Tesis Doctoral JMVF

UNIVERSIDAD SIMÓN BOLÍVAR
DECANATO DE ESTUDIOS DE POSTGRADO

COORDINACIÓN DOCENTE DE POSTGRADO DE ESTUDIOS INTERDISCIPLINARIOS
DOCTORADO INTERDISCIPLINARIO EN CIENCIAS
TESIS DOCTORAL
ANÁLISIS DIMENSIONAL EN EL DISEÑO DE INDICADORES MULTI-

PARAMÉTRICOS PARA DIAGNOSTICAR LA DISFUNCIÓN METABÓLICA
Por
Jesús María Velásquez Fernández
Abril, 2018

Tesis Doctoral presentado a la Universidad Simón Bolívar por
Jesús María Velásquez Fernández
como requisito parcial para optar al grado académico de
Doctor en Ciencias
Con la asesoría del Profesor
Héctor Herrera
Abril, 2018
ii


Por: Jesús María Velásquez Fernández

Carnet No.: 05-84824
Este trabajo de Grado ha sido aprobado en nombre de la Universidad Simón Bolívar por el
siguiente jurado examinador:
Miembro Principal-Presidente
Prof. Zoraida Martínez
Miembro Principal-Externo
Prof. Edgar Acosta
Miembro Principal-Tutor
Prof. Héctor Herrera
5 de Abril del 2018

iii

VICERRECTORADO ACADÉMICO
ACTA DE VEREDICTO
Quienes suscribimos, profesores Prof. Héctor Herrera (tutor), Prof. y Profa. , miembros del Jurado
designado por el Consejo Asesor de la Coordinación Docente de Postgrado de Estudios Interdisciplinarios
de la UNIVERSIDAD SIMÓN BOLÍVAR para evaluar la Tesis Doctoral presentada por el estudiante JESÚS
MARÍA VELÁSQUEZ FERNÁNDEZ cédula de identidad Nro. 8.741.297, bajo el título “ANÁLISIS
DIMENSIONAL EN EL DISEÑO DE INDICADORES MULTI-PARAMÉTRICOS PARA DIAGNOSTICAR LA
DISFUNCIÓN METABÓLICA”. A los fines de cumplir con el requisito legal para optar al Grado Académico
de DOCTOR EN CIENCIAS, dejan constancia de lo siguiente:
1.- Leído como fue la Tesis Doctoral por cada uno de los miembros del Jurado, éste fijó el día 05 del mes
de abril del año 2018, a las 9.00 am, para que el autor la defendiera oralmente en forma pública, lo que éste
hizo en de la Universidad Simón Bolívar, según las siguientes pautas: exposición oral de la Tesis por
parte del estudiante autor, preguntas y comentarios por parte del jurado sobre diversos aspectos
conceptuales y metodológicos relacionados con la investigación realizada en la correspondiente Tesis, así
como sus resultados, y respuestas del estudiante en cuestión.
2.- Finalizada la defensa pública de la Tesis Doctoral, los miembros del Jurado procedimos a deliberar en
privado para formular un juicio sobre la Tesis en cuestión y su defensa oral, emitiendo el presente veredicto
de , apoyándonos en las siguientes razones:
1.-
2.-
3.-
En fe de lo cual se levanta la presente ACTA en Sartenejas, a los CINCO días del mes de ABRIL de 2018.
Presidente
Prof. Prof. Zoraida Martínez
Miembro Externo
Prof. Edgar Acosta
Miembro Principal-Tutor
Prof. Héctor Herrera
iv
AGRADECIMIENTOS
A Arturo, Diego y Erika porque mis días comienzan y terminan en el mismo sitio…mis
amores.
Al Profesor Héctor, mi tutor y amigo, por orientarme.
A DIOS porque los puso en mi camino…
“El hombre encuentra a Dios detrás de

cada puerta que la ciencia logra abrir”
Albert Einstein
v


Por: Velásquez Fernández, Jesús María

Carnet No.: 05-84824
Tutor: Héctor Herrera
Abril 2018
RESUMEN
El síndrome metabólico (SM), la resistencia a la insulina (RI) y la obesidad son condiciones
relacionadas con el estilo de vida, y están vinculadas al desarrollo de la diabetes y de
enfermedades cardiovasculares. En la actualidad se usa el criterio de diagnóstico según el
Programa Nacional de Educación sobre el Colesterol - Panel de Tratamiento de Adultos III
para el diagnóstico del SM, sin embargo no existe un índice que tenga un punto de corte
establecido para el diagnóstico del SM. Por otro lado, el diagnostico de la RI está determinado
por el HOMA-IR, sin embargo, este método tiende a arrojar falsos negativos en sujetos que
tienen la patología en sus fases iniciales; igualmente, el diagnóstico de la obesidad está
determinado por el criterio de la índice de masa corporal establecido por la Organización
Mundial de la Salud, no obstante este índice tiene la desventaja de no discriminar entre tejido
graso y magro. El objetivo de este estudio es proponer índices adimensionales que puedan
discriminar sujetos con SM, RI y obesidad utilizando variables bioquímicas (HDL y
triglicéridos), antropométricas (peso, altura y circunferencia abdominal), clínicas (presión
arterial diastólica y sistólica) y de la variabilidad de la frecuencia cardíaca (LF, HF, SD y
RMSSD). Para esto se propone una metodología que consta de seis pasos: i) Recolección de
la base de datos a utilizar, ii) cálculo de los parámetros de la VFC, iii) análisis de
correspondencias para la elección de los parámetros que formarán parte del diseño de los
índices, iv) análisis dimensional para el diseño de los índices que permitan caracterizar la
obesidad, RI y SM, v) cálculo de las medidas de desempeño para la evaluación de los índices
diseñados (sensibilidad, especificidad, valor predictivo positivo, valor predictivo negativo y
curvas ROC) y vi) comparación entre grupos. Los índices que se hallaron como producto de
esta tesis doctoral suponen un avance en el desarrollo de métodos que permiten el diagnóstico,
tratamiento y prevención de disfunciones metabólicas que podrían evitar el progreso de
enfermedades más graves, como la diabetes y las enfermedades cardiovasculares que
conllevan a un gran gasto público en salud.
Palabras clave: Análisis dimensional, análisis de correspondencias simples, teorema π de
Vaschy-Buckingham, curvas ROC, síndrome metabólico, resistencia a la insulina, obesidad
vi
ÍNDICE GENERAL
Contenido Pág.
ACTA DE VEREDICTO .......................................................................................................... iii
AGRADECIMIENTOS ..............................................................................................................iv
RESUMEN .................................................................................................................................. v
ÍNDICE GENERAL ...................................................................................................................vi
ÍNDICE DE TABLAS ............................................................................................................. viii
ÍNDICE DE FIGURAS ............................................................................................................... x
LISTA DE SÍMBOLOS Y ABREVIATURAS ....................................................................... xii
CAPÍTULO I: INTRODUCCIÓN............................................................................................... 1
1.1. Objetivo general .............................................................................................. 4
1.2. Objetivos específicos....................................................................................... 5
CAPÍTULO II: MARCO TEÓRICO ........................................................................................... 6
2.1. Regulación glucosa-insulina ........................................................................... 6
2.2. Síndrome Metabólico ...................................................................................... 6
2.3. Obesidad .......................................................................................................... 8
2.4. Sensibilidad a la insulina ................................................................................. 9
2.5 Métodos que cuantifican la sensibilidad a la insulina ..................................... 9
2.5.1. Métodos directos que cuantifican la sensibilidad a la insulina ........... 9
2.5.2. Métodos indirectos que cuantifican la sensibilidad a la insulina ...... 12
CAPÍTULO III: MARCO METODOLÓGICO ........................................................................ 13
3.1. Base de datos ................................................................................................. 13
3.2. Medición de la VFC ...................................................................................... 15
3.2.1. Estudio de la VFC ............................................................................. 15
3.2.2. Métodos en el dominio del tiempo .................................................... 16
3.2.3. Métodos en el dominio de la frecuencia ............................................ 17
3.3. Análisis de correspondencias simple............................................................. 18
3.4. Análisis dimensional ..................................................................................... 20
3.5. Medidas de desempeño ................................................................................. 20
vii
3.6. Tratamiento Estadístico ................................................................................. 21

CAPÍTULO IV: RESULTADOS Y DISCUSIÓN .................................................................... 23
4.1. Estudio de las variables lipídicas y antropométricas en el diagnóstico de
enfermedades metabólicas ............................................................................ 23
4.1.1. Índice antropométrico para la evaluación de la sensibilidad a la
insulina .............................................................................................. 23
4.1.2. Valor diagnóstico de variables lipídicas y antropométricas en el
diagnóstico de las disfunciones metabólicas ..................................... 30
4.2. Análisis dimensional para el diagnóstico de disfunciones metabólicas ........ 34
4.2.1 Análisis dimensional para diagnosticar el síndrome metabólico,
resistencia a la insulina y obesidad.................................................... 35
4.2.2. Análisis dimensional de parámetros de la variabilidad de la
frecuencia cardiaca ............................................................................ 42
CAPÍTULO V: CONCLUSIONES Y RECOMENDACIONES .............................................. 49
enfermedades metabólicas. ........................................................................... 49
5.2. Análisis dimensional para el diagnóstico de las enfermedades metabólicas. 50
REFERENCIAS ........................................................................................................................ 52
ANEXO: PUBLICACIONES DERIVADAS ........................................................................... 59
Anthropometric index for insulin sensitivity assessment in older adults from
Ecuadorian highlands ........................................................................................... 60
Dimensional Analysis of Heart Rate Variability Parameters for Metabolic
Dysfunctions Diagnosis........................................................................................ 70
Análisis dimensional de variables antropométricas y bioquímicas para diagnosticar el
síndrome metabólico ............................................................................................ 76
Valor diagnóstico de variables lipídicas y antropométricas en las disfunciones
metabólicas ........................................................................................................... 88
Towards the insulin resistance and obesity diagnosis: A dimensional analysis
approach ............................................................................................................. 107
viii
ÍNDICE DE TABLAS
Tablas Pág.
2.1. Criterios diagnósticos del SM según el Programa Nacional de Educación sobre el

National Cholesterol-Panel de Tratamiento de Adultos III (NCEP ATP III) .............. 7
2.2. Correlación de los métodos que cuantifican la sensibilidad a la insulina con el
CLAMP Euglicémico Hiperinsulinémico. ................................................................. 10
2.3. Cuadro de los Métodos Indirectos que Cuantifican la SI. .......................................... 11
3.1. Características de la base de datos según los sujetos Control, sujetos
3.2. Algunos parámetros en el dominio del tiempo de la VFC (Task Force of the
European Society of Cardiology and the North American Society of Pacing and
Electrophysiology, 1996)............................................................................................ 16
4.1. Contribuciones de edad, circunferencia abdominal, triglicéridos, HDL e IMC en
SCA. ........................................................................................................................... 25
4.2. Representación de la varianza de los ejes de los datos............................................... 25
4.3. Correlación de Spearman entre el método propuesto y el propuesto optimizado. ..... 26
4.4. Resultados de parámetros para el procedimiento de optimización. ........................... 27
4.5. Área bajo la curva, sensibilidad, especificidad, valor predictivo negativo y valor
predictivo positivo para el punto de corte óptimo. ..................................................... 33
4.6. Valores del índice de disfunción metabólica en cada una de las poblaciones usando
los puntos de corte óptimo para el diagnóstico de cada patología y los criterios de
diagnostico de la literatura. ........................................................................................ 34
4.7. Nomenclatura de las variables categóricas y numéricas utilizadas en el ACS. ......... 37
4.8. Contribuciones de las variables en el ACS de (Velásquez, 2017b). .......................... 37
4.9. Contribuciones de las variables en ACS del artículo (Velasquez, 2018a). ................ 38
4.10. Exponentes de las variables para cada variable.......................................................... 38
4.11. Exponentes de las variables de los monomios adimensionales. ................................. 39
4.12. Números adimensionales ............................................................................................ 40
4.13. Área bajo la curva (ABC) de cada curva de diagnóstico ROC .................................. 41
4.14. Parámetros de la variabilidad de la frecuencia cardiaca para cada patología. ........... 43
ix
4.15. Exponentes de las variables. ....................................................................................... 44

4.16. Exponentes de los índices adimensionales. ................................................................ 45
4.17. Índices Adimensionales. ............................................................................................. 45
4.18. SEN, ESP, VPP, VPN del mejor punto de corte de los números adimensionales con
mejor rendimiento para cada patología. ..................................................................... 47
x
ÍNDICE DE FIGURAS
Figuras Pág.
2.1. Sistema Regulatorio Glucosa-Insulina (Buratini, 2009). ........................................... 7

3.1. Marco metodológico ................................................................................................ 13
3.2. Esquema del procedimiento de cálculo de la serie RR. ........................................... 16
3.3. Representación esquemática del ACS...................................................................... 19
4.1. (a) Análisis de correspondencia simple de todas las variables bioquímicas y
antropométricas; (b) Distribución de la población según el eje. La nomenclatura
usada en la figura 4.1 (a) se encuentra explicada en la tabla 4.7. ............................ 24
4.2. Diagrama de la metodología general para la optimización paramétrica del método
propuesto (Velásquez, 2015a). ................................................................................. 25
4.3. Diagrama de caja de la sensibilidad a la insulina de acuerdo con: (a) Método
propuesto optimizado, (b) Método propuesto (c) Avignon, (d) HOMA-IR. ........... 28
4.4. Diagrama de dispersión de valores normalizados del método propuesto optimizado
vs. método propuesto. Los cuadrados rojos indican SM y resistencia a la insulina de
acuerdo con HOMA-IR (HOMA-IR> 2.5); cuadrados rojo rellenos indican SM sin
resistencia a la insulina (HOMA-IR <2.5); los círculos verdes indican sujetos del
grupo control sin resistencia a la insulina, y los círculos verdes con línea azul
indican sujetos del grupo control con resistencia a la insulina. ............................... 29
4.5. Curva ROC del índice de disfunción metabólica para el diagnóstico del SM según
NCEP-ATPIII 2002. ................................................................................................ 31
4.6. Curva ROC del índice de disfunción metabólica para el diagnóstico del SM-R según
NCEP-ATPIII 2005 revisado. .................................................................................. 31
4.7. Curva ROC del índice de disfunción metabólica para el diagnóstico de la obesidad.
.................................................................................................................................. 32
4.8. Curva ROC del índice de disfunción metabólica para el diagnóstico de la
Resistencia a la Insulina. .......................................................................................... 32
xi
4.9. Análisis de correspondencias simples de las variables bioquímicas y

antropométricas (a) para el trabajo (Velásquez 2017b) (b) para el trabajo
(Velásquez, 2018a) .................................................................................................. 36
4.10. Curvas ROC para el diagnostico del (a) SM, (b) RI y (c) obesidad de cada número
adimensional. ........................................................................................................... 42
4.11. Curva ROC para cada número adimensional. (a) diagnóstico de SM según NCEP-
ATPIII; (b) diagnóstico de SM según la versión revisada de NCEP-ATPIII; (c)
Diagnóstico RI según HOMA-IR y (d) Diagnóstico de obesidad según el IMC. Solo
los números adimensionales con la mejor ABC, SEN, ESP, VPP y VPN se
graficaron en esta figura. .......................................................................................... 46
xii
LISTA DE SÍMBOLOS Y ABREVIATURAS
ABC Área Bajo la Curva.

ACS Análisis de Correspondencias Simple.
AD Análisis Dimensional.
CAB Circunferencia Abdominal.
CEH Clamp Euglicémico Hiperinsulinémico.
ECG Electrocardiograma.
ECV Enfermedad Cardiovascular.
ESP Especificidad.
FFT Transformada Rápida de Fourier.
FN Falso Negativo.
FP Falso Positivo.
HDL High Density Lipids.
HOMA-IR Homeostasis model assessment insulin resistance.
HF Banda de alta frecuencia del espectro de la VFC.
ICT Índice Cintura Talla.
IDM Índice de Disfunción Metabólica.
IMC Índice de masa corporal.
LDL Low density lipoproteins.
LF Banda de baja frecuencia del espectro de la VFC.
MINMOD PITG Minimal Model para la prueba intravenosa de tolerancia a la glucosa.
NCEP ATPIII National Cholesterol Education Program Adult Treatment Panel III.
OMS Organización Mundial de la Salud.
POTG Prueba Oral de Tolerancia a la Glucosa.
PITG Prueba Intravenosa de Tolerancia a la Glucosa.
PSD Densidad de Potencia Espectral.
QUICKI Quantitative Insulin Sensitivity Check Index.
RI Resistencia a la Insulina-
RMSSD Raíz media cuadrática de las diferencias sucesivas de los intervalos RR.
ROC Receiver Operating Characteristic.
xiii
RR Tiempo transcurrido entre cada onda R.

SD Desviación estándar de todos los intervalos RR.
SEN Sensibilidad.
SM Síndrome Metabólico.
SI Sensibilidad a la Insulina.
VD Vector de Diagnóstico.
VFC Variabilidad de la frecuencia cardíaca.
VN Verdadero Negativo.
VP Verdadero Positivo.
VPN Valor Predictivo Negativo.
VPP Valor Predictivo Positivo.
VR Vector Resultado.
1
CAPÍTULO I
INTRODUCCIÓN
La concentración normal de glucosa sanguínea en el ser humano, se encuentra en el

rango de 70-110 mg/dl, y está mediado por el páncreas a partir de sus células γ, β y α las
cuales secretan somatostatina, insulina y el glucagón respectivamente. La regulación de la
glucosa depende sustancialmente de la insulina y el glucagón. La insulina se encarga de
transportar y facilitar la entrada de la glucosa a las células, disminuyendo los niveles de
glucosa en plasma; el glucagón por otro lado, permite la liberación de glucosa en el torrente
sanguíneo. Cuando este equilibrio se ve comprometido por factores ambientales o genéticos,
aparecen los desórdenes metabólicos, entre ellos se encuentra la baja sensibilidad a la insulina
o resistencia a la insulina (RI), el síndrome metabólico y la obesidad (Olefsky, 2010).
La sensibilidad a la insulina (SI) es la capacidad de las células para reaccionar en
presencia de la insulina (Olefsky, 2010). Se considera baja sensibilidad a la insulina o
resistencia a la insulina (RI), cuando en presencia de insulina plasmática la célula muestra una
incapacidad para captar glucosa. Este desorden metabólico trae como consecuencia el
desarrollo de disfunciones como el síndrome metabólico (SM), obesidad, problemas
cardiovasculares y eventualmente diabetes (Kahn, 2006).
La SI puede ser cuantificada usando métodos directos e indirectos. Los métodos
directos, como el clamp euglicémico hiperinsulinémico y el minimal model para la prueba
intravenosa de tolerancia a la glucosa (MINMOD-PITG), son muy precisos pero involucran el
uso de protocolos muy costosos y riesgosos, mientras que los métodos indirectos, como el
HOMA-IR y el de CAUMO, son menos precisos que los directos pero más fáciles de aplicar
debido a que usan la glucosa e insulina provenientes de la prueba oral de tolerancia a la
glucosa (POTG) para la cuantificación de la sensibilidad a la insulina. Existen numerosos
métodos indirectos para la cuantificación de la sensibilidad a la insulina; el HOMA-IR es el
método indirecto más usado en la práctica clínica para el diagnóstico de la resistencia a la
insulina. El HOMA-IR usa los valores en ayunas de glucosa e insulina y el corte para el
2
diagnóstico de RI es establecido en un HOMA-IR > 2,5 (Friedrich, 2012), sin embargo, su

precisión no es la mejor (correlación de Spearman con el MINMOD-PITG de 0,67) (Valdez,
2003) si se compara con otros métodos indirectos como por ejemplo el método de CAUMO.
El método indirecto de CAUMO, es un método que proviene de una simplificación del método
directo MINMOD-PITG es un método preciso (correlación de Spearman con el MINMOD-
PITG de 0,9) que usa los valores basales y postprandiales de glucosa e insulina de la POTG
(Caumo, 2000).
La POTG es un protocolo clínico, ampliamente utilizado, tanto en estudios
epidemiológicos como en estudios de investigación, en donde se hace una medición de los
valores de glucosa e insulina en ayunas y cuatro mediciones después de la ingesta una
solución de 75 gr. de glucosa anhidra en intervalos de 30 minutos entre cada medición; el
tiempo total de duración de la prueba, es de dos horas. A pesar, de que la POTG es una prueba
menos invasiva que los protocolos de los métodos directos, sigue siendo un procedimiento
invasivo y costoso. La RI y la hiperinsulinemia son factores que se encuentran relacionados a
una amplia circunferencia abdominal (Hanley, 1993), dislipidemia, predisposición a sufrir de
enfermedad cardiovascular, ateroesclerosis, obesidad así como también al desarrollo del
síndrome metabólico (SM).
El SM constituye un agrupamiento de criterios antropométricos y fisiológicos definidos
a partir de valores establecidos de presión arterial, índices de distribución adiposa abdominal y
parámetros bioquímicos glucémicos y lipídicos definidos y estandarizados por diversas
organizaciones para caracterizar una disfunción del metabolismo que con frecuencia conlleva
un aumento del riesgo de aparición de enfermedades cardiovasculares, obesidad, RI (WHO,
2004) y diabetes mellitus (Grundy, 2005). Existen numerosos criterios de diagnósticos del
SM. El que más se usa es el criterio de diagnóstico según el National Cholesterol Education
Program-Adult Treatment Panel III (NCEP-ATPIII, 2002), y su versión revisada que cambia
los valores de circunferencia abdominal (CAB) para hombres (CAB>90) y mujeres (CAB>80)
en caso de tratarse de una población asiática o latina (Grundy, 2005). Por otro lado, se ha
empleado el HOMA-IR para establecer el diagnóstico del SM (Motamed, 2015), igualmente
trabajos han determinado puntos de corte de la CAB y del índice de masa corporal (IMC) para
el diagnostico del SM (Worachartcheewan, 2014; Gozashti, 2012).
3
Actualmente el diagnóstico de sobrepeso y obesidad se basa en el IMC, debido a la

buena correlación existente entre éste, el grado de adiposidad y su estrecha asociación
epidemiológica con mortalidad y morbilidad ligada a la obesidad. Introducido en 1972 por
Ancel Keys el término de IMC (Keys, 1972) consiste en dividir el peso (en kilogramos) por la
altura al cuadrado (en metros). La clasificación empleada en el presente, según el IMC, para
definir peso bajo, peso normal, sobrepeso y obesidad en sus diferentes grados, se basa en los
puntos de cortes propuestos por la OMS (WHO por sus siglas en ingles) en 1998 (Kok, 2004).
No obstante este índice tiene la desventaja de no discriminar entre tejido graso y magro
(WHO, 2008).
La circunferencia abdominal (CAB) es una medida antropométrica simple y valiosa de
la grasa total intra-abdominal. El Instituto Nacional del Corazón y del Pulmón de EE.UU,
recomiendan la utilización del CAB en pacientes para determinar sobrepeso y obesidad [Earl,
2014]. La CAB esta correlacionada con el índice de masa corporal (IMC), pero los niveles de
correlación variados sugieren que éstas medidas pudiesen proveer información distinta y por
ende no intercambiable. Consideraciones prácticas sugieren el uso de la CAB como alternativa
al IMC (Grundy, 2005).
Los índices antropométricos que valoran la distribución adiposa abdominal presentan
mejor capacidad predictiva para la detección de SM respecto a indicadores de adiposidad total
como el IMC (Earl, 2014). El índice cintura-talla (ICT) se calcula con el cociente entre el
perímetro de la cintura y la estatura, es un parámetro muy fácil de tomar y que no requiere de
instrumental sofisticado. A esta ventaja se añade el hecho de que no presenta variaciones
significativas durante el crecimiento lo que elimina la necesidad de utilizar estándares de
referencia (Bellido, 2013). El índice de conicidad, descrito por Valdez en 1993, se utiliza para
evaluar el grado de adiposidad abdominal, al igual que el índice cintura-cadera, se ha
relacionado con un incremento de riesgo metabólico y cardiovascular (Valdez, 1993).
En la actualidad existen numerosos índices que cuantifican la SI, sin embargo, la
precisión de los mismos en diferentes tipos de poblaciones depende del tipo de población
utilizada en su diseño. Por ejemplo, el HOMA-IR es el método utilizado clínicamente para el
diagnóstico de la baja SI; no obstante, este método es impreciso en diabéticos tipo I y pudiese,
en algunos casos, arrojar falsos negativos en sujetos cuya alteración metabólica no se
manifiesta en los niveles de glucosa e insulina en ayunas, sino en los valores posteriores a una
4
infusión de glucosa (WHO, 2008). Es por ello que el desarrollo de un índice que cuantifique la
SI pudiese ser de gran utilidad, puesto que el diagnostico precoz de la RI pudiera prevenir el
desarrollo de las enfermedades asociadas.
La metodología usada para el diseño de estos índices es muy variada. Entre las cuales
se encuentra el análisis factorial, en donde a partir de data experimental se pueden establecer
relaciones entre variables categóricas y numéricas, y de esta manera se diseña a partir de esa
información la forma del índice y las variables que lo conformarán (Velásquez, 2015a). Por
otro lado, también se usa el análisis de la regresión, para observar la naturaleza de las
relaciones entre variables (Velásquez, 2015b). El análisis dimensional (AD) es otro método
que se ha usado para establecer relaciones entre variables, este método consiste en construir
parámetros adimensionales a partir de magnitudes físicas establecidas (Sonin, 2004). Las
aplicaciones del AD en ciencia e ingeniería son muchas, incluyendo la astrofísica, teoría
electromagnética, transferencia de masa, mecánica de fluidos, economía e incluso en las
ciencias sociales (Sonin, 2004), sin embargo, su uso en fisiología es limitado (Stahl, 1961)
(Günther, 1966).
Algunos estudios han explorado el diseño de índices formados por variables
antropométricas y bioquímicas para el diagnóstico de la RI, SM y obesidad. Estos índices han
logrado discriminar entre cada una de las poblaciones; pero hasta ahora no se ha estudiado el
diseño de índices que utilicen parámetros electrocardiográficos como variables, aún cuando,
algunas investigaciones han revelado que los parámetros de la variabilidad de la frecuencia
cardíaca (VFC) pueden discriminar entre los sujetos diabéticos y control (Quintero, 2007),
también se encontraron diferencias significativas entre los sujetos con SM y control en las
frecuencias normalizadas (Severeyn, 2012).
Esta Tesis de Grado contempla los siguientes objetivos:
1.1. Objetivo general
Diseñar índices que mejoren la especificidad en la discriminación y la categorización

de la disfunción metabólica a partir de variables fisiológicas, antropométricas y de la
variabilidad de la frecuencia cardiaca.
5
1.2. Objetivos específicos
 Estudiar las relaciones entre variables bioquímicas, antropométricas y de la VFC, con

la utilización del análisis de correspondencias simple.
 Diseñar índices aplicando el análisis dimensional y la optimización paramétrica con las

variables que más se relacionen con las poblaciones en estudio encontradas en el
análisis de correspondencias simple.
 Evaluar los índices con la base de datos recolectada, y escoger el que mejor desempeño
tenga para las tres patologías.
 Diseñar un andamiaje de soporte de datos para otorgarle utilidad práctica al índice, ya

que cualquier valor que éste aporte deberá estar clasificado de manera relativa dentro
de una escala proporcionada. Con éste andamiaje de referencia, el índice podrá
clasificar lo que se consideraría como normal o lo que se consideraría como resistente a
la insulina, obeso o con SM.
En los siguientes capítulos se desarrollarán los puntos referentes a esta tesis doctoral.
El capítulo II aborda el marco teórico, en donde se explican las bases fisiológicas del SM, RI y
obesidad así como también sus relaciones entre sí. En el capítulo III, se detalla la metodología
a utilizar, la muestra de estudio, las variables a medir y el tratamiento estadístico. En el
capítulo IV se presentan los resultados obtenidos. En el último capítulo se exponen las
conclusiones y las recomendaciones.
6
CAPÍTULO II
MARCO TEÓRICO
En este capítulo se describirá el SM, obesidad y RI. También se presentan la historia y

descripción del SM y sus implicaciones con la obesidad y la resistencia a la insulina, así como
también, la mejora de sus síntomas con la actividad física.
2.1. Regulación glucosa-insulina
La concentración normal de glucosa en la sangre en el ser humano se encuentra en el

rango de 70-110 mg/dl (Buratini, 2009), para mantener el nivel de azúcar en este rango el
páncreas secreta dos hormonas la insulina y el glucagón, específicamente por las células β y
las células α, respectivamente.
Cuando el nivel de azúcar en la sangre se encuentra por encima de los niveles
normales, las células β secretan la insulina y ésta se encarga de transportar el azúcar a las
células, logrando así disminuir el nivel de glucosa sanguínea (Buratini, 2009).
Por otro lado, cuando el nivel de azúcar se encuentra por debajo de los niveles
normales, las células α secretan el glucagón, este va al hígado, el cual libera azúcar al torrente
sanguíneo logrando entonces aumentar el nivel de glucosa sanguínea (Buratini, 2009) (ver
figura 1).
2.2. Síndrome Metabólico
Fue llamado en 1988 el “Síndrome X” por Reaven [Reaven, 1988], y en 1989 Kaplan
[Kaplan, 1989] lo llamó el “cuarteto de la muerte (the deadly quartet)”. Ambos términos
fueron referenciados como factores de riesgo para la ateroesclerosis, los cuales incluían
hiperinsulinemia, hipertrigliceridemia, hipertensión y obesidad. Con el tiempo se incluyó en
los factores de diagnóstico la obesidad abdominal y los bajos niveles de HDL (High density
lipids) (Barnard, 1998). Todos estos factores juntos en un individuo lo condicionan a sufrir de
enfermedad cardiovascular y diabetes tipo dos.
7
Actividad Consumo de
Física Carbohidratos
Bajo Nivel de Alto Nivel de

Páncreas
Glucosa Glucosa
Glucagón liberado por Secreción de insulina por

las células α parte de las células β
Hígado Insulina
Hígado libera Niveles Normales de Células del cuerpo

glucosa al plasma Glucosa en Sangre consumen glucosa
Figura 2.1. Sistema Regulatorio Glucosa-Insulina (Buratini, 2009).
Tabla 2.1. Criterios diagnósticos del SM según el Programa Nacional de Educación sobre el
National Cholesterol-Panel de Tratamiento de Adultos III (NCEP ATP III)
Obesidad Abdominal
Hombres>90cm, Mujeres>80cm
Presión Arterial (=130/85)
Triglicéridos = 150mg/dL
HDL-Col Hombres<40, Mujeres<50
Glucosa Sanguínea en ayunas=100mg/dL
Hoy en día la prevalencia de estas enfermedades se incrementa con el paso de los años
especialmente en individuos jóvenes (Ferreira, 2005). En la actualidad, el síndrome X, es
conocido como SM y según el NCEP-ATP III los factores de diagnóstico de esta condición
son: elevada presión arterial, triglicéridos elevados, altos valores de glucosa sanguínea en
ayunas, valores bajos de HDL y obesidad abdominal (ver tabla 2.1) (LaMonte, 2005).
A pesar de que el SM es una de las principales consecuencias de la obesidad, el
mecanismo fisiológico que lo provoca no está claro hoy en día, sin embargo, se conoce que
existen factores de riesgo que pueden contribuir, como lo son: sedentarismo, dieta no
balanceada, consumo de alcohol y tabaco (Ferreira, 2005). Otros estudios indican que la
prevalencia del SM en áreas urbanas es mayor que en áreas rurales; en México, se encontró
una prevalencia de SM del doble en áreas urbanas que en áreas rurales (Ramírez, 2007). Otro
8
factor a tomar en cuenta en el SM, es la historia familiar, los pacientes con SM tienden a tener
historia familiar de hipertensión arterial y diabetes (Paek, 2006).
La ingesta de alimentos es un factor importante en el SM. Se sabe que se puede inducir
SM con una dieta rica en carbohidratos, grasas y azúcares, el SM inducido por dieta puede ser
revertido con el cambio a una dieta rica en carbohidratos no refinados y poca grasa sin
necesidad de restricción calórica, es por ello que algunos estudios sugieren que el cambio de
dieta es uno de los posibles tratamientos para este síndrome (Roberts, 2001; Brandao, 2005;
Magkos, 2010).
2.3. Obesidad
La obesidad y el sobrepeso se definen como una acumulación anormal o excesiva de

grasa que puede ser perjudicial para la salud. El IMC, el cual se define como el peso de una
persona en kilogramos dividido por el cuadrado de la talla en metros
( ), es una forma de medir la obesidad. Una persona con
un IMC igual o superior a 30 es considerada obesa y con un IMC igual o superior a 25 es
considerada con sobrepeso en el caso de sujetos con una edad menor de 65 años, y en el caso
de sujetos con una edad mayor de o igual a 65 años es considerada sobrepeso con una
IMC>28. El sobrepeso y la obesidad son factores de riesgo para numerosas enfermedades
crónicas, entre las que se incluyen la diabetes, las enfermedades cardiovasculares y el cáncer
[OMS, 2000].
La ingesta excesiva de alimentos y el sedentarismo promueven el desarrollo de
depósitos de grasa subcutáneos e intraviscerales. A pesar de que la predisposición genética es
un factor importante, la vida sedentaria ha sido implicada como un factor de riesgo tanto para
la obesidad como para la diabetes en poblaciones de mujeres (Ferrari, 2008). La obesidad está
fuertemente relacionada con la CAB, las personas con SM tienden a tener los depósitos de
grasa en la zona abdominal es por ello que la medición de la CAB es uno de los factores de
diagnóstico de este padecimiento (Boudoulas, 2006).
Tener valores altos de IMC y la ganancia de peso son factores que contribuyen en el
desarrollo de posibles complicaciones cardiacas y SM (Carnethon, 2004). Estudios revelan
que con una disminución moderada del peso disminuye los factores de diagnóstico del SM
(Hillier, 2006), igualmente, en pacientes con SM el aumento de peso acarrea un
empeoramiento de su condición (Weiss, 2010).
9
2.4. Sensibilidad a la insulina
La Sensibilidad a la Insulina (SI) está definida como la capacidad de las células para
reaccionar ante la presencia de la insulina, se sabe que tener resistencia a la insulina (RI)
implica tener una baja sensibilidad a la insulina.
En un principio el SM fue referenciado como el síndrome de resistencia a la insulina,
con el fin de puntualizar el hecho de que la RI podría ser el factor clave en el SM. Algunos
trabajos sugieren que la RI y la hiperinsulinemia es el factor que precede las otras
características del SM (Barnard, 1998), sin embargo, puede presentarse el diagnóstico del SM
sin que exista la presencia de la RI.
La RI está fuertemente asociada a la obesidad y a la inactividad física (Amati, 2009).
Los altos niveles de IMC, están asociados negativamente con los niveles de SI, es decir, a
mayor IMC menor será la SI según un estudio realizado en jóvenes deportistas (Gomez-Perez,
2005). Durante la disminución de peso se ha observado mejoras en la respuesta autonómica
del corazón al igual que en la SI (Bobbioni-Harsh, 2008).
2.5 Métodos que cuantifican la sensibilidad a la insulina
En la actualidad existen dos tipos de métodos que cuantifican la SI, los métodos
directos, los cuales son más precisos, sin embargo, con protocolos muy costosos y riesgosos; y
los métodos indirectos los cuales son menos precisos pero más fáciles de obtener debido a que
usan la Prueba Oral de Tolerancia a la Glucosa (POTG) para cuantificar los valores de SI.
2.5.1. Métodos directos que cuantifican la sensibilidad a la insulina
El Clamp Euglicémico Hiperinsulinémico (CEH) es un protocolo que se utiliza para

medir la SI, consiste en inyectar insulina hasta producir hiperinsulinemia y, por otro lado, se
inyecta glucosa en cantidad suficiente para mantener la glucosa en sangre en sus niveles
normales. La cantidad de glucosa que es necesario infundir para evitar la hipoglicemia, está
directamente relacionada con la SI. Si hay mucha SI, se necesita administrar mucha glucosa
por tanto, mientras menos glucosa se necesite, menor es la sensibilidad a la insulina.
Otro método para la medición de la SI es el minimal model para la prueba intravenosa

de tolerancia a la glucosa (MINMOD PITG), la cual consiste en inyectar, glucosa intravenosa
en un período de 30 a 60 segundos, y medir en plasma las concentraciones de glucosa e
10
insulina en diferentes intervalos de tiempo, por lo general se realizan dos o tres mediciones
antes de que se inyecte la glucosa y entre 20 y 25 mediciones después de la inyección de
glucosa. Los datos de insulina y glucosa se introducen en un modelo matemático y por ajuste
de curvas se obtiene la SI.
Tabla 2.2. Correlación de los métodos que cuantifican la sensibilidad a la insulina con el
CLAMP Euglicémico Hiperinsulinémico.
Métodos con el cual se

Métodos Correlación de Spearman Referencia
ha correlacionado
r=0,89 en sujetos con TNG
Avignon [mL/microUI mg] r=0,96 en sujetos con TAG MINMOD PITG (Avignon, 1999)
r=0,83 en sujetos con DM2
Stumvoll MCR1 [mL/kg min] r=0,80 en sujetos con TNG CEH (Stumvoll, 2000)
Stumvoll MCR2 [mL/kg min] r=0.69 en sujetos con TNG CEH (Stumvoll, 2000)
StumvollISI1 [mmol pmol/L.Kg min] r=0.79 en sujetos con TNG CEH (Stumvoll, 2000)
StumvollISI2 [mmol pmol/L .Kg min] r=0,71 en sujetos con TNG CEH (Stumvoll, 2000)
Belfiore r=0,54 en sujetos con TAG CEH (Belfiore, 2002)
StumvollISI3 [mmol pmol/L Kg min] r=0,79 en sujetos con TNG CEH (Borrás, 2008)
StumvollISI4 [mmol pmol/L Kg min] r=0,69 en sujetos con TNG CEH (Borrás, 2008)
StumvollFASE1 [pmol/L] r=0,78 en sujetos con TNG CEH (Stumvoll, 2000)
StumvollFASE2 [pmol/L] r=0,79 en sujetos con TNG CEH (Stumvoll, 2000)
Cederholm
r=0,52 en sujetos con TAG CEH (Borrás, 2008)
[mg L2/mmol mUI min]
Gutt [mg L2/mmol mUI min] r=0,63 en sujetos con TNG CEH (Borrás, 2008)
HOMAβCELL[pmol/mmol] r=0,60 en sujetos con TNG CEH (Conwell et al 2004)
HOMA-IR [pmol/L] r=-0,68 en sujetos con TNG MINMOD PITG (Hanley, 2003)
ISIHOMA [L/pmol] r=0,68 en sujetos con TNG MINMOD PITG (Hanley, 2003)
QUICKI r=0,68 en sujetos con TNG MINMOD PITG (Hanley, 2003)
FGIR [mg mL/ µUI dL] r=0,89 en sujetos con TNG MINMOD PITG (Conwell et al 2004)
Bennett r=0,68 en sujetos con TNG MINMOD PITG (Hanley, 2003)
Matsuda r=0,73 en sujetos con TNG CEH (Borrás, 2008)
Raynaud [10-4 mL/min µUI] r=0,88 en sujetos con TNG MINMOD PITG (Raynaud, 1999)
(Caumo, 2000;
Caumo [dL /(Kg min (µUI/mL)] r=0,89 en sujetos con TNG MINMOD PITG
Bergman, 1987)
TNG: Tolerancia Normal a la Glucosa. TAG: Tolerancia Alterada a la Glucosa. DM2: Diabetes
Mellitus tipo II.
11
Tabla 2.3. Cuadro de los Métodos Indirectos que Cuantifican la SI.
Métodos que Cuantifican

Ecuación
la SI
Avignon
Donde:
[mL/microUI mg]
StumvollMCR1
[mL/kg.min]
StumvollMCR2
[mL/kg.min]
StumvollISI1
[mmol.pmol/L.Kg.min]
StumvollISI2
StumvollISI3
StumvollISI4
StumvollFASE1 [pmol/L]
StumvollFASE2 [pmol/L]
Belfiore
Cederholm
Gutt
HOMAβCELL
[pmol/mmol]
HOMA-IR [pmol/L]
ISIHOMA [L/pmol]
QUICKI
FGIR [mg mL/ µUI dL]
Raynaud
[10-4 mL/min µUI]
Bennett
Matsuda
Caumo
[dL /(Kg min (µUI/mL)]
G0, G30, G60, G90, G120: Concentraciones de glucosa en los instantes 0, 30, 60, 90, 120 minutos
respectivamente. Gm: Media de glucosa de los valores en los instantes 30, 60, 90 y 120 minutos. I0, I30,
I60, I90, I120: Concentraciones de insulina en los instantes 0, 30, 60, 90 and 120 minutos. Im: Media de
insulina de los valores a los instantes 30, 60, 90 y 120 minutos. C y VD son constantes. Media de
Glucosa y Media de Insulina: Área bajo la curva de glucosa y insulina respectivamente a los instantes
0, 60 y 120 minutos.
12
Ninguno de los métodos anteriores, se realizan en la práctica clínica, debido a que son
procedimientos engorrosos, y en caso del CEH riesgoso, sin embargo si se utilizan para hallar
sus correlaciones con otros métodos indirectos y de esta forma estudiar su precisión
(Severeyn, 2012). En la tabla 2.2 se enumeran algunas correlaciones de los métodos que
cuantifican la SI estudiados en este trabajo con el CEH y el MINMOD PITG.
2.5.2. Métodos indirectos que cuantifican la sensibilidad a la insulina
Los métodos indirectos se dividen en dos tipos, aquellos que contemplan los valores de
glucosa e insulina durante toda la POTG, entre estos se encuentran: Caumo, Matsuda,
Belfiore, Cederholm, Avignon, y Stumvoll. Por otro lado, están los métodos que involucran
sólo los datos de glucosa e insulina en la etapa basal, los cuales son: HOMA-IR, HOMAβCELL,
ISI HOMA, FGIR, QUICKI, y Raynaud, estos métodos tienen la particularidad de que no
contemplan el proceso de metabolización de glucosa. En la tabla 2.3 se pueden observar las
ecuaciones que describen los diferentes métodos indirectos.
Los métodos indirectos utilizan la POTG, la cual consiste en la toma oral de 75 gr. de
glucosa pura, para luego extraer muestras de sangre en intervalos equitativos de tiempo, y
realizar las mediciones en el laboratorio de insulina y glucosa de cada muestra; la prueba tiene
una duración de 2 a 3 horas. Finalmente, al final de la prueba se obtienen curvas de glucosa e
insulina en el tiempo las cuales se introducen en las ecuaciones de los métodos indirectos y se
obtiene el valor de SI (Severeyn, 2012).
En la práctica clínica se usa el HOMA-IR para el diagnóstico de la baja sensibilidad a
la insulina, sin embargo, no es uno de los métodos con mejor correlación con el CEH (0,68).
Un estudio hace la comparación de los métodos indirectos con el método indirecto de Caumo,
el cual proviene de una aproximación del MINMOD y que además tiene una buena correlación
de Spearman (0,89), encontrándose que en poblaciones normales los métodos indirectos
tienden a perder correlación con el método de Caumo (Severeyn, 2012), es decir, dependiendo
del tipo de población los métodos tendrán una mejor o peor correlación con los métodos
directos.
13
CAPÍTULO III
MARCO METODOLÓGICO
En este capítulo, se describe el procedimiento metodológico que se implementó, el cual

consta de seis pasos (ver figura 3.1): i) Recolección de la base de datos a utilizar, ii) cálculo de
los parámetros de la VFC que se usaron para el diseño de índices que caractericen la obesidad,
RI y SM, iii) el análisis de correspondencias para la elección de los parámetros que formarán
parte del diseño de los índices que caracterizarán las patologías metabólicas estudiadas, iv) el
análisis dimensional para el diseño de los índices que permitan caracterizar la obesidad, RI y
SM, v) cálculo de las medidas de desempeño para la evaluación de los índices diseñados; vi)
comparación entre grupos de los resultados de los índices a partir del tratamiento estadístico.
Al final de este capítulo se describirán los resultados esperados para esta tesis.
Análisis de
Parámetros de Análisis Medidas de Tratamiento
Base de correspondencias
la VFC dimensional desempeño estadístico
datos simple
Figura 3.1. Marco metodológico
3.1. Base de datos
La base de datos utilizada es una compilación de tres bases de datos:
i) Base de datos 1 (n=120, masculino=42): En 2015, los adultos mayores de más de 65

años sin diabetes fueron reclutados en el proyecto DIUC-PROMETEO denominado:
Variabilidad de la frecuencia cardíaca y La sensibilidad a la insulina en la población
de edad avanzada de Cuenca, Ecuador (Parra, 2015). A cada sujeto se le realizó una
hematología, un perfil lipídico, medidas antropométricas (altura, peso, IMC, CAB),
cuestionario internacional de actividad física 2 (IPAQ) (Craig, 2003) y una POTG.
14
ii) Base de datos 2 (n=40, masculino=40): En 2009 se reclutaron adultos varones de entre
18 y 45 años sin diabetes en el proyecto DID-USB denominado: Estudio
electrocardiográfico de la neuropatía cardiaca en el síndrome metabólico (Severeyn,
2015). A cada sujeto se le realizó una hematología, un perfil lipídico, medidas
antropométricas (altura, peso, CAB, IMC), la POTG de cinco muestras y registro
electrocardiográfico antes de cada muestra de la POTG.
Tabla 3.1. Características de la base de datos según los sujetos Control, sujetos con SM,
obesidad y RI.
Base de datos total +
Control (n=290; Sujetos con RI (n=99, ᶿObesos (n=367, SM (n=325,
Características (n=844,
masculino =124) masculino =40) masculino =140) masculino=128)
masculino=342)
59,95±19,94 58,16±21,90 65,83 ± 16,55 53,16±17,44 66,00±17,17
Edad (años) [15,00-98,00] [15,00-98,00] [18,00-91,00] [18,00-90,00] [22,00-95,00]
[58,61-61,30] [55,63-60,68] [62,57-69,09] [51,57-54,74] [64,14-67,87]
67,30±16,64 56,09±9,04 79,87 ± 20,38 80,19±14,85 72,49±18,60
Peso (Kg) [29,90-159,00] [29,90-81,65] [43,50-159,00] [54,00-159,00] [33,00-159,00]
[66,17-68,42] [55,04-57,13] [75,85-83,88] [78,84-81,54] [70,46-74,51]
159,11±10,74 159,97±9,92 158,16 ± 12,27 160,22 ± 11,25 157,71±11,13
Altura (cm) [101,63-186,00] [138,10-186,00] [101,63-186,00] 101,63-186,00 [134,80-186,00]
[158,39-159,84] [158,82-161,11] [155,75-160,58] 159,20-161,24 [156,50-158,92]
88,78±13,44 77,79±7,75 102,73 ± 14,33 97,85±11,90 95,75±13,04
Circunferencia
abdominal (cm)
[56,00-161,00] [59,00-102,00] [66,00-161,00] [74,00-161,00] [56,00-161,00]
[87,87-89,68] [76,90-78,69] [99,91-105,56] [96,76-98,93] [94,33-97,17]
129,41±77,29 100,21±51,92 164,4 ± 81,07 144,70±92,99 168,43±80,59
Triglicéridos
(mg/dL)
[32,70-936,00] [32,70-567,00] [58,00-464,00] 33,50-936,00 [36,80-663,90]
[124,20-134,63] [94,22-106,19] [148,97-180,91] 136,25-153,16 [159,67-177,19]
47,86 ±13,49 52,21±13,14 42,14 ± 10,16 44,40±12,17 43,38±12,02
HDL (mg/dL) [15,10-125,80] [23,00-125,00] [23,00-83,70] [15,10-92,00] [15,10-95,10]
[46,95-48,77] [50,69-53,72] [40,14-44,14] [43,30-45,51] [42,07-44,68]
26,48±5,61 21,83±2,29 31.89 ± 7.20 31.22±4.79 28,92±5,77
IMC (Kg/m2) [13,04-63,90] [13,04-25,32] [19.38-63.90] [25.02-63.90] [15,20-48,53]
[26,11-26,86] [21,57-22,10] [30.47-33.30] [30.79-31.66] [28,29-29,55]
7,84±3,88 5,72±1,46 14,20 ± 7,34 9,28 ± 3,67 9,13±4,46
Insulina en
ayunas (μUI/mL)
[2,00-43,60] [2,00-11,00] [4,52-43,60] [2,00-42,80] [2,00-42,80]
[7,58-8,10] [5,55-5,88] [12,75-15,64] [8,95-9,62] [8,64-9,61]
44,26 ±22,82 34,13±7,29 75,89 ± 49,19 51.82 ± 24,29 50,69±25,80
Insulina 120 min
(μUI/mL)
[3,76-300,00] [3,76-49,24] [6,70-300,00] [10,30-300,00] [4,30-285,00]
[42,72-45,80] [33,29-34,98] [66,20-85.58] [49,61-54,03] [47,88-53,49]
87,44±24,59 81,75±12,72 119,32 ± 52,45 87,87 ± 19,91 94,57±31,77
Glucosa en
ayunas (mg/dL)
[26,00-411,00] [51,00-163,00] [67,80-411,00] [26,00-270,00] [26,00-411,00]
[85,78-89,10] [80,28-83,22] [108,99-129,65] [86,06-89,68] [91,12-98,03]
99,11±24,76 93,07 ±10,48 126,19 ± 56,64 100,49 ± 17,93 105,87±32,19
Glucosa 120 min
(mg/dL)
[31,10-525,97] [33,40-144,84] [60,20-525,97] [54,50-252,66] [45,10-525,97]
[97,44-100,78] [91,86-94,28] [115,04-137,35] [98,86-102,12] [102,37-109,37]
1,72±1,17 1,15±0,37 3,88 ± 2,20 2,06±1,27 2,17±1,55
HOMA-IR [0,32-19,27] [0,37-2,48] [2,50-19,27] [0,32-19,27] [0,32-19,27]
[1,64-1,80] [1,11-1,20] [3,44-4,31] [1,94-2,17] [2,00-2,33]
*Promedio y desviación estándar.
ǂ
Valor máximo y mínimo.
ϕ
Intervalo de confianza con un 95%.
+
Sujetos control son aquellos que no pertenecen a ninguno de los grupos con patología.
ᶿSujetos con obesidad, si tiene edad≥65 años se toma como punto de corte del IMC≥28, si tiene edad<65 años se
toma como punto de corte de IMC≥25.
15
iii) Base de datos 3 (n=684, masculino=260): Entre 2004 y 2012 (Herrera, 2003),
hombres y mujeres adultos del distrito capital de Venezuela fueron reclutados en el
laboratorio de Evaluación Nutricional de la Universidad Simón Bolívar. A cada sujeto
se realizó una hematología, un perfil lipídico, medidas antropométricas (altura, peso,
CAB, IMC), y mediciones de glucosa e insulina en ayunas.
El protocolo clínico de cada base de datos se adhirió a los principios de la Declaración

de Helsinki y fueron aprobados por el Comité de Bioética de la Facultad de Ciencias Médicas
de la Universidad de Cuenca en Ecuador (Base de datos 1) y de la Universidad Simón Bolívar
(Bases de datos 2 y 3). Todos los sujetos otorgaron su consentimiento por escrito. Las
características de la base de datos que se usará se resumen en la tabla 3.1.
3.2. Medición de la VFC
La medición de la VFC, es decir la oscilación en el intervalo entre latidos consecutivos

del corazón, es un método cuantitativo bien establecido, conocido y no invasivo para la
evaluación de la actividad autonómica del corazón a través del estudio espectral de la VFC. En
general las bajas frecuencias (LF, Low Frecuency por sus siglas en inglés) están relacionadas
con el efecto vasomotor mediado por el sistema nervioso simpático, de igual manera las altas
frecuencias (HF, High Frecuency, por sus siglas en inglés) están relacionadas con la
respiración y mediadas por el sistema nervioso parasimpático.
Basándonos en los parámetros de la VFC se puede estudiar el sistema nervioso
autónomo y sus fluctuaciones, y con esto también las disfunciones cardiovasculares, diabetes,
entre otros (Chan, 2007). La VFC se ha utilizado como herramienta para el análisis de la
respuesta cardiaca vinculada a cambios de la VFC en poblaciones de diabéticos que los
diferencian de las poblaciones normales. Recientes investigaciones puntualizan que pueden
observarse cambios de la VFC en poblaciones prediabéticas, encontrándose valores mayores
del intervalo QTc (medida del tiempo entre el comienzo de la onda Q y el final de la onda T en
el electrocardiograma) en las poblaciones prediabéticas (Rivera, 2010).
3.2.1. Estudio de la VFC
La VFC es extraída a partir de la serie RR, la cual a su vez es extraída de la señal

electrocardiográfica. La serie RR viene dada por el Δt entre las ondas R en el tiempo,
16
formalmente es la oscilación del intervalo entre latidos consecutivos. En la figura 3.2 se puede
observar un esquema básico del procedimiento para construir la serie RR (Barbieri, 2003;
Migliaro, 2005).
Figura 3.2. Esquema del procedimiento de cálculo de la serie RR.

Existen varios métodos para la medición de los parámetros de la VFC, entre ellos se
encuentran los métodos de dominio en el tiempo y los métodos de dominio en frecuencia.
3.2.2. Métodos en el dominio del tiempo
Tabla 3.2. Algunos parámetros en el dominio del tiempo de la VFC (Task Force of the
European Society of Cardiology and the North American Society of Pacing and
Electrophysiology, 1996).
Variable Unidades Descripción
Medidas Estadísticas ó Temporales
SDRR ms Desviación estándar de todos los intervalos RR
La raíz cuadrada de la media de la suma de los
RMSSD ms cuadrados de las diferencias entre intervalos RR
adyacentes.
Los métodos de dominio en el tiempo son los más simples y determinan medidas
estadísticas. Estas medidas se obtienen a partir de los intervalos RR o frecuencias cardiacas
instantáneas, así como también de las diferencias entre los intervalos RR. Estas variables
pueden obtenerse del análisis total del registro o a partir del análisis de varios segmentos del
mismo. Las medidas geométricas, se calculan convirtiendo los intervalos RR en patrones
gráficos, tales como: la distribución de densidad de la duración de los intervalos RR, la
distribución de densidad de la diferencia entre intervalos RR adyacentes, etc. En la tabla 3.2 se
muestran los parámetros de la VFC que se obtienen a partir de los métodos de dominio en el
tiempo, así como su descripción.
17
3.2.3. Métodos en el dominio de la frecuencia
Los métodos en el dominio de la frecuencia consisten principalmente en tomar series

de números a lo largo del eje del tiempo y realizar el análisis espectral utilizando la densidad
espectral de potencia (PSD, Power Spectrum Density) (Bilchick, 2006). La PSD provee la
información básica de cómo la potencia se distribuye en función de la frecuencia. Los métodos
para estimar la PSD se pueden clasificar en métodos paramétricos y métodos no paramétricos.
Entre las ventajas de los métodos paramétricos se encuentran:
 Simplicidad en los algoritmos empleados para la obtención de la transformada

rápida de Fourier (FFT).
 Gran velocidad de procesamiento.

Entre las ventajas de los métodos no paramétricos se encuentran:
 Componentes espectrales suavizados, los cuales pueden ser distinguidos

independientemente y preseleccionados por bandas de frecuencias.
 Facilidad de procesamiento del espectro con un cálculo automático de las bajas

y altas frecuencias con una identificación fácil de la frecuencia central de cada
componente.
 Estimación del PSD aún cuando se tenga un registro de datos limitado, siempre
y cuando la señal se mantenga estacionaria en ese tiempo.
Los parámetros espectrales van a depender de la duración del registro que se tenga.
Según esto, se tienen dos tipos de registros, los registro de corto plazo que tienen un tiempo de
duración de 2 a 5 minutos y los registros de largo plazo que son los que tienen períodos de
duración de 24 horas. Las unidades utilizadas para estos parámetros espectrales están definidas
en potencia absoluta (ms2). En la tabla 3.3 se muestran los parámetros de la VFC que se
obtienen a partir de los métodos de dominio en la frecuencia, así como su descripción.
Existen otras metodologías que permiten el estudio de la VFC, como es el exponente
de Lyapunov (Correa, 2010), el cual mide la dependencia de un proceso con respecto a las
condiciones iniciales; la entropía (García, 2009), que mide el grado de complejidad de un
proceso, el diagrama de Poincaré (García, 2009), que consiste en la representación gráfica de
los intervalos RR consecutivos; entre otros. Estos métodos son ampliamente utilizados en la
18
literatura para caracterización de comportamiento caótico en una gran variedad de situaciones

clínicas.
Tabla 3.3. Parámetros en el dominio de frecuencia (Task Force of the European Society of
Cardiology and the North American Society of Pacing and Electrophysiology, 1996).
Rango de
Variable Unidades Descripción
Frecuencia
Rango de potencia de bajas 0,04-0,05
LF ms2
frecuencias Hz
Rango de potencia de altas 0,15-0,4 Hz
HF ms2
frecuencias
3.3. Análisis de correspondencias simple
El análisis correspondencia simple (ACS) se aplica sobre tablas de datos en las cuales
un grupo de individuos es descrito por varios grupos de variables. Su objetivo es buscar las
estructuras comunes presentes en estos grupos. Las variables pueden ser continuas, nominales
e incluso, bajo ciertas condiciones, de tipo frecuencial (Lebert, 2000).
La figura 3.3 ilustra esquemáticamente una tabla de datos X donde las líneas (i=1,…, I)
representan los I individuos y las columnas (j=1,…, K) representan las K variables. El ACS
consiste en analizar los individuos y las variables, desde un punto de vista geométrico, lo cual
se traduce en la construcción de dos nubes de puntos (Escofier, 1988):
 La nube de I individuos (la nube de puntos fila) situada en el espacio de K dimensiones

RK de variables (las columnas), donde cada fila está representada por un punto de K
coordenadas.
 La nube de K variables (la nube de puntos columna) situada en el espacio de I

dimensiones RI de I individuos, donde cada una de las K columnas está representada
por un por un punto de I coordenadas.
La matriz de datos X es una matriz en la cual cada vector, fila o columna, representa un
punto en RK o en RI. Cada una de las dos dimensiones de la matriz de datos permite definir las
distancias entre los elementos definiendo así otra dimensión (ver figura 3.3). El ACS permite
descubrir sub-espacios de representación de proximidades entre vectores de descripción de
observaciones (Escofier, 1988).
El ACS se ejecuta en dos pasos:
19
 El primer requisito es hacer los distintos grupos de variables compatibles, para esto se
λ1k , donde λ1 es el
k
estandariza cada variable al dividir todos sus elementos por
primer valor singular, el cual es el equivalente en las estructuras matriciales a la
desviación estándar.
 Los grupos de datos normalizados se unen para formar una única matriz a la cual se le
aplicará un ACS. Los grupos individuales de datos son proyectados al análisis global,
para así determinar las similitudes y discrepancias (Beck, 2003).
Con el fin de determinar similitudes o diferencias entre los grupos en estudio y las
variables bioquímicas, antropométricas, fisiológicas y de la VFC se usará el ACS. Un primer
ACS para hallar las relaciones entre los parámetros de la VFC y los diferentes tipos de
poblaciones. Un segundo ACS para hallar las relaciones entre las variables bioquímicas,
antropométricas y fisiológicas y los distintos tipos de poblaciones con el fin de determinar
cuáles variables se relaciona más con un tipo de población u otro.
Figura 3.3. Representación esquemática del ACS.

20
3.4. Análisis dimensional
El AD es una herramienta que permite simplificar el estudio de los fenómenos en los

que las magnitudes físicas están involucradas en forma de variables independientes. El
resultado del análisis dimensional es la sustitución de un conjunto original de variables de
entrada que tienen dimensiones físicas por un número menor de variables de entrada
adimensionales. El AD es posible gracias al teorema π de Vaschy-Buckingham.
El teorema π de Vaschy-Buckingham establece que si tenemos una función que refleja
la relación existente entre n variables con magnitudes físicas básicas, es posible expresar esas
variables en términos de k magnitudes dimensionalmente independientes. Por lo tanto, la
función original puede expresarse, de manera equivalente, como una función de n-k números
adimensionales construidos a partir de las variables originales, que serán a su vez, variables de
la nueva función. El teorema π de Vaschy-Buckingham proporciona un método para construir
parámetros adimensionales, incluso cuando la función original es desconocida (Bertrand,
1878; Rayleigh, 1915).
En otras palabras, si tenemos una función que refleja la relación entre variables que
llamaremos Vi donde i = 1: n; Entonces debe haber una función f tal que:
Si las variables Vi se expresan en términos de k unidades físicas independientes (masa,

longitud y tiempo), entonces la ecuación 1 puede expresarse como:
donde: C1, C2, ..., Cn, son exponentes con la condición de que cada número πj cumple el
criterio de adimensionalidad.
3.5. Medidas de desempeño
Para hallar la capacidad de detección del índice se hallarán las curvas ROC (Receiver
Operating Characteristic) para cada patología. Para esto se halla el índice para cada uno de los
sujetos construyéndose así el vector resultado del índice (VR). Con el VR se halla el mínimo y
el máximo de dicho vector y se construye un vector diagnóstico (VD) con números
equitativamente espaciados entre el valor mínimo y el máximo del VR.
21
Cada valor del VD se toma como punto de corte, y se obtienen los verdaderos positivos
(VP), falsos positivos (FP), verdaderos negativos (VN) y los falsos negativos (FN). Luego se
hallan la sensibilidad (SEN), especificidad (ESP), valor predictivo positivo (VPP) y valor
predictivo negativo (VPN) para cada valor del vector VD. Las ecuaciones (3.4), (3.5) (3.6) y
(3.7) describen los parámetros de predicción.
Graficando la sensibilidad y (1-especificidad) de cada punto de VD, se construyen las

curvas ROC para cada patología. A partir de las curvas ROC, se halla el Área Bajo la Curva
(ABC), considerándose un valor predictivo aceptable aquel índice con un ABC mayor a 0,75
(Reitsma, 2005).
Se halla el punto de corte óptimo aquel que presenta la menor distancia entre la curva
ROC y el punto [0,1] de la gráfica de curva ROC.
3.6. Tratamiento Estadístico
Todos los datos se procesaron utilizando la versión del programa MATLAB® versión
R2015a. Las muestras son no pareadas con una distribución diferente de lo normal, por lo que
para determinar las diferencias entre grupos de dos, se utilizará la prueba no paramétrica de
Mann-Whitney U y entre los grupos de tres o más se utilizará la prueba estadística no
paramétrica de Kruskal Wallis (Marusteri, 2010). Los datos en el texto y en las tablas se
presentarán como valores de media y desviación estándar, valores mínimo y máximo e
intervalo de confianza del 95%.
El coeficiente de correlación de Spearman mide la asociación entre dos variables; los
valores de este coeficiente varían entre -1 y 1, en donde los valores negativos o positivos
indican una correlación negativa o positiva respectivamente, el cero indica que no hay
correlación pero no indica que las variables sean independientes. El coeficiente de correlación
22
de Spearman se usó para hallar las correlaciones entre los métodos de sensibilidad a la insulina
estudiados.
23
CAPÍTULO IV
RESULTADOS Y DISCUSIÓN
En este capítulo se presentan los resultados obtenidos. En la primera sección se

describen los trabajos realizados usando variables antropométricas y bioquímicas, la segunda
sección se describen los trabajos que usaron el análisis dimensional para el diagnóstico de las
disfunciones metabólicas
Los resultados se encuentran reportados en cinco manuscritos: tres congresos, dos
indizados en Scopus y uno indizado en Latindex. En espera por aceptación de dos artículos
enviados a dos revistas internacionales indizadas en Scopus y Science Citation Index.

enfermedades metabólicas
En estos artículos se usaron variables lipídicas y antropométricas para el diagnóstico de

la obesidad, síndrome metabólico y resistencia a la insulina. Los resultados de esta parte de la
tesis se encuentran reportados en dos publicaciones:
 Velásquez, J., Severeyn, E., Herrera, H., Encalada, L., & Wong, S. (2017a).
Ecuadorian highlands. In 12th International Symposium on Medical Information
Processing and Analysis (pp. 101600S-1-101600S-10). International Society for
Optics and Photonics. Indizada en Scopus.
 Velásquez J., Herrera H., Encalada L., Wong S., Severeyn E. (2018b). Valor
diagnóstico de variables lipídicas y antropométricas en el diagnóstico de las
disfunciones metabólicas. Acta Bioquímica Clínica Latinoamericana. 1-23. (En
revisión-Indizada en SCI, Latindex-Catálogo, Scopus).
4.1.1.Índice antropométrico para la evaluación de la sensibilidad a la insulina
En este estudio se diseñó un método de sensibilidad a la insulina a partir de variables

antropométricas y lipídicas. La metodología consistió en un análisis de correspondencia
24
simple para determinar las variables a usar para el desarrollo del índice y una optimización
paramétrica utilizando el método de Avignon como función objetivo, el cual tiene una
correlación muy buena con el método directo MINMOD PITG (Ver tabla 2.2). Se usó la base
de datos 1 descrita en la sección 3.1 del capítulo anterior (Velásquez, 2017a).
4.1.1.1. Análisis de correspondencias simple
En las tablas 4.1 y 4.2, y en la figura 4.1, se puede observar el ACS aplicado a la base
de datos. La tabla 4.2 muestra la representación de la varianza de los ejes, se eligieron los ejes
1 y 2 porque representan el 71,12% de la varianza total de los datos. La Tabla 4.1 presenta las
contribuciones de las variables en el ACS. La distribución encontrada en la figura 2b sugiere
que los triglicéridos con una contribución de 69,51% y HDL con 26,31% (ver Eje 1, Tabla
4.2), pueden discriminar entre los sujetos con SM y los sujetos control. La figura 4.1(a)
muestra que la circunferencia abdominal alterada está más relacionada con los sujetos con SM,
lo que sugiere que la circunferencia de la cintura puede discriminar entre los sujetos con SM y
los sujetos control. Del mismo modo, la obesidad está más relacionada con los sujetos con SM
y los valores normales de peso están más relacionados con los sujetos control, lo que indica
que el IMC puede caracterizar a los grupos del estudio.
(a) (b)
Figura 4.1. (a) Análisis de correspondencia simple de todas las variables bioquímicas y
antropométricas; (b) Distribución de la población según el eje. La nomenclatura usada en la
figura 4.1 (a) se encuentra explicada en la tabla 4.7.
25
En esta investigación el IMC, triglicéridos y CAB alterados fueron las variables más
relacionadas con los sujetos con SM, por tanto fueron las seleccionadas para el diseño del
índice.
Tabla 4.1. Contribuciones de edad, circunferencia abdominal, triglicéridos, HDL e IMC en
SCA.
Variables Eje 1 Eje 2
Edad 1,49 3,13
Circunferencia abdominal 0,98 11,89
Triglicéridos 69,51 10,91
High density lipoproteins (HDL) 26,31 49,42
IMC 0,00 18,78
Tabla 4.2. Representación de la varianza de los ejes de los datos.

Porcentaje de la Porcentaje de la varianza acumulada
Ejes
Varianza [%] [%]
1 44,03 44,03
2 27,09 71,12
PASO 1
Selección aleatoria para
el entrenamiento y
Distribución uniforme
validación de los datos
Se repite 10 veces
PASO 2 El promedio de los α, β y γ,
Búsqueda de la combinación de los
Datos de entrenamiento parámetros α, β, γ; con la mejor obtenidos en el PASO 3, se
correlación con el método de toman como parámetros
Avignon finales.
PASO 3 Los parámetros optimizados (α, β,

γ) de entrenamiento en el PASO 2,
Validación de los datos
se utilizan para encontrar la
correlación con el método de
Avignon
Figura 4.2. Diagrama de la metodología general para la optimización paramétrica del método
propuesto (Velásquez, 2015a).
26
4.1.1.2. Método Propuesto
El método propuesto tiene una ligera diferencia con el presentado en el trabajo

(Velásquez, 2015a); ya que ese trabajo se realizó con (Caumo, 2000) como comparador del
método de optimización, en este caso (Velásquez, 2017a) se utiliza como método de
comparación del índice de (Avignon, 1999), que tiene buenas correlaciones con el MINMOD
PITG en diferentes poblaciones (Avignon, 1999).
Las ecuaciones 4.1 y 4.2 presentan el método propuesto y el método propuesto
optimizado. Donde: IMC es el índice de masa corporal definido como peso corporal por el
cuadrado de altura (kg/m2), TG es el valor de triglicéridos plasmáticos y TGN=150 mg/dL es
el valor de corte considerado como normal y CAB es la circunferencia de cintura (m)
(Velásquez, 2015a). El método propuesto y el método propuesto optimizado tienen una
constante al principio de la ecuación para evitar valores negativos.
El procedimiento de optimización paramétrica requirió la adición de tres parámetros,

uno para cada variable (IMC+α, CAB2+β y TG/TGN+γ). Los valores de los parámetros se
modificaron hasta que se obtuvo el mejor coeficiente de correlación de rangos de Spearman (r
cercano a ± 1) entre el método optimizado y el de Avignon (Velásquez, 2015a).
La Tabla 4.3 muestra la correlación de Spearman entre el método propuesto y el
método propuesto optimizado con el método de Avignon. La optimización realizada para
mejorar el método propuesto, incrementa su correlación con Avignon en todas las poblaciones,
y el valor de p<0,05 indica significancias estadísticas en la correlación de Spearman en el
método propuesto optimizado. La Tabla 4.4 muestra la media y la desviación estándar para
cada parámetro del método propuesto y su versión optimizada.
Tabla 4.3. Correlación de Spearman entre el método propuesto y el propuesto optimizado.
SM Control
r -0,300000 -0,439286
Método propuesto
p-value 0,276682 0,103199
Método propuesto r 0,753571 0,707143
optimizado p-value 0,001767 0,004316
27
Las figuras 4.3(a) y (b) muestra los boxplots del método propuesto y su versión
optimizada, respectivamente, y las figuras 4.3 (c) y (d) muestra los boxplots del método de
Avignon y HOMA-IR, respectivamente. Los dos grupos (SM y Control) se dividieron en
sujetos con SM y con resistencia a la insulina (SM-RI), sujetos con SM (SM), sujetos control
con resistencia a la insulina (Control-RI) y sujetos control (Control). Se encontraron
diferencias significativas entre todos los grupos en los métodos propuesto y su versión
optimizada. En Avignon y HOMA-IR, se encontraron diferencias significativas entre SM-RI y
SM y entre Control-RI y Control.
Tabla 4.4. Resultados de parámetros para el procedimiento de optimización.
SM Control
Parámetros Desviación Desviación
Promedio Promedio
Estándar Estándar
α -58,6 3,8 -30 3,5
β -1 0 -2 0
γ -0,3 0,1 0 0
La Figura 4.3 muestra que el método propuesto y su versión optimizada pueden

discriminar entre los cuatro grupos, lo que significa que para los métodos propuestos todos los
grupos son diferentes. Por el contrario, para los métodos HOMA-IR y Avignon (figura 4.3 (c)
y (d)), los grupos SM-RI y Control-RI no son diferentes, esto no está en concordancia con la
literatura, donde está documentado que una persona con SM puede agravar su condición si
también tiene RI (Roberts, 2013). Por lo tanto, un sujeto sin dislipidemia, sin circunferencia
abdominal prominente e IMC normal, no debe tener sensibilidad a la insulina similar a la de
un sujeto con SM, ya que la obesidad puede generar resistencia a la insulina (Wahla, 2007).
Los métodos optimizados sugieren que la sensibilidad a la insulina es diferente en cada grupo
y esto es más evidente en el método propuesto optimizado (Figura 4.3a).
28
(a) (b)
(c) (d)
Figura 4.3. Diagrama de caja de la sensibilidad a la insulina de acuerdo con: (a) Método
propuesto optimizado, (b) Método propuesto (c) Avignon, (d) HOMA-IR.
29
Figura 4.4. Diagrama de dispersión de valores normalizados del método propuesto optimizado
vs. método propuesto. Los cuadrados rojos indican SM y resistencia a la insulina de acuerdo
con HOMA-IR (HOMA-IR> 2.5); cuadrados rojo rellenos indican SM sin resistencia a la
insulina (HOMA-IR <2.5); los círculos verdes indican sujetos del grupo control sin resistencia
a la insulina, y los círculos verdes con línea azul indican sujetos del grupo control con
resistencia a la insulina.
En la figura 4.4, se presenta una comparación entre el método propuesto optimizado y

el método propuesto. El gráfico muestra que el método propuesto optimizado podría separar
sujetos con y sin SM con ciertas excepciones (ver línea punteada en la figura 4.4). Casi todos
los casos de sujetos con SM-RI podrían separarse de los sujetos de control; sin embargo,
algunos sujetos con RI permanecen en el grupo de control, y esto es porque no presentan
dislipidemia, circunferencia abdominal prominente e IMC alterado. Por otro lado, algunos
sujetos del grupo control se ubican en el grupo con SM, estos sujetos tienen dos de los
criterios para el diagnóstico de SM, por lo que no se incluyeron en el grupo de SM, esta es una
30
contribución de este trabajo ya que la presencia de dos o más de los criterios de diagnóstico de
SM (Grundy et al, 2004) podría conducir a desarrollar enfermedades relacionadas como la
aterosclerosis, enfermedad cardíaca y diabetes.
4.1.2. Valor diagnóstico de variables lipídicas y antropométricas en el diagnóstico de las

disfunciones metabólicas
En este estudio se evaluó el desempeño de detección del índice de disfunción

metabólica (IDM) diseñado en (Velásquez, 2015b), que es una modificación simplificada del
índice propuesto en la sección 4.1.1. Para esto se usó las bases de datos 1 y 3 completas y 25
sujetos de la base de datos 2 (ver sección 3.1) obteniéndose una base de datos total constituida
por 829 sujetos (327M, 60,44±19,75 años), a los cuales se les establecieron diagnósticos de
RI, obesidad y SM según los criterios del HOMA-IR, IMC, NCEP-ATP III (NCEP-ATPIII,
2002) y NCEP-ATP III revisado (Grundy, 2005), a partir de los cuales se construyeron
vectores de diagnóstico de obesidad (VOB), de RI (VRI), de SM (VSM) y de SM revisado
(VSM-R). La evaluación del desempeño del IDM en la predicción de la RI, obesidad, SM y
SM según el criterio de la NCEP-ATPIII revisado (SM-R), se realizó a partir de las curvas de
característica operativa del receptor (ROC) para hallar los puntos de corte óptimo. Los test no
paramétricos de Mann-Whitney U y de Kruskal Wallis fueron usados para medir la diferencia
entre grupos.
En la figura 4.5, 4.6, 4.7 y 4.8 se presentan las curvas ROC para el diagnóstico de SM,
SM-R, obesidad y RI, respectivamente. En la tabla 4.5 se presentan las medidas de desempeño
halladas para evaluar el punto de corte óptimo. Para cada punto de corte óptimo se muestran la
sensibilidad, especificidad, valor predictivo positivo y valor predictivo negativo. Así como
también el ABC de cada curva ROC. En líneas generales, el índice propuesto muestra un ABC
por encima de 0,75; una sensibilidad y especificidad, en el punto óptimo de corte, por encima
de 0,70, para cada patología, lo cual indica que su desempeño es aceptable para las tres
patologías.
31
Corte con Síndrome Metabólico según la NCEP-ATPIII

1
0.8
Sensibilidad
0.6
0.4
0.2
Cab2*IMC*TG/150
0
0 0.2 0.4 0.6 0.8 1
1-Especificidad
Figura 4.5. Curva ROC del índice de disfunción metabólica para el diagnóstico del SM según
NCEP-ATPIII 2002.
Corte con Síndrome Metabólico según la versión revisada de la NCEP-ATPIII
1
0.8
Sensibilidad
0.6
0.4
0.2
Cab2*IMC*TG/150
0
0 0.2 0.4 0.6 0.8 1
1-Especificidad
Figura 4.6. Curva ROC del índice de disfunción metabólica para el diagnóstico del SM-R
según NCEP-ATPIII 2005 revisado.
32
Corte con BMI

1
0.8
Sensibilidad
0.6
0.4
0.2
Cab2*IMC*TG/150
0
0 0.2 0.4 0.6 0.8 1
1-Especificidad
Figura 4.7. Curva ROC del índice de disfunción metabólica para el diagnóstico de la obesidad.
Corte con Resistencia a la Insulina-HOMA-IR
1
0.8
Sensibilidad
0.6
0.4
0.2
Cab2*IMC*TG/150
0
0 0.2 0.4 0.6 0.8 1
1-Especificidad
Figura 4.8. Curva ROC del índice de disfunción metabólica para el diagnóstico de la
Resistencia a la Insulina.
33
Tabla 4.5. Área bajo la curva, sensibilidad, especificidad, valor predictivo negativo y valor
predictivo positivo para el punto de corte óptimo.
Valor Valor
Área bajo la Punto de
Patología Sensibilidad Especificidad predictivo predictivo
curva* Corte
positivo negativo
0,7941
Obesidad 17,08 0,71 0,77 0,71 0,76
[0,7937-0,7945]
0,7937
RI 21,01 0,77 0,70 0,26 0,96
[0,7933-0,7941]
SM (NCEP- 0,8221
19,51 0,74 0,78 0,60 0,87
ATPIII, 2002) [0,8218-0,8224]
SM-R
0,8170
(Grundy, 16,01 0,76 0,74 0,65 0,83
[0,8151-0,8187]
2005)
*El área bajo la curva, se presenta como el promedio y el intervalo de confianza .
Es interesante observar, que para el IDM, los sujetos que tienen SM o RI, tienen altas
probabilidades de tener un IMC≥25 en el caso de sujetos con edad<65 años y un IMC≥28 en
el caso de sujetos con edad≥65, puesto que presentarán un IDM>17, lo cual corrobora algunos
estudios que han relacionado la obesidad, la RI y el SM (Taverne, 2013), indicando que
incluso el aumento de peso puede desembocar en el desarrollo de RI y SM (Sharma, 2016). En
otras palabras, esto podría sugerir que las tres patologías, están relacionadas y la obesidad
podría suponer, por lo menos en el caso de esta base de datos, el punto de inicio de todas las
demás disfunciones (Gallagher, 2011).
En la tabla 4.6, se muestran los valores del índice de disfunción metabólica para cada
población usando los valores de corte óptimo para el diagnóstico de cada patología, y los
valores de la literatura. Se puede constatar que hay diferencias significativas entre los grupos,
es decir que el índice tanto en el criterio de diagnóstico estándar como en el criterio de
diagnóstico tomando en cuenta el punto de corte óptimo, diferencia entre los grupos normales
y alterados de cada patología.
34
Tabla 4.6. Valores del índice de disfunción metabólica en cada una de las poblaciones usando
los puntos de corte óptimo para el diagnóstico de cada patología y los criterios de diagnostico
de la literatura.
IDM según el diagnóstico de
Normal Alterado p valor**
los valores de corte propuestos
9,69 ± 3,90 35,99 ± 22,77
Peso n=362 [2,01-16,76] n=467 [17,05-163,60] 7,73e-129
[9,33-10,04]ϕ [33,65-38,33]
10,29 ± 4,34 37,97 ± 23,16
SM (NCEP-ATPIII, 2002) n=503 [2,01-18,87] n=326 [19,15-163,60] 1,48e-82
[9,91-10,66] [35,46-40,49]
9,42 ± 3,74 35,06 ± 22,61
SM-R (Grundy, 2005) n=449 [2,01-15,99] n=380 [16,00-163,60] 3,92e-136
[9,07-9,76] [32,79-37,34]
10,90 ± 4,82 40,06 ± 23,60
RI n=537 [2,01-21,00] n=292 [21,05-163,60] 1,74e-56
[10,49-11,31] [37,36-42,77]
IDM según el diagnóstico del
IMC, NCEP-ATPIII y HOMA- Normal Alterado p valor**
IR
13,15 ± 9,01 31,28 ± 25,11
Peso n=462 [2,01-66,87] n=367 [3,63-163,60] 2,34E-64
[12,33-13,97] [28,99-33,56]
14,90 ± 13,35 35,78 ± 25,06
SM (NCEP-ATPIII, 2002) n=569 [2,01-163,60] n=260 [4,67-158,48] 8,43e-37
[13,80-15,99] [32,74-38,83]
13,97 ± 12,75 32,34 ± 24,02
SM-R (Grundy, 2005) n=504 [2,01-163,60] n=325 [4,67-158,48] 1,58e-54
[12,86-15,08] [29,73-34,95]
18,65 ± 17,15 39,77 ± 28,94
RI n=730 [2,01-163,60] n=99 [4,11-152,64] 1,50E-21
[17,41-19,90] [34,07-45,47]
**Diferencia estadísticamente significativa si se presenta un p valor<0,01. Se usó la prueba no paramétrica de
Mann-Whitney U para hallar las diferencias significativas entre grupos normales y alterados.
* Promedio y desviación estándar.
ǂ
ϕ
4.2. Análisis dimensional para el diagnóstico de disfunciones metabólicas
En esta sección se describen los trabajos que usaron el análisis dimensional para el
diseño de índices que sean capaces de diagnosticar la obesidad, SM y RI. Los resultados de
esta parte de la tesis se encuentran reportados en tres publicaciones:
 Velásquez J., Herrera H., Wong S., Severeyn E. (2018a). Towards the insulin
resistance and obesity diagnosis: A dimensional analysis approach. Research on
Biomedical Engineering. 1-15. (En Revisión).
35
 Velásquez J., Herrera H., Encalada L., Wong S., Severeyn E. (2017b). Análisis
dimensional de variables antropométricas y bioquímicas para diagnosticar el síndrome
metabólico. Maskana. 8(2), 1-12.
 Velásquez J., Herrera H., Wong S., Severeyn E. (2017c). Dimensional Analysis of
Heart Rate Variability Parameters for Metabolic Dysfunctions Diagnosis. IEEE
Ecuador Technical Chapters Meeting 2017. 1-6.
4.2.1 Análisis dimensional para diagnosticar el síndrome metabólico, resistencia a la

insulina y obesidad
En esta sección se describen los resultados obtenidos en dos artículos cuyo objetivo fue
proponer un índice adimensional que pudiera discriminar sujetos con SM, RI y obesidad
utilizando variables bioquímicas (HDL, triglicéridos) y antropométricas (peso, altura,
circunferencia abdominal). Para esto se usó una base de datos obtenida de la integración de
tres bases de datos (base de datos 1, 3 y 25 sujetos de la base de datos 2 para un total de 829
sujetos). Mediante un análisis de correspondencia simple de las variables y un análisis
dimensional basado en el teorema π de Vaschy-Buckingham se construyeron tres índices
adimensionales: π1, π2 y π3. El desempeño fue evaluado usando curvas ROC.
4.2.1.1. Análisis de correspondencia simple
En las figuras 4.9 (a) y (b), se puede observar el ACS realizado en el trabajo
(Velásquez, 2017b), y el ACS realizado en el trabajo (Velásquez, 2018a), respectivamente. La
nomenclatura utilizada en la figura 4.9 se muestra en la tabla 4.7. Las tablas 4.8 y 4.9
presentan las contribuciones de las variables en el ACS y el porcentaje de la varianza total en
los ejes en el trabajo (Velásquez, 2017b) y (Velásquez, 2018a), respectivamente.
En la figura 4.9 (a), se puede observar que los ejes 1 y 2 pueden discriminar entre los
sujetos control (nube morada) y los sujetos con SM (nube rosada), por tanto el peso, la altura,
los triglicéridos y el HDL, que son las variables con mayor contribución en los ejes 1 y 2, son
las que más contribuyen a esa distribución. Por otro lado, los ejes 1, 2, 3, 4 y 5 representan el
86,15% de la varianza total de los datos, por tanto, la PAS, PAD y la CAB, se tomaron en
cuenta como variables importantes en la caracterización del SM. De la misma forma, en la
figura 4.9 (b) se muestra que los ejes 1 y 2 pueden discriminar entre sujetos con IMC normal
36
(nube verde) y sujetos con IMC alterado (nube roja). Los ejes 1, 2, 3, 4 y 5 representan el
91.57% de la varianza de los datos totales, por lo tanto, el PAS y el PAD también se
incluyeron como variables importantes en la caracterización de la obesidad y la RI (Pimenta,
2008).
En el ACS de (Velásquez, 2017b) se pudo observar que aquellas variables que
representan los valores alterados de HDL, CAB e IMC, están más relacionadas con el grupo
con SM que aquellas que representan valores normales de las mismas. De la misma manera,
en el ACS de (Velásquez, 2018b) los valores alterados de HDL, CAB y triglicéridos están más
relacionados con los grupos IMCA y SIA que aquellos que representan valores normales (Oda,
2011).
En (Velásquez, 2017b) las variables que representan las edades entre 18 y 75 años
(adulto joven, adulto maduro, edad avanzada y ancianos), están más relacionadas con el grupo
con SM, que las variables que representan edades mayores de 75 años y menores de 18 años
(adolescencia media, grandes longevos). Igualmente, en el ACS de (Velásquez, 2018a), las
variables que representan las edades entre 18 y 75 años están más relacionadas con el grupo
con IMCA e SIA que con las variables que representan edades mayores de 75 años y menores
18 años de edad. Estos hallazgos corroboran estudios que demuestran que tanto la sensibilidad
a la insulina y el IMC varían según la edad (Gostynski, 2004) (Soriguer, 2014).
(a) (b)
Figura 4.9. Análisis de correspondencias simples de las variables bioquímicas y
antropométricas (a) para el trabajo (Velásquez 2017b) (b) para el trabajo (Velásquez, 2018a)
37
Tabla 4.7. Nomenclatura de las variables categóricas y numéricas utilizadas en el ACS.

Variables Categóricas Nomenclatura Valores de corte
TGN= Normal NT; TG<150mg/dL
Triglicéridos (TG)
TGA= Alterado IT; TG>150mg/dL
HDLN=Normal HDL 60≥HDL≥40mg/dL
HDL
HDLA= Alterado HDL HDL<40mg/dL
PN= Peso normal IMC=18-25Kg/m2
SP=Sobrepeso IMC =25-29Kg/m2
IMC
OB=Obesidad IMC =30-39Kg/m2
OM=Obesidad mórbida IMC ≥40Kg/m2
Circunferencia Abdominal (WC) CABN=Normal Hombres por encima de 90 cm
(NCEP-ATPIII, 2002) CABA= Alterado Mujeres por encima de 80 cm
AM=Adolescencia media 18≥ Edad >15 años
AJ=Adulto joven 35≥ Edad >18 años
AMAD=Adulto maduro 60≥ Edad >35 años
Edad
EA=Edad avanzada 75≥ Edad >60 años
AN=Anciano 90≥ Edad >75 años
GL= Grandes longevos Edad >90 años
SIN=Normal HOMA-IR<2,5
Sensibilidad a la insulina
SIA=Alterado HOMA-IR≥2,5
SM diagnosticado según NCEP-
SM=Sujetos con SM
Población ATPIII (NCEP-ATPIII, 2002;
Control=Sujetos sin SM
Grundy, 2005)
Variables Numéricas* Nomenclatura
Altura A
Peso P
Presión arterial sistólica PAS
Presión arterial diastólica PAD
*Las variables numéricas de cada individuo se estandarizan antes de ser representados en el análisis de
correspondencias simples.
Tabla 4.8. Contribuciones de las variables en el ACS de (Velásquez, 2017b).

Eje 1 Eje 2 Eje 3 Eje 4 Eje 5
Variable *
[%] [%] [%] [%] [%]
Peso 9,07 8,39 5,79 2,05 5,08
Altura 0,84 7,63 0,41 1,57 4,75
Circunferencia Abdominal 4,15 2,28 0,10 0,84 69,58
Triglicéridos 7,80 56,94 5,81 17,65 0,00
HDL 12,07 1,28 2,07 0,71 0,26
PAS 1,96 0,38 6,29 2,12 0,86
PAD 1,11 0,04 6,18 2,81 0,00
Porcentaje de la varianza [%] 27,38 19,77 17,31 12,63 9,06
Porcentaje de la varianza acumulada [%] 27,38 47,15 64,46 77,09 86,15
*Las variables que no presentaron contribuciones mayores a 2% en alguno de los ejes no fueron
incluidas en la tabla.
38
Tabla 4.9. Contribuciones de las variables en ACS del artículo (Velasquez, 2018a).
Variable
[%] [%] [%] [%] [%]
Peso 1,01 30,55 0,13 0,07 4,94
Altura 3,00 7,50 0,01 0,87 0,01
Circunferencia abdominal 0,38 9,39 1,96 1,15 16,89
Triglicéridos 78,36 2,21 2,73 11,28 0,46
HDL 12,76 4,72 1,19 63,90 0,73
PAS 0,70 2,77 5,85 3,44 15,07
PAD 0,67 0,18 3,42 1,97 33,49
Porcentaje de la varianza [%] 26,50 24,83 20,69 12,27 7,27
Porcentaje de la varianza acumulada [%] 26,50 51,33 72,02 84,30 91,57
*Las variables que no presentaron contribuciones mayores a 2% en alguno de los ejes no fueron
incluidas en la tabla.
4.2.1. 2. Análisis Dimensional
La circunferencia abdominal, altura, peso, presión arterial sistólica, presión arterial

diastólica, HDL y triglicéridos fueron las variables seleccionadas para la construcción de los
monomios adimensionales debido a que podían discriminar entre grupos en los ACS
presentados en la sección anterior. El peso y la altura se multiplicaron y se tomaron como una
única variable (V1=A.P), con el fin de simplificar la cantidad de números adimensionales, por
tanto la cantidad de variables a tomar en cuenta es n=6.
Para formar los números adimensionales (πj), las variables (n = 6) se expresan en sus
unidades físicas correspondientes: Masa, Longitud y Tiempo (k = 3) como se muestra en la
tabla 5 (Günther, 1966). La cantidad de posibles monomios, de acuerdo con el Teorema π de
Vaschy-Buckingham, se define como n-k; que en este caso es 3. Los exponentes de las
variables se hallan siguiendo el procedimiento explicado en (Günther, 1966).
Tabla 4.10. Exponentes de las variables para cada variable.
Exponentes C1 C2 C3 C4 C5 C6
Variables de cada exponente V1=A.P V2=CAB V3=PAS V4=TG V5=HDL V6=PAD
2 3 3
Unidades Físicas Kg.m m Kg/m.s Kg/m Kg/m Kg/m.s2
Masa (Kg) 1 0 1 1 1 1
Longitud (m) 1 1 -1 -3 -3 -1
Tiempo (s) 0 0 -2 0 0 -2
39
Debido a que la suma de exponentes de cada unidad física debe ser cero, las ecuaciones
4.3, 4.4 y 4.5 se plantean. Estas ecuaciones corresponden a Σmasa=0; Σlongitud=0 y
Σtiempo=0 respectivamente.
Se procede a despejar C1, C2 y C3 de las ecuaciones (4.3), (4.4) y (4.5) lo cual da como
resultado las ecuaciones (4.6), (4.7) y (4.8):
Con las ecuaciones 4.6, 4.7 y 4.8, se resuelve el sistema de ecuaciones tomando en
cuenta tres casos, donde se definen como valores unitarios los exponentes de triglicéridos
(V4), HDL (V5) y presión arterial diastólica (V6) (Günther, 1966):
 Caso 1; que correspondería a π1, donde C4=1, C5=0 y C6=0. Por tanto, C1=1, C2=4 y
C3=0.
 Caso 2; que correspondería a π2, donde C4=0, C5=1 y C6=0. Por tanto, C1=-1, C2=4 y
C3=0.
 Caso 3; que correspondería a π3, donde C4=0, C5=0 y C6=1. Por tanto, C1=0, C2=0 y
C3=-1.
La tabla 4.11 muestra los exponentes de los índices adimensionales hallados para cada
caso.
Tabla 4.11. Exponentes de las variables de los monomios adimensionales.
π1 -1 4 0 1 0 0
π2 -1 4 0 0 1 0
π3 0 0 -1 0 0 1
40
En la tabla 4.12 se presentan los números adimensionales finales, donde el peso se

debe introducir en Kg, la altura en metros, circunferencia abdominal en metros, los
triglicéridos y el HDL en mg/dL, y la presión arterial sistólica y diastólica en mmHg.
Tabla 4.12. Números adimensionales
Índice Número Adimensional
π1*
π2*
π3
*Los números adimensionales π1 y π2 se les agregó una constante que permitiera hacer la conversión de
las unidades del HDL de mg/dL a Kg/m3.Se usaron los inversos de los números π1 y π2 para mantener los valores
de los mismos mayores que cero.
4.2.1.3. Medidas de desempeño
En la figura 4.10 se presentan las curvas ROC de cada número adimensional hallado en
la sección anterior, así como también el ABC de cada uno de los números adimensionales. La
tabla 4.13, muestra la sensibilidad y especificidad para el punto de corte de detección óptima,
los cuales se hallaron para medir el desempeño de los números adimensionales como
clasificadores de sujetos con SM.
El índice π1 construido con las variables: circunferencia abdominal, triglicéridos, peso
y altura; fue el que obtuvo un mejor desempeño como clasificador del SM, RI y obesidad,
presentando un área bajo la curva ROC de 0,86, 0,68 y 0,78 respectivamente, una sensibilidad
y especificidad mayor de 0,6 y un punto de detección óptimo para el diagnóstico de SM de
π1<104,87, diagnóstico de la RI π1<114,77 y diagnóstico de la obesidad π1<140,27. Por otro
lado, el número π1 presenta un punto de corte más alto para el diagnóstico de obesidad en
comparación con el diagnóstico de RI. Esto sugiere que los individuos con RI tienen una alta
probabilidad de ser obesos (Hardy, 2012). Este hallazgo sugiere que cuando se realiza el
diagnóstico de IR, la obesidad también se diagnostica indirectamente.
Se ha empleado el HOMA-IR, circunferencia abdominal e IMC para el diagnóstico del
SM (Motamed, 2016; Gozashti, 2014; Worachartcheewan, 2012), en dichos estudios se utilizó
41
como metodología las curvas ROC, estableciéndose áreas bajo la curva entre 0,68 y 0,72. En
este estudio, se puede observar que el número π1, que es el que mejor desempeño tiene como
clasificador del SM (ABC=0,86), tiene un área bajo la curva significativamente mayor al área
bajo la curva de los estudios anteriormente mencionados, lo cual, lo convierte en un índice
aceptable para la clasificación del síndrome metabólico con una sensibilidad y especificidad
mayor de 0,7 en el punto de corte óptimo que indica diagnóstico de SM con un π1 menor que
104,87. El índice adimensional π1 diseñado en este estudio es un método simple, que requiere
de menos variables que el criterio de la NCEP-ATPIII para diagnosticar el SM y no utiliza los
valores de glucosa e insulina para el diagnóstico de la RI.
Tabla 4.13. Área bajo la curva (ABC) de cada curva de diagnóstico ROC
Punto de
Patología Índice ABC SEN ESP
Corte
0,7872±0,0008**
π1 114,77 0,82 0,68
[0,7866-0,7878]Φ
0,7038±0,0001
RI π2 347,95 0,77 0,63
[0,7037-0,7038]
0,6001±0,0018
π3 1,53 0,71 0,50
[0,5986-0,6014]
0,6829±0,0004
π1 140,27 0,66 0,65
[0,6826-0,6832]
0,6248±0,0001
Obesidad π2 389,80 0,63 0,56
[0,6247-0,6248]
0,6064±0,0037
π3 1,57 0,69 0,54
[0,6035-0,6091]
0,8601±0,0018
π1 104.87 0,76 0,78
[0,8586-0,8616]
0,5834±0,0004
SM π2 367,55 0,64 0,56
[0,5831-0,5837]
0,5353±0,0037
π3 1,51 0,63 0,45
[0,5324-0,5382]
**Promedio y desviación estándar.
Φ
Intervalo de confianza del 95%.
42
(a) (b)
(c)
Figura 4.10. Curvas ROC para el diagnostico del (a) SM, (b) RI y (c) obesidad de cada número
adimensional.
4.2.2. Análisis dimensional de parámetros de la variabilidad de la frecuencia cardiaca
El objetivo de esta investigación es proponer índices adimensionales que puedan

utilizarse para diagnosticar a los sujetos con SM, RI y obesidad utilizando los parámetros de
VFC (RR, RMSSD, SD, HF y LF). Para este propósito, se evaluaron siete índices
adimensionales, diseñados a partir del teorema π Vaschy-Buckingham, usando curvas ROC y
43
una base de datos de 40 sujetos (base de datos 2-sección 3.1). El índice π1, construido con las
variables: HF y RMSSD; obtuvo un mejor desempeño como clasificador de SM, RI y
obesidad, presentando un área bajo la curva ROC mayor a 0,70, una sensibilidad y
especificidad mayor a 0,70 en cada patología. El índice adimensional π1 diseñado en este
estudio es un método simple que permite diagnosticar tres patologías a partir de una prueba no
invasiva, como el electrocardiograma.
4.2.2.1. Parámetros de la variabilidad de la frecuencia cardiaca
Tabla 4.14. Parámetros de la variabilidad de la frecuencia cardiaca para cada patología.

Sujetos con SM
Sujetos con SM
de acuerdo con
Base de datos Sujetos obesos de acuerdo con
Parámetros Controlb Sujetos con RI el criterio de la
total IMC≥25 el criterio de la p-valora
de la VFC (n=21) (n=8) NCEP-ATPIII
(n=40) (n=18) NCEP-ATPIII
versión revisada
(n=14)
(n=15)
981,19±175,31c 1072,22±158,38 857,00±148,79 882,21±139,26 874,04±123,88 870,75±116,99
RR (ms) [637,14-1329,89]d [651,04-1329,89] [637,14-1108,05] [637,14-1163,39] [637,14-1108,05] [637,14-1108,05] 1,41E-04
[926,86-1035,52]e [1004,48-1139,96] [753,90-960,11] [817,87-946,54] [806,70-941,39] [811,55-929,95]
74,08±35,00 86,02±41,47 57,69±17,70 61,35±20,29 61,63±20,37 60,53±19,23
SD (ms) [30,74-166,52] [33,49-166,52] [30,74-77,70] [30,74-99,20] [30,74-99,20] [30,74-99,20] 2,32E-01
[63,23-84,92] [68,28-103,75] [45,43-69,96] [51,97-70,72] [50,56-72,70] [50,80-70,26]
53,82±38,36 64,14±46,91 42,42±20,50 42,80±22,51 44,05±20,99 41,81±20,31
RMSSD
[13,00-179,65] [17,98-179,65] [13,00-71,28] [13,00-87,03] [13,00-76,04] [13,00-76,04] 6,51E-01
(ms)
[41,93-65,70] [44,08-84,21] [28,22-56,63] [32,40-53,20] [32,64-55,46] [31,53-52,09]
10,87±10,87 14,19±13,39 6,23±4,70 7,35±5,59 7,75±6,45 7,32±6,08
LF x 105
[0,89-58,93] [0,89-58,93] [1,30-16,55] [1,30-24,47] [1,30-24,47] [1,30-24,47] 4,05E-01
(ms2)
[7,50-14,24] [8,46-19,91] [2,98-9,48] [4,77-9,93] [4,25-11,26] [4,24-10,40]
6,35±10,02 8,42±12,90 3,63±2,68 4,18±4,82 3,92±3,37 3,58±3,25
HF x 105
[0,32-46,59] [0,32-46,59] [0,44-7,98] [0,44-19,11] [0,44-11,91] [0,44-11,91] 9,54E-01
(ms2)
[3,25-9,46] [2,90-13,93] [1,77-5,49] [1,95-6,41] [2,10-5,76] [1,93-5,22]
a
Diferencia estadísticamente significativa para un p-valor<0.01. Diferencias significativas entre todos los
grupos (Control, RI, obesidad, SM de acuerdo con la NCEP-ATPIII (2), SM según la versión revisada de la
NCEP-ATPIII (3)). Se usó la prueba no paramétrica de Kruskal Wallis para hallar las diferencias
significativas entre todos los grupos.
b
Los sujetos control son aquellos que no pertenecen a ninguno de los grupos con patología.
c
Promedio y desviación estándar.
d
e
Intervalo de confianza del 95%.
La Tabla 4.14 presenta los parámetros en el dominio de la de frecuencia y del tiempo

de la VFC para la base de datos general, los sujetos control, obesos, con RI y con SM de
acuerdo con NCEP-ATPIII (NCEP-ATPIII, 2002) y su versión revisada (Grundy, 2005).
La Tabla 4.14 muestra que solo hubo diferencias significativas entre los grupos en el
intervalo RR. Los sujetos control tuvieron un intervalo RR significativamente mayor en
relación con los sujetos con SM, RI y obesidad. Los parámetros de frecuencia (LF y HF) y los
parámetros temporales (SD y RMSSD) no mostraron diferencias significativas entre los
44
grupos, esto sugiere que estos parámetros, por sí mismos, no son capaces de discriminar entre
grupos.
4.2.2.2. Análisis Dimensional
El RMSSD, SD, LF, RR y HF fueron las variables (Vi) utilizadas para estructurar los
monomios adimensionales (Stahl, 1961). Para construir monomios adimensionales (πj), las
variables (n=5) se expresan en sus correspondientes unidades físicas básicas (k): Masa (Kg),
Longitud (m) y Tiempo (s) como se muestra en la tabla 4.15. Debido al hecho de que las
unidades de las variables son solo unidades de tiempo, las unidades físicas Masa y Longitud
no se utilizan para realizar este análisis dimensional, por lo tanto, k=1 (Stahl, 1961). La
cantidad de posibles monomios, de acuerdo con el teorema π Vaschy-Buckingham, se define
como n-k; que en este caso es 4. Los exponentes de las variables se encuentran siguiendo el
procedimiento explicado en (Stahl, 1961).
Tabla 4.15. Exponentes de las variables.
Exponentes C1 C2 C3 C4 C5
Variables V1=RMSSD V2=HF V3=LF V4=RR V5=SD
Unidades s s2 s2 s s
Masa (Kg) 0 0 0 0 0
Longitud (m) 0 0 0 0 0
Tiempo (s) 1 2 2 1 1
La ecuación que corresponde a ∑Tiempo=0 se presenta en la ecuación (8).
Procedemos a resolver la ecuación (8) para C1 (ver ecuación (9)), con la cual
obtuvimos los exponentes correspondientes a los monomios adimensionales a crear.
La ecuación 9 se resuelve de cuatro maneras (como se muestra en la tabla 4.16), donde

en cada caso los exponentes HF, LF, RR y SD se definen como valores unitarios (Stahl, 1961):
 Caso 1; que correspondería a π1-VFC, donde C2=1, C3=0, C4=0 y C5=0. Por lo tanto, C1=-2.
 Caso 3; que correspondería a π3-VFC, donde C2=0, C3=0, C4=1 y C5=0. Por lo tanto, C1 = -1.
45
Tabla 4.16. Exponentes de los índices adimensionales.

Exponentes C1 C2 C3 C4 C5
π1-VFC -2 1 0 0 0
π2-VFC -2 0 1 0 0
π3-VFC -1 0 0 1 0
π4-VFC -1 0 0 0 1
Se siguió el mismo procedimiento usando HF, LF, RR y RMSSD con exponente

unitario donde se encontraron π5-VFC, π6-VFC y π7-VFC (Tabla 4.17).
Tabla 4.17. Índices Adimensionales.

Índices Adimensionales
π1-VFC
π2-VFC
π3-VFC
π4-VFC
π5-VFC
π6-VFC
π7-VFC
En el análisis dimensional, se obtuvieron siete posibles números adimensionales con

las cinco variables utilizadas. El número adimensional π1-VFC obtuvo el mejor rendimiento
como clasificador de obesidad, RI y SM; con un ABC de 0,6994 para SM según NCEP-
ATPIII, 0,7240 para SM según la versión revisada de NCEP-ATP-III, 0,7603 para RI y 0,7614
para la obesidad (Ver tabla 4.18). Los valores de ABC para RI y obesidad son superiores a
0,75, lo que hace que π1-VFC sea una prueba aceptable para la clasificación de estas patologías,
con una sensibilidad y especificidad superior a 0,7 en el punto de corte óptimo que indica un
diagnóstico de RI con un π1-VFC mayor que 176,35 y un π1-VFC mayor que 150,95 para el
diagnóstico de obesidad.
46
(a) (b)
(c) (d)
Figura 4.11. Curva ROC para cada número adimensional. (a) diagnóstico de SM según
NCEP-ATPIII; (b) diagnóstico de SM según la versión revisada de NCEP-ATPIII; (c)
Diagnóstico RI según HOMA-IR y (d) Diagnóstico de obesidad según el IMC. Solo los
números adimensionales con la mejor ABC, SEN, ESP, VPP y VPN se graficaron en esta
figura.
El punto óptimo para la curva ROC de obesidad en el número π1-VFC tiene el mayor
valor predictivo positivo (0,76-Ver tabla 4.18) en relación con las otras patologías, lo que
indica que el número π1-VFC predice mejor la probabilidad de tener la enfermedad. Por otro
lado, el punto óptimo para la curva RI en los números π1-VFC y π5-VFC tiene el mejor valor
47
predictivo negativo (0,96 y 0,89), lo que indica que estos números predicen mejor la
probabilidad de no tener la enfermedad.
Tabla 4.18. SEN, ESP, VPP, VPN del mejor punto de corte de los números adimensionales
con mejor rendimiento para cada patología.
Puntos de
Patología Índice ABC SEN ESP VPP VPN
Corte
b
0,6994±0,0029
π1-VFC [0,6969-0,7019]c
159,05 0,69 0,78 0,60 0,84
SM según el
criterio de la 0,6172±0,0014
NCEP-
π5-VFC [0,6160-0,6184]
66,33 0,77 0,59 0,48 0,84
ATPIII 0,5402±0,0014
π6-VFC [0,5390-0,5414]
161,83 0,62 0,56 0,40 0,75
SM según el π 0,7240±0,0027
1-VFC 150,95 0,73 0,76 0,65 0,83
criterio de la [0,7217-0,7263]
NCEP- 0,5670±0,0013
ATPIII en
π5-VFC [0,5659-0,5681]
66,33 0,73 0,60 0,52 0,79
su versión 0,5340±0,0008
revisada π6-VFC [0,5333-0,5347]
161,83 0,60 0,56 0,45 0,70
0,7603±0,0029
π1-VFC [0,7577-0,7628]
176,35 0,75 0,81 0,50 0,93
Diagnóstico 0,6699±0,0016
de la RI
π5-VFC [0,6685-0,6713]
92,33 0,63 0,78 0,42 0,89
0,5122±0,0010
π6-VFC [0,5114-0,5131]
161,83 0,63 0,53 0,25 0,85
0,7614±0,0025
π1-VFC [0,7592-0,7636]
150,95 0,72 0,82 0,76 0,78
Diagnóstico 0,5556±0,0031
de la π5-VFC [0,5528-0,5583]
58,33 0,67 0,55 0,55 0,67
Obesidad
0,5739±0,0007
π6-VFC [0,5732-0,5745]
182,83 0,50 0,77 0,64 0,65
a
En esta tabla solo se informaron los números adimensionales con la mejor ABC, SEN, ESP, VPP y VPN.
b
Promedio y desviación estándar.
c
Intervalo de confianza del 95%
El número π1 presenta un punto de corte más bajo para la obesidad en comparación con
las otras patologías (Tabla 4.18). Esto indica que los individuos con RI y SM ya cumplen con
el criterio de obesidad del índice. Por otro lado, se puede observar que para SM (de acuerdo
con la versión revisada de NCEP-ATPIII) y obesidad, el punto de corte es el mismo (π1-VFC >
150,95), de la misma manera que el punto de corte para RI está más cerca del punto de corte
de SM (de acuerdo con NCEP-ATPIII), π1-VFC > 176,35 y π1-VFC > 159,05, respectivamente.
Estos hallazgos sugieren que cuando se realiza el diagnóstico de RI y SM, la obesidad también
se diagnostica indirectamente.
Es interesante notar que π1-VFC tiene el parámetro de frecuencia HF y el parámetro
temporal RMSSD como variables. Ambos parámetros no presentaron diferencias significativas
48
entre los grupos (Tabla 4.14), sin embargo, cuando se usan en combinación, dan como
resultado un índice que puede diagnosticar obesidad, SM e RI.
49
CAPÍTULO V
CONCLUSIONES Y RECOMENDACIONES
En este capítulo se expondrán las conclusiones de este trabajo de tesis en dos partes: i)
estudio de las variables lipídicas y antropométricas en el diagnóstico de las disfunciones
metabólicas y el ii) análisis dimensional para el diagnóstico de las disfunciones metabólicas.
Además las propuestas de trabajos a futuro y recomendaciones

enfermedades metabólicas.
Se utilizó un Índice de Disfunción Metabólica diseñado en (Velásquez, 2015b) que

utiliza las variables mejor relacionadas con las patologías en estudio. Estas variables se
seleccionan a partir de un ACS y se usan las curvas ROC para medir el desempeño del IDM,
que ellas conforman, como detector; los resultados de este estudio fueron publicados en
(Velásquez, 2017a) y (Velásquez, 2018b).
En el ACS realizado en (Velásquez, 2017a) y (Velásquez, 2018b), los valores
deteriorados de circunferencia abdominal, triglicéridos e IMC se relacionan en sujetos con
SM, RI y obesidad, por lo que pueden ser usadas en el diseño del índice propuesto.
Por otro lado, el IDM puede discriminar entre sujetos con SM, RI y obesidad y los
sujetos control; (Velásquez, 2017a) y (Velásquez, 2018b). El IDM tiene una capacidad de
detección aceptable para las tres patologías, y establece un valor de corte para la obesidad de
IDM>17,08, para la RI de IDM>21,01 y para el SM de IDM>19,51 para el criterio de NCEP-
ATPIII y IDM>16,01 para el criterio de NCEP-ATPIII revisado. De acuerdo a ésto, el SM se
detecta antes que la obesidad por lo tanto sujetos con IDM>16,01 que no presenten obesidad
según CAB, pueden estar dentro del grupo con SM. Igualmente, se corrobora la relación
existente entre la obesidad, RI y SM, y el IDM establece que hay altas probabilidades de
padecer de SM y RI si se tiene un IMC≥25 en el caso de sujetos con edad>65 años y un
IMC≥28 en el caso de sujetos con edad≥65 años. A partir de un índice con dos medidas
50
antropométricas una medida bioquímica que pueden ser halladas con un estudio médico
estándar, se pueden diagnosticar tres patologías que conllevan al desarrollo de la diabetes y las
enfermedades cardiovasculares.
5.2. Análisis dimensional para el diagnóstico de las enfermedades metabólicas.
Se diseñaron números adimensionales capaces de detectar sujetos con SM, RI y

obesidad utilizando variables bioquímicas, antropométricas (Velásquez, 2017b) (Velásquez,
2018a) y parámetros de la VFC (Velásquez, 2017c). Se aporta una metodología para construir
indicadores simples que usen menos variables que el criterio del NCEP-ATPIII, para detectar
el SM y no utilizan glucosa e insulina para diagnosticar la RI. Los criterios de diagnóstico del
SM, no están claros hoy en día por lo tanto, el diseño de índices con puntos de corte que
faciliten la discriminación de sujetos con esta patología es importante.
Por otro lado los métodos de diagnóstico para RI y obesidad tienen sus limitaciones,
entre ellos es que clasifican como sujetos normales a aquellos con alto riesgo de desarrollar
tales patologías. En los resultados obtenidos en este trabajo, el índice π1 fue capaz de clasificar
como sujetos con RI y obesos a aquellos con alto riesgo de desarrollar esas enfermedades,
antes de que aparecieran los síntomas iniciales.
En (Velásquez, 2017c) se propusieron valores de corte para la detección de la
obesidad, el síndrome metabólico y la resistencia a la insulina a partir de siete números
adimensionales construidos con parámetros de la variabilidad de la frecuencia cardíaca.
El número adimensional π1-VFC presentó un mejor rendimiento en la detección de
sujetos con RI, obesidad y SM. π1-VFC tiene HF y RMSSD como variables. Su combinación
dio como resultado un índice con una capacidad de detección aceptable en las tres patologías.
Las variables que usan el número adimensional π1-VFC se calculan a partir de la señal
electrocardiográfica; lo que lo convierte en un método simple que permite detectar tres
patologías a partir de una prueba no invasiva como el electrocardiograma.
5.3. Recomendaciones y trabajos a futuro.
La recomendación más evidente es la relativa a la validación de los indicadores
propuestos, con estudios amplios con bases de datos de mayor extensión y variedad que
permitan adecuarlos a poblaciones específicas o a su universalización.
51
El teorema π-Vaschy-Buckingham provee una herramienta poderosa en la intención de
otorgarle a los indicadores adimensionales el carácter de variable física. Por ésta razón la
relación entre las variables constituyentes del número adimensional que se usa como indicador
pueden tener un sentido físico coherente, por lo que representa como variable, que brinda
información más allá de la pura detección para diagnóstico (proporcionalidad física, factor de
escala). Éste sentido físico coherente se lo otorgará el criterio del investigador y debe ser
validado por la experimentación, por lo que es recomendable que al construir variables
adimensionales, éstas se formen con un criterio fisiológico dado por la experiencia práctica.
Por otra parte el teorema π-Buckingham también otorga la posibilidad de que las variables
adimensionales propuestas puedan tener una relación funcional más precisa que la correlación
estadística, por ende se pueden construir correlaciones empíricas donde las variables
involucradas sean función matemática. Con ésta posibilidad se podrían plantear “Ecuaciones
Fisiológicas” empíricas donde una variable puede ser obtenida a través del conocimiento de
las otras. Nuevamente esto requiere de mucha data y experimentación, ya que la construcción
de funciones empíricas requiere de ajustes que resultan complejos.
52
REFERENCIAS
Amati, F., Dubé, J. J., Coen, P. M., Stefanovic-Racic, M., Toledo, F. G., y Goodpaster, B. H.
(2009). Physical inactivity and obesity underlie the insulin resistance of aging. Diabetes
care, 32(8), 1547-1549.
Araneta, M. R. G., y Barrett-Connor, E. (2004). Subclinical coronary atherosclerosis in
asymptomatic Filipino and white women. Circulation, 110(18), 2817-2823.
Avignon A., Boegner C., Goulart D., Colette C. y Monnier L. (1999). Assessment of insulin
sensitivity from plasma insulin and glucose in the fasting or post oral glucose-load state.
International Journal of Obesity. Vol. 23, pp. 512-517.
Barbieri, R., Matten, E. C., y Brown, E. N. (2003, September). Instantaneous monitoring of
heart rate variability. In Engineering in Medicine and Biology Society, 2003. Proceedings
of the 25th Annual International Conference of the IEEE (Vol. 1, pp. 204-207). IEEE.
Barnard, R. J., Roberts, C. K., Varon, S. M., y Berger, J. J. (1998). Diet-induced insulin
resistance precedes other aspects of the metabolic syndrome. Journal of Applied
Physiology, 84(4), 1311-1315.
Beck, M. L., Bryman, A., y Futing, T. (2003). Encyclopedia for research methods for the
social sciences. Thousand Oaks (CA).
Belfiore F. y Iannello S. (2002). Reduced insulin sensitivity in mexican-americans from san
antonio with elevated incidence of type 2 diabetes compared with mexicans from mexico
city (letters). Diabetes Care. Vol. 25(5), pp. 937-938.
Bellido D.; López M.; Carreira J.; de Luis D.; Bellido V.; Soto A.; Luengo L.; Hernández A.;
Vidal J.; Becerra A.; Ballesteros M. (2013): "Índices antropométricos estimadores de la
distribución adiposa abdominal y capacidad discriminante para el síndrome metabólico en
población española". Clínica e Investigación en Arteriosclerosis.; 25 (3): pp.105-109.
Bergman R., Prager R., Volund A. y Olefski J. (1987). Equivalence of the insulin sensitivity
index in man derived by the minimal model method and euglycemic glucose clamp.
Journl Clinical Investigation. Vol. 79. pp. 790-800.
Bertrand, J. (1878). Sur l'homogénéité dans les formules de physique. Comptes Rendus, (15),
916-920.
Bilchick, K. C., y Berger, R. D. (2006). Heart rate variability. Journal of cardiovascular
electrophysiology, 17(6), 691.
Bobbioni‐Harsch, E., Sztajzel, J., Barthassat, V., Makoundou, V., Gastaldi, G., Sievert, K., ...
y Golay, A. (2009). Independent evolution of heart autonomic function and insulin
sensitivity during weight loss. Obesity, 17(2), 247-253.
Borrás J. (2008). Métodos para la determinación de la sensibilidad a la insulina basados en la
sobrecarga oral de glucosa. Av Diabetol. Vol. 24(4), pp. 296-304.
Boudoulas S. M., Schuster, D., Gaillard, T., y Osei, K. (2006). Metabolic syndrome in
nondiabetic, obese, first-degree relatives of African American patients with type 2
diabetes: African American triglycerides-HDL-C and insulin resistance paradox. Ethnicity
& disease, 16(4), 830-836.
Brandão, A. P., Magalhães, M. E., Pozzan, R., y Brandão, A. A. (2005). Síndrome metabólico
en jóvenes: diagnóstico y tratamiento. Revista Española de Cardiología, 58, 3-13.
53
Burattini, R., Di Nardo, F., Casagrande, F., Boemi, M., y Morosini, P. (2009). Insulin action
and secretion in hypertension in the absence of metabolic syndrome: model-based
assessment from oral glucose tolerance test. Metabolism-Clinical and Experimental,
58(1), 80-92.
Carnethon, M. R., Loria, C. M., Hill, J. O., Sidney, S., Savage, P. J., y Liu, K. (2004). Risk
factors for the metabolic syndrome. Diabetes care, 27(11), 2707-2715.
Caumo, A., Bergman, R. N., y Cobelli, C. (2000). Insulin sensitivity from meal tolerance tests
in normal subjects: a minimal model index. The Journal of Clinical Endocrinology &
Metabolism, 85(11), 4396-4402.
Chan, H. L., Lin, M. A., Chao, P. K., y Lin, C. H. (2007). Correlates of the shift in heart rate
variability with postures and walking by time–frequency analysis. Computer methods and
programs in biomedicine, 86(2), 124-130.
Conwell L., Trost S., Brown W. y Batch J. (2004). Indexes of insulin resistance and secretion
in obese children and adolescents. Diabetes Care. Vol 27, pp. 314–319,
Corrêa, P. R., Catai, A. M., Takakura, I. T., Machado, M. N., y Godoy, M. F. (2010).
Variabilidade da frequência cardíaca e infecções pulmonares pós revascularização
miocárdica. Arq Bras Cardiol, 95(4), 448-456.
Craig C., Marshall A., Sjöström M., Bauman A., Booth M., Ainsworth B., Pratt M., Ekelund
U., Yngve A., Sallis J., Oja P. (2003). International physical activity questionnaire: 12-
country reliability and validity. Med Sci Sports Exerc., 35(8), 1381-95.
Earl, F. S., Maynard, L. M., y Li, C. (2014). Trends in mean waist circumference and
abdominal obesity among US adults, 1999-2012. Jama, 312(11), 1151-1153.
Escofier, B., y Pagès, J. (2008). Analyses factorielles simples et multiples: objectifs, méthodes
et interprétation. Dunod.
Ferrari, C. K. (2008). Metabolic syndrome and obesity: epidemiology and prevention by
physical activity and exercise. J Exerc Sci Fit, 6(2), 87-96.
Ferreira, I., Twisk, J. W., van Mechelen, W., Kemper, H. C., y Stehouwer, C. D. (2005).
Development of fatness, fitness, and lifestyle from adolescence to the age of 36 years:
determinants of the metabolic syndrome in young adults: the Amsterdam growth and
health longitudinal study. Archives of internal medicine, 165(1), 42-48.
Ford, E. S., Giles, W. H., y Dietz, W. H. (2002). Prevalence of the metabolic syndrome among
US adults: findings from the third National Health and Nutrition Examination Survey.
Jama, 287(3), 356-359.
Friedrich, N., Thuesen, B., Jorgensen, T., Juul, A., Spielhagen, C., Wallaschofksi, H.,
Linneberg, A. (2012). “The Association Between IGF-I and Insulin Resistance A general
population study in Danish adults”. Diabetes care, 35(4), 768-773.
Gallagher, E. J., LeRoith, D., y Karnieli, E. (2011). The metabolic syndrome—from insulin
resistance to obesity and diabetes. Medical Clinics, 95(5), 855-873.
García-Manso, J.M., De Saa, Y., Sarmiento, S., Martín-González, J. M., Rodríguez-Ruiz, D.,
Quiroga, M. E., y García-Manso, J. M. (2009). Aplicación de la variabilidad de la
frecuencia cardiaca en la caracterización de deportistas de élite de lucha canaria con
diferente nivel de rendimiento. Revista Andaluza de Medicina del Deporte, 2(4).
54
Gómez Pérez, R., Mendoza, F., Osuna, J., Villarroel, V., Velázquez Maldonado, E., Zerpa, Y.,
... y Arata Bellabarba, G. (2005). Homair, quicki y leptina en adolescentes deportivas.
Revista Venezolana de Endocrinología y Metabolismo, 3(3), 30-35.
Gostynski, M., Gutzwiller, F., Kuulasmaa, K., Döring, A., Ferrario, M., Grafnetter, D., y
Pajak, A. (2004). Analysis of the relationship between total cholesterol, age, body mass
index among males and females in the WHO MONICA Project. International journal of
obesity, 28(8), 1082.
Gozashti, M. H., Najmeasadat, F., Mohadeseh, S., y Najafipour, H. (2013). Determination of
most suitable cut off point of waist circumference for diagnosis of metabolic syndrome in
Kerman. Diabetes & Metabolic Syndrome: Clinical Research & Reviews, 8(1), 8-12.
Grundy, S. M., Brewer, H. B., Cleeman, J. I., Smith, S. C., y Lenfant, C. (2004). Definition of
metabolic syndrome: report of the National Heart, Lung, and Blood Institute/American
Heart Association conference on scientific issues related to definition. Circulation, 109(3),
433-438.
Grundy, S. M., Cleeman, J. I., Daniels, S. R., Donato, K. A., Eckel, R. H., Franklin, B. A., ... y
Spertus, J. A. (2005). Diagnosis and management of the metabolic syndrome: an
American Heart Association/National Heart, Lung, and Blood Institute scientific
statement. Circulation, 112(17), 2735-2752.
Günther B., León B. (1966). An invariant and dimensionless number, which characterizes
respiratory, haematic, circulatory and metabolic functions in mammals. Arch. Biol. Med.
Exper, (3), 1-6.
Hanley, A. J., Williams, K., Gonzalez, C., D’Agostino, R. B., Wagenknecht, L. E., Stern, M.
P., y Haffner, S. M. (2003). Prediction of type 2 diabetes using simple measures of insulin
resistance: combined results from the San Antonio Heart Study, the Mexico City Diabetes
Study, and the Insulin Resistance Atherosclerosis Study. Diabetes, 52(2), 463-469.
Hardy, O. T., Czech, M. P., & Corvera, S. (2012). What causes the insulin resistance
underlying obesity?. Current opinion in endocrinology, diabetes, and obesity, 19(2), 81.
Herrera, H., Rebato, E., Arechabaleta, G., Lagrange, H., Salces, I., y Susanne, C. (2003). Body
mass index and energy intake in Venezuelan University students. Nutrition research,
23(3), 389-400.
Hillier, T. A., Fagot-Campagna, A., Eschwège, E., Vol, S., Cailleau, M., y Balkau, B. (2005).
Weight change and changes in the metabolic syndrome as the French population moves
towards overweight: the DESIR cohort. International journal of epidemiology, 35(1), 190-
196.
Kahn, S. E., Hull, R. L., y Utzschneider, K. M. (2006). Mechanisms linking obesity to insulin
resistance and type 2 diabetes. Nature, 444(7121), 840.
Kaplan N. M. (1989) The deadly quartet: upper-body obesity, glucose intolerance,
hypertriglyceridemia, and hypertension. Arch. Intern. Med. 149:1514–1520.
Keys A., Fidanza F. y Karvonen M. (1972). “Indices of relative weight and adiposity”. J
Chronic Dis. 25: pp. 329-343.
Kim, E. S., Han, S. M., Kim, Y. I., Song, K. H., Kim, M. S., Kim, W. B., ... y Lee, K. U.
(2004). Prevalence and clinical characteristics of metabolic syndrome in a rural
population of South Korea. Diabetic medicine, 21(10), 1141-1143.
Kok P., Seidell JC, Meinders (2004): “The value and limitations of the body mass index
(BMI) in the assessment of the health risks of overweight and obesity”; AE; 148(48): pp.
2379-82.
55
LaMonte, M. J., Barlow, C. E., Jurca, R., Kampert, J. B., Church, T. S., y Blair, S. N. (2005).
Cardiorespiratory fitness is inversely associated with the incidence of metabolic
syndrome: a prospective study of men and women. Circulation, 112(4), 505-512.
Lebart L, Morineau A, Piron M. (2000). Statistique Exploratoire Multidimensionnell. Dunod:
Paris (3rd edition), pp. 344-346.
Magkos, F., Fabbrini, E., Mohammed, B. S., Patterson, B. W., y Klein, S. (2010). Increased
Whole‐Body Adiposity Without a Concomitant Increase in Liver Fat is Not Associated
With Augmented Metabolic Dysfunction. Obesity, 18(8), 1510-1515.
Marusteri, M., y Bacarea, V. (2010). Comparing groups for statistical differences: how to
choose the right statistical test?. Biochemia medica: Biochemia medica, 20(1), 15-32.
Migliaro, E., y Contreras, P. (2005). Fisiología Cardiovascular Aplicada, capitulo 21. Belo
Horizonte, EDICOR, 304-315.
Motamed, N., Miresmail, S. J. H., Rabiee, B., Keyvani, H., Farahani, B., Maadi, M., y
Zamani, F. (2016). Optimal cutoff points for HOMA-IR and QUICKI in the diagnosis of
metabolic syndrome and non-alcoholic fatty liver disease: A population based study.
Journal of diabetes and its complications, 30(2), 269-274.
National Cholesterol Education Program. (2002). Third report of the National Cholesterol
Education Program (NCEP) expert panel on detection, evaluation, and treatment of high
blood cholesterol in adults (Adult Treatment Panel III) Final report. Circulation; 106,
3143-3421.
Oda, E., y Kawai, R. (2011). Changes in body weight are significantly associated with changes
in fasting plasma glucose and HDL cholesterol in Japanese men without abdominal
obesity (waist circumference< 85 cm). Acta diabetologica, 48(2), 143-148.
Olefsky, J. M., y Glass, C. K. (2010). Macrophages, inflammation, and insulin resistance.
Annual review of physiology, 72, 219-246.
Ozsahin AK, Gokcel A, Sezgin N. Akbaba M, Guvener N, Ozisik L, Karadamir BM. (2004).
Prevalence of the metabolic syndrome in a Turkish adult population Diabetes Nutr
Metab 17:230-234.
Paek, K. W., Chun, K. H., y Lee, K. W. (2006). Relationship between metabolic syndrome
and familial history of hypertension/stroke, diabetes, and cardiovascular disease. Journal
of Korean medical science, 21(4), 701-708.
Parra, F., Andrade, D., Cruz, J., Solano-Quinde, L., Palacio-Baus, K., Encalada, L., y Wong,
S. (2015). Plataforma basada en ecgML para el estudio de las complicaciones
cardiovasculares en el adulto mayor con síndrome metabólico. Maskana, 6(Supl.), 157-
164.
Pimenta, A. M., Kac, G., Gazzinelli, A., Corrêa-Oliveira, R., y Velásquez-Meléndez, G.
(2008). Association between central obesity, triglycerides and hypertension in a rural area
in Brazil. Arquivos brasileiros de cardiologia, 90(6), 419-425.
Quintero, L., Wong, S., Parra, R., Cruz, J., Antepara, N., Almeida, D., ... y Passariello, G.
(2007, August). Stress ecg and laboratory database for the assessment of diabetic
cardiovascular autonomic neuropathy. In Engineering in Medicine and Biology Society,
2007. EMBS 2007. 29th Annual International Conference of the IEEE (pp. 4339-4342).
IEEE.
Ramírez-Vargas, E., Arnaud-Viñas, M. D. R., y Delisle, H. (2007). Prevalence of the
metabolic syndrome and associated lifestyles in adult males from Oaxaca, Mexico. salud
pública de méxico, 49, 94-102.
56
Rayleigh, L. (1915). The principles of similitude. Nature, (95), 66-68.

Raynaud E., Perez-Martin A., Brun J., Benhaddad A. y Mercier J. (1999). Revised concept for
the estimation of insulin sensitivity from a single sample. Diabetes Care, v 22(6), pp.
1003-1004.
Reaven G. M. (1988) Role of insulin resistance in human disease. Diabetes 37:1595–1607.
Reitsma, J. B., Glas, A. S., Rutjes, A. W., Scholten, R. J., Bossuyt, P. M., y Zwinderman, A.
H. (2005). Bivariate analysis of sensitivity and specificity produces informative summary
measures in diagnostic reviews. Journal of clinical epidemiology, 58(10), 982-990.
Report of a WHO Expert Consultation. (2008):”Waist Circumference and Waist–Hip Ratio”:
WHO Geneva.
Rivera, P., Turiel, J. P., Pagán-Buzo, F. J., Sarmiento, E. G., López, A. H., y Rodríguez-
Guerrero, C. D. (2010, September). QTc analysis and comparison in pre-diabetic patients.
In Computing in Cardiology, 2010 (pp. 697-700). IEEE.
Roberts, C. K., Hevener, A. L., y Barnard, R. J. (2013). Metabolic syndrome and insulin
resistance: underlying causes and modification by exercise training. Comprehensive
Physiology.
Roberts, C. K., Vaziri, N. D., Liang, K. H., y Barnard, R. J. (2001). Reversibility of chronic
experimental syndrome X by diet modification. Hypertension, 37(5), 1323-1328.
Severeyn E., Wong S., Herrera H., Altuve M. (2015) Anthropometric measurements for
assessing insulin sensitivity on patients with metabolic syndrome, sedentaries and
marathoners. Engineering in Medicine and Biology Society (EMBC), 2015 37th Annual
International Conference of the IEEE. 4423-4426.
Severeyn, E., wong, s., Altuve, M., Cevallos, j. y Lollett, C. (2012). Evaluation of Indirect
Methods to Quantify Insulin Sensitivity on Synthetic and Real Data of Glucose and
Insulin. 8th International Seminar on Medical Information Processing and Analysis. San
Cristóbal, Venezuela. Libro: "VII International Seminar on Medical Information
Processing and Analysis ". Vol. 8. pp. 9 - 16.
Severeyn, E., Wong, S., Passariello, G., Cevallos, J. L., y Almeida, D. (2012). Methodology
for the study of metabolic syndrome by heart rate variability and insulin sensitivity.
Revista Brasileira de Engenharia Biomédica, 28(3), 272-277.
Sharma, M., McClung, J. A., y Abraham, N. G. (2016). Adiponectin: A Mediator of Obesity,
Insulin Resistance, Diabetes, and the Metabolic Syndrome. In Translational Research in
Coronary Artery Disease (pp. 33-42).
Sonin, A. A. (2004). A generalization of the Π-theorem and dimensional analysis. Proceedings
of the National Academy of Sciences of the United States of America, 101(23), 8525-
8526.
Soriguer, F., Colomo, N., Valdés, S., Goday, A., Rubio-Martín, E., Esteva, I., García-Fuentes,
E. (2014). Modifications of the homeostasis model assessment of insulin resistance index
with age. Acta diabetologica, 51(6), 917-925.
Stahl W. (1961). Dimensional Analysis in Mathematical Biology. Bulletin of Mathematical
Biophysics, (23), 355-376.
Stumvoll M., Mitrakou A., Pimenta W., Jenssen T., Hannelle YJ., Van Haeften T., Renn W. y
Gerich J. (2000). Use of oral glucose tolerance test to assess insulin release and insulin
sensitivity. Diabetes Care. Vol. 23(3), pp. 295-301.
57
Taverne, F., Richard, C., Couture, P., y Lamarche, B. (2013). Abdominal obesity, insulin
resistance, metabolic syndrome and cholesterol homeostasis. PharmaNutrition, 1(4), 130-
136.
Valdez, R., Seidell, J. C., Ahn, Y. I., y Weiss, K. M. (1993). A new index of abdominal
adiposity as an indicator of risk for cardiovascular disease. A cross-population study.
International journal of obesity and related metabolic disorders: journal of the
International Association for the Study of Obesity, 17(2), 77-82.
Variability, H. R. (1996). Standards of measurement, physiological interpretation, and clinical

use. Task Force of the European Society of Cardiology and the North American Society
of Pacing and Electrophysiology. Circulation, 93(5), 1043-1065.
Velásquez J., Herrera H., Encalada L, Wong S., Severeyn E. (2018b). Valor diagnóstico de
variables lipídicas y antropométricas en el diagnóstico de las disfunciones metabólicas.
Acta Bioquímica Clínica Latinoamericana. 1-23. (En revisión-Indizada en SCI, Latindex-
Catálogo, Scopus).
Velásquez J., Herrera H., Encalada L., Wong S., Severeyn E. (2017b). Análisis dimensional de
variables antropométricas y bioquímicas para diagnosticar el síndrome metabólico.
Maskana. TIC.EC. Track científico, 1-12.
Velásquez J., Herrera H., Wong S., Severeyn E. (2015b). Índices para la caracterización de
sujetos con disfunción metabólica, utilizando variables bioquímicas y antropométricas.
Memorias de V Congreso Venezolano de Bioingeniería. Depósito Legal:
LFX23720156201604. pp. 122-125.
Velásquez J., Herrera H., Wong S., Severeyn E. (2017c). Dimensional Analysis of Heart Rate
Variability Parameters for Metabolic Dysfunctions Diagnosis. IEEE Ecuador Technical
Chapters Meeting 2017. 1-6.
Velásquez J., Herrera H., Wong S., Severeyn E. (2018a). Towards the insulin resistance and
obesity diagnosis: A dimensional analysis approach. Research on Biomedical
Engineering. 1-17. (En revisión-Indizada Latindex, Scopus).
Velásquez, J., Severeyn, E., Herrera, H., Encalada, L., y Wong, S. (2017a, January).
Anthropometric index for insulin sensitivity assessment in older adults from Ecuadorian
highlands. In 12th International Symposium on Medical Information Processing and
Analysis (pp. 101600S-101600S). International Society for Optics and Photonics.
Velásquez, J., Wong, S., Encalada, L., Herrera, H., Severeyn, E. (2015a). Lipid-
anthropometric index optimization for insulin sensitivity estimation. Proceedings of SPIE
- The International Society for Optical Engineering. 96810R1-96810R10.
Wahba, I. M., y Mak, R. H. (2007). Obesity and obesity-initiated metabolic syndrome:
mechanistic links to chronic kidney disease. Clinical Journal of the American Society of
Nephrology, 2(3), 550-562.
Weiss, R., Dziura, J., Burgert, T. S., Tamborlane, W. V., Taksali, S. E., Yeckel, C. W., ... y
Sherwin, R. S. (2004). Obesity and the metabolic syndrome in children and adolescents.
New England journal of medicine, 350(23), 2362-2374.
WHO Consultation,. (2000). OBESITY: PREVENTING AND MANAGING THE G10BAL
EPIDEMIC.
WHO E. Consultation, (2008). Waist circumference and waist-hip ratio. Report of a WHO
Expert Consultation. Geneva: World Health Organization, 2011.
58
WHO, E. Consultation. (2004). Appropriate body-mass index for Asian populations and its
implications for policy and intervention strategies. Lancet (London, England), 363(9403),
157.
Worachartcheewan, A., Dansethakul, P., Nantasenamat, C., Pidetcha, P., y Prachayasittikul, V.
(2012). Determining the optimal cutoff points for waist circumference and body mass
index for identification of metabolic abnormalities and metabolic syndrome in urban Thai
population. Diabetes Research and Clinical Practice, 98(2), e16-e21.
59
ANEXO: PUBLICACIONES DERIVADAS
 Velásquez, J., Severeyn, E., Herrera, H., Encalada, L., y Wong, S. (2017a).
Ecuadorian highlands. In 12th International Symposium on Medical Information
Processing and Analysis (pp. 101600S-1-101600S-10). International Society for Optics
and Photonics. Indizada en Scopus.
 Velásquez J., Herrera H., Encalada L., Wong S., Severeyn E. (2017b). Análisis
dimensional de variables antropométricas y bioquímicas para diagnosticar el síndrome
metabólico. Maskana. TIC.EC. Track científico, 1-12. Indizada en Latindex-Catálogo.
 Velásquez J., Herrera H., Wong S., Severeyn E. (2017c). Dimensional Analysis of
Heart Rate Variability Parameters for Metabolic Dysfunctions Diagnosis. IEEE
Ecuador Technical Chapters Meeting 2017. 1-6. Indizada en Scopus y la IEEE Xplore.
 Velásquez J., Herrera H., Wong S., Severeyn E. (2018a). Towards the insulin
resistance and obesity diagnosis: A dimensional analysis approach. Research on
Biomedical Engineering. 1-17. (En revisión-Indizada en Latindex y Scopus).
 Velásquez J., Herrera H., Encalada L., Wong S., Severeyn E. (2018b). Valor
diagnóstico de variables lipídicas y antropométricas en el diagnóstico de las
disfunciones metabólicas. Acta Bioquímica Clínica Latinoamericana. 1-23. (En
revisión-Indizada en SCI, Latindex-Catálogo, Scopus).
60

Ecuadorian highlands
J. Velásquez*a,e, E. Severeyn*b,e, H. Herrerab,e, L. Encaladac, S. Wongd,e

a
Department of Thermodynamics and Transfer Phenomena, Simon Bolivar University, Venezuela
b
Process Technology Dept. of Biological and Biochemical, Simon Bolivar University, Venezuela
c
Medical Science Faculty, University of Cuenca, Ecuador
d
Researcher PROMETEO, DEET, University of Cuenca, Ecuador
e
Applied Biophysics and Bioengineering Group, Simon Bolivar University, Venezuela
ABSTRACT
A marked increase in the population aged 60 years and over is evident; the proportion of the older adult population will
rise 18.6% in 2025. On the other hand, obesity, metabolic syndrome (MS), diabetes and insulin resistance (or low insulin
sensitivity-IS) are diseases related to lifestyle, they have become a social and public health problem. IS is the ability of
cells to react due to insulin´s presence; when this ability is diminished, low insulin sensitivity or insulin resistance (IR) is
considered. Studies show that IS decreases with age, though no one knows exactly if it is directly due to aging or
changes in muscle mass. IS can be determined using direct or indirect methods. This paper aims to propose an insulin
sensitivity method design from anthropometries and lipid measures. The methodology consist in a simple
correspondence analysis for determine the variables, and a parametrical optimization using Avignon method as optimal
function. The database used is composed by 120 Ecuadorian older adults with and without MS. The results show that the
proposed optimized method got a better correlation with Avignon compared to non-optimized method. The proposed
method could discriminate between subjects with and without IR and with and without MS. This is an important
contribution since other methods like HOMA-IR, which is the most used in clinical practice, cannot find these
differences, this means that HOMA-IR is not sensitive for IS estimation in elderly people. Future works will focus in the
determination of cutoffs for insulin resistance diagnosis in the proposed method.
Keywords — Anthropometric measures, insulin sensitivity, metabolic syndrome, older subjects, oral glucose tolerance
test.
INTRODUCTION
According to the report of the World Health Organization, the region of the Americas presents a marked increase in the
population aged over 60 years, and for 2025 this proportion of the population will rise 18.6%. In 2037, the median rate
of aging in the region will reach the value of 100 adults aged 60 and over for every 100 children under 15 years, i.e.: half
the countries in the region have more than one adult for each child that age (aging index above 100) [1].
On the other hand, obesity, metabolic syndrome, diabetes and low insulin sensitivity are diseases related to lifestyle, they
have become a social and public health problem [2]. Metabolic syndrome is a condition characterized by, dislipidemia,
abdominal obesity, high levels in blood glucose and arterial hypertension [3]. Insulin sensitivity (IS) is defined as the
ability of the cells to react to the presence of insulin. The IS can be quantified through existing models using data from
Oral Tolerance Test Glucose (OGTT) which generate two curves: insulin concentration and glucose concentration.
12th International Symposium on Medical Information Processing and Analysis, edited by Eduardo Romero,
Natasha Lepore, Jorge Brieva, Ignacio Larrabide, Proc. of SPIE Vol. 10160, 101600S
© 2017 SPIE · CCC code: 0277-786X/17/$18 · doi: 10.1117/12.2257207
Proc. of SPIE Vol. 10160 101600S-1

61
Low insulin sensitivity can lead to a state of insulin resistance (IR), which is a clear sign of pre-diabetes. The IR is a
condition caused by an inefficient use of insulin by the cells; increase secretion thereof to maintain normoglycemia, this
in long term leads to diseases such as: Diabetes, cardiovascular disease and obesity. The early diagnosis of insulin
resistance plays a vital importance to prevent diabetes and its complications [4].
With the rapid growth of the older adults’ population, it is important to support health systems to provide a good quality
of life for seniors. Studies show that IS decreases with age, though no one knows exactly if it is directly due to aging or
changes in muscle mass [5].
Direct and indirect methods exist for IS quantification. The most known directs methods are the minimal model for
intravenous glucose tolerance test (MINMOD-IGTT) and the hyperinsulinemic-euglycemic clamp (HEC) [6]. The HEC
is the most accurate direct method to determine insulin resistance; however its implementation protocol is extremely
invasive. Indirect methods, such as the model of homeostatic assessment to determine insulin resistance (HOMA-IR) [7]
and Avignon method [8]; they are less invasive than direct methods because they use OGTT data.
Spearman Correlation technique is used to establish indirect methods´ accuracy through direct method. The most
correlated are the results between both indirect and direct methods more accurate is the indirect one. HOMA-IR is the
indirect method most used in clinical practice for insulin resistance diagnosis. HOMA-IR uses fasting insulin and
glucose values to calculate insulin sensitivity and the cut value (considered normal) less than 2.5 [9] (but other cutoffs
have been proposed for specific populations [10]), nonetheless its accuracy is not the best (Spearman with MINMOD-
IGTT = 0.67) [11]. On the other hand, Avignon method use the glucose and insulin of two samples OGTT, and its
accuracy is better than HOMA-IR (Spearman with HEC = 0.89).
Among the limitations of the HOMA-IR index can be named: i) their inability to detect insulin resistance in its early
stages and that alterations of insulin and fasting blood glucose manifest when the metabolic dysfunctions are already
present in the body, ii) high sensitivity in patients who already have insulin resistance but not in diabetic patients with
pancreatic beta dysfunction [12], and iii) the lack of a reference range for the diagnosis of insulin resistance. Avignon
method also has the limitation that it has been tested on databases with few subjects and there are not cutoffs available to
determine insulin resistance.
Some studies have used other parameters in addition to glucose and insulin through different methodologies, to
determine IR. Anthropometric variables can be useful in the early diagnosis of insulin resistance [13-14]. Several factors
such as body mass index (BMI), age, diastolic blood pressure, cholesterol, HDL and LDL, and HOMA-IR index, have
been used to predict the incidence of years of metabolic syndrome in a Japanese male sample [15]. In addition,
unsupervised learning has been applied to characterize a metabolic syndrome population [16].
Recently a multi-parametrical database for the study of metabolic syndrome and cardiac complications in the elderly
population of Cuenca, Ecuador has been developed. Preliminary results were reported [17]. This database contains data
from 120 older adult performing two samples OGTT. The two samples OGTT consists in the measured of insulin and
glucose levels in two different blood samples: one at fast and the other 120 minutes after an oral intake of 75 grams of
glucose.
The aim of the study is to evaluate a method design from anthropometric and lipid measures in Ecuadorian older adult
population without using the glucose and insulin values from the OGTT. The index will be design by using the
methodology proposed by [14] in which a correspondence analysis and a parametric optimization is performed,
according to the data obtained from metabolic syndrome and non metabolic syndrome subjects, taking as target function
Avignon´s method. The database used is more extensive than the used in [14] so the results could be more conclusive.
METHODOLOGY
In this section we present the database (section 2.1) and the methodology in three stages: Simple correspondence
analysis (section 2.2), random sub-sampling cross validation (section 2.3) and statistical analysis (section 2.4).
Database
In 2015, senior adults aged more than 65 years without diabetes were recruited into the DIUC- PROMETEO project
named: Heart rate variability and insulin sensitivity in the elderly population of Cuenca, Ecuador [17]. To each subject
was performed an hematology, a lipid profile, anthropometric measures (BMI and waist circumference-WC),
international physical activity questionnaire 2 (IPAQ) [18] and a two points OGTT (fasting glucose and insulin measures

62
and other sample taken in a 120 minute interval after the 75 gr glucose intake). The clinical protocol adhered to the
principles of the Declaration of Helsinki and was approved by the Bioethical Committee of the Medical Science Faculty
of University of Cuenca in Ecuador; all the subjects gave a written informed consent.
The database used in this investigation is composed from 120 Ecuadorian subjects (male=42) discretized in two types of
populations: subjects with metabolic syndrome (MS) and subjects without metabolic syndrome (Control). The
characteristics of these populations are shown in table 1.
Table 1. Characteristic of MS and Control groups.
MS Control
(n=64) (n=56)
With insulin Without insulin With insulin Without insulin
resistance resistance resistance resistance
n=27 n=37 n=15 n=41
(8 male) (11 male) (5 male) (18 male)
Mean STD Mean STD Mean STD mean STD
Age [years] 73.48 6.48 71.22 10.61 73.20 7.71 70.76 6.75
WC [cm] 98.22 8.37 95.35 5.66 91.47 13.77 89.77 10.69
Colesterol [mg/dL] 183.11 43.41 182.80 2.12 163.56 32.05 177.77 33.52
Triglycerides
172.53 81.64 177.23 71.42 129.45 97.35 127.81 48.47
[mg/dL]
BMI [Kg/m2] 31.10 7.28 29.89 0.71 28.86 3.98 27.35 3.89
HOMA-IR 4.71 3.53 1.42 0.20 5.93 6.52 1.28 0.52
IPAQ
4016.81 3540.29 5052.57 1826.10 3552.98 3109.95 5555.85 4921.20
[METS-min/week]
Table 2. Categorical variable nomenclature.
Variable Nomenclature Values

NT= Normal NT; TG<150mg/dL
Triglycerides (TG)
IT= Impaired IT; TG>150mg/dL
NW= Normal weight NW=18-25Kg/m2
OW=Overweight OW=25-29Kg/m2
BMI
OB=Obesity OB=30-39Kg/m2
MO=Morbid Obesity MO≥40Kg/m2
NWC=Normal Men under 102 cm
WC
IWC= Impaired Women under 80 cm
NIS=Not insulin resistance HOMA-IR<2.5
HOMA-IR
IIS=Insulin resistance HOMA-IR>2.5
AA=Older adult 74≥AGE≥64 years old
Age
A=Ancient AGE≥75 years old
MS=Subject with MS MS diagnosis according Adult
Population
Control=Subject without MS Treatment Panel III [3]
IFA=Intense physical activity METS≥1500 min/week
IPAQ MFA=Moderate physical activity 1500>METS≥600 min/week
LFA=Low physical activity METS less than 600 min/week
Simple correspondence analysis

A simple correspondence analysis (SCA) was performed to determine the variables used in proposed method. SCA is a
descriptive technique which allows a simultaneous representation of variables and individuals in the same space; it
builds a map and characterizes the main variables resulting from different profiles. Graphical representation allows
perception and interpretation of data into a two-dimensional space, where axes represent percentage of the variables [19].
In SCA performed for this study, numerical variables were defined by biochemical and anthropometrical measurements
taken from each individual. On the other hand, categorical variable represents the amount of individuals belonging to
each category. Finally, individuals are the subjects belonging to each group [14]. The categorical variables nomenclature
used is shown in table 2.
63
Random sub-sampling cross validation

Random sub-sampling validation method randomly separates data in: training data and validation data. In each
separation, classifier algorithm is re-trained with correspondent data and validated with remaining data. Results are later
averaged [20]. In figure 1 a scheme of parametrical optimization of proposed method can be observed. In step one, a
random selection of training and validation data is made using a uniform distribution (75% of data was taken for training
and remaining data for validation in each populations). In step two, training sample is used to change new method´s
parameters until find a proper combination where the Spearman correlation of the proposed method with Avignon (target
function) is the best. In step three, validation samples and parameters found in step two are used in order to obtain the
Spearman Correlation of proposed method optimized with Avignon (see equation 1) [8]; steps one to three are performed
ten times. Finally, parameters which had given the best correlation on step three will be averaged to obtain final
parameters [14].
Avignon method [8] is detailed in equation 1, where: I0 and G0, are the fasting insulin and glucose. I120 and G120, are the
insulin and glucose 120 minutes after ingest of 75 grams of glucose. VD is an estimate of the apparent glucose
distribution volume.
Statistical analysis
Wilcoxon test was used to find significant differences in IS methods between groups, since these are not paired samples.
A value of p<0.05 was considered statistically significant. Statistical analysis was performed using the Matlab´s
Statistics and Machine Learning Toolbox (version 2015a).
RESULTS AND DISCUSSION

In tables 3 and 4, and figure 2, it can be observed the SCA performed to database. The table 4 shows the axes variance
representation, the axes 1 and 2 were chosen because they represent 71.12% of the total variance of the data. Table 3
presents the contributions of variables on the SCA. A distribution found (see figure 2b) suggest that triglycerides with
contribution of 69.51% and HDL with 26.31% (see Axis 1, Table 4), can discriminate between the MS and control
subjects. Figure 2a shows that impaired waist circumference is more related to MS subjects than normal waist
circumference, it suggest that waist circumference can discriminate between MS and control subjects. In the same way,
the variable obesity is more related to MS subjects and NW is more related to Control subjects indicating that BMI can
characterize the study groups.
All these findings corroborate the work of [14], in this research the impaired BMI, triglycerides and WC were the
variables more related to MS subjects, they used a data base of 40 young adult subjects. In our work we are using a
database of 120 subjects belongs to older adults. We can observe that in older adults and young adults these impaired
variables have the same tendencies on SCA.

64
STEP 1
Random selection for Uniform distribution
validation and training
data
STEP 2 It is repeated 10 times

Search the combination of the
Training data parameters α, β, γ; with the best
The average of the α, β and γ,
correlation with Avignon method
obtained in STEP 3, are taken
as final parameters
STEP 3 The optimized parameters (α, β, γ)

Validation data training in STEP 2, are used to find
the correlation with the Avignon
method
Figure 1. General methodology schematics for proposed method parametrical optimization [14].
(a) (b)
Figure 2. (a) Simple Correspondence Analysis of all biochemical and anthropometric variables; (b) Population distribution
according to axis.
Proposed method
The BMI, WC and triglycerides were the selected variables for the construction of the proposed method (equation 2) due
they could discriminate between groups in the SCA. The proposed method has a slightly different to the one presented in
the work [14]; since that work was done using CAUMO as optimization method comparator, in this case it is used as
comparison method Avignon index, which has good correlations with a direct method HEC in different populations [8].

65
Table 3. Contributions of age, waist circumference, triglycerides, HDL and BMI on SCA.
Variables Axis 1 Axis 2

Age 1.49 3.13
Waist circumference 0.98 11.89
Triglycerides 69.51 10.91
High density lipids (HDL) 26.31 49.42
BMI 0.00 18.78
Table 4. Axes variance representation of the data.
Axis Variance percentage [%] Variance cumulated percentage [%]

1 44.03 44.03
2 27.09 71.12
The equations 2 and 3 present the proposed method and optimized proposed method. Where: BMI is the body mass index
defined as body weight per the square of height (kg/m2), TG is the plasmatic triglycerides value and TGN = 150 mg/dL is
the cutoff value considered as normal and WC is the waist circumference (m) [14]. The proposed method has a constant
in the beginning of the equation because in the optimization procedure the better correlations were those that had
negative values, so in order to avoid negative values in the proposed method optimization we added a constant.
Parametrical optimization procedure required the addition of three parameters to each variable (BMI + α, WC 2 + β and
TG/TGN + γ). The values of parameters were modified until the best Spearman’s rank correlation coefficient (r close to
±1) between optimized and Avignon method was obtained [14].
Table 5 shows the Spearman correlation between proposed method and optimized proposed method with Avignon
method. The optimization performed to optimized proposed method, improves its correlation to Avignon among all
populations than proposed method, and the p-value<0.05 indicates statistical significances in Spearman correlation in
optimized proposed method. Table 6, shows the mean and standard deviation for each parameter of optimized proposed
method.
Table 5. Spearman correlation between proposed and optimized proposed method.
MS Control
r -0.300000 -0.439286
Proposed method
p-value 0.276682 0.103199
r 0.753571 0.707143
Optimized proposed method
p-value 0.001767 0.004316
Figure 3 shows the optimized and proposed method boxplots and figure 4 shows the Avignon and HOMA-IR boxplots.
The two groups were divided into metabolic syndrome subjects with insulin resistance (MS-IR), metabolic syndrome
subjects (MS), control subjects with insulin resistance (Control-IR) and Control subjects (Control). Significative
differences were found between all groups in optimized and proposed methods. In Avignon and HOMA-IR, significative
differences were found between MS-IR and MS and between Control-IR and Control.

66
Table 6. Parameters results for optimization procedure.

MS Control
Parameters
Mean STD Mean STD
α -58.6 3.8 -30 3.5
β -1 0 -2 0
γ -0.3 0.1 0 0
60
IPA AVIGNON NOPT[Kg*m2]

IPA AVIGNON OPT [Kg*m2]
50 150
40
30 100
20
10 50
0
MS-IR MS Control-IR Control MS-IR MS Control-IR Control
(a) (b)
Figure 3. Boxplot of insulin sensitivity according to: (a) Optimized proposed method, (b) Proposed method.
1000 20
800 15
HOMAIR
Avignon
600
10
400
5
200
0 0
MS-IR MS Control-IR Control MS-IR MS Control-IR Control
(a) (b)
Figure 4. Boxplot of insulin sensitivity according to: (a) Avignon, (b) HOMA-IR.
Figure 3 shows that proposed and optimized proposed methods can discriminate between the four groups, which means
that for proposed methods all groups are different. In the opposite, for HOMA-IR and Avignon methods (figure 4), MS-
IR and Control-IR groups are not different, this is not in concordance with literature, where it is documented that a
person with MS has aggravate his condition if has also insulin resistance [21]. Therefore a subject without dyslipidemia,
without prominent abdominal circumference and normal BMI, should not have similar insulin sensitivity than a subject

67
with MS, considering that it is well documented that obesity can generate insulin resistance [22]. Optimized methods
suggest that insulin sensitivity is different in each group and this is more evident in the optimized proposed method
(Figure 3a).
1
MS
Normalized
0.9
Control
0.8 MS-IR
Normalized
Control-IR
0.7
OPT Method
0.6
Proposed
0.5
IPA AVIGNON
0.4
Optimized
0.3
0.2
0.1
0
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Proposed Method Normalized
IPA AVIGNON NOPT Normalized
Figure 5. Scatter plot of normalized values of optimized proposed method vs. proposed method. Not filled red squares
indicate MS and insulin resistance according to HOMA-IR (HOMA-IR>2.5); red filled squares indicate MS without insulin
resistance (HOMA-IR<2.5); green circles indicate Control subjects without insulin resistance and; green circles with blue
line indicate Control subjects with insulin resistance.
In figure 5, a comparison between optimized proposed method and proposed method is presented. The graphic shows
that optimized proposed method could separate subjects with and without MS with certain exceptions (see line dotted in
figure 5). Almost all cases of MS-IR subjects could be separated from control subjects; however, some control-IR
subjects remain in the control group, and this is because they do not present dyslipidemia, prominent abdominal
circumference and altered BMI. On the other hand, some control subjects are located in the group with MS, these
subjects have two of the criteria for the MS diagnosis, because of that, they were not included in the MS group, this is a
contribution of this paper since the presence of two or more of the included MS criteria [3] could lead to develop MS
related diseases as atherosclerosis, heart disease and diabetes.
CONCLUSIONS
This work presents the design of an insulin sensitivity estimation index in Ecuadorian elderly subjects using the
methodology developed in a previous work [14]. First, a SCA was performed to determine the variables used in the
designed method and a parametrically optimization using the Avignon method as comparator, which has a high accuracy
with HEC [8].
In the SCA, impaired values of WC, triglycerides and BMI were related to MS subjects and in the same way normal
values WC, triglycerides and BMI were related to Control group. With these variables a new method were proposed and
parametrically optimized for older adults. These findings suggest that WC, triglycerides can discriminate MS subjects
and Control in Ecuadorian elderly adults, which corroborates the research of [14], they found that impaired values in
WC, triglycerides and BMI are related to MS young adults.
The optimized proposed method could discriminate between subjects with and without insulin resistance and with and
without MS. This is an important contribution since other methods like HOMA-IR, which is the most used in clinical
practice, cannot find these differences, meaning that HOMA-IR is not sensitive for the population under study.
68
Prevalence of elevated triglycerides and low high density lipoprotein (HDL) concentration, both components of MS are
elevated. Also MS in older adults living in Ecuadorian highlands is highly prevalent (40%) [17]. Measures to diagnoses
early MS and IR may improve the quality of life in this rising part of the population. Proposed method suggests the
possibility of an insulin sensitivity indicator among older adults with the use of minimal invasive and easy to measure
parameters (triglycerides, WC and BMI). Future works will focus in the determination of cutoffs for insulin resistance
diagnosis.
ACKNOWLEDGMENT
We are grateful to the students from Medical Sciences Faculty of the University of Cuenca, for their commitment to
achieve the data process acquisition. This work was partially funded by the program PROMETEO from the Secretaría de
Educación Superior, Ciencia, Tecnología e Innovación de la República del Ecuador, SENESCYT, and the Research
Direction of The University of Cuenca, Ecuador (Dirección de Investigación de la Universidad de Cuenca, DIUC).
REFERENCES
[1] PAHO. Crecimiento acelerado de la población adulta de 60 años y más de edad: Reto para la salud pública.
Disponible en: http://www.paho.org/hq/index.php?option=com_content&view=article&id=2796%3Acrecimiento-
acelerado-poblacion-adulta-60-anos-mas-edad-retosaludpublica&catid=1796%3Afacts&Itemid=1914&lang=es.
[2] Hu F. B., “Globalization of Diabetes The role of diet, lifestyle, and genes”, Diabetes care, 34(6), pp. 1249–1257,
2011.
[3] Grundy S. M., Brewer H. B., Cleeman J. I., Smith S. C., Lenfant C., “Definition of metabolic syndrome report of
the National Heart, Lung, and Blood Institute/American Heart Association Conference on scientific issues related
to definition”, Circulation, 109, no. 3, pp. 433–438, 2004.
[4] Abbasi F., BBrown. W., Lamendola C., McLaughlin T., Reaven G. M., “Relationship between obesity, insulin
resistance, and coronary heart disease risk”, Journal of the American College of Cardiology, vol. 40, no. 5, pp.
937–943, 2002.
[5] Heck T. G., Ludwig M. S., dos Santos A. B., Goettems-Fiorin, P. B. “Lifestyle and Aging Effects in the
Development of Insulin Resistance—Activating the Muscle as Strategy against Insulin Resistance by Modulating
Cytokines and HSP70”. 2015.
[6] M. Greenfield, L. Doberne, F. Kraemer, T. Tobey, and G. Reaven, “Assessment of insulin resistance with the
insulin suppression test and the euglycemic clamp”, Diabetes, 30(5), pp. 387–392, 1981.
[7] Matthews D., Hosker J., Rudenski A., Naylor B., Treacher D., Turner R. “Homeostasis model assessment: insulin
resistance and _-cell function from fasting plasma glucose and insulin concentrations in man”, Diabetologia,
28(7), pp. 412–419, 1985.
[8] Avignon A, Boegner C, Mariano-Goulart D, Colette C, Monnier L. “Assessment of insulin sensitivity from plasma
insulin and glucose in the fasting or post oral glucose-load state”, Int J Obes Relat Metab Disord. May;23(5), pp.
512-517, 1999.
[9] Friedrich, N., Thuesen, B., Jorgensen, T., Juul, A., Spielhagen, C., Wallaschofksi, H., Linneberg, A., “The
association between IGF-I and insulin resistance a general population study in Danish adults”, Diabetes care,
35(4), pp. 768-773, 2012.
[10] Qu H.-Q., Li Q., Rentfro A. R., Fisher-Hoch S. P., McCormick J. B. “The definition of insulin resistance using
HOMA-IR for Americans of Mexican descent using machine learning”. PloS one, 6( 6), pp. e21041, 2011.
[11] Hanley A., Williams K., Gonzalez C., D’Agostino R., Wagenknecht L., Stern M., Haffner S., “Prediction of type 2
diabetes using simple measures of insulin resistance”, Diabetes, 52, pp. 463-469. 2003.
[12] Muniyappa R., Lee S., Chen H., Quon M. J., “Current approaches for assessing insulin sensitivity and resistance
in vivo: advantages, limitations, and appropriate usage”. Am J Physiol Endocrinol Metab, 294(1), pp. E15–E26,
2008.
[13] Severeyn, S. Wong, H. Herrera, and M. Altuve, “Anthropometric measurements for assessing insulin sensitivity on
patients with metabolic syndrome, sedentaries and marathoners”. Engineering in Medicine and Biology Society
(EMBC), 2015 37th Annual International Conference of the IEEE. pp. 4423-4426. 2015.
[14] Velásquez J; Severeyn E; Wong S; Herrera H. "Lipid-anthropometric index optimization for insulin sensitivity
estimation”. Proceedings of SPIE-The International Society for Optical Engineering. 9681. pp. 96810R-1-96810R-
10. 2015.
[15] Hirose H., Takayama T., Hozawa S., Hibi T., Saito I. “Prediction of metabolic syndrome using artificial neural
network system based on clinical data including insulin resistance index and serum adiponectin”. Computers in
biology and medicine, 41(11), pp. 1051–1056, 2011.
69
[16] Altuve M; Severeyn E; Wong S. "Unsupervised Subjects Classification Using Insulin and Glucose Data for Insulin
Resistance Assessment". Symposium of Image, Signal Processing, and Artificial Vision (STSIVA). Bucaramanga,
Colombia. pp. 1 - 7. 2015.
[17] Parra, F., Andrade, D., Cruz, J., Solano-Quinde, L., Palacio-Baus, K., Encalada, L., & Wong, S. “Plataforma
basada en ecgML para el estudio de las complicaciones cardiovasculares en el adulto mayor con síndrome
metabólico”. Maskana, 6(Supl.), pp. 157-164, 2015.
[18] Craig C., Marshall A., Sjöström M., Bauman A., Booth M., Ainsworth B., Pratt M., Ekelund U., Yngve A., Sallis
J., Oja P. “International physical activity questionnaire: 12-country reliability and validity”, Med Sci Sports
Exerc., 35(8), pp.1381-95, 2003.
[19] Lebert A. Piron M., “Statistique exploratoire multidimensionnelle”, Dunod, (3rd edition), pp. 344-346, Paris, 2000.
[20] Govindarajan, M., Chandrasekaran, R. M, “Performance optimization of data mining application using radial
basis function classifier”. World Aca. Sci. Eng. Tech, 38, pp. 561-566, 2009.
[21] Roberts CK, Hevener AL, Barnard RJ. “Metabolic Syndrome and Insulin Resistance: Underlying Causes and
Modification by Exercise Training”. Comprehensive Physiology, 3(1), pp.1-58, 2013.
[22] Wahba I., Mak R. “Obesity and Obesity-Initiated Metabolic Syndrome: Mechanistic Links to Chronic Kidney
Disease”. CJASN, 3, pp.550-562, 2007.

70
Dimensional Analysis of Heart Rate Variability

Parameters for Metabolic Dysfunctions Diagnosis
Jesús Velásquez Erika Severeyn and Fabián Astudillo-Salinas and
Departamento de Termodinámica y Héctor Herrera Sara Wong
Fenómenos de Transferencia Departamento de Tecnología de Procesos DEET, Facultad de Ingeniería
Universidad Simón Bolívar Biológicos y Bioquímicos Universidad de Cuenca
Caracas, Venezuela Universidad Simón Bolívar Cuenca, Ecuador
Email: jmvelasquezf@usb.ve Caracas, Venezuela Email: fabian.astudillos@ucuenca.edu.ec
Email: severeynerika@usb.ve sara.wong@ucuenca.edu.ec
haherrera@usb.ve
Abstract—Obesity, metabolic syndrome (MS) and insulin Insulin sensitivity (IS) is defined as the biological response
resistance (IR) are diseases related to lifestyle, they have become to the presence of insulin, when normal concentrations of
a social and public health problem. There are numerous insulin produce a less than normal biologic response, the IR is
diagnostic criteria of MS, the most used is the diagnostic criterion diagnosed. The IS can be quantified through existing indexes
according to NCEP-ATP III and the NCEP-ATP III revised using data from Oral Glucose Tolerance Test (OGTT), the
version. Otherwise, obesity and IR are diagnosed through index mostly used to quantify the IS is the HOMA-IR [4], and
HOMA-IR and body mass index (BMI), respectively. These the cut-off point for IR is defined as HOMA-IR≥2.5.
methods have diagnostic limitations; in HOMA-IR case there can
be false negatives in incipient stages of the disease. BMI may Currently the diagnosis of overweight and obesity is based
show false positives in subjects with a high percentage of muscle on the Body Mass Index (BMI). Introduced in 1972 by Ancel
mass. In addition to the anthropometric and biochemical Keys [5], BMI is the ratio of weight (in kg) and the square of
variables, other types of parameters have been studied for the height (in meters). This index is used in the present to define
diagnosis of obesity, MS and IR; studies reveal that heart rate low weight, normal weight, overweight and obesity in its
variability (HRV) parameters can discriminate between diabetic, different degrees, based on the cut points proposed by the
MS and control subjects. The aim of this research is to propose World Health Organization [6].
dimensionless indexes that can be used to diagnose subjects with
MS, IR and obesity using HRV parameters (RR, RMSSD, SD, As showed before, there are numerous methods for IR,
HF and LF). For this purpose, seven dimensionless indexes, obesity and MS diagnosis, however, the accuracy of these
designed from the π Vaschy-Buckingham theorem, were assessed methods depends on the type of population used in their
using ROC curves and a database of 40 subjects. The index π 1, design. For example, HOMA-IR is imprecise in type I
built with the variables: HF and RMSSD; obtained a better diabetics and could, in some cases, show false negatives in
performance as classifier of MS, IR and obesity, presenting an subjects whose metabolic alteration is not manifested in
area under the ROC curve greater than 0.70, a sensitivity and fasting glucose and insulin levels [7]. In the same way, the
specificity greater than 0.70 in each pathology. The π 1 BMI has disadvantages, due to the incapability of discriminate
dimensionless index designed in this study is a simple method between fat and lean tissue [8]. The development of an index
that allows diagnosing three pathologies from a non-invasive test
that can diagnose IR, MS and obesity could be useful, since
such as electrocardiogram.
the early diagnosis of these pathologies could prevent the
Keywords—Dimensional analysis, theorem π of Vaschy- development of the associated diseases like diabetes.
Buckingham, metabolic syndrome, medical database, ROC curves. Some studies have explored indexes formed by
anthropometric and biochemical variables for the diagnosis of
IR [9], obesity [10] and MS [11]. These indexes have
INTRODUCTION managed to discriminate between each of the populations used
Obesity, metabolic syndrome (MS) and insulin resistance to their design.
(IR) are diseases related to lifestyle, they have become a social On the other hand, investigations have been revealed that
and public health problem [1]. MS is a condition characterized Heart Rate Variability (HRV) parameters can discriminate
by: Dyslipidemia, abdominal obesity, high levels in blood between diabetic subjects and control [12], significant
glucose and arterial hypertension [2]. There are numerous differences were also found between subjects with MS and
diagnostic criteria for MS. The most widely used is the control in the high normalized frequencies [13], however, until
diagnostic criteria of the National Cholesterol Education now the design of HRV parameters combination indexes for
Program-Adult Treatment Panel III (NCEP-ATPIII) [2] and its diagnosis of obesity and insulin resistance has not been
revised version [3]. investigated.
978-1-5386-3894-1/17/$31.00 ©2017 IEEE

71
TABLE I. CHARACTERISTICS OF THE DATA BASE.
MS subjects MS subjects
Obesity subjects
Total Data Base Controlb IR subjects according to according to NCEP-
Characteristics BMI≥25 p-valuea
(n=40) (n=21) (n=8) NCEP-ATPIII ATPIII revised
(n=18)
(n=14) version (n=15)
30.88±7.18c 30.95±7.74 30.75±6.54 31.28±6.57 32.31±6.38 31.93±6.13
Age (years) [18.00-47.00]d [18.00-47.00] [18.00-40.00] [18.00-44.00] [22.00-44.00] [22.00-44.00] 9.87E-01
[28.65-33.10]e [27.64-34.26] [26.22-35.28] [28.24-34.31] [28.84-35.78] [28.83-35.04]
45.88±9.02 48.29±9.92 42.00±4.44 42.56 ±6.86 42.15±8.08 42.13±7.63
HDL (mg/dL) [32.00-70.00] [32.00-70.00] [37.00-48.00] [32.00-57.00] [32.00-57.00] [32.00-57.00] 1.77E-01
[43.08-48.67] [44.04-52.53] [38.92-45.08] [39.39-45.73] [37.76-46.55] [38.27-46.00]
80.79±24.90 62.91±7.42 112.49±24.75 102.78±20.63 104.49±24.63 104.03±23.53
Weight (Kg) [47.50-159.00] [47.50-76.00] [86.20-159.00] [73.60-159.00] [60.20-159.00] [60.20-159.00] 2.51E-08
[73.07-88.50] [59.74-66.09] [95.34-129.64] [93.25-112.31] [91.10-117.88] [92.12-115.94]
26.52±7.60 20.87±1.34 36.18±6.62 33.36±6.35 34.13±7.14 33.88±6.92
BMI (Kg/m2) [18.17-48.53] [18.17-23.20] [29.83-48.53] [25.32-48.53] [22.11-48.53] [22.11-48.53] 2.51E-08
[24.16-28.87] [20.29-21.44] [31.59-40.77] [30.42-36.29] [30.24-38.01] [30.38-37.39]
1.74±0.07 1.73±0.08 1.76 0.06 1.76±0.06 1.75-0.07 1.75±0.07
Height (m) [1.55-1.86] [1.55-1.86] [1.70-1.86] [1.60-1.86] [1.60-1.86] [1.60-1.86] 9.79E-01
[1.72-1.76] [1.70-1.77] [1.72-1.80] [1.73-1.78] [1.71-1.78] [1.72-1.78]
131.93±97.40 71,29±40,33 239.25±70.64 200.22±101.26 234.46±91.25 227.53±87.99
Triglycerides
[36.00-448.00] [36,00-219,00] [167.00-351.00] [58.00-448.00] [124.00-448.00] [124.00-448.00] 1.20E-07
(mg/dL)
[101.74-162.11] [54,04-88,54] [190.30-288.20] [153.44-247.00] [184.86-284.07] [183.01-272.06]
Abdominal 90.89±22.48 74.66±6.18 119.53±20.15 110.59±19.15 113.22±20.22 112.85±20.00
Circumference [66.60-161.00] [66.60-89.00] [103.70-161.00] [77.70-161.00] [77.00-161.00] [77,00-161.00] 1.43E-08
(cm) [83.92-97.86] [72.02-77.31] [105.56-133.49] [101.75-119.44] [102.22-124.21] [102.73-122.98]
a
Statistically significant difference if p-value <0.01. Significant differences among all groups (Control, RI, obesity, MS according to NCEP-ATPIII (2), MS according to NCEP-ATPIII revised version (3)).
b
Control subjects are those who do not belong to any of the groups with pathology.
c
Average and standard deviation.
d
Maximum and minimum value.
e
95% confidence interval.
The methods that have been used for the design of METHODOLOGY
diagnostic indexes are varied. Among them, there is factorial
analysis, which extracts from experimental data, relationships Data Base
between categorical and numerical variables and from that In 2009, 40 adult males between 18 and 45 years old
information, the variables to be used are selected [9]. On the without diabetes were enrolled in the DID-USB project called:
other hand, regression analysis is also used to observe the Electrocardiographic study of cardiac neuropathy in the
nature of the relationships between variables [9]. Dimensional metabolic syndrome [17]. Each subject underwent hematology,
Analysis (DA) is another method that has been used to lipid profile, anthropometric measures (height, weight, waist
establish relations between variables; this provides a circumference, BMI), oral glucose tolerance test (OGTT) from
methodology to create dimensionless parameters from basic- five blood samples and electrocardiographic signals from 15
forming physical magnitudes [14]. The applications of DA in minutes duration, before every blood sample were taken. Every
science and engineering are wide, including astrophysics, data base’s subject was diagnosed of metabolic syndrome
electromagnetic theory, mass transfer, fluid mechanics, according to NCEP-ATPIII [2] and NCEP-ATPIII revised
economics and even in the social sciences [15]; however, their version [3], IR according to HOMA-IR and obesity according
use in physiology is limited [16]. In this work the use of DA to BMI. In this way the diagnostic vectors of MS (VMS), IR
intents to provide a form to the index that brings useful (VIR) and obesity (VOB) were constructed. The characteristics
information. DA transforms the physical variables into a of data base are showed in table I.
dimensionless variable that can be used to find empirical
functions in association with other dimensionless variables. Dimentional Analysis
The aim of the study is to find a dimensionless index that The DA is a tool that allows simplifying the study of the
could discriminate three related pathologies: Obesity, MS and phenomena in which the physical magnitudes are involved in
IR, using HRV parameters. A dimensional analysis using π the form of independent variables. The result of the DA is the
Vaschy-Buckingham theorem was performed to construct the replacement of an original set of input variables that have
dimensionless indexes, and finally to evaluate the performance physical dimensions by a smaller number of dimensionless
of each index Receiver Operating Characteristic (ROC) curves input variables. The DA is possible due to the π Vaschy-
were carried out. In the next section the methodological Buckingham theorem.
procedure will be explained. In section three and four, results The π Vaschy-Buckingham theorem states that if there is a
and discussion will be presented. And finally, in section five, function that reflects the relationship between n variables with
the conclusions and future works proposals will be presented. basic physical quantities; it is possible to express those
variables in terms of k dimensionally independent magnitudes.
72
TABLE II. HRV PARAMETERS MEASUREMENTS FOR EACH PATHOLOGY.
MS subjects MS subjects
Obesity subjects
HRV Total Data Base Controlb IR subjects according to according to NCEP-
BMI≥25 p-valuea
Parameters (n=40) (n=21) (n=8) NCEP-ATPIII ATPIII revised
(n=18)
(n=14) version (n=15)
981.19±175.31c 1072.22±158.38 857.00±148.79 882.21±139.26 874.04±123.88 870.75±116.99
RR (ms) [637.14-1329.89]d [651.04-1329.89] [637.14-1108.05] [637.14-1163.39] [637.14-1108.05] [637.14-1108.05] 1.41E-04
[926.86-1035.52]e [1004.48-1139.96] [753.90-960.11] [817.87-946.54] [806.70-941.39] [811.55-929.95]
74.08±35.00 86.02±41.47 57.69±17.70 61.35±20.29 61.63±20.37 60.53±19.23
SD (ms) [30.74-166.52] [33.49-166.52] [30.74-77.70] [30.74-99.20] [30.74-99.20] [30.74-99.20] 2.32E-01
[63.23-84.92] [68.28-103.75] [45.43-69.96] [51.97-70.72] [50.56-72.70] [50.80-70.26]
53.82±38.36 64.14±46.91 42.42±20.50 42.80±22.51 44.05±20.99 41.81±20.31
RMSSD
[13.00-179.65] [17.98-179.65] [13.00-71.28] [13.00-87.03] [13.00-76.04] [13.00-76.04] 6.51E-01
(ms)
[41.93-65.70] [44.08-84.21] [28.22-56.63] [32.40-53.20] [32.64-55.46] [31.53-52.09]
10.87±10.87 14.19±13.39 6.23±4.70 7.35±5.59 7.75±6.45 7.32±6.08
LF x 105
[0.89-58.93] [0.89-58.93] [1.30-16.55] [1.30-24.47] [1.30-24.47] [1.30-24.47] 4.05E-01
(ms2)
[7.50-14.24] [8.46-19.91] [2.98-9.48] [4.77-9.93] [4.25-11.26] [4.24-10.40]
6.35±10.02 8.42±12.90 3.63±2.68 4.18±4.82 3.92±3.37 3.58±3.25
HF x 105
[0.32-46.59] [0.32-46.59] [0.44-7.98] [0.44-19.11] [0.44-11.91] [0.44-11.91] 9.54E-01
(ms2)
[3.25-9.46] [2.90-13.93] [1.77-5.49] [1.95-6.41] [2.10-5.76] [1.93-5.22]
f
Statistically significant difference if p-value <0.01. Significant differences among all groups (Control, IR, obesity, MS according to NCEP-ATPIII (2), MS according to NCEP-ATPIII revised version (3)).
g
h
i
j
Therefore, the original function can be expressed, in an evaluate each cut-off point of the DVI vector, the true
equivalent way, as a function of n-k dimensionless numbers positives (TP), false positives (FP), true negatives (TN) and
constructed from the original variables, which will be false negatives (FN) were established. Sensitivity (SEN)
variables of the new function. The π Vaschy-Buckingham specificity (ESP), positive predictive value (PPV) and
theorem provides a method for constructing dimensionless negative predictive value (NPV) were calculated for each
parameters, even when the original function is unknown [18, value of the DVI vector. Equations (4), (5), (6) and (7)
19]. describe the performance measurements.
In other words, if we have a function that reflects the
relation between variables, that we will call Vi, where i=1: n;
then there must be a function f such that:
If the variables Vi are expressed in terms of k independent

physical units (mass, length and time), then Equation 1 can be
expressed as:
With the sensitivity and specificity of each DVI point,

ROC curves were constructed, as well as the AUC,
where: C1,C2,...,Cn, are exponents with the condition that considering an AUC greater or equal to 0.75 as an acceptable
each number πj satisfies the dimensionless criterion. predictive value [20]. The optimal cut-off point was defined as
the shortest distance between the ROC curve and the point
Performance Measurements [0,1] of the ROC curve plot.
To assess the index ability for detection, the ROC curves
Heart Rate Variability
analysis was performed. The ROC curves and the area under
the ROC curve (AUC) were calculated in order to measure the Measurement of HRV is the oscillation during the interval
accuracy and to determine the optimal cut off point for between consecutive heartbeats or RR interval; this is an
diagnosis in each index, respectively. To construct and established quantitative method, which allows the assessment
analyze the ROC curves, the indexes were determined for each of cardiac autonomic activity through the spectral HRV study.
subjects and the construction of the index result vector (RV) Based on HRV values, it can be evaluated the autonomic
were performed. The minimum and maximum of the RV were nervous system and its fluctuations, and thereby also
obtained, and the diagnostic vector index (DVI) was cardiovascular disorders and diabetes, [21].
determined with numbers equitably spaced between the
minimum and maximum RV values. From the RR interval series, SD and RMSSD were
calculated in the time domain, and the HF and LF in frequency
Each DVI value was taken as the cut-off point, and was domain. All calculations and algorithms performed were
evaluated by comparing with VOB, VIR and VMS. To
73
implemented and executed in MATLAB® software version We proceed to solve the equation (8) for C1 (see equation
R2015a. (9)), with which we obtained the exponents corresponding to
the dimensionless monomials to be created.
To uniform the RR sampled series, they were resampled at
2Hz. Then, the temporal domain parameters (SD and
RMSSD), and the frequency domain parameters (LF and HF),
were estimated. Frequency domain parameters were calculated The equation 9 is solved in four ways (as showed in table
using the autoregressive Burg’s algorithm. IV), where in each case HF, LF, RR and SD exponents are
defined as unit values [15]:
Statistical Analysis
 Case 1; which would correspond to π1, where C2=1,
Non-paired samples were handled with a different C3=0, C4=0 and C5=0. Thus, C1= -2.
distribution than normal, so to determine the differences  Case 2; which would correspond to π2, where C2=0,
between groups of two, the non-parametric Mann-Whitney U C3=1, C4=0 and C5=0. Thus, C1= -2.
test was used, and between groups of three or more were used  Case 3; which would correspond to π3, where C2=0,
the non-parametric statistical test of Kruskal Wallis, a p-value C3=0, C4=1 and C5=0. Thus, C1= -1.
less than 0.01 was considered statistically significant [22]. The  Case 4; which would correspond to π4, where C2=0,
data in the text and in the tables are presented as values of C3=0, C4=0 and C5=1. Thus, C1= -1.
mean and standard deviation, minimum and maximum values TABLE IV. DIMENSIONLESS INDEXES EXPONENTS.
and 95% confidence interval.
Exponents C1 C2 C3 C4 C5
RESULTS
π1 -2 1 0 0 0
Heart Rate Variability Parameters
π2 -2 0 1 0 0
Table II presents the frequency and time domain
parameters of HRV for the general database, control subjects, π3 -1 0 0 1 0
obese subjects, IR subjects and subjects with MS according to π4 -1 0 0 0 1
NCEP-ATPIII and its revised version. p-values were found
between groups, and significant differences were not found
between groups for SD, RMSSD, LF and HF, only were found The same proceeding was followed using HF, LF, RR and
for the RR interval. RMSSD with unitary exponent where π5, π6 and π7 (Table V)
were found.
Dimensional Analysis
TABLE V. DIMENSIONLESS INDEXES.
The RMSSD, SD, LF, RR and HF were the variables (Vi)
used to structure the dimensionless monomials [15]. To build Index Dimensionless index
dimensionless monomials (πj), the variables (n=5) are π1
expressed in their corresponding basic physical units (k): Mass
(Kg), Length (m) and Time (s) as shown in table III. Due the π2
fact that variables units are only time units, the physical units
Mass and Length are not used to perform this dimensional π3
analysis, therefore k=1 [15]. The amount of possible
monomials, according to the π Vaschy-Buckingham theorem, π4
is defined as n-k; which in this case is 4. The exponents of the
variables are found following the procedure explained in [15]. π5
TABLE III. VARIABLES EXPONENTS. π6

Exponents C1 C2 C3 C4 C5
π7
Variables V1=RMSSD V2=HF V3=LF V4=RR V5=SD
Units s s2 s2 s s
ROC Curves
Mass (Kg) 0 0 0 0 0
Length (m) 0 0 0 0 0
Figure 1 shows the ROC curves of each dimensionless
number designed in the previous section, for obesity, IR and
Time (s) 1 2 2 1 1 MS. Table VI shows the AUC as well as the sensitivity,
specificity, positive predictive value and negative predictive
value for the optimal detection cut-off point, which were
The equation corresponds to ∑Time=0 is showed in found to measure the performance of dimensionless numbers
equation (8). as classifiers of subjects with obesity, IR and MS. Both,
figure1 and table VI reported the dimensionless numbers that
presented an AUC above 0.5.
74
TABLE VI. SEN, ESP, PPV, NPV FOR THE BEST CUT-OFF POINT IN EACH PATHOLOGY DIAGNOSIS OF THE BEST PERFORMANCE DIMENSIONALESS NUMBERS.
Dimensionless
Pathology AUC Cut-off Point SEN SPE PPV NPV
indexa
0.6994±0.0029b
π1 [0.6969-0.7019]c
159.05 0.69 0.78 0.60 0.84
MS Diagnosis 0.6172±0.0014
according to π5 [0.6160-0.6184]
66.33 0.77 0.59 0.48 0.84
NCEP-ATPIII
0.5402±0.0014
π6 [0.5390-0.5414]
161.83 0.62 0.56 0.40 0.75
0.7240±0.0027
MS Diagnosis
π1 [0.7217-0.7263]
150.95 0.73 0.76 0.65 0.83
according to 0.5670±0.0013
NCEP-ATPIII revised
π5 [0.5659-0.5681]
66.33 0.73 0.60 0.52 0.79
version 0.5340±0.0008
π6 [0.5333-0.5347]
161.83 0.60 0.56 0.45 0.70
0.7603±0.0029
π1 [0.7577-0.7628]
176.35 0.75 0.81 0.50 0.93
0.6699±0.0016
IR Diagnosis π5 [0.6685-0.6713]
92.33 0.63 0.78 0.42 0.89
0.5122±0.0010
π6 [0.5114-0.5131]
161.83 0.63 0.53 0.25 0.85
0.7614±0.0025
π1 [0.7592-0.7636]
150.95 0.72 0.82 0.76 0.78
0.5556±0.0031
Obesity diagnosis π5 [0.5528-0.5583]
58.33 0.67 0.55 0.55 0.67
0.5739±0.0007
π6 [0.5732-0.5745]
182.83 0.50 0.77 0.64 0.65
a
Only dimensionless numbers with the best AUC, SEN, SPE, PPV and NPV were reported in this table.
b
c
MS Diagnosis according to NCEP-ATPIII
MS Diagnosis according to NCEP-ATPIII revised version
IR Diagnosis according to HOMA-IR Obesity Diagnosis according to BMI
1 1 1 1
0.8 0.8 0.8 0.8

Sensibility
Sensibility
Sensibility
Sensibility
0.6 0.6 0.6 0.6
0.4 1 0.4 1 1 1
0.4 0.4
5 5 5 5
0.2 0.2 0.2 0.2
6 6 6 6
0 0 0 0
0 0.5 1 0 0.5 1 0 0.5 1 0 0.5 1
1-Specificity 1-Specificity 1-Specificity 1-Specificity
(a) (b) (c) (d)

Fig. 1. ROC Curve for each dimensionless number. (a) MS diagnosis according to NCEP-ATPIII; (b) MS diagnosis according to NCEP-ATPIII revised
version; (c) IR diagnosis according to HOMA-IR and (d) Obesity diagnosis according BMI. Only dimensionless numbers with the best AUC, SEN, SPE, PPV
and NPV were graphed in this figure.
DISCUSSION obesity. The AUC values for IR and obesity are higher than
0.75, which makes π1 an acceptable test for the classification
Table II shows that there were only significant differences of these pathologies, with a sensitivity and specificity greater
between groups in the RR interval. The control subjects had a than 0.7 at the optimal cut-off point indicating diagnosis of IR
significantly higher RR interval in relation to subjects with MS, with a π1 greater than 176.35 and a π1 greater than 150.95 for
IR and obesity. Frequency parameters (LF and HF) and the diagnosis of obesity.
temporal parameters (SD and RMSSD) did not show
significant differences between groups, it suggest that these The optimum point for obesity ROC curve in π1 number
parameters, by themselves, are not able to discriminate has the highest positive predictive value (0.76) in relation to
between groups. the other pathologies, indicating that the number π 1 predicts
better the probability of having the disease. On the other hand,
In the dimensional analysis, seven possible dimensionless the optimum point for IR curve in the π1 and π5 numbers have
numbers were obtained with the five variables used. The the best negative predictive value (0.96 and 0.89), indicating
dimensionless number π1 obtained the best perform as that these numbers predict better the probability of not having
classifier for obesity, IR and MS; with an AUC of 0.6994 for the disease.
MS according to NCEP-ATPIII, 0.7240 for MS according to
NCEP-ATP-III revised version, 0.7603 for IR and 0.7614 for
75
The number π1 presents a lower cut-off point for obesity Statement. AHA/NHLBI Scientific Statement”. Circulation, vol. 112,
compared to the other pathologies (Table VI). This shows that pp. 2735-2752, 2005.
individuals with IR and MS have a higher probability to [4] N. Friedrich, B. Thuesen, T. Jorgensen, A. Juul, C. Spielhagen, H.
Wallaschofksi and A. Linneberg, “The Association Between IGF-I and
become obese. On the other hand, it can be observed that for Insulin Resistance A general population study in Danish adults”,
MS (according to NCEP-ATPIII revised version) and obesity, Diabetes Care,. vol. 35, no. 4, pp. 768-773, 2012.
the cut-off point is the same (π1>150.95), in the same way the [5] Keys, F. Fidanza and M. Karvonen, “Indices of relative weight and
cut-off point for IR is closer to the MS (according to NCEP- adiposity”. J Chronic Dis, vol. 25, pp. 329-343, 1972.
ATPIII) cut-off point, π1>176.35 and π1>159.05, respectively. [6] Report of a WHO Expert Consultation, “Waist Circumference and
These findings suggest that when the diagnosis of IR and MS Waist–Hip Ratio”, WHO Geneva, 2008.
is made, obesity is also indirectly being diagnosed. [7] R. Muniyappa, S. Lee, H. Chen and M. J. Quon, “Current approaches
for assessing insulin sensitivity and resistance in vivo: advantages,
It is interesting to note that π1 is made by the frequency limitations, and appropriate usage”, Am J Physiol Endocrinol Metab,
parameter HF and the temporal parameter RMSSD. Both vol. 294, no. 1, pp. E15–E26, 2008.
parameters did not present significant differences between [8] P. Kok, J.C. Seidell and A.E. Meinders, “The value and limitations of
groups (Table II), however, when they are used in the body mass index (BMI) in the assessment of the health risks of
combination, results in an index that can diagnose obesity, MS overweight and obesity”, Ned Tijdschr Geneeskd, vol. 148, no. 48, pp.
2379-82, 2004.
and IR.
[9] J. Velásquez, S. Wong, L. Encalada, H. Herrera and E. Severeyn,
“Lipid-anthropometric index optimization for insulin sensitivity
CONCLUSIONS estimation”. Proceedings of SPIE - The International Society for
In this paper cut-off values for the diagnosis of obesity, Optical Engineering, pp. 96810R1-96810R10, 2015.
metabolic syndrome and insulin resistance from seven [10] E. Akpinar, I. Bashan, N. Bozdemir and E. Saatci, “Which is the best
dimensionless numbers constructed with parameters of heart anthropometric technique to identify obesity: body mass index, waist
circumference or waist-hip ratio?”. Collegium antropologicum, vol. 31,
rate variability were proposed. For this, measures of no 2, pp.387-393, 2007.
performance (sensitivity, specificity, positive predictive value
[11] G. Sagun, A. Oguz, E. Karagoz, A. T. Filizer, G. Tamer and B. Mesci,
and negative predictive value) were found for the optimal cut- “Application of alternative anthropometric measurements to predict
off value, as well as ROC curves. metabolic syndrome”, Clinics, vol. 69, no. 5, pp. 347-353. 2014.
[12] L. Quintero, S. Wong, R. Parra, J. Cruz, N. Antepara, D. Almeida, F.
The dimensionless number π1 presented better Ng and G. Passariello, “Stress ECG and Laboratory Database for the
performance in the detection of subjects with IR, obesity and Assessment of Diabetic Cardiovascular Autonomic Neuropathy” . IEEE
MS. π1 has HF and RMSSD as variables, these variables did EMBS, 29th Annual International Conference. Lyon, Francia. pp. 4339
not show significant differences between the study groups, – 4342, 2007.
however, their combination resulted in a index with an [13] E. Severeyn, S. Wong, G. Passariello, J. L. Cevallos, and D. Almeida,
acceptable detection capacity in the three pathologies. “Methodology for the study of metabolic syndrome by heart rate
variability and insulin sensitivity”, Revista Brasileira de Engenharia
The variables using the dimensionless number π1 are Biomédica, vol. 28, no. 3, pp. 272–277, 2012.
calculated from the electrocardiographic signal; which makes [14] A.A. Sonin, “A generalization of the π theorem and dimensional
it a simple method that allows diagnosing three pathologies analysis”. PNAS. vol. 101, no. 23, pp. 8525–8526. 2004.
from a non-invasive test such as the electrocardiogram. This [15] W. Stahl, “Dimensional Analysis in Mathematical Biology”, Bulletin of
Mathematical Biophysics, vol. 23, pp. 355-376, 1961.
research used a database of 40 subjects, it is necessary to
implement the methodology in an extensive database to [16] B. Günther and B. León, “An invariant and dimensionless number,
which characterizes respiratory, haematic, circulatory and metabolic
corroborate the conclusions and validate the cut-off points functions in mammals”. Arch. Biol. Med. Exper, vol. 3, pp. 1-6, 1966.
obtained in this study. [17] E. Severeyn, S. Wong, H. Herrera and M. Altuve, “Anthropometric
measurements for assessing insulin sensitivity on patients with
ACKNOWLEDGMENT metabolic syndrome, sedentaries and marathoners”. 37th Annual
This work was funded by the Research Department of the International Conference of the IEEE, pp. 4423-4426, 2015.
University of Cuenca (DIUC) and the Research and [18] L. Rayleigh, “The principles of similitude”, Nature, vol. 95, pp. 66-68,
Development Deanery of the Simón Bolívar University (DID). 1915.
[19] J. Bertrand, “Sur l'homogénéité dans les formules de physique”.
REFERENCES Comptes Rendus, vol. 15, pp. 916-920. 1878.
[20] J. Reitsma, A. Glasa, A. Rutjesa, R. Scholten, P. Bossuyta and A.
[1] P. Zimmet and G. Alberti, “Una nueva definición mundial del síndrome
Zwindermana, “Bivariate analysis of sensitivity and specificity
metabólico por la federación internacional de diabetes: fundamento y
produces informative summary measures in diagnostic reviews”,
resultados”, Rev. Esp. Cardiol, vol. 58, no. 12, pp. 1371-1376, 2005.
Journal of Clinical Epidemiology, vol. 58, pp. 982-990, 2005.
[2] National Cholesterol Education Program (NCEP) Expert Panel on
[21] H. Chan, L. Ming-An, C. Pei-Kuang and L. Chun-Hsien, “Correlates of
Detection, Evaluation, and Treatment of High Blood Cholesterol in
the shift in heart rate variability with postures and walking by time–
Adults (Adult Treatment Panel III), “Third Report of the National
frequency analysis”, Computer Methods and Programs in Biomedicine.
Cholesterol Education Program Expert Panel on Detection, Evaluation,
vol. 86, pp. 124-130, 2007.
and Treatment of High Blood Cholesterol in Adults final report”,
Circulation, vol. 106, no. 25, pp. 3143-421, 2002. [22] M. Marusteri and V. Bacarea, “Comparing groups for statistical
differences: how to choose the right statistical test?”, Biochemia
[3] S. Grundy, J. Cleeman, D. Stephen, K. Donato, R. Eckel, F. Barry, D.J.
Medica vol. 20,no. 1, pp. 15-32, 2010.
Gordon, R. Krauss, P. Savage, S. Smith, J. Spertus and F. Costa,
“Diagnosis and Management of the Metabolic Syndrome An American
Heart Association/National Heart, Lung, and Blood Institute Scientific
MASKANA, CEDIA 2017
Análisis dimensional de variables antropométricas y bioquímicas para

diagnosticar el síndrome metabólico
Jesús Velásquez1,5, Héctor Herrera2,5, Lorena Encalada3, Sara Wong4,5, Erika Severeyn2,5
1
Departamento de Termodinámica y Transferencia de Calor, Universidad Simón Bolívar, Valle de
sartenejas-Baruta, Caracas, Venezuela, 89000.
2
Departamento de Tecnología de Procesos Biológicos y Bioquímicos, Universidad Simón Bolívar,
Valle de sartenejas-Baruta, Caracas, Venezuela, 89000.
3
Facultad de Ciencias Médicas, Universidad de Cuenca, Av. 12 de Abril y Agustín Cueva, Cuenca,
Ecuador, 010201.
4
Departamento de Ingeniería Eléctrica, Electrónica y Telecomunicaciones, Universidad de Cuenca,
Av. 12 de Abril y Agustín Cueva, Cuenca, Ecuador, 010201.
5
Grupo de Bioingeniería y Biofísica Aplicada, Universidad Simón Bolívar, Valle de sartenejas-
Baruta, Caracas, Venezuela, 89000.
Autores para correspondencia: {jmvelasquezf, haherrera, severeynerika, swong}@usb.ve,

lorena.encalada@ucuenca.edu.ec
Fecha de recepción: 17 de mayo 2017 - Fecha de aceptación: 12de julio 2017
ABSTRACT
Metabolic syndrome (MS) is a lifestyle-related condition, and it is linked to the development of
diabetes and cardiovascular disease. There are numerous diagnostic criteria of MS, the most used is
the diagnostic criterion according to NCEP-ATPIII. Although studies using body mass index and
abdominal circumference have been performed to establish a cutoff point for the diagnosis of MS,
there is no general index that establishes a cut-off point for this pathology diagnosis. The objective of
this study is to propose a dimensionless index that can discriminate subjects with MS using
biochemical variables (HDL, triglycerides) and anthropometric variables (weight, height, waist
circumference). Three dimensionless indexes were designed and evaluated from the data obtained
from the integration of three databases (n=829 subjects). By means of a simple correspondence
analysis of the variables and a dimensional analysis based on the π Vaschy-Buckingham theorem,
three dimensionless indexes were constructed: π1, π2 and π3. Performance was assessed using ROC
curves. The index π1, constructed with the variables: Abdominal circumference, triglycerides, weight
and height; was the one that obtained a better performance as classifier of MS, presenting an area
under the ROC curve of 0.86, a sensitivity and specificity greater than 0.7 and an optimum detection
point for the diagnosis of MS of π1<104.87. The π1 dimensionless index designed in this study is a
simple method, which requires fewer variables than the NCEP-ATPIII criterion, to diagnose MS.
Keywords: Dimensional analysis, simple correspondence analysis, theorem π of Vaschy-Buckingham,

metabolic syndrome, medical database, ROC curves.
RESUMEN
El síndrome metabólico (SM) es una condición relacionada con el estilo de vida, y está vinculado al
desarrollo de la diabetes y de enfermedades cardiovasculares. Existen numerosos criterios de
diagnósticos del SM, el más usado es el criterio de diagnóstico según el NCEP-ATPIII. Aunque se han
realizado estudios que usan el índice de masa corporal y la circunferencia abdominal para establecer
un punto de corte para el diagnóstico del SM, no existe un índice general que establezca un punto de
corte para esta patología. El objetivo de este estudio es proponer un índice adimensional que pueda
discriminar sujetos con SM utilizando variables bioquímicas (HDL, triglicéridos) y antropométricas
TIC.EC Track Científico 57

77
MASKANA, CEDIA 2017
(peso, altura, circunferencia abdominal). Se diseñaron y evaluaron tres índices adimensionales a partir
de los datos obtenidos de la integración de tres bases de datos (n=829 sujetos). Mediante un análisis de
correspondencia simple de las variables y un análisis dimensional basado en el teorema π de Vaschy-
Buckingham se construyeron tres índices adimensionales: π1, π2 y π3. El desempeño fue evaluado
usando curvas ROC. El índice π1 construido con las variables: circunferencia abdominal, triglicéridos,
peso y altura; fue el que obtuvo un mejor desempeño como clasificador del SM, presentando un área
bajo la curva ROC de 0.86, una sensibilidad y especificidad mayor de 0.7 y un punto de detección
óptimo para el diagnóstico de SM de π1<104.87. El índice adimensional π1 diseñado en este estudio es
un método simple, que requiere de menos variables que el criterio de la NCEP-ATPIII, para
diagnosticar el SM.
Palabras clave: Análisis dimensional, análisis de correspondencias simples, teorema π de Vaschy-

Buckingham, síndrome metabólico, bases de datos médicas, curvas ROC.
1. INTRODUCCIÓN
El síndrome metabólico (SM) es una condición relacionada con el estilo de vida, y se ha convertido en
un problema social y de salud pública (Zimmet et al., 2005), que afecta a más del 20% de la población
adulta de los Estados Unidos (Beltrán et al., 2013), China (Xi et al., 2013), Europa (Vishram et al.,
2014) y los países en desarrollo (Prasad et al., 2012). El SM es una condición caracterizada por,
dislipidemia, obesidad abdominal, altos niveles de glucosa en sangre e hipertensión arterial (Zimmet et
al., 2005). El SM está relacionado con el desarrollo de diabetes y enfermedades cardiovasculares.
Existen numerosos criterios de diagnósticos del SM. El que más se usa es el criterio de diagnóstico del
según el National Cholesterol Education Program-Adult Treatment Panel III (NCEP-ATPIII, 2002 &
Grundy et al., 2005). Por otro lado, se ha empleado el HOMA-IR (índice utilizado para el diagnóstico
de la resistencia a la insulina) para establecer el diagnóstico del SM (Motamed et al., 2016),
igualmente trabajos han determinado puntos de corte de la circunferencia abdominal y del índice de
masa corporal (IMC) para el diagnostico del SM (Gozashti et al., 2014 & Worachartcheewan et al.
2012). Sin embargo, no existe, un índice general que establezca un punto de corte para el diagnóstico
del SM.
Los métodos que se han usado para el diseño de estos índices son muy variados. Entre los métodos se
encuentran el análisis factorial, en donde a partir de data experimental se pueden establecer relaciones
entre variables categóricas y numéricas, y de esta manera se diseña a partir de esa información la
forma del índice y las variables que lo conformarán (Velásquez et al., 2015). Por otro lado, también se
usa el análisis de la regresión, para observar la naturaleza de las relaciones entre variables (Velásquez
et al., 2015). El análisis dimensional (AD) es otro método que se ha usado para establecer relaciones
entre variables, este método consiste en construir parámetros adimensionales a partir de magnitudes
físicas establecidas (Sonin, 2004). Las aplicaciones del AD en ciencia e ingeniería son muchas,
incluyendo la astrofísica, teoría electromagnética, transferencia de masa, mecánica de fluidos,
economía e incluso en las ciencias sociales (Sonin, 2004), sin embargo, su uso en fisiología es
limitado (Stahl, 1961 & Günther et al., 1966).
El objetivo del estudio es encontrar un índice adimensional que pueda discriminar sujetos con SM
utilizando variables bioquímicas y antropométricas. Para esto, se integró una base de datos compuesta
por tres bases de datos, una base de datos recolectada en la Universidad de Cuenca en Ecuador (Parra
et al., 2015) y dos bases de datos recolectadas en la Universidad Simón Bolívar en Venezuela
(Severeyn et al., 2015 & Herrera et al., 2003). A partir de estas bases de datos, se realizó un análisis de
correspondencias simples para elegir las variables más relacionadas con el SM, luego se efectuó un
análisis dimensional utilizando el teorema π de Vaschy-Buckingham para diseñar los índices
adimensionales y finalmente para evaluar el desempeño de los índices adimensionales se construyeron
las curvas ROC.
78
MASKANA, CEDIA 2017
En la siguiente sección se explicará el procedimiento metodológico. En la sección tres, se presentarán

los resultados y la discusión. Y finalmente, en la sección cuatro, se mostrarán las conclusiones y
propuestas de trabajos futuros.
2. MATERIALES Y MÉTODOS
En esta sección presentamos la base de datos (sección 2.1) y la metodología en tres etapas: Análisis de
correspondencia simple (sección 2.2), análisis dimensional (sección 2.3) y medidas de desempeño
(sección 2.4).
2.1 Base de datos

iv) Base de datos 1 (n=120, masculino=42): En 2015, los adultos mayores de más de 65 años sin
diabetes fueron reclutados en el proyecto DIUC-PROMETEO denominado: Variabilidad de
la frecuencia cardíaca y La sensibilidad a la insulina en la población de edad avanzada de
Cuenca, Ecuador (Parra et al., 2015). A cada sujeto se realizó una hematología, un perfil
lipídico, medidas antropométricas (altura, peso, IMC, circunferencia abdominal), cuestionario
internacional de actividad física 2 (IPAQ) (Craig et al., 2003) y una prueba oral de tolerancia
a la glucosa (POTG).
v) Base de datos 2 (n=25, masculino=25): En 2009 se reclutaron adultos varones de entre 18 y
45 años sin diabetes en el proyecto DID-USB denominado: Estudio electrocardiográfico de la
neuropatía cardiaca en el síndrome metabólico (Severeyn et al., 2015). A cada sujeto se
realizó una hematología, un perfil lipídico, medidas antropométricas (altura, peso,
circunferencia abdominal, IMC) y la POTG.
vi) Base de datos 3 (n=684, masculino=260). Entre 2004 y 2012 (Herrera et al., 2003), hombres y
mujeres adultos de la capital del distrito capital de Venezuela fueron reclutados en el
laboratorio de Evaluación Nutricional de la Universidad Simón Bolívar. A cada sujeto se
realizó una hematología, un perfil lipídico, medidas antropométricas (altura, peso,
circunferencia abdominal, IMC), y mediciones de glucosa e insulina en ayunas.
El protocolo clínico de cada base de datos se adhirió a los principios de la Declaración de Helsinki y
fueron aprobados por el Comité de Bioética de la Facultad de Ciencias Médicas de la Universidad de
Cuenca en Ecuador (Base de datos 1); Universidad Simón Bolívar (Bases de datos 2 y 3).Todos los
sujetos dieron un consentimiento informado por escrito.
Tabla 1. Características de la base de datos según los sujetos Control y sujetos con SM.
Control (n=665) SM (n=164)
(n=398 femenino) (n=104 femenino)
Edad=59.94±20.16 años Edad=62.46±17.95 años
Variables Antropométricas Media STD Media STD
Peso (Kg) 64.94 15.07 77.31 19.39
Altura (cm) 159.18 10.23 157.65 12.16
Circunferencia Abdominal (cm) 86.53 12.21 99.34 13.02
2 2
IMC=Peso/Altura (Kg/m ) 25.53 4.99 30.87 5.92
Variables Bioquímicas Media STD Media STD
Triglicéridos (mg/dL) 115.11 67.42 193.64 83.20
HDL (mg/dL) 50.02 13.56 38.87 8.99
En total la base de datos consta de 829 sujetos, los cuales fueron clasificados en dos grupos Control y
con síndrome metabólico según el criterio de la NCEP-ATPIII. De esta forma se construyó el vector

79
MASKANA, CEDIA 2017
de diagnóstico de SM (VSM). La tabla 1 muestra las características de la base de datos total utilizada,
se presenta como promedio y desviación estándar de cada característica.
2.2 Análisis de correspondencia simple

Se realizó un análisis de correspondencia simple (ACS) para determinar las variables utilizadas en el
análisis de dimensiones. ACS es una técnica descriptiva que permite una representación simultánea de
variables e individuos en un mismo espacio; Construye un mapa y caracteriza las principales variables
resultantes de diferentes perfiles. Representación gráfica permite la percepción y la interpretación de
los datos en un espacio bidimensional, donde los ejes representan el porcentaje de las variables (Lebert
et al., 2000).
En el ACS realizado para este estudio, las variables numéricas fueron definidas por mediciones
bioquímicas y antropométricas tomadas de cada individuo. Por otra parte, las variables categóricas
representan la cantidad de individuos pertenecientes a cada categoría. Finalmente, los individuos son
los sujetos pertenecientes a cada grupo (Velásquez et al., 2015).
2.3 Análisis Dimensional

El AD es una herramienta que permite simplificar el estudio de los fenómenos en los que las
magnitudes físicas están involucradas en forma de variables independientes. El resultado del análisis
dimensional es la sustitución de un conjunto original de variables de entrada que tienen dimensiones
físicas por un número menor de variables de entrada adimensionales. El AD es posible gracias al
teorema π de Vaschy-Buckingham.
El teorema π de Vaschy-Buckingham establece que si tenemos una función que refleja la relación
existente entre n variables con magnitudes físicas básicas, es posible expresar esas variables en
términos de k magnitudes dimensionalmente independientes. Por lo tanto, la función original puede
expresarse, de manera equivalente, como una función de n-k números adimensionales construidos a
partir de las variables originales, que serán a su vez, variables de la nueva función. El teorema π de
Vaschy-Buckingham proporciona un método para construir parámetros adimensionales, incluso
cuando la función original es desconocida (Bertrand, 1878 & Rayleigh, 1915).
En otras palabras, si tenemos una función que refleja la relación entre variables que llamaremos Vi
donde i = 1: n; Entonces debe haber una función f tal que:
Si las variables Vi se expresan en términos de k unidades físicas independientes (masa, longitud y

tiempo), entonces la ecuación 1 puede expresarse como:
donde: C1, C2, ..., Cn, son exponentes con la condición de que cada número πj cumple el criterio de
adimensionalidad.
2.4 Medidas de desempeño

Para hallar la capacidad de detección del índice se hallaron las curvas ROC (Reitsma et al., 2005).
Para esto se halló el índice para cada uno de los sujetos construyéndose así el vector resultado del
índice (VR). Con el VR se halló el mínimo y el máximo de dicho vector y se construyó un vector
diagnóstico (VD) con números equitativamente espaciados entre el valor mínimo y el máximo del VR.

80
MASKANA, CEDIA 2017
Cada valor del VD se tomó como punto de corte, y se evaluó comparando con el VSM. Para la
evaluación de cada punto de corte del vector VD se obtuvo los verdaderos positivos (VP), falsos
positivos (FP), verdaderos negativos (VN) y los falsos negativos (FN). Luego se hallaron la
sensibilidad (SEN) y especificidad (ESP) para cada valor del vector VD (Reitsma et al., 2005).
Con la sensibilidad y la especificidad de cada punto de VD, se construyó las curvas ROC para cada
número adimensional. Así como también el área bajo la curva (ABC), considerándose un valor
predictivo aceptable aquel índice con un área bajo la curva mayor a 0.75.
Se halló el punto de corte óptimo aquel que presentaba la menor distancia entre la curva ROC y el
punto de detección óptima.
3. RESULTADOS Y DISCUSIÓN
En esta sección se explicaran y discutirán los resultados obtenidos en el ACS (sección 3.1). Así como
también el método para hallar los números adimensionales (sección 3.2) y finalmente la evaluación del
desempeño de los mismos (sección 3.3).
3.1 Análisis de correspondencia simple

En las tablas 2, 3 y 4, y en la figura 1, se puede observar el ACS realizado a la base de datos. La
nomenclatura utilizada en la figura 1 se muestra en la tabla 2. La Tabla 3 presenta las contribuciones
de las variables en el ACS. La tabla 4 muestra el porcentaje de la varianza total en los ejes.
En la figura 1, se puede observar que los ejes 1 y 2 pueden discriminar los entre los sujetos control
(nube morada) y los sujetos con SM (nube rosada), por tanto el peso, la altura, los triglicéridos y el
HDL, que son las variables con mayor contribución en los ejes 1 y 2, son las que más contribuyen a
esa distribución.
La edad, el IMC, la circunferencia abdominal, HDL y triglicéridos fueron tomados en cuenta en el
ACS como variables categóricas. Se pudo observar que aquellas variables que representan los valores
alterados de HDL, circunferencia abdominal, e IMC, están más relacionadas con el grupo con SM que
aquellas que representan valores normales de las mismas. Igualmente se puede observar que las
variables que representan las edades entre 18 y 75 años, están más relacionadas con el grupo con SM,
que las variables que representan edades mayores de 75 años y menores de 18 años.
Figura 1. Análisis de correspondencias simples de las variables bioquímicas y antropométricas
Por otro lado, los ejes 1, 2, 3 , 4 y 5 representan el 86,15% de la varianza total de los datos, por tanto,
la presión arterial sistólica, presión arterial diastólica y la circunferencia abdominal, también deben
tomarse en cuenta como variables importantes en la caracterización del SM.

81
MASKANA, CEDIA 2017
Tabla 2. Nomenclatura de las variables categóricas y numéricas utilizadas en el ACS
Variables Categóricas Nomenclatura Valores de corte

NT= Normal NT; TG<150mg/dL
Triglicéridos (TG)
IT= Alterado IT; TG>150mg/dL
NHDL=Normal HDL 60≥HDL≥40mg/dL
HDL
IHDL= Alterado HDL HDL<40mg/dL
NW= Peso normal IMC=18-25Kg/m2
OW=Sobrepeso IMC =25-29Kg/m2
IMC
OB=Obesidad IMC =30-39Kg/m2
MO=Obesidad mórbida IMC ≥40Kg/m2
Circunferencia Abdominal NWC=Normal Hombres por encima de 90 cm
(WC) (NCEP-ATPIII, 2002) IWC= Alterado Mujeres por encima de 80 cm
MA=Adolescencia media 18≥ Edad >15 años
YA=Adulto joven 35≥ Edad >18 años
MADU=Adulto maduro 60≥ Edad >35 años
Edad
AA=Edad avanzada 75≥ Edad >60 años
AN=Anciano 90≥ Edad >75 años
GL= Grandes longevos Edad >90 años
SM diagnosticado según NCEP-
SM=Sujetos con SM
Población ATPIII (NCEP-ATPIII, 2002 &
Control=Sujetos sin SM
Grundy et al., 2005)
Variables Numéricas* Nomenclatura
Altura H
Peso W
Presión arterial sistólica PAS
Presión arterial diastólica PAD
*Las variables numéricas de cada individuo se estandarizan antes de ser representados en el análisis de
correspondencias simples.
Tabla 3. Contribuciones de las variables en el ACS

Variable *
[%] [%] [%] [%] [%]
Peso 9.07 8.39 5.79 2.05 5.08
Altura 0.84 7.63 0.41 1.57 4.75
Circunferencia Abdominal 4.15 2.28 0.10 0.84 69.58
Triglicéridos 7.80 56.94 5.81 17.65 0.00
HDL 12.07 1.28 2.07 0.71 0.26
Presión arterial sistólica 1.96 0.38 6.29 2.12 0.86
Presión arterial diastólica 1.11 0.04 6.18 2.81 0.00
*Las variables que no presentaron contribuciones mayores a 2% en alguno de los ejes no fueron incluidas en la
tabla.
Tabla 4. Porcentaje de la varianza en los ejes
Porcentaje de la varianza Porcentaje de la varianza

Ejes
[%] acumulada [%]
1 27.38 27.38
2 19.77 47.15
3 17.31 64.46
4 12.63 77.09
5 9.06 86,15

82
MASKANA, CEDIA 2017
3.2 Análisis Dimensional

La circunferencia abdominal, altura, peso, presión arterial sistólica, presión arterial diastólica, HDL y
triglicéridos fueron las variables seleccionadas para la construcción de los monomios adimensionales
debido a que podían discriminar entre grupos en el ACS. El peso y la altura se multiplicaron y se
tomaron como una única variable (V1=H.W), con el fin de simplificar la cantidad de números
adimensionales, por tanto la cantidad de variables a tomar en cuenta es n=6.
Para formar los números adimensionales (πj), las variables (n = 6) se expresan en sus unidades físicas
correspondientes: Masa, Longitud y Tiempo (k = 3) como se muestra en la tabla 5 (Günther et al.,
1966). La cantidad de posibles monomios, de acuerdo con el Teorema π de Vaschy-Buckingham, se
define como n-k; que en este caso es 3. Los exponentes de las variables se hallan siguiendo el
procedimiento explicado en (Günther et al., 1966).
Tabla 5. Exponentes de las variables para cada variable.
Variables de cada exponente V1=H.W V2=WC V3=PAS V4=TG V5=HDL V6=PAD
Unidades Físicas Kg.m m Kg/m.s2 Kg/m3 Kg/m3 Kg/m.s2
Masa (Kg) 1 0 1 1 1 1
Longitud (m) 1 1 -1 -3 -3 -1
Tiempo (s) 0 0 -2 0 0 -2
Debido a que la suma de exponentes de cada unidad física debe ser cero, las ecuaciones 4, 5 y 6 se
plantean. Estas ecuaciones corresponden a ΣMasa=0; ΣLongitud=0 y ΣTiempo=0 respectivamente.
Se procede a despejar C1, C2 y C3 de las ecuaciones (4), (5) y (6) lo cual da como resultado las
ecuaciones (7), (8) y (9):
Con las ecuaciones 7, 8 y 9, se resuelve el sistema de ecuaciones tomando en cuenta tres casos, donde
se definen como valores unitarios los exponentes de triglicéridos (V4), HDL (V5) y presión arterial
diastólica (V6) (Günther, 1966):
 Caso 1; que correspondería a π1, donde C4=1, C5=0 y C6=0. Por tanto, C1=1, C2=4 y C3=0
 Caso 2; que correspondería a π2, donde C4=0, C5=1 y C6=0. Por tanto, C1=-1, C2=4 y C3=0
 Caso 3; que correspondería a π3, donde C4=0, C5=0 y C6=1. Por tanto, C1=0, C2=0 y C3=-1

83
MASKANA, CEDIA 2017
La tabla 6 muestra los exponentes de los índices adimensionales hallados para cada caso.
Tabla 6. Exponentes de las variables de los monomios adimensionales.
π1 -1 4 0 1 0 0
π2 -1 4 0 0 1 0
π3 0 0 -1 0 0 1
En la tabla 7 se presentan los números adimensionales finales, donde el peso se debe introducir en Kg,
la altura en metros, circunferencia abdominal en metros, los triglicéridos y el HDL en mg/dL, y la
presión arterial sistólica y diastólica en mmHg.
Tabla 7. Números adimensionales
Índice Número Adimensional
π1*
π2*
π3
*Los números adimensionales π1 y π2 se les agregó una constante que permitiera hacer la conversión de las
unidades del HDL de mg/dL a Kg/m3.Se usaron los inversos de los números π1 y π2 para mantener los valores de
los mismos mayores que cero.
3.3 Medidas de desempeño

En la figura 2 se presentan las curvas ROC de cada número adimensional hallado en la sección
anterior, así como también el área bajo la curva de cada uno de los números adimensionales. La tabla
8, muestra la sensibilidad y especificidad para el punto de corte de detección óptima, los cuales se
hallaron para medir el desempeño de los números adimensionales como clasificadores de sujetos con
SM.
Se ha empleado el HOMA-IR, circunferencia abdominal e IMC para el diagnostico del SM (Motamed
et al., 2016, Gozashti et al., 2014 & Worachartcheewan et al. 2012), en dichos estudios se utilizó como
metodología las curvas ROC, estableciéndose áreas bajo la curva entre 0.68 y 0.72. En este estudio, se
puede observar que el número π1, que es el que mejor desempeño tiene como clasificador del SM
(ABC=0.86), tiene un área bajo la curva significativamente mayor al área bajo la curva de los estudios
anteriormente mencionados, lo cual, lo convierte en un índice aceptable para la clasificación del
síndrome metabólico con una sensibilidad y especificidad mayor de 0.7 en el punto de corte óptimo
que indica diagnóstico de SM con un π1 menor que 104.87.
El número π1 tiene como variables: El peso, la altura, la circunferencia abdominal y los triglicéridos.
Tanto la circunferencia abdominal como los triglicéridos están contemplados dentro del criterio de
diagnóstico según la NCEP-ATPIII; sin embargo, ni el peso o la altura son contemplados en el mismo.
Tabla 8. Sensibilidad y especificidad del mejor punto de corte para el diagnóstico del SM.
Punto de
SM SEN ESP
Corte
π1 0.76 0.78 104.87
π2 0.64 0.56 367.55
π3 0.63 0.45 1.51
84
MASKANA, CEDIA 2017
ABC π1=0.86
ABC π2=0.58
ABC π3=0.53
Figura 2. Curvas ROC para el diagnostico del SM de cada número adimensional. ABC indica el área
bajo la curva de cada una de las curvas ROC para cada número adimensional.
4. CONCLUSIONES Y TRABAJOS A FUTURO

El SM se está convirtiendo en uno de los principales problemas de salud pública del siglo XXI. Con
una prevalencia mundial por encima del 20%. En este trabajo se diseñó un número adimensional capaz
de diagnosticar sujetos con SM utilizando variables bioquímicas y antropométricas. Para esto, se
efectuó la integración de tres bases de datos, una recolectada en la Universidad de Cuenca en Ecuador
y dos recolectadas en la Universidad Simón Bolívar en Venezuela, posteriormente, se realizó un
análisis de correspondencia simple y un análisis dimensional para el diseño del número adimensional y
se aplicaron curvas ROC para su evaluación. El número adimensional (π1) que obtuvo mejor
desempeño en la detección de sujetos con SM, tiene como variables la circunferencia abdominal,
triglicéridos, peso y altura, estas variables se pueden registrar de forma rutinaria durante un examen
clínico; lo cual lo convierte en un método simple que necesita menos variables que el criterio del
NCEP-ATPIII, para diagnosticar el SM.
Los criterios de diagnóstico del SM, no están claros hoy en día, por tanto el diseño de índices con
puntos de corte que faciliten la discriminación de sujetos con esta patología es muy importante. En
este estudio se usó una base de datos proveniente de dos países, para que el punto de corte pueda ser
usado en cualquier tipo de población, es necesario que su diseño esté basado en una base de datos más
extensa. Por otro lado, siendo el SM una condición relacionada con la resistencia a la insulina, es
posible que el índice diseñado en este estudio pueda discriminar también entre sujetos con resistencia
a la insulina, sería interesante explorar su capacidad de detección en esta patología.
Por otra parte, el teorema π de Vaschy-Buckingham, ofrece una interesante perspectiva en la cual las
variables adimensionales manejadas tienen una funcionalidad matemática, por ende es posible
relacionarlas. En el área de fluidos, transferencia de calor y termodinámica, se han logrado grandes
avances encontrando de manera experimental, relaciones empíricas entre variables adimensionales. Se
propone a futuro relacionar variables fisiológicas adimensionalizadas con la intención de encontrar la
funcionalidad empírica adecuada usando resultados experimentales y metodologías matemáticas de
ajuste de funciones.

85
MASKANA, CEDIA 2017
AGRADECIMIENTOS
Este trabajo fue parcialmente financiado por el Decanato de Investigación y Desarrollo de la
Universidad (DID) Simón Bolívar en Venezuela y por la Dirección de Investigación de la
Universidad de Cuenca (DIUC) en Ecuador.
REFERENCIAS
Beltrán-Sánchez H., Harhay M.O., Harhay M.M., McElligott S. (2013). Prevalence and trends of
metabolic syndrome in the adult U.S. population, 1999-2010. J Am Coll Cardiol. (62), 697-703.
Bertrand, J. (1878). Sur l'homogénéité dans les formules de physique. Comptes Rendus, (15), 916-920.
Craig C., Marshall A., Sjöström M., Bauman A., Booth M., Ainsworth B., Pratt M., Ekelund U.,
Yngve A., Sallis J., Oja P. (2003). International physical activity questionnaire: 12-country
reliability and validity. Med Sci Sports Exerc., 35(8), 1381-95.
Gozashti M. , Najmeasadat F., Mohadeseh S., Najafipour H. (2014). Determination of most suitable
cut off point of waist circumference for diagnosis of metabolic syndrome in Kerman. Diabetes &
Metabolic Syndrome: Clinical Research & Reviews, (8), 8–12.
Grundy S. M., Cleeman J. I., Daniels S. R. et al. (2005). Diagnosis and management of the metabolic
syndrome: an American Heart Association/National Heart, Lung, and Blood Institute scientific
statement. Circulation, 112(17), 2735–2752.
Günther B., León B. (1966). An invariant and dimensionless number, which characterizes respiratory,
haematic, circulatory and metabolic functions in mammals. Arch. Biol. Med. Exper, (3), 1-6.
Herrera H., Rebato E., Arechabaleta G., Lagrange H., Salces I., Susanne C. (2003). Body Mass Index
and Energy Intake in Venezuelan University Students. Nutrition Research, 23(3), 389-390.
Lebert A. Piron M. (2000). Statistique exploratoire multidimensionnelle. Dunod, (3rd edition), pp.
344-346, Paris.
Motamed, N., Miresmail, S. J. H., Rabiee, B., Keyvani, H., Farahani, B., Maadi, M., & Zamani, F.
(2016). Optimal cutoff points for HOMA-IR and QUICKI in the diagnosis of metabolic syndrome
and non-alcoholic fatty liver disease: A population based study. Journal of Diabetes and its
Complications, 30(2), 269-274.
National Cholesterol Education Program (NCEP) Expert Panel on Detection, Evaluation, and
Treatment of High Blood Cholesterol in Adults (Adult Treatment Panel III). (2002). Third Report
of the National Cholesterol Education Program Expert Panel on Detection, Evaluation, and
Treatment of High Blood Cholesterol in Adults final report. Circulation, 106(25), 3143-421.
Parra, F., Andrade, D., Cruz, J., Solano-Quinde, L., Palacio-Baus, K., Encalada, L., & Wong, S.
(2015). Plataforma basada en ecgML para el estudio de las complicaciones cardiovasculares en el
adulto mayor con síndrome metabólico. Maskana, 6(Supl.), 157-164.
Prasad D.S., Kabir Z., Dash A.K., Das B.C. (2012). Prevalence and risk factors for metabolic
syndrome in Asian Indians: A community study from urban Eastern India. J Cardiovasc Dis Res,
(3), 204-211.
Rayleigh, L. (1915). The principles of similitude. Nature, (95), 66-68.
Reitsma J., Glasa A., Rutjesa A., Scholten R., Bossuyta P., Zwindermana A. (2005). Bivariate analysis
of sensitivity and specificity produces informative summary measures in diagnostic reviews.
Journal of Clinical Epidemiology, (58), 982–990.
Rguibi M., Belahsen R. (2004). Metabolic syndrome among urban Sahraoui women of South
Morocco. Am J Human Biol, (16), 598-601.
Severeyn E., Wong S., Herrera H., Altuve M. (2015) Anthropometric measurements for assessing
insulin sensitivity on patients with metabolic syndrome, sedentaries and marathoners.
Engineering in Medicine and Biology Society (EMBC), 2015 37th Annual International
Conference of the IEEE. 4423-4426.

86
MASKANA, CEDIA 2017
Sonin A.A. (2004). A generalization of the π theorem and dimensional analysis. PNAS. (101)23,
8525–8526.
Stahl W. 1961. Dimensional Analysis in Mathematical Biology. Bulletin of Mathematical Biophysics,
(23), 355-376.
Velásquez, J.,Wong, S.,Encalada, L.,Herrera, H.,Severeyn, E. (2015). Lipid-anthropometric index
optimization for insulin sensitivity estimation. Proceedings of SPIE - The International Society
for Optical Engineering. 96810R1-96810R10.
Vishram J.K., Borglykke A., Andreasen A.H., Jeppesen J., Ibsen H., Jørgensen T., Palmieri L.,
Giampaoli S., Donfrancesco C., Kee F., Mancia G., Cesana G., Kuulasmaa K., Salomaa V., Sans
S., Ferrieres J., Dallongeville J., Söderberg S., Arveiler D., Wagner A., TunstallPedoe H., Drygas
W., Olsen M.H. (2014). MORGAM Project. Impact of age and gender on the prevalence and
prognostic importance of the metabolic syndrome and its components in Europeans. The
MORGAM Prospective Cohort Project. PLoS One. (9), e107294.
Worachartcheewan A., Dansethakul P., Nantasenamat C., Pidetcha P., Prachayasittikul V. (2012).
Determining the optimal cutoff points for waist circumference and body mass index for
identification of metabolic abnormalities and metabolic syndrome in urban Thai population.
Diabetes Research and Clinical Practice. (98), e16–e21.
Xi B, He D, Hu Y, Zhou D. (2013). Prevalence of metabolic syndrome and its influencing factors
among the Chinese adults: the China Health and Nutrition Survey in 2009. Prev Med. (57), 867-
871.
Zimmet P., Alberti G. (2005). Una nueva definición mundial del síndrome metabólico por la
federación internacional de diabetes: fundamento y resultados. Rev. Esp. Cardiol, 58(12), pp.
1371-1376.

ACTA BIOQUÍMICA CLÍNICA LATINOAMERICANA (EN REVISIÓN)

metabólicas
Diagnostic value of lipid and anthropometric variables in metabolic
dysfunctions
Valor diagnóstico de variáveis lipídicas e antropométricos nas disfunções
metabólicas
Jesús Velásquez, Ing., MSc. Departamento de Termodinámica y
Fenómenos de Transferencia. Universidad Simón Bolívar.
Héctor Herrera, Antropólogo, MSc., PhD. Departamento de Tecnología de
Procesos Biológicos y Bioquímicos. Universidad Simón Bolívar.
Lorena Encalada-Torres, Médico Internista. Magister en Investigación de
la Salud. Facultad de Ciencias Médicas, Universidad de Cuenca
Sara Wong, Ing., MSc, PhD. Departamento de Ingeniería Eléctrica,
Electrónica y Telecomunicaciones. Universidad de Cuenca.
Erika Severeyn, Ing., MSc, PhD. Departamento de Tecnología de Procesos
Biológicos y Bioquímicos. Universidad Simón Bolívar.
Dirección completa donde se ha realizado el trabajo:
Grupo de Bioingeniería y Biofísica Aplicada. Universidad Simón Bolívar
Valle de Sartenejas, Baruta.
Caracas, Venezuela.
Correspondencia a: Ing. Jesús Velásquez
jmvelasquezf@usb.ve
88

metabólicas
RESUMEN
El objetivo del estudio fue evaluar el desempeño de detección del índice de
disfunción metabólica (IDM) construido a partir de los valores de circunferencia
abdominal, triglicéridos e índice de masa corporal.
Se estudiaron 829 sujetos (327M,60,44±19,75 años), se establecieron los
diagnósticos de resistencia a la insulina (RI), y síndrome metabólico según los
criterios del HOMA-IR, NCEP-ATP III (SM) y NCEP-ATP III revisado (SM-R).
Se usó el área bajo las curvas ROC (ABC), los puntos de corte óptimo (PCO),
sensibilidad (SEN), especificidad (ESP), valor predictivo positivo y valor
predictivo negativo (VPN) para la evaluación del desempeño del IDM.
Se pudo constatar que el IDM tiene una capacidad de detección aceptable
puesto que se observó un ABC>0,75 en todos los casos, además, se encontraron
valores mayores (p<0,01) de IDM en los grupos con SM, SM-R y RI en
comparación con los grupos que no padecen las patologías. Adicionalmente, los
PCO para la RI (IDM>21,01), SM (IDM>16,01) y el SM-R (IDM>19,51),
reportaron valores de ESP, SEN, VPN mayores que 0,70. Por tanto, a partir de un
índice compuesto por tres variables tomadas de un estudio médico de rutina, se
pueden diagnosticar dos patologías que conllevan al desarrollo de la diabetes y
Palabras claves: Resistencia a la insulina, índice de masa corporal,
síndrome metabólico, HOMA-IR, curvas ROC.
89
Diagnostic value of lipid and anthropometric variables in metabolic

dysfunctions
SUMMARY
The objective of the study was to evaluate the detection performance of the
metabolic dysfunction index (MDI) constructed from the values of abdominal
circumference, triglycerides and body mass index.
We studied 829 subjects (327M, 60.44 ± 19.75 years), diagnosed insulin
resistance (IR), and metabolic syndrome according to the criteria of HOMA-IR,
NCEP-ATP III (SM) and NCEP -ATP III revised (SM-R). The area under the
ROC curves (AUC), the optimal cut-off points (PCO), sensitivity (SEN),
specificity (SPE), positive predictive value and negative predictive value (NPV)
were used to evaluate the performance of the IDM.
It was found that the MDI has an acceptable detection capacity since an
AUC>0.75 was observed in all cases, and higher values (p <0.01) of MDI were
found in the groups with SM, SM- R and RI compared to groups that do not suffer
from the pathologies. Additionally, the PCOs for the IR (MDI > 21.01), SM (MDI
> 16.01) and the SM-R (MDI > 19.51), reported values of SPE, SEN, NPV greater
than 0.70. Therefore, from an index composed of three variables taken from a
routine medical study, two pathologies can be diagnosed that lead to the
development of diabetes and cardiovascular diseases.
Key words: Insulin resistance, body mass index, metabolic syndrome,
HOMA-IR, ROC curves.
90
Valor diagnóstico de variáveis lipídicas e antropométricas nas disfunções

metabólicas
RESUMO
O objetivo do estudo foi avaliar o desempenho de detecção do índice de
disfunção metabólica (IDM) construído a partir dos valores de circunferência
abdominal, triglicerídeos e índice de massa corporal.
Estudamos 829 indivíduos (327M, 60,44 ± 19,75 anos), diagnóstico de
resistência à insulina (IR) e síndrome metabólica de acordo com os critérios de
HOMA-IR, NCEP-ATP III (SM) e NCEP-ATP III revisado (SM-R). A área sob
as curvas ROC (ASC), os pontos de corte ótimos (PCO), sensibilidade (SEN),
especificidade (ESP), valor preditivo positivo e valor preditivo negativo (VPN)
foram utilizados para avaliar o desempenho do IDM.
Verificou-se que o IDM possui uma capacidade de detecção aceitável, uma
vez que uma ASC> 0,75 foi observada em todos os casos, e valores maiores (p
<0,01) de IDM foram encontrados nos grupos com SM, SM- R e RI em
comparação com grupos que não sofrem com as patologias. Além disso, os PCOs
para o IR (IDM> 21.01), SM (IDM> 16.01) e SM-R (IDM> 19.51), relataram
valores de ESP, SEN, VPN maiores que 0,70. Portanto, a partir de um índice
composto por três variáveis de um estudo médico de rotina, duas patologias
podem ser diagnosticadas que levam ao desenvolvimento de diabetes e doenças
cardiovasculares.
Palavras-chave: Resistência à insulina, índice de massa corporal,
síndrome metabólica, HOMA-IR, curvas ROC.
91
Introducción
El síndrome metabólico (SM) es una condición relacionada con el estilo de
vida, y se ha convertido en un problema social y de salud pública (1), que afecta a
más del 20% de la población adulta de los Estados Unidos (2), China (3), Europa
(4) y los países en desarrollo (5). El SM constituye un agrupamiento de criterios
antropométricos y fisiológicos definidos a partir de valores establecidos de
presión arterial, índices de distribución adiposa abdominal (circunferencia
abdominal-CAB) y parámetros bioquímicos definidos y estandarizados por
diversas organizaciones para caracterizar una disfunción del metabolismo que con
frecuencia conlleva un aumento del riesgo de aparición de enfermedades
cardiovasculares, obesidad, resistencia a la insulina (6) y diabetes tipo II (7).
Se considera resistencia a la insulina (RI) o baja sensibilidad a la insulina
(SI), cuando en presencia de insulina plasmática la célula muestra una incapacidad
para captar glucosa (8). Este desorden metabólico trae como consecuencia el
desarrollo de disfunciones como la obesidad y problemas cardiovasculares (9). El
método más usado para el diagnóstico de la RI es el HOMA-IR. El HOMA-IR es
un índice que usa los valores en ayunas de glucosa e insulina. Se considera
diagnóstico de RI cuando se presenta un HOMA-IR > 2.5 (10). Cabe destacar que
el HOMA-IR es útil solamente en estudios poblacionales y de investigación, pero
no está validado su uso a nivel individual debido a que no existe un método
estandarizado de medición de insulina que sea preciso a concentraciones bajas
(<12 pmol/l) (11, 12).
Actualmente el diagnóstico de sobrepeso y obesidad se basa en el índice de
masa corporal (IMC), debido a la buena correlación existente entre éste y el grado
de adiposidad, y su estrecha asociación epidemiológica con mortalidad y
morbilidad ligada a la obesidad. Introducido en 1972 el término de índice de masa
corporal por Ancel Keys (13), consiste en dividir el peso (en kg) por la altura al
cuadrado (en metros). La clasificación empleada en el presente, según el IMC
para definir peso bajo, peso normal, sobrepeso y obesidad en sus diferentes
grados, se basa en los puntos de cortes propuestos por la OMS (WHO por sus
siglas en ingles) en 1998 (14). No obstante este índice tiene la desventaja de no
discriminar entre tejido graso y magro (15).
Existen numerosos criterios de diagnósticos del SM. El que más se usa es
el criterio de diagnóstico según el National Cholesterol Education Program-Adult
Treatment Panel III (16), y su versión revisada que cambia los valores de
92
circunferencia abdominal (CAB) para hombres (CAB>90) y mujeres (CAB>80)

en caso de tratarse de una población asiática o latina (7) y los valores de glucosa
con un corte de glucosa>100mg/dL, en esta versión revisada los valores de CAB
son establecidos por la International Diabetes Federation (IDF), un estudio
posterior estableció una versión armonizada del diagnóstico del SM que establecía
los cortes de CAB y glucosa mencionados anteriormente (17). Por otro lado, se ha
empleado el HOMA-IR para establecer el diagnóstico del SM (18), igualmente
trabajos han determinado puntos de corte de la CAB y del IMC para el
diagnostico del SM (19,20).
Estudios han diseñado índices que identifican sujetos con RI (21,22), estos
índices usan como variables de entrada la circunferencia abdominal, el índice de
masa corporal y los triglicéridos. En uno de ellos se optimizó el índice propuesto
al método de Caumo usando una base de datos de 40 sujetos con edades entre 18 y
40 años, en este estudio, el índice propuesto fue capaz de detectar sujetos con
alteraciones en la insulina y la glucosa postprandial, indicando que se encontraban
en etapas tempranas de la RI (21). En otro estudio se usó una base de datos más
extensa, compuesta por 120 sujetos con edades entre 65 y 98 años (22), en este
estudio el índice propuesto fue capaz de identificar los sujetos con RI incluso en
una base de datos compuesta por adultos en edad avanzada. En estos trabajos no
se establecen puntos de corte para el diagnóstico de la RI, sólo se hallan las
diferencias significativas de los índices propuestos entre el grupo con RI y el
grupo control. Igualmente, en el caso del SM no existe, un índice general que
establezca un punto de corte para el diagnóstico de esta patología sólo existen los
criterios de diagnóstico desarrollados por la NCEP-ATPIII.
El objetivo de este estudio fue encontrar un punto de corte para el índice
de disfunción metabólica (IDM) diseñado en (21,22) que pueda discriminar
sujetos con SM y con RI, utilizando variables bioquímicas y antropométricas.
Para esto, se integró una base de datos compuesta por tres bases de datos, una
recolectada en la Universidad de Cuenca en Ecuador (23) y dos recolectadas en la
Universidad Simón Bolívar en Venezuela (24, 25). A partir de estas bases de
datos, y del IDM (21,22) se realizó una evaluación del desempeño del IDM en la
predicción del SM y la RI, a partir de la construcción de las curvas de
característica operativa del receptor (ROC por sus siglas en inglés - receiver
operating characteristic) para hallar los puntos de corte óptimo. Finalmente, se
93
calcularon las medidas de desempeño (sensibilidad, especificidad, valor predictivo

positivo y valor predictivo negativo) para los puntos de corte óptimo propuestos.
Materiales y Métodos
Base de datos
i. Base de datos 1 (n=120, edad=71,82±6,75 años, masculino=42): En 2015,
adultos mayores de más de 65 años sin diabetes fueron reclutados en el
proyecto DIUC- PROMETEO denominado: Variabilidad de la frecuencia
cardíaca y la sensibilidad a la insulina en la población de edad avanzada de
Cuenca, Ecuador (23). A cada sujeto se le realizó una hematología, un
perfil lipídico, medidas antropométricas (IMC y CAB), cuestionario
internacional de actividad física 2 (IPAQ) (26) y una prueba oral de
tolerancia a la glucosa (POTG).
ii. Base de Datos 2 (n=25, edad=29,60±6,33 años, masculino=25): En 2009
se reclutó a hombres entre 18 y 45 años sin diabetes en el proyecto DID de
la Universidad Simón Bolívar denominado Estudio Electrocardiográfico
de Neuropatía Cardíaca en el Síndrome Metabólico (24). A cada sujeto se
realizó una hematología, un perfil lipídico, medidas antropométricas y la
POTG.
iii. Base de datos 3 (n=684, edad=59,58±20,14 años, masculino=260). Entre
2004 y 2012, hombres y mujeres adultos del distrito capital de Venezuela
fueron reclutados en el laboratorio de Evaluación Nutricional de la
Universidad Simón Bolívar (25). A cada sujeto se realizó una hematología,
un perfil lipídico, medidas antropométricas y glucosa e insulina en ayunas.
Los tres protocolos clínicos de las tres bases de datos se adhirieron a los
principios de la Declaración de Helsinki y fueron aprobados por el Comité de
Bioética de la Facultad de Ciencias Médicas de la Universidad de Cuenca en
94
Ecuador (Base de Datos 1); Universidad Simón Bolívar (Bases de datos 2 y 3).
Todos los sujetos dieron un consentimiento informado por escrito.
La base de datos usada total consta de 829 sujetos, los cuales fueron
diagnosticados de resistencia a la insulina, síndrome metabólico según la versión
utilizada por la National Cholesterol Education Program- Adult Treatment Panel
III en el 2002 (16), y síndrome metabólico según la versión revisada del National
Cholesterol Education Program- Adult Treatment Panel III (7). De esta manera se
construyeron los vectores de diagnóstico de resistencia a la insulina (VRI), de
síndrome metabólico (VSM) y de síndrome metabólico revisado (VSM-R).
Índice usado
Se utilizó el índice de disfunción metabólica (IDM) diseñado en (21,22),
sin tomar en cuenta la optimización particular realizada en cada uno de esos
trabajos. Este índice usa como variables de entrada los valores de circunferencia
abdominal, índice de masa corporal y triglicéridos. En las bases de datos donde
este índice ha sido validado, se pudo constatar que es capaz de discriminar sujetos
con RI en sus estadios iniciales, tanto en una base de datos de adultos jóvenes
como en adultos mayores (21,22). El IDM obedece a la siguiente ecuación:
(1)
Donde el IMC, es el índice de masa corporal definido como la relación del

peso entre la altura al cuadrado (Kg/m2), CAB es la circunferencia abdominal (m),
TG son los valores de triglicéridos, TGN (150mg/dL) es el borde superior
considerado como valor normal de triglicéridos en la literatura (16).
Medidas de desempeño
Para hallar la capacidad de detección del índice se hallaron las curvas ROC
para cada patología. Las curvas ROC son un método estadístico usado para
determinar la exactitud diagnóstica de un test que utiliza escalas continuas. Las
curvas ROC se emplean con tres propósitos: determinar el punto de corte en el
que se alcanza la sensibilidad y especificidad más alta, evaluar la capacidad del
test de diferenciar sujetos sanos versus enfermos, y comparar la capacidad
discriminativa de dos o más pruebas diagnósticos que expresan sus resultados
como escalas continuas (27,28).
En este estudio, para construir las curvas ROC, se halló el índice para cada
uno de los sujetos construyéndose así el vector resultado del índice (VR). Con el
VR se halló el mínimo y el máximo de dicho vector y se construyó un vector
95
diagnóstico (VD) con números equitativamente espaciados entre el valor mínimo

y el máximo del VR.
Cada valor del VD se tomó como punto de corte, y se evaluó comparando
con los VRI, VSM y VSM-R. Para la evaluación de cada punto de corte del vector
VD se obtuvo los verdaderos positivos (VP), falsos positivos (FP), verdaderos
negativos (VN) y los falsos negativos (FN). Luego se hallaron la sensibilidad
(SEN) especificidad (ESP), valor predictivo positivo (VPP) y valor predictivo
negativo (VPN) para cada valor del vector VD. Las ecuaciones (2), (3) (4) y (5)
describen los parámetros de predicción.
Con la sensibilidad y la especificidad de cada punto de VD, se construyó

las curvas ROC para cada patología. Así como también el Área Bajo la Curva
(ABC), considerándose un valor predictivo aceptable aquel índice con un ABC
mayor a 0,75 (29).
Se halló el punto de corte óptimo aquel que presentaba la menor distancia
entre la curva ROC y el punto [0,1] de la gráfica de la curva ROC.
Análisis estadístico
Todos los datos fueron procesados usando el programa Matlab versión
R2015a. Se manejaron muestras no pareadas con distribución distinta a la normal,
por tanto para determinar las diferencias entre grupos de dos se usó la prueba
estadística no paramétrica Mann-Whitney U y entre grupos de tres o más se usó la
prueba estadística no paramétrica de Kruskal Wallis (30). Los datos en el texto y
en las tablas se presentan como valores de media y desviación estándar, valores
mínimos y máximos e intervalo de confianza del 95%.
Resultados
En la tabla I se puede observar las características de la base de datos usada
para cada patología estudiada. En la tabla II se presenta las medidas de desempeño
halladas para evaluar el punto de corte óptimo. Para cada punto de corte óptimo se
muestran la sensibilidad, especificidad, valor predictivo positivo y valor
96
predictivo negativo. Así como también el ABC de cada curva ROC, se puede
observar que el índice tiene un valor predictivo aceptable para las dos patologías
en estudio puesto que presenta un ABC por encima de 0,75 en todas las curvas
ROC.
TABLA I. Características de la base de datos.

Sujetos con sujetos con
+
Base de datos Control SM según la SM según la
Sujetos con RI
Característica total (n=829, (n=275;
(n=99, m=40)
NCEP-ATPIII NCEP-ATPIII **p valor
m=327) m=109) 2002 (n=260; 2005 (n=325;
m=97) m=128)
60,4 ± 19,8* 59,5 ± 21,6 65,8 ± 16,6 64,4 ± 17,1 66,0 ± 17,2
Edad (años) [15,0-98,0]ǂ [15,0-98,0] [18,0-91,0] [22,0-94,0] [22,0-95,0] <0,0001
[59,1-61,8]ϕ [56,9-62,1] [62,6-69,1] [62,3-66,5] [64,1-67,9]
67,4 ± 16,8 55,8 ± 9,1 79,9 ± 20,4 75,3 ± 19,3 72,5 ± 18,6
Peso (Kg) [29,9-159,0] [29,9-81,7] [43,5-159,0] [33,0-159,0] [33,0-159,0] <0,0001
[66,3-68,5] [54,7-56,9] [75,9-83,9] [73,00-77,7] [70,5-74,5]
158,9 ± 10,7 159,3 ± 9,6 158,2 ± 12,3 158,4 ± 11,5 157,7 ± 11,1
Altura (cm) [101,6-186,0] [138,1-186,0] [101,6-186,0] [134,8-186,0] [134,8-186,0] >0,01
[158,2-159,6] [158,2-160,4] [155,8-160,6] [157,0-159,8] [156,5-158,9]
89,1 ± 13,4 78,1 ± 7,8 102,7 ± 14,3 97,3 ± 13,7 95,8 ± 13,0
CAB (cm) [56,0-161,0] [59,0-102,0] [66,0-161,0] [56,0-161,0] [56,0-161,0] <0,0001
[88,1-90,0] [77,1-79,0] [99,9-105,6] [95,7-99,00] [94,3-97,2]
Triglicéridos 130,7 ± 77,4 102,4 ± 52,3 164,9 ± 81,1 175,4 ± 79,4 168,4 ± 80,6
[32,7-936, 0] [32,7-567,0] [58,0-464,0] [36,8-575,6] [36,8-663,9] <0,0001
(mg/dL) [125,4-135,9] [96,2-108,5] [149,0-180,9] [165,7-185,0] [159,7-177,2]
47,9 ± 13,5 52,4 ± 13,2 42,1 ± 10,2 42,86 ± 10,86 43,38 ± 12,02
C-HDL [15,1-125,8] [23,0-125,0] [23,0-83,7] [15,1-78,0] [15,1-95,1] <0,0001
[46,9-48,8] [50,84-54,0] [40,1-44,1] [41,5-44,2] [42,1-44,7]
26,6 ± 5,6 21,9 ± 2,3 31,9 ± 7,2 29,7 ± 5,9 28,9 ± 5,8
IMC (Kg/m2) [13,0-63,9] [13,0-25,0] [19,4-63,9] [15,2-48,5] [15,2-48,5] <0.0001
[26,2-27,0] [21,6-22,1] [30,5-33,3] [29,0-30,5] [28,3-29,6]
1,74 ± 1,17 1,19 ± 0,34 3,88 ± 2,20 2,35 ± 1,63 2,17 ± 1,55
HOMA-IR [0,32-19,27] [0,42-2,48] [2,50-19,27] [0,32-19,27] [0,32-19,27] <0,0001
[1,7-1,8] [1,1-1,2] [3,4-4,3] [2,2-2,6] [2,0-2,3]
**Diferencia estadísticamente significativa si se presenta un p valor<0,01. Diferencias significativas entre todos

los grupos (Control, RI, obesidad, SM según NCEP-ATPIII 2002, SM según NCEP-ATPIII 2005)
*Promedio y desviación estándar.
ǂ
ϕ
+
Sujetos control son aquellos que no pertenecen a ninguno de los grupos con patología.
ᶿSujetos con obesidad, si tiene edad≥65 años se toma como punto de corte del IMC≥28, si tiene edad<65 años se
toma como punto de corte de IMC≥25.
CAB=Circunferencia abdominal, IMC=Índice de masa corporal, C-HDL= colesterol lipoproteínas de alta
densidad (HDL=High density lipoprotein), HOMA-IR= Modelo homeostático para evaluar la resistencia a la insulina
(homeostatic model assessment insulin resistance), m=Masculino.
97
TABLA II. Área bajo la curva, sensibilidad, especificidad, valor predictivo

negativo y valor predictivo positivo para el punto de corte óptimo del IDM
para cada una de las patologías.
Valor Valor
Área bajo la Punto de
Patología Sensibilidad Especificidad predictivo predictivo
curva* Corte
positivo negativo
0,7937
RI 21,01 0,77 0,70 0,26 0,96
[0,7933-0,7941]
0,8221
SM (14) 19,51 0,74 0,78 0,60 0,87
[0,8218-0,8224]
0,8170
SM-R (7,33) 16,01 0,76 0,74 0,65 0,83
[0,8151-0,8187]
*El área bajo la curva, se presenta como el promedio y el intervalo de confianza.
TABLA III. Valores del índice de disfunción metabólica en cada una de las
poblaciones usando los puntos de corte óptimo para el diagnóstico de cada
patología.
Valores del IDM

Patologías
Normal Alterado p valor**
10,9 ± 4,8* 40,1 ± 23,6

RI
[2,0-21,0] ǂ [21,1-163,6] <0,0001
(35,22%)+
[10,5-11,3] ϕ [37,4-42,8]
10,3 ± 4,3 38,0± 23,2

SM (14)
[2,0-18,9] [19,2-163,6] <0,0001
(39,32%)
[9,9-10,7] [35,5-40,5]
9,4 ± 3,7 35,1 ± 22,6

SM-R (7,33)
[2,0-16,0 [16,0-163,6] <0,0001
(45,83%)
[9,1-9,8] [32,8-37,3]
**Diferencia estadísticamente significativa si se presenta un p valor<0,01. Diferencias significativas entre
grupos con y sin la patología.
* Promedio y desviación estándar.
ǂ
ϕ
+
Porcentaje de sujetos que padecen de la patología.
En la tabla III, se muestran los valores del índice de disfunción metabólica

para cada población usando los valores de corte óptimo para el diagnóstico de
cada patología.
Discusión
En la base de datos recolectada (Tabla I), se hallaron diferencias
significativas entre grupos en el peso, la CAB, HDL, triglicéridos, IMC y HOMA-
IR, en la altura no se encontraron diferencias significativas. Igualmente, se pudo
constatar, que la base de datos no es homogénea en cuanto a los grupos de sexo,
de un total de 829 sujetos, 327 son hombres, el sexo femenino fue más frecuente,
sin embargo la cantidad de hombres por mujer tiende a aumentar en el grupo con
98
RI en relación con el grupo control, y tiende a disminuir en los grupos de SM y

SM-R; esto podría indicar que los hombres podrían ser un grupo susceptible a
desarrollar la RI (31), en cambio las mujeres son más vulnerables a desarrollar el
SM. En cuanto a la edad, se puede observar que los sujetos con mayor edad se
encuentran en los grupos de RI y SM. Indicando que los adultos mayores son un
grupo de mayor propensión a desarrollar estas enfermedades (32).
En cuanto al grupo con RI, se puede comprobar en la tabla I, que son el
grupo con mayor CAB, mayor IMC y menor HDL, esto corrobora algunos
estudios que indican una relación directa entre el aumento de la CAB, IMC,
disminución del HDL y el desarrollo de la RI (21, 33, 34). En cuanto al grupo con
SM, se observa que son los grupos con valores más altos de triglicéridos, lo cual
es de esperarse puesto que los triglicéridos forman parte del criterio de
diagnóstico del SM de la NCEP-ATPIII.
En la tabla II se puede observar que la curva con mejor capacidad
predictiva fue la del diagnóstico del SM y SM-R, puesto que presentan un ABC
de 0,8221 y 0,8170 respectivamente, y un valor predictivo negativo de 0,87 y 0,83
respectivamente.
Por otro lado, la curva de diagnóstico de SM-R, presenta el mejor valor
predictivo positivo (0,65) en relación a las demás curvas, indicando que el índice
predice mejor la probabilidad de tener la enfermedad en caso de dar positivo.
Igualmente, la curva ROC de diagnóstico para la RI, con un ABC de 0,79,
presenta el mejor valor predictivo negativo (0,96) en relación con las demás
curvas, lo cual indica que es capaz de predecir la probabilidad de no tener la
enfermedad en caso de dar negativo.
En líneas generales, el IDM muestra un ABC por encima de 0,75; una
sensibilidad y especificidad, en el punto óptimo de corte, superior a 0,70, para
ambas patologías, lo cual indica que su desempeño es aceptable tanto para la RI
como para el SM.
En la tabla II se muestran los puntos de corte óptimo para cada patología.
En el caso del diagnóstico del SM-R se puede observar que tiene un punto de
corte menor comparado con el punto de corte de la RI y el SM, es decir que todos
los individuos con un IDM>16,01 que son diagnosticados con SM según la
versión revisada, también podrán ser diagnosticados con SM según la versión de
la NCEP-ATPIII y con RI. Esto corrobora algunos estudios que han relacionado la
RI y el SM (35), indicando incluso que el SM puede desembocar en el desarrollo
99
de RI (36). En otras palabras, se podría decir que el SM podría suponer, por lo

menos en el caso de esta base de datos, el punto de inicio de la RI (37).
En la tabla III, se muestran los valores del índice de disfunción metabólica
para cada población usando los valores de corte óptimo calculados para el
diagnóstico de cada patología. Se puede constatar que hay diferencias
significativas entre los grupos, es decir que el IDM, tomando en cuenta el punto
de corte óptimo, diferencia entre los grupos normales y alterados de cada
patología.
Conclusiones
En este trabajo se planteó hallar los valores de corte para el síndrome
metabólico y resistencia a la insulina usando el IDM. Para esto se hallaron
medidas de desempeño (sensibilidad, especificidad, valor predictivo positivo y
valor predictivo negativo) así como el ABC de las curvas ROC.
Se observó que el IDM puede discriminar entre sujetos con SM y RI y los
sujetos sin las patologías. Igualmente, el IDM tiene una capacidad de detección
aceptable y establece como punto de corte para la RI de IDM>21,01 y para el SM
de IDM>19,51 para el criterio de NCEP-ATPIII y IDM>16,01 para el criterio de
NCEP-ATPIII revisado. Igualmente, se confirma la relación existente entre la RI y
SM, y el IDM establece que hay altas probabilidades de ser diagnosticado de RI si
se padece de SM.
Por tanto, a partir del IDM, construido a partir de dos medidas
antropométricas y una medida bioquímica, determinables fácilmente a partir de un
examen médico estándar, se podría establecer un diagnóstico para dos patologías
altamente relacionadas y que conllevan al desarrollo de la diabetes y
Agradecimientos
Este trabajo fue realizado gracias al financiamiento de la Dirección de
Investigación de la Universidad de Cuenca (DIUC) y al Decanato de Investigación
y Desarrollo de la Universidad Simón Bolívar.
Referencias
[1] Zimmet P., Alberti G. Una nueva definición mundial del síndrome
metabólico por la federación internacional de diabetes: fundamento y
resultados. Rev. Esp. Cardiol. 2005. 58(12): 1371-1376. Disponible en:
http://dx.doi.org/10.1016/S0300-8932(05)74065-3.
100
[2] Beltrán-Sánchez H., Harhay M.O., Harhay M.M., McElligott S.
Prevalence and trends of metabolic syndrome in the adult U.S. population,
1999-2010. J Am Coll Cardiol. 2013. 62: 697-703.
http://dx.doi.org/10.1016/j.jacc.2013.05.064.
[3] Xi B, He D, Hu Y, Zhou D. Prevalence of metabolic syndrome and its
influencing factors among the Chinese adults: the China Health and
Nutrition Survey in 2009. Prev Med 2013. 57: 867-871. Disponible en:
https://dx.doi.org/10.1016/j.ypmed.2013.09.023.
[4] Vishram J.K., Borglykke A., Andreasen A.H., Jeppesen J., Ibsen H.,
Jorgensen T., et al. MORGAM Project. Impact of age and gender on the
prevalence and prognostic importance of the metabolic syndrome and its
components in Europeans. The MORGAM Prospective Cohort Project.
PLoS One 2014. 9: e107294. Disponible en:
https://dx.doi.org/10.1371/journal.pone.0107294.
[5] Prasad D.S., Kabir Z., Dash A.K., Das B.C. Prevalence and risk factors for
metabolic syndrome in Asian Indians: A community study from urban
Eastern India. J Cardiovasc Dis Res 2012. 3: 204-211. Disponible en:
https://dx.doi.org/10.4103/0975-3583.98895
[6] WHO expert consultation. Appropriate body-mass index for Asian
populations and its implications for policy and intervention strategies. The
Lancet 2004.157-163. Disponible en: http://dx.doi.org/10.1016/S0140-
6736(03)15268-3.
[7] Grundy S.; Cleeman J.; Stephen D.; Donato K.; Eckel R.; Barry F.; et al.
Diagnosis and Management of the Metabolic Syndrome An American
Heart Association/National Heart, Lung, and Blood Institute Scientific
Statement. AHA/NHLBI Scientific Statement. Circulation 2005. 112:

101
2735-2752. Disponible en:
https://dx.doi.org/10.1161/CIRCULATIONAHA.105.169404.
[8] Olefsky J. M., Glass C. K. Macrophages, inflammation, and insulin
resistance. Annual review of physiology. 2010. 72: 219–246. Disponible
en: https://dx.doi.org/10.1146/annurev-physiol-021909-135846.
[9] Kahn S. E., Hull R. L., Utzschneider K. M. Mechanisms linking obesity to
insulin resistance and type 2 diabetes. Nature. 2006. 444(7121): 840-846.
Disponible en: https://dx.doi.org/10.1038/nature05482.
[10] Friedrich N., Thuesen B., Jorgensen T., Juul A., Spielhagen C.,
Wallaschofksi H., et al. The Association Between IGF-I and Insulin
Resistance A general population study in Danish adults. Diabetes care
2012. 35(4):768-773. Disponible en: https://dx.doi.org/10.2337/dc11-
1833.
[11] Carrasco, N. F., Galgani, F. J. E., & Reyes, J. M. Síndrome de resistencia a
la insulina. Estudio y manejo. Revista Médica Clínica Las Condes. 2013.
24(5): 827-837. Disponible en: https://doi.org/10.1016/S0716-
8640(13)70230-X.
[12] Staten, M. A., Stern, M. P., Miller, W. G., Steffes, M. W., Campbell, S. E.,
Insulin Standardization Workgroup. Insulin assay standardization.
Diabetes Care. (2010). 33(1): 205-206. Disponible en:
https://doi.org/10.2337/dc09-1206.
[13] Keys A., Fidanza F. y Karvonen M. Indices of relative weight and
adiposity. J Chronic Dis 1972. 25: 329-343. Disponible en:
https://dx.doi.org/10.1093/ije/dyu058.
102
[14] Report of a WHO Expert Consultation. Waist Circumference and Waist–
Hip Ratio: WHO Geneva 2008. Disponible en:
http://www.who.int/iris/handle/10665/44583.
[15] Kok P., Seidell JC, Meinders M. The value and limitations of the body
mass index (BMI) in the assessment of the health risks of overweight and
obesity. AE 2004. 148(48): 2379-2382. Disponible en:
https://www.ncbi.nlm.nih.gov/pubmed/15615272.
[16] National Cholesterol Education Program. Third report of the National
Cholesterol Education Program (NCEP) expert panel on detection,
evaluation, and treatment of high blood cholesterol in adults (Adult
Treatment Panel III) Final report. Circulation 2002; 106, 3143-3421.
Disponible en: http://circ.ahajournals.org/content/106/25/3143.long.
[17] Alberti KG, Eckel RH, Grundy SM, et al. Harmonizing the metabolic
syndrome: a joint interim statement of the International Diabetes
Federation Task Force on Epidemiology and Prevention; National Heart,
Lung, and Blood Institute; American Heart Association; World Heart
Federation; International Atherosclerosis Society; and International
Association for the Study of Obesity. Circulation 2009;120(16):1640-5.
Disponible en:
https://dx.doi.org/10.1161/CIRCULATIONAHA.109.192644.
[18] Motamed N., Miresmail S. J. H., Rabiee B., Keyvani H., Farahani B.,
Maadi, M., et al. Optimal cutoff points for HOMA-IR and QUICKI in the
diagnosis of metabolic syndrome and non-alcoholic fatty liver disease: A
population based study. Journal of Diabetes and its Complications 2016.
30(2):269-274. Disponible en: https://dx.doi.org/
10.1016/j.jdiacomp.2015.11.019.
103
[19] Gozashti M., Najmeasadat F., Mohadeseh S., Najafipour H. Determination
of most suitable cut off point of waist circumference for diagnosis of
metabolic syndrome in Kerman. Diabetes & Metabolic Syndrome: Clinical
Research & Reviews 2014. 8:8-12. Disponible en:
http://dx.doi.org/10.1016/j.dsx.2013.10.022.
[20] Worachartcheewan A., Dansethakul P., Nantasenamat C., Pidetcha P.,
Prachayasittikul V. Determining the optimal cutoff points for waist
circumference and body mass index for identification of metabolic
abnormalities and metabolic syndrome in urban Thai population. Diabetes
Research and Clinical Practice 2012; 98, e16-e21. Disponible en:
https://dx.doi.org/10.1155/2015/581501.
[21] Velásquez, J., Wong, S., Encalada, L., Herrera, H., Severeyn, E. Lipid-
anthropometric index optimization for insulin sensitivity estimation.
Proceedings of SPIE - The International Society for Optical Engineering
2015; 96810R1-96810R10. Disponible en: https://dx.doi.org/
10.1117/12.2209328.
[22] Velásquez, J., Severeyn, E., Herrera, H., Encalada, L., Wong, S.
Anthropometric index for insulin sensitivity assessment in older adults
from Ecuadorian highlands. Proceedings of SPIE - The International
Society for Optical Engineering 2017; 101600S1-101600S10. Disponible
en: https://dx.doi.org/ 10.1117/12.2257207.
[23] Parra, F., Andrade, Solano-Quinde, L., Palacio-Baus, K., Encalada, L.,
Wong, S, et al. Plataforma basada en ecgML para el estudio de las
complicaciones cardiovasculares en el adulto mayor con síndrome
metabólico. Maskana 2015; 6(Supl.), 157-164. Disponible en:
http://repositorio.educacionsuperior.gob.ec/handle/28000/3174.
104
[24] Severeyn E., Wong S., Herrera H., Altuve M. Anthropometric
measurements for assessing insulin sensitivity on patients with metabolic
syndrome, sedentaries and marathoners. Engineering in Medicine and
Biology Society (EMBC), 2015 37th Annual International Conference of
the IEEE 2015; 4423-4426. Disponible en: https://dx.doi.org/
10.1109/EMBC.2015.7319376.
[25] Herrera H., Rebato E., Arechabaleta G., Lagrange H., Salces I., Susanne
C. Body Mass Index and Energy Intake in Venezuelan University
Students. Nutrition Research 2003. 23(3):389-390. Disponible en:
http://cat.inist.fr/?aModele=afficheN&cpsidt=14688230.
[26] Craig C., Marshall A., Sjöström M., Bauman A., Booth M., Ainsworth B.,
et al. International physical activity questionnaire: 12-country reliability
and validity. Med Sci Sports Exerc 2003. 35(8):1381-1395. Disponible en:
https://dx.doi.org/10.1249/01.MSS.0000078924.61453.FB.
[27] Akobeng A. Understanding diagnostic tests 3: receiver characteristic
curves. Acta Paediatr 2007; 96: 644-7. Disponible en:
https://dx.doi.org/10.1111/j.1651-2227.2006.00178.x
[28] Altman D G, Bland J M. Diagnostic tests 3: receiver operating
characteristic plots. Br Med J 1994; 309: 188. Disponible en:
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2540706/
[29] Reitsma J., Glasa A., Rutjesa A., Scholten R., Bossuyta P., Zwindermana
A. Bivariate analysis of sensitivity and specificity produces informative
summary measures in diagnostic reviews. Journal of Clinical
Epidemiology 2005; 58, 982-990. Disponible en:
https://dx.doi.org/10.1016/j.jclinepi.2005.02.022
105
[30] Marusteri M., Bacarea V. Comparing groups for statistical differences:
how to choose the right statistical test? Biochemia Medica 2010. 20(1):15-
32. Disponible en: http://dx.doi.org/10.11613/BM.2010.004.
[31] Bonneau G., Pedrozo W., Berg G. Adiponectin and waist circumference as
predictors of insulin-resistance in women. Diabetes & Metabolic
Syndrome: Clinical Research & Reviews 2014. 8:3-7. Disponible en:
https://doi.org/10.1016/j.dsx.2013.10.005.
[32] Bang E., Tanabe K., Yokoyama N., Chijiki S., Kuno S. Relationship
between thigh intermuscular adipose tissue accumulation and number of
metabolic syndrome risk factors inmiddle-aged and older Japanese adults.
Experimental Gerontology 2016, 79, 26–30. Disponible en:
https://dx.doi.org/10.1016/j.exger.2016.03.010.
[33] Despre´s J-P., Couillard C., Gagnon J., Bergeron J., Leon A., Rao D.C., et
al. Race, Visceral Adipose Tissue, Plasma Lipids, and Lipoprotein Lipase
Activity in Men and Women The Health, Risk Factors, Exercise Training,
and Genetics (HERITAGE) Family Study. Arterioscler Thromb Vasc Biol
2000; 20, 1932-1938. Disponible en:
https://doi.org/10.1161/01.ATV.20.8.1932.
[34] Kang H.T., Yoon J.H., Kim J.Y., Ahn S.K., Linton J.A., Koh S.B, et al.
The association between the ratio of triglyceride to HDL-C and insulin
resistance according to waist circumference in a rural Korean population.
Nutrition, Metabolism & Cardiovascular Diseases 2012. 22:1054-1060.
Disponible en: https://dx.doi.org/10.1016/j.numecd.2011.01.013.
[35] Taverne F., Richard C., Couture P., Lamarche B. Abdominal obesity,
insulin resistance, metabolic syndrome and cholesterol homeostasis.

106
PharmaNutrition 2013. 1(4):130-136. Disponible en:
https://dx.doi.org/10.1016/j.phanu.2013.07.003.
[36] Sharma M., McClung J., Nader A. Chapter 4: Adiponectin: A Mediator of
Obesity, Insulin Resistance, Diabetes, and the Metabolic Syndrome.
Translational Research in Coronary Artery Disease 2016; 33-42.
Disponible en: https://doi.org/10.1016/B978-0-12-802385-3.00004-8.
[37] Gallagher E., LeRoith D., Karnieli E. The Metabolic Syndrome from
Insulin Resistance to Obesity and Diabetes. Med Clin N Am 2011; 95,
855–873. Disponible en: https://dx.doi.org/10.1016/j.mcna.2011.06.001.

RESEARCH ON BIOMEDICAL ENGINEERING
(EN REVISIÓN)
Towards the insulin resistance and obesity diagnosis: A dimensional analysis approach
J. Velásqueza,e, E. Severeynb,e, H. Herrerab,e, L. Encaladac, S. Wongd,e

a
Department of Thermodynamics and Transfer Phenomena, Simon Bolivar University, Sartenejas, Baruta, Caracas,
Venezuela. Email: jmvelasquezf@usb.ve
b
Process Technology Dept. of Biological and Biochemical, Simon Bolivar University, Venezuela
c
Medical Science Faculty, University of Cuenca, Ecuador
d
Electronic Department, University of Cuenca, Ecuador
e
Applied Biophysics and Bioengineering Group, Simon Bolivar University, Venezuela
ABSTRACT
Obesity and insulin resistance (IR) are diseases related to lifestyle, they have become a social and public health problem.
Obesity and IR are respectively diagnosed through HOMA-IR and body mass index (BMI), respectively. These methods
have limitations in the diagnosis; in the case of the HOMA-IR, it can present false negatives in insipient stages of the
disease, and BMI may present false positives in subjects with a high percentage of muscle mass. The aim of this research
is to propose dimensionless indexes that can diagnose subjects with IR and obesity using anthropometrics and
biochemical variables (waist circumference, height, weight, systolic blood pressure, diastolic blood pressure and
triglycerides). For this, three dimensionless indexes, designed from the π Vaschy-Buckingham theorem, were assessed
using receiver operating characteristic (ROC) curves and a database of 829 subjects. The index π 1, constructed with the
variables: waist circumference, triglycerides height and weight; obtained a better performance as classifier of IR and
obesity, presenting an area under the ROC curve of 0.78, sensitivity of 0.82 and specificity of 0.68 for IR diagnosis, and
an area under the ROC curve of 0.68, sensitivity of 0.66 and specificity of 0.65 for obesity diagnosis. The π 1
dimensionless index designed in this study is a simple method that allows diagnosing two pathologies from variables that
can be collected in a routine medical examination.
Keywords— Dimensional analysis, simple correspondence analysis, theorem π of Vaschy-Buckingham, metabolic

syndrome, medical database, ROC curves
INTRODUCTION
Obesity and insulin resistance (IR) are diseases related to lifestyle, they have become a social and public health problem
[1]. Currently the diagnosis of overweight and obesity is based on the body mass index (BMI). Introduced in 1972 by
Ancel Keys [2], the term BMI consists of dividing the weight (in kg) by the height squared (in meters). The classification
used, according to the BMI to define low weight, normal weight, overweight and obesity in its different grades, is based
on the cut off points proposed by the WHO (1998) [3]. Otherwise, insulin sensitivity (IS) is defined as the biological
response to the presence of insulin, when normal concentrations of insulin produce a less than normal biologic response,
the IR is diagnosed. The IS can be quantified through existing indexes using data from Oral Tolerance Test Glucose
(OGTT), the index most used to quantify the IS is the HOMA-IR [4], and the cut-off point of IR diagnosis is defined as
HOMA-IR≥2.5 [5,6].
108
(EN REVISIÓN)
The accuracy of the methods that diagnose IR depends on the type of population used in its design [7, 8, 9]. For example,
HOMA-IR is the method used clinically for the diagnosis of IR; it is imprecise in type I diabetics and could in some
cases give false negatives in subjects whose metabolic alteration is not manifested in fasting glucose and insulin levels
[10]. In the same way, the BMI has disadvantages, due to the incapability of quantifying body fat, the BMI cannot
discriminate between fat and lean tissue [11]. Thus the development of an index that can diagnose IR and obesity could
be very useful, since the early diagnosis of IR and obesity could prevent the development of the associated diseases like
diabetes.
Some studies had explored waist circumference and triglycerides to diagnose insulin resistance and obesity using the
receiver operating characteristic (ROC) curves as a performance evaluator method. On the other hand, dimensional
analysis (DA) is another method that has been used to establish relations between variables; this method consists
constructing dimensionless parameters from established physical quantities [12]. The applications of DA in science and
engineering are many, including astrophysics, electromagnetic theory, mass transfer, fluid mechanics, economics and
even in the social sciences [13]; however, their use in physiology is limited [14].
The aim of the study is to find a dimensionless index could discriminate two related pathologies: obesity and IR using
biochemical and anthropometrics variables. A correspondence analysis were performed to chose the more related
variables to each pathology, then a dimensional analysis using π Vaschy-Buckingham theorem were performed to
construct the dimensionless indexes, and finally to evaluate each index, ROC curves were performed.
METHODOLOGY
In this section we present the database (section 2.1) and the methodology in three stages: Simple correspondence
analysis (section 2.2), dimension analysis (section 2.3) and ROC curves (section 2.4).
Database
The database used is a compilation of three databases:
(i) Database1 (n=120, age=71.82±6.75 years old, male=42): In 2015, senior adults aged more than 65 years without
diabetes were recruited into the DIUC- PROMETEO project named: Heart rate variability and insulin sensitivity in the
elderly population of Cuenca, Ecuador [15]. To each subject was performed an hematology, a lipid profile,
anthropometric measures (BMI and waist circumference-WC), international physical activity questionnaire 2 (IPAQ)
[16] and a two points oral glucose tolerance test (OGTT) (fasting glucose and insulin measures and other sample taken in
a 120 minute interval after the 75 gr glucose intake).
(ii) Database 2 (n=25, age=29.60±6.33 years old, male=25): In 2009, male adults aged between 18 and 45 years old
without diabetes were recruited into the DID Simon Bolivar University project named: Electrocardiographic study of
cardiac neuropathy in metabolic syndrome. To each subject was performed a hematology, a lipid profile,
anthropometrics measures and five points of OGTT [17].
(iii) Database 3 (n=684, age=59.58±20.14 years old, male=260): Between 2004 and 2012, adult men and women from
the capital district of Venezuela were recruited in the laboratory of Nutritional Evaluation of the Simón Bolívar
109
(EN REVISIÓN)
University [18]. Each subject underwent hematology, lipid profile, anthropometric measures and a two points OGTT
(fasting glucose and insulin measures and other sample taken in a 120 minute interval after the 75 gr glucose intake).
Table 1. Characteristics of the database according to subjects with IR, obesity and control.
+
Total Data Base Control (n=275; IR subjects ᶿObesity subjects
Characteristics **p value
(n=829, men=327) men=109) (n=99, men=40) (n=367, men=140)
60.44 ± 19.75* 59.53 ± 21.58 65.83 ± 16.55 53.16±17.44
Age (years) [15.00-98.00]ǂ [15.00-98.00] [18.00-91.00] [18.00-90,00] 5.0E-10
[59.10-61.79]ϕ [56.98-62.09] [62.57-69.09] [51.57-54.74]
67.39 ± 16.75 55.76 ± 9.05 79.87 ± 20.38 80.19±14.85
Weight (Kg) [29.90-159.00] [29.90-81.65] [43.50-159.00] [54.00-159.00] 4.7E-71
[66.25-68.53] [54.69-56.83] [75.85-83.88] [78.84-81.54]
158.88 ± 10.65 159.29 ± 9.62 158.16 ± 12.27 160.22 11.25
Height (cm) [101.63-186.00] [138.10-186.00] [101.63-186.00] 101.63-186.00 0.086
[158.15-159.60] [158.15-160.43] [155.75-160.58] 159.20-161.24
89.06 ± 13.38 78.05 ± 7.80 102.73 ± 14.33 97.85±11.90
WC (cm) [56.00-161.00] [59.00-102.00] [66.00-161.00] [74.00-161.00] 2.5E-96
[88.15-89.97] [77.13-78.97] [99.91-105.56] [96.76-98.93]
130.65 ± 77.38 102.35 ± 52.26 164.94 ± 81.07 144.70±92.99
Triglycerides
[32.70-936.00] [32.70-567.00] [58.00-464.00] 33.50-936.00 7.1E-42
(mg/dL) [125.38-135.92] [96.16-108.54] [148.97-180.91] 136.25-153.16
47.85 ± 13.53 52.41 ± 13.24 42.14 ± 10.16 44.40±12.17
HDL (mg/dL) [15.10-125.80] [23.00-125.00] [23.00-83.70] [15.10-92.00] 4.7E-24
[46.92-48.77] [50.84-53.98] [40.14-44.14] [43.30-45.51]
26.59 ± 5.61 21.88 ± 2.31 31.89 ± 7.20 31.22±4.79
BMI (Kg/m2) [13.04-63.90] [13.04-25.00] [19.38-63.90] [25.02-63.90] 3.2E-111
[26.20-26.97] [21.61-22.16] [30.47-33.30] [30.79-31.66]
7.93 ± 3.85 5.87 ± 1.29 14.20 ± 7.34 9.28 ± 3.67
Fasting insulin
[2.00-43.60] [2.00-11.00] [4.52-43.60] [2.00-42.80] 1.2E-17
(μUI/mL) [7.67-8.19] [5.72-6.03] [12.75-15.64] [8.95-9.62]
44.78 ± 22.67 35.16 ± 5.71 75.89 ± 49.19 51.82 ± 24.29
Insulin 120 min
[4.30-300.00] [7.00-49.24] [6.70-300.00] [10.30-300.00] 2.5E-23
(μUI/mL) [43.24-46.33] [34.48-35.84] [66.20-85.58] [49.61-54.03]
87.47 ± 24.80 81.55 ± 12.94 119.32 ± 52.45 87.87 ± 19.91
Fasting Glucose
[26.00-411.00] [51.00-163.00] [67.80-411.00] [26.00-270.00] 2.8E-28
(mg/dL) [85.78-89.16] [80.02-83.08] [108.99-129.65] [86.06-89.68]
99.56 ± 24.65 94.09 ± 8.99 126.19 ± 56.64 100.49 ± 17.93
Glucose 120 min
[31.10-525.97] [33.40-144.84] [60.20-525.97] [54.50-252.66] 3.2E-119
(mg/dL) [97.88-101.24] [93.03-95.16] [115.04-137.35] [98.86-102.12]
1.74 ± 1.17 1.19 ± 0.34 3.88 ± 2.20 2.06±1.27
HOMA-IR [0.32-19.27] [0.42-2.48] [2.50-19.27] [0.32-19.27] 2.9E-103
[1.66-1.82] [1.14-1.23] [3.44-4.31] [1.94-2.17]
** Statistically significant difference if p value <0.01. Significant differences among all groups (control, IR and obesity)
* Average and standard deviation.
ǂ
ϕ
+
ᶿ Subjects with obesity, if age ≥65 years is taken as a cut-off point for BMI ≥28, if age <65 years is taken as a cut-off
point for BMI ≥25.
The three databases clinical protocols adhered to the principles of the Declaration of Helsinki and were approved by the
Bioethical Committee of the Medical Science Faculty of University of Cuenca in Ecuador (Database 1); Simon Bolívar
university (Databases 2 and 3); all the subjects gave a written informed consent. The total database used consisted of 829
subjects, who were diagnosed of insulin resistance and obesity according to the literature. In this way the diagnostic
vectors of obesity (VOB) and insulin resistance (VRI) were constructed. Table 1 show the characteristics of the database
used for each pathology studied.
110
(EN REVISIÓN)
A simple correspondence analysis (SCA) was performed to determine the variables used in the dimensional analysis.
SCA is a descriptive technique which allows a simultaneous representation of variables and individuals in the same
space; it builds a map and characterizes the main variables resulting from different profiles. Graphical representation
allows perception and interpretation of data into a two-dimensional space, where axes represent percentage of the
variables [19]. In the SCA performed for this study, numerical variables were defined by biochemical and
anthropometrical measurements taken from each individual. On the other hand, categorical variable represents the
amount of individuals belonging to each category. Finally, individuals are the subjects belonging to each group [20].
The DA is a tool that allows simplifying the study of the phenomena in which the physical magnitudes are involved in
the form of independent variables. The result of the DA is the replacement of an original set of input variables that have
physical dimensions by a smaller number of dimensionless input variables. The DA is possible due to the π Vaschy-
Buckingham theorem.
The π Vaschy-Buckingham theorem states that if there is a function that reflects the relationship between n variables
with basic physical quantities; it is possible to express those variables in terms of k dimensionally independent
magnitudes. Therefore, the original function can be expressed, in an equivalent way, as a function of n-k dimensionless
numbers constructed from the original variables, which will be variables of the new function. The π Vaschy-Buckingham
theorem provides a method for constructing dimensionless parameters, even when the original function is unknown [21,
22].
In other words, if we have a function that reflects the relation between variables, that we will call Vi, where i=1: n; then
there must be a function f such that:
If the variables Vi are expressed in terms of k independent physical units (mass, length and time), then Equation 1 can be
expressed as:
where: C1,C2,...,Cn, are exponents with the condition that each number πj satisfies the dimensionless criterion.
Performance Measurements
To find the ability to detect the index, we found the receiver operating characteristic (ROC) curves for each pathology.
For this the index was found for each of the subjects, thus constructing the index result vector (RV). With the RV, the
minimum and maximum of the vector were found and a diagnostic vector (DV) was constructed with numbers equitably
spaced between the minimum and maximum RV values.
Each RV value was taken as the cut-off point, and was evaluated by comparing with VOB, VRI and VSM. For the
evaluation of each cut-off point of the RV vector, the true positives (TP), false positives (FP), true negatives (TN) and
false negatives (FN) were obtained. Sensitivity (SEN) specificity (ESP), positive predictive value (PPV) and negative
111
(EN REVISIÓN)
predictive value (NPV) were then found for each value of the RV vector. Equations (4), (5) (6) and (7) describe the
prediction parameters.
With the sensitivity and specificity of each RV point, ROC curves for each pathology were constructed. As well as the
area under the curve (AUC), considering that an acceptable predictive value is an index with an area under the curve
greater or equal to 0.75. [23]. The optimal cut-off point was the one with the shortest distance between the ROC curve
and the point [0,1] of the ROC curve plot.
Table 2. Nomenclature of the categorical and numerical variables used in the ACS.
Categorical variables Nomenclature Cut off values according literature
NT= Normal TG NT; TG<150mg/dL
Triglycerides (TG)**
IT= Altered TG IT; TG>150mg/dL
NHDL=Normal HDL 60≥HDL≥40mg/dL
HDL**
IHDL= Impaired HDL HDL<40mg/dL
NBMI= Normal Weight IMC=18-25Kg/m2
BMI
IBMI=Overweight, obesity and morbid obesity IMC>25-29Kg/m2
Waist circumference** NWC=Normal waist circumference Men over 90 cm
(WC) [24] IWC= Altered waist circumference Women over 80 cm
MA=Middle adolescence 18≥ Age >15 years old
YA=Young adult 35≥ Age >18 years old
MADU=Mature adult 60≥ Age >35 years old
Age
AA=Advance age 75≥ Age >60 years old
AN=Ancient 90≥ Age >75 years old
GL= Great long lived Age >90 years old
IIS=Impaired insulin sensitivity or IR HOMA-IR≥2.5
Insulin sensitivity
NIS=Normal insulin sensitivity HOMA-IR<2.5
Numeric variables* Nomenclature
Height H
Weight W
Systolic blood pressure PAS
Diastolic blood pressure PAD
* The numerical variables of each individual are standardized before being represented in the SCA.
**HDL, TG and WC are categorical and numerical variables.
Statistical Analysis
All data were processed using the MATLAB program version R2015a. Non-paired samples were handled with a
different distribution than normal, so to determine the differences between groups of two, the non-parametric Mann-
Whitney U test was used, and between groups of three or more were used the non-parametric statistical test of Kruskal
112
(EN REVISIÓN)
Wallis [25]. The data in the text and in the tables are presented as values of mean and standard deviation, minimum and
maximum values and 95% confidence interval.
RESULTS
Table 3 and figure 1 show the SCA made to the database. The nomenclature used in Figure 1 is shown in Table 2. Table
3 presents the contributions of the variables in the SCA, the variance and the percentage of the total variance in the axes.
Table 3. Contributions of variables on SCA.
Axis 1 Axis 2 Axis 3 Axis 4 Axis 5

Variable
[%] [%] [%] [%] [%]
Weight 1.01 30.55 0.13 0.07 4.94
Height 3.00 7.50 0.01 0.87 0.01
WC 0,38 9.39 1.96 1.15 16,89
TG 78.36 2.21 2.73 11.28 0.46
HDL 12.76 4.72 1.19 63.90 0.73
PAS 0.70 2.77 5.85 3.44 15.07
PAD 0.67 0.18 3.42 1.97 33,49
Variance percentage 26.50 24.83 20.69 12.27 7.27
Variance cumulated percentage 26.50 51.33 72.02 84.30 91.57
Fig. 1. Simple correspondence analysis of biochemical and anthropometric variables.

The WC, height, weight, HDL, PAS, PAD and triglycerides were the variables (Vi) used to structure the
dimensionless monomials [26]. The height and weight were taken as one variable in order to simplify the dimensional
113
(EN REVISIÓN)
analysis (V1=Height.Weight). To form the dimensionless monomials (πj), the variables (n=6) are expressed in their
corresponding physical units (k): Mass (Kg), Length (m) and Time (s) as shown in table 4-dimensional matrix. Due the
units of variables are in time, mass and length units, therefore k=3 [26]. The amount of possible monomials, according to
the π Vaschy-Buckingham theorem, is defined as n-k; which in this case is 3. The exponents of the variables are found
following the procedure explained in [26].
The equations correspond to ∑ Mass =0; ∑Length = 0 and ∑ Time = 0 are show in equations (8), (9) and (10)
respectively.
We proceed to solve the system of three equations for C1, C2 and C3 (see Equations (11), (12) and (13)), from which we
obtain the exponents corresponding to the dimensionless monomials to be created. Table 4 solution matrix shows the
exponents of the dimensionless indexes.
The equation 11,12 and 13 were solved by three cases (as is showed in table 4-solution matrix), where in each case TG,
HDL and PAD exponents are defined as unit values [26]:
 Case 1; which would correspond to π1, where C4=1, C5=0 and C6=0. Thus, C1=-1, C2=4 and C3=0.
 Case 2; which would correspond to π2, where C4=0, C5=1 and C6=0. Thus, C1=-1, C2=4 and C3=0.
 Case 3; which would correspond to π3, where C4=0, C5=0 and C6=1. Thus, C1=0, C2=0 and C3=-1.
Table 4. Dimensional and solution matrix exponents of six variables.
Dimensional matrix
exponents C1 C2 C3 C4 C5 C6
Variable V1=Height.Weight V2=WC V3=PAS V4=TG V5=HDL V6=PAD
Units Kg.m m Kg/m.s2 Kg/m3 Kg/m3 Kg/m.s2
Mass (Kg) 1 0 1 1 1 1
Length (m) 1 1 -1 -3 -3 -1
Time (s) 0 0 -2 0 0 -2
Solution matrix
exponents C1 C2 C3 C4 C5 C6
π1 -1 4 0 1 0 0
π2 -1 4 0 0 1 0
π3 0 0 -1 0 0 1
Equations (14), (15) and (16) show the final indexes, where, the weight is in Kg, the height is in Meters, WC is in Meters
and TG can be introduced in mg/dL. The PAS and PAD can be introduced in any units, but both have to have the same
units, in order the equation be dimensionless.
114
(EN REVISIÓN)
*The dimensionless numbers π1 and π2 were added with a constant that would allow the conversion of the HDL units
from mg / dL to Kg / m3. The inversions of the numbers π1 and π2 were used to maintain integer values.
Performance measurements
Figure 2 shows the ROC curves of each dimensionless number designed in the previous section, for obesity and IR.
Table 5 shows the area under the ROC curve (AUC) as well as the sensitivity, specificity, positive predictive value and
negative predictive value for the optimal detection cutoff point, which were found to measure the performance of
dimensionless numbers as classifiers of subjects with obesity and IR.
IR Obesity
1 1
0.8 0.8
0.6 0.6
Sensibility
Sensibility
0.4 0.4
1
1
2
0.2 2 0.2
3
3
0 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
1-Specificity 1-Specificity
(a) (b)
Fig. 2. Area under the receiver operating characteristic (ROC) curve for (a) IR diagnosis and for (b) obesity diagnosis in
each index.
Figure 3 shows the boxplot values of the dimensionless number π 1 for subjects with IR, subjects without IR, subjects
with obesity and subjects without obesity. The diagnosis of IR and obesity was made according to the optimal cutoff
point for each pathology found with ROC curves (see table 5). The diagnosis of IR for a π1 <114.77 was considered, in
the same way the diagnosis of obesity was considered for a π 1 <140.27.
115
(EN REVISIÓN)
Table 5. Area under the curve (AUC) of each ROC diagnosis curve
Dimensionless
Pathology AUC Cut Point SEN SPE PPV NPV
index
0.7872±0.0008**
π1 114.77 0.82 0.68 0.26 0.97
[0.7866-0.7878]Φ
0.7038±0.0001
IR π2 347.95 0.77 0.63 0.22 0.95
[0.7037-0.7038]
0.6001±0.0018
π3 1.53 0.71 0.50 0.16 0.93
[0.5986-0.6014]
0.6829±0.0004
π1 140.27 0.66 0.65 0.60 0.71
[0.6826-0.6832]
0.6248±0.0001
Obesity π2 389.80 0.63 0.56 0.53 0.66
[0.6247-0.6248]
0.6064±0.0037
π3 1.57 0.69 0.54 0.54 0.69
[0.6035-0.6091]
**Average and standard deviation.
Φ
1200 1200
1=(100.W.H)/(WC 4.TG)
1=(100.W.H)/(WC 4.TG)
1000 1000
p<0.0001 p<0.0001
800 800
600 600
400 400
200 200
0 0
IIS(n=315) NIS(n=514) IBMI(n=403) NBMI(n=426)
(a) (b)
Fig. 3. Boxplot of π1 for (a) IR population and (b) Obesity population using the cut off points from table 5.
Figure 4 shows the scatter plots of the normalized values of π 1 vs. HOMA-IR and π1 vs. BMI. In Figure 4a, the green
squares represent the subjects without IR, the red squares the subjects with IR diagnosed according to the HOMA-IR and
the blue crosses the subjects with IR diagnosed according to the optimal cutoff point of π 1. Similarly, Figure 4b, green
squares represent non-obese subjects, red squares represent obese subjects diagnosed according to BMI and blue crosses
obese subjects diagnosed according to the optimal cut-off point of π1.
116
(EN REVISIÓN)
1 1
NIS NBMI
IIS according HOMA-IR Obesity according BMI
0.8 0.8
IIS according to 1 Obesity according to 1
1 Normalized
1 Normalized
0.6 0.6
T T F
F
N N
0.4 N N 0.4
0.2 0.2
F T F T
0 0 P P
0P 0.2 0.4 P 0.6 0.8 1 0.2 0.4 0.6 0.8 1
HOMA-IR Normalized BMI Normalized
(a) (b)
Fig. 4. Scatter plot of normalized values of (a) HOMA-IR vs. π1 and (b) BMI vs. π1.
DISCUSSION
The present study demonstrated that weight, height, triglycerides, waist circumference and HDL can discriminate
between subjects with obesity and without obesity [27, 28]. The SCA (figure 1) shows that axes 1 and 2 can discriminate
between normal BMI subjects (green cloud) and subjects with impaired BMI (red cloud). Further, the altered values of
HDL (IHDL), waist circumference (IWC), and triglycerides (ITG) are more related to the IBMI and IIS groups than
those that represent normal values [29]. On the other hand, axes 1, 2, 3, 4 and 5 represent 91.57% of the total data
variance, therefore, PAS and PAD were also included as important variables in the characterization of obesity and IR
[30].
Studies show that both insulin sensitivity and BMI are different depending on age [31, 32]. In the SCA, the variables
representing the ages between 18 and 75 years old (young adult, mature adult, advance age and ancient) are more related
to the group with IBMI and IIS than the variables that represent ages greater than 75 years old and under 18 years old
(middle adolescence, great long lived).
In dimensional analysis the WC, height, weight, HDL, PAS, PAD and triglycerides were the variables used to design the
dimensionless monomials due they were the ones that discriminated best among groups in the SCA. Three dimensionless
monomials were found using the π Vaschy-Buckingham theorem; the monomials designed are described in equations
(14), (15) and (16). Among the three monomials, π1 was the monomial with the best performance in the detection of IR
and obesity with an AUC of 0.7872, sensitivity of 0.82 and specificity of 0.68 for diagnosis of IR, and AUC of 0.6829,
sensitivity of 0.66 and specificity of 0.65 for obesity diagnosis (figure 2).
In table 5 can be observe that the optimum point for obesity ROC curve in π 1 has the highest positive predictive value
(0.60) in relation to the other monomials, indicating that the number π 1 predicts better the probability of having obesity.
On the other hand, the optimum point for IR curve in the π 1, π2 and π3 monomials have the best negative predictive value
(0.97, 0.95 and 0.93), indicating that these numbers predict better the probability of not having the disease.
117
(EN REVISIÓN)
The number π1 presents a higher cut-off point for obesity (π1<140.27) diagnosis compared to IR (π1<114.77) diagnosis
(table 5). This shows that individuals with IR have a high probability of being obese [33]. This finding suggests that
when the diagnosis of IR is made, obesity is also indirectly being diagnosed. It can be observed that the cutoff points can
discriminate with statistically significant differences between groups with and without IR and between groups with and
without obesity. In Figure 3, it can be seen that π1 for subjects with IIS is significantly lower than NIS subjects (75,128 ±
24,892 vs. 280,148 ± 175,442), according to cut-off point π1 <114.77. Likewise, in the case of IBMI subjects who have a
π1 lower than the subjects with NBMI (86,610 ± 31,146 vs. 311,638 ± 177,018), according to the cutoff point π1
<140.27.
Figure 4 shows the scatter plots of the normalized values of π1 vs. HOMA-IR (Figure 4a) and π1 vs. BMI (Figure 4b). In
the case of the diagnosis of IR, it can be observed that the subjects diagnosed with IR according to π1 are found in the
two lower quadrants, the subjects diagnosed with IR from the HOMA-IR, are found in the two right quadrants and the
subjects without RI according to the HOMA-IR are found in the two quadrants on the left.
It can be verified that the index π1 could cover almost all the subjects diagnosed by the HOMA-IR, except those subjects
that are in the upper right quadrant (figure 4a), that represent the false negatives. These subjects did not present altered
WC (87,961 ± 12,250 cm) and TG (102,089 ± 29,358 mg / dL), however, their fasting glucose values (125,078 ± 66,143
mg / dL) were altered, thus HOMA-IR classifies them as IR subjects. On the other hand, subjects diagnosed with IR by
π1 and as NIS by HOMA-IR (Lower left quadrant of figure 4a), which correspond to false positives, are subjects with
normal values of insulin (8.161 ± 2.042 μUI / mL) and fasting glucose ( 84,871 ± 12,753 mg / dL), however, present
altered values of WC (96,884 ± 10,432 cm) and TG (189,571 ± 94,827 mg / dL). Studies have corroborated that having
altered values of TG and WC predisposes to the development of diseases such as obesity and IR [34, 35]. Therefore, the
π1 index could detect subjects predisposed to the development of IR before they become symptomatic.
In the case of the diagnosis of obesity, it can be seen that subjects with IBMI according to the BMI criterion and with
NBMI according to the criterion of the dimensionless index π1, which represent the false negatives (upper right quadrant
of figure 4b), are subjects which have a BMI above 25 but do not present altered WC values (88,215 ± 7,754 cm), TG
(82,548 ± 29,208 mg / dL), fasting insulin (7,985 ± 4.21 μIU / mL) or fasting glucose (81,881 ± 10,060 mg / dL). On the
other hand, the false positives, the subjects who presented IBMI according to the criterion of π1 and NBMI according to
the criterion of the BMI (lower left quadrant of figure 4b), are subjects who presented altered values of fasting glucose
(103,555 ± 39,115), TG (172,320 ± 69,561 mg / dL) and WC (96,874 ± 7,906 cm). Studies show that having altered
values in the WC predisposes to the development of diseases such as IR and diabetes mellitus type II. Similarly, if
altered values in the WC are accompanied by altered values in triglycerides and fasting glucose, then the metabolic
syndrome could be diagnosed. The metabolic syndrome is a pathology that conditions the person to the development of
obesity, IR and type II diabetes mellitus [36, 37]. Therefore, as with the diagnosis of IR, the π1 index could diagnose
subjects predisposed to develop obesity, even before the symptoms associated with the disease appear.
CONCLUSIONS
Insulin resistance and obesity are becoming one of the main public health problems of the 21st century, so the study of
methods for early diagnosis of these pathologies is very important. In this work, a dimensionless number was designed
capable of diagnosing subjects with IR and obesity using biochemical and anthropometric variables. For this, the
118
(EN REVISIÓN)
integration of three databases, one collected at the University of Cuenca in Ecuador and two collected at the Simón
Bolívar University in Venezuela, was carried out. A simple correspondence analysis and a dimensional analysis were
performed to design the dimensionless numbers, and then measures of performance (sensitivity, specificity, positive
predictive value and negative predictive value and ROC curves) were applied for evaluation. The dimensionless number
(π1) that obtained better performance in the detection of subjects with IR and obesity has as variables abdominal
circumference, triglycerides, weight and height, which makes π 1 a simple method that employs parameters that can be
collected in a routine medical examination.
The diagnostic methods for IR and obesity have their limitations, among them are categorized as normal subjects with
high risk of developing such pathologies. In the results obtained in this paper, the π1 index was able to classify as IR or
obese subjects with high risk of developing those diseases, before the initial symptoms appeared (BMI> 25 and HOMA-
IR> 2.5 respectively).
On the other hand, the π theorem of Vaschy-Buckingham, offers an interesting perspective on which the dimensionless
variables managed to have a mathematical functionality, therefore it is possible to relate them. In the area of fluids, heat
transfer and thermodynamics, great strides have been reached by experimentally finding empirical relationships between
dimensionless variables. It is proposed in the future to relate dimensionless physiological variables with the intention of
finding the appropriate empirical functionality using experimental results and mathematical methodologies of adjustment
of functions.
ACKNOWLEDGMENT
This work was funded by the Research Department of the University of Cuenca (DIUC) and the Dean of Research and
Development of the Simón Bolívar University.
References
[1] Zimmet, P., Alberti, M. M., George, K., & Serrano Ríos, M. (2005). Una nueva definición mundial del
síndrome metabólico propuesta por la Federación Internacional de Diabetes: fundamento y resultados. Revista
española de cardiología, 58(12), 1371-1376.
[2] Keys, A., Fidanza, F., Karvonen, M. J., Kimura, N., & Taylor, H. L. (1972). Indices of relative weight and
obesity. Journal of chronic diseases, 25(6-7), 329-343.
[3] Report of a WHO Expert Consultation, (2008). Waist Circumference and Waist–Hip Ratio, WHO Geneva.
[4] Friedrich, N., Thuesen, B., Jorgensen, T., Juul, A., Spielhagen, C., Wallaschofksi H., & Linneberg, A. (2012),
The Association Between IGF-I and Insulin Resistance A general population study in Danish adults. Diabetes
Care, 35( 4), 768-773.
[5] Yamada, C., Mitsuhashi, T., Hiratsuka, N., Inabe, F., Araida, N., & Takahashi, E. (2011). Optimal reference
interval for homeostasis model assessment of insulin resistance in a Japanese population. Journal of Diabetes
Investigation, 2(5), 373–376. http://doi.org/10.1111/j.2040-1124.2011.00113.x.
[6] Japan Diabetes Society. Treatment Guide for Diabetes 2010. Treatment Guide for Diabetes Editorial Committee
Eds. Bunkodo, Tokyo, 2010.
[7] Matsuda, M., & DeFronzo, R. A. (1999). Insulin sensitivity indices obtained from oral glucose tolerance
testing: comparison with the euglycemic insulin clamp. Diabetes care, 22(9), 1462-1470.
119
(EN REVISIÓN)
[8] Belfiore, F., Iannello, S., & Volpicelli, G. (1998). Insulin sensitivity indices calculated from basal and OGTT-
induced insulin, glucose, and FFA levels. Molecular genetics and metabolism, 63(2), 134-141.
[9] Wagner, R., Fritsche, L., Heni, M., Fehlert, E., Stefan, N., Staiger, H., & Fritsche, A. (2016). A novel insulin
sensitivity index particularly suitable to measure insulin sensitivity during gestation. Acta diabetologica,
53(6), 1037-1044.
[10] Muniyappa, R., Lee, S., Chen, H., & Quon, M. J. (2008). Current approaches for assessing insulin sensitivity
and resistance in vivo: advantages, limitations, and appropriate usage. American Journal of Physiology-
Endocrinology and Metabolism, 294(1), E15-E26.
[11] Kok, P., Seidell, J. C., & Meinders, A. E. (2004). The value and limitations of the body mass index (BMI) in the
assessment of the health risks of overweight and obesity. Nederlands tijdschrift voor geneeskunde, 148(48),
2379-2382.
[12] Sonin, A.A. (2004). A generalization of the π theorem and dimensional analysis. PNAS. 101(23), 8525–8526.
[13] Stahl, W., Dimensional Analysis in Mathematical Biology( 1961), Bulletin of Mathematical Biophysics, 23,
355-376,.
[14] Gunther, B., & Delabarr. BL. (1966). An invariant and dimensionless number, which characterizes respiratory,
haematic, circulatory and metabolic functions in mammals. Arch. Biol. Med. Exper, 3(1), 1.
[15] Parra, F., Andrade, D., Cruz, J., Solano-Quinde, L., Palacio-Baus, K., Encalada, L., & Wong, S. (2015).
Plataforma basada en ecgML para el estudio de las complicaciones cardiovasculares en el adulto mayor con
síndrome metabólico. Maskana, 6(Supl.), 157-164.
[16] Craig, C. L., Marshall, A. L., Sjöström, M., Bauman, A. E., Booth, M. L., Ainsworth, B. E., & Oja, P. (2003).
International physical activity questionnaire: 12-country reliability and validity. Medicine & Science in Sports
& Exercise, 35(8), 1381-1395.
[17] Severeyn, E., Wong, S., Herrera, H., & Altuve, M. (2015, August). Anthropometric measurements for assessing
insulin sensitivity on patients with metabolic syndrome, sedentaries and marathoners. In Engineering in
Medicine and Biology Society (EMBC), 2015 37th Annual International Conference of the IEEE (pp. 4423-
4426). IEEE.
[18] Herrera H., Rebato E., Arechabaleta G., Lagrange H., Salces I., Susanne C. (2003). Body Mass Index and
Energy Intake in Venezuelan University Students. Nutrition Research, 23(3), 389-390.
[19] Lebert A. Piron M. (2000). Statistique exploratoire multidimensionnelle. Dunod, (3rd edition), pp. 344-346,
Paris.
[20] Velásquez, J., Wong, S., Encalada, L., Herrera, H., & Severeyn, E. (2015, December). Lipid-anthropometric
index optimization for insulin sensitivity estimation. In 11th International Symposium on Medical Information
Processing and Analysis (SIPAIM 2015) (pp. 96810R-96810R). International Society for Optics and Photonics.
[21] Rayleigh L. (1915). The principles of similitude, Nature, 95, 66-68.
[22] Bertrand, J. (1878). Sur l’homogénéité dans les formules de physique. Comptes rendus, 86(15), 916-920.
[23] Reitsma, J. B., Glas, A. S., Rutjes, A. W., Scholten, R. J., Bossuyt, P. M., & Zwinderman, A. H. (2005).
Bivariate analysis of sensitivity and specificity produces informative summary measures in diagnostic reviews.
Journal of clinical epidemiology, 58(10), 982-990.
120
(EN REVISIÓN)
[24] Grundy, S. M., Cleeman, J. I., Daniels, S. R., Donato, K. A., Eckel, R. H., Franklin, B. A., & Spertus, J. A.
(2005). Diagnosis and management of the metabolic syndrome. Circulation, 112(17), 2735-2752.
[25] Marusteri, M., & Bacarea, V. (2010). Comparing groups for statistical differences: how to choose the right
statistical test?. Biochemia medica, 20(1), 15-32.
[26] Günther B., & León, B. (1966). An invariant and dimensionless number, which characterizes respiratory,
haematic, circulatory and metabolic functions in mammals”. Arch. Biol. Med. Exper, 3, 1-6.
[27] Du, T., Yu, X., Zhang, J., & Sun, X. (2015). Lipid accumulation product and visceral adiposity index are
effective markers for identifying the metabolically obese normal-weight phenotype. Acta diabetologica, 52(5),
855-863.
[28] Park, Y. M., Kwon, H. S., Lim, S. Y., Lee, J. H., Yoon, K. H., Son, H. Y., ... & Lee, W. C. (2010). Optimal
waist circumference cutoff value reflecting insulin resistance as a diagnostic criterion of metabolic syndrome in
a nondiabetic Korean population aged 40 years and over: the Chungju Metabolic Disease Cohort (CMC) study.
Yonsei medical journal, 51(4), 511-518.
[29] Oda, E., & Kawai, R. (2011). Changes in body weight are significantly associated with changes in fasting
plasma glucose and HDL cholesterol in Japanese men without abdominal obesity (waist circumference< 85
cm). Acta diabetologica, 48(2), 143-148.
[30] Pimenta, A. M., Kac, G., Gazzinelli, A., Corrêa-Oliveira, R., & Velásquez-Meléndez, G. (2008). Association
between central obesity, triglycerides and hypertension in a rural area in Brazil. Arquivos brasileiros de
cardiologia, 90(6), 419-425.
[31] Soriguer, F., Colomo, N., Valdés, S., Goday, A., Rubio-Martín, E., Esteva, I., García-Fuentes, E. (2014).
Modifications of the homeostasis model assessment of insulin resistance index with age. Acta diabetologica,
51(6), 917-925.
[32] Gostynski, M., Gutzwiller, F., Kuulasmaa, K., Döring, A., Ferrario, M., Grafnetter, D., & Pajak, A. (2004).
Analysis of the relationship between total cholesterol, age, body mass index among males and females in the
WHO MONICA Project. International journal of obesity, 28(8), 1082.
[33] Hardy, O. T., Czech, M. P., & Corvera, S. (2012). What causes the insulin resistance underlying obesity?.
Current opinion in endocrinology, diabetes, and obesity, 19(2), 81.
[34] Ju, D. Y., Choe, Y. G., Cho, Y. K., Shin, D. S., Yoo, S. H., Yim, S. H., ... & Sohn, C. I. (2013). The influence
of waist circumference on insulin resistance and nonalcoholic fatty liver disease in apparently healthy Korean
adults. Clinical and molecular hepatology, 19(2), 140.
[35] Giannini, C., Santoro, N., Caprio, S., Kim, G., Lartaud, D., Shaw, M., ... & Weiss, R. (2011). The triglyceride-
to-HDL cholesterol ratio. Diabetes care, 34(8), 1869-1874.
[36] Jeppesen, J., Hansen, T. W., Rasmussen, S., Ibsen, H., Torp-Pedersen, C., & Madsbad, S. (2007). Insulin
resistance, the metabolic syndrome, and risk of incident cardiovascular disease: a population-based study.
Journal of the American College of Cardiology, 49(21), 2112-2119.
[37] Ginsberg, H. N., & MacCallum, P. R. (2009). The obesity, metabolic syndrome, and type 2 diabetes mellitus
pandemic: Part I. Increased cardiovascular disease risk and the importance of atherogenic dyslipidemia in
121
(EN REVISIÓN)
persons with the metabolic syndrome and type 2 diabetes mellitus. Journal of the cardiometabolic syndrome,
4(2), 113-119.

Tesis Doctoral JMVF

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis Doctoral JMVF

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD SIMÓN BOLÍVAR

DECANATO DE ESTUDIOS DE POSTGRADO

ANÁLISIS DIMENSIONAL EN EL DISEÑO DE INDICADORES MULTI-

Jesús María Velásquez Fernández

ANÁLISIS DIMENSIONAL EN EL DISEÑO DE INDICADORES MULTI-

Tesis Doctoral presentado a la Universidad Simón Bolívar por

Jesús María Velásquez Fernández

como requisito parcial para optar al grado académico de

Con la asesoría del Profesor

UNIVERSIDAD SIMÓN BOLÍVAR

ANÁLISIS DIMENSIONAL EN EL DISEÑO DE INDICADORES MULTI-

Por: Jesús María Velásquez Fernández

5 de Abril del 2018

UNIVERSIDAD SIMÓN BOLÍVAR

“El hombre encuentra a Dios detrás de

UNIVERSIDAD SIMÓN BOLÍVAR

ANÁLISIS DIMENSIONAL EN EL DISEÑO DE INDICADORES MULTI-

Por: Velásquez Fernández, Jesús María

3.6. Tratamiento Estadístico ................................................................................. 21

2.1. Criterios diagnósticos del SM según el Programa Nacional de Educación sobre el

4.15. Exponentes de las variables. ....................................................................................... 44

2.1. Sistema Regulatorio Glucosa-Insulina (Buratini, 2009). ........................................... 7

4.9. Análisis de correspondencias simples de las variables bioquímicas y

LISTA DE SÍMBOLOS Y ABREVIATURAS

ABC Área Bajo la Curva.

RR Tiempo transcurrido entre cada onda R.

La concentración normal de glucosa sanguínea en el ser humano, se encuentra en el

diagnóstico de RI es establecido en un HOMA-IR > 2,5 (Friedrich, 2012), sin embargo, su

Actualmente el diagnóstico de sobrepeso y obesidad se basa en el IMC, debido a la

1.1. Objetivo general

Diseñar índices que mejoren la especificidad en la discriminación y la categorización

1.2. Objetivos específicos

 Estudiar las relaciones entre variables bioquímicas, antropométricas y de la VFC, con

 Diseñar índices aplicando el análisis dimensional y la optimización paramétrica con las

 Diseñar un andamiaje de soporte de datos para otorgarle utilidad práctica al índice, ya

En este capítulo se describirá el SM, obesidad y RI. También se presentan la historia y

2.1. Regulación glucosa-insulina

La concentración normal de glucosa en la sangre en el ser humano se encuentra en el

2.2. Síndrome Metabólico

Bajo Nivel de Alto Nivel de

Glucagón liberado por Secreción de insulina por

Hígado libera Niveles Normales de Células del cuerpo

Figura 2.1. Sistema Regulatorio Glucosa-Insulina (Buratini, 2009).

La obesidad y el sobrepeso se definen como una acumulación anormal o excesiva de

2.4. Sensibilidad a la insulina

2.5 Métodos que cuantifican la sensibilidad a la insulina

2.5.1. Métodos directos que cuantifican la sensibilidad a la insulina

El Clamp Euglicémico Hiperinsulinémico (CEH) es un protocolo que se utiliza para

Otro método para la medición de la SI es el minimal model para la prueba intravenosa

Métodos con el cual se

Tabla 2.3. Cuadro de los Métodos Indirectos que Cuantifican la SI.

Métodos que Cuantifican

2.5.2. Métodos indirectos que cuantifican la sensibilidad a la insulina

En este capítulo, se describe el procedimiento metodológico que se implementó, el cual

Figura 3.1. Marco metodológico

3.1. Base de datos

La base de datos utilizada es una compilación de tres bases de datos:

i) Base de datos 1 (n=120, masculino=42): En 2015, los adultos mayores de más de 65

El protocolo clínico de cada base de datos se adhirió a los principios de la Declaración

3.2. Medición de la VFC

La medición de la VFC, es decir la oscilación en el intervalo entre latidos consecutivos

3.2.1. Estudio de la VFC

La VFC es extraída a partir de la serie RR, la cual a su vez es extraída de la señal

Figura 3.2. Esquema del procedimiento de cálculo de la serie RR.

J. Velásqueza,e, E. Severeynb,e, H. Herrerab,e, L. Encaladac, S. Wongd,e