La epidemia silenciosa de la obesidad infantil: un enfoque integral más allá del índice de masa corporal (IMC)

Nº de DOI: 10.34896/RSI.2026.84.88.001

AUTORES

1. Juliana María Martínez Pabon, Médico Universidad el Bosque, Médico Hospitalario Clínica Materno Infantil Eusalud, https://orcid.org/0009-0007-6059-0742 Colombia.
2. Robinson González Naranjo, Médico General Universidad del Tolima, Médico General en UCI Pediátrica y UCI Neonatal Hospital Regional Alfonso Jaramillo Salazar E.S.E Líbano Tolima, https://orcid.org/0009-0006-7016-3296 Colombia.
3. Mary Elizabeth Holguin Pilligua, Médico General Universidad Laica Eloy Alfaro de Manabí, Médico General, https://orcid.org/0009-0006-3244-9429 Ecuador.
4. Andres Alfonso Manjarres Baquero, Médico General Universidad del Sinú Cartagena, Médico General UCI Pediátrica-Neonatal GYO Medical IPS, https://orcid.org/0009-0007-6352-5620 Colombia.
5. Evelyn Ileana Reyes Yagual, Médico Universidad de Guayaquil, Directora Médica Hospital Básico Virgen Del Cisne, https://orcid.org/0009-0004-3056-7195 Ecuador.

RESUMEN

Introducción: La obesidad pediátrica es una crisis de salud pública mundial. Históricamente, el tamizaje se ha basado en el Índice de Masa Corporal (IMC); sin embargo, esta métrica es insuficiente para diferenciar la masa magra de la masa grasa y no refleja la distribución del tejido adiposo.

Objetivo: Analizar la evidencia científica actual sobre métricas antropométricas alternativas y marcadores metabólicos para predecir el riesgo cardiometabólico en pediatría con mayor precisión que el IMC aislado.

Método: Se realizó una revisión narrativa estructurada (PRISMA 2020) utilizando la estrategia PICO. Se consultaron PubMed/MEDLINE, Cochrane Library y LILACS, filtrando metaanálisis, ensayos clínicos y guías de práctica clínica (AAP, OMS, ESPGHAN) publicadas en los últimos 10 años.

Resultados: El Índice Cintura-Talla (ICT ≥ 0,5) demostró una mayor capacidad predictiva para el síndrome metabólico en comparación con el IMC, evidenciando un Área Bajo la Curva (AUC) de 0,86 a 0,92 frente a 0,76 del IMC. El ICT se asoció con un OR de 4,15 (IC 95%: 2,69–6,42) para alteraciones cardiometabólicas. Además, marcadores como HOMA-IR y el cribado de hígado graso (MASLD) permiten detectar fenotipos de «obesidad con peso normal».

Conclusiones: Se requiere una transición en la atención primaria hacia un tamizaje metabólico integral. El uso del ICT sumado al análisis de la composición corporal y la evaluación de determinantes psicosociales (DOHaD, entorno obesogénico) optimiza la prevención temprana de morbimortalidad cardiovascular.

PALABRAS CLAVE

Obesidad pediátrica, índice de masa corporal, composición corporal, síndrome metabólico, circunferencia de la cintura.

ABSTRACT

Introduction: Pediatric obesity is a global public health crisis. Historically, screening has relied on the Body Mass Index (BMI); however, this metric is insufficient to differentiate lean from fat mass and fails to reflect adipose tissue distribution.

Objective: To analyze current scientific evidence on alternative anthropometric metrics and metabolic markers to predict cardiometabolic risk in pediatrics more accurately than isolated BMI.

Method: A structured narrative review (PRISMA 2020) was conducted using the PICO strategy. PubMed/MEDLINE, Cochrane Library, and LILACS were queried for meta-analyses, clinical trials, and clinical practice guidelines (AAP, WHO, ESPGHAN) published in the last 10 years.

Results: The Waist-to-Height Ratio (WtHR ≥ 0.5) demonstrated a higher predictive capacity for metabolic syndrome compared to BMI, showing an Area Under the Curve (AUC) of 0.86 to 0.92 versus 0.76 for BMI. WtHR was associated with an OR of 4.15 (95% CI: 2.69–6.42) for cardiometabolic alterations. Furthermore, markers such as HOMA-IR and screening for steatotic liver disease (MASLD) allow the detection of «normal weight obesity» phenotypes.

Conclusions: A transition in primary care towards comprehensive metabolic screening is required. The use of WtHR combined with body composition analysis and the evaluation of psychosocial determinants (DOHaD, obesogenic environment) optimizes the early prevention of cardiovascular morbidity and mortality.

KEY WORDS

Pediatric obesity, body mass index, body composition, metabolic syndrome, waist circumference.

INTRODUCCIÓN

Magnitud epidemiológica global y regional:

La obesidad infantil representa uno de los desafíos de salud pública más formidables del siglo XXI. Datos consolidados por la NCD Risk Factor Collaboration (NCD-RisC) y la Organización Mundial de la Salud (OMS) revelan un incremento exponencial: de 11 millones de niños y adolescentes con obesidad en 1975, la cifra ascendió a 124 millones en 2016, con 213 millones adicionales clasificados con sobrepeso¹. En América Latina, las proyecciones indican que más del 20% de la población pediátrica presenta exceso de peso, impulsado por transiciones nutricionales aceleradas².

Origen y utilidad histórica del IMC:

El Índice de Masa Corporal (IMC), formulado por Adolphe Quetelet en el siglo XIX, fue adoptado en pediatría debido a su facilidad de cálculo y reproducibilidad. Mediante las curvas de crecimiento de la OMS (2007) y los CDC, el uso de percentiles y puntajes Z (Z-score) estandarizó el diagnóstico epidemiológico: definiendo sobrepeso (> +1 DE u 85° percentil) y obesidad (> +2 DE o 95° percentil)³.

Limitaciones del IMC:

A pesar de su utilidad clínica inicial, el IMC presenta deficiencias mecánicas y biológicas severas. No distingue entre masa grasa y masa libre de grasa (magra o mineral ósea) y es incapaz de identificar la distribución de la adiposidad, la cual es el verdadero motor del riesgo metabólico⁴. Esto introduce sesgos por edad, desarrollo puberal, sexo y etnicidad. Más crítico aún es el fenotipo de «obesidad con peso normal» (Normal Weight Obesity), donde pacientes con IMC normal presentan exceso de adiposidad visceral y alto riesgo de insulinoresistencia (IR)⁵.

Justificación de un enfoque integral:

La Academia Americana de Pediatría (AAP) en su guía clínica de 2023 subraya que la obesidad es una enfermedad crónica, compleja y multifactorial⁶. El abordaje debe trascender la antropometría básica para incluir biomarcadores, composición corporal y determinantes sociales de la salud, a fin de mitigar el riesgo cardiometabólico prematuro.

METODOLOGÍA

Diseño y registro

Se realizó una revisión narrativa estructurada conforme a los principios de declaración PRISMA 2020 para la identificación, cribado y síntesis de la evidencia. El protocolo fue concebido para evaluar variables antropométricas alternativas frente al paradigma clásico del IMC.

Estrategia PICO, véase en anexos.

Bases de datos, términos y evaluación de calidad:

Se emplearon combinaciones booleanas en PubMed/MEDLINE y Cochrane Library: («Waist-to-Height Ratio» OR «Body Composition») AND («Pediatric Obesity» OR «Childhood Obesity») AND «Cardiometabolic risk». Se incluyeron metaanálisis, ensayos clínicos aleatorizados (ECAs) y directrices de sociedades científicas (AAP, OMS, ESPGHAN) de los últimos 10 años. La calidad de la evidencia de los metaanálisis referenciados se evaluó mediante los criterios AMSTAR-2 y GRADE, garantizando la robustez de los datos cuantitativos presentados.

RESULTADOS

Métricas antropométricas alternativas:

El Índice Cintura-Talla (ICT o WHtR) ha emergido como el marcador clínico más eficiente para predecir adiposidad visceral. Su cálculo matemático es:

ICT = Circunferencia de cintura (cm) / Talla (cm).

Múltiples metaanálisis confirman que un punto de corte de ICT ≥ 0,5 es un predictor universal de riesgo metabólico temprano en niños mayores de 6 años, independientemente de su etnia o sexo^7,8. La Circunferencia de Cintura (CC) aislada (percentil >90) también es superior al IMC, pero requiere tablas específicas por edad, sexo y región, dificultando su aplicación clínica global⁹.

Composición corporal:

La densitometría ósea de doble haz de rayos X (DEXA) sigue siendo el estándar de oro (gold standard) para cuantificar la masa grasa troncal, aunque su costo limita el uso en atención primaria. La bioimpedancia eléctrica (BIA) tetra-polar representa una alternativa validada que detecta precozmente elevaciones del Índice de Masa Grasa y disminución de la masa magra funcional¹⁰.

Marcadores metabólicos y comorbilidades:

La disfunción del tejido adiposo genera inflamación crónica de bajo grado.

Resistencia a la insulina: El modelo homeostático HOMA-IR se calcula como:

HOMA-IR = [Insulina en ayunas (µU/mL) × Glucosa en ayunas (mg/dL)] / 405

Un HOMA-IR elevado previene el desarrollo de prediabetes tipo 2.

Hígado graso (MASLD): La Enfermedad Hepática Esteatósica Asociada a Disfunción Metabólica (anteriormente NAFLD) es la principal causa de hepatopatía crónica pediátrica. La ESPGHAN recomienda tamizaje estricto con ALT (Alanino Aminotransferasa) en niños obesos a partir de los 9-10 años¹¹.

Otras comorbilidades incluyen hipertensión arterial (HTA) secundaria a hiperactividad simpática, dislipidemia aterogénica y apnea obstructiva del sueño (AOS).

Determinantes genéticos, epigenéticos y ambientales:

El origen de la salud y la enfermedad en el desarrollo (DOHaD, por sus siglas en inglés) demuestra cómo la malnutrición materna, la obesidad pregestacional y la diabetes gestacional alteran la metilación del ADN fetal (programación fetal), predisponiendo al niño a la obesidad¹². Esto interactúa con un «ambiente obesogénico»: sedentarismo severo exacerbado por el tiempo de pantallas (≥ 2 horas/día se asocia a un RR de 1,6 para sobrepeso) y alteraciones del ciclo circadiano por sueño insuficiente.

Capacidad Predictiva: IMC vs. Métricas Alternativas:

Véase en anexos tabla 1. Comparación de métricas predictivas para Síndrome Metabólico en Pediatría.

DISCUSIÓN

La literatura actual expone una realidad insoslayable: el IMC carece de la sensibilidad necesaria para estratificar el riesgo metabólico intraindividual. Como demuestra la Tabla 1, el ICT supera sistemáticamente al IMC, presentando un OR de 4,15 frente a un OR de 2,26 en el cribado de síndrome metabólico pediátrico, con una tasa de diagnóstico (Diagnostic Odds Ratio, DOR) excepcional de 102,6 reportada en metaanálisis recientes⁸.

Pese a esto, persisten las controversias. El estigma del peso (weight bias) en entornos clínicos puede generar barreras para el tratamiento, por lo que las guías AAP 2023 enfatizan usar un lenguaje centrado en la persona y abordar el entorno psicosocial. Asimismo, establecer puntos de corte unificados para perfiles lipídicos en poblaciones pediátricas de distintas etnias sigue siendo un desafío.

Las limitaciones metodológicas de la literatura incluyen la heterogeneidad en los protocolos de medición de cintura (infraumbilical vs. cresta ilíaca). Para los países de ingresos medios y bajos (LMIC), el desafío reside en la falta de acceso a herramientas de composición corporal como BIA o perfiles bioquímicos (insulina basal), lo que resalta la rentabilidad e importancia de instituir el ICT (una simple cinta métrica) como política pública^1,9.

CONCLUSIONES Y RECOMENDACIONES CLÍNICAS

1. Transición del Cribado: Se recomienda a los médicos de atención primaria incorporar obligatoriamente la medición sistemática del perímetro abdominal y el cálculo del Índice Cintura-Talla (ICT) en la evaluación de rutina a partir de los 6 años. Un ICT ≥ 0,5 debe ser una alerta temprana (bandera roja) independientemente del IMC.
2. Integración Multidisciplinaria: La obesidad no se resuelve con el modelo de «comer menos y moverse más». Requiere intervención intensiva sobre hábitos de vida, manejo de la salud mental del menor, terapia familiar y, en casos de obesidad severa, considerar los nuevos abordajes farmacológicos recomendados por la AAP (agonistas GLP-1) o cirugía metabólica.
3. Líneas futuras: Se urge la realización de ensayos clínicos aleatorizados en América Latina para validar algoritmos de inteligencia artificial que integren datos del ICT, determinantes de la programación fetal (DOHaD) y biomarcadores económicos para crear escalas de riesgo localizadas.

BIBLIOGRAFÍA

1. NCD Risk Factor Collaboration (NCD-RisC). Worldwide trends in body-mass index, underweight, overweight, and obesity from 1975 to 2016: a pooled analysis of 2416 population-based measurement studies in 128.9 million children, adolescents, and adults. Lancet. 2017;390(10113):2627-2642.
2. Organización Mundial de la Salud. Directriz: Evaluación y manejo de los niños en los centros de atención primaria de salud para prevenir el sobrepeso y la obesidad. Ginebra: OMS; 2017.
3. Centers for Disease Control and Prevention (CDC). CDC Growth Charts for the United States: Methods and Development. Vital Health Stat. 2002;11(246):1-190.
4. Khoury M, Manlhiot C, McCrindle BW. Role of the waist/height ratio in the cardiometabolic risk assessment of children classified by body mass index. J Am Coll Cardiol. 2013;62(8):742-751.
5. Di Bonito P, Valerio G, Licenziati MR, et al. Waist to Height Ratio, BMI and Cardiovascular Risk in Obese Children. J Pediatr. 2017;182:166-172.
6. Hampl SE, Hassink SG, Skinner AC, et al. Clinical Practice Guideline for the Evaluation and Treatment of Children and Adolescents With Obesity. Pediatrics. 2023;151(2):e2022060640.
7. Graves L, Garnett SP, Cowell CT, et al. Waist-to-height ratio and cardiometabolic risk factors in adolescence: findings from a prospective birth cohort. Pediatr Obes. 2014;9(5):327-338.
8. Li C, Ford ES, Mokdad AH, Cook S. Recent trends in waist circumference and waist-height ratio among US children and adolescents. Pediatrics. 2006;118(5):e1390-1398.
9. Martin-Calvo N, Moreno-Galarraga L, Martinez-Gonzalez MA. Association between body mass index, waist-to-height ratio and adiposity in children: a systematic review and meta-analysis. Nutrients. 2016;8(8):512.
10. Talma H, Chinapaw MJ, Bakker B, HiraSing RA, Terwee CB, Altenburg TM. Bioelectrical impedance analysis to estimate body composition in children and adolescents: a systematic review and evidence appraisal of validity, responsiveness, reliability and measurement error. Obes Rev. 2013;14(11):895-905.
11. Vos MB, Abrams SH, Barlow SE, et al. NASPGHAN Clinical Practice Guideline for the Diagnosis and Treatment of Nonalcoholic Fatty Liver Disease in Children. J Pediatr Gastroenterol Nutr. 2017;64(2):319-334.
12. Hanson M, Gluckman P. Early developmental conditioning of later health and disease: physiology or pathophysiology? Physiol Rev. 2014;94(4):1027-1076.

ANEXOS

Estrategia PICO:

Tabla 1. Comparación de métricas predictivas para Síndrome Metabólico en Pediatría:

Fuente: Síntesis de metaanálisis recientes de Lo et al., y estudios prospectivos BMJ^7,8.