La diabetes mellitus se trata de un grupo de enfermedades que afectan al metabolismo de los alimentos, caracterizándose por la presencia en sangre de altos niveles de glucosa (hiperglucemia) devenida de cambios extremos en la producción de insulina o también por cambios en la actuación de dicha hormona sobre los tejidos insulinodependientes. La hiperglucemia crónica asociada a esta condición acarrea alteraciones en los procesos del metabolismo de los glúcidos, proteínas y lípidos, pero también provoca lesiones en los tejidos oculares, nerviosos, coronarios, vasculares, renales y de otros órganos a largo plazo. Según datos de la OMS, para 2014 existían más de 442 millones de casos de diabetes a nivel global, lo cual representa un incremento de aproximadamente 309% respecto a los datos recogidos para 1980.
Aunque son varias las patologías que se vinculan a los casos de la diabetes mellitus, en mayor parte se corresponden a dos condiciones: diabetes mellitus tipo 1 (DM1) y tipo 2 (DM2). La primera condición, DM1, involucra una insuficiencia completa en la secreción de insulina, la cual se suele asociar a la destrucción del tejido pancreático por parte de respuestas autoinmunes. La segunda condición, DM2 y de mayor prevalencia que DM1, se debe tanto a factores que restringen la acción de la hormona (frecuentemente aquellos relacionados con la obesidad) como a una descompensación en la respuesta secretora del páncreas. A continuación, se presenta el análisis estadístico de una base de datos sobre la prevalencia de la diabetes mediante el programa estadístico R y el entorno de desarrollo integrado (IDE) RStudio.
El dataset empleado fue obtenido a través del sitio web del Departamento de Bioestadística de la Universidad de Vanderbilt y disponible mediante la URL https://hbiostat.org/data/repo/diabetes.xls. Su formato es Excel (extensión .xls) y fue elaborado por el Dr. John Schorling del Departamento de Medicina de la Universidad de Virginia (Facultad de Medicina). Consta de 403 observaciones que registran datos para 19 variables distintas relacionadas con personas afroamericanas provenientes de los condados de Buckingham y Louisa de Virginia (Estados Unidos) que fueron examinadas para diagnosticar la diabetes mellitus. Los datos forman parte de un estudio más grande (1046 individuos) que, además de la diabetes, examinó la prevalencia de la obesidad y riesgos cardiovasculares en la población afroamericana de esta localidad en 1997.
Las variables involucradas son 19 de cuantitativas (discretas y continuas) y cualitativas discretizadas, las cuales se describen a continuación junto la cantidad de valores nulos que poseen:
Identificación del sujeto (id): cualitativa discretizada, 0 nulos. Colesterol total (chol): cuantitativa discreta, 1 nulo. Glucosa estabilizada (stab.glu): cuantitativa discreta, 0 nulos. Lipoproteína de alta densidad o HDL (hdl): cuantitativa discreta, 1 nulo. Relación Colesterol/HDL: cuantitativa continua, 13 nulos. Localización (location): cualitativa, de dos niveles (Buckingham y Louisa), 0 nulos. Edad (age): cuantitativa discreta, medida en años, 0 nulos. Género (gender): cualitativa, de dos niveles (femenino (female), masculino (male)), 0 nulos. Altura (height): cuantitativa discreta, medida en pulgadas, 5 nulos. Peso (weight): cuantitativa discreta, medida en libras, 1 nulo. Talla de brazalete de tensiómetro (frame): cualitativa, de tres niveles (pequeño (small), mediano (medium), grande (large)), 12 nulos. Primera medida de presión arterial sistólica (bp.1s): cuantitativa continua, 5 nulos. Primera medida de presión arterial diastólica (bp.1d): cuantitativa continua, 5 nulos. Segunda medida de presión arterial sistólica (bp.2s): cuantitativa continua, 262 nulos. Segunda medida de presión arterial diastólica (bp.2d): cuantitativa continua, 262 nulos. Tamaño de cintura (waist): cuantitativa continua, medida en pulgadas, 2 nulos. Tamaño de cadera (hip): cuantitativa continua, medida en pulgadas, 2 nulos. Tiempo posprandial cuando se extrajeron los laboratorios (time.ppn): cuantitativa discreta, medida en minutos, 3 nulos.
library(readxl) Modelo_para_Analizar_Diabetes <- read_excel(“C:/Users/gabym/OneDrive/Cosas de trabajo/Proyectos Empresa Española/RStudio. REF josemaridermitTxT2/Modelo para Analizar Diabetes.xlsx”) View(Modelo_para_Analizar_Diabetes)
Los datos fueron exportados, con algunas previas modificaciones en Microsoft Excel (cambio de nombre y de extensión .xlsx), a Rstudio cargando la biblioteca “readxl” mediante la función “library()”, para luego crear la matriz de datos “Modelo_para_Analizar_Diabetes”, asignándole a través del operador “<-“ la función “read_excel()” que leerá la base de datos “Modelo para Analizar Diabetes.xlsx” cada vez que se nombre.
sapply(Modelo_para_Analizar_Diabetes,function(x) sum(is.na(x))) id chol stab.glu hdl ratio glyhb location age gender height weight frame bp.1s 0 1 0 1 1 13 0 0 0 5 1 12 5 bp.1d bp.2s bp.2d waist hip time.ppn 5 262 262 2 2 3
La función “sapply” itera la aplicación de la sentencia “funtion(x) sum(is.na(x))” que se encarga de contar los nulos para cada variable y los muestra en un dataframe o tabla. De este modo, se verifica que el número de valores nulos o NA es la misma que informa el creador (ir a la URL https://hbiostat.org/data/repo/Cdiabetes.html). Conocer la existencia de nulos es importante debido a que las operaciones matemáticas que los utilicen arrojarán otro valor nulo, lo cual imposibilita los cálculos estadísticos. A efectos del estudio, ha sido mantenido el Modelo_para_Analizar_Diabetes para la interpretación de los datos, sólo tomándose en cuenta la eliminación de valores nulos en columnas seleccionadas al momento de cada análisis.
as.data.frame(table(Modelo_para_Analizar_Diabetes$location)) Var1 Freq 1 Buckingham 200 2 Louisa 203
La sentencia antes insertada crea un dataframe y lo despliega en una tabla para mostrar las frecuencias absolutas de los diferentes valores que toma la variable “location”. De este modo, de los 403 sujetos involucrados en el estudio, se observa que 200 pertenecieron al Condado de Buckingham y 203 al Condado de Louisa. Ahora bien, se hace necesario conocer la proporción que poseen los dos valores para esta variable, por lo cual se buscará determinar la distribución de frecuencias en porcentajes.
DistrFreq <- as.data.frame(table(Modelo_para_Analizar_Diabetes$location))
Para visualizar las frecuencias, primero que prepara un dataframe en forma de tabla que contiene sólo los datos de las frecuencias absolutas de “location”. El nuevo dataframe se llama “DistrFreq” que se obtiene asignándole a este la función “as.date.frame(table())” para la columna “location” de la base de datos.
transform(DistrFreq, + FreqAC=cumsum(DistrFreq\(Freq), + Rel=round(prop.table(DistrFreq\)Freq),3), + RelAC=round(cumsum(prop.table(DistrFreq$Freq)),3))
Luego de ello, para concretar la tabla de frecuencias, se crean tres columnas adicionales por las que se visualizará la frecuencia absoluta acumulada (FreqAC), la frecuencia relativa o porcentual (Rel), así como la relativa o porcentual acumulativa (RelAC). Esto es posible empleando la función “transform()” a la cual se le incluyen tres argumentos “+” que crearán las tres columnas mencionadas.
Los datos de la columna “FreqAC” se obtienen asignándole con el operador “=” la función “cumsum()”, por la cual se realiza una suma acumulativa de las celdas de la columna “Freq” del dataframe “DistrFreq”. Para los datos de la columna “Rel” se utilizó, mediante “=”, la función “prop.table()” que se encarga de crear una columna de frecuencia relativas y arroja valores del intervalo [0, 1] para los valores de la columna “Freq” de “DistrFreq”. La función descrita se incluyó dentro de la función “round()” a la cual se le asignó el argumento “3”, por la cual se redondearán los valores numéricos a tres dígitos (un entero y dos decimales). Por último, para la columna “RelAC” se tomará la misma síntesis de la columna “Rel”, pero añadiendo la función para suma acumulativa “cumsum()” dentro de “round()”, de tal forma que contenga a “prop.table()”.
Var1 Freq FreqAC Rel RelAC1 Buckingham 200 200 0.496 0.496 2 Louisa 203 403 0.504 1.000
El 49,6% de los individuos (n=200) provino del Condado de Buckingham, mientras que el otro 50,4% (n=203) vivía en el Condado de Louisa del Estado de Virginia, Estados Unidos. La distribución por localidad de los individuos fue bastante cercana a la homogeneidad.
as.data.frame(table(Modelo_para_Analizar_Diabetes\(gender)) Var1 Freq 1 female 234 2 male 169 DistFreq2 <- as.data.frame(table(Modelo_para_Analizar_Diabetes\)gender)) transform(DistFreq2, + FreqAC=cumsum(DistFreq2\(Freq), + Rel=round(prop.table(DistFreq2\)Freq),3), + RelAC=round(cumsum(prop.table(DistFreq2$Freq)),3)) Var1 Freq FreqAC Rel RelAC 1 female 234 234 0.581 0.581 2 male 169 403 0.419 1.000
En cuanto a la distribución por género, se observa que el 58,1% de los individuos (n=234) eran femeninos, mientras que el restante 41,9% de estos (n=169) eran del género masculino. Por tanto, existe una proporción superior de sujetos femeninos que masculinos dentro de la base de datos del estudio.
Tanto la media como la mediana son parámetros estadísticos que muestran la tendencia central de un conjunto de datos. La diferencia radica en que la media o promedio toma en cuenta la totalidad de valores del conjunto al sumarlos y luego dividirlos entre el número total de observaciones, mientras que la mediana toma sólo en cuenta el valor o par de valores que se encuentran en el centro de todo el conjunto. La media funciona bien para datos que siguen una distribución normal o cercana a la normal. Por otro lado, la mediana resulta más representativa para visualizar la tendencia central cuando la distribución del conjunto de datos se encuentra sesgada a hacia un lado, lo cual también permite el análisis de asimetrías.
La media se determinó para cada variable del conjunto de datos empleando la función “mean()”, donde se introdujeron como argumento la columna específica (se usa “$”) del dataset sobre la cual se realizará el cálculo. Análogamente, se emplea la función “median()” para hallar la mediana de cada variable. En el caso de las variables que contengan valores nulos, se creará un vector que contenga todos los valores de una variable específica excluyendo los nulos mediante “<-“ utilizando “[!is.na()]”, donde se especificará la columna a limpiar.
mean(Modelo_para_Analizar_Diabetes$age) [1] 46.85112
La media de edad fue de 46,85 años. El análisis se ejecutó sin la necesidad de eliminar valores nulos.
DataChol <- datos[!is.na(Modelo_para_Analizar_Diabetes$chol)]
mean(DataChol$chol) [1] 207.8458
El nivel de colesterol promedio fue de 207,85 mg/dL, el cual se considera elevado debido a que los normales no sobrepasan los 200 mg/dL. El análisis se ejecutó eliminando un valor nulo previamente.
mean(Modelo_para_Analizar_Diabetes$stab.glu) [1] 106.6725
La media fue de 106,67 mg/dL para los niveles de glucosa estabilizada o glucemia, lo cual está dentro de los valores normales de 70-110 mg/dL, pero están mal controlados. No se realizó la eliminación de valores nulos.
Esta tenía 13 valores nulos.
DataGlyHB <- Modelo_para_Analizar_Diabetes[!is.na(Modelo_para_Analizar_Diabetes$glyhb),]
mean(DataGlyHB$glyhb) [1] 5.464138
La media de la proporción de hemoglobina glicosilada fue de 5,46%, lo cual indica valores normales al ser menores que 5,7%. Se excluyeron 13 valores nulos en el análisis.
En este caso, se seleccionó realizar el resumen de todas las características del estudio, para tomar los datos específicamente de los valores de TA, obteniendo diectamente sus medias y excluyendo los valores NA automáticamente.
Mean : 136.9 NA’s : 5
Mean : 83.32 NA’s : 5
La media de la tensión arterial fue de 136,9/83,32 mmHg, la cual fue un poco elevada respecto a los valores normales en adultos (no mayor a 120/80 mmHg). Fueron excluidos 5 nulos para la presión sistólica y diastólica.
En este caso, ya se tenían las fórmulas para extraer directamente la información de las medianas a través de la fórmula correspondiente, por lo que se procedió a analizar directamente en las respectivas bases de datos.
median(Modelo_para_Analizar_Diabetes$age) [1] 45
La mediana de edad de los 403 individuos fue de 45 años. Se concluye que la distribución de la edad es bastante homogénea, ya que la media es de 46,85 años y la diferencia relativa es de apenas 4,11%.
median(DataChol$chol) [1] 204
La mediana para el nivel de colesterol fue de 204 mg/dL. Al compararlo con el valor de la media (207 mg/dL), se concluye que la distribución de los datos sobre el colesterol es bastante homogénea, debido a que la diferencia relativa es de apenas 1,47%. Así pues, la mayoría de los individuos tuvieron valores elevados de colesterol.
median(Modelo_para_Analizar_Diabetes$stab.glu) [1] 89
La mediana para los niveles de glucosa estabilizada fue de 89 mg/dL. Esto, al compararlo con la media de 106,67 mg/dL y la diferencia relativa de 16,57%, muestra que hay una distribución sesgada hacia los valores más altos (derecha). Aunque en promedio parece que los valores de glucosa no estuvieron demasiados controlados al estar casi al límite de los valores normales (70-100 mg/dL), la mediana muestra que en realidad estuvieron en valores más controlados.
median(DataGlyHB$glyhb) [1] 4.82
La mediana de los datos de hemoglobina glucosilada fue de 4,82%. Respecto a la media (5,46%), se dice que existe una diferencia relativa de 13,28%, lo cual demuestra un pequeño sesgo hacia valores mayores (derecha), lo cual muestra que existen pocos individuos con un mal control en su consumo de carbohidratos.
Median : 136.0
Median : 82.00
La mediana de la tensión arterial fue de 136/82 mmHg. Los valores para esta variable siguen una distribución cercana a la normalidad debido a que la diferencia respecto a la media es de apenas 0,66% para la TA sistólica y 1,61% para la diastólica. La presión arterial fue un elevada, debido a que los valores normales en adultos son de menos de 120/80 mmHg.
Se ha utilizado “DataChol” debido a que este es el que tiene mayor número de datos, excluyendo el NA encontrado en el colesterol.
cor(DataChol\(chol,DataChol\)stab.glu,use = “everything”,method = c(“pearson”)) [1] 0.1500918
Para el análisis de la correlación de Pearson se aprecia que existe un valor “r” que ha sido el que se ha considerado en el estudio, este valor “r”. En el caso de la correlación existente entre los datos del colesterol (DataChol\(chol) y los datos de la glicemia estabilizada (DataChol\)stab.glu), se encontró que r = 0.1500918, lo que es un valor cercano al cero (0), siendo así demostrado que la correlación entre el colesterol y la glicemia fue nula, no siendo un parámetro que específicamente pareciera relacionado al control que estos pacientes mantenían.
Se ha utilizado “DataGlyHB” debido a que este es el que tiene un mayor número de datos, excluyendo los NA encontrado en la hemoglobina glicosilada.
cor(DataGlyHB\(stab.glu,DataGlyHB\)glyhb,use = “everything”,method = c(“pearson”)) [1] 0.6440542
En el caso de la correlación existente entre los datos de la hemoglobina glicosilada (DataGlyHB\(glyhb) y los datos de la glicemia estabilizada (DataChol\)stab.glu), se encontró que r = 0.6440542, lo que es un valor cercano al uno positivo (+1), siendo así demostrado que, a mayor glicemia, mayor hemoglobina glicosilada, siendo un valor controlado en una probablemente indicativo de un buen control de la otra. No obstante, existieron casos en los que pacientes mal controlados tuvieron valores más o menos normales, ocasionando así que la r no tuviera un resultado más elevado.
Con esta valoración, se pretende indagar qué grupo tiene mejor control de colesterol, glicemia estabilizada y hemoglobina glicosilada, si los hombres o las mujeres. Así, se ha considerado analizar una variable cuantitativa y una cualitativa, de manera que se comparen las diferencias entre ambos grupos.
Primero se determinará si se cumplen los parámetros para aceptar o negar la hipótesis nula, que en este caso es saber si la variable de interés “colesterol” tiene una distribución normal. Lo cual se realizará con el test de Kolmorogov-Smirnov.
library(nortest) lillie.test(DataChol$chol)
Lilliefors (Kolmogorov-Smirnov) normality test
data: DataChol$chol D = 0.072563, p-value = 2.788e-05
El p valor resultó mayor de 0,05, por lo que no se puede rechazar la hipótesis nula y podemos decir que probablemente tenga una distribución normal.
Se seleccionó la función “boxplot” para hacer una valoración preliminar.
boxplot(DataChol\(chol ~ DataChol\)gender)
Y se encontró que en ambos grupos los resultados fueron similares en cuanto a esta variable, es decir, las varianzas son similares.
Evaluamos si existe homogeneidad en las varianzas de acuerdo con el sexo.
library(carData) library(car) leveneTest(DataChol\(chol ~ DataChol\)gender) Levenes Test for Homogeneity of Variance (center = median) Df F value Pr(>F) group 1 0.0489 0.8251 400
Obteniéndose un valor p mayor de 0,05, por lo que aún no es posible rechazar la hipótesis nula y es posible determinar que efectivamente la variable es normal y se trata de un análisis paramétrico y se puede decir que hay homogeneidad de varianzas en los dos grupos analizados.
t.test(DataChol\(chol ~ DataChol\)gender, var.eq=T, conf.int=T)
Two Sample t-test
data: DataChol\(chol by DataChol\)gender t = 0.31383, df = 400, p-value = 0.7538 alternative hypothesis: true difference in means between group female and group male is not equal to 0 95 percent confidence interval: -7.433602 10.257777 sample estimates: mean in group female mean in group male 208.4359 207.0238
Con esto se puede determinar que no existen diferencias de género en términos de colesterol.
Primero se determinará si se cumplen los parámetros para aceptar o negar la hipótesis nula, que en este caso es saber si la variable de interés “glucosa estabilizada” tiene una distribución normal. Lo cual se realizará con el test de Kolmorogov-Smirnov.
lillie.test(Modelo_para_Analizar_Diabetes$stab.glu)
Lilliefors (Kolmogorov-Smirnov) normality test
data: Modelo_para_Analizar_Diabetes$stab.glu D = 0.2594, p-value < 2.2e-16
El p valor resultó mayor de 0,05, por lo que no se puede rechazar la hipótesis nula y podemos decir que probablemente tenga una distribución normal.
Se seleccionó la función “boxplot” para hacer una valoración preliminar.
boxplot(Modelo_para_Analizar_Diabetes\(stab.glu ~ Modelo_para_Analizar_Diabetes\)gender)
Y se encontró, igualmente, que en ambos grupos los resultados fueron similares en cuanto a esta variable, es decir, las varianzas son similares.
Evaluamos si existe homogeneidad en las varianzas de acuerdo con el sexo.
leveneTest(Modelo_para_Analizar_Diabetes\(stab.glu ~ Modelo_para_Analizar_Diabetes\)gender) Levenes Test for Homogeneity of Variance (center = median) Df F value Pr(>F)
group 1 3.5123 0.06164 . 401
Obteniéndose un valor p mayor de 0,05, por lo que aún no es posible rechazar la hipótesis nula y es posible determinar que efectivamente la variable es normal y se trata de un análisis paramétrico y se puede decir que hay homogeneidad de varianzas en los dos grupos analizados.
t.test(Modelo_para_Analizar_Diabetes\(stab.glu ~ Modelo_para_Analizar_Diabetes\)gender, var.eq=T, conf.int=T)
Two Sample t-test
data: Modelo_para_Analizar_Diabetes\(stab.glu by Modelo_para_Analizar_Diabetes\)gender t = -1.7953, df = 401, p-value = 0.07335 alternative hypothesis: true difference in means between group female and group male is not equal to 0 95 percent confidence interval: -20.0973526 0.9112908 sample estimates: mean in group female mean in group male 102.6496 112.2426
Con esto se puede determinar que no existen diferencias estadísticamente significativas de glucosa estabilizada en cuanto al género de los participantes, aunque el valor se haya acercado al 0,05.
Primero se determinará si se cumplen los parámetros para aceptar o negar la hipótesis nula, que en este caso es saber si la variable de interés “hemoglobina glicosilada” tiene una distribución normal. Lo cual se realizará con el test de Kolmorogov-Smirnov.
lillie.test(DataGlyHB$glyhb)
Lilliefors (Kolmogorov-Smirnov) normality test
data: DataGlyHB$glyhb D = 0.24294, p-value < 2.2e-16
El p valor resultó mayor de 0,05, por lo que no se puede rechazar la hipótesis nula y podemos decir que probablemente tenga una distribución normal.
Se seleccionó la función “boxplot” para hacer una valoración preliminar.
boxplot(DataGlyHB\(glyhb ~ DataGlyHB\)gender)
Y se encontró, igualmente, que en ambos grupos los resultados fueron similares en cuanto a esta variable, es decir, las varianzas son similares.
Evaluamos si existe homogeneidad en las varianzas de acuerdo con el sexo.
leveneTest(DataGlyHB\(glyhb ~ DataGlyHB\)gender) Levenes Test for Homogeneity of Variance (center = median) Df F value Pr(>F) group 1 0.1622 0.6873 388
Obteniéndose un valor p mayor de 0,05, por lo que aún no es posible rechazar la hipótesis nula y es posible determinar que efectivamente la variable es normal y se trata de un análisis paramétrico y se puede decir que hay homogeneidad de varianzas en los dos grupos analizados.
t.test(DataGlyHB\(glyhb ~ DataGlyHB\)gender, var.eq=T, conf.int=T)
Two Sample t-test
data: DataGlyHB\(glyhb by DataGlyHB\)gender t = -0.067981, df = 388, p-value = 0.9458 alternative hypothesis: true difference in means between group female and group male is not equal to 0 95 percent confidence interval: -0.4630221 0.4320728 sample estimates: mean in group female mean in group male 5.457711 5.473185
Con esto se puede determinar que no existen diferencias estadísticamente significativas de hemoglobina glicosilada y es posible determinar que, efectivamente, los pacientes evaluados presentan una distribución normal de los resultados, indistintamente del género.
Tras la realización de todos los anáisis que se han ido abordando a lo largo de este estudio, fue posible llegar a una serie de conclusiones que explican claramente las características de esta muestra de 400 individuos con diabetes mellitus.
Para diferenciar esto mejor, las conclusiones se describen en la misma secuencia del análisis. Lo que podemos clasificar en los siguientes puntos, englobando así las conclusiones más representativas:
1.- Los datos en cuanto a género y edad fueron homogéneos en los participantes del estudio.
2.- Las medias encontradas para colesterol reflejaron valores por encima de lo normal en estos individuos, mientras que los valores de glicemia estaban dentro de los valores esperados para estos pacientes, la hemoglobina glicosilada reflejó una media de normalidad, lo mismo que ocurrió también con los valores presóricos de estos pacientes.
3.- Al analizar las medianas, se encontró que el valor del colesterol mantuvo datos más o menos homogéneos en la muestra de participantes, siendo estos por encima de los valores normales esperados. En el caso de la hemoglobina glicosilada se encontraron valores normales en casi todos los pacientes, demostrando un buen control de la diabetes, aunque los valores no hayan sido homogéneos al momento de estudiarlos. Pero en el caso de la glucosa estabilizada se encontraron valores predominantemente controlados, sólo que hubo una proporción de pacientes con valores altos que generaron que el resultado promedio estuviera por encima de 100 mg/dL. El valor mediano de la tensión arterial muestra una distribución homogénea o normal, así como un valor elevado respecto a los valores normales de 120/80 mmHg.
4.- En cuanto a las correlaciones que fueron estudiadas, se encontró que los pacientes con diabetes tuvieron una correlación positiva fuerte dada por un valor r = 0.6440542 entre la hemoglobina glicosilada y la glucosa estabilizada, lo que refleja que el buen control es esencial para mantener la normalidad en los valores de ambos estudios. Por otra parte, no hubo una correlación entre el colesterol y la glucosa estabilizada, lo que implica que no necesariamente por tener valores elevados de colesterol el paciente debería padecer de diabetes o encontrarse mal controlado.
5.- Finalmente, al estudiar los resultados en términos de género, no se encontraron valores estadísticamente significativos con los que sea posible decir que el género pudiera modificar o no la presencia de diabetes mellitus.
6.- Con todo esto en mente, y sabiendo las condiciones por las que se desarrolla la diabetes mellitus, es evidente que los pacientes con esta enfermedad requieren de un óptimo control de la glicemia, reduciendo el consumo de colesterol. Y, aunque los valores de colesterol no hayan demostrado intervenir claramente en el control de la diabetes, lo cierto es que estos pacientes requieren de igual forma procurar un mejor control de la enfermedad.