Introducción

Desde el año 1975 la obesidad se ha triplicado a consecuencia de los malos hábitos de alimentación, propiciados por una elevada ingesta calórica y con la adopción de estilos de vida sedentarios, esto hace que el sobrepeso y la obesidad se hayan convertido en un problema de salud pública a nivel mundial, debido a su implicación en el incremento del grado de morbilidad y mortalidad, y al importante impacto que tiene sobre la carga económica en los sistemas de salud (1). El método antropométrico más utilizado para el diagnóstico de la obesidad y el sobrepeso en estudios epidemiológicos es el Índice de Masa Corporal (IMC), el cual tiene una alta correlación con la grasa corporal y es un valor de referencia empleado internacionalmente e incorporado a la práctica clínica debido a su fácil aplicación (Burgos Postigo et al., 2019). A partir de un IMC de 20, la morbilidad por una serie de condiciones de salud aumenta a medida que aumenta el IMC. Existe una mayor morbilidad asociada con el sobrepeso para la hipertensión, diabetes tipo II, enfermedades cardiacas, accidentes cerebrovasculares, osteoartritis, problemas respiratorios y algunos tipos de cáncer (2). Ahora bien, estas situaciones no solo afectan al componente físico del ser humano, sino también a diferentes variables que lo rodean, entrando en juego la calidad de vida. La valoración de la calidad de vida relacionada con la salud es una compleja medida sobre la satisfacción de bienestar físico, mental y social, un concepto que incluye las expectativas, deseos y necesidades en la vida de las personas. Intenta determinar y manifestar el balance entre lo bueno y lo malo de la vida en relación con la salud. Así mismo, los individuos con sobrepeso presentan una peor percepción de la salud, con respecto a quienes están en condiciones de peso normal (3).

Objetivo.

El presente trabajo tiene como objetivo relacionar la percepción de salud con el índice de masa corporal (IMC) de los participantes que respondieron la presentación F-1 de la Encuesta Nacional de Salud (ENS) 2016-2017.

Metodología y Resultados

A partir de la base de datos obtenida de la ENS 2016-2017, que contaba con 23 variables y de ellas se utilizaron 6 variables de interés.

Las variables utilizadas corresponde a:

1.- Edad: En años, fue recodificada como “edad”.

2.- Sexo: HOMBRE o MUJER, fue recodificada como “sexo”.

3.- cd2: Corresponde a la pregunta “En general Ud. diría que su salud es”, las alternativas posibles son: MUY BUENA, BUENA, REGULAR, MALA, MUY MALA. Fue recodificada como “Perc_salud”.

4.- n3: Corresponde a la pregunta “¿Alguna vez un médico, enfermera u otro profesional de la salud le ha dicho que tiene exceso de peso?”, las respuestas posibles: SI, NO, NO SABE, NO RESPONDE. Fue recodificada como “Diag_ex_peso”.

5.- m4p1_1: Corresponde a la pregunta “Indique medida de Peso (Kg)”. Fue recodificada como “Peso_kg”

6.- m4p2_1: Corresponde a la pregunta “Indique medida de Talla (cm)”. Fue recodificada como “Talla_cm”.

Los paquetes utilizados son:

library(ggplot2) (4) library(readxl) (5) library(ggthemes) (6) library(tidyverse) (7) library(dplyr) (8) library(ggmosaic) (9) library(VIM) (10) library(naniar) (11) library(Hmisc) (12)

Se realizará un analisis descriptivo de las variables mencionadas con el fin de dar respuesta al objetivo planteado.

Tras revisar la nueva base de datos se observo la presencia de datos perdidos solo en las variables Peso_kg y Talla_cm.

Para la variable Peso_kg hay un total de 85 datos perdidos, que corresponde a un 13,62%, en tanto para la variable Talla_cm se observó un total de 84 datos perdidos que representan el 13,46%. En el libro de Códigos de Variables F2 Encuesta Nacional de Salud 2016-2017, se registra un total de 32 datos perdidos para la variable Peso_kg y 22 datos para la variable Talla_cm. Si bien en la documentación disponible asociada a la encuesta no se logró evidenciar el motivo de la ausencia de los datos restantes, estos fueron omitidos para los cálculos futuros, debido a que se trabajará con el índice de masa corporal y para su calculo el insumo principal son estas dos variables.

Tras sacar los datos perdidos obtenemos una nueva base de datos con 538 observaciones, de las cuales el 33,5% corresponde a hombres y el 66,5% a mujeres. En tanto se registra un rango de edad que va desde los 15 a los 98 años, siendo la media 52 años. El promedio de edad según sexo es de 50,2 años para los hombres y 51,3 para las mujeres.

Promedio de edad según sexo

## # A tibble: 2 x 2
##   sexo   media_de_edad
##   <chr>          <dbl>
## 1 HOMBRE          50.2
## 2 MUJER           51.3

Promedio de edad según percepción de salud

## # A tibble: 5 x 2
##   Perc_salud media_de_edad
##   <chr>              <dbl>
## 1 BUENA               47.9
## 2 MALA                61.3
## 3 MUY BUENA           36.1
## 4 MUY MALA            56.8
## 5 REGULAR             53.5

Se crea la varible correspondiente al IMC y se observa que la mayor frecuencia se encuentra entre 20 y 30 Kg/m^2

En relación a la percepción de salud, se observa que la mayor cantidad de encuestados perciben su salud como regular (n=237) o buena (n=221), en tanto 46 la perciben como mala y 4 como muy mala.

Se observa que el promedio de IMC de las personas que tiene una buena percepción de salud esta entre 28 y 28,5 Kg/m^2

La clasificación del estado nutricional se realiza de acuerdo con los puntos de corte del IMC propuestos por la Organización Mundial para la Salud (OMS):

  • Bajo: IMC <= 18,5

  • Normal : 18,5 < IMC <= 25

  • Sobrepeso: 25 < IMC <= 30

  • Obesidad: IMC >30

Se observa que aquellos que tienen una buena percepción de salud se distribuyen entre una categorización de IMC normal, sobrepeso y obesidad en proporciones similares. Aquellos que tienen una mala o muy mala percepción de salud en su mayoría se categorizan como obesos

El 75% de las personas que perciben su salud como muy mala han sido diagnosticados con exceso de peso

Discusión

La mayor cantidad de encuestados percibe su salud como buena o regular (n=458).

Una proporción similar de hombres (43%) y mujeres (57%) perciben su salud como buena, en tanto quienes la perciben como mala en su mayoría son mujeres (80%).

La mayoría de los categorizados como obesos corresponden a mujeres (75%).

El promedio de edad en aquellos que perciben su salud como mala (61,28 años) es mayor de quienes la perciben como buena (47,87 años).

El promedio del IMC de aquellos que perciben su salud como regular o mala (aprox. 29,2 Kg/m^2) es superior a quienes la perciben como buena (aprox. 28,2 Kg/m^2).

Aquellos que tienen una mala o muy mala percepción de salud en su mayoría corresponden a obesos.

El 35% de las personas que perciben su salud como buena y el 41% de quienes la perciben como mala han sido diagnosticados con exceso de peso.

Se observa al analizar los datos de la poblacón encuestada que al aumentar el índice de masa corporal la percepción de salud decae.

Es necesario realizar estudios adicionales para poder concluir si ambas variables presentan asociación.

Bibliografía

  1. World Health Organization, 2021. https://www.who.int/es/news-room/fact-sheets/detail/obesity-and-overweight#:~:text=El%20%C3%ADndice%20de%20masa%20corporal,(kg%2Fm2).

  2. Expert Panel, NHLBI Obesity Education Initiative, 2002

  3. Burgos Postigo et al., 2019

  4. H. Wickham. ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York, 2016.

  5. Hadley Wickham and Jennifer Bryan (2022). readxl: Read Excel Files. R package version 1.4.0. https://CRAN.R-project.org/package=readxl

  6. Jeffrey B. Arnold (2021). ggthemes: Extra Themes, Scales and Geoms for ‘ggplot2’. R package version 4.2.4. https://CRAN.R-project.org/package=ggthemes

  7. Wickham et al., (2019). Welcome to the tidyverse. Journal of Open Source Software, 4(43), 1686, https://doi.org/10.21105/joss.01686

  8. Hadley Wickham, Romain François, Lionel Henry and Kirill Müller (2022). dplyr: A Grammar of Data Manipulation. R package version 1.0.9. https://CRAN.R-project.org/package=dplyr

  9. Haley Jeppson, Heike Hofmann and Di Cook (2021). ggmosaic: Mosaic Plots in the ‘ggplot2’ Framework. R package version 0.3.3. https://CRAN.R-project.org/package=ggmosaic

  10. Alexander Kowarik, Matthias Templ (2016). Imputation with the R Package VIM. Journal of Statistical Software, 74(7), 1-16. doi:10.18637/jss.v074.i07

  11. Nicholas Tierney, Di Cook, Miles McBain and Colin Fay (2021). naniar: Data Structures, Summaries, and Visualisations for Missing Data. R package version 0.6.1. https://CRAN.R-project.org/package=naniar

  12. Frank E Harrell Jr (2022). Hmisc: Harrell Miscellaneous. R package version 4.7-0. https://CRAN.R-project.org/package=Hmisc