Otra forma de medir la obesidad: ¿mejor que el IMC?

La obesidad incrementa significativamente la susceptibilidad a enfermedades metabólicas como la diabetes tipo 2 y las cardiovasculares, así como a complicaciones mecánicas (apnea del sueño, por ejemplo). Según datos globales, estas complicaciones son responsables de aproximadamente 5 millones de muertes y 130 millones de años de vida ajustados por discapacidad anualmente, con un aumento sostenido desde 1990.

Aunque los nuevos fármacos, como semaglutida y tirzepatida —que actúan sobre las vías del péptido similar al glucagón tipo 1 (GLP-1) y el polipéptido insulinotrópico dependiente de glucosa (GIP)—, han demostrado eficacia en el manejo de la obesidad y sus comorbilidades, su implementación enfrenta desafíos logísticos y económicos, especialmente en poblaciones occidentales, donde el 60-70 % de los adultos presentan sobrepeso u obesidad.

En este contexto, se ha desarrollado y validado la herramienta OBSCORE. Es un modelo de predicción de riesgo que identifica a personas obesas o con sobrepeso con mayor probabilidad de desarrollar complicaciones graves, permitiendo una asignación más eficiente de recursos terapéuticos, ya sean farmacológicos, dietéticos, conductuales o quirúrgicos.

Un estudio, liderado por el equipo de Demircan et al., utilizó datos del UK Biobank, con población de alrededor de 500 000 residentes del Reino Unido de entre 40 y 69 años. Se seleccionaron 197 264 participantes que cumplían con los criterios de inclusión de los ensayos clínicos para pérdida de peso (como el SURMOUNT-1), es decir, adultos con IMC ≥27 kg/m², con o sin comorbilidades.

El marco metodológico combinó dos técnicas de machine learning:

• LASSO (Least Absolute Shrinkage and Selection Operator) para la selección de características predictivas.
• Modelo de Cox regularizado para la optimización y validación, enfocándose en las 20 características más relevantes para cada complicación.

El objetivo era diseñar un modelo único con 20 características clínicas, capaz de predecir complicaciones y ser implementable en entornos clínicos reales. Para validarlo, OBSCORE fue evaluado externamente en la cohorte EPIC-Norfolk y en el estudio Genes & Health, que incluyó adultos británicos de origen pakistaní y bangladesí para el caso de la diabetes tipo 2.

De los 197 264 que cumplieron los criterios del estudio, 97 421 tenían sobrepeso y 99 843 obesidad. LA edad mediana era de 58 años.

Al inicio del estudio, el 9,3 % ya presentaba diabetes tipo 2 y el 4,4 % tenía antecedentes de eventos cardíacos mayores. Durante un seguimiento de 10 años se registraron 18 complicaciones relacionadas con la obesidad, siendo la artropatía y la hipertensión arterial las más frecuentes, además de 9 337 muertes.

Las variables de salud general, comportamiento y biomarcadores en sangre ofrecieron el mejor rendimiento predictivo, mientras que los puntuaciones poligénicas fueron las menos útiles. La inclusión de todas las características no mejoró significativamente los resultados en comparación con el uso de las 20 principales, excepto en el caso de enfermedades y medicaciones, donde más datos sí aportaron mayor precisión.

La combinación de diagnósticos, medicaciones y análisis de sangre con información de salud general mejoró la exactitud de las predicciones, destacando el valor de los registros clínicos. Sin embargo, añadir datos adicionales, como medidas cardiopulmonares, composición corporal, metabolitos o información genética aportó poco beneficio para la mayoría de los resultados.

Las enfermedades con mayor precisión predictiva fueron la gota, la enfermedad renal crónica y la diabetes tipo 2, impulsadas principalmente por biomarcadores en sangre. En cambio, algunas afecciones, como la hernia diafragmática, resultaron difíciles de predecir con exactitud.

Se identificaron 20 características clínicas compartidas y mayormente no correlacionadas para crear OBSCORE, un modelo único que predice el riesgo en las 18 complicaciones evaluadas. Este enfoque prioriza datos clínicos rápidos y accesibles (como análisis de sangre y antecedentes médicos) sobre marcadores complejos como metabolitos o genética, que aportaron poco valor adicional.

OBSCORE mostró una precisión predictiva comparable a modelos más complejos y específicos para cada resultado, con diferencias mínimas. Superó a los enfoques basados en IMC y a modelos que utilizaban características de puntuaciones de riesgo establecidas (como ASCVD y SCORE2), especialmente para condiciones no cardiovasculares.

En el ensayo SURMOUNT-1, tirzepatida redujo el peso corporal y la relación cintura-altura de manera similar en todos los grupos de riesgo según OBSCORE. Sin embargo, los individuos clasificados como de mayor riesgo presentaron, en promedio, reducciones absolutas mayores, aunque las reducciones relativas fueron ligeramente menores. Tras el tratamiento, las estimaciones de riesgo de OBSCORE disminuyeron significativamente en todos los grupos tratados con tirzepatida, lo que indica que el modelo es sensible a los cambios en el riesgo predicho tras la intervención.

Ratios del número de eventos observados en individuos con un 50 % de riesgos de OBSCORE predichos más altos frente al 50 % más bajo, y ratios del número de eventos observados en individuos con obesidad frente a individuos con sobrepeso, entre los distintos resultados.

OBSCORE permite una estratificación de riesgo individualizada y precisa, lo que facilita intervenciones más dirigidas. Muchas personas identificadas como de alto riesgo tenían sobrepeso, no obesidad, lo que evidencia las limitaciones del IMC como único criterio de evaluación. Además, el riesgo varió considerablemente dentro de las mismas categorías de IMC, y OBSCORE ofreció una mayor distinción entre grupos de alto y bajo riesgo que el IMC solo.

No obstante, algunas enfermedades, como la enfermedad por reflujo gastroesofágico (ERGE) y la artropatía, mostraron un rendimiento predictivo reducido.

OBSCORE representa un avance en la medicina de precisión para la obesidad, al permitir una identificación más exacta de individuos de alto riesgo para complicaciones relacionadas. Esto podría ayudar a priorizar intervenciones tempranas y asignar recursos de manera más eficiente. Sin embargo, se requieren validaciones adicionales, calibraciones y la definición de umbrales de riesgo clínicamente significativos antes de su adopción rutinaria en la práctica.

El estudio subraya la necesidad de transitar desde un modelo centrado en el peso hacia uno basado en la salud metabólica y la inflamación crónica.