A Nomogram for Identifying Poor Sleep Quality in Community- Dwelling Middle-Aged and Older Adults with Abdominal Obesity Based on Psychological and Physical Fitness Indicators

Resumen Técnico: Un nomograma para la identificación de la mala calidad del sueño en adultos de mediana edad y mayores con obesidad abdominal que residen en la comunidad

Planteamiento del problema
La mala calidad del sueño es prevalente entre los adultos de mediana edad y mayores, coexistiendo frecuentemente con la depresión, la ansiedad, las limitaciones funcionales y las cargas de enfermedades crónicas. Específicamente, la obesidad abdominal está vinculada a las alteraciones del sueño; sin embargo, los modelos de predicción existentes para la calidad del sueño se centran principalmente en poblaciones de edad avanzada en general o en cohortes de enfermedades crónicas específicas (por ejemplo, hipertensión, enfermedad inflamatoria intestinal). Estos modelos existentes dependen en gran medida de variables demográficas, relacionadas con enfermedades y psicosociales, con una insuficiente énfasis en la función física. Existe una falta de herramientas sencillas, de base comunitaria, que integren el estado psicológico y la aptitud funcional para identificar la mala calidad del sueño actual específicamente en adultos con obesidad abdominal.

Metodología
Este estudio transversal, realizado en junio de 2026 en Beijing, inscribió a 212 adultos de ≥45 años con obesidad abdominal (circunferencia de la cintura ≥90 cm para hombres, ≥85 cm para mujeres) que residen en la comunidad. La mala calidad del sueño se definió como una puntuación en el Índice de Calidad de Sueño de Pittsburgh (PSQI) >5.

• Predictores candidatos: Se evaluaron diez variables: edad, sexo, depresión (PHQ-9), ansiedad (GAD-7), función cognitiva (MMSE), fuerza de prensión, levantamiento de silla en 30 segundos, sentarse y alcanzar la silla, prueba de paso de 2 minutos y la prueba de levantarse y caminar 8 pies (8UG).
• Selección de variables: Los investigadores emplearon la regresión logística de Mínimo Cuadrático Absoluto (LASSO) con validación cruzada estratificada de 10 pliegues repetidos para seleccionar los predictores. La estabilidad se evaluó mediante 1,000 remuestreos de bootstrap.
• Construcción del modelo: Los predictores seleccionados se introdujeron en un modelo de regresión logística multivariable para construir un nomograma.
• Validación y comparación: El rendimiento del modelo se evaluó mediante el Área Bajo la Curva Característica Operativa del Receptor (AUC), gráficos de calibración, puntuaciones de Brier y Análisis de la Curva de Decisión (DCA). La validación interna se realizó mediante procedimientos de bootstrap de 1,000 remuestreos para estimar el rendimiento corregido por optimismo. El modelo final se comparó con un "modelo de información de rutina" que contenía únicamente edad, sexo, número de categorías de enfermedades, consumo de alcohol y estado de ejercicio.
• Herramientas estadísticas: Los análisis se realizaron en R (versión 4.6.1), utilizando los paquetes glmnet, rms, pROC y dcurves.

Resultados clave

• Características de la población: De los 212 participantes, 117 (55.2%) presentaron mala calidad del sueño. En comparación con aquellos con mejor calidad de sueño, el grupo de mala calidad era significativamente mayor y presentaba puntuaciones más altas en PHQ-9 y GAD-7, así como un menor desempeño en la fuerza de prensión, levantamiento de silla, alcance de la silla y pruebas de paso.
• Selección de predictores: LASSO seleccionó siete predictores para el modelo final: edad, puntuación PHQ-9, puntuación GAD-7, fuerza de prensión, repeticiones de levantamiento de silla en 30 segundos, distancia de sentarse y alcanzar la silla, y conteo de pasos en 2 minutos.
• Análisis multivariable: En la regresión logística, solo la puntuación PHQ-9 mostró una asociación independiente estadísticamente significativa con la mala calidad del sueño (OR = 1.374 por cada incremento de 1 punto, P < 0.001). Los otros seis predictores no alcanzaron significación estadística individualmente (los IC del 95% cruzaron 1), aunque se mantuvieron por su contribución colectiva al ajuste del modelo.
• Rendimiento del modelo:
  • El AUC aparente del modelo final fue de 0.779 (IC 95%, 0.718–0.840).
  • El AUC corregido por optimismo fue de 0.751.
  • La pendiente de calibración corregida por optimismo fue de 0.858, y la puntuación de Brier fue de 0.206.
  • Comparación: El modelo final superó significativamente al modelo de información de rutina (AUC 0.648), aumentando el AUC aparente en 0.131 (P = 0.002). El modelo final también demostró una puntuación de Brier más baja y un mayor beneficio neto teórico a través de umbrales de probabilidad del 13% al 80%.

Significación y declaraciones
Los autores afirman que el nomograma desarrollado, que integra el estado psicológico y los indicadores de aptitud física, ofrece una discriminación moderada y un rendimiento superior en comparación con los modelos que dependen únicamente de la información demográfica y de estilo de vida de rutina. El estudio destaca que, si bien las medidas individuales de aptitud física pueden no ser factores de riesgo independientes estadísticamente significativos en el modelo multivariable, estas capturan colectivamente aspectos complementarios de la función física relevantes para identificar la mala calidad del sueño en esta población específica.

Los autores posicionan el nomograma como una herramienta de investigación para la estratificación de riesgos en la comunidad, en lugar de un instrumento de diagnóstico clínico definitivo. Enfatizan que el modelo está destinado a identificar a individuos que podrían requerir una evaluación del sueño adicional, particularmente en entornos donde los cuestionarios breves y las pruebas de aptitud física de campo son factibles.

Limitaciones y direcciones futuras
El documento señala explícitamente varias limitaciones:

1. Diseño transversal: El estudio no puede establecer causalidad ni temporalidad.
2. Solo validación interna: Aunque se utilizó la corrección por optimismo de bootstrap, se requiere una validación externa independiente antes de su aplicación clínica.
3. Especificidad de la muestra: La muestra fue extraída de una única comunidad en Beijing y fue relativamente pequeña, lo que limita la generalización.
4. Solapamiento de mediciones: El PHQ-9 incluye un ítem de alteración del sueño, lo que puede inflar su asociación predictiva con el resultado del PSQI.
5. Datos faltantes: No se incluyeron factores de confusión como la apnea obstructiva del sueño, el dolor crónico, el estado de la menopausia y el uso detallado de medicamentos.

Los autores concluyen que es necesaria la validación externa en poblaciones independientes antes de que la herramienta pueda aplicarse de manera práctica.