.
  • Variable Dependiente: Sostenibilidad de la Actividad Física (PAS), medida a través de la frecuencia y consistencia autoinformada de la actividad física en los dominios recreativo, de transporte y ocupacional.
  • Controles: Edad, género y área de residencia.
• Enfoque Analítico: El estudio utilizó Modelado de Ecuaciones Estructurales (SEM) para probar vías directas e indirectas. Se realizó un análisis de SEM multimodelo para comparar las rutas estructurales entre las cohortes urbanas y rurales. Se estableció la invarianza de medición para asegurar la comparabilidad de los constructos entre grupos. Se utilizó bootstrapping (5,000 muestras) para probar los efectos de mediación.

Resultados Clave
El modelo estructural demostró índices de ajuste excelentes (CFI = 0.95, RMSEA = 0.048). El análisis arrojó los siguientes hallazgos:

1. Asociaciones Directas:

   • SES → UMH: Se encontró una relación positiva significativa (β = 0.44, p < 0.001), lo que indica que un mayor SES predice fuertemente una mayor utilización de las herramientas de mHealth.
   • UMH → PAS: Correlación positiva significativa (β = 0.46, p < 0.001), lo que sugiere que el uso de mHealth está vinculado a la actividad física sostenida.
   • SES → PAS: Existe una relación directa positiva significativa (β = 0.21, p < 0.001), independiente del uso de mHealth.

2. Mediación:

   • Se encontró que la UMH media parcialmente la relación entre el SES y la PAS. El efecto indirecto (SES → UMH → PAS) fue significativo (β = 0.20, IC del 95% [0.16, 0.24]). Esto indica que una parte de la ventaja que tienen los individuos de mayor SES para mantener la actividad física se canaliza a través de su capacidad para utilizar herramientas de salud digital.

3. Disparidades Urbano-Rurales (Análisis Multimodelo):

   • Las rutas estructurales fueron significativamente más fuertes en la cohorte urbana en comparación con la rural.
     • SES → UMH: Más fuerte en áreas urbanas (β = 0.49) que en áreas rurales (β = 0.34).
     • UMH → PAS: Más fuerte en áreas urbanas (β = 0.52) que en áreas rurales (β = 0.37).
   • Fuerza de la Mediación: El efecto indirecto del SES sobre la PAS a través de la UMH fue significativamente más fuerte en las poblaciones urbanas (β = 0.25) en comparación con las poblaciones rurales (β = 0.13).

Contribuciones Clave

• Avance Teórico: El artículo reconceptualiza la mHealth no solo como una intervención conductual, sino como un fenómeno sociotécnico. Demuestra empíricamente que la utilización de la mHealth está moldeada por determinantes estructurales (SES) y, a su vez, influye en los comportamientos de salud, mediando así parcialmente las desigualdades en salud.
• Evidencia Contextual: Proporciona evidencia empírica de una nación emergente (Indonesia) que muestra cómo las herramientas de salud digital pueden exacerbar inadvertidamente las disparidades de salud existentes. El estudio confirma que la "brecha digital" no es solo una cuestión de acceso, sino de la capacidad diferencial para traducir el acceso digital en comportamientos de salud sostenidos.
• Rigor Metodológico: La aplicación de SEM multimodelo para diseccionar las variaciones rurales-urbanas en la vía SES-UMH-PAS ofrece una visión matizada de cómo interactúan los factores geográficos y estructurales en la gestión de la obesidad.

Significado y Reivindicaciones
Los autores afirman que sus hallazgos desafían la noción de la salud digital como una fuerza neutral y ecualizadora. En cambio, el estudio sugiere que, sin abordar las barreras estructurales, las intervenciones de mHealth pueden ampliar la brecha en la gestión de la obesidad entre las poblaciones de alto SES/urbanas y las de bajo SES/rurales.

El documento enfatiza que:

1. Acceso Inequitativo: El alto SES y la residencia urbana son características estructurales esenciales que facilitan el uso de la mHealth para el control de la obesidad.
2. Necesidad de Políticas: Las intervenciones centradas únicamente en el cambio de comportamiento individual son insuficientes. Existe una necesidad crítica de políticas de acceso a la salud digital no discriminatorias y estrategias de inclusión digital que se dirijan específicamente a las poblaciones rurales y de bajo SES para evitar el aumento de las disparidades en salud.
3. Limitaciones: Los autores reconocen modestamente la naturaleza transversal de los datos, lo que impide realizar afirmaciones causales definitivas respecto a la causalidad inversa. También señalan posibles sesgos en los datos antropométricos autoinformados y la posibilidad de un sesgo digital en el reclutamiento (sobrerrepresentación de usuarios expertos en tecnología). Se recomienda para investigaciones futuras el empleo de diseños longitudinales y medidas objetivas (por ejemplo, dispositivos vestibles o wearables) para validar aún más estas relaciones estructurales.