Relação dos componentes da síndrome metabólica com os índices lipídicos e parâmetros antropométricos em trabalhadores rurais: análise fatorial exploratória

Autores

DOI:

https://doi.org/10.17058/reci.v11i4.16685

Palavras-chave:

Síndrome metabólica, Antropometria, Índice, Saúde da População Rural, Trabalhadores rurais

Resumo

Justificativa e Objetivos: A busca por indicadores simples e rápidos de rastreio de síndrome metabólica (SM) é importante, devido à sua alta frequência na população adulta. Contudo, esse aspecto é pouco explorado na população rural brasileira. O objetivo deste estudo foi verificar a relação dos componentes da SM com índices lipídicos e parâmetros antropométricos em trabalhadores rurais. Métodos: Estudo transversal com trabalhadores rurais com 18 anos ou mais. A SM foi determinada pelo critério harmonizado. Foram investigados os seguintes componentes da SM: triglicerídeos (TG), glicose em jejum (GLI), pressão arterial sistólica (PAS) e diastólica (PAD), HDL-c e circunferência da cintura (CC). Foram analisados os parâmetros antropométricos - índice de massa corporal (IMC), relação cintura/estatura (RCE) e percentual de gordura corporal (%G) -, bem como os índices lipídicos - índice triglicerídeos glicemia (TyG), produto de acumulação de lipídios (LAP) e índice de adiposidade visceral (VAI). Foi realizada análise fatorial exploratória que incluiu, no modelo I, os parâmetros antropométricos e, no modelo II, os índices lipídicos. Resultados: Dos 167 indivíduos investigados, 21,0% eram idosos (≥60 anos), 39,5% do sexo masculino e 61,1% apresentaram SM, com maior frequência no sexo feminino. O modelo II respondeu a maior variância explicada (78,43%), incluindo os fatores metabólico (VAI, LAP, TyG, TG e o -HDL-c), cardiometabólico (PAS, PAD e CC) e glicêmico. O modelo I explicou 70,4% da variância, incluindo os fatores excesso de peso, pressão arterial e lipídico/glicêmico. Conclusão: o modelo que incluiu os índices lipídicos explicou a maior variância observada e o VAI apresentou a carga mais significativa desse fator.

Downloads

Não há dados estatísticos.

Biografia do Autor

Analie Nunes Couto, Universidade de Santa Cruz do Sul

Programa de Pós-Graduação em Gerontologia Biomédica. Escola de Medicina, Pontifícia Universidade Católica do Rio Grande do Sul

Carla Helena Augustin Schwanke, Pontifícia Universidade Católica do Rio Grande do Sul

Programa de Pós-Graduação em Gerontologia Biomédica. Escola de Medicina, Pontifícia Universidade Católica do Rio Grande do Sul

Hildegard Hedwig Pohl, Universidade de Santa Cruz do Sul

Programa de Pós-Graduação em Promoção da Saúde – Mestrado e Doutorado, Universidade de Santa Cruz do Sul

Referências

Alberti KGMM, Eckel RH, Grundy SM, et al. Harmonizing the Metabolic Syndrome: A Joint Interim Statement of the International Diabetes Federation Task Force on Epidemiology and Prevention; National Heart, Lung, and Blood Institute; American Heart Association; World Heart Federation; International Atherosclerosis Society; and International Association for the Study of Obesity. Circulation. 2009;120:1640–1645. https://doi.org/10.1161/circulationaha.109.192644

Marques, MV, Santos SSAN, Lima MV, et al. Distribuição espacial da mortalidade por diabetes no Brasil. Revista Saúde e Desenvolvimento Humano. 2020; 8(3): 113-122. http://dx.doi.org/10.18316/sdh.v8i3.6135

Oliveira LVA, Santos BNS, Machado IE, et al. Prevalência da Síndrome Metabólica e seus componentes na população adulta brasileira. Ciência & Saúde Coletiva 2020;25(11): 4269-4280. https://doi.org/10.1590/1413-812320202511.31202020

Pimenta AM, Gazzinelli A, Velasquez-Melendez G. Prevalência da síndrome metabólica e seus fatores associados em área rural de Minas Gerais (MG, Brasil). Ciênc saúde coletiva. 2011;16(7): 3297-3306. https://doi.org/10.1590/S1413-81232011000800029

Gu Z, Li D, He H, et al. Body mass index, waist circumference, and waist-to-height ratio for prediction of multiple metabolic risk factors in Chinese elderly population. Sci Rep. 2018;8(1):385. https://doi.org/10.1038/s41598-017-18854-1

Nascimento-Ferreira MV, Rendo-Urteaga T, Vilanova-Campelo RC, et al. The lipid accumulation product is a powerful tool to predict metabolic syndrome in undiagnosed Brazilian adults. Clin Nutr. 2017;36(6):1693-1700. https://doi.org/10.1016/j.clnu.2016.12.020

Amato MC, et al. Visceral Adiposity Index: a reliable indicator of visceral fat function associated with cardiometabolic risk. Diabetes Care. 2010;33(4) :920-922.

https://doi.org/10.2337/dc09-1825

Kahn HS. The "lipid accumulation product" performs better than the body mass index for recognizing cardiovascular risk: a population-based comparison. British Medical association Cardiovasc Disord. 2005; 5 :1-26, 2005.

https://doi.org/10.1186/1471-2261-5-26

Simental-Mendia LE, Rodriguez-Moran M, Guerrero-Romero F. The product of fasting glucose and triglycerides as surrogate for identifying insulin resistance in apparently healthy subjects. Metab Syndr Relat Disord. 2008;6:299–304. https://doi.org/10.1089/met.2008.0034

Heyward VH. Avaliação física e prescrição de exercício: técnicas avançadas. 6. ed. Porto Alegre: Artmed, 2013. xvi, 485 p.

Malachias, MVB, Plavnik FL, Machado CA, et al. 7ª Diretriz Brasileira de Hipertensão Arterial: Capítulo 1 - Conceituação, Epidemiologia e Prevenção Primária. (2016). Arquivos Brasileiros de Cardiologia. 107(3, Suppl. 3), 1-6. https://doi.org/10.5935/abc.20160151

Tsai TY, Hsu PF, Lin CC, et al. Factor analysis for the clustering of cardiometabolic risk factors and sedentary behavior, a cross-sectional study. PloS one. 2020; 15(11): e0242365. https://doi.org/10.1371/journal.pone.0242365

Deshmukh PR, Kamble P, Goswami K, et al. Metabolic syndrome in the rural population of wardha, central India: an exploratory factor analysis. Indian J Community Med. 2013;38(1):33-38. https://doi.org/10.4103/0970-0218.106625

Couto AN, Kleinpaul WV, Renner JDP et al. Nutritional status, insulin resistance and cytokine biomarkers: principal component analysis approach. IJDR. 2019; 09(10): 30659-30664. https://www.journalijdr.com/nutritional-status-insulin-resistance-and-cytokine-biomarkers-principal-component-analysis-approach

Rochlani Y, Pothineni NV, Kovelamudi S, et al. Metabolic syndrome: pathophysiology, management, and modulation by natural compounds. Ther Adv Cardiovasc Dis. 2017;11(8):215-225. https://doi.org/10.1177/1753944717711379

Nolan CJ, Prentki M. Insulin resistance and insulin hypersecretion in the metabolic syndrome and type 2 diabetes: Time for a conceptual framework shift. Diab Vasc Dis Res. 2019;16(2):118-127. https://doi.org/10.1177/1479164119827611

McCracken E, Monaghan M, Sreenivasan S. Pathophysiology of the metabolic syndrome. Clin Dermatol. 2018;36(1):14-20. https://doi.org/10.1016/j.clindermatol.2017.09.004

Guerrero-Romero F, Simental-Mendía LE, González-Ortiz M, et al. The product of triglycerides and glucose, a simple measure of insulin sensitivity. Comparison with the euglycemic-hyperinsulinemic clamp. J Clin Endocrinol Metab. 2010;95(7):3347-51. https://doi.org/10.1210/jc.2010-0288

Mirmiran P, Bahadoran Z, Azizi F. Lipid Accumulation Product Is Associated with Insulin Resistance, Lipid Peroxidation, and Systemic Inflammation in Type 2 Diabetic Patients. Endocrinology and Metabolism. 2014;29(4):443-449.

https://doi.org/10.3803/EnM.2014.29.4.443

Li R, Li Q, Cui M, et al. Clinical surrogate markers for predicting metabolic syndrome in middle-aged and elderly Chinese. J Diabetes Investig. 2018;9(2):411-418. https://doi.org/10.1111/jdi.12708

Shin KA, Kim YJ. Usefulness Of Surrogate Markers Of Body Fat Distribution For Predicting Metabolic Syndrome In Middle-Aged And Older Korean Populations. Diabetes Metab Syndr Obes. 2019;12:2251-2259.

https://dx.doi.org/10.2147%2FDMSO.S217628

Raimi TH, Dele-Ojo BF, Dada SA, et al. Triglyceride-Glucose Index and Related Parameters Predicted Metabolic Syndrome in Nigerians. Metab Syndr Relat Disord. 2021;19(2):76-82. https://doi.org/10.1089/met.2020.0092

Chiu TH, Huang YC, Chiu H, et al. Comparison of Various Obesity-Related Indices for Identification of Metabolic Syndrome: A Population-Based Study from Taiwan Biobank. Diagnostics (Basel). 2020;10(12):1081.

https://doi.org/10.3390/diagnostics10121081

Brinkley TE, Hsu FC, Beavers KM, et al. Total and abdominal adiposity are associated with inflammation in older adults using a factor analysis approach. J Gerontol A Biol Sci Med Sci. 2012;67(10):1099-1106. https://doi.org/10.1093/gerona/gls077

Publicado

2022-04-07

Como Citar

Couto, A. N., Schwanke, C. H. A., & Pohl, H. H. (2022). Relação dos componentes da síndrome metabólica com os índices lipídicos e parâmetros antropométricos em trabalhadores rurais: análise fatorial exploratória. Revista De Epidemiologia E Controle De Infecção, 11(4). https://doi.org/10.17058/reci.v11i4.16685

Edição

Seção

ARTIGO ORIGINAL