Modelado predictivo de patrones antropométricos y hábitos de vida en estudiantes de medicina: estudio transversal con validación interna

Júlia Aparecida Angonesi Venson; Gabriella Nicole Hemkemeier; Livia Da Silva Batista; Nicole Eloise Rolim de Moura; Richart Andrés Martínez Agüero; Fabián Franco; Nidia Viviana Ruiz Prieto; Ronaldo Luis Rodas Jara

Júlia Aparecida Angonesi Venson Universidad Privada del Este https://orcid.org/0009-0004-2014-6725
Gabriella Nicole Hemkemeier Universidad Privada del Este https://orcid.org/0009-0009-0930-1727
Livia Da Silva Batista Universidad Privada del Este https://orcid.org/0009-0002-6140-3025
Nicole Eloise Rolim de Moura Universidad Privada del Este https://orcid.org/0009-0008-2586-7221
Richart Andrés Martínez Agüero Universidad Privada del Este https://orcid.org/0009-0002-5642-7372
Fabián Franco Universidad Privada del Este https://orcid.org/0000-0001-6680-8131
Nidia Viviana Ruiz Prieto Universidad Privada del Este https://orcid.org/0000-0003-1517-492X
Ronaldo Luis Rodas Jara Universidad Católica Nuestra Señora de la Asunción https://orcid.org/0000-0001-9994-5175

Palabras clave: índice de masa corporal, estudiantes de medicina, predicción, estudio de validación, calibración

Resumen

Introducción. La vida universitaria puede modificar trayectorias antropométricas por cambios en alimentación, actividad física, sueño y estrés académico. En estudiantes de medicina, esto es relevante para el bienestar y para la futura función profesional de consejería en estilos de vida.

Objetivos. Estimar la frecuencia de IMC ≥25 kg/m² e IMC ≥30 kg/m² y desarrollar un modelo predictivo multivariado internamente validado para IMC ≥25 kg/m².

Métodos. Estudio transversal analítico (2023) en estudiantes de medicina (n=178) de 1.º a 6.º curso. Se estimaron prevalencias con IC95% y se compararon medidas por sexo. Para la predicción, se utilizó una regresión logística con penalización elastic-net, aplicando validación cruzada estratificada de 5 pliegues y obteniendo predicciones fuera del pliego (OOF). Se evaluó discriminación (AUC), precisión (Brier) y calibración (intercepto/pendiente y deciles).

Resultado. Edad media 25.0±6.7 años; IMC medio 25.0±4.2 kg/m². IMC ≥25: 41.0%; IMC ≥30: 12.9%. El modelo obtuvo AUC(OOF) 0.656 y Brier 0.226, con calibración cercana al ideal.

Conclusión. Se observó una proporción sustancial de estudiantes en rangos de IMC ≥25 kg/m². La validación interna y la calibración explícita sostienen la utilidad del modelo para planificación preventiva universitaria y orientan su validación externa.

Citas

1. Deliens T, Deforche B, Chapelle L, Clarys P. Changes in weight and body composition across five years at university: a prospective observational study. PLoS One. 2019;14(11):e0225187. doi:10.1371/journal.pone.0225187.
2. Gropper SS, Simmons KP, Connell LJ, Ulrich PV. Changes in body weight, composition, and shape: a 4-year study of college students. Appl Physiol Nutr Metab. 2012;37(6):1118-1123. doi:10.1139/h2012-139.
3. Shafiee A, Nakhaee Z, Bahri RA, et al. Global prevalence of obesity and overweight among medical students: a systematic review and meta-analysis. BMC Public Health. 2024;24:1673. doi:10.1186/s12889-024-19184-4.
4. Szemik S, Zieleń-Zynek I, Szklarek E, Kowalska M. Prevalence and determinants of overweight or obesity among medical students over a 2-year observation. Front Nutr. 2024;11:1437292. doi:10.3389/fnut.2024.1437292.
5. Song L, Li J, Yu S, et al. Body mass index is associated with blood pressure and vital capacity in medical students. Lipids Health Dis. 2023;22:174. doi:10.1186/s12944-023-01920-1.
6. Frank E, Breyan J, Elon L. Physician disclosure of healthy personal behaviors improves credibility and ability to motivate. Arch Fam Med. 2000;9(3):287-290. doi:10.1001/archfami.9.3.287.
7. Instituto Nacional de Alimentación y Nutrición (INAN). Situación nutricional de escolares y adolescentes del Paraguay. Ministerio de Salud Pública y Bienestar Social; 2022. Disponible en: https://www.inan.gov.py/site/?p=7902. [citado 2026 Ene 28].
8. Benítez-Leite S, Maciel V, Martínez M, et al. Presencia de factores de riesgo para el desarrollo del síndrome metabólico en estudiantes universitarios, Paraguay, 2023. Rev Parag Med Int. 2023;10(2):15-23. doi:10.18004/rpmi/2312-3893/2023.10.02.15.
9. von Elm E, Altman DG, Egger M, et al. The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: guidelines for reporting observational studies. PLoS Med. 2007;4(10):e296. doi:10.1371/journal.pmed.0040296.
10. Collins GS, Reitsma JB, Altman DG, Moons KGM. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): the TRIPOD statement. BMJ. 2015;350:g7594. doi:10.1136/bmj.g7594.
11. Moons KGM, Altman DG, Reitsma JB, et al. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): explanation and elaboration. Ann Intern Med. 2015;162:W1-W73. doi:10.7326/M14-0698.
12. Van Calster B, McLernon DJ, van Smeden M, Wynants L, Steyerberg EW. Calibration: the Achilles heel of predictive analytics. BMC Med. 2019;17:230. doi:10.1186/s12916-019-1466-7.
13. Zou H, Hastie T. Regularization and variable selection via the elastic net. J R Stat Soc Series B. 2005;67(2):301-320. doi:10.1111/j.1467-9868.2005.00503.x.
14. Friedman J, Hastie T, Tibshirani R. Regularization paths for generalized linear models via coordinate descent. J Stat Softw. 2010;33(1):1-22. PMID:20808728.
15. Altmann A, Toloşi L, Sander O, Lengauer T. Permutation importance: a corrected feature importance measure. Bioinformatics. 2010;26(10):1340-1347. doi:10.1093/bioinformatics/btq134.
16. Steyerberg EW. Clinical Prediction Models: A Practical Approach to Development, Validation, and Updating. 2nd ed. Cham: Springer; 2019. doi:10.1007/978-3-030-16399-0.
17. World Health Organization. Body mass index (BMI) [Internet]. Geneva: WHO; 2024 [citado 2026 Ene 28]. Disponible en: https://www.who.int/data/gho/data/themes/topics/topic-details/GHO/body-mass-index.
18. International Committee of Medical Journal Editors. Recommendations for the Conduct, Reporting, Editing, and Publication of Scholarly Work in Medical Journals [Internet]. ICMJE; 2026 [citado 2026 Ene 28]. Disponible en: https://icmje.org/recommendations/.
19. Wilson EB. Probable inference, the law of succession, and statistical inference. J Am Stat Assoc. 1927;22(158):209-212.
20. Cochran WG. Some methods for strengthening the common χ² tests. Biometrics. 1954;10(4):417-451.
21. DeLong ER, DeLong DM, Clarke-Pearson DL. Comparing the areas under two or more correlated ROC curves: a nonparametric approach. Biometrics. 1988;44(3):837-845.
22. Brier GW. Verification of forecasts expressed in terms of probability. Mon Weather Rev. 1950;78(1):1-3.
23. Riley RD, Snell KI, Ensor J, et al. Minimum sample size for developing a multivariable prediction model: PART II—binary and time-to-event outcomes. Stat Med. 2019;38(7):1276-1296. doi:10.1002/sim.7992.
24. Thompson FE, Subar AF. Dietary assessment methodology. In: Coulston AM, Boushey CJ, Ferruzzi MG, editors. Nutrition in the Prevention and Treatment of Disease. 4th ed. Academic Press; 2017. p. 5-48.