Introducción
El sobrepeso y la obesidad es una “acumulación anormal o excesiva de grasa que puede ser perjudicial para la salud” y, a su vez, se presenta como riesgo para enfermedades no transmisibles (ENT) [1]. En los últimos años [2], estas condiciones siguen aumentando y según la Organización Mundial de la Salud (OMS) [3], las ENT causan 41 millones de muertes cada año, convirtiéndose en un problema de salud pública que amenaza con obstaculizar el desarrollo económico y social a nivel mundial [4].
Este problema de salud pública es tema de investigación. Sin duda, estas condiciones son factores de riesgo que el mundo trata de “controlar” [5], lo que ha permitido generar aportes como la “Encuesta Nacional de Situación Nutricional” (ENSIN) [6], que revisa el estado de salud de poblaciones de interés en Colombia con datos recopilados quinquenalmente. En la actualidad, la Encuesta lleva tres versiones: 2005, 2010 y 2015 [7]. A partir de los datos de la ENSIN, se han elaborado estudios, como el asociar la enfermedad con el número de comidas/día o el nivel socioeconómico [5,8]. Sin embargo, otros estudios buscan respuestas mediante la vinculación de estas condiciones con otras comorbilidades, por ejemplo, con la hipertensión y el síndrome metabólico [9], y con el accidente cerebrovascular, la diabetes tipo 2 y enfermedades cardiovasculares [10,11]. No obstante, son pocos los autores que usan los análisis espaciales en salud pública.
Pese a ese poco uso de esos instrumentos, los sistemas de información geográfica (SIG) y la epidemiología espacial han sido herramientas fundamentales [12,13] para determinar la variación y los comportamientos de vecindad a nivel espacial en las enfermedades [14]. Kang-Tsung [15], Maheswaran y Craglia [16], Chrisman [17] y Goodchild y Haining [18,19] definen los SIG como un sistema de información que contiene etapas desde la adquisición hasta la presentación de información geográfica [20]; además, son una “respuesta a necesidades humanas de gestión y análisis de la información” [21]. Del mismo modo, Anselin y Getis [20], Goodchild [22] y Maguire [23] mencionan que la importancia de los sig son los modelos espaciales y métodos estadísticos, que permiten la creación de escenarios a partir de la información [24] y la integración de planos, mapas y dibujos en una misma escala [25]. Cabe resaltar que la aplicación de los SIG se ha incrementado en los últimos años [25], donde importantes autores como Roger Tomlinson (padre del SIG) [25,26] y John Snow (padre de la epidemiología moderna) [17] han ayudado a promover y desarrollar los SIG en campos de la epidemiología y la salud pública (SIG-EPI) [25].
En un análisis geoespacial usando herramientas sig son muy importantes el índice de Moran Global (I’Moran Global), porque este mide la asociación global del territorio; el índice de Moran Local de Anselin, que también es conocido como el índice local de autocorrelación espacial (Local Indicators of Spatial Association, lisa), muy utilizado para observar la dependencia espacial en la ocurrencia de la enfermedad y su áreas de agrupación espacial (clustering), y el G* Getis Ord, para la identificación de los conglomerados a nivel espacial que tiene la enfermedad, y sobre la base de autocorrelación espacial se usan los residuales de los mínimos cuadrados ordinarios (Ordinary Least Squares, OLS) o la regresión ponderada geográficamente. En el apartado “Discusión” se mencionan algunos análisis espaciales realizados en países latinoamericanos y sus resultados [12,27-29].
Finalmente, todos estos aportes de los sig y la epidemiología espacial, en términos de salud pública, posibilitan dilucidar los problemas de salud pública y emitir respuestas para la toma de decisiones. No obstante, si bien en investigaciones previas se carece de estudios que realicen un análisis geoespacial, este puede ser muy útil en estudios de cohorte y transversales y observarlo geográficamente, e identificar factores poblacionales que pueden servir para hacer políticas públicas, planes, programas y proyectos.
De esta manera, el objetivo de este estudio es realizar un análisis geoespacial del comportamiento de sobrepeso y obesidad basado en la encuesta de la ENSIN de 2015.
Metodología
En esta sección se describen el lugar de estudio, las fuentes de información, la población y las variables de interés.
Área de estudio
Colombia está ubicado en América del Sur y tiene 32 departamentos y el Archipiélago de San Andrés y Providencia. Limita al norte con el océano Atlántico y el mar Caribe; al occidente, con el océano Pacífico; al oriENTe, con Venezuela, y al sur, con Ecuador, Perú y Brasil.
Para el estudio, se utiliza el sistema de coordenadas proyectado Universal Transverse Mercator (UTM) (World Geodetic System, WGS) 1984, con el hemisferio sur en la zona 18.
FuENTe de información
Para obtener los datos se realiza un análisis de datos secundarios con la base de datos de la ENSIN del 2015 [6], a cargo del Instituto Colombiano de Bienestar Familiar, el Ministerio de Salud y Protección Social, el Departamento Administrativo para la Prosperidad Social, el Instituto Nacional de Salud, la Organización Panamericana de la Salud y la OMS.
Los datos son tomados de las bases de datos de antropometría y de actividad física (submuestra de la ENSIN) de los adultos de 18 a 64 años y de los estándares de la OMS para clasificar el sobrepeso y la obesidad en kg / m2 según el índice de masa corporal (imc) [30], donde el rango normal es 18,50-24,99; sobrepeso: 25,00-29,99; obesidad clase i: 30,00-34,99; obesidad clase ii: 35,00-39,99; obesidad clase iii ≥ 40,00. También se utiliza el trabajo de Ko y Tang [31] para clasificar la obesidad abdominal en hombres y mujeres con la circunferencia de cintura en cm, donde la obesidad abdominal ≥ 90 cm en hombres y ≥ 80 cm en mujeres, con ambas referencias para la edad de estudio.
Es necesario aclarar que se toma la variable IMC de la base de datos ya calculada y luego se clasifica según el criterio de la OMS.
Población
En la base de datos de la ENSIN de antropometría se encuentran 137 579 personas encuestadas, de los cuales 73 441 tienen de 18 a 64 años y no están en embarazo o posparto. Para llegar a ello, se realiza un proceso de limpieza de los datos, antes de extraer las variables de interés, eliminando datos atípicos dentro del comportamiento natural de cada variable. En la Figura 1 se describe el detalle de la depuración y, por último, se extraen solo las variables de interés y se unen con las variables de interés de la base de datos de actividad física.
Variables de interés
La variable dependiente representa el número de personas con sobrepeso/obesidad en cada departamento. Las variables independientes (llamadas “variables explicativas”) son población, sexo, edad, nivel educativo, etnia, régimen de aseguramiento, cumplimiento de las recomendaciones de actividad física de 150 minutos en la semana y cercanía a parques/centros de recreación (véase Tabla 1].
Tabla 1
Variables del estudio
[ii]**La base de datos de actividad física en la ENSIN es una submuestra, se encontraron 57151 personas que no se encuestaron y no se tuvieron en cuenta para los resultados.
[iii]Fuente: Elaboración propia, a partir de datos tomados de la ENSIN [7].
Análisis estadístico
Se lleva a cabo recategorizando la variable de circunferencia y el imc en el software Statistical Package for Social Sciences de International Business Machine (IBM® SPSS®) versión 25, con licencia de la Universidad de Antioquia. Para el análisis descriptivo se calcula la prevalencia de sobrepeso y la obesidad de cada departamento y se elaboran los gráficos. La fórmula es la siguiente [32]: fórmula (1)
Análisis espacial
Para el análisis geoespacial se usó el software ArcGIS versión 10.8, con licencia de la Universidad San Buenaventura. A este se cargó la capa de la división político-administrativa de Colombia a la Geodatabase y se agregaron los geodatos utilizando la herramienta ArcToolbox a la capa de departamentos, con los atributos analizados y la tabla de datos depurada y recategorizada con los valores absolutos de los 32 departamentos.
Para lograrlo, se inició un análisis exploratorio con todas las variables para idENTificar si los datos tienen una distribución normal y se hizo el geoproceso del OLS con su fórmula [33]. Luego, se realizó un test (criterio de rendimiento y criterio de ausencia de redundancia), para determinar cuál modelo se ajustaba a las variables significativas, donde se permutaron las variables independientes 999 veces, hasta encontrar el mejor coeficiente de determinación ajustado (adjR2) (> 0,5) y el menor criterio de información de Akaike corregido (AICc).
Estas últimas herramientas se utilizan para cumplir con el criterio de rendimiento, que identifica si las variables explicativas dan cuenta de la variación de la variable dependiente. Asimismo, se debe cumplir el criterio de ausencia de redundancia o multicolinealidad con el factor de inflación de la varianza (variance inflation factor, VIF), para determinar si las variables explicativas son independientes entre sí. Si no lo son, se deben remover, porque existe multicolinealidad y este valor siempre debe ser menor que 7,50.
El test mencionado se lleva a cabo para elegir el mejor modelo espacial de la autocorrelación y es con el fin de garantizar la relación lineal entre estas variables y la variable respuesta.
Luego, se aplicó el índice de Moran Global con los residuales del ols con su fórmula [34], p. 52, donde la interpretación es similar al coeficiente de correlación r, en el cual, si el valor es cercano a 0, no hay correlación espacial y su distribución es al azar. Los valores oscilan entre +1 y -1, es decir, el resultado es una autocorrelación perfecta positiva que indica la existencia de una dependencia espacial y una autocorrelación perfecta negativa respectivamente que indica distinción geográfica en sus unidades.
Después, se corrieron los geoprocesos, utilizando técnicas espaciales como lisa, con su fórmula [34], p. 58; [35], p. 192, que es el recuENTo de sus departamentos vecinos (en una observación geográfica), y el G* Getis Ord [36], para analizar qué tan correlacionados están espacialmente los datos.
Es de aclarar, primero, que todos estos indicadores se encuentran en el software ArcGIS por medio de ArcMap (herramienta de minería de datos) y se pueden ejecutar a partir de una tabla de datos georreferenciados; y segundo, que en el estudio no se tuvieron en cuenta las frecuencias de variables sin datos, ya sean perdidos o mediciones no evaluadas (no entrevistados por la ENSIN) [7].
La estructura del geoalmacenamiento de los geodatos se dividió en dos partes: la primera (véase, en el apartado de “Resultados”, la Figura 3] es el resultado del lisa y la segunda (véase Figura 4] es el índice G* Getis Ord. En la Figura 3 se observa el color blanco para geodatos no significativos; el gris oscuro (el color tiene un 70 %), para departamentos con frecuencias por encima del promedio (alto-alto o High-High); el gris claro (el color tiene el 10 %) para departamentos con frecuencias inferiores al promedio (bajo-bajo o Low-Low); el gris claro (el color tiene el 50 %) para departamentos con frecuencias altas y rodeados por departamentos con frecuencias bajas al promedio (alto-bajo o High-Low), y el gris claro (el color tiene el 30 %) para departamentos con frecuencias bajas y rodeados por departamentos con frecuencias altas al promedio de media (bajo-alto o Low-High).
En la Figura 4 (que también se presenta en el apartado “Resultados”), la geovisualización del G* Getis Ord se representó con cuatro colores degradados del gris claro (el color con el 30 %) al gris oscuro (el color con el 70 %) para las altas frecuencias, llamadas “puntos calientes” (hot spots), y los colores degradados del azul claro (el color con el 30 %) al azul oscuro (el color con el 70 %) para las bajas frecuencias llamadas “puntos fríos” (cold spots). Estos puntos fríos y calientes son agrupados estadísticamente significativos con un nivel de confianza de 95 %.
Consideraciones éticas
Este estudio cumple con los criterios enunciados en los “Principios éticos para las investigaciones médicas en seres humanos”, enunciados por la Asociación Médica Mundial en la “Declaración de Helsinki” [37], y con lo determinado en la Resolución 8430 de 1993 [38], con riesgo mínimo por trabajar con datos secundarios anonimizados por parte de la ENSIN.
Además, no se cuenta con aprobación del Comité de Ética de la Universidad San Buenaventura, debido a que se trabaja con datos secundarios que no afectan la confidencialidad ni información privada de las personas.
Resultados
En la Tabla 2, se muestra que las condiciones estudiadas fueron significativas (< 0,001); la prevalencia del sobrepeso es el 38,6 (28 246 / 73 206) por cada 100 habitantes, y en la obesidad abdominal prevalece el 53,5 (39 051 / 72 987) por cada 100 habitantes. Las mujeres prevalecen 22,6 puntos por encima de la obesidad en los hombres.
Tabla 2
Prevalencias según el IMC y la circunferencia de cintura por el sexo.
[v]Fuente: Elaboración propia, a partir de datos tomados de la ENSIN [7].
Resultados del análisis espacial
En la Tabla 3 se presentan las variables dependientes asociadas al mejor modelo obtenido por el ols y el I’Moran Global, con significación de valores de p. Los modelos se consideran buenos para el análisis espacial, debido a que los residuales están distribuidos en forma normal.
Tabla 3
Resultados de autocorrelación espacial
En cuanto al valor p, los modelos difieren entre la obesidad abdominal y la obesidad clase ii y clase iii; sin embargo, para el sobrepeso y la obesidad clase i es significativo con valor p< 0,05; sin embargo, el sobrepeso es de -0,72, es decir, autocorrelación negativa, donde su localización espacial es disímil entre sus vecinos.
Las mujeres con obesidad abdominal con el I’Moran Global es de 0,45 (p= 0,964) y de 0,59 (p= 0,519) en la prevalencia de la obesidad abdominal en hombres; esto indica que existe autocorrelación positiva y aleatorización espacial en ambos sexos.
La obesidad según el imc en la clase i, I’Moran Global es 0,85 (p= 0,390); la clase ii, 0,30 (p= 0,758), y la clase iii, 0,21 (p= 0,828), lo cual indica que existe aleatorización, sus residuales se distribuyen de forma normal en el espacio y tiene una autocorrelación espacial positiva, es decir, la variable aleatoria tiene una tendencia de agruparse en el espacio.
Por lo anterior, los valores del I’Moran Global oscilan entre 0,8 y −0,7 en las seis variables dependientes del estudio, aceptando la hipótesis nula, es decir, la configuración espacial es aleatoria.
Adicionalmente, se reporta el resultado del modelo de la autocorrelación espacial (véase Tabla 2]. Las variables independientes mencionadas en la Tabla 1 son los factores que hay que tener en cuenta para implementar acciones y aumentar las estrategias poblacionales, con el fin de disminuir la prevalencia de estas condiciones de salud.
En la Figura 2 se presenta el mapa de las prevalencias. Llama la atención que Vichada, después del Archipiélago San Andrés, tiene mayores prevalencias en la obesidad abdominal, sobrepeso y obesidad clase i. El sobrepeso se observa en el sur de Colombia y la obesidad abdominal está en el norte del país, zona costera.
Figura 2
Distribución espacial de las prevalencia de sobrepeso y obesidad. a. prevalencias del sobrepeso; b. prevalencias de la obesidad clase i; c. prevalencias de la obesidad clase ii; d. prevalencias de la obesidad clase iii; e. prevalencia de la obesidad abdominal en la mujer; f. prevalencia de la obesidad abdominal en el hombre.
En la Figura 3 se muestra el mapa del índice Moran local de Anselin, donde se presentan agrupaciones o clústeres. Por un lado, llama la atención que departamentos “alto-alto”, como lo son Antioquia, Córdoba, Bolívar, Sucre, Cesar y Magdalena, tienen mayor riesgo independientemente de sus departamentos vecinos de tener la obesidad abdominal en mujeres y hombres. En 6 departamentos “alto-alto” para la obesidad abdominal en mujeres y en 9 departamentos “alto-alto” para la misma en hombres, los porcentajes son del 18,7 % (6/32) y del 28,1 % (9/32) respectivamente.
Figura 3
Análisis de agrupamiento espacial de Anselin. a. Mapa de la obesidad clase i; b. mapa de la obesidad clase ii; c. mapa de la obesidad clase iii; d. mapa del sobrepeso en Colombia; e. mapa de la obesidad abdominal de las mujeres; f. mapa de la obesidad abdominal de los hombres.
Por otro lado, se presenta un clúster “alto-alto” en la obesidad clase i (Chocó, Antioquia, Córdoba, Bolívar, Sucre, Magdalena y Cesar) y en el sobrepeso, de 21,8 % (7/32) (Antioquia, Córdoba, Bolívar, Sucre, Magdalena, Cundinamarca y Norte de Santander). Por último, en la clase ii es 9,09 % (3/33) y en la clase iii no existen conglomerados.
En la Figura 4, el mapa del indicador G* de Getis Ord demuestra que existe una concentración de los departamentos. Esto se evidencia en las zonas de color gris oscuro, es decir, hay un conglomerado, con respecto a los departamentos vecinos de Córdoba, de la obesidad abdominal de las mujeres de 12,5 % (4/32), y en los hombres, de 15,6 % (5/32). En la obesidad según el IMC hay HotSpot 99 % (puntos calientes), es decir, existe conglomerado de la enfermedad, en la clase i, de 18,7 % (6/32); en la clase ii, de 12,5 % (4/32), y en la clase iii no existe relación con sus departamentos vecinos y no hay significancia con respecto a los departamentos. En el sobrepeso existe autocorrelación HotSpot 99 % de coincidencia con el 9,37 % (3/32). En conclusión, para la obesidad abdominal y el sobrepeso en mujeres y hombres se detectaron puntos calientes, con el 99 % de coincidencia en los departamentos de Córdoba, Sucre y Magdalena.
Figura 4
Análisis de agrupamiENTo espacial de G* Getis Ord. a. Mapa de la obesidad clase i; b. mapa de la obesidad clase ii; c. mapa de la obesidad clase iii; d. mapa del sobrepeso en Colombia; e. mapa de la obesidad abdominal en mujeres; f. mapa de la obesidad abdominal en hombres.
Es necesario aclarar (véanse Figura 3 y Figura 4] que el sobrepeso y la obesidad se encuentran agrupados en el noroccidente de Colombia y se resalta un aumento en la costa Atlántica.
Discusión
En el estudio se demuestra, con el uso de las herramientas I’Moran Global, los clústeres, LISA y G* Getis Ord, que las variables dependientes analizadas tienen aleatorización, marcando la necesidad de realizar estrategias en salud pública en los departamentos del noroccidente con puntos calientes mencionados en el estudio.
Un hallazgo de este estudio es la predicción de altas prevalencias en las zonas costeras, como el Archipiélago de San Andrés y La Guajira, lo que plantea la necesidad de desarrollar programas de salud pública que mejoren las condiciones de salud de esta población.
Cabe resaltar que estas zonas costeras también se ven marcadas con estas condiciones en estudios latinoamericanos, como Hernández-Vásquez et al. [28], quienes muestran que existe mayor prevalencia de obesidad y sobrepeso en zonas costeras de las regiones Tacna, Moquegua, Callao, Lima e Ica de Perú. Además, se observa que la prevalencia es más alta en el área urbana con respecto al sobrepeso de 199 distritos, donde 126 son urbanos (63 %) y 73 rurales (37 %).
Por su parte, Hernández-Vásquez et al. [29] presentan un estudio similar de resultados de mayor prevalencia en zonas urbanas costeras, que coinciden con el mayor índice de riqueza comparado con la selva y la sierra.
A diferencia de los dos últimos artículos referenciados, en este estudio no se tienen datos diferenciados con lo urbano y rural, pero ello plantea la necesidad de efectuar un análisis espacial desde este punto de vista.
Además, en este estudio se encontró dependencia espacial en la ocurrencia del sobrepeso-obesidad, situación similar al artículo publicado en el 2023 por Muñoz et al.[39], donde se observa el patrón dietético como factor clave por departamentos según el nivel socioeconómico en Colombia.
Otro hallazgo es la similitud en alta prevalencia del exceso de peso en las mujeres de Colombia y muchos estudios [8,27,40-42] demuestran la formulación de la urgencia en salud pública que se requiere. Estas altas prevalencias trazan la necesidad de realizar una continua vigilancia del IMC y de la circunferencia de cintura, y ejecutar políticas en salud para la prevención, el tratamiENTo y la rehabilitación de estas condiciones de salud de los colombianos.
Al comparar prevalencias del año 2020, se reportó un estudio [43] realizado en cinco ciudades principales de Colombia (Bogotá, Medellín, Cali, Barranquilla y Bucaramanga), donde se encontró prevalencia de exceso de peso corporal del 57,5 % (36,2 % sobrepeso, 21,3 % obesidad) y en obesidad abdominal fue del 34,4 %, mientras que en este estudio la prevalencia sobrepeso-obesidad es 2 puntos por encima de estos resultados del 2020.
Limitaciones
Se tienen limitaciones en los resultados, porque pueden tener sesgos cuando no se cuenta con información a escalas detalladas sino globales, es decir, a escala departamental. Sin embargo, este estudio ha sido el único en realizar un análisis espacial con estos datos secundarios
Otra limitación que se presenta es cuando no se cumple el principio de completitud en los datos secundarios, porque los resultados pueden estar sesgados. Igualmente, aunque sea la última versión de la ENSIN, ya han pasado muchos años y el dato no es actualizado para conocer con certeza las condiciones en salud.
Conclusiones
En el análisis geoespacial de las prevalencias, se puede concluir, por un lado, que se presentaron altas prevalencias de las condiciones estudiadas en dos departamentos, en el Archipiélago de San Andrés y Providencia, y en Vichada. A su vez, las condiciones de salud estudiadas con el IMC prevalecen en los departamentos del sur de Colombia, mientras que las condiciones estudiadas con la circunferencia de cintura prevalecen en el norte del país. Además, en cuanto al sexo, se evidenciaron altas prevalencias de obesidad en las mujeres.
Por otro lado, la predicción realizada con los índices evidencia altas de prevalencias, en zonas costeras, de las condiciones estudiadas, tanto con el IMC como con la circunferencia de cintura.
Además, en la revisión no sistemática que se realizó no se encontraron estudios donde se hayan utilizado los tres índices predictivos; sin embargo, a partir de los resultados de la autocorrelación espacial, el modelo espacial adecuado para reducir la obesidad abdominal en las mujeres es implementar estrategias en educación en primaria y secundaria, y en la afiliación al sistema de salud de las colombianas, mientras que la obesidad abdominal en hombres puede estar condicionada por ser afrocolombianos, tener ocupación formal, ser subsidiado, no estar afiliado al sistema de salud y no realizar los 150 minutos de actividad física en la semana.
Asimismo, aunque el estudio se haya efectuado con datos del 2015, los estudios encontrados demuestran que aún este problema de salud pública amerita identificación de los riesgos, y la implementación y la atención en las políticas de salud públicas del país.
Recomendaciones
Esta metodología se recomienda, primero, porque ejecutar un análisis geoespacial de las prevalencias utilizando el índice de Moran Global, el índice de Moran Local de Anselin y el G* de Getis Ord permite conocer el comportamiento del sobrepeso y la obesidad preferiblemente a menores escalas. Segundo, contar con información antropométrica actualizada posibilita efectuar análisis espaciales para identificar las zonas que requieren priorizar acciones en salud pública e intervenir oportunamente, pues con los resultados de la autocorrelación se pueden identificar los factores que influyen en la enfermedad.
En términos de salud pública, los mapas obtenidos también se pueden aprovechar para plantear nuevas hipótesis de estudio, como, por ejemplo, dilucidar las razones de las altas prevalencias en las mujeres y en las zonas costeras, y revisar a escalas menores (municipios, veredas, barrios) e implementar estrategias que disminuyan estas condiciones en salud.