Un modelo de regresión logística para evaluar la prevalencia del síndrome metabólico en la población general, mérida, venezuela

Authors

  • Erasmo Rafael Salazar Universidad de Oriente Núcleo Sucre
  • Luis Antonio Nava Puente Universidad de Los Andes
  • Douglas Edwin Rivas Olivo Universidad de Los Andes
  • Alejandro Ramón González Benítez Universidad de Los Andes
  • Xiomara Josefina Maldonado Quintero Universidad de Los Andes

DOI:

https://doi.org/10.15649/2346075X.365

Keywords:

Prevalencia, síndrome X, metabólico, regresión logística, coeficiente Kappa

Abstract

Introducción: Esta investigación ajusta un modelo para la prevalencia del Síndrome Metabólico y, evalúa el nivel de acuerdo en la clasificación de la población general, área metropolitana, municipio Libertador de la ciudad de Mérida, Venezuela, 2005, según las variables PREV1 y PREV2, diseñadas empleando criterios de NCPE-ATP III. Materiales y Métodos: Se propone el uso del coeficiente kappa de Cohen para medir dicho acuerdo. Se emplea el procedimiento propuesto por Nava y Sinha (2007), para ajustar un modelo de regresión logística que relaciona la prevalencia de Síndrome Metabólico (SM), también conocido como Síndrome X, con las variables sexo, talla, peso, índice de masa corporal (IMC), alcohol, tabaco, sedentarismo, glucosa, HDL, triglicéridos, obesidad, clase social, edad y estado civil; considerando información referente a un grupo de 275 habitantes. Resultados discusión: Los resultados indican que las variables relacionadas en forma significativa con la presencia de SM son sexo, IMC, glucosa, HDL, triglicéridos y edad. Glucosa, HDL, triglicéridos e índice de masa corporal corregido, son variables que incrementan en forma significativa las posibilidades de prevalencia de SM. Conclusiones: Se concluye, que las mujeres tienen mayores posibilidades que los hombres de presentar SM; el valor obtenido para el coeficiente kappa de Cohen, indica que existe un alto acuerdo en la clasificación de los individuos considerados en la investigación según las variables PREV1 y PREV2, es decir, cualquiera de esas variables puede usarse para determinar la prevalencia de SM.

Author Biographies

Erasmo Rafael Salazar, Universidad de Oriente Núcleo Sucre

1. Licenciado en Matemática. MSc. en Matemáticas. Docente Agregado. Universidad de Oriente Núcleo Sucre, Facultad de Ciencias. Sucre. Venezuela2. Licenciado en Estadística. MSc. En Estadística. PhD en Estadística Aplicada. Docente Titular. Universidad de Los Andes, Facultad de Economía, Grupo de Investigación en Estadística y Matemática. Mérida. Venezuela.3. Ingeniero de Sistema, MSc. en Estadística Aplicada. Docente Agregado. Universidad de Los Andes, Facultad de Economía, Grupo de Investigación en Estadística y Matemática. Mérida. Venezuela.4. Licenciado en Matemática, MSc en Estadística Aplicada. Docente Asistente. Universidad de Los Andes, Facultad de Economía, Grupo de Investigación en Estadística y Matemática. Mérida. Venezuela.5 Ingeniero de Sistema, Especialista en Investigación de Operaciones. Universidad de Los Andes, Facultad de Economía, Grupo de Investigación en Estadística y Matemática. Mérida. Venezuela. 

Luis Antonio Nava Puente, Universidad de Los Andes

1. Licenciado en Matemática. MSc. en Matemáticas. Docente Agregado. Universidad de Oriente Núcleo Sucre, Facultad de Ciencias. Sucre. Venezuela2. Licenciado en Estadística. MSc. En Estadística. PhD en Estadística Aplicada. Docente Titular. Universidad de Los Andes, Facultad de Economía, Grupo de Investigación en Estadística y Matemática. Mérida. Venezuela.3. Ingeniero de Sistema, MSc. en Estadística Aplicada. Docente Agregado. Universidad de Los Andes, Facultad de Economía, Grupo de Investigación en Estadística y Matemática. Mérida. Venezuela.4. Licenciado en Matemática, MSc en Estadística Aplicada. Docente Asistente. Universidad de Los Andes, Facultad de Economía, Grupo de Investigación en Estadística y Matemática. Mérida. Venezuela.5 Ingeniero de Sistema, Especialista en Investigación de Operaciones. Universidad de Los Andes, Facultad de Economía, Grupo de Investigación en Estadística y Matemática. Mérida. Venezuela. 

Douglas Edwin Rivas Olivo, Universidad de Los Andes

1. Licenciado en Matemática. MSc. en Matemáticas. Docente Agregado. Universidad de Oriente Núcleo Sucre, Facultad de Ciencias. Sucre. Venezuela2. Licenciado en Estadística. MSc. En Estadística. PhD en Estadística Aplicada. Docente Titular. Universidad de Los Andes, Facultad de Economía, Grupo de Investigación en Estadística y Matemática. Mérida. Venezuela.3. Ingeniero de Sistema, MSc. en Estadística Aplicada. Docente Agregado. Universidad de Los Andes, Facultad de Economía, Grupo de Investigación en Estadística y Matemática. Mérida. Venezuela.4. Licenciado en Matemática, MSc en Estadística Aplicada. Docente Asistente. Universidad de Los Andes, Facultad de Economía, Grupo de Investigación en Estadística y Matemática. Mérida. Venezuela.5 Ingeniero de Sistema, Especialista en Investigación de Operaciones. Universidad de Los Andes, Facultad de Economía, Grupo de Investigación en Estadística y Matemática. Mérida. Venezuela.

Alejandro Ramón González Benítez, Universidad de Los Andes

1. Licenciado en Matemática. MSc. en Matemáticas. Docente Agregado. Universidad de Oriente Núcleo Sucre, Facultad de Ciencias. Sucre. Venezuela2. Licenciado en Estadística. MSc. En Estadística. PhD en Estadística Aplicada. Docente Titular. Universidad de Los Andes, Facultad de Economía, Grupo de Investigación en Estadística y Matemática. Mérida. Venezuela.3. Ingeniero de Sistema, MSc. en Estadística Aplicada. Docente Agregado. Universidad de Los Andes, Facultad de Economía, Grupo de Investigación en Estadística y Matemática. Mérida. Venezuela.4. Licenciado en Matemática, MSc en Estadística Aplicada. Docente Asistente. Universidad de Los Andes, Facultad de Economía, Grupo de Investigación en Estadística y Matemática. Mérida. Venezuela.5 Ingeniero de Sistema, Especialista en Investigación de Operaciones. Universidad de Los Andes, Facultad de Economía, Grupo de Investigación en Estadística y Matemática. Mérida. Venezuela. 

Xiomara Josefina Maldonado Quintero, Universidad de Los Andes

1. Licenciado en Matemática. MSc. en Matemáticas. Docente Agregado. Universidad de Oriente Núcleo Sucre, Facultad de Ciencias. Sucre. Venezuela2. Licenciado en Estadística. MSc. En Estadística. PhD en Estadística Aplicada. Docente Titular. Universidad de Los Andes, Facultad de Economía, Grupo de Investigación en Estadística y Matemática. Mérida. Venezuela.3. Ingeniero de Sistema, MSc. en Estadística Aplicada. Docente Agregado. Universidad de Los Andes, Facultad de Economía, Grupo de Investigación en Estadística y Matemática. Mérida. Venezuela.4. Licenciado en Matemática, MSc en Estadística Aplicada. Docente Asistente. Universidad de Los Andes, Facultad de Economía, Grupo de Investigación en Estadística y Matemática. Mérida. Venezuela.5 Ingeniero de Sistema, Especialista en Investigación de Operaciones. Universidad de Los Andes, Facultad de Economía, Grupo de Investigación en Estadística y Matemática. Mérida. Venezuela. 

References

Aschner P. Concepto y Epidemiología del Síndrome Metabólico. Curso Latinoamericano sobre diabetes y síndrome metabólico para clínicos.Programa Educación Médica Continua, Asociación Latinoamericana de Diabetes. (ALAD), Cap.1. 2003.

Park, YW, Zhu, S., Palaniappan, L., Heshka, S.,Carnethon, MR, & Heymsfield, SB The metabolic syndrome, prevalence and associated risk factor findings in the US population from the third national health and nutrition examination survey, 1988-1994.Arch. Intern. Med. 2003; 163(4):427-36.

Ford ES, Giles WH, Mokdad AH. Increasing prevalence of the metabolic syndrome among US adults. Diabetes care. 2004; 27(10):2444-9.

OMS. Salud Mundial. Retos Actuales. 2002.

Lerman GI, Aguilar-Salinas C, Gómez-Pérez F, Reza A, Hernández J, Vázquez CC, Rull, JA. El síndrome metabó lico, posición de la sociedad Mexicana de nutrición y endocrinología, sobre la definición,fisiopatología y diagnóstico. Características del síndrome metabólico en México. Rev de Endocrinol y Nut. (2004). 12(3), 109-122.

Nava Puente, L. y Surendra Prasad, S. Medida de acuerdo entre dos clasificaciones de los docentes universitarios. Revista Economía. Universidad de Los Andes. Mérida. 2007; 32(24): 113-27.

Nava Puente L. Modelación GSK para acuerdo entre evaluadores usando mínimos cuadrados ponderados y su comparación con otros métodos alternos: loglineal y GEE. Tesis Doctoral. Mérida, Escuela de Estadística, Universidad de Los Andes. 2008.

Nava Puente, L., Surendra Prasad, S. (2008). “Ajuste e interpretación de modelos de regresión logística con variables categóricas y continuas”. Universitas Médica, Vol. 49, No 1. Enero-Marzo.

Stokes Maura DC, Koch G. Categorical Data Analysis Using the SAS System. Second edition. North Carolina:SAS Institute Inc. 2000.

Published

2016-07-21

How to Cite

Salazar, E. R. ., Nava Puente, L. A. ., Rivas Olivo, D. E. ., González Benítez, A. R. ., & Maldonado Quintero, X. J. . (2016). Un modelo de regresión logística para evaluar la prevalencia del síndrome metabólico en la población general, mérida, venezuela. Innovaciencia, 3(1), 22–28. https://doi.org/10.15649/2346075X.365

Issue

Section

Original research and innovation article

Altmetrics

Downloads

Download data is not yet available.

Most read articles by the same author(s)