UNIVERSIDAD SIMÓN BOLÍVAR DECANATO DE ESTUDIOS DE POSTGRADO COORDINACIÓN DOCENTE DE POSTGRADO DEL DOCTORADO EN INGENIERÍA DOCTORADO EN INGENIERÍA

Transcripción

1 UNIVERSIDAD SIMÓN BOLÍVAR DECANATO DE ESTUDIOS DE POSTGRADO COORDINACIÓN DOCENTE DE POSTGRADO DEL DOCTORADO EN INGENIERÍA DOCTORADO EN INGENIERÍA TESIS DOCTORAL VALOR DIAGNÓSTICO DE LA PRUEBA ORAL DE TOLERANCIA A LA GLUCOSA Y MÉTODOS PARA ESTIMAR LA SENSIBILIDAD A LA INSULINA Por Erika Severeyn Varela Septiembre, 2014

2 UNIVERSIDAD SIMÓN BOLÍVAR DECANATO DE ESTUDIOS DE POSTGRADO COORDINACIÓN DOCENTE DE POSTGRADO DEL DOCTORADO EN INGENIERÍA DOCTORADO EN INGENIERÍA VALOR DIAGNÓSTICO DE LA PRUEBA ORAL DE TOLERANCIA A LA GLUCOSA Y MÉTODOS PARA ESTIMAR LA SENSIBILIDAD A LA INSULINA Tesis Doctoral presentado a la Universidad Simón Bolívar por Erika Severeyn Varela como requisito parcial para optar al grado académico de Doctor en Ingeniería Con la asesoría de los Profesores Sara Wong Miguel Altuve Septiembre, 2014

3 ii UNIVERSIDAD SIMÓN BOLÍVAR DECANATO DE ESTUDIOS DE POSTGRADO COORDINACIÓN DOCENTE DE POSTGRADO DEL DOCTORADO EN INGENIERÍA DOCTORADO EN INGENIERÍA VALOR DIAGNÓSTICO DE LA PRUEBA ORAL DE TOLERANCIA A LA GLUCOSA Y MÉTODOS PARA ESTIMAR LA SENSIBILIDAD A LA INSULINA Por: Erika Severeyn Varela Carnet No.: Este trabajo de Grado ha sido aprobado en nombre de la Universidad Simón Bolívar por el siguiente jurado examinador: Presidente Profa. Karem Noris Miembro Externo ULA Prof. Rubén Medina Miembro Externo-UCV Prof. Isidro Amaro Miembro Principal-Tutor Profa. Sara Wong Miembro Principal-Co-Tutor Prof. Miguel Altuve 5 de Septiembre del 2014

4 iii UNIVERSIDAD SIMÓN BOLÍVAR VICERRECTORADO ACADÉMICO DECANATO DE ESTUDIOS DE POSTGRADO COORDINACIÓN DOCENTE DE POSTGRADO DEL DOCTORADO EN INGENIERÍA ACTA DE VEREDICTO Quienes suscribimos, profesores Prof. Sara Wong (tutora), Prof. Miguel Altuve (co-tutor), Prof. Rubén Medina, Prof. Isidro Amaro y Prof. Karem Noris miembros del Jurado designado por el Consejo Asesor de la Coordinación Docente de Postgrado del Doctorado en Ingeniería de la UNIVERSIDAD SIMÓN BOLÍVAR para evaluar la Tesis Doctoral presentada por la estudiante ERIKA SEVEREYN VARELA cédula de identidad Nro , bajo el título VALOR DIAGNÓSTICO DE LA PRUEBA ORAL DE TOLERANCIA A LA GLUCOSA Y MÉTODOS PARA ESTIMAR LA SENSIBILIDAD A LA INSULINA. A los fines de cumplir con el requisito legal para optar al Grado Académico de Doctor en Ingeniería, 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 septiembre del año 2014, a las 9.00 am, para que la autora la defendiera oralmente en forma pública, lo que ésta hizo en el salón multimedia de postgrado, ubicado en el edificio Básico I, piso 3, de la Universidad Simón Bolívar, según las siguientes pautas: exposición oral de la Tesis por parte de la estudiante autora, 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 de la 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 APROBADO CON MENCIÓN SOBRESALIENTE, apoyándonos en las siguientes razones: 1.- El trabajo representa un aporte novedoso en el área de ingeniería biomédica, al aportar nuevos métodos para incrementar el valor diagnóstico de la prueba oral de tolerancia a la glucosa. Se logra además la recopilación de dos bases de datos extensas de la población venezolana. Asimismo en el trabajo se propone un nuevo índice antropométrico sensible y específico para estimar la baja sensibilidad a la insulina. 2.- Del trabajo de Tesis se derivaron seis comunicaciones en revistas y congresos tanto nacionales como internacionales, y otros trabajos se encuentran en proceso de revisión. En fe de lo cual se levanta la presente ACTA en Sartenejas, a los CINCO días del mes de SEPTIEMBRE de Prof. Sara Wong Tutora C.I: Prof. Miguel Altuve Co-Tutor C.I Prof Rubén Medina Miembro del Jurado (externo) ULA C.I: Prof. Isidro Amaro Miembro del Jurado (externo) UCV C.I: Prof. Karem Noris Miembro del Jurado- Presidente C.I.:

5 iv AGRADECIMIENTOS A Jesús y Diego, porque mis días comienzan y terminan en el mismo sitio mis amores. A mis padres, Maura y Jorge porque siempre me han ofrecido su amor y apoyo en todos mis proyectos. A mis hermanos, Alejandro, David y Vanessa, por su alegría y abrazos oportunos en los momentos difíciles. A la Profesora Sara, mi tutora y amiga, por su cariño, por orientarme y sobre todo por creer en mí y en mis capacidades. A Miguel por la amistad brindada, la guía y la paciencia. Al Profesor Gianfranco, por sus sabios y acertados consejos. A Alexandra, Julio y Carlos por el apoyo emocional. Al Dr. José Luis Cevallos y el Laboratorio de Investigaciones Clínicas de la Universidad Central de Venezuela, por el soporte en el diseño y registro del protocolo clínico. A la Dra. Deyanira Almeida por la asesoría durante la concepción del proyecto. A Héctor y Gaby del Laboratorio de Evaluación Nutricional, por el conocimiento brindado en el área de nutrición y antropometría. A DIOS porque los puso en mi camino

6 v UNIVERSIDAD SIMÓN BOLÍVAR DECANATO DE ESTUDIOS DE POSTGRADO COORDINACIÓN DOCENTE DE POSTGRADO DEL DOCTORADO EN INGENIERÍA DOCTORADO EN INGENIERÍA VALOR DIAGNÓSTICO DE LA PRUEBA ORAL DE TOLERANCIA A LA GLUCOSA Y MÉTODOS PARA ESTIMAR LA SENSIBILIDAD A LA INSULINA Por: Severeyn Varela, Erika Carnet No.: Tutor: Wong, Sara Co-tutor: Altuve, Miguel Septiembre 2014 RESUMEN La baja Sensibilidad a la Insulina (SI) es una de las características del Síndrome Metabólico (SM), precursor de la diabetes y de enfermedades cardiovasculares. Para la medición de la SI, se usan comúnmente los métodos indirectos (MI), los cuales requieren de protocolos menos invasivos y riesgosos que los métodos directos, pero que son menos precisos. Los MI se basan en el análisis e interpretación de los valores de glucosa e insulina obtenidos durante la Prueba Oral de Tolerancia a la Glucosa (POTG), y no son precisos en todos los tipos de poblaciones. Por ello se hace necesario el estudio de los mismos para el diseño de un índice que permita la cuantificación de la SI en todos los tipos de poblaciones. Para llevar a cabo el objetivo de este trabajo, se recolectaron los valores de glucosa e insulina obtenidas durante la POTG, el electrocardiograma u otras variables de interés, de diferentes individuos. Posteriormente, 15 MI reportados en la literatura, fueron optimizados para cada tipo de población en estudio, usando una metodología basada en optimización estadística multiparamétrica. Finalmente, con las adquisiciones ECG, se realizó un estudio de la VFC durante la POTG usando el análisis de correspondencias. Las principales contribuciones de esta tesis doctoral se centran en: i) Diseño de una metodología que permite la generación de curvas de glucosa e insulina sintéticas que describen diversos tipos de poblaciones según su fisiopatología. ii) Optimización de los MI y propuesta de un nuevo índice que incluye medidas antropométricas y con resultados más exactos de SI según el tipo de población. iii) Estudio multiparamétrico de la VFC durante la POTG que permite la discriminación entre las poblaciones estudiadas. Los resultados obtenidos en este trabajo aportan una mejor descripción del Síndrome Metabólico así como también un incremento en el valor diagnóstico de la POTG. Palabras claves: Generación de datos sintéticos, optimización estadística multiparamétrica, variabilidad de la frecuencia cardiaca, sensibilidad a la insulina, prueba oral de tolerancia a la glucosa.

7 vi ÍNDICE GENERAL AGRADECIMIENTOS... iv RESUMEN... v ÍNDICE GENERAL... vi ÍNDICE DE TABLAS... viii ÍNDICE DE FIGURAS... ix LISTA DE SÍMBOLOS Y ABREVIATURAS... x CAPÍTULO I. INTRODUCCIÓN... 1 CAPÍTULO II. MARCO FISIOLOGICO Fisiología celular de la respuesta a la obtención de alimentos Síndrome Metabólico Obesidad Sensibilidad a la insulina Tejido muscular y SM Conducta sedentaria Actividad Física como tratamiento del SM CAPÍTULO III. MARCO TEÓRICO Métodos que cuantifican la sensibilidad a la insulina Pág Métodos directos que cuantifican la sensibilidad a la insulina Métodos indirectos que cuantifican la sensibilidad a la insulina Variabilidad de la Frecuencia Cardiaca Estudio de la VFC Métodos en el dominio del tiempo Métodos en el dominio de la frecuencia CAPÍTULO IV. MARCO METODOLÓGICO Protocolo Clínico Protocolo para el estudio de la sensibilidad a la insulina y la variabilidad de la frecuencia cardiaca Protocolo para el estudio de la sensibilidad a la insulina Protocolo para el estudio de la sensibilidad a la insulina en atletas Métodos Evaluados Métodos que Cuantifican la Sensibilidad a la Insulina Estudio de la Variabilidad de la Frecuencia Cardiaca... 27

8 vii Pág Clasificación y generación de curvas de glucosa e insulina Análisis Estadístico Comparación Estadística Estándar Análisis de Correspondencias Correlación de Spearman CAPÍTULO V. DISCUSIÓN Y RESULTADOS Bases de datos recolectadas Base de datos para el estudio multipoblacional de la SI y la VFC Base de datos para el estudio de la sensibilidad a la insulina (BDR2) Bases de datos sintéticas (BDS) Parámetros obtenidos en el estudio de la Variabilidad de la Frecuencia Cardíaca Resultados en cuanto al diseño de la base de datos sintética Clasificación de los sujetos Límites de los valores de glucosa e insulina en cada fase de la POTG Análisis de correspondencia entre la BDS1 y la BDR Análisis de correspondencia entre los resultados de sensibilidad a la insulina obtenida usando la BDR2.2 y BDS Índice de proporciones antropométricas Determinación un nuevo método que cuantifica la sensibilidad a la insulina Valores de la sensibilidad a la insulina en la BDR1 y DMDF2 con la utilización de los métodos indirectos que cuantifican la sensibilidad a la insulina CAPÍTULO VI. CONCLUSIONES REFERENCIAS PUBLICACIONES DERIVADAS ANEXO I: ANÁLISIS DE CORRESPONDENCIAS ANEXO II: PUBLICACIONES EN EXTENSO ANEXO III: CONSENTIMIENTO INFORMADO

9 viii ÍNDICE DE TABLAS Tablas Pág Correlación de los métodos que cuantifican la sensibilidad a la insulina con el CLAMP Euglicémico Hiperinsulinémico Cuadro de los Métodos Indirectos que Cuantifican la SI Algunos parámetros en el dominio del tiempo de la VFC Componentes en el dominio de frecuencia Límites de los valores de glucosa e insulina encontrados en la literatura Datos antropométricos, lípidos, presión, glucosa e insulina de la POTG de las poblaciones DMD, DMDF2, SCSM, SSSM Valores de glucosa e insulina de la BDR Valores de RR en cada etapa de la POTG Contribuciones de las variables de la Variabilidad de la Frecuencia Cardiaca en el AC Valores máximos y mínimos de glucosa e insulina para cada fase de la POTG Contribuciones de glucosa e insulina en el análisis de correspondencias Contribuciones en el análisis de correspondencia de la sensibilidad a la insulina obtenida por los métodos indirectos en la BDR2.2 y BDS Índice de proporciones antropométricas para diferentes tipos de poblaciones y modelos de superficie corporal Parámetros optimizados para cada tipo de población Valores de alfa, beta, gama y teta de los métodos propuestos Valores de SI para los métodos propuestos y el método de Matsuda convencional y optimizado Valores límites de triglicéridos, peso, IMC, circunferencia abdominal y edad usados para la creación de la BDS Sensibilidad a la insulina según el método de Matsuda y los métodos propuestos usando la BDS Sensibilidad a la insulina de los métodos indirectos en la BDR1 y DMDF

10 ix ÍNDICE DE FIGURAS Figuras Pág SIRT1 y AMPK en el músculo esquelético Esquema del procedimiento de cálculo de la serie RR Marco metodológico Diagrama de bloques del desarrollo del problema Análisis de Correspondencias Simples Ejemplos de curvas de glucosa e insulina AI.1. Análisis de correspondencias de la data de glucosa AI.2. Análisis de correspondencias de la data de insulina AI.3. Análisis de correspondencias de la sensibilidad a la insulina obtenida por los métodos indirectos en la BDS AI.4. Análisis de correspondencias de la sensibilidad a la insulina obtenida por los métodos indirectos de la BDR2.2 de 5-puntos AI.5. Análisis de correspondencias de la sensibilidad a la insulina obtenida por los métodos indirectos de la BDR2.2 de 2-puntos

11 x LISTA DE SÍMBOLOS Y ABREVIATURAS AC Análisis de Correspondencias AMPK Quinasa activada por monofosfato de adenina ATP Adenosin Trifosfato BDR Base de datos real BDS Base de datos sintética CEH Clamp Euglicémico Hiperinsulinémico DMD Deportistas maratonistas a dedicación DMDF2 Deportistas maratonistas a dedicación fase 2 DM Diabetes Mellitus DICARDIA Diagnóstico y Modelaje de Neuropatía Cardiaca Diabética ECG Electrocardiograma ECV Enfermedad Cardiovascular EE.UU. Estados Unidos FGIR Fasting glucose to insulin ratio GBBA Grupo de Bioingeniería y Biofísica Aplicada GAA Glucosa en ayunas alterada GAN Glucosa en ayunas normal GPA Insulina postprandial alterada GPN Insulina postprandial normal HDL High Density Lipids HOMA Homeostasis model assessment HOMA IR Homeostasis model assessment insulin resistance HOMA βcell HF ISIHOMA IAA IAN IDF IPA Homeostasis model assessment beta cell Banda de alta frecuencia del espectro de la VFC. Insulin sensitivity index homeostasis model assessment Insulina en ayunas alterada Insulina en ayuna normal Federación Internacional de Diabetes Insulina postprandial alterada

12 xi IPN IMC LDL LF LF/LF+HF LF/HF MINMOD PITG NAD NAC NCEP ATPIII OMM OMS POTG PITG PSD QUICKI RI RMSSD Insulina postprandial normal Índice de masa corporal Low density lipids Banda de baja frecuencia del espectro de la VFC LF normalizada Relación LF/HF Minimal Model para la prueba intravenosa de tolerancia a la glucosa Neuropatía Autónoma Diabética Neuropatía Autónoma Cardiaca National Cholesterol Education Program Adult Treatment Panel III Oral Minimal Model Organización Mundial de la Salud Prueba Oral de Tolerancia a la Glucosa Prueba Intravenosa de Tolerancia a la Glucosa Densidad espectral de potencia Quantitative Insulin Sensitivity Check Index Resistencia a la Insulina Raíz media cuadrática de las diferencias sucesivas de los intervalos RR RR Tiempo transcurrido entre cada onda R. SCSM SSSM SDRR SM SI SIRT1 SI IPA SI IPA-IMC NAD+ STD Sujetos sin síndrome metabólico Sujetos con síndrome metabólico Desviación estándar de todos los intervalos RR Síndrome Metabólico Sensibilidad a la Insulina Sirtuina 1 deacetilasa dependiente de NAD+ Sensibilidad a la insulina a partir del índice de proporciones antropométricas Sensibilidad a la insulina a partir del índice proporciones antropométricas e índice de masa corporal Enzima glicerol-3-fosfato deshidrogenasa. Desviación Estándar

13 xii VFC VLF UKPDS Variabilidad de la frecuencia cardíaca Rango de muy baja potencia del espectro de la VFC UK Prospective Diabetes Study Groups

14 1 CAPÍTULO I INTRODUCCIÓN La diabetes mellitus es una enfermedad caracterizada por la acumulación de glucosa en la sangre como consecuencia del deficiente o nulo desempeño del páncreas para producir insulina. Se sabe que la diabetes es una enfermedad que no tiene cura, pero se puede controlar manteniendo los niveles de glucosa sanguíneo lo más cercano a los niveles normales. Las causas que generan la diabetes todavía no están claras, sin embargo, existen condiciones prediabéticas que predisponen o son la antesala al desarrollo de la enfermedad. Entre estas condiciones se encuentran, la baja Sensibilidad a la Insulina (SI) y el Síndrome Metabólico (SM) [1]. El SM se está convirtiendo en uno de los principales problemas de salud pública del siglo XXI. En EE.UU la prevalencia de esta condición varía entre un 21,8% y 43,5% [2]. En otros países se han encontrado cifras bajas como en Marruecos con un 16,3 % [3], India y Grecia con un 25% [4] [5] [6], cifras medias como en Filipinas y Turquía con un 33% [7] [8], hasta cifras muy altas como es el caso de los aborígenes Maori de Nueva Zelanda con un 52,8% [9]. En Venezuela se estudió una muestra de 136 individuos pertenecientes a la comunidad indígena Añú en el estado Zulia, encontrándose una prevalencia del 23,7% en mujeres y 57,1% en hombres [10]. El SM y la baja SI se encuentran estrechamente asociado al incremento de cinco veces en la prevalencia de diabetes tipo II y de tres veces el incremento en la enfermedad cardiovascular coronaria y ateroesclerosis, por lo tanto se considera al SM y a la baja SI un elemento importante en la epidemia actual de diabetes y enfermedad cardiovascular coronaria [11]. Los sujetos con vidas sedentarias, tienen más probabilidades de desarrollar el SM, que aquellos con vidas activas que realizan algún deporte. Incluso en sujetos que hayan desarrollado el SM, si se les somete a programas de ejercicio acorde a sus posibilidades

15 2 tienden a mejorar los niveles de triglicéridos, HDL (High Density Lipids), peso, índice de masa corporal y tolerancia al ejercicio, logrando así, en ocasiones la total mejoría. Diversos trabajos revelan la importancia de algunos parámetros, signos y síntomas fisiológicos en el diagnóstico de la diabetes mellitus y de las condiciones prediabéticas, donde se han reportado cambios electrocardiográficos en la frecuencia cardiaca en sujetos diabéticos, lo cual puede convertirse en índices de diagnóstico para esta enfermedad [12], se sabe que en estadios muy tempranos de la diabetes hay cambios en la variabilidad de la frecuencia cardiaca, que podrían indicar alteraciones cardiovasculares. Entre las alteraciones cardiovasculares más frecuentes en la diabetes se encuentra la Neuropatía Autónoma Cardíaca (NAC), la cual consiste en el daño progresivo de los nervios que inervan al corazón debido a los altos niveles de glucosa sanguínea. El Grupo de Bioingeniería y Biofísica Aplicada (GBBA) trabaja desde el año 2005 en el proyecto de Diagnóstico y Modelaje de Neuropatía Autónoma Cardíaca Diabética (DICARDIA) cuyo objetivo fundamental es desarrollar métodos que puedan ayudar a incrementar el valor diagnóstico de las pruebas clínicas en la neuropatía autónoma cardíaca que es una de las consecuencias fundamentales de la diabetes mellitus. Y desde el año 2009 se viene trabajando en un proyecto que recoge parámetros de la variabilidad de la frecuencia cardiaca en sujetos deportistas recreativos, y desde el año 2012 se estudia la sensibilidad a la insulina en sujetos maratonistas a dedicación. Todo esto con el objetivo de hallar elementos de diagnóstico que predispongan a la persona a sufrir de DM, y de esta forma poder establecer terapias para prevenir la enfermedad. De manera global se ataca un mismo problema, prevención del mismo para que no se desarrolle en personas con predisposiciones genéticas, terapia asociada a los parámetros de predisposición, y si ya se ha diagnosticado la enfermedad, métodos que mejoren y afinen la búsqueda de posibles consecuencias de la misma y así realizar el tratamiento de manera oportuna. La Variabilidad de la Frecuencia Cardiaca (VFC) se ha utilizado para el estudio de la NAC en diabéticos. Los pacientes con NAC muestran una clara disminución de la VFC en el grupo con diabetes en relación con el grupo control. En este tipo de estudio se concluye que la

16 3 VFC es un método plausible para el diagnóstico de la Neuropatía Autónoma Diabética (NAD) [13]. Por otro lado, se han realizado estudios que relacionan la VFC con los cambios de glucosa en sangre en pacientes embarazadas que padecen de diabetes gestacional [14]. En el mismo se demuestra que elevaciones de glucosa durante la Prueba Oral de Tolerancia a la Glucosa (POTG) causan alteraciones en la función autónoma cardiovascular, que incluyen aumento del tono simpático y disminución del tono parasimpático. Las alteraciones se vieron más pronunciadas en el grupo control que en el grupo con diabetes gestacional. Hoy en día se relaciona la baja SI a la obesidad y a la inactividad física, así como también a cambios del control del ritmo cardiaco que, frecuentemente, se manifiestan en una elevación de la actividad simpática [15] [16]. Igualmente se han reportado diferencias en la sensibilidad a la insulina en poblaciones de sujetos diabéticos e hipertensos [17] [18], presentando en dichas poblaciones valores bajos de sensibilidad a la insulina. Debido a que la diabetes, la hipertensión y la baja sensibilidad a la insulina están relacionadas con el SM, es interesante para la mejor comprensión de este síndrome, el estudio de la SI. Los métodos utilizados para cuantificar la SI se pueden dividir en métodos directos y métodos indirectos. Los métodos directos usan protocolos clínicos largos, complicados, riesgosos y costosos, por esa razón, son relegados a estudios con pocos pacientes [19] [20]. Los métodos indirectos son más simples, se utilizan en estudios epidemiológicos debido a los bajos costos de su aplicación en grandes poblaciones. Entre sus ventajas se encuentran su simplicidad, el protocolo requerido (POTG) es menos invasivo que los requeridos en los métodos directos. Sin embargo, éstos son menos precisos que los directos. A partir de la POTG, se obtiene una curva de glucosa e insulina y utilizada por los métodos indirectos para cuantificar la SI [21-29]. El HOMA IR es el método indirecto estándar, que se utiliza en los laboratorios clínicos para cuantificar la SI, sin embargo, no es el más preciso de entre los métodos indirectos, y en pacientes con alteración del metabolismo de los azúcares puede dar un falso negativo si en los valores en ayunas no se ven reflejado las alteraciones metabólicas. Igualmente la sensibilidad de los métodos indirectos varía según el tipo de población, ya que los parámetros de cada uno

17 4 de estos fueron establecidos de forma experimental sobre poblaciones particulares. Por ello se hace necesario el diseño de un método que sea preciso para cualquier tipo de población y que además sea sencillo de utilizar. Para esto es necesaria la obtención de una base de datos con una cantidad significativa de sujetos que se les haya aplicado la POTG y la optimización de los parámetros de cada método. Aunque la POTG es una técnica menos riesgosa que las utilizadas en los métodos directos, es una prueba invasiva y obtener datos de la misma no es tarea fácil. Por ello en este trabajo doctoral se propone la generación de datos que simulen la POTG y que ayuden en el estudio de los métodos indirectos que cuantifican la SI. Los métodos indirectos que cuantifican la sensibilidad a la insulina son numerosos y no existen hoy en día valores límites que discriminen, con la utilización de los mismos, las poblaciones con SM de las poblaciones normales. En este trabajo se propone la utilización de los diferentes métodos que cuantifican la sensibilidad a la insulina en distintos tipos de poblaciones caracterizadas en bases de datos reales y bases de datos sintéticas. Siendo el deporte un distintivo positivo en la mejora del SM y la baja SI, se puede considerar la realización de un protocolo que permita el estudio de los síntomas que definen el SM, valores de sensibilidad a la insulina y parámetros electrocardiográficos, en poblaciones con SM, sedentarios y deportistas a dedicación, con el objetivo de buscar diferencias entre poblaciones en los parámetros de la VFC durante el metabolismo de los azúcares en este tipo de población y la SI. Dichos parámetros pueden significar en un futuro, no solamente valores de diagnóstico del SM sino también de prevención y posible tratamiento de este padecimiento. Esta Tesis de Grado contempla los siguientes objetivos: Objetivo general Analizar la sensibilidad a la insulina y la variabilidad de la frecuencia cardiaca, a partir de datos reales y sintéticos de la prueba oral de tolerancia a la glucosa, en poblaciones de sujetos con síndrome metabólico, sedentarios y atletas a dedicación, para el aumento en el valor diagnóstico de la prueba oral de tolerancia a la glucosa.

18 5 Objetivos específicos Construir una base de datos de señales electrocardiográficas obtenidas durante la prueba oral de tolerancia a la glucosa. El protocolo clínico diseñado se aplica en tres diferentes grupos: i) sujetos con SM, ii) sujetos que practican una actividad física moderada, y iii) sujetos sedentarios que no sufran de SM. Recolección de una base de datos real con valores de glucosa e insulina de la POTG disponible en otros formatos en el Laboratorio de Investigaciones Clínicas. Diseño de una metodología que permita, a partir de datos reales de la POTG, la creación de curvas de glucosa e insulina que caractericen distintos tipos de poblaciones. Y así la creación de una base de datos sintética que ayude en el estudio de los métodos indirectos que cuantifiquen la sensibilidad a la insulina. Diseño de una nueva forma de caracterización de las poblaciones según los valores normales y alterados de glucosa e insulina en ayunas y postprandial de la POTG. Estudiar los métodos indirectos para la determinación de la SI durante la POTG en las bases de datos reales y sintéticos. Comparar los parámetros del estudio de la VFC y los valores de SI entre las diferentes poblaciones (SM, deportistas, grupo control). Con los datos antropométricos recolectados (altura, peso y circunferencia abdominal), diseño de un índice que pueda medir el estado nutricional y que sea capaz de diferenciar entre poblaciones sedentarias y deportistas. Diseño de un nuevo método de sensibilidad a la insulina que sea preciso para todo tipo de población. En los siguientes capítulos se desarrollarán los puntos referentes a la propuesta doctoral. El capítulo II aborda el marco fisiológico, en donde se explica las bases fisiológicas del síndrome metabólico, la sensibilidad a la insulina, así como también sus relaciones entre sí y el papel que juega la actividad física como posible tratamiento para el SM. En el capítulo III, se describe el marco teórico en donde se aborda los diferentes tipos de métodos usados para cuantificar la sensibilidad a la insulina así como también las técnicas para el estudio de la variabilidad de la frecuencia cardiaca, en el capítulo IV, se describe la metodología a utilizar,

19 6 el protocolo clínico usado, la muestra de estudio, las variables a medir y el tratamiento estadístico. En el capítulo V se presentan los resultados obtenidos en este trabajo desde el punto de vista de las bases de datos obtenidas, de la variabilidad de la frecuencia cardiaca y sensibilidad a la insulina. En el último capítulo se exponen las conclusiones y se discuten los trabajos futuros.

20 7 CAPÍTULO II MARCO FISIOLOGICO En este capítulo se expondrá el papel de las proteínas SIRT1 y AMPK en la respuesta a la obtención de alimentos, también se presentan la historia y descripción del síndrome metabólico y sus implicaciones con la obesidad y la sensibilidad a la insulina, así como también, la mejora de sus síntomas con la actividad física Fisiología celular de la respuesta a la obtención de alimentos La habilidad de responder a los nutrientes es una función celular muy antigua, que se observa tanto en los organismos unicelulares como en los organismos multicelulares más complejos, incluyendo al hombre. Durante miles de años, los organismos vivos han estado constantemente sometidos a un aporte irregular de nutrientes, por lo que la capacidad de mantener el balance energético durante la falta de alimento ha sido crítica para su supervivencia. Esta presión selectiva les ha llevado a desarrollar complejos sistemas que les permiten mantener la homeostasis energética celular, almacenando sustratos energéticos durante el aporte de alimento y reduciendo su gasto cuando éste es escaso [30]. En el hombre se favoreció la aparición de un genotipo ahorrador, el cual desarrolló una actividad enzimática capaz de generar buenas reservas de glucógeno muscular y de triacilglicéridos en el tejido adiposo, los cuales son necesarios para la supervivencia en los períodos de búsqueda de sustento. Toda esta dotación genética debió enfrentar hace menos de 200 años un patrón distinto de disponibilidad de alimento, debido a la industrialización los alimentos se encuentran en abundancia y sin la necesidad de una actividad física para la obtención de dichos recursos. Todo esto trajo como consecuencia, enfermedades crónicas tales como: obesidad, SM y diabetes tipo II [31].

21 8 Restricción Calórica, Inanición, Ejercicio SIRT1720 Resveratrol Metformina TZD SIRT1 AMPK Miogénesis Biogénesis Mitocondrial Absorción de glucosa vía GLUT4 Oxidación de Ácidos Grasos Glucólisis Figura 2.1. SIRT1 y AMPK en el músculo esquelético [3]. Dos proteínas son activadas en respuesta a la reducción de la disponibilidad de nutrientes: La quinasa activada por monofosfato de adenina (AMPK) y la Sirtuina 1, también conocida como sirtuína-1 deacetilasa dependiente de NAD+ (SIRT1). La AMPK es un sensor del estatus de energía de las células controlando el metabolismo de la glucosa y de los lípidos, cuando los niveles de ATP (Adenosin Trifosfato) decaen la AMPK es activada con el fin de impulsar la producción de ATP e inhibir la utilización del mismo logrando así el balance de energía celular. La SIRT1 es un homólogo de la proteína SIR2 encontrada en la levadura (S. cerevisiae), la misma se encarga de regular la esperanza de vida durante la restricción calórica. La SIRT1 es activada cuando se producen cambios de energía, con el fin de promover la transcripción de genes que median la respuesta metabólica al stress, inanición y restricción de calorías. Algunos estudios sugieren un modelo donde la AMPK y la SIRT1 son activados debido al estrés y la falta de nutrientes, con el fin de asegurar una respuesta celular adecuada y una consecuente adaptación al medio ambiente [32].

22 9 La SIRT1 y la AMPK trabajan conjuntamente en el músculo esquelético. Ambas proteínas son activadas por: la restricción de calorías, inanición, ejercicio y un compuesto polifenólico llamado Resveratrol. Ciertas sustancias pueden activar estas dos proteínas; la AMPK puede ser activada con el uso de la Metformina (utilizada actualmente como tratamiento de la resistencia a la insulina) y la Tiazolidinediona. En estudios recientes se ha experimentado con una molécula llamada SIRT1720 la cual activa la SIRT1. La activación de la AMPK incrementa la oxidación de ácidos grasos, así como también el control de la absorción de la glucosa a partir de la traslocación del GLUT4 y la glucólisis; la activación de la SIRT1 incrementa la biogénesis mitocondrial, la oxidación de ácidos grasos y conjuntamente con la SIRT1 la absorción de la glucosa vía GLUT4, por otro lado también inhibe la miogénesis (formación de tejido muscular) (figura 2.1). Algunos estudios sugieren que existe una relación entre la SIRT1 y la SI. La SIRT1 aumenta los niveles de SI ya sea reprimiendo la inflamación de manera directa o indirecta en la vía de señalización de la insulina. Incluso se han encontrado que la sobre-exposición de la SIRT1 puede prevenir la baja sensibilidad a la insulina [33]. El ejercicio es uno de los factores que activa la SIRT1, por otro lado existe una relación entre los aumentos entre SIRT1 y el aumento de la sensibilidad a la insulina, todo esto explicaría los trabajos que sugieren que los individuos que practican deporte tienden a tener una alta sensibilidad a la insulina [32] Síndrome Metabólico Fue llamado en 1988 el Síndrome X por Reaven, y en 1989 Kaplan 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) [34]. Todos estos factores juntos en un individuo lo condicionan a sufrir de enfermedad cardiovascular y diabetes tipo dos.

23 10 Hoy en día la prevalencia de estas enfermedades se incrementa con el paso de los años especialmente en individuos jóvenes [35]. En la actualidad, el síndrome X, es conocido como Síndrome Metabólico (SM) y según el NCEP-ATP III los factores de diagnóstico de esta condición son: elevada presión arterial (mayor o igual 130/85mmHg), triglicéridos elevados (mayor o igual a 150 mg/dl), altos valores de glucosa sanguínea en ayunas (mayor o igual a 110mg/dL), valores bajos de HDL (HDL-Col Hombres<40, Mujeres<50) y obesidad abdominal (circunferencia abdominal: Hombres>102cm, Mujeres>88cm) [36]. 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 [35]. 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 [37]. Otro factor tomar en cuenta en el SM, es la historia familiar los pacientes con SM tienden a tener historia familiar de hipertensión arterial y diabetes [38]. 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, 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 [39][40][41] Obesidad La obesidad y el sobrepeso se definen como una acumulación anormal o excesiva de grasa que puede ser perjudicial para la salud. El Índice de Masa Corporal (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. El sobrepeso y la obesidad son factores de riesgo para

24 11 numerosas enfermedades crónicas, entre las que se incluyen la diabetes, las enfermedades cardiovasculares y el cáncer [42]. La ingesta excesiva de alimentos y bajo niveles de actividad física 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 [43]. La obesidad está fuertemente relacionada con la circunferencia abdominal, las personas con SM tienden a tener los depósitos de grasa en la zona abdominal es por ello que la medición de la circunferencia abdominal es uno de los factores de diagnóstico de este padecimiento [44]. Tener valores altos de IMC y la ganancia de peso son factores que contribuyen en el desarrollo de posibles complicaciones cardiacas y SM [45]. Estudios revelan que con una disminución moderada del peso disminuye los factores de diagnóstico del SM [46], igualmente, en pacientes con SM el aumento de peso acarrea un empeoramiento de su condición [47] 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 [34], sin embargo, pueden presentarse el diagnóstico del SM sin que exista la presencia de la RI. La baja SI está fuertemente asociada a la obesidad y a la inactividad física [48]. Los altos niveles de IMC, están asociados negativamente con los niveles de SI, es decir, a mayor

25 12 IMC menor será la SI según un estudio realizado en jóvenes deportistas [49]. Durante la disminución de peso se ha observado mejoras en la respuesta autonómica del corazón al igual que en la SI [50]. El ejercicio aeróbico también contribuye al aumento de la SI. Estudios reportan una disminución de la glucosa y la insulina basal en sujetos que se han sometido a ejercicio aeróbico, lo que se traduce en una mejora de la SI [51] Tejido muscular y SM Estudios recientes han demostrado que bajos niveles de fortaleza muscular están asociados con el incremento del riesgo a padecer de obesidad o de SM. La falta de aptitud física ha sido asociada con el desarrollo de enfermedad cardiovascular, hipertensión arterial, dislipidemia y RI. Investigaciones puntualizan que los niveles de aptitud física se inculcan desde la niñez hacia la adolescencia y de ahí hacia la adultez lo que indica los procesos de ateroesclerosis empiezan desde la niñez debido a una baja aptitud física. De igual manera existen estudios que relacionan la poca aptitud física con la obesidad, por ejemplo, se ha demostrado una asociación entre la baja aptitud muscular y el aumento de circunferencia abdominal, igualmente se ha asociado la fuerza muscular con una mejor SI en niños. [52]. Trabajos realizados han concluido que la fuerza muscular está inversamente relacionada con el SM. En estos estudios se mide la fuerza de agarre y la fuerza de las piernas, se encontró que la fuerza de las piernas tiende a ser significativamente más alta en los individuos con SM, sin embargo, cuando se mira la medida estándar que es la fuerza de las piernas en relación con el peso corporal se encuentra que los individuos con SM tienen esa medida significativamente más baja que los sujetos control. Igualmente ocurre con la fuerza de agarre por unidad de peso, la misma es significativamente más baja en los sujetos con SM [53]. Los sujetos con SM tienden a tener una capacidad de reacción corporal menor que los sujetos que no sufren de SM. Este tipo de estudio se realiza utilizando un dispositivo que consiste de una luz que una vez que se enciende el sujeto debe saltar lo más pronto que pueda,

26 13 este tiempo entre que se enciende la luz y el sujeto salta es medido, mientras más largo es el tiempo menor es la capacidad de reacción. Se cree que una posible explicación de que los sujetos con SM tengan tiempos de reacción más largos sea la neuropatía causada por la dislipidemia y bajos niveles de fuerza muscular en las piernas por unidad de peso [53]. En un estudio de seguimiento realizado en Dallas-Texas, en donde se hizo seguimiento a 3233 hombres entre los años 1980 y 1989, se encontró que la fuerza muscular está inversamente relacionada con el SM, y más aún tuvo un efecto protector contra el desarrollo de la enfermedad en sujetos normales y con sobrepeso [54] Conducta sedentaria La conducta sedentaria, es aquella que está asociada a actividades que ameritan bajos niveles de gasto energético, tales como: sentarse, acostarse, etc. La conducta sedentaria se ha asociado a factores de riesgo de sufrir obesidad, diabetes tipo dos, enfermedad cardiovascular y SM. Estas asociaciones están presentes aunque el individuo practique algún tipo de ejercicio, por ello se recomienda limitar el tiempo en el que se realicen este tipo de actividades con el fin de disminuir los factores de riesgo [55] Actividad Física como tratamiento del SM La actividad física se ha relacionado con la mejoría de los factores de diagnóstico en el SM según estudios realizados en diferentes tipos de poblaciones sobre las cuales se aplico actividad física de tipo aeróbico [36] [56] [57]. Otros estudios asocian la mejoría de los niveles de obesidad en niños que practican deportes que en aquellos que no lo hacen [58] [59] [60]. También se han implicado bajos niveles de actividad física durante la niñez con el desarrollo del SM durante la adolescencia [61]. En conclusión, el ejercicio moderado y vigoroso están asociados con la disminución del riesgo de padecer de SM independientemente de la edad, de ser fumador o consumidor de bebidas alcohólicas [62] [63] [64]. La intensidad del ejercicio que se practique es importante, algunos estudios puntualizan que la intensidad de la actividad física que debe realizarse para obtener una mejoría en los

27 14 factores de diagnóstico debe ser al menos moderada (30-40% VO 2 max) [65] de manera regular [66]. Otros estudios, indican que incluso la actividad física de baja intensidad reduce el riesgo de SM [67]. Es importante destacar que a la hora de definir el tipo de ejercicio que puede prevenir el SM hay que tomar en cuenta la edad, puesto que se ha determinado que en personas mayores el ejercicio debe ser más intenso para que realmente tenga un valor preventivo del SM [68].

28 15 CAPÍTULO III MARCO TEÓRICO En este capítulo se describen los diferentes métodos directos e indirectos que existen para la cuantificación de la sensibilidad a la insulina utilizando los datos de glucosa e insulina adquiridos durante la prueba oral de tolerancia a la glucosa, así como también la descripción de las variables de variabilidad de frecuencia cardiaca 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 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 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

29 16 glucosa. Los datos de insulina y glucosa se introducen en un modelo matemático y por ajuste de curvas se obtiene la SI. Tabla 3.1. Correlación de los métodos que cuantifican la sensibilidad a la insulina con el CLAMP Euglicémico Hiperinsulinémico. Métodos Correlación de Spearman Métodos con el cual se ha correlacionado Referencia Avignon [ml/microui mg] r=0.89 en sujetos con TNG r=0.96 en sujetos con TAG MINMOD PITG 69 r=0.83 en sujetos con DM2 Stumvoll MCR1 [ml/kg min] r=0.80 en sujetos con TNG CEH 70 Stumvoll MCR2 [ml/kg min] r=0.69 en sujetos con TNG CEH 70 Stumvoll ISI1 [mmol pmol/l.kg min] r=0.79 en sujetos con TNG CEH 70 Stumvoll ISI2 [mmol pmol/l.kg min] r=0.71 en sujetos con TNG CEH 70 Belfiore r=0.65 en sujetos con TNG r=0.54 en sujetos con TAG r=0.48 en sujetos con DM2 CEH 71 Stumvoll ISI3 [mmol pmol/l Kg min] r=0.79 en sujetos con TNG CEH 72 Stumvoll ISI4 [mmol pmol/l Kg min] r=0.69 en sujetos con TNG CEH 72 Stumvoll FASE1 [pmol/l] r=0.78 en sujetos con TNG CEH 70 Stumvoll FASE2 [pmol/l] r=0.79 en sujetos con TNG CEH 70 Cederholm [mg L 2 /mmol mui min] r=0.62 en sujetos con TNG r=0.52 en sujetos con TAG r=0.48 en sujetos con DM2 CEH 72 Gutt [mg L 2 /mmol mui min] r=0.63 en sujetos con TNG CEH 72 HOMA βcell [pmol/mmol] r=0.60 en sujetos con TNG CEH 73 HOMA IR [pmol/l] r=-0.68 en sujetos con TNG MINMOD PITG 74 ISIHOMA [L/pmol] r=0.68 en sujetos con TNG MINMOD PITG 74 QUICKI r=0.68 en sujetos con TNG MINMOD PITG 74 FGIR [mg ml/ µui dl] r=0.89 en sujetos con TNG MINMOD PITG 73 Bennett r=0.68 en sujetos con TNG MINMOD PITG 74 Matsuda r=0.73 en sujetos con TNG CEH 72 Raynaud [10-4 ml/min µui] r=0.88 en sujetos con TNG MINMOD PITG 75 Caumo [dl /(Kg min (µui/ml)] r=0.89 en sujetos con TNG MINMOD PITG TNG: Tolerancia Normal a la Glucosa. TAG: Tolerancia Alterada a la Glucosa. DM2: Diabetes Mellitus tipo II.

30 17 Tabla 3.2. Cuadro de los Métodos Indirectos que Cuantifican la SI. Métodos que Cuantifican la SI Ecuación Avignon [ml/microui mg] Donde: Stumvoll MCR1 [ml/kg.min] Stumvoll MCR2 [ml/kg.min] Stumvoll ISI1 [mmol.pmol/l.kg.min] Stumvoll ISI2 [mmol.pmol/l.kg.min] Stumvoll ISI3 [mmol.pmol/l.kg.min] Stumvoll ISI4 [mmol.pmol/l.kg.min] Stumvoll FASE1 [pmol/l] Stumvoll FASE2 [pmol/l] Belfiore Cederholm [mg L 2 /mmol mui min] Gutt [mg L 2 /mmol mui min] HOMA βcell [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)] G 0, G 30, G 60, G 90, G 120 : Concentraciones de glucosa en los instantes 0, 30, 60, 90, 120 minutos respectivamente. G m : Media de glucosa de los valores en los instantes 30, 60, 90 y 120 minutos. I 0, I 30, I 60, I 90, I 120 : Concentraciones de insulina en los instantes 0, 30, 60, 90 and 120 minutos. I m : 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.

31 18 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 [78]. En la tabla 3.1 se enumeran algunas correlaciones de los métodos que cuantifican la SI estudiados en este trabajo con el CEH y el MINMOD PITG 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, HOMA βcell, ISI HOMA, FGIR, QUICKI, y Raynaud, estos métodos tienen la particularidad de que no contemplan el proceso de metabolización de glucosa. En la tabla 3.2 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 [78]. 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 [78], es decir, dependiendo del tipo de población los métodos tendrán una mejor o peor correlación con los métodos directos.

32 Variabilidad de la Frecuencia Cardiaca La medición de la variabilidad de la frecuencia cardiaca (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. La relación LF/HF es utilizada para mostrar cuál de los dos sistemas es predominante, un alto valor de LF/HF indica predominancia en el sistema simpático, un bajo valor del mismo indica predominancia del parasimpático. Basándonos en los índices de la VFC se puede estudiar el sistema nervioso autónomo y sus fluctuaciones, y con esto también las disfunciones cardiovasculares, diabetes, entre otros [79]. La VFC se ha utilizado como herramienta para el análisis de la respuesta cardiaca vinculada al rendimiento deportivo [80]. Estudios realizados revelan que el ejercicio moderado genera cambios en los valores de los parámetros de la VFC [81] [82]. En deportistas que practican lucha libre es posible ver cambios en los valores de las muy bajas frecuencias (VLF) y en las bajas frecuencias (LF) [83]. Igualmente se han realizado estudios en donde se observan 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 [84]. El ejercicio que genera una mejoría en la condición física y en la composición del cuerpo puede generar una mejoría en los valores de la VFC en poblaciones de niños obesos [85] [86]. Igualmente el ejercicio vigoroso está asociado con una mayor VFC, esto podría representar un posible mecanismo por el cual la actividad física reduce el riesgo de enfermedad cardiaca [87] [88]. Estudios demuestran que una pobre actividad física está

33 20 asociada con el deterioro de la función vagal cardiaca, todo esto se ve más evidente en poblaciones de edad avanzada [89] 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, formalmente es la oscilación del intervalo entre latidos consecutivos. En la figura 3.1 se puede observar un esquema básico del procedimiento para construir la serie RR [90] [91]. Figura 3.1. 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 Métodos en el dominio del tiempo 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 3.3 se

34 21 muestran los parámetros de la VFC que se obtienen a partir de los métodos de dominio en el tiempo, así como su descripción. Tabla 3.3. Algunos parámetros en el dominio del tiempo de la VFC [92]. Variable Unidades Descripción Medidas Estadísticas ó Temporales SDRR ms Desviación estándar de todos los intervalos RR SDARR ms Desviación estándar del promedio de los intervalos RR en segmentos de 5 minutos de todo el registro RMSSD ms La raíz cuadrada de la media de la suma de los cuadrados de las diferencias entre intervalos RR adyacentes. Índice SDRR ms La media de las desviaciones estándar de todos los intervalos de los segmentos de 5 minutos de todo el registro 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) [93]. 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.

35 22 Los componentes 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. La explicación de las VLF todavía no es muy clara, y no hay definido hasta el momento un proceso fisiológico que esté relacionado con ellas, sobre todo en registro de corto plazo. Las unidades utilizadas para estos componentes espectrales están definidas en potencia absoluta (ms 2 ), sin embargo, LF y HF pueden estar definidos con unidades adimensionales, representando el valor relativo de cada componente en comparación con la potencia total menos el valor de VLF. La tabla 3.4 muestra los componentes espectrales. Tabla 3.4. Componentes en el dominio de frecuencia [92]. Variable Unidades Descripción Rango de Frecuencia VLF ms 2 Rango de potencia de muy bajas <0.04 Hz frecuencia LF ms 2 Rango de potencia de bajas frecuencias Hz LF normalizado - LF/ LF+HF - HF ms 2 Rango de potencia de altas frecuencias Hz HF normalizado - HF/ LF+HF - LF/HF - Relación LF/HF - Existen otras metodologías que permiten el estudio de la VFC, como es el exponente de Lyapunov [94], el cual mide la dependencia de un proceso con respecto a las condiciones iniciales; la entropía, que mide el grado de complejidad de un proceso, el diagrama de Poincaré [95], que consiste en la representación gráfica de los intervalos RR consecutivos; entre otros. Estos métodos son ampliamente utilizados en la literatura para caracterización de comportamiento caótico en una gran variedad de situaciones clínicas.

36 23 CAPÍTULO IV MARCO METODOLÓGICO En este capítulo se describen el procedimiento experimental utilizado en esta tesis. Éste consta de tres partes (ver figura 5.1): i) el protocolo clínico utilizado para la adquisición de las bases de datos, ii) los métodos evaluados y iii) el análisis estadístico usado. Protocolo Clínico Métodos Evaluados Análisis Estadístico Figura 4.1. Marco metodológico 4.1. Protocolo Clínico Se realizaron tres protocolos clínicos basados en la prueba oral de tolerancia a la glucosa. En el primero se realizó la POTG simultáneamente con la adquisición de un electrocardiograma más una serie de pruebas bioquímicas y mediciones antropométricas. En el segundo protocolo se realizó únicamente la POTG, y en el tercer protocolo se realizó la POTG, pruebas bioquímicas, registro de señales electrocardiográficas, y medidas antropométricas sobre una población de deportistas en dos fases distintas de entrenamiento. A continuación se describen los tres protocolos Protocolo para el estudio de la sensibilidad a la insulina y la variabilidad de la frecuencia cardiaca Las pruebas, mediciones y registros que se realizaron para este estudio fueron:

37 24 Perfil 20: Hematología Completa, Glicemia en ayunas, Urea, Creatinina, Colesterol, Triglicéridos, HDL colesterol, Ácido úrico, ALT. Perfil lipídico: LDL (Low Density Lipids), HDL, VLDL (Very Low Density Lipids), colesterol y triglicéridos. Variables antropométricas: altura, peso, circunferencia abdominal e IMC, y variables clínicas: presión arterial. POTG: Se realizó la POTG de cinco mediciones, una medición en el estado basal antes de la toma de 75 gr. de glucosa y cuatro después de la ingesta de la glucosa, en intervalos de 30 minutos entre cada medición. La duración total de la prueba es de 120 minutos y como resultado se obtendrá una curva de glucosa de cinco puntos y una de insulina de cinco puntos para cada uno de los sujetos. Los modelos que se van a utilizar para cuantificar la sensibilidad a la insulina se amoldan al protocolo a implementar, el cual, a su vez es el menos complicado y por tanto es posible reproducirlo en un número más extenso de sujetos. Electrocardiograma: Los registros de ECG se realizaron antes de cada una de las tomas de muestra de sangre de la POTG, con una duración de quince minutos cada uno, para un total de cinco registros por sujeto. El procedimiento experimental tuvo la siguiente secuencia: Adquisición de la señal ECG antes de la POTG. Toma de la muestra de sangre en el estado basal (el sujeto debe estar en ayunas). Toma de los 75 gr. de glucosa líquida. Obtención de cuatro muestras más de sangre en intervalos de 30 minutos. Antes de cada una de éstas se adquiere una señal ECG de quince minutos. Los sujetos que se escogieron para el protocolo cumplieron con los siguientes criterios: Sujetos deportistas: Sexo masculino y femenino, edad comprendida entre 20 y 44 años, no fumadores, fuera de tratamientos medicamentosos, sin impedimentos físicos,

38 25 sin enfermedad cardiovascular evidente, maratonistas a dedicación con recorridos de 180 a 240 km por semana. Sujetos con SM: Sexo masculino, edad comprendida entre 20 y 44 años, no fumadores, fuera de tratamientos medicamentosos, sin impedimentos físicos, sin enfermedad cardiovascular evidente y que cumplan con el criterio de la ATPIII para el diagnóstico de SM. Sujetos sedentarios: Sexo masculino, edad comprendida entre 20 y 44 años, no fumadores, fuera de tratamientos medicamentosos, sin impedimentos físicos, sin enfermedad cardiovascular evidente y que no practiquen un deporte de manera regular. Todos los sujetos que participaron, firmaron un consentimiento informado antes de empezar el protocolo. Para más detalle, ver ANEXO III Protocolo para el estudio de la sensibilidad a la insulina En esta base de datos se realizó la POTG en 3658 sujetos. Consta de los valores de glucosa e insulina obtenidas en cada uno de los puntos de la POTG. Para la POTG de cinco puntos las mediciones se realizaron en los tiempos 0, 30, 60, 90 y 120 minutos, mientras que para la POTG de dos puntos los valores se obtuvieron en los tiempos 0 y 120 minutos Protocolo para el estudio de la sensibilidad a la insulina en atletas En esta base de datos se realizó la POTG de cinco puntos en atletas maratonistas a dedicación durante un período de entrenamiento competitivo (recorridos entre 180 a 240 Km semanales) y durante un período de descanso total de al menos dos semanas Métodos Evaluados En esta sección se describen los tres métodos evaluados en esta tesis. La primera parte describe los métodos usados en el estudio que cuantifica la sensibilidad a la insulina. La

39 26 segunda parte describe las variables medidas en el estudio de la VFC y la tercera parte describe la generación y clasificación de las curvas de glucosa e insulina Métodos que Cuantifican la Sensibilidad a la Insulina A partir de las curvas de glucosa e insulina obtenidas de la POTG se determinó la SI usando los siguientes métodos indirectos: Caumo, Matsuda, Belfiore, Bennett, Cederholm, Avignon, Stumvoll (ISI2, ISI4, FASE1 y FASE2), HOMA IR, HOMA βcell, ISIHOMA, FGIR, QUICKI, y Raynaud Método de Caumo Este método proviene de una aproximación del método minimal model para la POTG (ver capítulo III, sección 3.1), y utiliza los valores de glucosa e insulina de la POTG para hallar las áreas bajo la curva de estas variables utilizando el método del trapezoide. Se calculó la SI de cada grupo; la dosis tomada de glucosa por kg de peso se obtuvo dividiendo la dosis total de glucosa (75 g en este caso) entre el peso de cada sujeto. Los valores de GE (efectividad de glucosa) y f (fracción de glucosa absorbida) se estimaron en dl/ kg.min y 0.87 que son los correspondiente a la media en sujetos sanos. Finalmente, se hallaron las diferencias significativas entre grupos de los valores de SI Método de Avignon Para la obtención de la SI de cada grupo se utilizaron los valores de insulina y glucosa basal, y los valores de insulina y glucosa a los 120 minutos. Luego se determinaron las diferencias significativas entre grupos Métodos de Belfiore y Matsuda En estos métodos se utilizaron los valores de glucosa e insulina basal y el promedio de los valores de glucosa e insulina a los 30, 60, 90 y 120 minutos de la POTG. Las unidades de estos índices no están definidas por lo que se asumió como adimensional.

40 Métodos de Gutt y Cederholm Estos métodos utilizan los valores de glucosa e insulina basal y a los 120 minutos de la POTG, así como también el peso y las áreas bajo la curva de las curvas de glucosa e insulina. Se hallaron los valores de SI para cada sujeto y las diferencias significativas entre grupos Métodos de Stumvoll Para este método se usaron los valores de insulina a los 120 minutos y glucosa a los 90 minutos de la POTG. Adicionalmente se usó el índice de masa corporal que involucra el peso y la altura de cada sujeto. Se determinó la SI de cada uno de los sujetos y la diferencia significativa entre grupos Métodos de HOMA IR, HOMA βcell, Bennett, ISIHOMA, FGIR, QUICKI y Raynaud Estos métodos utilizan únicamente los valores de glucosa e insulina basal. Se hallaron los valores de SI para cada sujeto así como las diferencias significativas entre grupos Estudio de la Variabilidad de la Frecuencia Cardiaca A partir de los registros electrocardiográficos se hallaron los parámetros en el dominio en el tiempo (SDRR, SDARR, Índice SDRR, RMSSD) y en el dominio de la frecuencia (potencia en HF, LF, VLF, LF normalizado, HF normalizado, y el índice LF/(LF+HF)) Análisis de las series RR Para realizar el estudio de las series RR fue necesario desarrollar varias etapas. Primero se extrajeron las series RR de cada una de las fases de cada sujeto utilizando el programa CARDIOSOFT. Una vez extraídas las series RR se hallaron los parámetros de la VFC utilizando los programas desarrollados previamente por investigadores del GBBA, y se hallaron las diferencias significativas entre grupos (usando el test de Wilcoxon) y entre etapas

41 28 de la POTG (usando el Método de Análisis de Varianza o ANOVA). En la figura 4.2 se encuentra un esquema global del procesamiento de los datos Parámetros de la VFC A partir de las series RR, se cálculo la SD, la RMSSD, las potencias en LF y en HF, y el índice LF/LF+HF, usando Matlab. La serie RR original extraída por el programa CARDIOSOFT fue remuestreada a 1 Hz con el fin de obtener una secuencia con muestras separadas equidistantemente. Luego se interpoló la serie resultante y se calcularon los parámetros temporales (SD y RMSSD) y frecuenciales (LF, HF LF/(LF+HF)). Los parámetros frecuenciales se calcularon a partir del algoritmo autoregresivo de Burg [96]. Extracción de las series RR a partir del programa CARDIOSOFT, para cada sujeto en cada una de la las fases de la POTG Obtención de los parámetros de VFC Obtención de las diferencias significativas en grupos y etapas de la POTG Figura 4.2. Diagrama de bloques del desarrollo del problema Clasificación y generación de curvas de glucosa e insulina. En este trabajo se propone clasificar las curvas de glucosa e insulina en combinaciones de sus valores en ayunas (minuto 0 de la POTG) y postprandiales (minuto 120 de la POTG). Este tipo de clasificación no ha sido reportada aún la literatura y es uno de los principales aportes de este trabajo. Para esto se hace un diagnóstico de los niveles de glucosa e insulina, de acuerdo con los límites de los valores normales reportados en la literatura [97] [98] [99] (ver Tabla 4.1).

42 29 Si los valores se encuentran dentro de los límites normales, se diagnostica como normal, si no lo está se diagnostica como alterada, los casos se muestran a continuación: Glucosa en ayunas normal (GAN), glucosa en ayunas alterada (GAA), glucosa postprandial normal (GPN), glucosa postprandial alterada (GPA), insulina en ayunas normal (IAN), insulina en ayunas alterada (IAA), insulina postprandial normal (IPN), e insulina postprandial alterada (IPA). Estos casos se combinan en pares de ayunas y postprandial para producir cuatro tipos de curvas de glucosa (GAA-GPA, GAN-GPA, GAN-GPN, GAA-GPN) y cuatro de la insulina (IAA-IPA, IAN-IPA, IAN-IPN, IAA-IPN). Por último, 16 clases de poblaciones son producidas a partir de la combinación de una curva de glucosa con una de insulina: IAA- IPA--GAA-GPA, IAA-IPA--GAN-GPA, IAA-IPA--GAN-GPN, IAA-IPA--GAA-GPN, IAN- IPA--GAA-GPA, IAN-IPA--GAN-GPA, IAN-IPA--GAN-GPN, IAN-IPA--GAA-GPN, IAN- IPN--GAA-GPA, IAN-IPN--GAN-GPA, IAN-IPN--GAN-GPN, IAN-IPN--GAA-GPN, IAA- IPN--GAA-GPA, IAA-IPN--GAN-GPA, IAA-IPN--GAN-GPN, e IAA-IPN--GAA-GPN. Tabla 4.1. Límites de los valores de glucosa e insulina encontrados en la literatura. Parámetros Normal Alterado Valor mínimo Valor máximo Valor mínimo Valor máximo Glucosa en ayunas (mg/dl) >101 Glucosa postprandial (mg/dl) >141 Insulina en ayunas (µui/ml) >21 Insulina postprandial (µui/ml) > Ajuste de los límites de los valores de la glucosa y la insulina en cada fase de la POTG De la literatura, los límites de los valores de glucosa y de insulina se conocen sólo en las fases ayuno (0 minutos) y postprandial (120 minutos) de la POTG. En este trabajo, determinamos estos valores para todas las fases de la prueba. Para ello, los sujetos de BDR1 fueron clasificados de acuerdo a los tipos de curvas de glucosa e insulina, que se explican en la

43 30 sección anterior, con el uso de los valores normales y alterados encontrados en la literatura [97][98][99]. Se calculó la media y la desviación estándar (SD) de los valores de glucosa y de insulina, durante cada fase de la POTG y para cada clase de curva de glucosa e insulina. Los nuevos límites se establecieron para los ocho tipos de curva de glucosa e insulina. El valor máximo de cada fase de la POTG se estableció como la media + SD y el valor mínimo se estableció como la media - SD Generación de la base de datos sintética En cada fase de la POTG, se generaron 100 números aleatorios con una distribución uniforme entre los límites de cada fase, para cada uno de los tipos de curva de glucosa e insulina. Luego se combinaron los diferentes tipos de curvas de glucosa e insulina para producir las 16 clases de poblaciones. Esto produjo 1600 sujetos simulados Análisis Estadístico En esta sección se describen las pruebas estadísticas utilizadas en esta tesis en tres partes que se describen a continuación: Comparación Estadística Estándar Para hallar las diferencias significativas entre grupos, se usó el test de Wilcoxon porque se están comparando dos grupos diferentes, y entre etapas de la POTG el Método de Análisis de Varianza (ANOVA) porque se está comparando entre etapas del mismo individuo Análisis de Correspondencias La validación de la base de datos simulada se llevó a cabo a través de la comparación de ésta con una base de datos real con las mismas características. El análisis estadístico se realizó usando análisis de correspondencias. El análisis de correspondencia (AC) es una técnica descriptiva que permite la representación simultánea de los individuos y las variables en el mismo espacio, construye un mapa, y caracteriza las principales variables resultantes de

44 31 la existencia de diferentes perfiles. Además, su gráfico facilita la comprensión e interpretación de los datos [100]. El primer análisis de correspondencias se realizó para comparar los valores simulados de glucosa e insulina con valores reales. Después de la clasificación de los sujetos de BDR2 de acuerdo a los nuevos tipos de curvas de glucosa e insulina, se hizo el análisis de correspondencias. En este análisis de correspondencia, los sujetos de BDR2 y BDS corresponden a los individuos en el análisis de correspondencia, y los valores de glucosa y de insulina corresponden a las variables que describen los individuos. El segundo análisis de correspondencia se llevó a cabo para comparar los resultados de la SI obtenida usando quince métodos indirectos en la base de datos sintética y real. En este caso, los sujetos de ambas bases de datos corresponden a los individuos, y los resultados de SI según cada método indirecto corresponden a las variables que describen los individuos. Se utilizaron las pruebas de hipótesis estadísticas Mann-Whitney U para encontrar las diferencias entre poblaciones, donde un valor de p < 0,05 se consideró significativo Correlación de Spearman 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 de Spearman se usará para hallar las correlaciones entre los métodos de sensibilidad a la insulina estudiados y el método de Caumo, el cual tiene muy buena correlación con el método directo MINMOD para la PITG, por tanto tiene una buena precisión.

45 32 CAPÍTULO V DISCUSIÓN Y RESULTADOS En este capítulo se presentan los resultados obtenidos y el análisis de los mismos. En el primer punto se describen las bases de datos obtenidas, así como los resultados de las pruebas clínicas que se realizaron en cada uno de los sujetos, se hacen comparaciones entre grupos y etapas de la POTG. En el siguiente punto se presentan los resultados obtenidos del estudio de VFC e igualmente se hacen comparaciones entre etapas y grupos. Luego se discuten los resultados de la SI en donde se desarrolló una metodología para la creación de datos de glucosa e insulina que caracterizaran distintos tipos de poblaciones durante la POTG, la optimización de los métodos que cuantifican la SI, el diseño de un nuevo índice para la valoración nutricional con el uso de variables antropométricas, y finalmente se propone el diseño de un nuevo método de SI que pueda ser aplicado a cualquier tipo de población. Los resultados se encuentran reportados en cinco manuscritos: un artículo en revista internacional indexada en LATINDEX y Scielo y cuatro congresos (dos nacionales y dos internacionales). Además, se está a la espera de la aceptación de un artículo enviado a una revista internacional indexada en el SCI Bases de datos recolectadas En esta sección se describen las bases de datos recolectadas para la realización de esta tesis, éstas se encuentran plasmadas en tres publicaciones, las cuales se encuentran en extenso en el anexo I: i. Severeyn E., Altuve M., Cevallos J., Lollett C. y Wong S. (2012). Evaluation of Indirect Methods to Quantify Insulin Sensitivity on Synthetic and Real Data of Glucose and Insulin. In VIII International Seminar on Medical Information Processing and Analysis. San Cristóbal, Venezuela. Vol. 8. pp

46 33 ii. iii. Severeyn E., Ávila G., Herrera H. y Wong S. (2012). Diseño de un Protocolo Multifactorial de Evaluación de Atletas de Alto Rendimiento en Fase de Sobre- Entrenamiento. Memorias del Congreso Venezolano de Bioingeniería. San Cristóbal, Venezuela. Noviembre de pp Severeyn E., wong S., Cevallos J., Passariello, G. y Almeida D. (2012). Methodology for the study of metabolic syndrome by heart rate variability and insulin sensitivity. Revista Brasileira de Engenharia Biomédica. Vol. 28, n 3, pp Base de datos para el estudio multipoblacional de la SI y la VFC. Cuatro tipos de sujetos fueron recolectados para esta base de datos real (BDR1): sedentarios con SM (SCSM), sedentarios sin SM (SSSM), deportistas maratonistas a dedicación (DMD) con un entrenamiento semanal de 180 a 240 km de recorrido, y deportistas maratonistas a dedicación (DMDF2) en periodo de descanso de al menos dos semanas. Las características de estas poblaciones son [15][16][101]: SCSM: 10 sujetos (10 hombres), índice de masa corporal (IMC)=34±7 kg/m 2 y edad de 31±7 años. SSSM: 15 sujetos (15 hombres), IMC = 23±4 kg/m 2 y edad de 27±4 años. DMD: 15 sujetos (12 hombres), IMC=21±2 Kg/m 2 y edad de 33±9 años. DMDF2: 3 sujetos (1 hombres), IMC=21±4 Kg/m 2 y edad de 37±5 años. En esta base de datos, se repitió el protocolo clínico de la base de datos DMD en tres sujetos que se encontraban en un período de descanso de al menos dos semanas. A cada uno de los sujetos se les realizó perfil 20, perfil lipídico, POTG de cinco puntos (una medición de glucosa e insulina en ayunas y cuatro mediciones después de la toma de 75 gr de glucosa, en intervalos de 30 minutos) y cinco registros electrocardiográficos (ECG) de 10 minutos cada uno, antes de la toma de cada una de las muestras de sangre. El protocolo clínico tuvo una duración total de 120 minutos por sujeto. Los datos de glucosa, insulina, altura y peso se encuentran en la tabla 5.1:

47 34 Tabla 5.1. Datos antropométricos, lípidos, presión, glucosa e insulina de la POTG de las poblaciones DMD, DMDF2, SCSM, SSSM. Parámetro DMD (n=15) DMDF2 (n=3) SCSM (n=15) SSSM (n=10) Promedio STD Promedio STD Promedio STD Promedio STD Edad [años] 33,000 8,211 36,667 4,933 31,400 6,978 26,900 4,175 Altura [m] 1,723 0,069 1,708 0,062 1,744 0,066 1,766 0,088 Peso [Kg] 62,100 6,752 61,867 9, ,660 23,136 73,010 13,564 IMC [Kg/m 2 ] 20,908 1,733 21,114 1,505 34,274 6,677 23,300 3,482 Presión Sist. 112,400 8, ,333 4, ,133 7, ,600 9,228 Arterial [mmhg] Dia. 73,333 9,155 82,000 5,292 85,667 10,588 72,400 7,230 Triglicéridos [mg/dl] 61,067 21,963 52,333 13, ,800 89, ,400 66,555 Colesterol (mg/dl) 159,200 22, ,333 17, ,200 42, ,700 22,784 LDL [mg/dl] 98,453 20,307 94,933 19, ,000 46,772 87,200 20,606 HDL [mg/dl] 48,533 10,789 52,933 4,606 42,067 7,601 47,600 6,501 VLDL [mg/dl] 12,213 4,393 10,467 2,759 37,545 18,381 19,900 13,412 Circunferencia Abdominal [cm] 73,067 5,066 74,867 6, ,633 19,351 83,510 10,754 ALT [UI/L] 36,467 33,423 27,000 8,888 53,667 40,720 25,400 9,721 PCR [mg/dl] 4,819 14,847 0,620 0,175 NA NA Acido Úrico [mg/dl] 4,560 0,824 3,800 1,652 6,367 1,327 5,342 0,770 Urea UV [mg/dl] 15,267 3,615 13,667 4,163 29,333 10,782 32,500 10,113 HOMA 0,597 0,333 0,527 0,180 3,152 1,768 0,980 0,645 0' 85,400 6,759 83,333 2, ,667 7,267 98,000 5,312 30' 122,333 25, ,000 16, ,000 22, ,800 24,091 Glucosa 60' 97,867 21, ,333 14, ,933 38, ,300 15,847 [mg/dl] 90' 91,267 24,288 95,000 15, ,067 20, ,200 13, ' 74,333 16,944 84,000 20, ,467 21,037 98,000 14,252 Insulina [µui/ml] 0' 2,810 1,472 2,563 0,882 12,133 6,696 4,000 2,494 30' 33,667 13,390 30,200 6, ,933 81,035 53,700 50,794 60' 27,680 10,766 40,400 8, ,467 94,234 49,000 52,768 90' 22,699 11,179 32,300 6, ,133 85,690 36,500 23, ' 15,416 7,895 24,967 5, ,600 73,362 30,000 17, Base de datos para el estudio de la sensibilidad a la insulina (BDR2) A continuación se presentan las características de las bases de datos real BDR2 [102]. En la tabla 5.2 se pueden observar los valores de glucosa e insulina de cada una de las bases de datos: Base de datos real, BDR2.1, contiene los valores de glucosa y de insulina de 1658 sujetos: 634 sujetos (521 mujeres, edad=39,44±16,00 años) que se sometieron a una

48 35 POTG de 5 puntos, y personas (867 mujeres, edad=43,88±16,00 años) sometidos a una POTG de 2 puntos. Base de datos real, BDR2.2, contiene los valores de glucosa y de insulina de 2000 sujetos: 755 sujetos (634 mujeres, edad=40,01±16,07 años) se sometieron a un 5 puntos de la POTG, y sujetos (1.049 mujeres, edad=43,47±16,98 años) sometidos a una POTG de 2 puntos. Tabla 5.2. Valores de glucosa e insulina de la BDR2. Parámetros BDR2.1 BDR2.2 POTG-2puntos (n=1024) POTG-5puntos (n=634) POTG-2puntos (n=1245) POTG-5puntos (n=755) Prom Std Prom Std Prom Std Prom Std Edad [años] 43,880 16,000 39,440 16,000 43,470 16,980 40,001 16,070 Glucosa [mg/dl] Insulina [µui/ml] Sexo 867 mujeres 521 mujeres 1049 mujeres 634 mujeres 0' 100,806 26,152 98,680 19,253 98,927 23,997 94,612 14,760 30' 130,198 38, ,293 33,967 60' 143,078 54, ,842 46,462 90' 133,274 49, ,764 39, ' 117,214 50, ,547 47, ,407 43, ,989 35,672 0' 8,091 8,374 8,523 10,085 9,435 12,472 8,699 7,444 30' 54,978 45,232 58,072 47,777 60' 82,219 63,705 87,411 66,511 90' 78,058 58,720 81,571 59, ' 54,195 49,507 73,055 61,453 58,929 56,160 75,069 60, Bases de datos sintéticas (BDS). Una base de datos sintéticos, 1600 sujetos no reales, BDS1 [102], con valores simulados de glucosa y de insulina de la POTG de 5 puntos. Una base de datos sintéticos, 900 sujetos no reales, BDS2 [102], con valores de glucosa e insulina de la POTG de 5 puntos, valores de altura, edad, peso y triglicéridos: 300 de los sujetos simulan sujetos con SM, 300 de los sujetos simulan sujetos deportistas y 300 de los sujetos simulan sujetos normales sedentarios.

49 Parámetros obtenidos en el estudio de la Variabilidad de la Frecuencia Cardíaca. Esta sección describen los resultados de la VFC obtenidos en la BDR1 y DMDF2, parámetros en el dominio de la frecuencia y en el tiempo. Parte de estos resultados se encuentran en: i. Severeyn E., Wong S., Altuve M., Avila G. y Cevallos J. (2014). Parámetros de la variabilidad de la frecuencia cardiaca durante la prueba oral de tolerancia a la glucosa: Un análisis de correspondencias simples. En XII Congreso Internacional de Métodos Numéricos en Ingeniería y Ciencias Aplicadas. pp En el estudio estadístico se encontraron diferencias significativas entre grupos en todos los valores de RR durante la POTG, entre los DMD (RR promedio =1108±142ms) y DMDF2 (RR promedio =963±119ms), SSSM (RR promedio =954±139ms), y SCSM (RR promedio =861±135ms). Esto puede deberse a que los sujetos deportistas tienden a tener bradicardia, debido a la acomodación que sufre el corazón para amoldarse a los altos requerimientos de oxígeno durante el entrenamiento. Los valores de RR en cada grupo y en cada etapa de la POTG se puede observar en la tabla 5.3 [16]. Sin embargo, no se encontraron diferencias significativas entre el grupo DMDF2 y los grupos SSSM y SCSM, indicando que a pesar de que el grupo DMDF2 son atletas a dedicación, cuando dejan de entrenar por un mínimo de dos semanas el acondicionamiento que había sufrido el corazón para responder al entrenamiento, se pierde y pareciera volver a su estado normal. Tabla 5.3. Valores de RR en cada etapa de la POTG. RR [ms] Minutos de DMD(n=15) DMDF2(n=3) SCSM(n=10) SSSM(n=15) la POTG Media STD Media STD Media STD Media STD * * * * * RR promedio 1108* * Diferencias estadísticamente significativas entre el grupo DMD y SSSM, entre el grupo DMD y el grupo SCSM y entre el grupo DMD y DMDF2. Se realizó un AC encontrándose que el parámetro LF a los 60 minutos y HF a los 0 minutos de la POTG, con unas contribuciones del 24,85% y 17,4% respectivamente en el AC,

50 37 pueden discriminar entre los DMD y los SSSM y SCSM. Por otro lado, los parámetros HF a los 60 minutos y LF a los 0 minutos, con unas contribuciones de 23,37% y 22,13% respectivamente, discriminan entre SSSM y SCSM. En la figura 4.1 se puede observar el resultado gráfico del AC. En la tabla 4.4 se pueden observar las contribuciones de los factores. Tabla 5.4. Contribuciones de las variables de la Variabilidad de la Frecuencia Cardiaca en el AC. Variables Eje 3 [%] Eje 4 [%] RMSSD0 0,55 8,47 RMSSD60 7,34 0,12 LF0 22,13 5,10 LF30 11,05 8,25 LF60 0,01 24,85 LF120 1,80 7,75 HF0 1,39 17,43 HF60 23,37 0,86 Figura 5.1. Análisis de Correspondencias Simples. No se encontraron diferencias significativas en los parámetros de la VFC entre etapas de la POTG en los grupos SSSM y DMD, sin embargo en el grupo SCSM en los valores de LF/(LF+HF), se encontraron diferencias significativas entre las etapas basal (0.7±0.1) y la etapa a los 30 minutos (0.8±0.1), evidenciándose un aumento en el tono simpático durante la POTG, que no fue observado en los otros grupos.

51 Resultados en cuanto al diseño de la base de datos sintética En esta sección se presentan los resultados en tres partes [102] [103]: clasificación de las curvas de acuerdo con los valores de glucosa e insulina en ayunas y postprandial; el establecimiento de los límites de los valores de glucosa e insulina en cada tipo de curva a partir de la base de datos BDR2.1. La base de datos simulada y su comparación con la BDR2.2 a partir del AC de los valores de glucosa e insulina real y simulada y el análisis de correspondencias de los valores de sensibilidad a la insulina a partir de los métodos indirectos que cuantifican la SI. En las siguientes publicaciones se encuentran plasmados parte de los resultados de esta sección: i. Severeyn E., Altuve M., Wong S., Lollett C. y Cevallos J. (2014). Synthetic Generation of Glucose and Insulin Curves for Insulin Sensitivity Assessment. Computer methods and Programs in Biomedicine. En revisión. ii. Altuve M., Severeyn E. y Wong S. (2014). Adaptation of five indirect methods for assesing insulin sensitivity to three populations: Metabolic Syndrome, atlethic and normal subjects. In 36th Annual International Conference of the Engineering in Medicine and Biology Society, Chicago, USA, pp Clasificación de los sujetos De acuerdo con los valores de las curvas de glucosa e insulina, de la BDR2.1, 979 sujetos fueron clasificados como GAN-GPN, 379 sujetos como GAA-GPN, 76 sujetos como GAN-GPA, 224 sujetos como GAA-GPA, sujetos como IAN-IPN, 25 sujetos como IAA- IPN, 502 sujetos como IAN-IPA, y 88 sujetos como IAA-IPA. De la BDR2.2 se clasificaron sujetos como GAN-GPN, 386 sujetos como GAA- GPN, 83 sujetos como GAN-GPA, 225 sujetos como GAA-GPA, 1213 sujetos como IAN- IPN, 21 sujetos como IAA- IPN, 640 sujetos como IAN-IPA, y 128 sujetos como IAA-IPA.

52 Insulina (µui/ml) Glucosa (mg/dl) GAN-GPN GAA-GPN GAN-GPA GAA-GPA Tiempo (minutos) 200 IAN-IPN IAA-IPN 150 IAN-IPA IAA-IPA Tiempo (minutos) Figura 5.2. Ejemplos de curvas de glucosa e insulina. Como se indica en el apartado de metodología, se obtuvieron 16 clases de curvas simuladas de glucosa e insulina. Cada clase se compone de 100 curvas diferentes (que caracterizan a 100 sujetos no reales). La figura 5.2 ilustra cuatro tipos de curvas de insulina (IAA-IPA, IAN-IPN, IAN-IPN, e IAA-IPN) y cuatro tipos de curvas de glucosa (GAA-GPA,

53 40 GAN-GPA, GAN-GPN y GAA-GPN) generadas para la construcción de la BDS. El promedio y la desviación estándar se representan en cada fase de la POTG. Para fines de ilustración, se utilizó una interpolación cúbica para construir una curva continua Límites de los valores de glucosa e insulina en cada fase de la POTG. La Tabla 5.5 muestra los límites de los valores de glucosa e insulina para cada fase de la POTG, para los diferentes tipos de curvas. Estos valores se obtuvieron utilizando la BDR2.1. Estos límites podrían ser usados para diagnosticar la glucosa e insulina alterada en las diferentes fases de la POTG, y para estimar la forma de la curva de glucosa e insulina de un paciente, sin necesidad de tomar las cinco muestras de la POTG. Tabla 5.5. Valores máximos y mínimos de glucosa e insulina para cada fase de la POTG. Tipos de Curva Glucosa [mg/dl] Minuto 0 Minuto 30 Minuto 60 Minuto 90 Minuto 120 GAN-GPN GAA-GPN GAN-GPA GAA-GPA Tipos de Curva Insulina [µui/ml] Minuto 0 Minuto 30 Minuto 60 Minuto 90 Minuto 120 IAN-IPN IAA-IPN IAN-IPA IAA-IPA Análisis de correspondencia entre la BDS1 y la BDR2.2. En este AC, la variable con mayor contribución es glucosa en ayunas, con 53,81% en el eje 1, y glucosa postprandial con 48,19% en el eje 2, como se muestra en la tabla 5.6. Por otra parte, el eje 1 se divide en dos poblaciones: Sujetos con GPA (izquierda) y sujetos con GPN (a la derecha), sin embargo no se encontraron diferencias significativas entre estas

54 41 poblaciones. Esto sugiere que la glucosa en ayunas puede ser utilizada como una variable para discriminar entre el GPA y GPN. Sin embargo, como no se encontraron diferencias significativas entre los grupos, este resultado no es concluyente. El eje 2 no mostró ninguna distribución en particular. La figura AI.1-ANEXO I, ilustra el AC de estos datos de glucosa. Tabla 5.6. Contribuciones de glucosa e insulina en el análisis de correspondencias Variable Eje 1[%] Eje 2[%] Insulina al minuto * Insulina al minuto Insulina al minuto Insulina al minuto Insulina al minuto * 4.11 Glucosa al minuto * 4.00 Glucosa al minuto Glucosa al minuto Glucosa al minuto Glucosa al minuto * * Los números en negritas representan las variables con mayor contribución. En el AC de los datos de insulina, las variables con mayor contribución en el eje 1 son la insulina en el minuto 30 con el 28,41%, y la insulina postprandial con 50,87%, como se muestra en la Tabla 5.4. El eje 1 se divide en dos regiones: sujetos con IPA (derecha) y sujetos con IPN (izquierda). Además, no se encontraron diferencias significativas entre estas poblaciones. Este resultado podría indicar que la insulina a los 30 minutos y la insulina postprandial son variables se pueden utilizar para discriminar entre sujetos con IPA e IPN. La Figura AI.2-ANEXO I ilustra este AC. En ambos AC no hay diferencias significativas entre las bases de datos sintéticos y reales. Esto se puede observar en las figuras AI.1 y AI.2 del ANEXO I, donde se solapan las distribuciones de verde y rojo. De acuerdo con este análisis, no se encontraron diferencias estadísticas entre ambas bases de datos.

55 Análisis de correspondencia entre los resultados de sensibilidad a la insulina obtenida usando la BDR2.2 y BDS1 En el AC de los resultados de la SI obtenida por los métodos indirectos sobre la BDS1 se encontró que los métodos con una mayor contribución en el eje 1 fueron: HOMA IR con el 15.5 %, con un 13.9% HOMA βcell, Stumvoll FASE1 con un 11.7%, y Stumvoll FASE2 con un 11.4%, como se muestra en la Tabla 5.7, este eje se divide en dos regiones: los sujetos con IAN (derecha) y sujetos con IAA (izquierda). Además, no se encontraron diferencias estadísticamente significativas entre estas poblaciones. Esto sugiere que el HOMA IR y HOMA βcell pueden utilizarse para discriminar sujetos con IAN e IAA. Esto podría ser debido a la utilización de insulina y glucosa en ayunas por el método HOMA IR, que es el método con la mayor contribución en este eje. La Figura AI.3-ANEXO I, ilustra este AC. Este AC agrupa cuatro tipos de curvas: IAN-IPA, IAN-IPA, IAA-IPN e IAA-IPA. Los métodos indirectos se relacionan con cada grupo: Avignon, Raynauld, Bennett, FGIR, ISIHOMA, Matsuda, Stumvoll MCR2, Stumvoll ISI2 y Stumvoll ISI4 están más asociados con el grupo de IAN-IPN. Métodos QUICKI y Bennett están más relacionados con el grupo de IAN- IPA. Métodos HOMA βcell, HOMA IR, Stumvoll FASE1 y Stumvoll FASE2 están más vinculados al grupo IAA-IPA. El método de Belfiore está más relacionado con el grupo IAA-IPN. Este resultado muestra que no todos los métodos se pueden relacionar a todas las poblaciones. Este hecho se puede ver en la Tabla 3.1, donde no todos los métodos son precisos en todo tipo de población. En el AC de los resultados de SI por cada método indirecto en BDR2.2 de cinco puntos de la POTG se determinó que las contribuciones más importantes de los métodos en el eje 1 fueron: HOMA IR con 23.4 %, HOMA βcell con 18.1%, ISIHOMA con 8.7%, Stumvoll FASE1 con 14.2% y Stumvoll FASE2 con 14.0 %, como se muestra en la Tabla 5.7. En el eje 1, hay una diferencia significativa entre IAN y el IAA. Este resultado puede sugerir que el método HOMA puede discriminar sujetos con IAN y el IAA. En la Figura AI.4-ANEXO I, se muestra el plano factorial de estos resultados.

56 43 Tabla 5.7. Contribuciones en el análisis de correspondencia de la sensibilidad a la insulina obtenida por los métodos indirectos en la BDR2.2 y BDS. Métodos BDS [%] POTG 5-puntos BDR2.2 [%] POTG 2-puntos BDR2.2 [%] POTG 5-puntos Eje 1 Eje 2 Eje 1 Eje 2 Eje 1 Eje 2 Avignon Belfiore * * Stumvoll MCR * * Stumvoll ISI * * Stumvoll ISI Stumvoll FASE ** 0.41 * * 14.18** 0.64 Stumvoll FASE ** 0.34 * * 14.00** 0.76 FGIR ** ** Bennett Raynaud ** ** Matsuda HOMA βcell 13.92** ** ** 0.00 HOMA IR 15.53** ** 26.90** 23.56** 2.24 ISIHOMA ** ** QUICKI ** *Estos métodos no tienen valores debido a que solo tienen 2 valores de glucosa e insulina. **Los números en negritas representan las contribuciones más altas. Y finalmente para el AC de los resultados de la SI por cada método indirecto en RDB2.2 de 2-puntos de la POTG, las contribuciones de los métodos en el eje 1 son: HOMA IR con 39,6 % y HOMA βcell con 29.5%. En el eje 1, hay diferencias significativas entre los grupos con IAN y el IAA. Esto se puede observar en las Figura AI.3 y AI.4 del ANEXO I, donde los métodos de HOMA pueden discriminar entre sujetos con IAN e IAA. La Figura AI.5- ANEXO I ilustra estos resultados. En las dos bases de datos reales (Figuras AI.3 y AI.4-ANEXO I), el AC se divide en tres grupos: IAN-IPN, IAN-IPA y las IAA. En cada grupo, algunos métodos estaban más relacionados con cada uno de ellos. Métodos HOMA βcell y HOMA IR están más relacionados con el grupo de las IAA. Métodos Stumvoll FASE1, Stumvoll FASE2, Bennett y QUICKI están más vinculados al grupo IAN-IPA. Métodos FGIR, Avignon, ISIHOMA, Raynaud, Matsuda, Stumvoll MCR2, Stumvoll ISI2 y Stumvoll ISI4 están más asociados a IAN-IPN. Como se ha visto en BDS1. No todos los métodos están relacionados con todas las poblaciones. Y esto se puede

57 44 corroborar en la Tabla 3.1, donde la precisión de los métodos varía según el tipo de poblaciones [102][103]. En las tres bases de datos, se encontraron relaciones comunes: i) métodos de Avignon, Matsuda, Stumvoll MCR2, Stumvoll ISI4 y Stumvoll ISI2 están más asociados a la población de IAN-IPN, ii) los métodos de HOMA IR y HOMA βcell están más relacionados con los sujetos con IAA, y iii) métodos Stumvoll FASE1 y Stumvoll FASE2 están más vinculados a la población con IAN-IPA. Esto sugiere que los métodos indirectos no son igualmente precisos para todos los tipos de poblaciones, esto se puede observar en algunos estudios en donde se demostró que los métodos indirectos como HOMA IR se pueden correlacionar con CEH en 0.9 con sujetos diabéticos, pero esta correlación se reduce en sujetos normales (Tabla 3.1) Índice de proporciones antropométricas. Actualmente el diagnóstico de sobrepeso y obesidad se basa en el IMC, debido a la buena correlación existente entre este y el grado de adiposidad, como también por su estrecha asociación epidemiológica con mortalidad y morbilidad ligada a obesidad. Conocido inicialmente como índice de Quetelet, en consideración a quien primero lo describió en 1832, el matemático, astrónomo y estadista belga Adolphe Quetelet, fue posteriormente reintroducido en 1972 con el término de índice de masa corporal por Ancel Keys [104] y 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 en 1998 [104]. No obstante este índice tiene ciertas desventajas, destacando dentro de estas, no cuantificar la grasa corporal ni su ubicación, como tampoco discriminar entre tejido graso y magro, pudiendo por tanto clasificar como sobrepeso u obesidad a una persona con un excesivo desarrollo de tejido muscular o como normopeso a una persona que ha perdido masa magra incrementando su grasa corporal [105], como ocurre en la vejez. Es por ello, que para realizar una correcta caracterización del estado nutricional se hace necesario el diseño de un índice que pueda solventar las limitaciones que presenta el IMC. En esta sección se propone un índice que permite relacionar el peso, la altura y la circunferencia abdominal en un solo índice.

58 45 Para el diseño de este índice se multiplicó el peso (kg) con el área de circunferencia abdominal, la cual se coloca en función de la circunferencia abdominal y se dividió entre el área total corporal que se coloca en función de la altura y el peso (ecuación 5.1). Para hallar la superficie corporal total se usaron varios modelos[106]: de Mosteller, ecuación 5.2, que es el más usado en la práctica clínica, el modelo de Dubois-Dubois, ecuación 5.3, que es el más comúnmente aplicado, el modelo de Gehan y George, ecuación 5.4, que fue seleccionada por la US EPA como estándar y el modelo de Nwoye, ecuación 5.5, que fue derivado de poblaciones de sujetos africanos, y es conocido que tanto los sujetos africanos como los asiáticos tienen una forma corporal comparable con los sujetos latinos. El área de circunferencia abdominal se aproximo al área de un círculo y se colocó en función del perímetro circunferencial, ecuación 5.6. (5.1) (5.2) (5.3) (5.4) Con estas áreas circunferenciales se hallaron cuatro índices IPA según cada modelo de área, adicionalmente, se probó otro índice en donde se multiplica el IMC con el área de circunferencia abdominal, como se muestra en la ecuación 5.7.

59 46 Tabla 5.8. Índice de proporciones antropométricas para diferentes tipos de poblaciones y modelos de superficie corporal. Método SSSM DMD SCSM pvalor SSSM SSSM Prom STD Prom STD Prom STD SCSM DMD DMD SCSM IMC [Kg/m 2 ] 23,746 3,705 20,908 1,733 35,550 6,024 0,0003 0,071 5,05E-06 IPA MOSTELLER [m 2 ] 2,298 0,869 1,541 0,266 5,377 2,293 0,0005 0,010 9,07E-06 IPA DUBOIS-DUBOIS [m 2 ] 2,306 0,898 1,530 0,268 5,567 2,452 0,001 0,012 7,48E-06 IPA GEHAN GEORGE [m 2 ] 2,285 0,860 1,534 0,265 5,312 2,254 0,0005 0,010 9,07E-06 IPA NWOYE [m 2 ] 2,039 0,847 1,322 0,241 5,272 2,484 0,0003 0,012 6,15E-06 IPA-IMC [m 2 ] 1,435 0,657 0,897 0,175 4,146 2,162 0,0003 0,010 6,15E-06 Se hallaron los cinco índices, y se usó la base de datos BDR1, en la tabla 5.7 se muestran los promedios de cada uno de los cinco índices, más el IMC con sus desviaciones estándar. Se puede observar que el IMC no discrimina entre los sujetos deportistas y los sujetos normales, aunque si hay diferencias significativas entre los SCSM y los sujetos DMD y SSSM. Esta es una de las limitaciones que tiene el IMC, no puede discriminar entre la masa magra y la grasa. En el caso de los cinco IPA propuestos en este trabajo se puede observar que todos pueden discriminar entre los tres tipos de poblaciones. También se encontró que entre los IPA derivados de los modelos de superficies corporales no había diferencias significativas entre ellos, por tanto para efectos de escoger el mejor se tomó el modelo de superficie de Mosteller puesto que es el más utilizado en la práctica clínica Determinación un nuevo método que cuantifica la sensibilidad a la insulina. Para la determinación de un nuevo índice se utilizaron las tres poblaciones reales halladas en la base de datos BDR1. Se utilizó el trabajo realizado en [102] [103], en donde se usó la BDR1 para la optimización de los métodos para cada tipo de población. Se cambiaron los parámetros de cada método de manera tal de conseguir la mejor correlación con el método de Caumo, que es el método que proviene del método directo minimal model diseñado por Caumo et al. Para la correlación se usó la correlación de Spearman.

60 47 Tabla 5.9. Parámetros optimizados para cada tipo de población. Método Avignon Stumvoll MCR2 HOMA IR Matsuda Belfiore Población SSSM SCSM DMD SSSM SCSM DMD SSSM SCSM DMD SSSM SCSM DMD SSSM SCSM DMD Parámetros optimizados Correlación α β ө Spearman antes 0, ,7576 ahora 0,01 0, ,8909 antes 0, ,8036 ahora 0,07 0, ,8857 antes 0, ,4571 ahora -0,04 0, ,4643 antes 0,0042 0,384 0,0209-0,8061 ahora 0,05 3,15 0-0,9394 antes 0,0042 0,384 0,0209-0,9143 ahora 0,05 1,8 0,55-0,9536 antes 0,0042 0,384 0,0209-0,4429 ahora 0,25 4,4-0,9-0,6071 antes ,5106 ahora ,8211 antes ,8821 ahora ,9 antes ,1357 ahora ,3929 antes ,8182 ahora ,9152 antes ,9429 ahora ,9607 antes ,475 ahora ,5857 antes ,6364 ahora ,6364 antes ,9357 ahora 0-1, ,9357 antes ,5214 ahora ,5571 Los parámetros optimizados para cada tipo de población se encuentran en la tabla 5.9. De la misma se puede observar que el método con mejor optimización fueron el de Matsuda y Stumvoll MCR2. El método de Stumvoll MCR2 obtiene mejores resultados en la población deportista y normal, sin embargo, no es un método muy confiable debido a que en la población

61 48 con SM, en los sujetos con un IMC muy alto tiende a dar valores de sensibilidad a la insulina negativos, lo cual no tiene sentido fisiológico, por ello se eligió el método de Matsuda como base para el diseño del nuevo método. Tabla Valores de alfa, beta, gama y teta de los métodos propuestos. Método SI IPA SI IPA-IMC Población SSSM SCSM DMD SSSM SCSM DMD Parámetros optimizados α β ө Correlación Spearman antes ahora antes ahora antes ahora antes ahora antes ahora antes ahora Para los nuevos métodos se agregó el índice de proporciones antropométricas en dos de las versiones estudiadas en la sección anterior, el IPA con la ecuación de superficie de Mosteller (ecuación 5.9) y el IPA basado en el IMC (ecuación 5.10). Cuando se hace la optimización de los dos índices (SI IPA e SI IPA-IMC ), la correlación de Spearman mejora en comparación con el método de Matsuda original e incluso el optimizado que se muestra en la tabla 5.9. La tabla 5.10 se pueden observar los valores de la correlación de Spearman de los métodos propuestos.

62 49 Tabla Valores de SI para los métodos propuestos y el método de Matsuda convencional y optimizado. Población Matsuda Matsuda Optimizado SI IPA-IMC SI IPA Promedio 9,568 3,263 15,177 0,934 SSSM STD 4,701 1,021 7,071 0,402 Correlación 0,818 0,915 0,915 0,915 Promedio 3,476 1,866 2,952 0,692 SCSM STD 2,895 0,889 2,068 0,940 Correlación 0,943 0,961 0,954 0,975 Promedio 15,361 4,457 13,284 1,478 DMD STD 5,602 1,145 2,848 0,401 Correlación 0,475 0,586 0,704 0,686 En la tabla 5.11 se muestran los valores de sensibilidad a la insulina de los métodos de Matsuda, Matsuda optimizado y los métodos propuestos. El método de Matsuda optimizado presenta una correlación mejorada en todas las poblaciones en comparación con el método de Matsuda, sin embargo en comparación con los métodos propuestos, estos presentan una correlación mejorada en la población deportista. El método SI IPA-IMC es más preciso en la población deportista (0,7036), sin embargo, en el momento de hacer la interpretación de los valores de sensibilidad a la insulina resulta confuso saber el rango de alta o baja sensibilidad a la insulina, debido a que los valores de SI en los sujetos deportistas es menor que en los sujetos normales, lo cual en la práctica no es así, esto ocurre porque los parámetros para cada población son diferentes, y ente caso, al hacer la interpretación clínica no concuerda. Por tanto se tomó como método más preciso y fácil en la interpretación de los rangos de insulina, el método propuesto SI IPA, el cual (tabla 5.11) presenta valores de sensibilidad a la insulina significativamente más altos en los DMD comparados con los SSSM y los SCSM, igualmente valores de sensibilidad a la insulina más altos en los SSSM comparados con los SCSM. Además de presentar una mejoría en la precisión de la SI en todas las poblaciones comparados con el método de Matsuda original y en las poblaciones deportistas y con SM comparado con el método de Matsuda optimizado. Una vez que se definió el nuevo método, se procedió a probarlo en una base de datos más extensa. Con el uso de la BDS2 [102] [103], en donde se clasificó las poblaciones con SM, y normales como GAN-GPA IAN-IPA y GAA-GPN IAN-IPN respectivamente, y la

63 50 población deportista se clasificó como un variante de GAN-GPN IAN-IPN en donde los valores de glucosa e insulina en ayunas fue modificada puesto que los valores en los deportistas son menores que en los sujetos normales. Tabla Valores límites de triglicéridos, peso, IMC, circunferencia abdominal y edad usados para la creación de la BDS2. Circunferencia Triglicéridos Peso IMC Edad Población [mg/dl] [Kg] [Kg/m 2 Abdominal ] [años] [cm] SSSM 106,10-118,10 58,30-82,90 20,2-25,2 22,73-31,07 72,8-94,3 DMD 39,10-83,03 55,35-68,85 19,17-22,64 24,79-41, ,1 SCSM 134,60-313,00 81,60-127,80 27,6-41,00 24,43-38,37 94,3-133 Tabla Sensibilidad a la insulina según el método de Matsuda y los métodos propuestos usando la BDS2. Población HOMA IR Matsuda SI IPA SI IPA-IMC Promedio 1,300 7,091 0,730 11,691 SSSM STD 0,638 2,522 0,116 1,987 Correlación 0,128 0,149 0,504 0,453 Promedio 2,207 2,748 0,409 2,420 SCSM STD 0,667 0,499 0,095 0,385 Correlación 0,191 0,171 0,563 0,284 Promedio 0,624 14,089 1,400 13,028 DMD STD 0,246 3,388 0,137 1,059 Correlación 0,112 0,016 0,304 0,248 Se generaron 300 sujetos de cada una de las poblaciones. Los valores de peso, triglicéridos, edad, e IMC se generaron a partir de los valores de éstos en cada población de la BDR1. Se halló el promedio y la desviación estándar (SD) y los límites se definieron como valor máximo promedio+sd y mínimo promedio-sd. En la tabla 5.12 se pueden observar los valores límites de triglicéridos, IMC, edad y peso de cada población. Con la generación de cada una de las poblaciones se halló la SI y las correlaciones para la corroboración con una población más extensa. En la tabla 5.13 se puede observar que en la base de datos simulada existe una mejoría en la correlación de Spearman entre el método de Matsuda y los propuestos, siendo los propuestos más precisos en todas las poblaciones incluso más precisos que el HOMA IR.

64 51 Tabla Sensibilidad a la insulina de los métodos indirectos en la BDR1 y DMDF2. Método SSSM SCSM DMD DMDF2 Promedio STD Promedio STD Promedio STD Promedio STD Avignon 6075,8 3838,7 1979,9 1996, ,1 7522,9 7220,7 906,6 Belfiore 0,871 0,258 0,866 0,267 0,951 0,218 0,842 0,062 Cederholm 65,123 12,802 39,170 9,791 92,151 23,882 73,767 10,594 Gutt 106,604 35,930 62,010 19, ,350 63, ,388 18,887 Caumo 2,14E-03 1,15E-03 5,68E-04 5,35E-04 4,90E-03 4,56E-03 2,37E-03 3,67E-04 Stumvoll MCR2 9,279 0,756 5,124 2,832 10,186 0,785 9,857 0,367 Stumvoll FASE1 977, , , , , , , ,599 FGIR 33,073 16,382 15,124 17,239 34,975 11,416 34,750 12,189 Bennett 1,025 0,195 0,735 0,159 1,203 0,174 1,224 0,158 Raynauld 13,616 6,884 5,568 5,957 16,470 5,382 16,667 5,774 Matsuda 9,568 4,701 3,476 2,895 15,361 5,602 12,002 1,307 Matsuda Optimizado 3,263 1,021 1,866 0,889 4,468 1,146 3,584 0,243 SI IPA-IMC 15,177 7,071 2,952 2,068 13,284 2,848 11,654 1,603 SI IPA 0,934 0,402 0,692 0,940 1,478 0,401 1,196 0,154 HOMA BC 40,856 24, ,002 59,747 49,148 27,593 47,768 21,431 HOMA IR 0,980 0,645 3,152 1,768 0,610 0,342 0,548 0,236 ISIHOMA 1,421 0,737 0,522 0,524 1,974 0,685 2,025 0,701 QUICKI 0,401 0,041 0,335 0,040 0,429 0,033 0,432 0, Valores de la sensibilidad a la insulina en la BDR1 y DMDF2 con la utilización de los métodos indirectos que cuantifican la sensibilidad a la insulina. En este análisis se hallaron los valores de sensibilidad a la insulina en cada uno de los sujetos con SCSM, SSSM, DMD y DMDF2 de las bases de datos BDR1 según los métodos: de Caumo, de Matsuda, de Belfiore, de Cederholm, de Gutt, de Avignon, de Stumvoll, HOMA IR, HOMA βcell, ISIHOMA, FGIR, QUICKI, de Raynaud y los propuestos en este trabajo. En todos los métodos se consiguieron diferencias significativas entre todos los grupos excepto entre los SSSM y DMDF2, indicando que los sujetos DMDF2 tienden a tener una sensibilidad a la insulina parecida a los SSSM (Tabla 5.14). También se puede observar que los DMD son aquellos que tienen mayor SI en todos los métodos, indicando una mayor SI en aquellos sujetos que practican deportes que en aquellos que no lo hacen.

65 52 CAPÍTULO VI CONCLUSIONES La baja SI es una de las características precursoras de la diabetes y de las enfermedades cardiovasculares, para la cuantificación de la SI los métodos indirectos utilizan la Prueba Oral de Tolerancia a la Glucosa. Este trabajo de tesis se centró en aumentar el valor diagnóstico de dicha prueba, a partir del diseño de un método indirecto que fuera preciso para todo tipo de población. En este capítulo se expondrán las conclusiones de este trabajo de tesis en tres partes: i) la variabilidad de la frecuencia cardíaca luego de los hallazgos resaltantes del estudio multi-paramétrico de los parámetros en el dominio del tiempo y frecuencia, ii) la valoración del estado nutricional con un nuevo índice que incluye las mediciones antropométricas; y iii) la optimización de la determinación de la SI y el diseño de un nuevo método que cuantifique la SI. La variabilidad de la frecuencia cardíaca. En el trabajo desarrollado se utilizaron los registros electrocardiográficos de una base de datos que consiste en 10 sujetos sedentarios sin SM, 15 sujetos sedentarios con SM y 15 sujetos deportistas a dedicación, el protocolo clínico diseñado permitió el registro electrocardiográfico de cinco etapas durante la POTG. Para cada registro se realizó el estudio de la VFC obteniendo los parámetros en el dominio del tiempo: SD y RMSSD y los parámetros en el dominio de la frecuencia LF, HF y LF/(LF+HF). No se encontraron diferencias significativas en los parámetros SD, RMSSD, LF, HF y LF/(HF+LF) entre el grupo DMD y SCSM y SSSM. Sin embargo, si se encontraron diferencias significativas entre los valores de RR entre el grupo DMD y los grupos SCSM y SSSM, debido a que los sujetos deportistas presentan bradicardia asociada a la acomodación del músculo cardiaco como respuesta a las exigencias del entrenamiento. Igualmente no se

66 53 encontraron diferencias significativas en los parámetros de la VFC entre etapas de la POTG en los grupos DMD y SSSM, sin embargo en el grupo SCSM si se observó un aumento en el tono simpático durante la POTG. Los resultados de la AC arrojaron que los parámetros de LF y HF pueden discriminar entre los DMD y los SSSM y SCSM. Los hallazgos encontrados en este trabajo, sugieren que los parámetros LF y HF de la VFC pueden usarse en un futuro como elementos de diagnóstico del SM, partiendo de una prueba no invasiva como el electrocardiograma. Índice de proporciones antropométricas El IMC es usado hoy en día para definir peso bajo, peso normal, sobrepeso y obesidad en sus diferentes grados, según los puntos de cortes propuestos por la OMS en Sin embargo, el IMC tiene sus limitaciones, entre ellas se encuentran no cuantificar la grasa corporal ni su ubicación, como tampoco discriminar entre tejido graso y magro. En esta tesis se propuso un nuevo índice que define el estado nutricional que podría solventar las limitaciones que presenta el IMC. Se probó el índice en poblaciones de sujetos deportistas, sujetos con síndrome metabólico y sujetos no deportistas sin síndrome metabólico encontrándose diferencias significativas entre las poblaciones de sujetos deportistas y sujetos no deportistas sin síndrome metabólico. Estas diferencias no fueron observadas en el IMC. Por tanto se concluye que el nuevo índice propuesto podría discriminar entre poblaciones deportistas y no deportistas. Sensibilidad a la insulina Base de datos sintética Se construyó una base de datos sintética que contiene 1600 curvas de glucosa e insulina utilizando la información de los límites en los valores de estas variables obtenidas en la literatura y de estudios experimentales llevados a cabo en esta tesis. Para construir esta base

67 54 de datos, nuevos límites de los valores de glucosa e insulina se determinaron para todas las fases de la POTG. Estos límites se han estimado utilizando datos reales de la glucosa y la insulina a partir de 634 sujetos. Las nuevas poblaciones se definen en este trabajo mediante la clasificación de las curvas de glucosa e insulina en función de sus valores en ayunas y postprandial. Dieciséis poblaciones se crearon mediante la combinación de los valores de las curvas de glucosa e insulina durante el ayuno y postprandiales sujetos fueron clasificados de acuerdo a estos valores. Las curvas simuladas de glucosa e insulina se compararon con las curvas reales utilizando el análisis de correspondencia. Los resultados de la comparación arrojaron que las curvas simuladas y las curvas reales tienen un comportamiento similar por lo que los datos sintéticos pueden ser utilizados para analizar los métodos indirectos. La sensibilidad a la insulina se calculó utilizando quince métodos indirectos, ya sea utilizando datos sintéticos o reales. Utilizando el análisis de la correspondencia, la sensibilidad a la insulina es similar utilizando datos sintéticos y reales, por ejemplo, los métodos de Avignon y Matsuda están más asociados a las personas con ayuno normal y la insulina postprandial y métodos HOMA IR y HOMA βcell están más relacionadas con las personas con problemas de insulina en ayunas. Sensibilidad a la insulina En esta parte se utilizó la base de datos real de sujetos con síndrome metabólico para la optimización de los métodos indirectos y el diseño de un nuevo método que fuera preciso, de fácil interpretación, que pudiera discriminar entre poblaciones, y que no arrojara como resultado valores negativos bajo ningún tipo de población. Para esto se halló un método nuevo basado en el método de Matsuda con la variante de nuevos parámetros que lo optimizaron más tres parámetros extras (altura, peso y circunferencia abdominal), el cual es un discriminante importante entre estas tres poblaciones. Éste se validó en una base de datos simulada de 900 sujetos, mejorando la correlación en comparación con el método de Matsuda convencional.

68 55 Las principales aportes de este trabajo son: i) la definición de nuevos valores límite de la glucosa y la insulina para todas las fases de la POTG, ii) la clasificación de las curvas de glucosa e insulina en función de sus valores en ayunas y postprandial, iii) la generación de las curvas sintéticas de la glucosa y la insulina con características similares a las curvas reales, iv) el diseño de un nuevo índice para la valoración del estado nutricional que puede discriminar entre sujetos deportistas y sujetos no deportistas, v) la asociación entre poblaciones específicas y métodos indirectos para cuantificar sensibilidad a la insulina, vi) el diseño de un nuevo método de cuantificación de la sensibilidad a la insulina basado en el método de Matsuda que tiene como ventajas que se puede usar en distintos tipos de poblaciones sin arrojar valores negativos de SI, y finalmente vii) el descubrimiento que los parámetros LF y HF pueden discriminar entre los DMD y los SSSM y SCSM. Los resultados obtenidos en este trabajo aportan una mejor descripción del Síndrome Metabólico así como también un incremento en el valor diagnóstico de la POTG.

69 56 REFERENCIAS [1] Zimmet P y Alberti G (2005). Una nueva definición mundial del síndrome metabólico por la federación internacional de diabetes: fundamento y resultados. Rev. Esp. Cardiol, Vol. 58 (12), pp [2] Ford ES, Giles WH y Dietz WH (2002). Prevalence of the metabolic syndrome among US adults: findings from the third National Health and Nutrition Examination Survey. JAMA, Vol. 287, pp [3] Rguibi M y Belahsen R. (2004). Metabolic syndrome among urban Sahraoui women of South Morocco. Am J Human Biol, Vol. 16, pp [4] Gupta R, Deedwania PC, Gupta A, Rastogi S, Panwar RB y Kothari K (2004). Prevalence of the metabolic syndrome in an indian urban population. Int J Cardiol; Vol. 97, pp [5] Athyros V., Mikhailidis D., Papageorgiou A., Didangelos T., Ganotakis E., Symeonidis A., Daskalopoulou S., Kakafika A. y Elisaf M. (2004). METS-Greece collaborative study. Curr Med Res Opin, Vol. 20. pp [6] Kim E., Han S., Kim Y., Song K., Kim M., Park J., Lee K. (2004). Prevalence and clinical characteristics of metabolic syndrome in a rural population of South Korea Diabet Med, Vol 21, pp [7] Aranetta M. y Barret-Connor E. (2004). Subclinical coronary atherosclerosis in asymptomatic Filipino and white women. Circulation; 110: [8] Ozsahin A., Gokcel A., Sezgin N., Akbaba M., Guvener N., Ozisik L. y Karadamir B. (2004). Prevalence of the metabolic syndrome in a turkish adult population. Diabetes Nutr Metab, Vol. 17, pp [9] Simmons D. y Thompson CF. (2004). Prevalence of the metabolic syndrome among adult New Zealanders of Polynesian and European descent. Diabetes Care, Vol. 27, pp [10] Bermúdez P., Valmore J., Finol F., Leal N., Parra M., Peñaranda L., Pérez A., Vilchez D., Núñez M., Linares S., Anilsa A., Toledo A y Velasco M. (2009). Prevalence of metabolic syndrome in the adult Añú population of Sinamaica lake of Municipio Paez, Zulia State. Revista Latinoamericana de Hipertensión. Vol.4(3), pp [11] Fundación Bengoa (2010). Síndrome metabólico: Una epidemia global. I Foro: Alimentación y Nutrición, Retos y Compromisos. Alimentación y nutrición. Disponible en: global_sindrome_metabolico.asp. Febrero 2010.

70 57 [12] Khandoker A., Jelinek H. y Palaniswami M. (2009). Identifying diabetic patients with cardiac autonomic neuropathy by heart rate complexity analysis. Biomedical Engineering Online, Vol 8(3), pp [13] Romero JC. (1999). Variabilidad de la frecuencia cardiaca en reposo para detectar neuropatía autonómica cardiovascular en pacientes con diabetes tipo I. Revista Cubana de Endocrinologia. Vol. 10(1), pp [14] Weissman A. (2006). Power Espectral Analysis of Heart Rate Variability during the 100g Oral Glucose Test in pregnant women. Diabetes Care, Vol. 29, pp [15] Severeyn E., Wong S., Cevallos J., Passariello, G y Almeida D. (2012). Methodology for the study of metabolic syndrome by heart rate variability and insulin sensitivity. Revista Brasileira de Engenharia Biomédica. Vol. 28(3), pp [16] Rivera P., Wong S., Severeyn E., Perez J. (2012). Study of cardiac repolarization during Oral Glucose Tolerance Test in metabolic syndrome patients. Computing in Cardiology. Cracovia, Polonia. Septiembre 2012, pp [17] Krudys K., Greenbaum C., Pihoker C. y Vicini P. (2008). Use of oral glucose minimal model-derived index of insulin sensitivity in subjects with early type 1 Diabetes mellitus. Metabolism. Vol 57(4), pp [18] Burattini R., Di Nardo F., Casagrande F., Boemi M. y Morosini P. (2009). Insulin action and secretion in hypertension in absence of metabolic syndrome: model based assessment from oral glucose tolerance test. Metabolism Clinical and Experimental, Vol. 58, pp [19] Bergman R.N., Prager R., Volund A. y Olesky J.M. (1987). Equivalence of the insulin sensitivity index in man derived by the minimal model method and euglycemic glucose clamp. Journal Clinical Investigation. Vol. 79, pp [20] 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 and Metabolism. Vol. 85, pp [21] Matsuda M. y Defronzo R. (1999). Insulin sensitivity indices obtained from oral glucose tolerance testing: Comparison with the euglycemic insulin clamp. Diabetes Care. Vol. 22, pp [22] 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 [23] 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 [24] Stumvoll M., Mitrakou A., Pimenta W., Jenssen T., Hannele Y.J., 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

71 58 [25] Stumvoll M., Van Haeften T., Gerich J. y Fritsche A. (2001). Oral glucose tolerance test indexes for insulin sensitivity and secretion based on various availabilities of sampling times. Diabetes Care. Vol. 23(3), pp [26] 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 [27] 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. Vol. 22(6), pp [28] Bermúdez V., Cano C. y Medina M. (2001). Utilidad y ventajas del uso de modelos matemáticos en el estudio de la insulino-resistencia y función de la célula β pancreática, homeostasis model assesstment (HOMA): fundamento y bases para su implementación en la práctica Clínica. AVFT. Vol. 20, pp [29] Wallace T., Levy J. y Mathews D. (2004). Use and abuse of HOMA Modeling. Diabetes Care. Vol. 27, pp [30] Long, C. y Zierath J. (2006). AMP-activated protein kinase signaling in metabolic regulation. Journal Clinic Investigation, Vol. 116(7), pp [31] Schnell M., Dominguez Z. y Carrera C. (2007). Aspectos genéticos, clínicos y fisiopatológicos del síndrome metabólico. Anales venezolanos de nutrición. Vol. 20(2), pp [32] Fulco M. y Sartorelli V. (2008). Comparing and Contrasting the Roles of AMPK and SIRT1 in Metabolic Tissues. Cell Cycle. Vol. 7(23), pp [33] Liang F., Chen R., Nagakawa M., Nishisawa M., Tsuda S., Wang H. y Koya D. Low Frecuency Electroacupunture Improves Insulin Sensitivity in Obese Diabetic Mice through Activation of SIRT1/PCG-1α in Skeletal Muscle. Evidence Based Complementary and Alternative Medicine. Vol. 2011, pp [34] Kaplan, N. (1989). The Deadly Quartet: Upper-body Obesity, Glucose Intolerance, Hypertriglyceridemia, and Hypertension. Archives of internal medicine. Vol. 149(7), pp [35] Ferreira I, Twisk J, Mechelen W, Kemper H, Stehouwer C. (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. Vol. 165, pp [36] LaMonte M., Barlow C., Jurca R., Kampert J., Church T. y Blair S. (2005). Cardiorespiratory Fitness Is Inversely Associated With the Incidence of Metabolic Syndrome A Prospective Study of Men and Women. Circulation. Vol. 112, pp [37] Ramírez-Vargas E. y Arnaud-Viñas M. (2007). Prevalence of the metabolic síndrome and associated lifestyles in adult males from Oaxaca, Mexico. Salud Pública. Vol 49. pp [38] Paek K., Chun K. y Lee K. (2006). Relationship Between Metabolic Syndrome and Familial History of Hypertension/Stroke, Diabetes, and Cardiovascular Disease. J Korean Med Sci. Vol. 21, pp

72 59 [39] Roberts C., Vaziri N., Liang K. y Barnard J. (2001). Reversibility of Chronic Experimental Syndrome X by Diet Modification. Hypertension. Vol 37, pp [40] Brandão A., Magalhães M., Pozzan R. y Brandão A. (2005). Síndrome metabólico en jóvenes: diagnóstico y tratamiento. Revista Española de Cardiología. Vol 58(2), pp [41] Magkos F., Fabbrini E., Mohammed B., Patterson B. y Klein S Increased Whole-Body Adiposity Without a Concomitant Increase in Liver Fat is Not Associated With Augmented Metabolic Dysfunction. Obesity. Vol. 18, pp [42] WHO Obesity. (2000). Preventing and managing the global epidemic. Report of a WHO Consultation. WHO Technical Report Series 894. Geneva, Switzerland. [43] Ferrari C. (2008). Metabolic Syndrome and Obesity: Epidemiology and Prevention by Physical Activity and exercise. Journal Exercise Science Fitness. Vol 6(2), pp [44] Boudoulas S., 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 and Disease, Vol 16, pp , [45] Carnethon M., Loria C., Hill J., Sidney S., Savage P. y Liu K. (2004). Risk Factors for the Metabolic Syndrome The Coronary Artery Risk Development in Young Adults (CARDIA) study, Diabetes Care. Vol 27, pp [46] Hillier T., Fagot-Campagna A., EschwEge E., Cailleau S. y Balkau B. (2006). Weight change and changes in the metabolic syndrome as the French population moves towards overweight: the D.E.S.I.R. cohort. International Journal of Epidemiology. Vol. 35(1), pp [47] Weiss R., Dziura J., Burgert T., Tamborlane W., Taksali S., Yeckel C., Allen K., Lopes M. y Savoye M., Morrison J., Sherwin R. y Caprio S. (2004). Obesity and the Metabolic Syndrome in Children and Adolescents. The New England Journal of Medicine. Vol. 350, pp [48] Amati F., Dubé J., Coen P., Stefanovic-Racic M., Toledo F. y Goodpaster B. (2009). Physical Inactivity and Obesity Underlie the Insulin Resistance of Aging. Diabetes Care, Vol 32, 8: [49] Gómez-Pérez R., Mendoza F, Osuna J., Villarroel V., Velázquez- Maldonado E., Zerpa Y., Tortolero I. y Arata-Bellabarba G. (2005). Homa IR, Quicki y Leptina en Adolescentes Deportistas Caso clínico. Revista Venezolana de Endocrinologia y Metabolismo; Vol. 3(3), pp [50] Bobbioni-Harsch E., Sztajzel J., Barthassat V., Makoundou V., Gastaldi G., Sievert K., Chassot G., Huber O., Morel P., Assimacopoulos-Jeannet F. y Golay A. (2008). Independent Evolution of Heart Autonomic Function and Insulin Sensitivity During Weight Loss. Obesity, Vol. 17, pp [51] Nishida Y., Matsubara T., Tobina T., Shindo M., Tokuyama K., Tanaka K. y Tanaka H. (2010). Effect of Low-Intensity Aerobic Exercise on Insuline-Like Growth Factor I and Insuline-Like Growth Factor-Binding Proteins en healthy Men. International journal of Endocrinology. Vol. 2010, pp. 1-8.

73 60 [52] Mota J., Vale S., Martins C., Gaya G., Moreira C., Santos R. y Ribeiro J. (2010). Influence of muscle fitness test performance on metabolic risk factors among adolescent girls. Diabetology and Metabolic Syndrome. Vol. 2, pp [53] Miyatake N., Miyachi M., Nishikawa H., Saito T. y Numata T. (2007). Comparison of Whole Body Reaction Time between Japanese Men with and without Metabolic Syndrome. International Journal of Sport and Health Science. Vol. 5, [54] Jurca R., Lamonte M., Barlow C., Kampert J., Church T. y Blair S. Association of Muscular Strength with Incidence of metabolic Syndrome in Men. Official Journal of the American College of Sports Medicine , [55] Sisson S., Camhi S., Church T., Martin C., Tudor-Locke C., Bouchard C., Earnest C., Smith S., Newton R., Rankinen T. y Katzmarzyk P. (2009). Leisure Time Sedentary Behavior, Occupational/Domestic Physical Activity, and Metabolic Syndrome in U.S. Men and Women. Metabolic Syndrome and Related Disorders. Vol 7(6), pp [56] Nguyen T., Tang H., Kelly P., Ploeg H. y Dibley M. (2010). Association between physical activity and metabolic syndrome: a cross sectional survey in adolescents in Ho Chi Minh City, Vietnam. BMC Public Health. Vol. 10(141), pp [57] Mijigoj-Durakovich M. y Durakovich Z. (2009). The Early Prevention of Metabolic Syndrome by Physical Exercise. Antropology. Vol 33(3), pp [58] DuBose K., Eisenmann J. y Donnelly J. (2007). Aerobic Fitness Attenuates the Metabolic Syndrome Score in Normal-Weight, at Risk for Overweight, and Overweight Children. Pediatrics Official Journal of the American Academy of Pediatrics. Vol. 120, pp. e1262-e1268. [59] Eisenmann J. (2007). Aerobic fitness, fatness and the metabolic syndrome in children and adolescents. Foundation Acta Paediatrica. Vol. 96, pp [60] Ekelund U., Anderssen S., Andersen L., Riddoch C., Sardinha L., Luan J., Froberg K. y Brage S. (2009). Prevalence and correlates of the metabolic syndrome in a populationbased sample of European youth.. American Journal Clinical Nutrition. Vol. 89, pp [61] McMurray R., Bangdiwala S., Harrell J. y Amorim L. (2008). Adolescents with metabolic syndrome have a history of low aerobic fitness and physical activity levels. Dynamic Medicine, Vol. 7(5), pp [62] Rennie K, McCarthy N, Yazdgerdi S, Marmot M, Brunner E. Association of the metabolic syndrome with both vigorous and moderate physical activity. International Journal of Epidemiology. Vol. 32: [63] Franks P., Ekelund U., Brage S., Wong M. y Wareham N. (2004). Does the Association of Habitual Physical Activity With the Metabolic Syndrome Differ by Level of Cardiorespiratory Fitness? Diabetes Care. Vol. 27, pp [64] Brien S. y Katzmarzyk P. (2006). Physical activity and the metabolic syndrome in Canada. Applied Physiology Nutrition Metabolic. Vol 31, pp [65] Fogelholm M., Stallknecht B. y Van Baak M. (2006). ECSS position statement: Exercise and obesity. European Journal of Sport Science. Vol. 6(1), pp

74 61 [66] Irwin M., Ainsworth B., Mayer-Davis E., Addy C., Pate R. y Durstine J. (2002). Physical Activity and the Metabolic Syndrome in a Tri-ethnic Sample of Women. Obesity Research. Vol. 10, pp [67] Méndez-Hernández P., Flores Y., Siani C., Lamure M., Dosamantes-Carrasco D., Halley-Castillo E., Huitrón G., Talavera J., Gallegos-Carrillo K. y Salmerón J. (2009). Physical activity and risk of Metabolic Syndrome in an urban Mexican cohort. BMC Public Health. Vol. 9, pp [68] Hahn V., Halle M., Rathmann W., Meisinger C. y Mielck A. (2009). Physical Activity and the Metabolic Syndrome in Elderly German Men and Women Results from the populationbased KORA Survey. Diabetes Care. Vol. 32, pp [69] 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 [70] 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 [71] 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 [72] 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 [73] 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 , [74] Hanley A., Williams K., Gonzalez c., D Agostino R., Wagenknecht L. y Stern M., Haffner S. (2003). Prediction of type 2 diabetes using simple measures of insulin resistance. Diabetes. Vol. 52, pp [75] 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 [76] Caumo A., Bergman R., Cobelli C. (2000). Insulin sensitivity from meal tolerance tests in normal subjects: a minimal model index, The Journal of Clinical Endocrinology and Metabolism. Vol. 85, pp [77] 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. Journal Clinical Investigation. Vol. 79. pp [78] 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

75 62 [79] Chan H., Ming-An L., Pei-Kuang C. y Chun-Hsien L. (2007). Correlates of the shift in heart rate variability with postures and walking by time frequency analysis. Computer Methods and Programs in Biomedicine. 86: , [80] Litscher G. y Litscher D. (2010). Fire of Life analysis of heart rate variability during alpine skiing in Austria Gerhard. North American Journal of Medical Sciences. Vol. 2, pp [81] Earnest C., Lavie C., Blair S. y Church T. (2008). Heart Rate Variability Characteristics in Sedentary Postmenopausal Women Following Six Months of Exercise Training: The DREW Study. Plos One. Vol. 3(6), pp. e2288. [82] Bernardi L., Valle F., Coca M., Calciati A., Sleight P. (1996). Physical activity influences heart rate variability and very-low-frequency components in Holter electrocardiograms. Cardiovascular Research. Vol. 32, pp [83] Saa Y., Sarmiento S., Martín-González J., Rodríguez-Ruiz D., Quiroga M., García- Manso J. (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. Vol. 2(4), pp [84] Vigili de Kreutzenberg S., Ceolotto G., Papparella I., Bortoluzzi A., Semplicini A., Dalla Man C., Cobelli C., Fadini G. y Avogaro A. (2010). Downregulation of the Longevity- Associated Protein Sirtuin 1 in Insulin Resistance and Metabolic Syndrome: Potential Biochemical Mechanisms. Diabetes, Vol. 59(4), pp [85] Gutin B., Barbeau P., Litaker M., Ferguson M. y Owens S. (2000). Heart Rate Variability in Obese Children: Relations to Total Body and Visceral Adiposity, and Changes with Physical Training and Detraining. Obesity Research. Vol. 8(1), pp [86] Buchheit M., Simon C., Charloux A., Doutreleau S., Piquard F. y Brandenberger G. (2005). Heart Rate Variability and Intensity of Habitual Physical Activity in Middle-Aged Persons. Medicine & Science in Sports & Exercise. Vol. 37(9), pp [87] Rennie K., Hemingway H., Kumari M., Brunner E., Malik M. y Marmot M. (2003). Effects of Moderate and Vigorous Physical Activity on Heart Rate Variability in a British Study of Civil Servants. American Journal of Epidemiology. Vol. 158(2), pp [88] Davy K., Desouza C., Jones P. y Seals D. (1998). Elevated heart rate variability in physically active young and older adult women. Clinical Science, Vol. 94, pp [89] Tulppo M., Makikallio T., Seppanen T., Laukkanen R. y Huikuri H. (1998). Vagal modulation of heart rate during exercise: effects of age and physical fitness. American Journal Physiology-Heart and Circulatory Physiology. Vol. 274, pp , [90] Barbieri R., Matten E., Brown E. (2003). Instantaneous Monitoring of Heart Rate Variability. Proceedings of the 25, Annual International Conference of the IEEE EMBS Cancun, Mexico. Vol. 1, pp [91] Migliaro E, Contreras P. (2005). Fisiología Cardiovascular Aplicada, capitulo 21, Belo Horizonte, EDICOR, pp

76 63 [92] Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology. (1996). Heart rate variability. Standards of measurement, physiological interpretation, and clinical use. European Heart Journal. Vol. 17, pp [93] Bilchick C., Ronald D. y Berger M. (2006). Heart Rate Variability. Journal of Cardiovascular Electrophisiology. Vol. 17(6), pp [94] Correa P., Aparecida M., Takakura I., Machado M., Moacir G. (2010). Variabilidad de la Frecuencia Cardíaca e Infecciones Pulmonares Post Revascularización Miocárdica. Arq Bras Cardiol; Vol. 95(4), pp [95] García-Manso, J.; Sarmiento, S.; Rodríguez-Ruiz, D.; Quiroga, M.; De Saa, Y., Bara, A. (2009). Application of heart rate variability in the characterization of the elite athletics of wrestling from the Canary Islands with different performance levels Rev Andal Med Deporte. Vol. 2(4), pp [96] Ng F., Wong S., Gomis P., Lim J., Passariello G., Ansermino JM. (2008). Probabilistic assessment of autonomic nervous system fluctuations during tilt table tests. 30th Annual International IEEE EMBS Conference Vancouver, British Columbia, Canada, pp [97] American Diabetes Association. Standards of medical care in diabetes (2013). Diabetes Care, supplement 1, pp. S11-S66. [98] Kraft L.R. (1975). Detection of diabetes mellitus in situ (occult diabetes). Lab Med., Vol. 6, pp [99] American Diabetes Association. (2011). Diagnosis and Classification of Diabetes Mellitus. Diabetes Care. v. 34, pp. S62-S69. [100] Lebert A. y Piron M. (2000). Statistique Exploratoire Multidimensionnelle. Dunod, (3 rd edition), pp , Paris. [101] Severeyn E., Wong S., Altuve M., Avila G. y Cevallos J. (2014). Parámetros de la variabilidad de la frecuencia cardiaca durante la prueba oral de tolerancia a la glucosa: Un análisis de correspondencias simples. En XII Congreso Internacional de Métodos Numéricos en Ingeniería y Ciencias Aplicadas. pp [102] Severeyn E., Altuve M., Wong S., Lollett C. y Cevallos J. (2014). Synthetic Generation of Glucose and Insulin Curves for Insulin Sensitivity Assessment. Computer Methods and Programs in Biomedicine. En revisión. [103] Altuve M., Severeyn E. y Wong S. (2014). Adaptation of five indirect methods for assesing insulin sensitivity to three populations: Metabolic Syndrome, atlethic and normal subjects. In 36th Annual International Conference of the Engineering in Medicine and Biology Society, Chicago, USA, pp [104] World Health Organization. (1998). Obesity: Preventing and managing the global epidemic. Report of a World Health Organization Consultation on Obesity. Geneva. [105] Keys A., Fidanza F. y Karvonen M. (1972). Indices of relative weight and adiposity. J Chronic Dis. Vol. 25, pp [106] Fernández J. (2003). Superficie corporal como indicador de masa muscular en el adulto del sexo masculino. Revista Cubana de Salud Pública. Vol. 29, pp

77 64 PUBLICACIONES DERIVADAS Severeyn E., Altuve M., Wong S., Lollett C. y Cevallos J. (2014). Synthetic Generation of Glucose and Insulin Curves for Insulin Sensitivity Assessment. Computer methods and Programs in Biomedicine. En revisión. Altuve M., Severeyn E. y Wong S. (2014). Adaptation of five indirect methods for assesing insulin sensitivity to three populations: Metabolic Syndrome, atlethic and normal subjects. In 36th Annual International Conference of the Engineering in Medicine and Biology Society, Chicago, USA, pp Severeyn E., Wong S., Altuve M., Avila G. y Cevallos J. (2014). Parámetros de la variabilidad de la frecuencia cardiaca durante la prueba oral de tolerancia a la glucosa: Un análisis de correspondencias simples. En XII Congreso Internacional de Métodos Numéricos en Ingeniería y Ciencias Aplicadas. pp Severeyn E., Altuve M., Cevallos J., Lollett C. y Wong S. (2012). Evaluation of Indirect Methods to Quantify Insulin Sensitivity on Synthetic and Real Data of Glucose and Insulin. VIII International Seminar on Medical Information Processing and Analysis. San Cristóbal, Venezuela. Vol. 8. pp Severeyn E., Ávila G., Herrera H. y Wong S. (2012). Diseño de un Protocolo Multifactorial de Evaluación de Atletas de Alto Rendimiento en Fase de Sobre- Entrenamiento. Memorias del Congreso Venezolano de Bioingeniería. San Cristóbal, Venezuela. Noviembre de pp Severeyn E., wong S., Cevallos J., Passariello, G. y Almeida D. (2012). Methodology for the study of metabolic syndrome by heart rate variability and insulin sensitivity. Revista Brasileira de Engenharia Biomédica. Vol. 28, n 3, pp

78 ANEXO I: ANÁLISIS DE CORRESPONDENCIAS 65

79 66 Figura AI.1. Análisis de correspondencias de la data de glucosa. Figura AI.2. Análisis de correspondencias de la data de insulina.

80 67 Figura AI.3. Análisis de correspondencias de la sensibilidad a la insulina obtenida por los métodos indirectos en la BDS1. Figura AI.4. Análisis de correspondencias de la sensibilidad a la insulina obtenida por los métodos indirectos de la BDR2.2 de 5-puntos.

81 68 Figura AI.5. Análisis de correspondencias de la sensibilidad a la insulina obtenida por los métodos indirectos de la BDR2.2 de 2-puntos.

82 ANEXO II: PUBLICACIONES EN EXTENSO 69

83 70 Synthetic Generation of Glucose and Insulin Curves for Insulin Sensitivity Assessment Erika Severeyn 1 *, Miguel Altuve 1*, Carlos Lollett 1, Sara Wong 1 1 Grupo de Bioingeniería y Biofísica Aplicada, Universidad Simón Bolívar, Caracas, Venezuela Corresponding author *These authors equally contributed to this work. Abstract: Low insulin sensitivity is a prediabetic condition currently diagnosed using painful and uncomfortable procedures. Indirect methods like HOMA IR are less accurate than direct ones but employ a less invasive protocol to obtain the data, leading thus to a great acceptance among clinicians. The oral glucose tolerance test (OGTT) is employed to obtain the values of glucose and insulin at different sampling intervals. Then, an indirect method is used to process the glucose and/or the insulin data in one or several sampling intervals of the OGTT to produce an estimate of insulin sensitivity. Indirect methods don t always consider all the insulin and glucose values of the OGTT, this leads to false negatives and erroneous diagnoses in patients with low insulin sensitivity. On the other hand, only HOMA IR method has a consensus on the insulin sensitivity values that should be considered for low insulin sensitivity detection. To explore the insulin sensitivity results from indirect methods, an important amount of glucose and insulin data characterizing different populations must be analyzed. However, the acquisition of this data from the OGTT is a difficult task. To cope with this we propose to generate synthetic glucose and insulin data that characterizes different populations. To do this new ranges of values of glucose and insulin for the 5-sample 2-hour OGTT were established, and glucose and insulin patterns were classified according to their values in fasting and postprandial. Then, the glucose and insulin data were generated following a uniform distribution on the values of glucose and insulin for each population. Furthermore, insulin sensitivity was computed using fifteen indirect methods on both real and synthetic data. Simulated and real data as well as insulin sensitivity results were compared using correspondence analysis. Using real and synthetic data results show that the indirect methods are associated to different populations according to the insulin and glucose value on each phase of the OGTT. Keywords: Synthetic Data Generation, Multivariate Statistical Analysis, Correspondence Analysis, Insulin Sensitivity Evaluation Methods, Oral Glucose Tolerance Test. Publicación: Severeyn E., Altuve M., Wong S., Lollett C. y Cevallos J. (2014). Synthetic Generation of Glucose and Insulin Curves for Insulin Sensitivity Assessment. Computer methods and Programs in Biomedicine. En revisión.

84 71 1 Introduction Diabetes mellitus is a chronic disease characterized by high levels of glucose in blood. This disease may be due to an insufficient secretion of insulin by the pancreas or to the cells ineffective use of insulin. The causes of diabetes are still unclear, but there are certain conditions, such as obesity, metabolic syndrome and low insulin sensitivity, that predispose its development [1]. The poor reaction of cells to the presence of insulin is known as low insulin sensitivity. This condition has been related to inflammation, obesity, cardiovascular risk, metabolic syndrome and type II diabetes [1][2]. Its early diagnose and treatment help prevent diabetes and cardiovascular diseases and reduce the associated health care cost, hence the clinical importance of studying low insulin sensitivity. Several methods have been proposed to determine insulin sensitivity, both direct and indirect. Direct methods, such as the euglycemic hyperinsulinemic clamp (EHC) [3] or the minimal model for intravenous glucose tolerance test (MINMOD IGTT) [4], are highly accurate but involve complicated, invasive, risky and expensive protocols; these methods are only used in studies involving few patients and are rarely practiced clinically [5]. On the other hand, indirect methods, such as HOMA IR and Avignon, are less accurate [6,7] and also involve an invasive protocol: the oral glucose tolerance test (OGTT); they are, nevertheless, frequently used by clinicians. In order to perform an OGTT the patient s blood glucose and insulin are measured in fast, the subject then proceeds to take an oral dose of glucose and the blood glucose and insulin levels are measured again several times. In clinical practice 2 to 5 samples are taken in a 2 hour period when diagnosing low insulin sensitivity, impaired fasting glucose, impaired glucose tolerance and diabetes mellitus [8]. A 2-sample OGTT consists of a fasting (minute 0) and a postprandial (minute 120) measure of glucose and insulin; in a 5-sample OGTT glucose and insulin are measured in fast and then every 30 minutes. The OGTT is considered an invasive protocol, but less invasive than those used in direct methods. Fifteen indirect methods already proposed in the literature are employed in this work to obtain the insulin sensitivity from the 5-sample 2-hour OGTT. These methods are: Avignon [9], Matsuda [10], Stumvoll MCR2, ISI2, ISI4, PHASE1 and PHASE2 [11, 12, 13], Belfiore [13], HOMA βcell [14], HOMA IR [15], ISIHOMA [7], FGIR [7], QUICKI [7], Bennett [16], and Raynaud [17]. The equations used by these methods are detailed in the appendix section. Depending on the method used for the calculation of insulin sensitivity, glucose and/or insulin levels in one or several sampling intervals of the OGTT are used. For example, HOMA IR only needs fasting glucose and insulin levels, Avignon uses glucose and insulin levels in fasting and postprandial, and Matsuda employs glucose and insulin levels obtained from the five blood samples of the OGTT. Of all the indirect methods, HOMA IR is the only one where a consensus has been reached for the range of insulin sensitivity values that are considered low, this method is the one preferred by clinicians. Nevertheless, HOMA IR is not the best method for the diagnosis of low insulin sensitivity since it only uses insulin and glucose values in fast; this could lead to false negatives in patients in which the malfunction of the glucose and insulin system appears during the metabolism of glucose [18]. Insulin values obtained during the 5-sample 2-hour OGTT should be considered for the diagnoses of diabetes and low insulin sensitivity because the first stage of metabolic disorder can t be observed in fasting values, only in postprandial ones [19]. Additionally, HOMA IR is accurate for low insulin sensitivity diagnosis in diabetic

85 72 people with high glucose levels but is not accurate on diabetic people under glucose control [20]. This method has also shown lower correlation than Avignon s with the MINMOD IGTT method in subjects with normal glucose tolerance [21]. Even after statistical optimization of the set of parameters of the methods, Avignon's and Matsuda's have shown better correlation than HOMA IR on different populations [21]. Therefore, it is necessary to define a range of normal and low values of insulin sensitivity for the indirect methods that use blood and glucose levels from different stages of the OGTT. To do so, it s necessary to collect an amount of blood glucose and insulin data, using the OGTT, important enough to describe and characterize healthy and unhealthy populations. Collecting data using the OGTT is not an easy task because patients find it invasive and uncomfortable. Some studies have been carried out to predict the insulin response using differential models, but they are still population dependent, i.e. some models work well with diabetic subjects and others with subjects with normal values of insulin [22]; in other cases, the model works well for healthy and pathological subjects but it needs a prior adjustment of a set of parameters [23]. The aim of this work is to generate synthetic glucose and insulin data for a 5-sample 2- hour OGTT for different populations. To do so, subjects were classified according to the reference values of glucose and insulin in fast and postprandial [19, 24] and new reference values were defined in all the sampling phases of the OGTT using the precedent classification. The synthetic data was generated according to a uniform distribution using the new reference values found in the experimental study. A statistical analysis was used to compare the simulated values of glucose and insulin with real ones. Using the synthetic and real data, the values of insulin sensitivity obtained from the fifteen indirect methods were also compared using statistical analysis. The rest of this paper is organized as follows. The next section describes the protocols used to obtain the insulin and glucose data, the subjects classification procedure according to their glucose and insulin values, the methodology to set the range of glucose and insulin values, the generation of the synthetic glucose and insulin data, and the statistical analyses used to compare the results obtained. Section 3 presents the results obtained in this study using synthetic and real data; the discussion of the results is detailed in section 4. Finally, the conclusions and future works are outlined in the last section. 2 Materials and methods 2.1 Protocols As aforementioned, a 5-sample 2-hour OGTT was used in this study to obtain blood glucose and insulin levels for each subject: one sample in fasting (minute 0) and, after the oral intake of 75 gr of glucose, four other samples at minutes 30, 60, 90 and 120. The sequence of insulin values can be represented in vector notation as, where I x corresponds to the insulin level at the minute x of the OGTT. Similarly, for the glucose sequence subjects (age=39.73±16.04) underwent a 5-sample 2-hour OGTT. From these subjects, two datasets were constructed: RDB1 containing 634 subjects and RDB2 composed by the remaining 755 subjects. An informed consent was signed by each patient before the beginning of the OGTT protocol.

86 Subject classification based on the glucose and insulin levels in fasting and postprandial The values of glucose and insulin in fasting (G 0 and I 0 ) and postprandial (G 120 and I 120 ) were used to classify each subject. According to the reference range of values of glucose and insulin [19, 24, 25] a subject can be diagnosed as having normal (NFG) or impaired (IFG) fasting glucose (FG) (equation 1) and normal (NPG) or impaired (IPG) postprandial glucose (PG) (equation 2). Similarly, a subject can have normal (NFI) or impaired (IFI) (equation 3) fasting insulin (FI) and normal (NPI) or impaired (IPI) postprandial insulin (PI) (equation 4). The combination of the precedent diagnoses in fasting and postprandial either for glucose or insulin produces four classes of glucose C G and four classes of insulin C I : The combination of C G and C I leads finally to sixteen classes C GI :

87 Setting the range of values of glucose and insulin levels in the 5-sample 2-hour OGTT Since only the range of normal values of glucose and insulin are defined in 0 and 120 minutes of the OGTT, we have determined the range of normal values of these variables in the five sampling intervals of the 5-sample 2-hour OGTT. First, we classified subjects from RDB1 according to C G and C I. Then, for each time instant x = 0, 30, 60, 90, 120 minutes of the OGTT and for each glucose class for i = 1,...4, the mean and the standard deviation of the values of of the subjects belonging to,, were determined using equations (8) and (9), where n is the subject classified as. Similarly for the insulin, the mean and the standard deviation of the values of I x of the subjects belonging to,, were determined using equations (10) and (11), where n is the subject classified as.

88 75 For each time instant x = 0, 30, 60, 90, 120 minutes of the OGTT and for each glucose class, for i = 1,...4, the maximum value of glucose is, and the minimum value. For the insulin, and. 2.4 Synthetic data generation of glucose and insulin Once the new range of values of glucose - and insulin - were established, we proceeded to simulate new values of glucose and insulin for each time instant (x = 0, 30, 60, 90, 120 minutes) of the OGTT and for each glucose and insulin class, for i = 1,...4, by randomly generating numbers according to a uniform distribution U (. For each subject, the synthetic insulin values sequence (SI) is represented as, where SI x corresponds to the insulin random number generated with U(, ) at minute x of the OGTT. For glucose, the synthetic glucose values sequence (SG) is, where SG x corresponds to the glucose random number generated with U(, ) at minute x of the OGTT. We generated 100 SI for each C I leading to 400 SI and 100 SG for each C G leading to 400 SG. Each SI is combined with SG to produce C GI. The synthetic database (SDB) is thus composed of 1600 subjects (100 subjects per C GI ) (see section 2.2 for further details). 2.5 Comparing the synthetic and real data of glucose and insulin Statistical hypothesis tests (student's t-test or ANOVA) and correlation coefficient tests (Pearson or Spearman) are frequently used to study the relationships between variables. However, when a high number of variables are presented, a factor analysis (correspondence analysis or principal component analysis) is more convenient because it offers a graphical representation and an easy interpretation of the data in a two dimensional space. Factor analysis has been successfully used in the prediction of subcellular location of bacterial proteins [26], in the characterization of sympathetic and parasymphathetic responses of the autonomic nervous system [27], and in the study of how components of metabolic syndrome relate each other in the development of diabetes mellitus [28] and insulin resistance [29]. In this study, a correspondence analysis was used to compare the real and synthetic glucose and insulin data. Correspondence analysis is a descriptive technique that permits the simultaneous representation of individuals and variables in a low-dimensional space (two dimensions) facilitating therefore the interpretation of the data. Due to this reduction of dimensions, axes represent a percentage (inertia) of all variables. Also, each variable determines the distribution of the individuals in the graph. Correspondence analysis is commonly used to observe the dependence or independence relationships among a large number of variables and individuals, especially when the variables are of quantitative and/or qualitative nature [30]. Two correspondence analyses were performed to evaluate SDB: i. In the first, the simulated and real glucose and insulin values are compared. In this correspondence analysis subjects from RDB2 (after assigning them to C G and C I ) and

89 SI [µui/ml] SG [mg/dl] 76 SDB correspond to the individuals, G x and I x for x = 0, 30, 60, 90, 120 minutes correspond to the quantitative variables, and C G and C I are the qualitative variables. ii. In the second, the insulin sensitivity values obtained from the indirect methods were analyzed using RDB2 and SDB. In this case, subjects from SDB and RDB2 are the individuals, the indirect methods are the quantitative variables, and C G and C I are the qualitative variables. 3 Results 3.1 Subject classification The number of subjects belonging to classes C I and C G are shown in Table 1. Using as defined in equation 7; is the class with the highest number of subjects since these have normal values of glucose and insulin. On the other hand,,,, are the classes with the fewest number of subjects. These classes correspond to the combination of patients with impaired fasting insulin and normal postprandial insulin with glucose classes. Table 1. Number of subjects classified according to C G and C I. Total Total CG-1 CG Time (minutes) CI-1 CI Time (minutes) Figure 1. In the top, error bars of synthetic SG x for time instant x = 0, 30, 60, 90, 120 minutes of the OGTT for classes C G and in the bottom error bars of synthetic SI x for time instant x = 0, 30, 60, 90, 120 minutes of the OGTT for classes C I.

90 77 Figure 1 shows the error bars of synthetic SG x (top) and SI x (bottom) for time instant x = 0, 30, 60, 90, 120 minutes of the OGTT for classes C G and C I respectively. 3.2 Range of values of glucose and insulin in the 5-sample 2-hour OGTT Using RDB1, the range of values of,, for x = 0, 30, 60, 90, 120 minutes of the OGTT for classes C G and C I is shown in Table 2. Table 2. α and β values for G x and I x. G x [mg/dl] I x [µui/ml] Comparing synthetic and real values of glucose and insulin The correspondence analyses of G x and I x are shown in Figures 2 and 3 respectively. Table 5 shows the variables with higher contributions in axes 1 and 2 in both correspondence analyses. The graph observed in Figure 2 represents 82.43% of the total inertia, where axis 1 depicts 54.32% and axis 2 depicts 28.13%. Also, variables with higher contribution are G 0 with 53.81% in axis 1 and G 120 with 48.19% in axis 2, as shown in Table 3. In Figure 3, axes 1 and 2 represent 43.77% and 28.13% respectively of the total inertia. Variables with higher contributions are I 120 with 50.87% and I 0 with 64.56% in axis 2, as shown in Table 3. In order to find significant differences between the projections of classes C G in axis 1 and 2 in the correspondence analysis of Figure 2, the Mann Whitney U test was performed. Significant differences (p<0.05) were found between subjects belonging to and in axis 2. Axis 1 did not show any significant differences between the C G classes. The Mann Whitney U test was also performed to find significant differences between the projections of classes C I in axis 1 and 2 of Figure 3. Significant differences (p<0.05) were found between subjects with IPI ( and ) and subjects with NPI ( and ) in axis 1, and between subjects with NFI ( and ) and subjects with IFI ( and ) in axis 2.

91 78 Table 3. Contributions of G x and I x in the correspondence analysis. Variable Axis 1[%] Axis 2[%] I I I I I G G G G G Figure 2. Correspondence analysis of G x.

92 79 Figure 3. Correspondence analysis of I x. 3.4 Comparing the insulin sensitivity results obtained using synthetic and real data The correspondence analysis of the insulin sensitivity results obtained using the indirect methods on SDB is illustrated in Figure 4. Methods with higher contribution in axis 1 (76.99% of the total inertia) were: HOMA IR with 15.5%, HOMA βcell with 13.9%, Stumvoll PHASE1 with 11.7% and Stumvoll PHASE2 with 11.4%, as shown in Table 4. Table 4. Contributions in the correspondence analysis of the insulin sensitivity results obtained by the indirect methods, using real and synthetic data. Method SDB RDB2 Axis 1 (%) Axis 2 (%) Axis 1 (%) Axis 2 (%) Avignon Belfiore Stumvoll MCR Stumvoll ISI Stumvoll ISI Stumvoll PHASE Stumvoll PHASE FGIR Bennett Raynauld Matsuda HOMA βcell HOMA IR ISIHOMA QUICKI

93 80 The correspondence analysis of the insulin sensitivity results using RDB2 is shown in Figure 5. Contributions of methods in axis 1 (69.78% of total inertia) were: HOMA IR with 23.4%, HOMA βcell with 18.1%, ISIHOMA with 8.7%, Stumvoll PHASE1 with 14.2% and Stumvoll PHASE2 with 14.0% (see Table 4). The Mann Whitney U test was performed in both correspondence analyses between the projections of classes C G in axes 1 and 2 (Figure 4) and between the projections of classes C I in axes 1 and 2 (Figure 5). In both correspondences analyses, axes 1 showed significant differences between subjects with NFI ( and ) and subjects with IFI ( and ). Axes 2 did not show any significant differences between classes. Figure 4. Correspondence analysis of the insulin sensitivity results obtained using indirect methods on SDB. Figure 5. Correspondence analysis of the insulin sensitivity results obtained using indirect methods on RDB2.

94 81 4 Discussion In the initial stages of low insulin sensitivity development, it is possible to find normal fasting and abnormal postprandial values; indirect methods using fasting glucose and insulin may not detect the disease when this happens [18]. In this study, the C GI diagnosis classes can prevent false negatives, because they use the OGTT s glucose and insulin values in its fasting and postprandial phases [19]. For example, 315 (22.7% of all population) subjects belonging to, characterized by normal I 0 and G 0 and impaired I 120 and G 120, lead to a normal diagnosis of insulin sensitivity despite them having an incipient low insulin sensitivity; with the diagnosis classification exposed in this manuscript these subjects can be correctly diagnosed as belonging to and receive treatment according to the stage of their disease. On the other hand, the range of values of the C GI (Table 2) classes may be utilized to diagnose impaired glucose and insulin in the different phases of the OGTT. The use of these classes may also facilitate the design of different treatments by studying the shape of the patterns of G and I for each diagnosis class. This is the case of subjects belonging to and, they both have low insulin sensitivity, but subjects in reach normal insulin levels at 120 minutes and subjects in do not, this means that subjects in have higher insulin sensitivity than subjects in, so the treatment for both classes cannot be the same. This work suggests that insulin and glucose values obtained at a given time of the OGTT could be used in the discrimination of insulin and glucose classes. In the correspondence analysis of glucose (Figure 2) and insulin (Figure 3), if significant differences are found between classes C G and C I, variables with higher contribution could be used to discriminate between them. For example, G 120 discriminates subjects with NFG and IFG (axis 2), I 0 discriminates subjects with NFI and IFI (axis 2), I 30 and I 120 discriminates subjects with IPI and NPI (axis 1). Lastly, insulin at 30 minutes of the OGTT could carry additional information that could be used for the diagnosis of impaired postprandial insulin, avoiding thus the blood draw of the following OGTT phases. Due to the fact that no significant differences between synthetic and real databases were found in the correspondence analyses (green and red dots are overlapped in Figures 2 and 3), one can conclude that the simulated values of glucose and insulin are similar to the real ones. The correspondence analyses of the indirect methods in SDB and RDB2 (Figure 4 and 5) suggest that HOMA IR and HOMA βcell (variables with higher contributions in axes 1) can be used to discriminate subjects with NFI and subjects with IFI. This could be because the HOMA IR method uses insulin and glucose values in fast. On the other hand, the correspondence analysis also suggests that some methods have a dependence relationship with C I and C G. In Figures 4 and 5, if a method is close to a specific class a dependency relationship could be considered [30]. For example, in Figure 4, Avignon, Raynauld, FGIR, ISIHOMA, Matsuda, Stumvoll MCR2, Stumvoll ISI2 and Stumvoll ISI4 methods are associated to, QUICKI and Bennett are related to, and HOMA βcell, HOMA IR, Stumvoll PHASE1 and Stumvoll PHASE2 are linked to. In Figure 5, HOMA βcell and HOMA IR methods are better related to IFI ( and ), Stumvoll PHASE1, Stumvoll PHASE2 and QUICKI are better associated to, and FGIR, Avignon, ISIHOMA, Raynaud, Matsuda Stumvoll MCR2, Stumvoll ISI2 and Stumvoll ISI4 have a better association to. Relationships between methods and populations in SDB and RDB2 were found: Avignon, Matsuda, Stumvoll MCR2, Stumvoll ISI4 and Stumvoll ISI2 methods are better associated to, HOMA IR and HOMA βcell methods are better related to people with IFI ( and ),

95 82 and Stumvoll PHASE1 and Stumvoll PHASE2 methods are better associated to. This is in concordance with other results found in the literature that show that indirect methods are not equally accurate for all types of populations [21] and have different correlation with direct methods [31,3]. Conclusions and future works In this paper, a synthetic database containing 1600 glucose and insulin classes was generated. This database was constructed using experimental studies carried out in this work. To construct this database, new boundaries of glucose and insulin values were determined for all phases of the 5-sample 2-hour OGTT. These boundaries were estimated using real glucose and insulin data from 634 subjects. New glucose and insulin classes were defined in this work by classifying the glucose and insulin values according to their levels in fasting and postprandial states. Additionally, sixteen diagnose classes were defined by combining the glucose and insulin classes. The diagnose classes allow a correct diagnosis of dysfunctional metabolism according to the glucose and insulin normal values during the OGTT and prevent false negatives when the metabolism problems can only be detected using postprandial insulin values. Insulin sensitivity was computed through fifteen indirect methods, using either synthetic or real data of glucose and insulin. The statistical analysis showed that the insulin sensitivity results were similar when synthetic or real data was used. For example, Avignon and Matsuda methods are related to people with normal fasting and postprandial insulin, and HOMA IR and HOMA βcell methods are better related to people with impaired fasting insulin. Future works concern the use of this synthetic database to validate new indirect methods or adjusting the existing methods in order to make them suitable to any kind of population. This synthetic data could also be used to set a range of values of indirect methods to diagnose low insulin sensitivity. The generation of simulated data with combinations of glucose and insulin can be used to describe different pathologies, such as metabolic syndrome, and to find the most accurate indirect method for a given population. Acknowledgment This work has been made thanks to the financial support provided by the Deanship of Research and Development of Simon Bolivar University. References 1. Olefsky J.M., Glass C.K. Macrophages, inflammation, and insulin resistance. Annual review of physiology, vol. 72, pp , Kahn S.E., Hull R.L., Utzschneider K.M. Mechanisms linking obesity to insulin resistance and type 2 diabetes. Nature, vol. 444, n. 7121, pp , Conwell L., Trost S., Brown W., Batch J. Indexes of insulin resistance and secretion in obese children and adolescents. Diabetes Care. vol. 27, pp , 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, vol. 52, pp , 2003.

96 5. Leonetti E, Iacobellis G., Zappaterreno A., Ribaudo M.C., Tiberti C., Vecci E., and U. Di. Mario. Insulin sensitivity assessment in uncomplicated obese women: comparison of indices from fasting and oral glucose load with euglycemic hyperinsulinemic clamp. Nutr Metab Cardiovasc Dis, vol. 14, pp , Bergman R.N., Prager R., Volund A., Olesky J.M.: Equivalence of the insulin sensitivity index in man derived by the minimal model method and euglycemic glucose clamp. Journal Clinical Investigation, vol. 79, pp , Katz A., Nambi S., Mather K., Baron A., Follmann D.A., Sillivan G., Quon M. Quantitative Insulin Sensitivity Check Index: A Simple, Accurate Method for Assessing Insulin Sensitivity In Humans. J Clin Endocrinol Metab, vol. 85, pp , Tomlinson J., Finney J., Gay C., Hughes B., Hughes S., Stewart P. Impaired Glucose Tolerance and Insulin Resistance Are Associated With Increased Adipose 11_- Hydroxysteroid Dehydrogenase Type 1 Expression and Elevated Hepatic 5_-Reductase Activity. Diabetes, Vol. 57, pp Avignon A., Boegner C., Goulart D., Colette C., Monnier L. 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 , Matsuda M., Defronzo R. Insulin sensitivity indices obtained from oral glucose tolerance testing: Comparison with the euglycemic insulin clamp. Diabetes Care, vol. 22, pp , Stumvoll M., Mitrakou A., Pimenta W., Jenssen T., Hannele Y.J., Van Haeften T., Renn W., Gerich J. Use of oral glucose tolerance test to assess insulin release and insulin sensitivity. Diabetes Care, vol. 23, n. 3, pp , Stumvoll M., Van Haeften T., Gerich J., Fritsche A. Oral glucose tolerance test indexes for insulin sensitivity and secretion based on various availabilities of sampling times. Diabetes Care, vol. 23, n. 3, pp , Henderson M., Rabasa-Lhoret R., J.P. Bastard, J.-L. Chiasson, J.P. Baillargeon, J.A. Hanley, M. Lambert. Measuring insulin sensitivity in youth: How do the different indices compare with the gold-standard method? Diabetes & Metabolism, vol. 37, pp.72 78, Kuroe A, Fukushima M, Usami M, Ikeda M, Nakai Y, Taniguchi A, Matsuura T, Suzuki H, Kurose T, Yasuda K, Yamada Y, Seino Y. Impaired beta-cell function and insulin sensitivity in Japanese subjects with normal glucose tolerance. Diabetes Res Clin Pract. n. 59, vol. 1, pp Wallace T, Levy J, Mathews D. Use and abuse of HOMA Modeling. Diabetes Care. vol. 27, pp , Anderson RL, Hamman RF, Savage PJ, Saad MF, Laws A, Kades WW, Sands RE, Cefalu W. Exploration of simple insulin sensitivity measures derived from frequently sampled intravenous glucose tolerance (FSIGT) tests: the Insulin Resistance Atherosclerosis Study. Am J Epidemiol. vol pp Raynaud E., Perez-Martin A., Brun J., Benhaddad A., Mercier J. Revised concept for the estimation of insulin sensitivity from a single sample. Diabetes Care, n. 6, v. 22, Martinez-Hervasa S., Argentea C., Garcia-Jodara J., Priegoa A. Reala J., Carratalad A., Carmena R., Ascaso J. Misclassification of subjects with insulin resistance and associated cardiovascular risk factors by homeostasis model assessment index. Utility of a postprandial method based on oral glucose tolerance test. Metabolism Clinical and Experimental, vol. 60, pp ,

97 19. Kraft L.R. Detection of diabetes mellitus in situ (occult diabetes). Lab Med., vol. 6, pp.10-22, Kanauchi M.A. New Index of Insulin Sensitivity Obtained From the Oral Glucose Tolerance Test Applicable to Advanced Type 2 Diabetes. Diabetes Care, vol. 25, pp , Altuve M., Severeyn E., Wong S. Adaptation of five indirect methods for assessing insulin sensitivity to three populations: Metabolic Syndrome, athletic and normal subjects. Engineering in Medicine and Biology Society, EMBC, 2014 Annual International Conference of the IEEE, pp Dhanjoo N.G. Clinical Simulation of OGTT Glucose Response Model for Diagnosis of Diabetic Patient. J. Mech. Med. Biol., vol. 05, pp. 123, Dalla C., Caumo A., Cobelli C. The oral glucose minimal model: estimation of insulin sensitivity from a meal test. IEEE Trans biomed Eng. vol. 29, pp , American Diabetes Association. Standards of medical care in diabetes Diabetes Care, supplement 1, pp. S11-66, American Diabetes Association. "Diagnosis and classification of diabetes mellitus". Diabetes care 33, no. Supplement 1 pp. S62-S Perriere G, Thioulouse J. Use of correspondence discriminant analysis to predict the subcellular location of bacterial proteins. Computer Methods and Programs in Biomedicine vol. 7, pp Gomis P, Wong S, Ng F., Wagner G. Autonomic Nervous System Response during Coronary Occlusion Evaluated with Multiple Factor Analysis of Standard and Fractal Indexes. Computers in Cardiology. vol. 33. pp Wang J., Qiao Q., Miettinen M., Lappalainen J., Hu G., Tuomilehto J. The Metabolic Syndrome Defined by Factor Analysis and Incident Type 2 Diabetes in a Chinese Population With High Postprandial Glucose. Diabetes Care, vol. 27, n. 10, pp Hanley A., Karter A., Festa A., D Agostino R., Wagenknecht L., Savage P., Tracy R., Saad M., Haffner S. Factor Analysis of Metabolic Syndrome Using Directly Measured Insulin Sensitivity The Insulin Resistance Atherosclerosis Study. Diabetes. vol. 51, n. 8, pp Lebert, A. Morineau and M. Piron. Statistique Exploratoire Multidimensionnelle. Dunod, (3rd edition), Paris, Bastard J.P., Vandernotte J.M., Faraj M., Karelis A.D., Messier L., Malita F.M., Garrel D., Prud homme D., Rabasa-Lhoret R. Relationship between the hyperinsulinemic euglycaemic clamp and a new simple index assessing insulin sensitivity in overweight and obese postmenopausal women. Diabetes &Metabolism, v. 33, pp ,

98 85 Appendix Indirect methods to quantify insulin sensitivity Methods Equations Units Avignon Stumvoll MCR2 Stumvoll ISI2 Stumvoll ISI4 Stumvoll PHASE1 Stumvoll PHASE2 Belfiore Adimensional HOMA βcell HOMA IR ISIHOMA FGIR QUICKI Bennett Adimensional Adimensional Raynaud Matsuda Adimensional Mean glucose and Mean insulin: Area under the curve of glucose and insulin respectively at the instants 0, 60 and 120 minutes.. C and VD are constants.

99 86 Adaptation of Five Indirect Insulin Sensitivity Evaluation Methods to Three Populations: Metabolic Syndrome, Athletic and Normal Subjects Miguel Altuve 1, Erika Severeyn 1, and Sara Wong 1 1 Grupo de Bioingeniería y Biofísica Aplicada, Universidad Simón Bolívar, Valle de Sartenejas, Baruta, estado Miranda, Venezuela. maltuve@usb.ve, severeynerika@usb.ve, swong@usb.ve Abstract: Insulin sensitivity is determined using direct or indirect methods. Indirect methods are less invasive than direct methods, but have lower accuracy. The accuracy is set through the Spearman s rank correlation coefficient between the indirect method and a direct method. Since the set of parameters of each indirect method has been set empirically, different values of insulin sensitivity have been reported when they are applied on different populations. In this paper, five indirect methods (Avignon, HOMA IR, QUICKI, Raynaud, and Matsuda) used to determine insulin sensitivity were adapted to three different populations: athletics, metabolic syndrome and normal subjects. The parameters of each method were varied in a range of values until the optimal value that gives the best correlation coefficient with a gold standard was obtained. Results show that the adaptation procedure led to an improved correlation coefficient. Additionally, the method of Matsuda was the most accurate, followed by the method of Avignon. We have confirmed that each indirect method needs a different set of parameters when it is applied to a specific population in order to obtain an accurate value of insulin sensitivity. Publicación: Altuve M., Severeyn E. y Wong S. (2014). Adaptation of five indirect methods for assesing insulin sensitivity to three populations: Metabolic Syndrome, atlethic and normal subjects. In 36th Annual International Conference of the Engineering in Medicine and Biology Society, Chicago, USA, pp

100 87 Introduction Insulin sensitivity is a condition associated with prediabetes. It is defined as the reaction of cells to the presence of insulin. Low values of insulin sensitivity have been related to inflammation, obesity, and cardiovascular risk [1], [2], [3]. Moreover, diabetes mellitus type II and metabolic syndrome has been associated with low values of insulin sensitivity [4], [5]. The early diagnosis and treatment of low insulin sensitivity are crucial to prevent diabetes. Insulin sensitivity can be determined using direct methods or indirect methods. Direct methods are highly invasive, risky and expensive but have higher accuracy, therefore they are mainly used in research studies. On the other hand, indirect methods are commonly used in clinical practice because they are simpler, cheaper and less invasive, but the protocol behind these methods is still painful and unconformable for patients. Indirect methods use the values of glucose and insulin at different time instants of the oral glucose tolerance test (OGTT). The OGTT is a distressing test (two hours long) performed in three steps: i) fasting blood draw for glucose and insulin measurement, ii) oral intake of 75 gr. of glucose, and iii) four or one blood draws to measure the insulin and glucose after the glucose oral intake. The accuracy of the indirect methods can be evaluated by computing the Spearman s rank correlation coefficient (r) between a direct method and an indirect method [6], [7]. The indirect method is better as the Spearman s rank correlation coefficient (positive or negative) approaches to one. Differences in the accuracy of indirect methods have been reported in people from different ethnics and in people with different pathologies [8], [9], [10]. Some indirect methods are more accurate in subjects with metabolic syndrome or diabetes than in normal subjects, and particularly, the indirect method HOMA IR is accurate in patients with low insulin sensitivity but not on diabetic patients with impaired function in beta cells [11]. Indirect methods are composed of a set of fixed parameters that have been chosen empirically. For that reason, differences in the accuracy are observed when they are applied in different populations. The aim of this work is thus to adapt the parameters of five indirect methods to three different populations: athletics, metabolic syndrome and normal subjects. To adapt the indirect methods, the set of parameters are modified from a large range of values. The combination of parameters that produce the best Spearman s rank correlation coefficient (close to 1) is selected as the best set of parameters. However, due to the difficulty of applying any direct method, the method of Caumo [12] has been retained as the gold standard. This is also an indirect method, but since it was derived from the minimal model method (a direct method) [13], it has a good correlation coefficient (r = 0:89) with this direct method on normal subjects. Five indirect methods are adapted in this work: Avignon [14], HOMA IR [10], QUICKI [15], Raynaud [16], and Matsuda [17]. Despite the method of Caumo is highly accurate, it is not widespread among clinicians because of the mathematical complexity for insulin sensitivity estimation. The less accurate method HOMA IR is instead the preferred method due to its simplicity. Methods OGTT database The values of glucose and insulin were obtained from the 5-point OGTT, i.e. the insulin and glucose are measured in five blood samples: one taken in fasting (minute 0) and four others after the glucose intake, at intervals of 30 minutes (minutes 30, 60, 90, and 120).

101 88 The database is composed of the values of glucose and insulin at 0, 30, 60, 90, and 120 minutes, from 40 subjects from three different populations, where the 5-point OGTT was performed: Normal subjects (NS): composed of 10 healthy people (10 men, age = 26,90±4,17 years, height= 176,60±8,78 cm, weight = 73,01±13,56 kg, body mass index = 23,28±3,47 kg/m2, waist circumference= 83,51±10,75 cm). Metabolic syndrome subjects (MSS): composed of 15 people (15 men, age = 31,40 ± 6,97 years, height=174,41±6,58 cm, weight = 104,66±23,13 kg, body mass index = 34,02±7,44 kg/m2, waist circumference =114,23±22,11 cm) diagnosed with metabolic syndrome according to [18]. Athletic subjects (AS): composed of 15 people (13 men, age = 33,00±8,21 years, height = 172,26±6,90 cm, weight = 62,10±6,75 kg, body mass index = 20,73±2,03 kg/m2, waist circumference = 72,33±4,70 cm). These people are professional marathon runners ( kilometers per week for training). A written informed consent was obtained from each patient before the beginning of the protocol. Indirect methods to quantify insulin sensitivity Indirect methods are composed by several parameters that have been set empirically at the moment of their definition. However, in this work we think that indirect methods can be adapted to any population by changing the values of the set of parameters, in order to obtain better values of insulin sensitivity. In this paper, only five methods have been adapted: Avignon (1), HOMA-IR (2), QUICKI (3), Raynaud (4), and Matsuda (5). In these equations (1 5): VD is the volume distribution of glucose (150 ml/kg of body weight), G 0 is the fasting plasma glucose level (mg/dl), I 0 is the fasting insulin level (µui/ml), G 120 is the plasma glucose at 2-h OGTT (mg/dl), and I 120 is the plasma insulin at 2-h OGTT (µui/ml), Gm is the mean glucose during OGTT, Im is the mean insulin during OGTT, and α, β, γ and θ are the set of parameters to be optimized. The initial values (original value reported in the literature) of α, β, γ and θ are detailed in the result section. Gold standard for insulin sensitivity As was presented in the introduction, the method of Caumo was retained as the gold standard for the values of insulin sensitivity. The method of Caumo is detailed in (6), where: f

102 89 is the fraction of ingested glucose that actually appears in the systemic circulation, Doral is the dose of ingested glucose per unit of body weight (mg/kg), AUC denotes the area under the curve, GE is the glucose effectiveness (milliliters per kg/min), G(t) is the plasma glucose concentration, ΔG(t)=G(t)-Gb is the glucose excursion above basal (Gb), I(t) is the plasma insulin concentration, ΔI(t)=I(t)-Ib is the insulin excursion above basal (Ib), 0 is the time corresponding to the beginning of the OGTT, t0 is the time instant where ΔG(t) becomes negative, and T is the time corresponding to the end of the OGTT. Parameter optimization The values of parameters α, β, γ and θ were modified until the best Spearman s rank correlation coefficient (r close to 1) between the indirect method and the method of Caumo was obtained. For each indirect method, the original value of the set of parameters retrieved in the literature was used as an a priori. Then, the optimal value for the set of parameters is looked for around this supposition. The Spearman s rank correlation coefficient (r) between each indirect method and the method of Caumo was computed before and after the optimization process, for each population. Results Tables I V show the Spearman s rank correlation coefficient between indirect methods and the method of Caumo, as well as the values of the set of parameters α, β, γ and θ) before (original value) and after (optimal value) the optimization process, for each population. Discussion Table I Set of parameters and r before and after the adaptation of Avignon method Population Optimization α β r NS Before 0, ,7576 After 0,0, 0,19 0,8909 MSS Before 0, ,8036 After 0,07 0,16 0,8857 AS Before 0, ,4571 After -0,04 0,13 0,4643 The results obtained show that, for the three populations studied in this work, the method of Matsuda is the method that has the best correlation coefficient before and after the optimization process (see Table V): r=0,8182 and r=0,9152 for normal subjects, r=0,9429 and r=0,9607 for subjects with metabolic syndrome, and r=0,4750 and r=0,5857 for athletes. This may be due to the fact that the method of Matsuda includes all the glucose and insulin values

103 90 of the OGTT for the computation of the insulin sensitivity (5), as the method of Caumo does (6). However, performing the five points of the OGTT to compute the insulin sensitivity using the method of Matsuda is painful and unconformable for patients. Despite HOMA IR is the preferred method by physicians, recent studies have shown that it is inaccurate [10], [11]. In this work we have confirmed this fact by observing that it is not HOMA IR that presents the best correlation coefficient but the method of Matsuda. However, compared to the method of Matsuda, HOMA IR method is simpler since it uses only the fasting glucose and insulin levels to estimate the insulin sensitivity. Table II Set of parameters and r before and after the adaptation of HOMA-IR method Population Optimization α β r NS Before 0 0 0,5106 After -2-5,95 0,8211 MSS Before 0 0-0,8821 After -2,05 0,35-0,9000 AS Before 0 0-0,1357 After -2,1-4,3-0,3929 Table III Set of parameters and r before and after the adaptation of QUICKI method Population Optimization α β r NS Before 1 1 0,5106 After -0,04 0,01 0,766 MSS Before 1 1 0,8821 After 0,02 0,01 0,8857 AS Before 1 1 0,1357 After -0,13 0,02 0,3607 Table IV Set of parameters and r before and after the adaptation of Raynaud method Population Optimization α r NS Before 0 0,5449 After -0,04 0,7396 MSS Before 0 0,8639 After 0 0,8639 AS Before 0 0,2169 After -0,13 0,3444 Before optimization, the methods that have the lowest correlation coefficient are: HOMA IR and QUICKI on normal subjects (r=-0,5106 and r=0,5106) and athletes (r=-0,1357 and r=0,1357), and Avignon (r=-0,8036) on subjects with metabolic syndrome. However, with the optimal parameters, the method of Raynaud presents the lowest correlation coefficient (see Table IV): r=0,7396 on normal subjects, r=0,8638 on subjects with metabolic syndrome, and r =0,3444 on athletes. This may be due to the fact that the equation of the Raynaud method (4) only uses the fasting insulin level to determine the insulin sensitivity.

104 91 Table V Set of parameters and r before and after the adaptation of Matsuda method Population Optimization α β γ θ r NS Before ,8182 After 21, ,9152 MSS Before ,9429 After 0 14, ,9607 AS Before ,4750 After ,5857 With the optimal parameters, all indirect methods showed improvements in the correlation coefficient except the method of Raynaud when it is applied on subjects with metabolic syndrome: r= 0,8639 before and after optimization. We cannot find an optimal value of α that improves the correlation coefficient of this method. The correlation coefficient obtained on subjects with metabolic syndrome is better than the obtained on other populations. Furthermore, a low correlation coefficient was obtained when indirect methods were applied on athletes. This may be because subjects with metabolic syndrome have low insulin sensitivity, while athletes have high insulin sensitivity [19], [20]. This result suggests that indirect methods would be inaccurate on people with high insulin sensitivity. HOMA IR method showed the greatest correlation coefficient increase after optimization (see Table II) on normal subjects (from r=-0,5106 to r=0,8211) and athletes (from r=-0,1357 to r=-0,3929), whereas for subjects with metabolic syndrome, the method of Avignon (see Table I) showed the greatest increase of the correlation coefficient with the optimal parameters (from r=0,8036 to r=0,8857). On the other hand, the methods that showed the lowest correlation coefficient increasing after optimization were: Matsuda (from r=0,8182 to r=0,9152) on normal subjects (see Table V) Raynaud (r without increase) on subjects with metabolic syndrome (see Table IV) and Avignon (from r=0,4571 to r=0,4643) on athletes (see Table I). From Tables I V we can observe that the parameters α, β, γ and θ are adjusted until the best Spearman s rank correlation coefficient between the indirect method and the method of Caumo is obtained. This confirms our hypothesis that a correct value of insulin sensitivity will be obtained if indirect methods are previously adapted to the type of population to be applied. Finally, the results of the correlation coefficient shown in this paper were obtained using the optimal parameters α, β, γ and θ). However, we have noted that there are other optimal parameters that yield the same correlation coefficient values. In this paper we have decided to present the optimal values closest to zero of α, β, γ and θ. Conclusions and Future Works In this paper we have adapted five indirect methods used to determine insulin sensitivity: Avignon, HOMA IR, QUICKI, Raynaud, and Matsuda, to three different populations: normal, metabolic syndrome, and athletes. The approach was based on the modification of the set of parameters of each indirect method, from a range of possible values (keeping the original values reported in the literature as a priori values) until the best

105 92 Spearman s rank correlation coefficient between the indirect method and the method of Caumo was obtained. Results obtained in this work show that it is possible to increase the accuracy of the indirect methods used to determine insulin sensitivity by modifying the parameters that compose these methods. Also, we have demonstrated that indirect methods must be previously adapted to the specific population, in order to obtain an accurate value of insulin sensitivity. On the three populations studied in this work, the method of Matsuda was the most accurate to estimate insulin sensitivity since it presented the highest correlation coefficient with method of Caumo. Furthermore, the second most accurate indirect method was Avignon on normal subjects and athletes, and HOMA IR on subjects with metabolic syndrome. However, the method of Matsuda uses the values of glucose and insulin during all the phases of the OGTT whereas the method of Avignon uses the values of glucose and insulin in fasting and at 2-h OGTT and the HOMA IR method uses only the fasting glucose and insulin levels. This means that, applying the method of Matsuda is more painful and distressing than the HOMA IR method. Although HOMA IR is a method widely used by physicians, results obtained in this study suggest that this method should not be applied on athletes because the obtained value of insulin sensitivity would not be the expected. Nevertheless, it was possible to obtain an important improvement on the accuracy of this method with the optimal parameters on normal subjects and on subjects with metabolic syndrome. Future work will focus on the adaptation of other indirect methods using the methodology proposed in this paper. Also, we expect to adapt the indirect methods to other populations: Hispanic, African, Asian, Caucasian, or using synthetic data of glucose and insulin [21]. Finally, we would like to adapt the indirect methods by computing the correlation coefficient between the indirect method and a direct method, rather than to the method of Caumo. References 1. J. M. Olefsky and C. K. Glass, Macrophages, inflammation, and insulin resistance, Annual review of physiology, vol. 72, pp , S. E. Kahn, R. L. Hull, and K. M. Utzschneider, Mechanisms linking obesity to insulin resistance and type 2 diabetes, Nature, vol. 444, no.7121, pp , W. A. Hsueh and R. E. Law, Cardiovascular risk continuum: implications of insulin resistance and diabetes, The American journal of medicine, vol. 105, no. 1, pp. 4S 14S, J. Bastard, J. Vandernotte, M. Faraj, A. Karelis, L. Messier, F. Malita, D. Garrel, D. Prud homme, and R. Rabasa-Lhoret, Relationship between the hyperinsulinemic euglycaemic clamp and a new simple index assessing insulin sensitivity in overweight and obese postmenopausal women, Diabetes & metabolism, vol. 33, no. 4, pp , E. Severeyn, S. Wong, G. Passariello, J. L. Cevallos, and D. Almeida, Methodology for the study of metabolic syndrome by heart rate variability and insulin sensitivity, Revista Brasileira de Engenharia Biomédica, vol. 28, no. 3, pp , F. Belfiore, S. Iannello, and G. Volpicelli, Insulin sensitivity indices calculated from basal and OGTT induced insulin, glucose, and FFA levels, Molecular genetics and metabolism, vol. 63, no. 2, pp , 1998.

106 7. M. Ciampelli, F. Leoni, F. Cucinelli, S. Mancuso, S. Panunzi, A. De Gaetano, and A. Lanzone, Assessment of insulin sensitivity from measurements in the fasting state and during an oral glucose tolerance test in polycystic ovary syndrome and menopausal patients, Journal of Clinical Endocrinology & Metabolism, vol. 90, no. 3, pp , D. S. Thompson, M. S. Boyne, C. Osmond, T. S. Ferguson, M. K. Tulloch-Reid, R. J. Wilks, A. T. Barnett, and T. E. Forrester, Limitations of fasting indices in the measurement of insulin sensitivity in Afro-Caribbean adults, BMC research notes, vol. 7, no. 1, p. 98, V. Pisprasert, K. H. Ingram, M. F. Lopez-Davila, A. J. Munoz, and W. T. Garvey, Limitations in the use of indices using glucose and insulin levels to predict insulin sensitivity impact of race and gender and superiority of the indices derived from oral glucose tolerance test in African Americans, Diabetes care, vol. 36, no. 4, pp , T. M. Wallace, J. C. Levy, and D. R. Matthews, Use and abuse of HOMA modeling, Diabetes care, vol. 27, no. 6, pp , R. Muniyappa, S. Lee, H. Chen, and M. J. Quon, Current approaches for assessing insulin sensitivity and resistance in vivo: advantages, limitations, and appropriate usage, American Journal of Physiology- Endocrinology And Metabolism, vol. 294, no. 1, pp. E15 E26, A. Caumo, R. N. Bergman, and C. Cobelli, Insulin sensitivity from meal tolerance tests in normal subjects: a minimal model index, Journal of Clinical Endocrinology & Metabolism, vol. 85, no. 11, pp , R. N. Bergman, Y. Z. Ider, C. R. Bowden, and C. Cobelli, Quantitative estimation of insulin sensitivity. American Journal of Physiology- Endocrinology And Metabolism, vol. 236, no. 6, p. E667, A. Avignon, C. Boegner, D. Mariano-Goulart, C. Colette, and L. Monnier, Assessment of insulin sensitivity from plasma insulin and glucose in the fasting or post oral glucose load state. International Journal of Obesity & Related Metabolic Disorders, vol. 23, no. 5, A. Katz, S. S. Nambi, K. Mather, A. D. Baron, D. A. Follmann, G. Sullivan, and M. J. Quon, Quantitative insulin sensitivity check index: a simple, accurate method for assessing insulin sensitivity in humans, Journal of Clinical Endocrinology & Metabolism, vol. 85, no. 7, pp , E. Raynaud, A. Perez-Martin, J. Brun, A. Benhaddad, and J. Mercier, Revised concept for the estimation of insulin sensitivity from a single sample, Diabetes Care, vol. 22, no. 6, pp , M. Matsuda and R. A. DeFronzo, Insulin sensitivity indices obtained from oral glucose tolerance testing: comparison with the euglycemic insulin clamp. Diabetes care, vol. 22, no. 9, pp , S. M. Grundy, H. B. Brewer, J. I. Cleeman, S. C. Smith, C. Lenfant et al., Definition of metabolic syndrome report of the National Heart, Lung, and Blood Institute/American Heart Association Conference on scientific issues related to definition, Circulation, vol. 109, no. 3, pp , E. Bonora, S. Kiechl, J. Willeit, F. Oberhollenzer, G. Egger, G. Targher, M. Alberiche, R. C. Bonadonna, and M. Muggeo, Prevalence of insulin resistance in metabolic disorders: the bruneck study. Diabetes, vol. 47, no. 10, pp ,

107 94 Evaluation of Indirect Methods to Quantify Insulin Sensitivity on Synthetic and Real Data of Glucose and Insulin Erika Severeyn 1, Miguel Altuve 1, José Luis Cevallos 2, Carlos Lollett 1, Sara Wong 1 1 Grupo de Bioingeniería y Biofísica Aplicada, Universidad Simón Bolívar. 2 Laboratorio de Investigaciones Clínicas, Universidad Central de Venezuela. severeynerika@usb.ve Abstract: Insulin sensitivity (IS) is the ability of cells to react to the presence of insulin. To quantify IS, direct methods (DM) and indirect methods (IM) are commonly used. DM use data from long, complicated, risky and expensive protocols whereas IM use data obtained from the Oral Glucose Tolerance Test (OGTT). In this paper, fifteen IM are evaluated using glucose and insulin curves obtained from synthetic and real data. Synthetic data was generated using a normal distribution of common values of glucose and insulin. Real data was obtained from the OGTT records of 150 patients. In both population, IS was measured using IM: Matsuda, Belfiore, Avignon, Stumvoll, Bennett, Raynaud, HOMA, QUICKI and FGIR. Then, a simple correspondence analysis was applied. Similarities were found in both datasets indicating that the methodology is feasible for the simulation of glucose and insulin curves for OGTT, and therefore, to study methods that quantify IS. Keywords: Simple Correspondence Analysis, Statistical Analysis, Insulin Sensitivity, Oral Glucose Tolerance Test. Publicación: Severeyn E., Altuve M., Cevallos J., Lollett C. y Wong S. (2012). Evaluation of Indirect Methods to Quantify Insulin Sensitivity on Synthetic and Real Data of Glucose and Insulin. VIII International Seminar on Medical Information Processing and Analysis. San Cristóbal, Venezuela. Vol. 8. pp

108 95 Introduction Diabetes mellitus is a chronic and metabolic disease, characterized by high level of glucose in blood (hyperglycemia) that result from the insufficient secretion of insulin by the pancreas or from the ineffectively utilization of the insulin by cells. The causes of this disease are still unclear. Nevertheless, there are pre-diabetic conditions like obesity, metabolic syndrome and low insulin sensitivity (IS), which predisposes or preludes the development of diabetes. IS is defined as the reaction of cells to the presence of insulin [1]. Although there are several methods to quantify IS, there is no consensus on the bounds of the interval that should be considered as low IS. Methods used to quantify IS could be divided in direct methods (DM) and indirect methods (IM). DM use long, complicated, risky and expensive protocols, for that reason, they are relegated to studies with few patients. Typical examples of DM are Euglycemic Hyperinsulinemic Clamp (EHC) and Minimal Model for Intravenous Glucose Tolerance Test of Bergman (MINMOD PITG) [2-3]. In EHC method, insulin is injected to induce a hyperinsulinemia and at the same time, glucose is injected to maintain glucose blood at normal levels. Thus, IS is related to the quantity of glucose needed to achieve normal levels of glucose. In MINMOD PITG, glucose is injected and plasma glucose and insulin concentration are measured at different time intervals. Then, insulin and glucose curves are exploited by a mathematical model in order to obtain the IS by a curve fitting procedure. IM are simpler methods, which are mainly used in epidemiological studies, due to low costs of its application on large populations. IM advantages are its simplicity, which is reflected in the complexity of the protocols required. However, IM drawback is being less accurate than DM. IM uses values of glucose and insulin from the Oral Glucose Tolerance Test (OGTT) to compute IS. OGTT is a standard test used in clinical laboratories for assessing the status of IS. This test consists in the blood draw in fasting and after oral intake of glucose. From the OGTT, a curve of glucose and insulin are obtained and used by IM to quantify IS. Typical examples of IM are: Matsuda [4], Belfiore [5] Avignon [6], Stumvoll methods (ISI1, ISI4, PHASE1, PHASE2 and MCR2) [7-8], Bennett [9], Raynaud [10], HOMA IR, HOMA βcell, ISIHOMA, QUICKI and FGIR [11-12]. HOMA IR is a standard method used in clinical laboratories to quantify IS in patients with altered metabolism which are suspected of impaired IS. Equations used on IM are outlined in appendix 1. The aim of this paper is to evaluate IM using simulated curves of glucose and insulin. IS results obtained from this population, was then compared with results obtained on real subjects database, through Simple Correspondence Analysis (SCA). The rest of this paper is organized as follows. The methodology addressed in this work is explained in the next section, specifically, protocols, data bases and simulation. Then, results using synthetic and real data are presented in the third section. Conclusions and futures works of this investigation are detailed in the last section. Methodology Protocols and Populations Glucose and insulin curves were obtained from OGTT. This test can be summarized in 3 steps: i) a fasting blood draw for glucose and insulin measurement, ii) an oral intake of 75 gr. of glucose, and iii) one or four blood draw for the measurement of insulin and glucose after de glucose oral intake. OGTT lasts 2 hours and the numbers of blood draw depends on the

109 96 type of protocol. Figure 1 show the protocols used in this study. A protocol is obtaining by measuring insulin and glucose in two blood samples: a sample is taken at fasting and 120 minutes after oral glucose intake. Another protocol is based on the measurement of insulin and glucose in five blood samples: a sample is taken at fasting and four samples after the glucose intake, at intervals of 30 minutes. Fig. 1. OGTT protocol. Glucose and insulin curves were classified in the follows categorical variables: Normal or impaired (according to the ranges defined as normal or impaired) and fasting or postprandial (depending if it refers to the beginning (0 minutes) or end (120 minutes) of the curves). The combination of the categorical variables was: normal fasting glucose (NFG), impaired fasting glucose (IFG), impaired postprandial glucose (IPG), normal postprandial glucose (NPG), normal fasting insulin (NFI), impaired fasting insulin (IFI), normal postprandial insulin (NPI), impaired postprandial insulin (IPI). Table 1 shows the combinations of categorical variables for the generation of insulin and glucose curves. Hundred simulated subjects were generated for each combination of insulin and glucose category, based on a normal distribution. Sixteen populations, with characteristics shown in table 2, were generated. Table 1. Types of insulin and glucose curves generated. Databases Fasting Blood Draw (Glucose -Insulin Measurement) Glucose Oral Intake (GOI) (75 grams) Four Blood Draw (in intervals 30 minutes after GOI) or One Blood Draw (60 minutes after GOI) (Glucose -Insulin Measurements) NFG IFG NFI IFI NPG NFG-NPG IFG-NPG - - IPG NFG-IPG IFG-IPG - - NPI - - NFI-NPI IFI-NPI IPI - - NFI-IPI IFI-IPI Real database is composed of 150 subjects: 58 subjects with 5-point OGTT and 92 subjects with 2-points OGTT. Those values will serve as part of the knowledge base used to create simulated subject ranges values. Synthetic database is composed of 1600 subjects. Intervals used as normal or impaired, in every point of the curves, are reported in Table 3 [13]. Figure 2 shows the curves generated. Table 2. Subjects generated n NFI- IFI- NFI- IFI- NPI NPI IPI IPI NFG-NPG IFG-NPG NFG-IPG IFG-IPG

110 Insulin (mui/ml) Glucose (mg/dl) NFI-NPI IFI-NPI NFI-IPI IFI-IPI Time (min) Time (min) Fig. 2. Synthetic insulin and glucose curves In this study, SCA was used to observe relationships between each IS method with the populations selected. SCA is commonly applied to datasets, which have a group of individuals is described by groups of variables. It aims to find common structures existing in these individual groups. Variables can be continuous or nominal [14]. In this work, the groups of individuals are 150 subjects in real data and 1600 subjects in synthetic data, and the variables which describe the individuals are the 15 IS quantification methods NFG-NPG IFG-NPG NFG-IPG IFG-IPG Results Table 4 shows the contributions of the methods in three axis of the SCA, for synthetic and real database. In the SCA of the simulated data (figure 3), methods with a major contributions in the first axis are: HOMA IR (13.7%), ISIHOMA (9.4%), HOMA βcell (9.5%), Raynaud (9.8%), Stumvoll PHASE1 (9.8%), Stumvoll PHASE2 (9.6%) and FGIR (9.6%). Axis 1 is divided into two population regions, subjects with NFI (right) and subjects with IFI (left). Statistically significant differences between these populations were found. This could be due to the use fasting insulin and fasting glucose on the method HOMA IR, which is the method with the highest contribution in the axis 1. In axis 2, the major contributions came from: Avignon (60.2%), FGIR (11.4%), Raynaud (10.4%) and ISIHOMA (8.9%). Axis 2 is divided, with statistically significant differences, in subjects with IPI in the lower quadrants and subjects with NPI in the upper quadrants, this may be because the method Raynaud, which has the greatest contribution in this axis, uses the postprandial insulin. On simulated data, the SCA grouped four groups: NFI-NPI, NFI-IPI, IFI-NPI and IFI- IPI In each group, methods were related to each group: Bennett, Matsuda, Stumvoll MCR2, Stumvoll ISI2 and Stumvoll ISI4 are more associated to NFI-NPI group. Methods QUICKI, ISIHOMA, Raynauld, and FGIR are more related to NFI-IPI group. Methods Stumvoll PHASE1 and Stumvoll PHASE2 are more linked to IFI-IPI group. Methods HOMA βcell, and Belfiore are more related to IFI-NPI group. In the SCA of the real database (figure 4), the contribution of methods in the axis 1 are: HOMA IR (30.3%), HOMA βcell (26.8%), ISIHOMA (8.7%), Raynaud (8.4%). In axis 1, there is a significant difference between groups with NFI and IFI. In axis 2, the largest contribution methods are: Stumvoll PHASE1 (17.7%), QUICKI (17.2%) and Stumvoll PHASE2 (16.1%).

111 98 Types of Curves Table 3. Bordering of insulin and glucose. Glucose (mg/dl) 0 min 30 min 60 min 90 min 120 min NFG-NPG IFG-NPG NFG-IPG IFG-IPG Types of Curves Insulin (µui/ml) 0 min 30 min 60 min 90 min 120 min NFI-NPI IFI-NPI > NFI-IPI 2-20 >60 >60 >60 >60 IFI-IPI >20 >60 >60 >60 >60 Table 4. Contributions of the methods that quantify IS in the SCA. Simulated Data Real Data Method Axis Axis Axis Axis Axis Axis AVIGNON BELFIORE STUMVOLL MCR STUMVOLL ISI STUMVOLL ISI STUMVOLL PHASE STUMVOLL PHASE FGIR BENNNETT RAYNAUD MATSUDA HOMA βcell HOMA IR ISIHOMA QUICKI On real data, the SCA is segmented in three groups: NFI-NPI, NFI-IPI and IFI. In each group, some methods were more related to each of them. Methods HOMA βcell and HOMA IR are more related to IFI group. Methods Stumvoll PHASE1 and Stumvoll PHASE2, QUICKI and

112 99 Belfiore are more linked to NFI-IPI group. Methods FGIR, Avignon, ISIHOMA, Raynaud, Matsuda Stumvoll MCR2, Stumvoll ISI2 and Stumvoll ISI4 are more associated to NFI-NPI. In both data bases, some common relationship can be found. Avignon, Matsuda, Stumvoll MCR2, Stumvoll ISI4 and Stumvoll ISI2 methods are more associated to the population of NFI-NPI. HOMA IR and HOMA βcell methods are more related to people with NFI-IPI. Stumvoll PHASE1 and Stumvoll PHASE2 methods are more linked to the population with IFI. Fig. 3. SCA from simulated database. Fig. 4. SCA from real database.

113 100 Appendix 1. IM to quantify insulin sensitivity Methods Equations Avignon [ml/µui mg] Stumvoll MCR2 [ml/kg.min] Stumvoll ISI2 [mmol.pmol/l.kg.min] Stumvoll ISI4 [mmol.pmol/l.kg.min] Stumvoll PHASE1 [pmol/l] Stumvoll PHASE2 [pmol/l] Belfiore HOMA βcell [pmol/mmol] HOMA IR [pmol/l] ISIHOMA [L/pmol] FGIR [mg ml/µui dl] QUICKI Bennett Raynaud [10-4 ml/min µui] Matsuda G 0, G 30, G 60, G 90, G 120 : Glucose concentrations at the instant 0, 30, 60, 90, 120 minutes respectively. G m : Mean of glucose values at instants 30, 60, 90 and 120 minutes. I 0, I 30, I 60, I 90, I 120 : Insulin concentrations at the instant 0, 30, 60, 90 and 120 minutes. I m : Mean of insulin values at the instants 30, 60, 90 and 120 minutes. C and VD are constants. Mean glucose and Mean insulin: Area under the curve of glucose and insulin respectively at the instants 0, 60 and 120 minutes. Conclusion and future works In this paper, a comparison of indirect methods to quantify insulin sensitivity was addressed by varying glucose and insulin data, using synthetic curves. A simple correspondence analysis allows finding similar results in the relationships between methods and groups of insulin. However, in the case of glucose, no significant differences in

114 101 populations were found except those subjects with NFG who tend to be in the upper quadrants and the IFG subjects in the lower quadrants in both databases. In the real database, this difference tends to be more noticeable than in the simulated database. Due to the similarities found in both databases, simulated subjects created in this study can be used to evaluate indirect methods to quantify insulin sensitivity. The difficulties in the performance of the oral glucose tolerance test to obtain data make this work an important contribution on the studies of IM. Future works concern the utilization of simulated data to validate new methods or tuning the existing methods, in order to have an accurate value of insulin sensitivity regardless of the population. Additionally, generating simulated data with combinations of glucose and insulin can be used to describe different pathologies such as metabolic syndrome and thereby, to study the methods of insulin sensitivity more relate to this population. References 1. Clausen J.O. et al.: Insulin sensitivity index, acute insulin response, and glucose effectiveness in a population-based sample of 380 young healthy Caucasians. The Journal of Clinical Investigation, vol. 98, n. 5, pp (1996). 2. Bergman R.N., Prager R., Volund A., Olesky J.M.: Equivalence of the insulin sensitivity index in man derived by the minimal model method and euglycemic glucose clamp. Journal Clinical Investigation, vol. 79, pp (1987). 3. Caumo A., Bergman R.N., Cobelli C.: Insulin sensitivity from meal tolerance tests in normal subjects: a minimal model index, The Journal of Clinical Endocrinology and Metabolism, vol. 85, pp (2000). 4. Matsuda M., Defronzo R.: Insulin sensitivity indices obtained from oral glucose tolerance testing: Comparison with the euglycemic insulin clamp. Diabetes Care, vol. 22, pp (1999). 5. Belfiore F., Iannello S.: 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, n. 5, pp (2002). 6. Avignon A., Boegner C., Goulart D., Colette C., Monnier L.: 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 (1999). 7. Stumvoll M., Mitrakou A., Pimenta W., Jenssen T., Hannele Y.J., Van Haeften T., Renn W.,Gerich J.: Use of oral glucose tolerance test to assess insulin release and insulin sensitivity. Diabetes Care, vol. 23, n. 3, pp (2000). 8. Stumvoll M., Van Haeften T., Gerich J., Fritsche A. Oral glucose tolerance test indexes for insulin sensitivity and secretion based on various availabilities of sampling times. Diabetes Care, vol. 23, n. 3, pp (2001). 9. Borrás J. Métodos para la determinación de la sensibilidad a la insulina basados en la sobrecarga oral de glucosa. Av Diabetol.; vol. 24, n. 4, pp (2008). 10. Raynaud E., Perez-Martin A., Brun J., Benhaddad A., Mercier J.: Revised concept for the estimation of insulin sensitivity from a single sample. Diabetes Care, vol. 22. N. 6 (1999). 11. Bermudez V., Cano C., Medina M.: Utilidad y ventajas del uso de modelos matemáticos en el estudio de la insulino-resistencia y función de la célula β pancreática, homeostasis

115 model assesstment (HOMA): fundamento y bases para su implementación en la práctica Clínica. AVFT, vol. 20, pp (2001). 12. Wallace T, Levy J, Mathews D.: Use and abuse of HOMA Modeling, Diabetes Care. vol. 27, pp (2004). 13. The Expert Committee on the Diagnosis and Classification of Diabetes Mellitus: Follow-up report on the diagnosis of diabetes mellitus. Diabetes Care; vol. 26, pp (2003). 14. L. Lebert, A. Morineau and M. Piron.: Statistique Exploratoire Multidimensionnelle. Dunod, (3 rd edition), pp Paris (2000). 102

116 103 Diseño de un Protocolo Multifactorial de Evaluación de Atletas de Alto Rendimiento en Fase de Sobre-Entrenamiento Gabriela Ávila 1*, Erika Severeyn 2*, Héctor Herrera 1, Sara Wong 2 *Ávila y Severeyn tienen igual contribución en el trabajo 1 Laboratorio de Evaluación Nutricional. Universidad Simón Bolívar 2 Grupo de Bioingeniería y Biofísica Aplicada. Universidad Simón Bolívar @usb.ve; severeynerika@usb.ve Resumen: En este estudio se presenta un protocolo clínico que permite la medición de la Sensibilidad a la Insulina (SI), la Variabilidad de la Frecuencia Cardiaca (VFC) y la Valoración del Estado Nutricional (VEN) en atletas de alto rendimiento en período de Sobre- Entrenamiento (SE). Para esto se propone la medición de variables bioquímicas, registros electrocardiográficos y la VEN. Estudios demuestran que la SI aumenta en sujetos sometidos a ejercicio aeróbico y, además el ejercicio moderado genera cambios en los valores de los parámetros de la VFC. Por otro lado, se conoce que el estado nutricional es un determinante crítico en el desempeño deportivo. La determinación del SE se obtendrá mediante la escala de Borg. Estas mediciones serán comparadas en tres etapas: Período de Entrenamiento Rutinario (ER), Período de SE y Período de ER post-se. Esta propuesta constituye un aporte en el hallazgo de posibles parámetros que sirvan de diagnóstico del SE. Palabras Clave: Sobre-entrenamiento, Valoración Nutricional, Variabilidad de la Frecuencia Cardiaca, Sensibilidad a la Insulina. Publicación: Severeyn E., Ávila G., Herrera H. y Wong S. (2012). Diseño de un Protocolo Multifactorial de Evaluación de Atletas de Alto Rendimiento en Fase de Sobre-Entrenamiento. Memorias del Congreso Venezolano de Bioingeniería. San Cristóbal, Venezuela. Noviembre de pp

117 104 Introducción A pesar de los avances en medicina deportiva, aún existe muchas controversias para establecer la carga de trabajo y el tipo de alimentación necesaria para un atleta de alto rendimiento con el fin de evitar el Sobre-Entrenamiento (SE). El estado nutricional es el resultado del balance entre las necesidades y el gasto de energía alimentaria y otros nutrientes esenciales, así, como el resultado de una gran cantidad de determinantes en un espacio dado representado por factores físicos, genéticos, biológicos, culturales, psico-socio-económicos y ambientales. Estos factores pueden dar lugar a una ingestión insuficiente o excesiva de nutrientes, impidiendo la utilización óptima de los alimentos ingeridos [1]. En los atletas, las altas demandas energéticas que impone el entrenamiento exige considerar ciertos cambios en sus hábitos de alimentación, para obtener o mantener un estado nutricional adecuado, donde las estrategias nutricionales ayudan a los deportistas a mejorar su rendimiento deportivo, reduciendo o retardando la aparición de los factores que de otra forma ocasionan fatiga ocasionando una baja capacidad en el desempeño deportivo [2-3]. La fatiga se puede definir como una disminución de la capacidad para generar fuerza máxima y/o potencia máxima, independientemente de que pueda ser mantenida o no la intensidad del esfuerzo [4]. Es multifactorial en la naturaleza y depende del individuo, del ambiente, de la energía y otros factores nutricionales, así, como de una tarea específica [5]. La detección de la fatiga es complicada por la ausencia de marcadores específicos y/o universales, en la actualidad, los medios más fiables para detectar la fatiga es mediante cuestionarios psicológicos y parámetros bioquímicos séricos tales como: Creatina Fosfoquinasa (CK), Urea (U) y Aspartato Aminotransferasa (ASAT) La Sensibilidad a la Insulina (SI) está definida como la capacidad de las células para reaccionar ante la presencia de la insulina. Se conoce que la baja SI está fuertemente asociada a la obesidad y a la inactividad física [6]. En estudios realizados, se ha observado una disminución de la glucosa y la insulina basal en sujetos que se han sometido a ejercicio aeróbico, esto se traduce en una mejoría de la sensibilidad a la insulina [7]. La medición de la Variabilidad de la Frecuencia Cardiaca (VFC), es decir la oscilación en el intervalo entre latidos consecutivos del corazón [8]; es un método cuantitativo bien establecido y no invasivo para la evaluación de la actividad autonómica del corazón a través del estudio espectral de la VFC. La VFC se ha utilizado como herramienta para el análisis de la respuesta cardiaca vinculada al rendimiento deportivo [9]. Estudios realizados revelan que el ejercicio moderado genera cambios en los valores de los parámetros de la VFC [10-11]. El objetivo de este trabajo es el diseño de un protocolo clínico que permita el estudio de la SI, la VFC, y el estado nutricional en atletas de alto rendimiento durante el SE. Para esto, se realiza el diseño de un protocolo clínico que permite la valoración de la SI y la VFC, así como también estimación del consumo calórico total, gasto energético y la fuerza muscular en atletas de alto rendimiento durante el entrenamiento rutinario y en la fase de SE. Metodología Selección de los Sujetos:

118 105 Se trata de un estudio descriptivo, semi-longitudinal (de seguimiento). Los sujetos que se escogerán para este estudio, deben cumplir con los siguientes criterios: Deportistas de alto rendimiento, de ambos sexos, edad comprendida entre 18 y 20 años, no fumadores, fuera de tratamientos medicamentosos, sin impedimentos físicos y sin enfermedad cardiovascular evidente. Se registrará un total de 20 sujetos, divididos en 10 hombres y 10 mujeres; debido a que las comparaciones se realizarán entre etapas del protocolo, no es necesario tener un grupo control. Etapas del Protocolo Clínico: El protocolo clínico se dividirá en tres etapas bien definidas, cada una de las etapas tendrá una duración de dos semanas, las etapas y mediciones se muestran en la figura 1. Fig.1. Etapas del Protocolo Clínico. Protocolos a implementar: Protocolo para hallar SI y parámetros de la VFC (PSIVFC): Adquisición de la señal ECG en reposo antes de la POTG. Toma de la muestra de sangre en el estado basal, el sujeto se encontrará en ayunas. Toma de los 75 gramos de glucosa líquida. Se obtendrán a partir de ese punto cuatro muestras más de sangre en intervalos de 30 minutos y antes de cada una de éstas se adquirió una señal ECG de quince minutos. La adquisición de las señales electrocardiográficas se realizarán mediante el equipo Cardiosoft [16], el software del Cardiosoft permite el registro del paciente y sus datos, tales como: nombre, sexo, fecha de nacimiento, altura, peso, entre otros. Protocolo de mediciones (PM): Se realizarán mediciones de la Proteína C Reactiva y Perfil 20 de los sujetos en los períodos de entrenamiento y SE. Protocolo de alimentación: Se realizarán entrevistas para tener el conteo calórico de cada sujeto mediante recordatorio de 24 horas, para estimar la ingesta calórica del sujeto, se determinará la adecuación de calorías totales y proteínas. Protocolo de Sobre-Entrenamiento (PSE):