APORTES A LOS FACTORES DE RIESGO EN
DIABETES MELLITUS EN MÉXICO 2023
CONTRIBUTION TO RISK FACTORS FOR DIABETES
MELLITUS IN MEXICO 2023
José Alfredo Zicatl García
Universidad Autónoma de Guerrero, México
Ramón Reyes Carreto
Universidad Autónoma de Guerrero, México
pág. 2723
DOI:
Aportes a los Factores de Riesgo en Diabetes Mellitus en México 2023
José Alfredo Zicatl García1
alfredozicatl@gmail.com
https://orcid.org/0009-0004-6297-6532
Facultad de Matemáticas
Universidad Autónoma de Guerrero
México
Ramón Reyes Carreto
rcarreto@gmail.com
https://orcid.org/0000-0003-4120-5718
Facultad de Matemáticas
Universidad Autónoma de Guerrero
México
RESUMEN
Este estudio tiene como objetivo obtener un modelo de regresión logística para identificar los factores de
riesgo que inciden en la aparición de Diabetes Mellitus tipo 2 (DM2). Los datos se obtuvieron de la Encuesta
Nacional de Salud y Nutrición 2023 (ENSANUT 2023), levantada en México. El modelo se construyó
utilizando el método de selección StepAIC, obteniéndose un modelo final con 12 variables independientes
y una interacción. Para este modelo se obtuvo un pseudo 𝑅2 de McFadden = 0,2695. La prueba de bondad
de ajuste de Hosmer–Lemeshow evidenció un 𝑝 − value = 0.176; dado que 0.05 < 𝑝, se considera que el
modelo presenta un buen ajuste. Además, la curva ROC, con un AUC = 0.856, indica que el modelo tiene
una buena capacidad predictiva. Los resultados muestran que factores como la prediabetes (PreDM), la
hipertensión arterial (HTA), la diabetes en la madre (DM.M) y la diabetes en los hermanos (DM.Hnos) son
las variables con mayor influencia en la aparición de DM2. Esto confirma que tanto las condiciones de salud
personales como los antecedentes familiares contribuyen significativamente al riesgo de desarrollar esta
enfermedad.
Palabras clave: diabetes mellitus tipo 2; regresión logística binaria; factores de riesgo
1 Autor principal
Correspondencia: alfredozicatl@gmail.com
DOI:
Aportes a los Factores de Riesgo en Diabetes Mellitus en México 2023
José Alfredo Zicatl García1
alfredozicatl@gmail.com
https://orcid.org/0009-0004-6297-6532
Facultad de Matemáticas
Universidad Autónoma de Guerrero
México
Ramón Reyes Carreto
rcarreto@gmail.com
https://orcid.org/0000-0003-4120-5718
Facultad de Matemáticas
Universidad Autónoma de Guerrero
México
RESUMEN
Este estudio tiene como objetivo obtener un modelo de regresión logística para identificar los factores de
riesgo que inciden en la aparición de Diabetes Mellitus tipo 2 (DM2). Los datos se obtuvieron de la Encuesta
Nacional de Salud y Nutrición 2023 (ENSANUT 2023), levantada en México. El modelo se construyó
utilizando el método de selección StepAIC, obteniéndose un modelo final con 12 variables independientes
y una interacción. Para este modelo se obtuvo un pseudo 𝑅2 de McFadden = 0,2695. La prueba de bondad
de ajuste de Hosmer–Lemeshow evidenció un 𝑝 − value = 0.176; dado que 0.05 < 𝑝, se considera que el
modelo presenta un buen ajuste. Además, la curva ROC, con un AUC = 0.856, indica que el modelo tiene
una buena capacidad predictiva. Los resultados muestran que factores como la prediabetes (PreDM), la
hipertensión arterial (HTA), la diabetes en la madre (DM.M) y la diabetes en los hermanos (DM.Hnos) son
las variables con mayor influencia en la aparición de DM2. Esto confirma que tanto las condiciones de salud
personales como los antecedentes familiares contribuyen significativamente al riesgo de desarrollar esta
enfermedad.
Palabras clave: diabetes mellitus tipo 2; regresión logística binaria; factores de riesgo
1 Autor principal
Correspondencia: alfredozicatl@gmail.com
pág. 2724
Contribution to Risk Factors for Diabetes Mellitus in Mexico 2023
ABSTRACT
This study aims to obtain a logistic regression model to identify the risk factors that influence the onset of
type 2 Diabetes Mellitus (DM2). The data were obtained from the 2023 National Health and Nutrition Survey
(ENSANUT 2023), conducted in Mexico. The model was constructed using the StepAIC selection method,
resulting in a final model with 12 independent variables and one interaction. For this model, a McFadden
pseudo 𝑅2 = 0.269 was obtained. The Hosmer–Lemeshow goodness-of-fit test showed a 𝑝 − value =
0.176; given that 0.05 < 𝑝, the model is considered to be a good fit. In addition, the ROC curve, with an
AUC = 0.856, indicates that the model has good predictive power. The results show that factors such as
prediabetes (PreDM), high blood pressure (HTA), diabetes in the mother (DM.M), and diabetes in siblings
(DM.Hnos) are the variables with the greatest influence on the onset of DM2. This confirms that both
personal health conditions and family history contribute significantly to the risk of developing this disease.
Keywords: type 2 diabetes mellitus; binary logistic regression; risk factors
Artículo recibido 28 febrero 2026
Aceptado para publicación: 28 marzo 2026
Contribution to Risk Factors for Diabetes Mellitus in Mexico 2023
ABSTRACT
This study aims to obtain a logistic regression model to identify the risk factors that influence the onset of
type 2 Diabetes Mellitus (DM2). The data were obtained from the 2023 National Health and Nutrition Survey
(ENSANUT 2023), conducted in Mexico. The model was constructed using the StepAIC selection method,
resulting in a final model with 12 independent variables and one interaction. For this model, a McFadden
pseudo 𝑅2 = 0.269 was obtained. The Hosmer–Lemeshow goodness-of-fit test showed a 𝑝 − value =
0.176; given that 0.05 < 𝑝, the model is considered to be a good fit. In addition, the ROC curve, with an
AUC = 0.856, indicates that the model has good predictive power. The results show that factors such as
prediabetes (PreDM), high blood pressure (HTA), diabetes in the mother (DM.M), and diabetes in siblings
(DM.Hnos) are the variables with the greatest influence on the onset of DM2. This confirms that both
personal health conditions and family history contribute significantly to the risk of developing this disease.
Keywords: type 2 diabetes mellitus; binary logistic regression; risk factors
Artículo recibido 28 febrero 2026
Aceptado para publicación: 28 marzo 2026
pág. 2725
INTRODUCCIÓN
La Diabetes Mellitus tipo 2 (DM2) ha sido, desde hace años, objeto de estudio por parte de numerosos
investigadores y organizaciones; sin embargo, los casos continúan en aumento año tras año. La Organización
Mundial de la Salud (OMS, 2024) afirma que el número de personas que viven con diabetes pasó de 200
millones en 1990 a 830 millones en 2022. La prevalencia de esta enfermedad ha aumentado más rápidamente
en los países de ingresos medianos y bajos que en los de ingreso alto.
En México de acuerdo con la Encuesta Nacional de Salud y Nutrición (ENSANUT, 2023) esta enfermedad
es una de las principales causas de muerte en adultos mayores de 20 años y más, colocándole como la primera
causa de muerte en las mujeres y la segunda en los hombres, esto derivado a varios factores dentro de los
cuales destacan los hábitos alimenticios y de ejercicio. Además, se ha convertido en una de las cinco
enfermedades con mayor impacto económico al sistema de salud.
Los modelos predictivos permiten detectar la DM2 o identificar a personas con mayor riesgo de desarrollarla,
lo que facilita determinar el mejor tratamiento clínico para los pacientes (Joshi & Dhakal, 2021). Debido al
incremento constante de casos, se requieren estudios basados en métodos estadísticos que ayuden a
identificar los factores de riesgo y permitan predecir la presencia o ausencia de la enfermedad. Para ello, una
herramienta eficaz son los modelos de regresión; en específico, el modelo de regresión logística, que permite
conocer la relación entre una variable dependiente de naturaleza cualitativa y diversas variables
independientes, que pueden ser cuantitativas o cualitativas (Berlanga & Vilà Baños, 2014).
En la literatura, los trabajos relacionados con el análisis de factores de riesgo para la DM2 se han abordado
principalmente desde el aspecto descriptivo. El estudio realizado por Olaiz-Fernández, Rojas, Aguilar-
Salinas, Rauda y Villalpando (2007) analiza la prevalencia de la Diabetes Mellitus en adultos mexicanos
utilizando intervalos de confianza al 95 %. Los resultados muestran que la enfermedad es más frecuente en
personas mayores de 60 años y en grupos con baja escolaridad o cuyos ingresos no superan los dos salarios
mínimos. En muchos casos, estas condiciones sociales y económicas limitan su acceso al tratamiento.
El estudio de Sánchez Martínez, Vega Falcón y Gómez Martínez (2021) ajusta un modelo de regresión
logística binaria para la predicción de la DM2 en pacientes adultos.
Para ello, consideraron una población de 628 pacientes de un consultorio médico en Matanzas, Cuba. Las
variables independientes incluidas fueron la edad, el sexo, la hipertensión arterial alta (HTA) y la
predisposición genética.
INTRODUCCIÓN
La Diabetes Mellitus tipo 2 (DM2) ha sido, desde hace años, objeto de estudio por parte de numerosos
investigadores y organizaciones; sin embargo, los casos continúan en aumento año tras año. La Organización
Mundial de la Salud (OMS, 2024) afirma que el número de personas que viven con diabetes pasó de 200
millones en 1990 a 830 millones en 2022. La prevalencia de esta enfermedad ha aumentado más rápidamente
en los países de ingresos medianos y bajos que en los de ingreso alto.
En México de acuerdo con la Encuesta Nacional de Salud y Nutrición (ENSANUT, 2023) esta enfermedad
es una de las principales causas de muerte en adultos mayores de 20 años y más, colocándole como la primera
causa de muerte en las mujeres y la segunda en los hombres, esto derivado a varios factores dentro de los
cuales destacan los hábitos alimenticios y de ejercicio. Además, se ha convertido en una de las cinco
enfermedades con mayor impacto económico al sistema de salud.
Los modelos predictivos permiten detectar la DM2 o identificar a personas con mayor riesgo de desarrollarla,
lo que facilita determinar el mejor tratamiento clínico para los pacientes (Joshi & Dhakal, 2021). Debido al
incremento constante de casos, se requieren estudios basados en métodos estadísticos que ayuden a
identificar los factores de riesgo y permitan predecir la presencia o ausencia de la enfermedad. Para ello, una
herramienta eficaz son los modelos de regresión; en específico, el modelo de regresión logística, que permite
conocer la relación entre una variable dependiente de naturaleza cualitativa y diversas variables
independientes, que pueden ser cuantitativas o cualitativas (Berlanga & Vilà Baños, 2014).
En la literatura, los trabajos relacionados con el análisis de factores de riesgo para la DM2 se han abordado
principalmente desde el aspecto descriptivo. El estudio realizado por Olaiz-Fernández, Rojas, Aguilar-
Salinas, Rauda y Villalpando (2007) analiza la prevalencia de la Diabetes Mellitus en adultos mexicanos
utilizando intervalos de confianza al 95 %. Los resultados muestran que la enfermedad es más frecuente en
personas mayores de 60 años y en grupos con baja escolaridad o cuyos ingresos no superan los dos salarios
mínimos. En muchos casos, estas condiciones sociales y económicas limitan su acceso al tratamiento.
El estudio de Sánchez Martínez, Vega Falcón y Gómez Martínez (2021) ajusta un modelo de regresión
logística binaria para la predicción de la DM2 en pacientes adultos.
Para ello, consideraron una población de 628 pacientes de un consultorio médico en Matanzas, Cuba. Las
variables independientes incluidas fueron la edad, el sexo, la hipertensión arterial alta (HTA) y la
predisposición genética.
pág. 2726
El modelo obtenido indica que las variables HTA y predisposición genética influyen directamente en el alto
riesgo de padecer DM2, mientras que las variables edad y sexo no resultaron significativas, al presentar un
p-valor mayor a 0.05.
El estudio de Liao-Li, Celaya-Padilla, Galván-Tejada, Galván-Tejada, Luna-García, Rosales y otros (2022)
utiliza un conjunto de datos proporcionado por la Unidad de Investigación Médica en Bioquímica del
Hospital de Especialidades “Bernardo Sepúlveda” del Centro Médico Nacional Siglo XXI del Instituto
Mexicano del Seguro Social (IMSS). Dichos datos incluyen 46 características relacionadas con posibles
complicaciones derivadas de la diabetes, tales como edad, índice de masa corporal, niveles de creatinina,
urea, glucosa, lípidos y colesterol en sangre. Para obtener el modelo de regresión logística, los autores
consideraron inicialmente las 46 características. Después de aplicar métodos de selección hacia adelante y
hacia atrás, obtuvieron un modelo con 32 variables, aunque la mayoría no resultó significativa. Por ello,
implementaron posteriormente la prueba t de Student como criterio adicional de selección. Los resultados
finales muestran un modelo con solo tres características significativas: creatinina, insulina y sexo.
El presente estudio tiene como objetivo identificar los factores de riesgo que influyen en la aparición de la
enfermedad, utilizando los datos obtenidos en la Encuesta Nacional de Salud y Nutrición 2023 (ENSANUT,
2023). Para ello, se realizó una depuración de la base de datos, seleccionando únicamente aquellas variables
consideradas relevantes por estudios previamente publicados. Posteriormente, mediante el uso del software
RStudio, se aplicó el método de selección de variables StepAIC con el propósito de obtener un modelo de
regresión logística binaria que se ajuste adecuadamente a los datos. De esta manera, se busca comprobar si
las características personales, los hábitos y los antecedentes Heredo-Familiares inciden directamente en el
riesgo de padecer DM2.
METODOLOGÍA
Población y muestra de estudio
La población de estudio de la ENSANUT 2023 incluyó a personas residentes, tanto nacionales como
extranjeras, que habitan en los hogares de México.
Para este estudio se consideraron únicamente los resultados del grupo de Adultos, hombres y mujeres, de 20
años o más. La muestra fue no probalistica y transversal, con un total 6,772 cuestionarios completos.
El modelo obtenido indica que las variables HTA y predisposición genética influyen directamente en el alto
riesgo de padecer DM2, mientras que las variables edad y sexo no resultaron significativas, al presentar un
p-valor mayor a 0.05.
El estudio de Liao-Li, Celaya-Padilla, Galván-Tejada, Galván-Tejada, Luna-García, Rosales y otros (2022)
utiliza un conjunto de datos proporcionado por la Unidad de Investigación Médica en Bioquímica del
Hospital de Especialidades “Bernardo Sepúlveda” del Centro Médico Nacional Siglo XXI del Instituto
Mexicano del Seguro Social (IMSS). Dichos datos incluyen 46 características relacionadas con posibles
complicaciones derivadas de la diabetes, tales como edad, índice de masa corporal, niveles de creatinina,
urea, glucosa, lípidos y colesterol en sangre. Para obtener el modelo de regresión logística, los autores
consideraron inicialmente las 46 características. Después de aplicar métodos de selección hacia adelante y
hacia atrás, obtuvieron un modelo con 32 variables, aunque la mayoría no resultó significativa. Por ello,
implementaron posteriormente la prueba t de Student como criterio adicional de selección. Los resultados
finales muestran un modelo con solo tres características significativas: creatinina, insulina y sexo.
El presente estudio tiene como objetivo identificar los factores de riesgo que influyen en la aparición de la
enfermedad, utilizando los datos obtenidos en la Encuesta Nacional de Salud y Nutrición 2023 (ENSANUT,
2023). Para ello, se realizó una depuración de la base de datos, seleccionando únicamente aquellas variables
consideradas relevantes por estudios previamente publicados. Posteriormente, mediante el uso del software
RStudio, se aplicó el método de selección de variables StepAIC con el propósito de obtener un modelo de
regresión logística binaria que se ajuste adecuadamente a los datos. De esta manera, se busca comprobar si
las características personales, los hábitos y los antecedentes Heredo-Familiares inciden directamente en el
riesgo de padecer DM2.
METODOLOGÍA
Población y muestra de estudio
La población de estudio de la ENSANUT 2023 incluyó a personas residentes, tanto nacionales como
extranjeras, que habitan en los hogares de México.
Para este estudio se consideraron únicamente los resultados del grupo de Adultos, hombres y mujeres, de 20
años o más. La muestra fue no probalistica y transversal, con un total 6,772 cuestionarios completos.
pág. 2727
Variables de estudio
La variable dependiente Diabetes Mellitus tipo 2 (DM2) corresponde a la respuesta a la pregunta: “¿Algún
médico le ha dicho que tiene diabetes (o alta el azúcar en la sangre)?” Esta variable toma el valor de 1 si la
persona respondió Sí, y 0 si su respuesta fue No.
Las variables independientes se tomaron de manera selectiva para obtener así solo aquellas que se consideran
influyentes por la literatura ya publicada; para el presente estudio se identificaron un total de 14 variables
independientes, las cuales se presentan a continuación.
La variable Edad es de tipo numérico. La variable Sexo es dicotómica: toma el valor de 1 si el encuestado
es hombre y 0 si es mujer. De la misma manera, se incluyó la variable correspondiente a la pregunta: “¿Algún
médico le ha dicho que tiene o tuvo prediabetes?” (PreDM). Su codificación toma el valor de 1 si la respuesta
fue Sí, 0 si respondió No y 2 si indicó No sabe.
Las variables Colesterol Alto (CT) y Triglicéridos Altos (TG) son dicotómicas, donde 1 indica que a la
persona Sí le han detectado la condición y 0 si respondió No. Además, se les preguntó si padecen
Hipertensión Arterial (HTA). Esta variable se codifica de la siguiente manera: 1 si la persona respondió Sí,
2 si indicó que solo la presentó durante el embarazo, y 0 si su respuesta fue No.
Otras características consideradas corresponden a hábitos que pueden afectar la salud. La variable FUMA
toma el valor de 1 si la persona fuma todos los días, 2 si fuma solo algunos días, 0 si no fuma actualmente y
3 si no respondió. Por otro lado, la variable TOMA evalúa los hábitos de consumo de alcohol y se codificó
de la siguiente manera: 1 si la persona consume alcohol diariamente, 2 si lo hace semanalmente, 3 si su
consumo es mensual, 4 si bebe con una frecuencia anual, 5 si no consumió alcohol en los últimos 12 meses,
0 si nunca ha consumido bebidas alcohólicas y 6 si no respondió.
Los antecedentes Heredo-Familiares corresponden a variables que contienen información sobre
enfermedades que podrían padecer o haber padecido los padres o hermanos de la persona encuestada.
Respecto a los antecedentes conocidos del padre, se les cuestionó si este tiene o tuvo Diabetes Mellitus
(DM.P) y si además padeció Hipertensión Arterial (HTA.P).
La misma información se solicitó respecto a la madre, clasificándose como Diabetes Mellitus Madre
(DM.M) y Hipertensión Arterial Madre (HTA.M). Asimismo, para cualquiera de los hermanos se pidió
responder si tienen o tuvieron Diabetes Mellitus (DM.Hnos) o Hipertensión Arterial (HTA.Hnos). Todas
estas variables toman el valor de 1 si la persona respondió Sí, 0 si respondió No y 3 si indicó No sabe.
Variables de estudio
La variable dependiente Diabetes Mellitus tipo 2 (DM2) corresponde a la respuesta a la pregunta: “¿Algún
médico le ha dicho que tiene diabetes (o alta el azúcar en la sangre)?” Esta variable toma el valor de 1 si la
persona respondió Sí, y 0 si su respuesta fue No.
Las variables independientes se tomaron de manera selectiva para obtener así solo aquellas que se consideran
influyentes por la literatura ya publicada; para el presente estudio se identificaron un total de 14 variables
independientes, las cuales se presentan a continuación.
La variable Edad es de tipo numérico. La variable Sexo es dicotómica: toma el valor de 1 si el encuestado
es hombre y 0 si es mujer. De la misma manera, se incluyó la variable correspondiente a la pregunta: “¿Algún
médico le ha dicho que tiene o tuvo prediabetes?” (PreDM). Su codificación toma el valor de 1 si la respuesta
fue Sí, 0 si respondió No y 2 si indicó No sabe.
Las variables Colesterol Alto (CT) y Triglicéridos Altos (TG) son dicotómicas, donde 1 indica que a la
persona Sí le han detectado la condición y 0 si respondió No. Además, se les preguntó si padecen
Hipertensión Arterial (HTA). Esta variable se codifica de la siguiente manera: 1 si la persona respondió Sí,
2 si indicó que solo la presentó durante el embarazo, y 0 si su respuesta fue No.
Otras características consideradas corresponden a hábitos que pueden afectar la salud. La variable FUMA
toma el valor de 1 si la persona fuma todos los días, 2 si fuma solo algunos días, 0 si no fuma actualmente y
3 si no respondió. Por otro lado, la variable TOMA evalúa los hábitos de consumo de alcohol y se codificó
de la siguiente manera: 1 si la persona consume alcohol diariamente, 2 si lo hace semanalmente, 3 si su
consumo es mensual, 4 si bebe con una frecuencia anual, 5 si no consumió alcohol en los últimos 12 meses,
0 si nunca ha consumido bebidas alcohólicas y 6 si no respondió.
Los antecedentes Heredo-Familiares corresponden a variables que contienen información sobre
enfermedades que podrían padecer o haber padecido los padres o hermanos de la persona encuestada.
Respecto a los antecedentes conocidos del padre, se les cuestionó si este tiene o tuvo Diabetes Mellitus
(DM.P) y si además padeció Hipertensión Arterial (HTA.P).
La misma información se solicitó respecto a la madre, clasificándose como Diabetes Mellitus Madre
(DM.M) y Hipertensión Arterial Madre (HTA.M). Asimismo, para cualquiera de los hermanos se pidió
responder si tienen o tuvieron Diabetes Mellitus (DM.Hnos) o Hipertensión Arterial (HTA.Hnos). Todas
estas variables toman el valor de 1 si la persona respondió Sí, 0 si respondió No y 3 si indicó No sabe.
pág. 2728
Análisis de datos
Inicialmente, se realizó un proceso de depuración sobre el total de 6,772 cuestionarios de la muestra de
estudio, con el objetivo de eliminar aquellas respuestas incompletas. Tras esta depuración, se obtuvo una
base de datos conformada por 6,102 observaciones completas. Posteriormente, para la aplicación del modelo
de regresión logística binaria, se implementó un filtro adicional mediante el cual se excluyeron las respuestas
de mujeres que reportaron DM2 únicamente durante el embarazo. Como resultado de estos filtros, se obtuvo
una base final integrada por 6,080 observaciones completas.
Se empleó la función sample() de RStudio para seleccionar aleatoriamente el 80 % de las observaciones de
la base de datos, conformando así el conjunto de entrenamiento (train), mientras que el 20 % restante se
destinó a la evaluación del modelo (test). Esta estrategia garantiza que el desempeño del modelo se evalúe
sobre datos no utilizados durante el proceso de entrenamiento.
Se utiliza la función glm (Generalized Linear Model) para definir el modelo inicial con todas las variables
seleccionadas. Posteriormente, con el fin de identificar las variables significativas, se aplica el método de
selección de variables stepAIC(), el cual determina automáticamente las variables más relevantes para el
modelo utilizando el criterio de información de Akaike (AIC). El AIC estima la distancia relativa entre la
verosimilitud verdadera y la verosimilitud ajustada del modelo, más una constante. Este criterio consiste en
seleccionar el modelo que produzca el menor valor de AIC (Joshi & Dhakal, 2021).
Para evaluar el ajuste del modelo se calcularon medidas de tipo 𝑅2 para modelos logísticos mediante la
función pR2(). Asimismo, se aplicó la prueba de bondad de ajuste de Hosmer–Lemeshow, utilizando la
función hoslem.test(), con el propósito de verificar si las probabilidades predichas por el modelo coinciden
con las frecuencias observadas en los datos.
En conjunto, estos indicadores facilitan la validación del desempeño del modelo y su capacidad para
ajustarse adecuadamente a la información disponible.
Las predicciones del modelo se obtuvieron utlizando el conjunto de datos prueba (test) mediante la función
predict(). Posteriormente, se construyó la matriz de confusión, la cual compara las predicciones generadas
con los valores reales de la variable respuesta; en ella, cada celda refleja el número de observaciones que
fueron clasificadas correctamente o de manera errónea. Para evaluar el desempeño del modelo, se empleó la
curva ROC (Receiver Operating Characteristic), una herramienta gráfica ampliamente utilizada para valorar
la capacidad de discriminación en modelos de clasificación binaria.
Análisis de datos
Inicialmente, se realizó un proceso de depuración sobre el total de 6,772 cuestionarios de la muestra de
estudio, con el objetivo de eliminar aquellas respuestas incompletas. Tras esta depuración, se obtuvo una
base de datos conformada por 6,102 observaciones completas. Posteriormente, para la aplicación del modelo
de regresión logística binaria, se implementó un filtro adicional mediante el cual se excluyeron las respuestas
de mujeres que reportaron DM2 únicamente durante el embarazo. Como resultado de estos filtros, se obtuvo
una base final integrada por 6,080 observaciones completas.
Se empleó la función sample() de RStudio para seleccionar aleatoriamente el 80 % de las observaciones de
la base de datos, conformando así el conjunto de entrenamiento (train), mientras que el 20 % restante se
destinó a la evaluación del modelo (test). Esta estrategia garantiza que el desempeño del modelo se evalúe
sobre datos no utilizados durante el proceso de entrenamiento.
Se utiliza la función glm (Generalized Linear Model) para definir el modelo inicial con todas las variables
seleccionadas. Posteriormente, con el fin de identificar las variables significativas, se aplica el método de
selección de variables stepAIC(), el cual determina automáticamente las variables más relevantes para el
modelo utilizando el criterio de información de Akaike (AIC). El AIC estima la distancia relativa entre la
verosimilitud verdadera y la verosimilitud ajustada del modelo, más una constante. Este criterio consiste en
seleccionar el modelo que produzca el menor valor de AIC (Joshi & Dhakal, 2021).
Para evaluar el ajuste del modelo se calcularon medidas de tipo 𝑅2 para modelos logísticos mediante la
función pR2(). Asimismo, se aplicó la prueba de bondad de ajuste de Hosmer–Lemeshow, utilizando la
función hoslem.test(), con el propósito de verificar si las probabilidades predichas por el modelo coinciden
con las frecuencias observadas en los datos.
En conjunto, estos indicadores facilitan la validación del desempeño del modelo y su capacidad para
ajustarse adecuadamente a la información disponible.
Las predicciones del modelo se obtuvieron utlizando el conjunto de datos prueba (test) mediante la función
predict(). Posteriormente, se construyó la matriz de confusión, la cual compara las predicciones generadas
con los valores reales de la variable respuesta; en ella, cada celda refleja el número de observaciones que
fueron clasificadas correctamente o de manera errónea. Para evaluar el desempeño del modelo, se empleó la
curva ROC (Receiver Operating Characteristic), una herramienta gráfica ampliamente utilizada para valorar
la capacidad de discriminación en modelos de clasificación binaria.
pág. 2729
Esta curva representa la relación entre la tasa de verdaderos positivos (sensibilidad) y la tasa de falsos
positivos (1 – especificidad) para diferentes puntos de corte. En este estudio, la curva ROC se obtuvo
mediante la función roc() del paquete pROC en RStudio.
RESULTADOS Y DISCUSIÓN
Bajo el método stepAIC(), las variables HTA.P y FUMA resultaron no significativas para el modelo, por lo
que se eliminaron; obteniéndose así un modelo con AIC = 2756,9, integrado por 12 variables independientes
y una interacción significativa. En la Tabla 1 se presentan las estimaciones de los parámetros 𝛽0, ⋯ , 𝛽𝑛 del
modelo logístico.
Tabla 1: Modelo de regresión logística para DM2
Variable Coeficiente (𝛃) Error Estándar p-valor
(Intercept) -4.674574 -23.129 < 2e-16
PreDM1 1.215283 9.587 < 2e-16
PreDM2 -0.018828 -0.036 0.9715
Edad 0.041708 10.726 < 2e-16
Sexo1 0.036883 0.329 0.7419
HTA1 0.954333 7.197 6.14e-13
HTA2 -0.21874 -0.196 0.8449
CT1 0.505615 2.794 0.0052
TG1 0.345854 2.286 0.0223
TOMA1 -0.145759 -0.33 0.7417
TOMA2 -0.348969 -1.617 0.106
TOMA3 -0.462778 -2.291 0.022
TOMA4 -0.169678 -1.123 0.2613
TOMA5 0.279949 2.112 0.0347
TOMA6 -10.954362 -0.022 0.9825
DM.P1 0.509455 4.355 1.33e-05
DM.P2 0.39668 1.73 0.0836
DM.M1 0.801267 7.189 6.52e-13
DM.M2 -0.009086 -0.017 0.9864
HTA.M1 -0.247847 -2.177 0.0295
HTA.M2 -0.092416 -0.236 0.813
DM.Hnos1 0.916915 7.958 1.74e-15
DM.Hnos2 0.302779 0.718 0.4729
HTA.Hnos1 -0.17456 -1.447 0.1478
HTA.Hnos2 0.117508 0.407 0.6836
HTA1:CT1 -0.204775 -0.939 0.3475
HTA2:CT1 -11.472439 -0.036 0.9712
AIC del modelo: 2756.9 ; Deviance residual: 2702.9 (gl = 4837)
Para facilitar la interpretación de los efectos de cada variable sobre la probabilidad de desarrollar DM2, en
la Tabla 2 se obtienen los odds ratio (razones de momios) mediante los exp(β). Estos valores, permiten
expresar el cambio multiplicativo en los odds de presentar DM2 asociado a una unidad de incremento en la
Esta curva representa la relación entre la tasa de verdaderos positivos (sensibilidad) y la tasa de falsos
positivos (1 – especificidad) para diferentes puntos de corte. En este estudio, la curva ROC se obtuvo
mediante la función roc() del paquete pROC en RStudio.
RESULTADOS Y DISCUSIÓN
Bajo el método stepAIC(), las variables HTA.P y FUMA resultaron no significativas para el modelo, por lo
que se eliminaron; obteniéndose así un modelo con AIC = 2756,9, integrado por 12 variables independientes
y una interacción significativa. En la Tabla 1 se presentan las estimaciones de los parámetros 𝛽0, ⋯ , 𝛽𝑛 del
modelo logístico.
Tabla 1: Modelo de regresión logística para DM2
Variable Coeficiente (𝛃) Error Estándar p-valor
(Intercept) -4.674574 -23.129 < 2e-16
PreDM1 1.215283 9.587 < 2e-16
PreDM2 -0.018828 -0.036 0.9715
Edad 0.041708 10.726 < 2e-16
Sexo1 0.036883 0.329 0.7419
HTA1 0.954333 7.197 6.14e-13
HTA2 -0.21874 -0.196 0.8449
CT1 0.505615 2.794 0.0052
TG1 0.345854 2.286 0.0223
TOMA1 -0.145759 -0.33 0.7417
TOMA2 -0.348969 -1.617 0.106
TOMA3 -0.462778 -2.291 0.022
TOMA4 -0.169678 -1.123 0.2613
TOMA5 0.279949 2.112 0.0347
TOMA6 -10.954362 -0.022 0.9825
DM.P1 0.509455 4.355 1.33e-05
DM.P2 0.39668 1.73 0.0836
DM.M1 0.801267 7.189 6.52e-13
DM.M2 -0.009086 -0.017 0.9864
HTA.M1 -0.247847 -2.177 0.0295
HTA.M2 -0.092416 -0.236 0.813
DM.Hnos1 0.916915 7.958 1.74e-15
DM.Hnos2 0.302779 0.718 0.4729
HTA.Hnos1 -0.17456 -1.447 0.1478
HTA.Hnos2 0.117508 0.407 0.6836
HTA1:CT1 -0.204775 -0.939 0.3475
HTA2:CT1 -11.472439 -0.036 0.9712
AIC del modelo: 2756.9 ; Deviance residual: 2702.9 (gl = 4837)
Para facilitar la interpretación de los efectos de cada variable sobre la probabilidad de desarrollar DM2, en
la Tabla 2 se obtienen los odds ratio (razones de momios) mediante los exp(β). Estos valores, permiten
expresar el cambio multiplicativo en los odds de presentar DM2 asociado a una unidad de incremento en la
pág. 2730
variable correspondiente, por su parte los intervalos de confianza indican el rango de valores que podría
tomar cada parámetro en la población, dados los datos observados.
Tabla 2: Coeficientes del modelo logístico (con odds ratio e intervalos de confianza al 95 %)
Variable 𝛃 (Estimate) exp(β) IC 2.5% IC 97.5%
(Intercept) -4.674574 0.0093 -5.07878186 -4.28626267
PreDM1 1.215283 3.3713 0.96608915 1.46321661
PreDM2 -0.018828 0.9813 -1.16681963 0.93869171
Edad 0.041708 1.0426 0.03413334 0.04938293
Sexo1 0.036883 1.0376 -0.18344046 0.25582472
HTA1 0.954333 2.5969 0.69363290 1.21364172
HTA2 -0.21874 0.8037 -3.20749825 1.57183516
CT1 0.505615 1.6580 0.14690559 0.85667363
TG1 0.345854 1.4136 0.04833239 0.64163483
TOMA1 0.623435 1.8644 -1.09302460 0.66277969
TOMA2 -0.348969 0.7054 -0.77938948 0.06805010
TOMA3 -0.462778 0.6296 -0.86567102 -0.07261803
TOMA4 -0.169678 0.8440 -0.46665782 0.12590031
TOMA5 0.279949 1.3229 0.02106544 0.54094983
TOMA9 -10.954362 0.00001 NA 54.26030698
DM.P1 0.509455 1.6643 0.27897512 0.73775076
DM.P2 0.39668 1.4869 -0.06303253 0.83740478
DM.M1 0.801267 2.2289 0.58308774 1.02016946
DM.M2 -0.009086 0.9910 -1.08961311 1.01520013
HTA.M1 -0.247847 0.7805 -0.47209706 -0.02561934
HTA.M2 -0.092416 0.9118 -0.88315623 0.66216999
DM.Hnos1 0.916915 2.5016 0.69144722 1.14323766
DM.Hnos2 0.302779 1.3538 -0.54752014 1.11303813
HTA.Hnos1 -0.17456 0.8399 -0.41227215 0.06068810
HTA.Hnos2 0.117508 1.1247 -0.46128253 0.67191054
HTA1:CT1 -0.204775 0.8148 -0.63009134 0.22476368
HTA2:CT1 -11.472439 0.00001 NA 54.89764296
A partir de esta selección se construye el modelo sugerido expresado en términos de los los odds ratio.
Ajuste del modelo
El Pseudo 𝑅2 de McFadden (0.2695) indica que el modelo realiza un buen ajuste, además de que logra
explicar 18,5 % (Cox & Snell) de la proporción de variabilidad explicada relativa al modelo nulo. Con la
prueba de bondad de ajuste de Hosmer-Lemeshow, se obtuvo un p − value = 0,176 y como (0,05 < p),
se concluye que el modelo se ajusta adecuadamente. Con estas estimaciones se considera que el nivel de
ajuste del modelo logístico es bueno.
Validacion del modelo
Para validar el ajuste del modelo, se obtienen las predicciones usando el conjunto de datos de prueba (test)
y se clasifican en la matriz de confusión.
variable correspondiente, por su parte los intervalos de confianza indican el rango de valores que podría
tomar cada parámetro en la población, dados los datos observados.
Tabla 2: Coeficientes del modelo logístico (con odds ratio e intervalos de confianza al 95 %)
Variable 𝛃 (Estimate) exp(β) IC 2.5% IC 97.5%
(Intercept) -4.674574 0.0093 -5.07878186 -4.28626267
PreDM1 1.215283 3.3713 0.96608915 1.46321661
PreDM2 -0.018828 0.9813 -1.16681963 0.93869171
Edad 0.041708 1.0426 0.03413334 0.04938293
Sexo1 0.036883 1.0376 -0.18344046 0.25582472
HTA1 0.954333 2.5969 0.69363290 1.21364172
HTA2 -0.21874 0.8037 -3.20749825 1.57183516
CT1 0.505615 1.6580 0.14690559 0.85667363
TG1 0.345854 1.4136 0.04833239 0.64163483
TOMA1 0.623435 1.8644 -1.09302460 0.66277969
TOMA2 -0.348969 0.7054 -0.77938948 0.06805010
TOMA3 -0.462778 0.6296 -0.86567102 -0.07261803
TOMA4 -0.169678 0.8440 -0.46665782 0.12590031
TOMA5 0.279949 1.3229 0.02106544 0.54094983
TOMA9 -10.954362 0.00001 NA 54.26030698
DM.P1 0.509455 1.6643 0.27897512 0.73775076
DM.P2 0.39668 1.4869 -0.06303253 0.83740478
DM.M1 0.801267 2.2289 0.58308774 1.02016946
DM.M2 -0.009086 0.9910 -1.08961311 1.01520013
HTA.M1 -0.247847 0.7805 -0.47209706 -0.02561934
HTA.M2 -0.092416 0.9118 -0.88315623 0.66216999
DM.Hnos1 0.916915 2.5016 0.69144722 1.14323766
DM.Hnos2 0.302779 1.3538 -0.54752014 1.11303813
HTA.Hnos1 -0.17456 0.8399 -0.41227215 0.06068810
HTA.Hnos2 0.117508 1.1247 -0.46128253 0.67191054
HTA1:CT1 -0.204775 0.8148 -0.63009134 0.22476368
HTA2:CT1 -11.472439 0.00001 NA 54.89764296
A partir de esta selección se construye el modelo sugerido expresado en términos de los los odds ratio.
Ajuste del modelo
El Pseudo 𝑅2 de McFadden (0.2695) indica que el modelo realiza un buen ajuste, además de que logra
explicar 18,5 % (Cox & Snell) de la proporción de variabilidad explicada relativa al modelo nulo. Con la
prueba de bondad de ajuste de Hosmer-Lemeshow, se obtuvo un p − value = 0,176 y como (0,05 < p),
se concluye que el modelo se ajusta adecuadamente. Con estas estimaciones se considera que el nivel de
ajuste del modelo logístico es bueno.
Validacion del modelo
Para validar el ajuste del modelo, se obtienen las predicciones usando el conjunto de datos de prueba (test)
y se clasifican en la matriz de confusión.
pág. 2731
Tabla 3: Matriz de confusión del modelo logístico para la DM2
Predicho
Real No tiene DM2 Tiene DM2
No tiene DM2 1035 24
Tiene DM2 41 116
La matriz de confusión muestra que el modelo clasificó correctamente 1035 casos negativos (personas sin
DM2) y 116 casos positivos (personas con DM2). Sin embargo, se observan 24 falsos positivos (personas
clasificadas con DM2 sin padecerla) y 41 falsos negativos (personas con DM2 clasificadas como sanas).
Esto indica que en general el modelo tiene un buen desempeño.
Figura 1. Curva ROC
En la Figura 1 se observa que la curva ROC presenta una tendencia hacia la esquina superior izquierda del
gráfico. Esto indica un buen desempeño del modelo, ya que refleja alta sensibilidad y especificidad de
manera simultánea. Lo anterior se confirma con el elevado valor del AUC = 0,856 lo que permite concluir
que, en general, el modelo tiene una buena capacidad para distinguir entre pacientes con DM2 y aquellos
que no la padecen.
DISCUSIÓN
Los resultados obtenidos muestran como la Prediabetes es uno de los factores que más influye en la aparición
de la DM2 el valor del exp(β) = 3,3 indica que las personas con Prediabetes tienen 3,3 veces más
posibilidad de desarrollar DM2 que quienes no la tienen, esto muestra concordancia con el estudio de
Coronado-Malagón, Gómez-Vargas, Espinoza-Peralta y Arce-Salinas (2009) quienes mencionan como el
estado de metabolismo anormal de la glucosa conocido como Prediabetes es considerado como un factor de
Tabla 3: Matriz de confusión del modelo logístico para la DM2
Predicho
Real No tiene DM2 Tiene DM2
No tiene DM2 1035 24
Tiene DM2 41 116
La matriz de confusión muestra que el modelo clasificó correctamente 1035 casos negativos (personas sin
DM2) y 116 casos positivos (personas con DM2). Sin embargo, se observan 24 falsos positivos (personas
clasificadas con DM2 sin padecerla) y 41 falsos negativos (personas con DM2 clasificadas como sanas).
Esto indica que en general el modelo tiene un buen desempeño.
Figura 1. Curva ROC
En la Figura 1 se observa que la curva ROC presenta una tendencia hacia la esquina superior izquierda del
gráfico. Esto indica un buen desempeño del modelo, ya que refleja alta sensibilidad y especificidad de
manera simultánea. Lo anterior se confirma con el elevado valor del AUC = 0,856 lo que permite concluir
que, en general, el modelo tiene una buena capacidad para distinguir entre pacientes con DM2 y aquellos
que no la padecen.
DISCUSIÓN
Los resultados obtenidos muestran como la Prediabetes es uno de los factores que más influye en la aparición
de la DM2 el valor del exp(β) = 3,3 indica que las personas con Prediabetes tienen 3,3 veces más
posibilidad de desarrollar DM2 que quienes no la tienen, esto muestra concordancia con el estudio de
Coronado-Malagón, Gómez-Vargas, Espinoza-Peralta y Arce-Salinas (2009) quienes mencionan como el
estado de metabolismo anormal de la glucosa conocido como Prediabetes es considerado como un factor de
pág. 2732
riesgo para el desarrollo de la DM2, debido a su alta frecuencia en la población y a que, de manera
independiente, se vincula con un aumento en la morbilidad y a la aparición de diversas complicaciones de
salud. Por su parte Tabák, Herder, Rathmann, Brunner y Kivimäki (2012) indican que alrededor del 5-10 %
de las personas con prediabetes se vuelven diabéticas cada año.
La edad es otro factor de riesgo relevante. De acuerdo con el modelo, el valor de exp(β) = 1,04 para la
variable edad, esto indica que, por cada año adicional, las probabilidades (odds) de desarrollar DM2
aumentan aproximadamente un 4 %. Esto muestra similitud con el estudio de Alcocer, Valle y Ceh (2016)
quienes evidencian como el riesgo de padecer DM2 se incrementa conforme aumenta la edad mostrando una
mayor prevalencia de la enfermedad en personas de 50-60 años de edad.
El modelo incluye la variable Sexo como predictiva, siguiere que ser hombre reduce los odds de DM2 en
aproximadamente 3 % lo que significa que las mujeres son más propensas a desarrollar DM2; esto se
compara con lo que plantea el estudio de Castro, Peñate y Viloria (2020) en el que se encontró que el 53 %
de su población de estudio con DM2 correspondió, al sexo femenino. Sin embargo, es importante destacar
que actualmente no existe una tendencia consistente en la frecuencia de la enfermedad según el sexo, aunque
los datos sugieren una mayor predisposición en las mujeres (Alcocer et al., 2016).
La Hipertensión Arterial (HTA) se identificó como una de las variables más influyentes en la aparición de
DM2. El valor de exp(β) = 2,5 indica que la presencia de HTA incrementa aproximadamente 2.5 veces la
posibilidad de desarrollar DM2. Esto muestra similitud con lo reportado por Martínez et al. (2022), quienes
señalan que la coexistencia de ambas enfermedades es altamente frecuente desde el punto de vista
epidemiológico, debido a que comparten mecanismos fisiopatológicos. Por su parte el modelo indica que
padecer Colesterol alto (CT) aumenta los odds de DM2 en 65 % mientras que niveles altos de Triglicéridos
(TG) incrementan los odds de DM2 en 41 %, esto coincide con los resultados de Solis (2012) quien reporta
que los pacientes identificados como diabéticos ya presentaban previamente alteraciones en su estado de
salud, como niveles elevados de Colesterol y Triglicéridos.
El modelo incorporo la variable consumo de alcohol como factor de riesgo mostrando como si la persona
consume este tipo de bebidas aumenta los odds de padecer DM2 en un 86 %. Esto concuerda con lo señalado
por López-González, González San Miguel, Arroyo Bote, Del Mar Rigo Vives, Riutord Sbert, Ramírez
Manent y otros (2021), quienes evaluaron el consumo en unidades de bebida estándar (equivalentes a 10 g)
y clasificaron como consumo excesivo superar semanalmente las 35 unidades en hombres y 20 en mujeres.
riesgo para el desarrollo de la DM2, debido a su alta frecuencia en la población y a que, de manera
independiente, se vincula con un aumento en la morbilidad y a la aparición de diversas complicaciones de
salud. Por su parte Tabák, Herder, Rathmann, Brunner y Kivimäki (2012) indican que alrededor del 5-10 %
de las personas con prediabetes se vuelven diabéticas cada año.
La edad es otro factor de riesgo relevante. De acuerdo con el modelo, el valor de exp(β) = 1,04 para la
variable edad, esto indica que, por cada año adicional, las probabilidades (odds) de desarrollar DM2
aumentan aproximadamente un 4 %. Esto muestra similitud con el estudio de Alcocer, Valle y Ceh (2016)
quienes evidencian como el riesgo de padecer DM2 se incrementa conforme aumenta la edad mostrando una
mayor prevalencia de la enfermedad en personas de 50-60 años de edad.
El modelo incluye la variable Sexo como predictiva, siguiere que ser hombre reduce los odds de DM2 en
aproximadamente 3 % lo que significa que las mujeres son más propensas a desarrollar DM2; esto se
compara con lo que plantea el estudio de Castro, Peñate y Viloria (2020) en el que se encontró que el 53 %
de su población de estudio con DM2 correspondió, al sexo femenino. Sin embargo, es importante destacar
que actualmente no existe una tendencia consistente en la frecuencia de la enfermedad según el sexo, aunque
los datos sugieren una mayor predisposición en las mujeres (Alcocer et al., 2016).
La Hipertensión Arterial (HTA) se identificó como una de las variables más influyentes en la aparición de
DM2. El valor de exp(β) = 2,5 indica que la presencia de HTA incrementa aproximadamente 2.5 veces la
posibilidad de desarrollar DM2. Esto muestra similitud con lo reportado por Martínez et al. (2022), quienes
señalan que la coexistencia de ambas enfermedades es altamente frecuente desde el punto de vista
epidemiológico, debido a que comparten mecanismos fisiopatológicos. Por su parte el modelo indica que
padecer Colesterol alto (CT) aumenta los odds de DM2 en 65 % mientras que niveles altos de Triglicéridos
(TG) incrementan los odds de DM2 en 41 %, esto coincide con los resultados de Solis (2012) quien reporta
que los pacientes identificados como diabéticos ya presentaban previamente alteraciones en su estado de
salud, como niveles elevados de Colesterol y Triglicéridos.
El modelo incorporo la variable consumo de alcohol como factor de riesgo mostrando como si la persona
consume este tipo de bebidas aumenta los odds de padecer DM2 en un 86 %. Esto concuerda con lo señalado
por López-González, González San Miguel, Arroyo Bote, Del Mar Rigo Vives, Riutord Sbert, Ramírez
Manent y otros (2021), quienes evaluaron el consumo en unidades de bebida estándar (equivalentes a 10 g)
y clasificaron como consumo excesivo superar semanalmente las 35 unidades en hombres y 20 en mujeres.
pág. 2733
Sus resultados evidenciaron que el consumo excesivo de alcohol, en comparación con no beber, beber poco
o moderadamente, incrementa el riesgo de desarrollar DM2 en ambas escalas de riesgo.
Los factores Heredo-Familiares incorporados en el modelo corresponden a Diabetes en padre (DM.P),
Diabetes en madre (DM.M), Hipertensión en madre (HTA.M), Diabetes en hermanos (DM.Hnos) e
Hipertensión en hermanos (HTA.Hnos), los cuales reflejan la influencia de los antecedentes familiares en la
aparición de la enfermad. Esto se compara con lo reportado por diversos autores que coinciden en que los
antecedentes Heredo-Familiares representan un factor determinante en la aparición de la enfermedad. En
este sentido, Peñafiel (2024) señala que las características genéticas heredadas de los padres a sus hijos en
primero y segundo grado de consanguinidad tienen mayor probabilidad de desarrollar la enfermedad en el
transcurso de su vida. Este estudio confirmó que, cuando el padre tiene/tuvo DM2, los odds de padecer la
enfermedad aumentan en un 66 %; si la madre tiene/tuvo DM2, el valor de exp(β) = 2,22 esto ndica que
los odds de presentar la enfermedad se duplican. La mayor probabilidad se observa en el caso de los
hermanos, ya que, si uno de ellos padece DM2, la posibilidad de desarrollar la enfermedad se incrementa
2.5 veces más.
La interacción entre Hipertensión Arterial y Colesterol alto (HTA:CT) resultó significativa, aunque con un
efecto menor en comparación con los coeficientes individuales de cada variable.
Esto explica que, cuando ambas condiciones se presentan simultáneamente, el aumento en el riesgo de
padecer DM2 no es tan elevado.
CONCLUSIONES
La DM2 es una de las enfermedades que más afectan la salud de los mexicanos; esto se debe, en parte, a la
gran cantidad de productos con altos contenidos de azúcar y grasas procesadas que se encuentran en el
mercado de alimentos, lo que lleva a las personas a desarrollar DM2 desde edades tempranas. Este estudio
logró obtener un modelo de regresión logística con 12 variables explicativas y una interacción que evidencia
cómo influyen en la aparición de la DM2. Se mostró cómo las personas con prediabetes tienden a desarrollar
completamente la enfermedad, lo que resalta la importancia de la detección temprana. Asimismo, padecer
altos índices de Colesterol, Triglicéridos y Hipertensión arterial aumenta la posibilidad de padecer esta
enfermedad, como lo hacen, por su parte, los antecedentes Heredo-Familiares, lo cual coincide con lo
reportado en la literatura científica. En conjunto, estos resultados resaltan que la DM2 debe entenderse como
el resultado de la interacción entre factores biológicos, conductuales y genéticos.
Sus resultados evidenciaron que el consumo excesivo de alcohol, en comparación con no beber, beber poco
o moderadamente, incrementa el riesgo de desarrollar DM2 en ambas escalas de riesgo.
Los factores Heredo-Familiares incorporados en el modelo corresponden a Diabetes en padre (DM.P),
Diabetes en madre (DM.M), Hipertensión en madre (HTA.M), Diabetes en hermanos (DM.Hnos) e
Hipertensión en hermanos (HTA.Hnos), los cuales reflejan la influencia de los antecedentes familiares en la
aparición de la enfermad. Esto se compara con lo reportado por diversos autores que coinciden en que los
antecedentes Heredo-Familiares representan un factor determinante en la aparición de la enfermedad. En
este sentido, Peñafiel (2024) señala que las características genéticas heredadas de los padres a sus hijos en
primero y segundo grado de consanguinidad tienen mayor probabilidad de desarrollar la enfermedad en el
transcurso de su vida. Este estudio confirmó que, cuando el padre tiene/tuvo DM2, los odds de padecer la
enfermedad aumentan en un 66 %; si la madre tiene/tuvo DM2, el valor de exp(β) = 2,22 esto ndica que
los odds de presentar la enfermedad se duplican. La mayor probabilidad se observa en el caso de los
hermanos, ya que, si uno de ellos padece DM2, la posibilidad de desarrollar la enfermedad se incrementa
2.5 veces más.
La interacción entre Hipertensión Arterial y Colesterol alto (HTA:CT) resultó significativa, aunque con un
efecto menor en comparación con los coeficientes individuales de cada variable.
Esto explica que, cuando ambas condiciones se presentan simultáneamente, el aumento en el riesgo de
padecer DM2 no es tan elevado.
CONCLUSIONES
La DM2 es una de las enfermedades que más afectan la salud de los mexicanos; esto se debe, en parte, a la
gran cantidad de productos con altos contenidos de azúcar y grasas procesadas que se encuentran en el
mercado de alimentos, lo que lleva a las personas a desarrollar DM2 desde edades tempranas. Este estudio
logró obtener un modelo de regresión logística con 12 variables explicativas y una interacción que evidencia
cómo influyen en la aparición de la DM2. Se mostró cómo las personas con prediabetes tienden a desarrollar
completamente la enfermedad, lo que resalta la importancia de la detección temprana. Asimismo, padecer
altos índices de Colesterol, Triglicéridos y Hipertensión arterial aumenta la posibilidad de padecer esta
enfermedad, como lo hacen, por su parte, los antecedentes Heredo-Familiares, lo cual coincide con lo
reportado en la literatura científica. En conjunto, estos resultados resaltan que la DM2 debe entenderse como
el resultado de la interacción entre factores biológicos, conductuales y genéticos.
pág. 2734
El modelo obtenido fue validado y mostró un buen ajuste, así como una adecuada capacidad predictiva, lo
que indica que representa de buena manera la relación entre los factores estudiados y la aparición de la DM2.
Sin embargo, para su aplicación práctica es necesario considerar las condiciones bajo las cuales fue
construido, así como el tipo de variables incluidas y los supuestos de la regresión logística. Estos resultados
constituyen una herramienta valiosa para investigaciones futuras; su utilización puede contribuir a identificar
grupos de riesgo con mayor precisión y orientar soluciones preventivas en el ámbito de la salud pública.
REFERENCIAS BIBLIOGRAFICAS
Alcocer, B. S., Valle, A. R. C., & Ceh, J. G. G. (2016). Identificación de factores de riesgo de la diabetes
mellitus tipo 2 en adultos de 30 a 60 años de edad en la comunidad de Isla Aguada, municipio de
Ciudad del Carmen, Campeche. RIDE. Revista Iberoamericana para la Investigación y el
Desarrollo Educativo, 6(12), 476–490. Recuperado de:
https://www.ride.org.mx/index.php/RIDE/article/view/216
Berlanga-Silvente, V., & Vilà-Baños, R. (2014). Cómo obtener un modelo de regresión logística binaria con
SPSS. REIRE. Revista d’Innovació i Recerca en Educació, 7(2), 105–118.
https://doi.org/10.1344/reire2014.7.2727
Rivas-Castro, A., Leguísamo-Peñate, I. L., & Puello-Viloria, Y. P. (2020). Estilo de vida en pacientes con
Diabetes Mellitus tipo II de una institución de salud en Santa Marta, Colombia, 2017. Duazary:
Revista internacional de Ciencias de la Salud, 17(4), 55–64.
https://doi.org/10.21676/2389783X.3601
Coronado-Malagón, M., Gómez-Vargas, J. I., Espinoza-Peralta, D., & Arce-Salinas, A. (2009). Progresión
de prediabetes a diabetes mellitus tipo 2 en mexicanos. Evaluación en una cohorte. Gaceta Médica
de México, 145(4), 269–272. Recuperado de:
https://www.anmm.org.mx/publicaciones/gaceta_medica_de_mexico/2009/vol_145_n4.pdf
Instituto Nacional de Salud Pública. (2018). Encuesta Nacional de Salud y Nutrición 2018 (ENSANUT
2018). Recuperado de: https://ensanut.insp.mx/encuestas/ensanut2018/index.php
Joshi, R. D., & Dhakal, C. K. (2021). Predicting type 2 diabetes using logistic regression and machine
learning approaches. International Journal of Environmental Research and Public Health, 18(14),
7346. https://doi.org/10.3390/ijerph18147346
El modelo obtenido fue validado y mostró un buen ajuste, así como una adecuada capacidad predictiva, lo
que indica que representa de buena manera la relación entre los factores estudiados y la aparición de la DM2.
Sin embargo, para su aplicación práctica es necesario considerar las condiciones bajo las cuales fue
construido, así como el tipo de variables incluidas y los supuestos de la regresión logística. Estos resultados
constituyen una herramienta valiosa para investigaciones futuras; su utilización puede contribuir a identificar
grupos de riesgo con mayor precisión y orientar soluciones preventivas en el ámbito de la salud pública.
REFERENCIAS BIBLIOGRAFICAS
Alcocer, B. S., Valle, A. R. C., & Ceh, J. G. G. (2016). Identificación de factores de riesgo de la diabetes
mellitus tipo 2 en adultos de 30 a 60 años de edad en la comunidad de Isla Aguada, municipio de
Ciudad del Carmen, Campeche. RIDE. Revista Iberoamericana para la Investigación y el
Desarrollo Educativo, 6(12), 476–490. Recuperado de:
https://www.ride.org.mx/index.php/RIDE/article/view/216
Berlanga-Silvente, V., & Vilà-Baños, R. (2014). Cómo obtener un modelo de regresión logística binaria con
SPSS. REIRE. Revista d’Innovació i Recerca en Educació, 7(2), 105–118.
https://doi.org/10.1344/reire2014.7.2727
Rivas-Castro, A., Leguísamo-Peñate, I. L., & Puello-Viloria, Y. P. (2020). Estilo de vida en pacientes con
Diabetes Mellitus tipo II de una institución de salud en Santa Marta, Colombia, 2017. Duazary:
Revista internacional de Ciencias de la Salud, 17(4), 55–64.
https://doi.org/10.21676/2389783X.3601
Coronado-Malagón, M., Gómez-Vargas, J. I., Espinoza-Peralta, D., & Arce-Salinas, A. (2009). Progresión
de prediabetes a diabetes mellitus tipo 2 en mexicanos. Evaluación en una cohorte. Gaceta Médica
de México, 145(4), 269–272. Recuperado de:
https://www.anmm.org.mx/publicaciones/gaceta_medica_de_mexico/2009/vol_145_n4.pdf
Instituto Nacional de Salud Pública. (2018). Encuesta Nacional de Salud y Nutrición 2018 (ENSANUT
2018). Recuperado de: https://ensanut.insp.mx/encuestas/ensanut2018/index.php
Joshi, R. D., & Dhakal, C. K. (2021). Predicting type 2 diabetes using logistic regression and machine
learning approaches. International Journal of Environmental Research and Public Health, 18(14),
7346. https://doi.org/10.3390/ijerph18147346
pág. 2735
Liao-Li, M. K., Celaya-Padilla, J. M., Galván-Tejada, C. E., Galván-Tejada, J. I., Luna-García, H., Rosales,
H. G., & Cruz, M. (2022). Detección de nefropatía como complicación en pacientes diabéticos de
tipo II mediante el uso de la regresión logística. Research in Computing Science, 151(6), 133–144.
Recuperado de: https://rcs.cic.ipn.mx/2022_151_6/RCS_151_6_2022.pdf
López-González, A. A., González San Miguel, H. M., Arroyo Bote, S., Del Mar Rigo Vives, M., Riutord
Sbert, P., & Ramírez Manent, J. (2021). Relación entre el consumo de alcohol y el riesgo de diabetes
tipo 2 en los trabajadores. Prensa Médica Argentina, 107(6), 299–306. Recuperado de:
https://pesquisa.bvsalud.org/portal/resource/pt/biblio-1359089
Olaiz-Fernández, G., Rojas, R., Aguilar-Salinas, C. A., Rauda, J., & Villalpando, S. (2007). Diabetes
mellitus en adultos mexicanos: resultados de la Encuesta Nacional de Salud 2000. Salud Pública de
México, 49 (Supl.3), s331–s337. Recuperado de:
http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S0036-36342007000900004&lng=es
Peñafiel, B. D. G. (2024). Factores de riesgo asociados a diabetes mellitus tipo 2. Revista Científica de
Salud y Desarrollo Humano, 5(2), 101–115. https://doi.org/10.61368/r.s.d.h.v5i2.123
R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical
Computing. https://www.r-project.org/
Sánchez Martínez, B., Vega Falcón, V., & Gómez Martínez, N. (2021). Predicción de la diabetes mellitus
tipo 2 en pacientes adultos mediante regresión logística binaria. Dilemas contemporáneos:
educación, política y valores, 8(3), Art. 00051. https://doi.org/10.46377/dilemas.v8i3.2675
Saltos Solís, M. S. (2012). Estilos de vida y factores de riesgo asociados a diabetes mellitus tipo 2. Ciencia
UNEMI, 5(7), 8–19. https://doi.org/10.29076/issn.2528-7737vol5iss7.2012pp8-19p
Tabák, A. G., Herder, C., Rathmann, W., Brunner, E. J., & Kivimäki, M. (2012). Prediabetes: a high-risk
state for diabetes development. The Lancet, 379(9833), 2279–2290. https://doi.org/10.1016/S0140-
6736(12)60283-9
World Health Organization. (2024). Diabetes: Fact sheet. Recuperado de: https://www.who.int/es/news-
room/fact-sheets/detail/diabetes
Liao-Li, M. K., Celaya-Padilla, J. M., Galván-Tejada, C. E., Galván-Tejada, J. I., Luna-García, H., Rosales,
H. G., & Cruz, M. (2022). Detección de nefropatía como complicación en pacientes diabéticos de
tipo II mediante el uso de la regresión logística. Research in Computing Science, 151(6), 133–144.
Recuperado de: https://rcs.cic.ipn.mx/2022_151_6/RCS_151_6_2022.pdf
López-González, A. A., González San Miguel, H. M., Arroyo Bote, S., Del Mar Rigo Vives, M., Riutord
Sbert, P., & Ramírez Manent, J. (2021). Relación entre el consumo de alcohol y el riesgo de diabetes
tipo 2 en los trabajadores. Prensa Médica Argentina, 107(6), 299–306. Recuperado de:
https://pesquisa.bvsalud.org/portal/resource/pt/biblio-1359089
Olaiz-Fernández, G., Rojas, R., Aguilar-Salinas, C. A., Rauda, J., & Villalpando, S. (2007). Diabetes
mellitus en adultos mexicanos: resultados de la Encuesta Nacional de Salud 2000. Salud Pública de
México, 49 (Supl.3), s331–s337. Recuperado de:
http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S0036-36342007000900004&lng=es
Peñafiel, B. D. G. (2024). Factores de riesgo asociados a diabetes mellitus tipo 2. Revista Científica de
Salud y Desarrollo Humano, 5(2), 101–115. https://doi.org/10.61368/r.s.d.h.v5i2.123
R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical
Computing. https://www.r-project.org/
Sánchez Martínez, B., Vega Falcón, V., & Gómez Martínez, N. (2021). Predicción de la diabetes mellitus
tipo 2 en pacientes adultos mediante regresión logística binaria. Dilemas contemporáneos:
educación, política y valores, 8(3), Art. 00051. https://doi.org/10.46377/dilemas.v8i3.2675
Saltos Solís, M. S. (2012). Estilos de vida y factores de riesgo asociados a diabetes mellitus tipo 2. Ciencia
UNEMI, 5(7), 8–19. https://doi.org/10.29076/issn.2528-7737vol5iss7.2012pp8-19p
Tabák, A. G., Herder, C., Rathmann, W., Brunner, E. J., & Kivimäki, M. (2012). Prediabetes: a high-risk
state for diabetes development. The Lancet, 379(9833), 2279–2290. https://doi.org/10.1016/S0140-
6736(12)60283-9
World Health Organization. (2024). Diabetes: Fact sheet. Recuperado de: https://www.who.int/es/news-
room/fact-sheets/detail/diabetes