Cálculo del IMC según circunferencia de cintura, edad y talla mediante ecuación de regresión en población peruana

Publicado

2025-04-30

Cálculo del IMC según circunferencia de cintura, edad y talla mediante ecuación de regresión en población peruana

Calculation of BMI based on waist circumference, age, and height in the Peruvian population using a regression equation

Palabras clave:

Índice de Masa Corporal, Circunferencia de la Cintura, Antropometría, Informática en Salud Pública, Modelos Lineales (es)
Body Mass Index, Waist Circumference, Anthropometry, Health Informatics, Linear Models (en)

Descargas

Autores/as

Alberto Guevara-Tirado Universidad Científica del Sur - Facultad de Medicina Humana - Lima - Perú. https://orcid.org/0000-0001-7536-7884

Resumen (es)
Resumen (en)

Introducción. El índice de masa corporal (IMC) es un potencial indicador de la salud y, por tanto, debiera considerarse al evaluar la salud de un individuo.

Objetivos. Desarrollar una ecuación de regresión para el cálculo del IMC en población peruana con base en la circunferencia de cintura, la talla y la edad, y evaluar su capacidad predictiva para identificar casos de sobrepeso/obesidad (IMC≥25) en comparación con el IMC determinado con la fórmula de Quetelet (peso y talla).

Material y métodos. Estudio analítico transversal realizado con datos secundarios de población peruana (≥18 años) obtenidos de la Encuesta Demográfica y de Salud (ENDES) (n=60 192; 2022: 30 047; 2023: 30 145). Se corrió un modelo de regresión lineal múltiple usando los datos de los encuestados de la ENDES-2022 para obtener la ecuación de regresión. Se evaluó la capacidad de la ecuación para identificar casos de sobrepeso/obesidad (IMC≥25) en comparación con la fórmula de Quetelet (sensibilidad, especificidad, valor predictivo positivo, valor predictivo negativo, cociente de probabilidad positivo y cociente de probabilidad negativo).

Resultados. La ecuación de regresión obtenida [IMC=9.007+(-0.052*edad)+(-0.396*circunferencia de cintura)+(-0.103*talla)] fue estadísticamente significativa (F=62768.475; p<0.001) y el valor de R2 fue 0.858. Cuando se usó con los datos de los encuestados de la ENDES-2023 se obtuvo un valor R2 de 0.845 y se observó una distribución homocedástica respecto a los valores de IMC obtenidos con la fórmula de Quetelet. La fuerza de la asociación entre el IMC calculado con la ecuación y el obtenido con la fórmula de Quetelet fue alta en la ENDES-2022 (OR=73.54; IC95%: 67.961-78.55) y la ENDES-2023 (OR=66.697; IC95%: 66.168-72.136). La sensibilidad y el valor predictivo positivo fueron >90% en ambos años.

Conclusiones. Es factible determinar el IMC y clasificar casos de sobrepeso/obesidad en población peruana usando la ecuación de regresión basada en circunferencia de cintura, talla y edad, la cual puede ser útil en lugares con acceso limitado a balanzas precisas, ya sea por razones económicas o geográficas.

Introduction: BMI is a potential indicator of health and, therefore, should be considered when assessing an individual's health.

Objectives: To develop a regression equation for calculating BMI in the Peruvian population based on waist circumference, height, and age, and to evaluate its predictive capacity to identify overweight/obesity cases (BMI≥25) compared to BMI determined using the Quetelet's index (weight and height).

Materials and methods: A cross-sectional analytical study was conducted with secondary data from the Peruvian population (≥18 years) obtained from the Demographic and Family Health Survey (ENDES) (n=60 192; 2022: 30 047; 2023: 30 145). A multiple linear regression model was run using data from the ENDES-2022 survey to obtain the regression equation. The equation's capacity to identify overweight/obesity cases (BMI ≥25) was compared to the Quetelet's index (sensitivity, specificity, positive predictive value, negative predictive value, positive likelihood ratio, and negative likelihood ratio).

Results: The regression equation obtained [BMI=9.007 + (-0.052*age) + (-0.396*waist circumference) + (-0.103*height)] was statistically significant (F=62768.475; p<0.001) and the R2 value was 0.858. When used with data from ENDES-2023 respondents, an R2 value of 0.845 was obtained and a homoscedastic distribution was observed with respect to the BMI values obtained with the Quetelet’s index. The strength of the association between BMI calculated with the equation and BMI obtained with the Quetelet’s index was high for ENDES-2022 (OR=73.54; 95% CI=67.961-78.55) and ENDES-2023 (OR=66.697; 95% CI=66.168-72.136) respondents. Sensitivity and PPV were >90% in both years.

Conclusions: It is feasible to determine BMI and classify overweight/obesity cases in the Peruvian population using the regression equation based on waist circumference, height, and age. This may be useful in areas with limited access to accurate scales, either for economic or geographical reasons.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

1. Centers for Disease Control and Prevention (CDC). Adult BMI calculator [Internet]. Druid Hills: CDC; 2024 [cited 2025 Apr 16]. Available from: https://www.cdc.gov/bmi/adult-calculator/index.html.

2. Weir CB, Jan A. BMI Classification Percentile And Cut Off Points. [Updated 2023 Jun 26]. In: StatPearls [Internet]. Treasure Island: StatPearls Publishing; 2024 [cited 2025 Apr 16]. Available from: https://www.ncbi.nlm.nih.gov/books/NBK541070/. PMID: 31082114.

3. Sikaris KA. The clinical biochemistry of obesity. Clin Biochem Rev. 2004;25(3):165-81.

4. Stone TW, McPherson M, Gail Darlington L. Obesity and cancer: Existing and new hypotheses for a causal connection. EBioMedicine. 2018;30:14-28. doi: 10.1016/j.ebiom.2018.02.022. PMCID: PMC5952217; PMID: 29526577.

5. Bellows CF, Zhang Y, Chen J, Frazier ML, Kolonin MG. Circulation of progenitor cells in obese and lean colorectal cancer patients. Cancer Epidemiol Biomarkers Prev. 2011;20(11):2461-8. doi: 10.1158/1055-9965.EPI-11-0556. PMID: 21930958; PMCID: PMC5470315.

6. Held C, Hadziosmanovic N, Aylward PE, Hagström E, Hochman JS, Stewart RAH, et al. Body mass index and association with cardiovascular outcomes in patients with stable coronary heart disease - A STABILITY substudy. J Am Heart Assoc. 2022;11(3):e023667. doi: 10.1161/JAHA.121.023667. PMID: 35060389; PMCID: PMC9238503.

7. Leppänen T, Kulkas A, Mervaala E, Töyräs J. Increase in body mass index decreases duration of apneas and hypopneas in obstructive sleep apnea. Respir Care. 2019;64(1):77-84. doi: 10.4187/respcare.06297. PMID: 30578359.

8. Vaishnav B, Bamanikar A, Maske P, Reddy A, Dasgupta S. Gastroesophageal reflux disease and its association with body mass index: Clinical and endoscopic study. J Clin Diagn Res. 2017;11(4):OC01-4. doi: 10.7860/JCDR/2017/24151.9562. PMID: 28571180; PMCID: PMC5449826.

9. Zhu L, Zhou B, Zhu X, Cheng F, Pan Y, Zhou Y, et al. Association between body mass index and female infertility in the United States: Data from national health and nutrition examination survey 2013-2018. Int J Gen Med. 2022;15:1821-31. doi: 10.2147/IJGM.S349874. PMID: 35221716; PMCID: PMC8865871.

10. Ross R, Neeland IJ, Yamashita S, Shai I, Seidell J, Magni P, et al. Waist circumference as a vital sign in clinical practice: a Consensus Statement from the IAS and ICCR Working Group on Visceral Obesity. Nat Rev Endocrinol. 2020;16(3):177-89. doi: 10.1038/s41574-019-0310-7. PMID: 32020062; PMCID: PMC7027970.

11. Al-Suhaimi EA. Adipose tissue as an endocrine organ and a glance on local hormones. In: Emerging Concepts in Endocrine Structure and Functions [Internet]. Singapore: Springer Nature Singapore; 2022. p. 349-92. doi: 10.1007/978-981-16-9016-7_10.

12. Giraldo-Osorio A, Vélez-Álvarez C. La Atención Primaria de Salud: desafíos para su implementación en América Latina. Aten Primaria. 2013;45(7):384-92. doi: 10.1016/j.aprim.2012.12.016. PMID: 23490062; PMCID: PMC6985524.

13. Huarachi LA, Lozano-Zanelly G, Acosta J, Huarachi CA, Moya-Salazar J. Inequality in the distribution of resources and health care in the poverty quintiles: Evidence from Peruvian comprehensive health insurance 2018-2019. Electron J Gen Med. 2024;21(1):em568. doi: 10.29333/ejgm/14160.

14. Diaz J, Taboada I, Abreu A, Vargas L, Polanco Y, Zorrilla A, et al. Evaluating rural health disparities in Colombia: Identifying barriers and strategies to advancing refugee health. Int J Environ Res Public Health. 2023;20(20):6948. doi: 10.3390/ijerph20206948. PMID: 37887686; PMCID: PMC10606581.

15. Carrillo-Balam G, Cantoral A, Rodríguez-Carmona Y, Christensen DL. Health-care coverage and access to health care in the context of type 2 diabetes and hypertension in rural Mexico: a systematic literature review. Public Health. 2020;181:8-15. doi: 10.1016/j.puhe.2019.11.017. PMID: 31918156.

16. Roberti J, Leslie HH, Doubova SV, Ranilla JM, Mazzoni A, Espinoza L, Calderón R, Arsenault C, García-Elorrio E, García PJ. Inequalities in health system coverage and quality: a cross-sectional survey of four Latin American countries. Lancet Glob Health. 2024;12(1):e145-e155. doi: 10.1016/S2214-109X(23)00488-6. PMID: 38096887; PMCID: PMC10716623.

17. Jaramillo-Lizana J. Regional Inequality in Peru: Causes, Effects, and Strategies for Equitable Development. SSRN. 2024. doi: 10.2139/ssrn.5020164.

18. Perú. Instituto Nacional de Estadística e Informática (INEI). Situación de la Población Peruana 2024. Una mirada de la diversidad étnica [Internet]. Lima: INEI; 2024 [cited 2025 Apr 5]. Available from: https://bit.ly/3Y4Vww1.

19. Perú. Instituto Nacional de Estadística e Informática. Pobreza Monetaria afectó al 29,0% de la población el año 2023 [Internet]. Lima: Gob.pe.; 2024 [cited 2025 Apr 5]. Available from: https://bit.ly/4ilNNkr.

20. Perú. Plataforma Nacional de Datos abiertos. Encuesta Demográfica y de Salud Familiar (ENDES) 2022 - [Instituto Nacional de Estadística e Informática - INEI] [Internet]. Lima: Gob.pe.; 2023 [cited 2024 Nov 19]. Available from: https://bit.ly/446UEec.

21. Perú. Plataforma Nacional de Datos abiertos. Encuesta Demográfica y de Salud Familiar (ENDES) 2023 - [Instituto Nacional de Estadística e Informática - INEI] [Internet]. Lima: Gob.pe.; 2024 [cited 2024 Nov 19]. Available from: https://bit.ly/4ipTcXH.

22. Vega-Abascal JB, Leyva-Sicilia Y, Teruel-Ginés R. La circunferencia abdominal. Su inestimable valor en la Atención Primaria de Salud. CMM. 2019;23(1):270-4.

23. Hu YH, Yu SC, Qi X, Zheng WJ, Wang QQ, Yao HY. [An overview of multiple linear regression model and its application]. Zhonghua Yu Fang Yi Xue Za Zhi. 2019;53(6):653-6. Chinese. doi: 10.3760/cma.j.issn.0253-9624.2019.06.021. PMID: 31177767.

24. Schober P, Boer C, Schwarte LA. Correlation coefficients: Appropriate use and interpretation. Anesth Analg. 2018;126(5):1763-8. doi: 10.1213/ANE.0000000000002864. PMID: 29481436.

25. Dey S. Multicollinearity explained: Dealing with correlated variables in regression analysis [Internet]. Medium; 2024 [cited 2025 Apr 16]. Available from: https://bit.ly/4jeFAzS.

26. Fernando J. R-Squared: Definition, Calculation, and Interpretation [Internet]. New York: Investopedia; 2004 [cited 2025 Apr 16]. Available from: https://www.investopedia.com/terms/r/r-squared.asp.

27. World Medical Association (WMA). WMA Declaration of Helsinki – Ethical principles for medical research involving human subjects [Internet]. Fortaleza: 64th WMA General Assembly; 2013 [cited 2025 Apr 16]. Available from: https://bit.ly/40k4BRS.

28. Pérez-Rodrigo C, Hervás-Bárbara G, Gianzo-Citores M, Aranceta-Bartrina J. Prevalencia de obesidad y factores de riesgo cardiovascular asociados en la población general española: estudio ENPE. Rev Esp Cardiol. 2022;75(3):232-41. doi: 10.1016/j.recesp.2020.12.013.

29. Dagan SS, Segev S, Novikov I, Dankner R. Waist circumference vs body mass index in association with cardiorespiratory fitness in healthy men and women: a cross sectional analysis of 403 subjects. Nutr J. 2013;12(1):12. doi: 10.1186/1475-2891-12-12. PMID: 23317009; PMCID: PMC3564926.

30. Gierach M, Gierach J, Ewertowska M, Arndt A, Junik R. Correlation between body mass index and waist circumference in patients with metabolic syndrome. ISRN Endocrinol. 2014;2014:514589. doi: 10.1155/2014/514589. PMID: 24729884; PMCID: PMC3960736.

31. Chinedu SN, Ogunlana OO, Azuh DE, Iweala EE, Afolabi IS, Uhuegbu CC, et al. Correlation between body mass index and waist circumference in Nigerian adults: Implication as indicators of health status. J Public Health Res. 2013;2(2):e16. doi: 10.4081/jphr.2013.e16. PMID: 25170487; PMCID: PMC4147729.

32. Holt PR, Altayar O, Alpers DH. Height with age affects body mass index (BMI) assessment of chronic disease risk. Nutrients. 2023;15(21):4694. doi: 10.3390/nu15214694. PMID: 37960347; PMCID: PMC10649148.

33. Vargas PM, Schneider BC, Costa CS, César JA, Bertoldi AD, Tomasi E, et al. Age is the most important factor for change in body mass index and waist circumference in older people in southern Brazil. Nutrition. 2023;109:111956. doi: 10.1016/j.nut.2022.111956. PMID: 36863112.

Licencia

Derechos de autor 2025 El(Los) autor(es).

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.