Cuadro 5. Correlación entre el gasto energético en reposo medido y el estimado, en el conjunto y por subgrupos*

Todos los participantes

Participantes sin sobrepeso

Participantes con sobrepeso

*Todas las correlaciones son estadísticamente significativas (p= 0.01)

BIA (por sus siglas en inglés): análisis de impedancia bioeléctrica; HB: Harris Benedict; MSJ: Mifflin St. Jeor; FAO/WHO: Organización de las Naciones Unidas para la Alimentación y la Agricultura y Organización Mundial de la Salud; VA: Valencia.

Existen alrededor de 200 ecuaciones predictivas propuestas como una alternativa para la estimación del GER, diseñadas y validadas en poblaciones con características muy específicas (actividad física, composición corporal, factores genéticos, entre otras) (20). En el presente estudio, los coeficientes de correlación entre los métodos de estimación y la CI, resultaron positivos y con significancia estadística. Sin embargo, no son suficientes para identificar aquel con una superioridad frente a los demás. El coeficiente de correlación mide el grado de asociación y no tanto la aproximación al valor real; lo que pudiera conducir a una conclusión errónea (17). Al considerar el sesgo, exactitud y precisión; los métodos de predicción no sólo mostraron sesgo hacia la sobrestimación del GER, sino que en el conjunto el error absoluto de la estimación expresado en porcentaje fue del 27 al 34%, sólo entre 9 y 0% de las estimaciones se ubicaron dentro del 90-110% de la medición, los errores mayores se identificaron en más del 80% de las estimaciones y la precisión fue muy pobre.

Una revisión sistemática conducida por Frankenfield y cols. en 2005, concluyó que la ecuación que estimó con mayor exactitud el GER en sujetos sin obesidad y con obesidad fue MSJ (21). Uno de los estudios de alta calidad incluido en la revisión, llevado a cabo en población estadounidense y también dirigido por Frankenfield, determinó que en personas sin obesidad la ecuación MSJ logró una predicción dentro del ±10% en 82% de los sujetos, no hubo sesgo hacia la subestimación o sobrestimación. Siendo la máxima subestimación del 18% y la máxima sobrestimación del 15%. En los sujetos con obesidad las predicciones exactas estuvieron en el 70% de las estimaciones, las subestimaciones fueron más frecuentes y los errores máximos hacia la subestimación y sobrestimación fueron del 20% y 15%, respectivamente (10). En nuestro estudio, a pesar de que la ecuación MSJ presentó sesgo de sobrestimación (al igual que todos los métodos restantes), su precisión fue ligeramente mejor que el resto de los métodos de estimación y tuvo el menor porcentaje de error absoluto en el conjunto (EPAM 27%) y en el subgrupo con sobrepeso (EPAM 22%). En el subgrupo de sujetos sin sobrepeso MSJ ocupó el segundo puesto con menor porcentaje de error absoluto (EPAM 30%), después de la BIA (EPAM 29%). En contraste, las estimaciones de MSJ dentro de ±10% del GER medido por CI se obtuvieron solamente en 9% de los sujetos. A pesar que MSJ, junto con VA, registró el menor porcentaje de errores mayores, estos continúan siendo elevados al encontrarse en 80% de las estimaciones.

En México, los estudios publicados continúan siendo escasos. (3, 22, 23) No obstante, Valencia propuso una ecuación para mexicanos que lleva su nombre (16). En nuestro estudio, VA se ubicó después de MSJ en cuanto a precisión. Fue la segunda en tener menor error absoluto en el conjunto (EPAM 28%) y en el grupo sin sobrepeso (EPAM 23%). Sin embargo, sus predicciones dentro el ±10% del GER solo incluyeron al 11% de los participantes y la frecuencia de errores mayores se registró en el 80%. Por el contrario, la ecuación de VA ha demostrado tener muy buen desempeño en otros estudios. Parra Carriedo y cols. en una muestra de mujeres mexicanas con obesidad grado I a III, compararon el desempeño de las ecuaciones de HB, OMS, VA y del Institute of Medicine (IOM) vs CI. La ecuación de VA mostró un desempeño destacado al generar mayor valor de exactitud en 83% del total de las participantes (3).

La masa libre de grasa es responsable del 60-70% de la variación del gasto energético. Por lo tanto, se ha propuesto que la estimación del gasto energético basado en la masa libre de grasa confiere mayor exactitud (24). La estimación del GER por BIA, aunque superior en exactitud con respecto a estimaciones dentro del ±10% del GER en comparación con las ecuaciones MSJ y VA, tuvo menor precisión y mayor porcentaje de errores mayores.

A pesar de que la ecuación de HB en el conjunto obtuvo el mayor porcentaje (16%) de predicciones dentro del ±10% del GER y hasta 24% en el subgrupo con sobrepeso. Fue el método de estimación más impreciso y los errores mayores se encontraron en 83% de sus predicciones. La ecuación HB fue originalmente validada en caucásicos sanos, es una de las más antiguas y su uso todavía es frecuente. Por ende, ha sido la más evaluada desde su publicación (18). Varios estudios han establecido que esta ecuación sobrestima sistemáticamente el GER aproximadamente en un 5 % y otros indican que hasta en un 10 a 15% (14, 10, 25). En nuestro estudio, la ecuación HB también tuvo el mayor porcentaje de error absoluto en el conjunto (EPAM 34%) y en el subgrupo sin sobrepeso (EPAM 37%).

Por su parte, la ecuación de la OMS fue desarrollada en población europea, la mayoría militares y policías, 45% de ellos con ascendencia italiana. Esta ecuación también ha reportado sobrestimaciones. En el estudio de Rao y cols., desarrollado en una población con características diferentes a la original, jóvenes chinos de 18 a 25 años con normopeso. La ecuación sobrestimó el GER en el 66.67% de los hombres y 40.91% de las mujeres (25). En este sentido, los resultados encontrados en nuestro estudio indican que la ecuación de la OMS (junto con la ecuación HB), resultó la más imprecisa, con porcentaje de errores absolutos elevados y errores mayores en el 83% de los participantes. Por el contrario, en el estudio de Wejis, que utilizó una muestra de sujetos holandeses con mayor similitud a la población original. La ecuación de la OMS predijo con mayor exactitud el GER en aquellos con sobrepeso, en 68% de los hombres y 72% de las mujeres (26).

Varios estudios han reportado mayor dificultad para estimar de manera exacta el GER en sujetos con obesidad. (18, 21, 26) Un reciente estudio mexicano publicado por Quiroz y cols., comparó el desempeño de varias fórmulas predictivas para la estimación del GER, así como la validación de una nueva fórmula en adultos con sobrepeso y obesidad. Esta condición se relaciona con un aumento de masa grasa y una disminución de masa magra (con mayor actividad metabólica) que pueden suponer un menor desempeño de las ecuaciones predictivas. El grupo de investigadores concluyó que tanto su nueva fórmula como la fórmula de Owen mostraron una mejor estimación del GER (27). Sin embargo, el comportamiento de nuestra muestra de estudio fue contrario. El subgrupo que mostró mayor dificultad fue el de sujetos sin sobrepeso, integrado en su mayoría por mujeres. Donde la exactitud analizada por el EPAM estuvo entre 30 (MSJ) y 37% (HB) y los errores mayores hasta en 88% de las estimaciones (VA). Coincidentemente, Frankenfield en 2016 encontró que sujetos con IMC <20.5 kg/m2 fueron los más difíciles de estimar con exactitud (6).

Las ecuaciones de predicción pretenden estimar únicamente el GER de la población donde fueron desarrolladas. Si se pretenden utilizar en una población distinta a la original, es recomendable someterlas a validación. (18, 10). Para esto, se requiere el mayor rigor metodológico y considerar limitaciones. Como se mencionó anteriormente, el calorímetro de campana (Deltatrac) es la máquina estándar de referencia para la medición del GER. El utilizar una distinta, implica una limitante a considerar al igual que otros aspectos en nuestro estudio que se resaltan a continuación.

Los trabajos que han comparado la medición del GER con Deltatrac contra calorímetros portátiles, han tenido resultados mixtos. Frankenfield y Coleman compararon Deltatrac vs el calorímetro portátil MedGem en una muestra de adultos con y sin obesidad, donde la edad y género no se asociaron a las diferencias de la medición, no así el IMC. El valor de la medición con MedGem estuvo sesgado hacia la sobrestimación al compararlo con Deltatrac. Anteriormente, cinco estudios habían reportado esta tendencia de medir un valor mayor en el consumo de oxígeno y del GER al compararlo con la CI estándar. (7, 2, 28-30) Por el contrario, dos encontraron que MedGem subestima el valor estándar (31, 32) y cinco que la medición es equivalente a Deltatrac (28, 33-35).

Un meta-análisis conducido por Froehle, concluyó que por cada disminución de 1°C en la temperatura media anual con elación a una temperatura base de 10°C, el GEB aumenta de 4-5 kcal/día (36). Debido a que temperaturas elevadas podrían jugar un papel importante y Yucatán cuenta con un clima cálido y tropical, se consideró el control de la temperatura ambiente en el espacio donde se llevaron a cabo las mediciones.

Otros aspectos metodológicos a considerar son la estandarización de la medición, el poder del análisis, el tamaño de la muestra y la importancia de conocer el nivel de actividad física de los sujetos, así como sus hábitos de alimentación, entre otros.

CONCLUSIÓN

Los resultados obtenidos no fueron suficientes para demostrar una clara superioridad de alguna de las ecuaciones predictivas del GER (HB, MSJ, OMS, BIA y VA) en los adultos jóvenes de la Universidad Marista de Mérida. Es necesario realizar validaciones de las ecuaciones predictivas utilizando muestras representativas de las diferentes regiones y poblaciones. En la práctica clínica, las ecuaciones predictivas son un instrumento útil y económico que no debe ser descartado a pesar de sus limitaciones.

REFERENCIAS

1. 1. Psota T, Chen KY. Measuring energy expenditure in clinical populations: rewards and challenges. Eur J Clin Nutr. 2013 May; 67(5): p. 436–442. DOI: https://doi.org/10.1038/ejcn.2013.38
2. 2. Frankenfiel DC, Ashcraft C. Estimating Energy Needs in Nutrition Support Patients. JPEN J Parenter Enteral Nutr. 2011 Sep; 35(5): p. 563-570. DOI: https://doi.org/10.1177/0148607111415859
3. 3. Parra A, Cherem L, Galindo D, Díaz M, Pérez AB, Hernández C. Comparación del gasto energético en reposo determinado mediante calorimetría indirecta y estimado mediante fórmulas predictivas en mujeres con grados de obesidad I a III. Nutr Hosp. 2013 Abr; 28(2): p. 357-364. DOI: https://doi.org/10.3305/nh.2013.28.2.6188
4. 4. Haugen HA, Chan LN, Li F. Indirect calorimetry: a practical guide for clinicians. Nutr Clin Pract. 2007 Ago; 22(4): p. 377-388. DOI: https://doi.org/10.1177/0115426507022004377
5. 5. Kennedy S, Ryan L, Fraser A, Clegg ME. Comparison of the GEM and the ECAL indirect calorimeters against the Deltatrac for measures of RMR and diet-induced thermogenesis. J Nutr Sci. 2014; 3: p. e52. DOI: https://doi.org/10.1017/jns.2014.58
6. 6. Frankenfield DC, Ashcraft CM. Toward the Development of Predictive Equations for Resting Metabolic Rate in Acutely Ill Spontaneously Breathing Patients. JPEN J Parenter Enteral Nutr. 2016 Sep; 41(7): p. 1155-1161. DOI: https://doi.org/10.1177/0148607116657647
7. 7. Frankenfield DC, Coleman A. An evaluation of a handheld indirect calorimeter against a standard calorimeter in obese and nonobese adults. JPEN J Parenter Enteral Nutr. 2013 Sep; 37(5): p. 652-658. DOI: https://doi.org/10.1177/0148607112473340
8. 8. Kyle UG, Bosaeus I, De Lorenzo AD, Deurenber P, Elia M, Gómez JM, et al. Bioelectrical impedance analysis--part I: review of principles and methods. Clin Nutr. 2004 Oct; 23(5): p. 1226-1243. DOI: https://doi.org/10.1016/j.clnu.2004.06.004
9. 9. Zanella P, Ávila C, de Souza C. Estimating Resting Energy Expenditure by Different Methods as Compared With Indirect Calorimetry for Patients With Pulmonary Hypertension. Nutr Clin Pract. 2018 Abr; 33(2): p. 217-223. DOI: https://doi.org/10.1177/0884533617727731
10. 10. Frankenfield DC, Rowe WA, Smith JS, Cooney RN. Validation of several established equations for resting metabolic rate in obese and nonobese people. J Am Diet Assoc. 2003 Sep; 103(9): p. 1152-1159. DOI: https://doi.org/10.1053/jada.2003.50575
11. 11. Weir JB. New methods for calculating metabolic rate with special reference to protein metabolism. J Physiol. 1949 Ago; 109: p. 1-9.
12. 12. Cooper JA, Watras AC, O’Brien MJ, Luke A, Dobratz JR, Earthman CP, et al. Assessing validity and reliability of resting metabolic rate in six gas analysis systems. J Am Diet Assoc. 2009 Ene; 109(1): p. 128-132. DOI: https://doi.org/10.1016/j.jada.2008.10.004
13. 13. Harris JA, Benedict FG. A Biometric Study of Human Basal Metabolism. Proc Natl Acad Sci USA. 1918 Dic; 4(12): p. 370-373
14. 14. Mifflin MD, St Jeor ST, Hill LA, Scott BJ, Daugherty SA, Koh YO. A new predictive equation for resting energy expenditure in healthy individuals. Am J Clin Nutr. 1990 Feb; 51(2): p. 241-247. DOI: https://doi.org/10.1093/ajcn/51.2.241
15. 15. Energy and protein requirements. Report of a joint FAO/WHO/UNU Expert Consultation. World Health Organ Tech Rep Ser. 1985 Oct; 724: p. 1-206.
16. 16. Valencia ME. Energía. In Bourges H, Casanueva E, Rosado J. Recomendaciones de Ingestión de Nutrimentos para la Población Mexicana: bases fisiológicas. México: Editorial Médica Panamericana; 2009.
17. 17. Sheiner L, Beal S. Some suggestions for measuring prediction performance. J Pharmacokinet Biopharm. 1981 Abr; 9: p. 503-512. DOI: https://doi.org/10.1007/BF01062337
18. 18. Frankenfield D, Coleman A, Alam S, Cooney RN. Analysis of estimation methods for resting metabolic rate in critically ill adults. JPEN J Parenter Enteral Nutr. 2009 Ene-Feb; 33: p. 27-36. DOI: https://doi.org/10.1016/j.jada.2005.02.005
19. 19. Menditto A, Patriarca M, Magnusson B. Understanding the meaning of accuracy, trueness and precision. Accred Qual Assur. 2007 Oct; 12(1): p. 45–47. DOI: https://doi.org/10.1007/s00769-006-0191-z
20. 20. Walker RN, Heuberger R. Predictive equations for energy needs for the critically ill. Respir Care. 2009; 54: p. 509–52
21. 21. Frankenfield D, Roth-Yousey L, Compher C. Comparison of predictive equations for resting metabolic rate in healthy nonobese and obese adults: a systematic review. J Am Diet Assoc. 2005 May; 105(5): p. 775-789. DOI: https://doi.org/10.1177/0148607108322399
22. 22. Valencia ME, Moya SY, McNeill G, Haggarty P. Basal metabolic rate and body fatness of adult men in northern Mexico. Eur J Clin Nutr. 1994 Mar; 48(3): p. 205-211.
23. 23. Parra A, Pérez-Lizaur A. Comparación de la estimación del gasto energético basal por cuatro ecuaciones versus calorimetría indirecta en mujeres con peso normal, sobrepeso y obesidad. 2012 Apr-Jun; 20(2): p. 63-66.
24. 24. Korth O, Bosy-Westphal A, Zschoche P, Glüer CC, Heller M, Müller MJ. Influence of methods used in body composition analysis on the prediction of resting energy expenditure. Eur J Clin Nutr. 2007 May; 61(5): p. 582-589. DOI: https://doi.org/10.1038/sj.ejcn.1602556
25. 25. Rao ZY, Wu XT, Liang BM, Wang MY, Hu W. Comparison of five equations for estimating resting energy expenditure in Chinese young, normal weight healthy adults. Eur J Med Res. 2012 Sep; 17: p. 26. DOI: https://doi.org/10.1186/2047-783X-17-26
26. 26. Weijs PJ. Validity of predictive equations for resting energy expenditure in US and Dutch overweight and obese class I and II adults aged 18-65 y. Am J Clin Nutr. 2008 Oct; 88(4): p. 959-970. DOI: https://doi.org/10.1093/ajcn/88.4.959
27. 27. Quiroz G, Serralde A, Saldaña M, Gulias A, Guevara M. Validating an energy expenditure prediction equation in overweight and obese Mexican patients. Nutr Hosp. 2014 Oct; 30(4): p. 749-755. DOI: https://doi.org/10.3305/nh.2014.30.4.7639
28. 28. Melanson EL, Coelho LB, Tran ZV, Haugen HA, Kearney JT, Hill JO. Validation of the BodyGem hand-held calorimeter. Int J Obesity. 2004 Oct; 12: p. 1479-1484. DOI: https://doi.org/10.1038/sj.ijo.0802643
29. 29. Alam DS, Hulshof PJM, Roordink D, Meltzer M, Salam MM, van Raaij J. Validity and reproducibility of resting metabolic rate measurements in rural Bangladeshi women: comparison of measurements obtained by Med Gem and by Deltatrac device. Eur J Clin Nutr. 2005 May; 59: p. 651-657. DOI: https://doi.org/10.1038/sj.ejcn.1602122
30. 30. Fields DAKJT, Copeland KC. MedGem hand-held indirect calorimeter is valid for resting energy expenditure measurement in health children. Obesity. 2006 Oct; 14: p. 1755-1761. DOI: https://doi.org/10.1038/oby.2006.202
31. 31. Compher C, Hise M, Sternber A, Kinosian BP. Comparision between MedGem and Deltatrac resting metabolic rate measurements. Eur J Clin Nutr. 2005 Oct; 59: p. 1136-1141. DOI: https://doi.org/10.1016/j.jada.2007.12.012
32. 32. Hlynsky J, Birmingham CL, Johnston M, Gritzner S. The agreement between the MedGem indirect calorimeter and a standard indirect calorimeter in anorexia nervosa. Eating Weight Disord. 2005 Dic; 10: p. e83-e87. DOI: https://doi.org/10.1038/sj.ejcn.1602223
33. 33. Nieman , DC , Trone GA, Austin MD. A new handheld device for measuring resting metabolic rate and oxygen consumption. J Am Diet Assoc. 2003 May; 103: p. 588-593. DOI: https://doi.org/10.1053/jada.2003.50116
34. 34. St.-Onge MP, Rubiano F, Jones A, Heymsfield SB. A new hand-held indirect calorimeter to measure post-prandial energy expediture. Obesity Res. 2004 Abr; 12: p. 704-709. DOI: https://doi.org/10.1038/oby.2004.82
35. 35. Stewart C, Goody CM, Branson R. Comparison of two systems of measuring energy expediture. JPEN Parent Enteral Nutr. 2005 May-Jun; 29: p. 212-217. DOI: https://doi.org/10.1177/0148607105029003212
36. 36. Froehle AW. Climate variables as predictors of basal metabolic rate: new equations. Am J Hum Biol. 2008 May; 20(5): p. 510-529. DOI: https://doi.org/10.1002/ajhb.20769