Factores asociados con un envejecimiento saludable en las poblaciones latinoamericanas
Las poblaciones latinoamericanas pueden presentar patrones de diversidad sociodemográfica, étnica y cultural que desafían los modelos universales actuales de envejecimiento saludable. La combinación potencial de factores de riesgo que influyen en el envejecimiento en las poblaciones de América Latina y el Caribe es desconocida. En comparación con otras regiones donde factores clásicos como la edad y el sexo influyen en el envejecimiento saludable, factores relacionados con la disparidad y la variabilidad entre países podrían influir en el envejecimiento saludable en los países de América Latina y el Caribe. Investigamos el impacto combinado de los determinantes sociales de la salud (SDH), factores de estilo de vida, factores cardiometabólicos, síntomas de salud mental y demografía (edad, sexo) en el envejecimiento saludable (cognición y capacidad funcional) en países de América Latina y el Caribe con diferentes niveles de desarrollo socioeconómico utilizando modelos de aprendizaje automático transversales y longitudinales (n = 44.394 participantes). Los factores de riesgo asociados con las disparidades sociales y de salud, incluidos los SDH (β> 0,3), la salud mental (β> 0,6) y los riesgos cardiometabólicos (β> 0,22), influyeron significativamente en el envejecimiento saludable más que la edad y el sexo (con efectos nulos o más pequeños: β <0,2). Estos patrones heterogéneos fueron más pronunciados en países de América Latina y el Caribe de ingresos bajos a medios en comparación con países de ingresos altos (comparaciones transversales), y en un país de ingresos medios-altos a medios de América Latina y el Caribe, Costa Rica, en comparación con China, un país de América Latina y el Caribe no de ingresos medios-altos a medios (comparaciones longitudinales). Estos patrones asociados con la inequidad y específicos de la región informan las evaluaciones de riesgo nacionales del envejecimiento saludable en los países de América Latina y el Caribe, así como intervenciones de salud pública adaptadas regionalmente.
El envejecimiento no es un proceso uniforme en todo el mundo. Tradicionalmente, la mayor parte de la investigación sobre el envejecimiento cognitivo y funcional se ha llevado a cabo en entornos de altos ingresos dentro de Estados Unidos y Europa, dejando de lado poblaciones diversas y la combinación específica de factores de riesgo que se observa en los países de América Latina y el Caribe (ALC). A pesar de la urgente necesidad de evaluar la diversidad regional y proporcionar evidencia adaptada a las diversas poblaciones1-4, la evidencia sobre el envejecimiento saludable en los países de ALC es escasa.
en los países de ALC. Abordar esta laguna de conocimiento es esencial porque los riesgos se derivan de múltiples exposiciones acumulativas relacionadas con la disparidad que afectan al envejecimiento y la demencia. Las poblaciones latinoamericanas presentan mezclas étnicas, educación y heterogeneidad sociodemográfica únicas. Además, se estima que la prevalencia actual de la demencia en los países de ALC es del 8,5% y se prevé que sea del 19,33% en 2050, lo que representa un aumento del 220% aproximadamente5. Dicha prevalencia es mayor en comparación con otras regiones5
incluyendo Europa (actualmente 6,9% y proyectada hasta 7,7% para 2050) o Norteamérica (actualmente 6,5% y proyectada hasta 12,1% para 2050)5,6.
Los estudios previos realizados en países de ingresos altos (HIC)1,7 que captan los factores de riesgo del envejecimiento cerebral saludable y patológico no fueron precisos para los países de ingresos bajos y medios (LMIC) o los países LAC1,6. Por lo tanto, evaluar los factores de riesgo específicos en los países de ALC constituye una prioridad crítica para comprender el envejecimiento saludable.
El envejecimiento cerebral saludable se refiere a la capacidad funcional del cerebro que permite a una persona vivir su vida a su máxima capacidad. El envejecimiento saludable se evalúa tradicionalmente utilizando medidas de la capacidad cognitiva y funcional, que constituyen marcadores indirectos de la salud cerebral8 . La cognición abarca múltiples dominios (es decir, la atención, la resolución de problemas, el aprendizaje y la memoria, entre otros), mientras que la capacidad funcional engloba las actividades personales de la vida diaria (AVD) y las habilidades instrumentales de orden superior8.
En estudios anteriores se han asociado varios factores con resultados de envejecimiento saludables o no saludables3,9. Entre ellos se incluyen factores demográficos como la edad y el sexo; factores sociales como el nivel educativo, el estatus socioeconómico (SES) y el apoyo social, conocidos conjuntamente como determinantes sociales de la salud (SDH); el estado de salud (incluidos los factores cardiometabólicos como la hipertensión, la diabetes y la obesidad, y las caídas); los síntomas de salud mental (incluida la depresión y la ansiedad); y los factores de estilo de vida (consumo de alcohol, tabaquismo y actividad física). La mayoría de estos factores han sido descritos como factores de riesgo de demencia potencialmente modificables por la Comisión Lancet sobre Prevención, Intervención y Cuidados de la Demencia3. A pesar de que múltiples factores contribuyen al envejecimiento saludable y patológico en los países de ingresos altos, los factores menos modificables, como la edad10-12 y el sexo13,14, son considerados los principales contribuyentes al envejecimiento patológico10-12 . El envejecimiento saludable en los países de ingresos altos también se ve influido por factores modificables, como los factores cardiometabólicos, los síntomas de salud mental y los factores relacionados con el estilo de vida5,15 . La importancia relativa de los factores de riesgo mencionados puede ser diferente y heterogénea en países con mayores disparidades sociales y sanitarias, como los países de América Latina y el Caribe3,16.
los países de ALC3,16. En comparación con los países de ingresos altos, en los países de ALC convergen múltiples factores que se asocian con el envejecimiento patológico, incluida una contribución sustancial del SDH17, una mayor prevalencia de factores cardiometabólicos18, síntomas de salud mental19 y barreras al estilo de vida saludable20,21.
La evidencia previa en envejecimiento saludable en los países de ALC identificó múltiples vacíos1,22-25, incluyendo una comprensión insuficiente de los determinantes y factores de riesgo únicos del envejecimiento en la región, y ningún intento de evaluar simultáneamente las asociaciones e interacciones entre los diferentes factores de riesgo potenciales del envejecimiento saludable. Las omisiones en la evaluación de tales interacciones pueden conducir a relaciones espurias o inadecuadas entre los factores de riesgo y los resultados del envejecimiento saludable. Además, la evidencia emergente sugiere que los modelos de riesgo no siempre se generalizan de los países de ingresos altos a los de ingresos bajos y medios1. Otras lagunas de la investigación en la región son la escasez de estudios que combinen métodos transversales y longitudinales; la ausencia de enfoques automatizados basados en datos para evaluar múltiples factores de riesgo y de protección, sin incluir técnicas para confirmar la validez de los resultados (es decir, procedimientos de validación fuera de la muestra), lo que conduce a posibles sesgos debidos a los supuestos de modelos teóricos a priori; la representación inadecuada de poblaciones diversas de países de renta alta, países de renta media y alta (PRMB) y PRMB; y la falta de factores de riesgo de cognición y capacidad funcional específicos de la región. Nuestro trabajo pretendía abordar estas lagunas mediante un enfoque convergente.
Utilizando enfoques transversales y longitudinales, evaluamos múltiples factores de riesgo potenciales (demográficos, SDH, estado de salud, estilo de vida y síntomas de salud mental) de la cognición y la capacidad funcional en el envejecimiento saludable en los países de ALC. Se planteó la hipótesis de que los factores sociales y de salud relacionados con la disparidad, a diferencia de los factores demográficos como la edad y el sexo, serían más importantes en el envejecimiento saludable en ALC en comparación con los datos reportados en estudios previos de los países de ingresos altos. También esperábamos diferencias a nivel de país en los factores de riesgo del envejecimiento saludable en los países de ALC según sus categorías de ingresos.
Resultados
Utilizando un enfoque basado en datos y en procedimientos de aprendizaje automático, evaluamos múltiples factores de riesgo potenciales (incluidos factores demográficos, SDH, estado de salud, síntomas de salud mental y estilo de vida) que afectan la cognición y la capacidad funcional en el envejecimiento saludable (n total = 44.394 participantes; Fig. 1a-e). Los datos transversales y longitudinales de cohortes de encuestas representativas a nivel nacional incluyeron varios ALC con diferentes niveles de desarrollo socioeconómico (Fig. 1b). Como primer paso, se implementó un enfoque multimétodo (Fig. 1f) que comprendía regresión lineal, red elástica, operador de selección y reducción mínima absoluta (LASSO) y regresión de cresta para garantizar la solidez de nuestros resultados de aprendizaje automático. Elegimos la regresión ridge basándonos en la convergencia observada con este enfoque multimétodo (Datos ampliados, Tablas 1 y 2, y Datos ampliados, Fig. 1). Utilizamos bases de datos armonizadas de encuestas nacionales de envejecimiento de cuatro países de América Latina y el Caribe con diferentes índices socioeconómicos basados en la categorización del Banco Mundial de Datos. Se incorporaron dos países clasificados como América Latina-LMICs (LA-LMICs, Colombia (n = 23.694 participantes) y Ecuador (n = 5.235 participantes)) y dos países como LA-HICs (Chile (n = 1.301 participantes)) y Uruguay (n = 1.450 participantes). Realizamos un segundo análisis longitudinal (n = 9.258 participantes) de Costa Rica (n = 5.694 participantes), un UMIC (LA-UMIC), y lo comparamos con un no-LA-UMIC (China, n = 3.564 participantes), que tiene la misma categoría socioeconómica.
Análisis transversales en los países de ALC
Primero evaluamos los principales factores de riesgo de la cognición y la capacidad funcional utilizando encuestas nacionales transversales de todos los países de ALC. A continuación, utilizamos el mismo método centrándonos en los LA-LMIC frente a los LA-HIC y, por último, en los distintos países. Los resultados multimétodo revelaron consistencia entre métodos y métricas (R2 , F2 de Cohen, error cuadrático medio (MSE), error cuadrático medio (RMSE)) y una alta coherencia en el peso y la clasificación de los factores de riesgo (mediante el uso de estimaciones β) del envejecimiento saludable en todos los países (Fig. 1k).
Un modelo que evaluaba los factores de riesgo de la cognición de todos los países de ALC resultó significativo (F1, 28,109 = 565,61, P < 0,0001, R2 = 0,22 ± 0,026, F2 = 0,28, MSE = 4,94, RMSE = 2,42) (Fig. 2a). Los factores de riesgo más importantes por orden de relevancia fueron: síntomas de salud mental (β = 0,71, P < 0,0001), país (β = -0,37, P < 0,01), actividad física (β = -0. 3, P < 0,0001), educación (β = 0,3, P < 0,0001), aislamiento (β = 0,25, P < 0,0001), edad (β = -0,13, P < 0,0001) y NSE (β = 0,13, P < 0,0001). Además, el consumo de alcohol (β = -0,11, P < 0,01) y el tabaquismo (estilo de vida, β = -0,05, P < 0,05) también fueron significativos. No se observaron efectos significativos de los factores cardiometabólicos sobre la cognición (Tabla 1 y Fig. 2a).
El modelo de predicción de la capacidad funcional fue significativo (F1, 27.991 = 866,71, P < 0,00001; R2 = 0,3 ± 0,026, F2 = 0,43, MSE = 2,42, RMSE = 1,56). Por orden de importancia, los factores de riesgo más relevantes fueron: actividad física (β = -1,06, P < 0,0001), síntomas de salud mental (β = 0,73, P < 0,0001), aislamiento (β = -0,44, P < 0,0001), caídas (β = 0,38, P < 0,0001), país (β = 0,33, P < 0,0001), cardiopatías (β = 0,29, P < 0. 0001), diabetes (β = 0,22, P < 0,0001), sexo (β = 0,13, P < 0,0001), educación (β = 0,11, P < 0,001), consumo de alcohol (β = 0,11, P < 0. 0001), tabaquismo (β = -0,1, P < 0,001), hipertensión (β = 0,09,P < 0,001), edad (β = -0,09, P < 0,0001) y NSE (β = 0,01, P < 0,01; tabla 2 y fig. 2b).
Estratificación según el nivel de ingresos del país Para los países de ingresos bajos y medianos en América Latina, el modelo que predice la cognición fue significativo (F1, 25,769 = 535.21, P < 0.00001; R2 = 0.23 ± 0.0145, F2 = 0.29, MSE = 5.03, RMSE = 2.24). Los factores de riesgo más relevantes en el modelo fueron: síntomas de salud mental (β = 0.73, P < 0.0001), aislamiento (β = 0.46, P < 0.0001), país (β = 0.43, P < 0.0001), actividad física (β = -0.32, P < 0.0001), educación (β = 0.30, P < 0.0001), caídas (β = 0.2, P < 0.0001), nivel socioeconómico (β = 0.13, P < 0.0001), edad (β = 0.-13, P < 0.0001) y consumo de alcohol (β = 0.08, P < 0.01).
Para los países de ingresos altos en América Latina, el modelo que predice la cognición también fue significativo (F1, 2,340 = 28.82, P < 0.00001; R2 = 0.15 ± 0.0672, F2 = 0.17, MSE = 3.49, RMSE = 1.87) (Fig. 2a). Los factores de riesgo más relevantes incluyeron: país (β = 0.81, P < 0.0001), síntomas de salud mental (β = 0.34, P < 0.001), actividad física (β = -0.23, P < 0.05), aislamiento (β = 0.22, P < 0.05), caídas (β = 0.21, P < 0.05), nivel socioeconómico (β = 0.19, P < 0.0001), educación (β = 0.18, P < 0.05), sexo (β = 0.18, P < 0.05), consumo de alcohol (β = 0.08, P < 0.05) y edad (β = -0.08, P < 0.0001).
Comparamos el peso de cada factor de riesgo de la cognición en los modelos de LA-LMICs y LA-HICs basados en los tamaños de efecto (F2). Observamos que el nivel socioeconómico, el aislamiento, los síntomas de salud mental, la actividad física y las caídas tienen estimaciones de coeficientes más altas en LMICs que en HICs. Además, la edad y el sexo tuvieron un papel más significativo en LA-HICs que en LA-LMICs. Los factores cardiometabólicos no alcanzaron valores significativos ni en LA-LMICs ni en LA-HICs (Tabla 2 y Fig. 2a).
El modelo que predice la capacidad funcional fue significativo para los países de ingresos bajos y medios de América Latina (F1, 25,807 = 974.02, P < 0.00001; R2 = 0.35 ± 0.024, F2 = 0.53, MSE = 2.23, RMSE = 1.50). Los factores de riesgo más relevantes fueron: país (β = 1.46, P < 0.0001), actividad física (β = −1.13, P < 0.0001), síntomas de salud mental (β = 0.69, P < 0.0001), caídas (β = 0.36, P < 0.0001), aislamiento (β = 0.3, P < 0.0001), nivel socioeconómico (β = 0.27, P < 0.0001), enfermedad cardíaca (β = 0.27, P < 0.0001), diabetes (β = 0.22, P < 0.01), sexo (β = 0.16, P < 0.0001), hipertensión (β = 0.11, P < 0.0001), consumo de alcohol (β = 0.11, P < 0.0001), edad (β = −0.09, P < 0.0001), educación (β = −0.08, P < 0.001), estado de fumador (β = −0.07, P < 0.001) y nivel socioeconómico (β = 0.04, P < 0.0001).
El modelo también logró significación en la predicción de la capacidad funcional para los LA-HICs (F1, 2,340 = 44.85, P < 0.00001; R2 = 0.22 ± 0.061, F2 = 0.29, MSE = 3.13, RMSE = 1.77) (Fig. 2b). Los factores de riesgo más relevantes fueron la actividad física (estilo de vida, β = 0.87, P < 0.0001), los síntomas de salud mental (β = 0.55, P < 0.0001), las caídas (β = 0.52, P < 0.0001), el país (β = 0.49, P < 0.0001), la enfermedad cardíaca (β = 0.37, P < 0.0001), la diabetes (β = 0.33, P < 0.01), el nivel socioeconómico (β = 0.27, P < 0.0001), el aislamiento (β = 0.24, P < 0.05), la hipertensión (β = 0.18, P < 0.05), el consumo de alcohol (β = 0.15, P < 0.001) y la edad (β = −0.08, P < 0.0001).
Al comparar el peso de cada factor de riesgo de funcionalidad en los LA-LMICs y los LA-HICs utilizando tamaños de efecto (F2), todos los factores fueron estadísticamente significativos para los LA-LMICs, mientras que el estado de fumador no fue estadísticamente significativo para los LA-HICs. Los factores de riesgo más relevantes en los LA-LMICs en comparación con los HICs fueron la actividad física, los síntomas de salud mental, el país, el nivel socioeconómico, el aislamiento, las caídas, la enfermedad cardíaca, la diabetes y la hipertensión (Tabla 2 y Fig. 2b).
También ejecutamos un grupo similar de modelos para predecir la cognición y la capacidad funcional en cada país. En todos los países, y en concordancia con el análisis regional, los factores de riesgo más relevantes para la cognición fueron los síntomas de salud mental, los determinantes sociales de la salud, la actividad física y la educación. En los LA-LMICs (Colombia y Ecuador), la edad también fue un factor de riesgo significativo para la cognición, aunque el sexo no alcanzó valores significativos. En los LA-HICs (Uruguay y Chile), el sexo y la edad fueron factores de riesgo significativos para la cognición. Los factores de riesgo más críticos para la capacidad funcional en todos los LACs fueron una combinación más amplia de síntomas de salud mental, determinantes sociales de la salud, estilo de vida y factores cardiometabólicos. Mientras que en los LA-LMICs (Colombia y Ecuador), los síntomas de salud mental, la actividad física, el nivel socioeconómico y el aislamiento tuvieron las puntuaciones más altas para predecir la capacidad funcional, en los LA-HICs, los factores cardiometabólicos, la edad y el sexo tuvieron un papel más relevante (Tabla de datos ampliada 3).
Comparaciones longitudinales entre Costa Rica y China
Se investigaron los factores de riesgo más relevantes de la cognición y la capacidad funcional utilizando datos longitudinales tomados de encuestas nacionales de Costa Rica; esos resultados se compararon con datos longitudinales tomados de un país no-LA-UMIC (China). Con este fin, derivamos los factores de riesgo de la primera ola y los resultados (cognición y capacidad funcional) de la última ola de las evaluaciones de la encuesta longitudinal. Probamos y comparamos los modelos independientes para Costa Rica y China.
Probamos dos modelos independientes para evaluar los factores de riesgo más relevantes de la cognición. El modelo que predice la cognición fue significativo para Costa Rica (F1, 5,694 = 3.95, P < 0.00001; R2 = 0.14 ± 0.03, F2 = 0.15, MSE = 1.51 y RMSE = 1.22). El modelo que evalúa la cognición para China también alcanzó valores significativos (F1, 3,112 = 22.78, P < 0.00001; R2 = 0.21 ± 0.03, F2 = 0.23, MSE = 15.50 y RMSE = 3.95). Para Costa Rica, los factores de riesgo más relevantes incluyeron la educación (β = 0.51, P < 0.00001), sexo (β = 0.33, P < 0.00001), síntomas de salud mental (β = 0.18, P < 0.001) y edad (β = 0.02, P < 0.0001). Para China, los factores de riesgo más relevantes fueron los síntomas de salud mental (β = −0.85, P < 0.00001), sexo (β = 0.78, P < 0.00001), actividad física (β = 0.77, P < 0.00001) y edad (β = 0.19, P < 0.00001). Realizamos un grupo adicional de análisis para comparar el peso de cada factor de riesgo significativo de la cognición entre Costa Rica y China. Estos análisis revelaron que la educación fue un factor de riesgo más fuerte para Costa Rica que para China. En contraste, la edad, el sexo y los síntomas de salud mental fueron factores de riesgo más relevantes en China que en Costa Rica (Tablas 3 y 4, Fig. 3a y Figura de datos ampliada 2).
Utilizamos un modelo independiente para evaluar los factores de riesgo más relevantes de la capacidad funcional en cada país. El modelo que predice la capacidad funcional para Costa Rica alcanzó valores significativos (F1, 5,694 = 5.67, P < 0.00001; R2 = 0.14 ± 0.0222, F2 = 0.16, MSE = 2.08 y RMSE = 1.44).
El modelo que predice la capacidad funcional para China también fue significativo (F1, 3,563 = 28.7, P < 0.00001; R2 = 0.24 ± 0.032, F2 = 0.31, MSE = 6.30 y RMSE = 2.51). Los factores de riesgo más relevantes de la capacidad funcional para Costa Rica fueron la enfermedad cardíaca (β = 0.84, P < 0.00001), los síntomas de salud mental (β = 0.67, P < 0.00001), la hipertensión (β = 0.42, P < 0.00001), la diabetes (β = 0.35, P < 0.00001), la educación (β = 0.27, P < 0.00001), la actividad física (β = 0.27, P < 0.00001), el sexo (β = 0.17, P < 0.0001), el consumo de alcohol (β = 0.15, P < 0.0001) y la edad (β = 0.01, P < 0.00001). Para China, los factores de riesgo críticos fueron la actividad física (β = 0.065, P < 0.0001), el sexo (β = 0.52, P < 0.00001), la diabetes (B = 0.46, P < 0.0001), los síntomas de salud mental (β = 0.44, P < 0.0001), la enfermedad cardíaca (β = 0.32, P < 0.0001), la hipertensión (β = 0.32, P < 0.0001) y la edad (β = 0.13, P < 0.00001; Tablas 3 y 4, Fig. 3b y Figura de datos ampliada 2).
Comparamos los factores de riesgo significativos de la cognición y la capacidad funcional de los países utilizando las estimaciones β de cada factor de riesgo significativo (Fig. 3a, b, abajo). Esos análisis mostraron puntajes predictivos más altos para la educación, la hipertensión, la enfermedad cardíaca y los síntomas de salud mental en Costa Rica que en China. Además, la educación y el consumo de alcohol fueron los únicos factores de riesgo significativos en Costa Rica. En contraste, la edad, el sexo y la actividad física alcanzaron valores predictivos más altos para China que para Costa Rica.
Imputación y análisis complementarios
Ejecutamos modelos con individuos que tenían valores completos en todas las variables medidas en todos los países. Sin embargo, ejecutamos el mismo grupo de análisis utilizando el método de imputación por medias para manejar los valores faltantes de una variable para el conjunto de datos de Costa Rica en modelos de predicción de cognición y capacidad funcional. El método de imputación permite aumentar el número de observaciones cuando se asume que las variables muestran un número reducido de valores atípicos, al mismo tiempo que favorece la interpretación de datos26. Implementamos este procedimiento para mantener el mismo número de variables y comparar los modelos entre Costa Rica y China. Los resultados fueron consistentes después de ejecutar modelos de regresión tanto para la cognición como para la capacidad funcional con el método de imputación (Tabla de datos ampliada 4).
También realizamos análisis complementarios para determinar las asociaciones independientes entre factores de riesgo específicos (sexo, edad, estado de salud mental, estilo de vida, estado de salud, incluidos factores cardiometabólicos, y SDH) y resultados de envejecimiento saludable. Estos análisis resaltaron los efectos significativos de cada factor de riesgo cuando se examinaron de forma independiente (Tabla de Datos Adicionales 5).
Debate
El presente estudio tuvo como objetivo evaluar los factores de riesgo más relevantes del envejecimiento saludable (cognición y capacidad funcional) en diferentes países de América Latina y el Caribe. De acuerdo con nuestra hipótesis, los resultados revelaron un conjunto heterogéneo y distribuido de factores de riesgo relacionados con la disparidad social y de salud en la cognición (síntomas de salud mental, determinantes sociales de la salud, educación y actividad física) y la capacidad funcional (síntomas de salud mental, determinantes sociales de la salud, educación, actividad física y factores cardiometabólicos) en los países de América Latina y el Caribe. Estos conjuntos heterogéneos de factores de riesgo fueron más acentuados en los países de ingresos bajos y medianos de América Latina en comparación con los de ingresos altos. El estudio longitudinal arrojó resultados similares al comparar un país de ingresos medianos altos de América Latina (Costa Rica) y un país de ingresos medianos altos no perteneciente a América Latina (China), ya que los factores de disparidad social y de salud desempeñaron un papel predictivo más alto en Costa Rica que en China, y un grupo más complejo de características determinó la capacidad funcional en Costa Rica, en contraste con los clásicos factores demográficos de riesgo en China. En todos los análisis, los factores de riesgo social y de salud relacionados con la disparidad estuvieron más significativamente asociados con el envejecimiento saludable que factores clásicos como la edad y el sexo en los países de América Latina y el Caribe.
En lo que respecta a la cognición, el nivel socioeconómico es un factor de riesgo relevante, teniendo un papel crucial en este estudio. La cognición y el bajo nivel socioeconómico han sido relacionados con determinados determinantes sociales de la salud, como la exclusión social, el aislamiento y la reducción de interacciones sociales, que son más prevalentes en los países de América Latina y el Caribe, especialmente en adultos mayores. Los síntomas de salud mental fueron identificados como un factor de riesgo importante, probablemente debido a su mayor prevalencia en los países de América Latina y el Caribe en comparación con otras regiones. Los factores cardiometabólicos no alcanzaron puntuaciones significativas como se había reportado previamente. Una posible interpretación podría ser la limitada capacidad de la escala utilizada para medir la cognición, el Mini Examen del Estado Mental (MMSE), para identificar la función ejecutiva y la capacidad reducida para capturar las primeras etapas del deterioro cognitivo. Sin embargo, esta falta de asociación podría explicarse mejor por las complejas interacciones entre los factores de riesgo en nuestros modelos. Esta interpretación fue respaldada por análisis complementarios que demostraron los efectos significativos de los factores cardiometabólicos cuando se analizaron por separado. Estudios futuros deberían evaluar sistemáticamente cómo combinar diferentes factores de riesgo potenciales podría modificar el papel predictivo del modelo. En cualquier caso, nuestros resultados resaltan una combinación heterogénea de factores de riesgo que impactan en la cognición asociados con la inequidad y la especificidad regional.
En cuanto a la funcionalidad, nuestros resultados confirman el papel de la actividad física en la capacidad funcional, probablemente a través de la reducción de enfermedades no transmisibles. Los síntomas de salud mental, que son altamente prevalentes en los países de América Latina y el Caribe, pueden reducir la autonomía y la motivación para las actividades diarias. Las caídas también impactaron la capacidad funcional, lo que puede ser exacerbado en los países de América Latina y el Caribe por las barreras para acceder a la salud y el apoyo social. Aunque los factores cardiometabólicos están asociados con la capacidad funcional, esta asociación fue menos pronunciada que con otros factores. El aislamiento social y el nivel socioeconómico, generalmente acentuados en los países de América Latina y el Caribe, también fueron factores de riesgo relevantes. Así, una combinación heterogénea de factores de riesgo relacionados con las disparidades regionales se asoció con la cognición y la capacidad funcional.
Los factores de riesgo clásicos asociados con la cognición y la capacidad funcional, como la edad y el sexo, fueron menos acentuados que aquellos relacionados con las disparidades sociales y de salud, a diferencia de otras regiones. Aunque estos factores fueron significativos cuando se analizaron de manera independiente, sus efectos disminuyeron o desaparecieron cuando se combinaron con otros factores de riesgo. En los países de América Latina y el Caribe, hay una presencia aumentada de determinantes sociales de la salud, una prevalencia aumentada de factores cardiometabólicos y síntomas de salud mental, y barreras para estilos de vida saludables. La combinación de estos factores de riesgo relacionados con las disparidades en los países de América Latina y el Caribe podría atenuar los impactos del sexo y la edad como factores de riesgo del envejecimiento saludable. En contraste, los factores de riesgo clásicos pueden tener un papel más sustancial en el envejecimiento saludable en Europa y los Estados Unidos. En esas regiones, también hay un control más sustancial de las disparidades sociales y de salud modificables, lo que ayudaría a disminuir sus efectos y explicar el patrón contrastante. De manera similar, las disparidades sociales y de salud fueron factores de riesgo más fuertes en los países de América Latina y el Caribe de ingresos bajos y medianos que en los de ingresos altos, lo que es consistente con las mayores desigualdades en los primeros. Además, las diferencias entre Costa Rica y China confirmaron este patrón a pesar de su desarrollo socioeconómico similar. En resumen, los factores heterogéneos y relacionados con las disparidades estuvieron críticamente asociados con la cognición y la capacidad funcional en los países de América Latina y el Caribe, especialmente en los de ingresos bajos y medianos, y presentaron influencias más fuertes que otros factores clásicos como la edad y el sexo.
Nuestro enfoque basado en métodos de aprendizaje automático puede abordar la multicolinealidad y los datos de alta dimensión e incorporar procesos de validación de muestras, lo que proporciona una evaluación más confiable del rendimiento del modelo en datos no vistos que los modelos estadísticos clásicos. Nuestro enfoque de modelado puede manejar interacciones complejas entre factores de riesgo y resultados de manera más efectiva que las regresiones estándar y otros métodos estadísticos tradicionales para evaluar las asociaciones entre variables. De manera similar, puede identificar los principales predictores sin asumir clasificaciones teóricas a priori, que generalmente se requieren cuando se aplican métodos estadísticos clásicos.
Existen limitaciones en nuestro estudio. Primero, al igual que en informes anteriores sobre los determinantes sociales de la salud (SDH) y factores cardiometabólicos46, la recopilación de datos se basa en autodeclaraciones y podría estar sujeta a sesgos. Nuestro estudio combinó datos autoinformados y medidas objetivas estandarizadas para disminuir dicho sesgo potencial. Aun así, serían necesarias evaluaciones futuras con medidas objetivas para confirmar nuestros resultados. Segundo, la gran población podría haber impactado la significancia estadística y reducido la precisión de predicción en los algoritmos de aprendizaje automático47. Abordamos estas preocupaciones utilizando un tamaño de muestra lo suficientemente robusto para cada comparación estadística y estimación del tamaño del efecto; índices estadísticos combinados confirmaron la precisión del aprendizaje automático obtenida. Nuestro estudio solo utilizó el MMSE y el índice de Barthel como las medidas principales de resultados cognitivos y funcionales en el contexto del envejecimiento saludable, lo que puede no capturar todos los aspectos del envejecimiento saludable. Finalmente, algunos posibles factores de riesgo del envejecimiento, como los síntomas de salud mental, fueron evaluados utilizando una única pregunta autoinformada. Aunque estudios previos han evaluado los síntomas de salud mental utilizando procedimientos similares32,48, los estudios futuros deberían considerar el uso de herramientas más completas para evaluar los resultados del envejecimiento saludable, los síntomas de salud mental y otros factores relevantes.
Si bien varias organizaciones globales, incluida la Organización Mundial de la Salud22,49 y la Asociación de Alzheimer1,24, han instado a mejorar las acciones de salud pública relacionadas con el envejecimiento saludable en los países de América Latina y el Caribe (LAC), las iniciativas siguen siendo limitadas, genéricas y poco específicas para esta región. El resultado de nuestro estudio alienta a los líderes de la salud pública a considerar las complejas interacciones de múltiples factores relacionados con la disparidad4,15, incluidos los marcadores individuales relacionados con la salud y los determinantes sociales de la salud. Al comprender los riesgos específicos de la región, los responsables de las políticas pueden desarrollar respuestas preventivas adaptadas. Nuestro estudio invita a las acciones de salud pública a priorizar programas para abordar las disparidades multimodales y promover la salud mental a lo largo de la vida, principalmente en edades avanzadas. Además, nuestro estudio llama a desarrollar planes nacionales para aumentar la educación de la población y promover recursos públicos50 para favorecer las redes sociales y los estilos de vida saludables, estimulando especialmente la actividad física. Este enfoque integral puede articularse con programas de salud pública centrados en la reducción de los riesgos asociados con las enfermedades no transmisibles, que son altamente prevalentes en los países de LAC. Nuestros resultados también nos invitan a desarrollar planes sociales y de salud para abordar varios riesgos del envejecimiento simultáneamente en lugar de reaccionar a un factor a la vez. Esta estrategia multifacética proporciona una base sólida para informar políticas con efectos sinérgicos en múltiples condiciones, optimizando la asignación de recursos en la salud pública y fomentando sociedades más saludables.
En conclusión, nuestros resultados destacan un conjunto diferencial, específico de la región y detallado de factores de riesgo para la cognición y la capacidad funcional en los países de América Latina y el Caribe. Los hallazgos revelan factores de riesgo según la región y el país, fuertemente influenciados por las mayores desigualdades que existen en las poblaciones de LAC. El estado de ingresos y los determinantes sociales de la salud, la carga específica de enfermedades, las prácticas de salud y los factores relacionados con la ascendencia pueden desafiar los modelos estándar de envejecimiento saludable del cerebro, lo que sugiere que el enfoque de talla única no necesariamente funciona. Los modelos adaptados deberían informar mejor las iniciativas locales y regionales de salud pública basadas en enfoques más diversos y específicos de la región.
Online content
Todos los métodos, referencias adicionales, resúmenes de informes de Nature Portfolio, datos fuente, datos extendidos, información complementaria, agradecimientos, información de revisión por pares; detalles de las contribuciones de los autores y competencias; y declaraciones de disponibilidad de datos y código están disponibles en https://doi.org/10.1038/s41591-023-02495-1.
References
- Stephan, B. C. M. et al. Prediction of dementia risk in low-income and middle-income countries (the 10/66 Study): an independent external validation of existing models. Lancet Glob. Health 8, e524–e535 (2020).
- Greene, A. S. et al. Brain-phenotype models fail for individuals who defy sample stereotypes. Nature 609, 109–118 (2022).
- Livingston, G. et al. Dementia prevention, intervention, and care: 2020 report of the Lancet Commission. Lancet 396, 413–446 (2020).
- Ibáñez, A., Legaz, A. & Ruiz-Adame, M. Addressing the gaps between socioeconomic disparities and biological models of dementia. Brain https://doi.org/10.1093/brain/awad236 (2023).
- Nichols, E. et al. Estimation of the global prevalence of dementia in 2019 and forecasted prevalence in 2050: an analysis for the Global Burden of Disease Study 2019. Lancet Public Health 7, e105–e125 (2022).
- Parra, M. A. et al. Dementia in Latin America: paving the way toward a regional action plan. Alzheimers Dement. 17, 295–313 (2021).
- Nichols, E. et al. Global, regional, and national burden of Alzheimer’s disease and other dementias, 1990–2016: a
systematic analysis for the Global Burden of Disease Study 2016. Lancet Neurol. 18, 88–106 (2019). - Chen, Y. et al. Defining brain health: a concept analysis. Int. J. Geriatr. Psychiatry https://doi.org/10.1002/gps.5564 (2021).
- Mukadam, N., Sommerlad, A., Huntley, J. & Livingston, G. Population attributable fractions for risk factors for dementia in low-income and middle-income countries: an analysis using cross-sectional survey data. Lancet Glob. Health 7, e596–e603 (2019).
- Vemuri, P. et al. Vascular and amyloid pathologies are independent predictors of cognitive decline in normal elderly. Brain 138, 761–771 (2015).
- Cremers, L. G. M. et al. Predicting global cognitive decline in the general population using the Disease State Index. Front. Aging Neurosci. 11, 379 (2019).
- Casanova, R. et al. Investigating predictors of cognitive decline using machine learning. J. Gerontol. B Psychol. Sci. Soc. Sci. 75, 733–742 (2020).
- Crimmins, E. M., Kim, J. K. & Solé-Auró, A. Gender diferences in health: results from SHARE, ELSA and HRS. Eur. J. Public Health 21, 81–91 (2011).
- Ritchie, K. et al. Designing prevention programmes to reduce incidence of dementia: prospective cohort study of modifiable risk factors. BMJ 341, c3885 (2010).
- Ibanez, A. & Zimmer, E. R. Time to synergize mental health with brain health. Nat. Mental Health 1, 441–443 (2023).
- Ibáñez, A. et al. Dementia caregiving across Latin America and the Caribbean and brain health diplomacy. Lancet Healthy Longev. 2, e222–e231 (2021).
- Palloni, A. & McEniry, M. Aging and health status of elderly in Latin America and the Caribbean: preliminary findings. J. Cross. Cult. Gerontol. 22, 263–285 (2007).
- Miranda, J. J. et al. Understanding the rise of cardiometabolic diseases in low- and middle-income countries. Nat. Med. 25, 1667–1679 (2019).
- Kohn, R. et al. Mental health in the Americas: an overview of the treatment gap. Rev. Panam. Salud Publica 42, e165 (2018).
- González, S., Lozano, Ó., Ramírez, A. & Grijalba, C. Physical activity levels among Colombian adults: inequalities by gender and socioeconomic status. Biomedica 34, 447–459 (2014).
- Curcio, C. L., Vanegas, J. H., Palacio, M. C. & Corchuelo Ojeda, J. Elderly and forced displacement in Colombia. Colomb. Med. 50, 52–66 (2019).
- Optimizing Brain Health Across the Life Course: WHO Position Paper (World Health Organization, 2022); https://www.who.int/ publications/i/item/9789240054561
- Kolappa, K., Seeher, K. & Dua, T. Brain health as a global priority. J. Neurol. Sci. 439, 120326 (2022).
- Gilmore-Bykovskyi, A. L. et al. Recruitment and retention of underrepresented populations in Alzheimer’s disease research: a systematic review. Alzheimers Dement. 5, 751–770 (2019).
- Parra, M. A. et al. Dementia in Latin America: assessing the present and envisioning the future. Neurology 90, 222–231 (2018).
- Allison, P. D. Multiple imputation for missing data: a cautionary tale. Sociol. Methods Res. 28, 301–309 (2000).
- Sosa, A. L. et al. Prevalence, distribution, and impact of mild cognitive impairment in Latin America, China, and India: a 10/66 population-based study. PLoS Med. 9, e1001170 (2012).
- Migeot, J., Calivar, M., Granchetti, H., Ibáñez, A. & Fittipaldi, S. Socioeconomic status impacts cognitive and socioemotional processes in healthy ageing. Sci. Rep. 12, 6048 (2022).
- Evans, I. E. M., Martyr, A., Collins, R., Brayne, C. & Clare, L. Social isolation and cognitive function in later life: a systematic review and meta-analysis. J. Alzheimers Dis. 70, S119–S144 (2019).
- Gao, Q. et al. Loneliness among older adults in Latin America, China, and India: prevalence, correlates and association with mortality. Int. J. Public Health 66, 604449 (2021).
- Santamaria-Garcia, H. et al. The impacts of social determinants of health and cardiometabolic factors on cognitive and functional aging in Colombian underserved populations. Geroscience https://doi.org/10.1007/s11357-023-00755-z (2023).
- Syed, S. et al. Global prevalence and risk factors for mental health problems in police personnel: a systematic review and meta-analysis. Occup. Environ. Med. 77, 737–747 (2020).
- Shin, J. & Cho, E. Trajectories of depressive symptoms among community-dwelling Korean older adults: findings from the Korean longitudinal study of aging (2006–2016). BMC Psychiatry 22, 246 (2022).
- Wu, J. J., Wang, H.-X., Yao, W., Yan, Z. & Pei, J.-J. Late-life depression and the risk of dementia in 14 countries: a 10-year follow-up study from the Survey of Health, Ageing and Retirement in Europe. J. Afect Disord. 274, 671–677 (2020).
- Baek, M. J., Kim, K., Park, Y. H. & Kim, S. The validity and reliability of the Mini-Mental State Examination-2 for detecting mild cognitive impairment and Alzheimer’s disease in a Korean population. PLoS ONE 11, e0163792 (2016).
- Ibanez, A. The mind’s golden cage and cognition in the wild. Trends Cogn. Sci. 26, 1031–1034 (2022).
- DiPietro, L. Physical activity in aging: changes in patterns and their relationship to health and function. J. Gerontol. A Biol. Sci. Med. Sci. 56 Spec No 2, 13–22 (2001).
- Kazama, M. et al. Early impact of depression symptoms on the decline in activities of daily living among older Japanese: Y-HALE cohort study. Environ. Health Prev. Med. 16, 196–201 (2011).
- Nagarkar, A. & Kulkarni, S. Association between daily activities and fall in older adults: an analysis of longitudinal ageing study in India (2017-18). BMC Geriatr. 22, 203 (2022).
- Kinder, F., Mehmood, S., Hodgson, H., Giannoudis, P. & Howard, A. Barriers to trauma care in south and central America: a systematic review. Eur. J. Orthop. Surg. Traumatol. 32, 1163–1177 (2022).
- Kivimäki, M. et al. Physical inactivity, cardiometabolic disease, and risk of dementia: an individual-participant meta-analysis. BMJ 365, l1495 (2019).
- Borelli, W. V., Leotti, V. B., Strelow, M. Z., Chaves, M. L. F. & Castilhos, R. M. Preventable risk factors of dementia: population attributable fractions in a Brazilian population-based study. Lancet Reg. Health Am. 11, 100256 (2022).
- Stalsberg, R. & Pedersen, A. V. Are diferences in physical activity across socioeconomic groups associated with choice of physical activity variables to report? Int. J. Environ. Res. Public Health 15, 922 (2018).
- Rajula, H. S. R., Verlato, G., Manchia, M., Antonucci, N. & Fanos, V. Comparison of conventional statistical methods with machine learning in medicine: diagnosis, drug development, and treatment. Medicina 56, 455 (2020).
- Obermeyer, Z. & Emanuel, E. J. Predicting the future—big data, machine learning, and clinical medicine. N. Engl. J. Med. 375, 1216–1219 (2016).
- Garcia-Cifuentes, E. et al. The role of gait speed in dementia: a secondary analysis from the SABE Colombia study. Dement. Geriatr. Cogn. Disord. 49, 565–572 (2020).
- Goldenholz, D. M., Sun, H., Ganglberger, W. & Westover, M. B. Sample size analysis for machine learning clinical validation studies. Biomedicines 11, 685 (2023).
- Santamaría-García, H. et al. The role of social cognition skills and social determinants of health in predicting symptoms of mental illness. Transl. Psychiatry 10, 165 (2020).
- Lock, S. L., Chura, L. R., Dilworth-Anderson, P. & Peterson, J. Equity across the life course matters for brain health. Nat. Aging 3, 466–468 (2023).
- Ibanez, A. et al. The power of knowledge about dementia in Latin America across health professionals working on aging. Alzheimers Dement. 12, e12117 (2020).
Nota del editor: Springer Nature mantiene una postura neutral con respecto a las reclamaciones jurisdiccionales en mapas publicados y afiliaciones institucionales.
Acceso abierto: Este artículo está licenciado bajo una Licencia Internacional de Atribución 4.0 de Creative Commons, que permite el uso, compartimiento, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor original(es) y la fuente, se proporcione un enlace a la licencia de Creative Commons e indique si se realizaron cambios. Las imágenes u otros materiales de terceros incluidos en este artículo están cubiertos por la licencia de Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia de Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.
Métodos
Análisis transversales de participantes
Los participantes (n = 31,680; mujeres = 16,074; edad media = 70.81 años, d.e. = 8.22) fueron reclutados de las encuestas nacionales sobre salud, bienestar y envejecimiento realizadas en cuatro países de América Latina y el Caribe: Chile (2016, n = 1,301; mujeres = 689; edad media = 71.83 años, d.e. = 8.29)51; Uruguay (2011, n = 1,450; mujeres = 798; edad media = 70.75 años, d.e. = 7.40)51; Ecuador (2012, n = 5,235; mujeres = 1,530; edad media = 70.09 años, d.e. = 7.82)52; y Colombia (2015, n = 23,694; mujeres = 1,357; edad media = 70.79 años, d.e. = 8.26)53. Las entrevistas de todas las encuestas nacionales se realizaron cara a cara y los participantes fueron seleccionados siguiendo un diseño probabilístico, en conglomerados, estratificado y por etapas en cada país. Solo incluimos individuos sin diagnóstico de demencia, según lo evaluado durante un cribado inicial (Fig. 1a–e). Las bases de datos de las encuestas nacionales de todos los países son de acceso público y se obtuvieron de acuerdo con los procedimientos establecidos para cada país.
Análisis longitudinales de participantes
Analizamos datos del estudio nacional de envejecimiento de un país de ingresos medios y bajos de América Latina y el Caribe: Costa Rica (Estudio Costarricense de Longevidad y Envejecimiento Saludable (CRELES), n = 5,694; ref. 54). Esta encuesta incluye dos olas de información sobre los factores de riesgo del envejecimiento (ola 1 = 2012, ola 2 = 2015–2016). Utilizamos información longitudinal de un país no de ingresos medios y bajos de América Latina y el Caribe en China (Serie de Encuestas de Longevidad Saludable Longitudinal China, n = 3,564; ref. 55) como información de control. Esta encuesta incluye dos olas de información (ola 1 = 2011, ola 2 = 2014–2015). En este enfoque longitudinal, evaluamos el papel de los factores tomados en la primera ola en la predicción de las puntuaciones de medidas de cognición y capacidad funcional de la segunda ola. La población final de ambos conjuntos de datos de Costa Rica y China totalizó 9,258 participantes (Fig. 1b).
Las entrevistas de todas las encuestas nacionales se realizaron cara a cara y los participantes fueron seleccionados siguiendo un diseño probabilístico, agrupado, estratificado y de múltiples etapas en cada país. La información recopilada en todos los países, en el contexto de las encuestas nacionales sobre envejecimiento, fue representativa de cada población (Colombia, Ecuador, Uruguay, Chile, Costa Rica y China). Los instrumentos, la armonización y los enfoques computacionales de este estudio siguieron los mismos parámetros que se describen en los análisis transversales.
Instrumentos
Factores de riesgo. Los conjuntos de datos finales de las encuestas en todos los países de América Latina consistieron en cinco factores de riesgo armonizados (demográficos, SDH, salud, estilo de vida y síntomas de salud mental).
Demografía. La demografía incluía la edad (años), el sexo (solo mujeres y hombres) y los años de educación alcanzados. No se hicieron preguntas sobre aspectos de identidad de género en ningún país.
SDH. Para evaluar este factor de riesgo, incluimos información previamente asociada con la salud cerebral, incluyendo medidas de aislamiento (si el participante vive solo o no), SES (que se midió con un índice compuesto que incluía ingresos y condiciones de vivienda) y nivel educativo (que tiene tres niveles: bajo (primaria y secundaria), medio (preparatoria) y alto (licenciatura y posgrado).
Estado de salud. Esto incluía factores de salud previamente asociados con la salud del cerebro, como factores cardiometabólicos (hipertensión, diabetes y riesgos cardiovasculares) y caídas.
Estilo de vida. Esto incluía el comportamiento de fumar, el consumo de alcohol y la actividad física.
Síntomas de salud mental. Recopilamos información sobre la presencia de depresión, ansiedad y otros síntomas de salud mental. Esos síntomas se categorizaron como variables binomiales.
Variables de resultado. Cognición. La cognición se evaluó en encuestas nacionales de países de LAC con la versión abreviada del MMSE de Folstein. Siguiendo los procedimientos anteriores56,57, utilizamos el MMSE abreviado, que tiene 19 preguntas e ítems. Se utilizó un punto de corte de 13 puntos en cada encuesta para determinar si el participante tenía deterioro cognitivo57.
Capacidad funcional. El índice de Barthel58 evalúa las dificultades en las actividades de la vida diaria, incluyendo habilidades básicas de mantenimiento personal (vestirse, bañarse, arreglarse, uso del inodoro y continencia intestinal y vesical) y habilidades de movilidad56. Analizamos información de un grupo de actividades recopiladas a través de entrevistas a los participantes y armonizadas entre países en referencia al funcionamiento de la vida diaria. Los puntajes se construyeron en cada base de datos mediante el cálculo de una proporción de respuestas positivas de acuerdo con estudios previos58. Para una descripción más detallada de las preguntas específicas para evaluar los factores de riesgo y los resultados del envejecimiento saludable utilizados en cada país, consulte la Información complementaria.
Armonización de datos de variables entre países. Realizamos procedimientos de armonización59 para algunas variables porque las opciones de respuesta de algunas medidas diferían entre países. De manera similar, se observaron valores faltantes en algunos conjuntos de datos. Todas las variables utilizadas en los análisis de este estudio tenían valores completos en al menos el 80% de los casos. Así, recopilamos 28.109 participantes con valores completos en las variables de los análisis para evaluar los factores de riesgo de la cognición y una población de 27.991 participantes para la capacidad funcional (Fig. 1a-e).
Procedimientos de armonización de variables entre países en los análisis transversales. MMSE. El test contenía las siguientes preguntas: (1) los participantes deben proporcionar la fecha. Esta pregunta puntúa un punto por cada una de las respuestas correctas siguientes: día de la semana, día del mes, mes y año; (2) el entrevistador nombra tres objetos y los participantes deben recordarlos. Esta pregunta puntúa un punto por cada objeto recordado; (3) el entrevistador le da al individuo un trozo de papel para realizar tres acciones. Realizar cada acción correctamente puntúa un punto; las acciones son: tomar un trozo de papel con la mano derecha, doblar el papel por la mitad con ambas manos y colocar el papel en el regazo; (4) el participante recuerda el nombre de los tres objetos anteriores de nuevo. Esta pregunta se puntúa de la misma manera que la pregunta 2; (5) los participantes copian un dibujo. Se puntúa un punto si el dibujo se realiza correctamente. La escala final se logra utilizando puntuaciones estandarizadas del MMSE abreviado excepto una pregunta sobre recordar una secuencia de cinco números, que puntúa cinco puntos. Esta pregunta fue eliminada porque fue evaluada de diferentes maneras en las bases de datos y no se reclutó información completa para armonizar las puntuaciones entre los sitios.
Armonización de SDH. El nivel educativo se estableció en tres niveles: bajo (primaria y secundaria); medio (preparatoria); y alto (licenciatura y posgrado). El SES se calculó en base a la proporción de recursos y servicios de vivienda disponibles.
Armonización del estilo de vida. El consumo de alcohol se estableció en cuatro niveles: nunca (el participante nunca consume alcohol); normal (el participante consume alcohol menos de un día por semana); excesivo (el participante consume alcohol de dos a seis veces por semana); grave (el participante consume alcohol diariamente). Todas las demás variables fueron dicotómicas (sí/no), excepto la edad, que fue recogida por todos los países como variable discreta. Se eliminaron las características no comunes.
Procedimientos de armonización de variables entre países en los análisis longitudinales. La información de MMSE se calculó en 13 puntos en Costa Rica y China porque la prueba de dibujo no se realizó en Costa Rica. También realizamos una imputación por medio para imputar los valores faltantes de una característica (caídas) en el conjunto de datos de Costa Rica. Para la imputación, utilizamos las puntuaciones promedio en las variables mencionadas anteriormente de otros países de ingresos altos (Chile y Uruguay). Para controlar los efectos de la imputación, también se realizaron análisis adicionales sin imputación (Tabla de Datos Extendida 4).
Análisis estadístico
No se utilizó ningún método estadístico para predeterminar el tamaño de la muestra porque utilizamos la base de datos completa de las encuestas nacionales de envejecimiento de diferentes países de LAC. Todos los conjuntos de datos de las encuestas nacionales de envejecimiento de los países de LAC en los análisis transversales y longitudinales incluyeron muestras representativas de cada país.
Validación cruzada para la sintonización de hiperparámetros. Primero, realizamos la mejor búsqueda para el conjunto más apropiado de hiperparámetros usando validación cruzada para obtener los mejores resultados de generalización posibles. Para cada modelo, implementamos un enfoque de optimización bayesiana para la sintonización de hiperparámetros, con validación cruzada = 3 y diez iteraciones, en el 75% de los datos (conjunto de datos de entrenamiento), y evaluamos los resultados en un conjunto de datos de validación (25% de los datos). Luego, dividimos los datos al azar en una nueva muestra de entrenamiento (75%) y conjuntos de prueba (25%) en k = 10 pliegues; cada subconjunto se utilizó para entrenar k-1 veces y validación, utilizando los mejores hiperparámetros obtenidos de la optimización bayesiana en el paso anterior. Finalmente, obtuvimos los márgenes de error, las estimaciones β y las pruebas t evaluando la media de k = 10 iteraciones. Esto facilitó la identificación de la fuerza de regularización óptima y los hiperparámetros adicionales para el modelo de regresión de la cresta.
Selección del solucionador. Optimizamos la fuerza de regularización, el número máximo de iteraciones y el solucionador. Seguimos la implementación de scikit-learn para ridge, que permite probar y comparar diferentes solucionadores, incluyendo: (1) auto: elige automáticamente el solucionador basado en los datos. Este solucionador alcanzó 1,000 iteraciones máximas y un alfa de 0.0001; (2) descomposición de valores singulares que involucra vectores de características62. Este enfoque tuvo 10,000 iteraciones máximas y un alfa de 0.001; (3) Cholesky, una función lineal estándar que permite obtener una solución en forma cerrada (Tabla de Datos Extendida 8). El número máximo de iteraciones con este enfoque fue 100,000 y el alfa fue 0.01; (4) sqr, un procedimiento dedicado de mínimos cuadrados regularizados, y sag, un descenso de gradiente promedio estocástico63, que utiliza un número máximo de iteraciones de 1,000,000; y (5) sparse_cg, un solucionador de gradiente conjugado que involucra sag y saga que sigue el proceso de descenso de gradiente promedio estocástico y una versión optimizada de este enfoque, respectivamente63 (Tabla de Datos Extendida 2).
Además, utilizamos diferentes procesos de selección de regularización y solucionador para elastic net y LASSO. Para elastic net, utilizamos dos solucionadores que incluyen (1) cíclico, que repite las características secuencialmente de forma predeterminada con un número máximo de iteraciones de 1,000 y un alfa de 0.0001; y (2) aleatorio, que actualiza un coeficiente aleatorio en cada iteración, con un número máximo de iteraciones de 10,000 y un alfa de 0.001. Además, se utilizaron diferentes razones de L1 (que van desde 0.5 hasta 0.9), y las iteraciones y el alfa se ajustaron según esta razón. Para LASSO, implementamos dos solucionadores, incluyendo: (1) cíclico con un número máximo de iteraciones de 1,000 y un alfa de 0.0001; y (2) aleatorio con un número máximo de iteraciones de 10,000 y un alfa de 0.001 (Tablas de Datos Extendidas 2 y 8). El puntaje que utilizamos para la optimización fue la pérdida cuadrada, que se utiliza en las regresiones ridge como predeterminado64. Este método impone mayores penalizaciones a errores más grandes en comparación con los más pequeños64. La solución en forma cerrada para la regresión ridge, que incluye un parámetro de regularización ɑ para controlar la cantidad de contracción, se puede expresar de la siguiente manera:
minw||Xw − y||(2) + a||w||(2)
min[w]||X w − y||2/2 + α||w||2/2
donde w representa los coeficientes del modelo de regresión; X es la matriz de diseño, donde cada fila representa una observación y cada columna representa una variable de factor de riesgo; y es la variable objetivo; y ɑ es el parámetro de regularización (también conocido como parámetro de ridge), que controla la cantidad de contracción: cuanto mayor sea el valor de ɑ, mayor será la cantidad de contracción.
Los parámetros de ɑ utilizados para nuestros análisis se proporcionan en la Tabla de Datos Extendida 8.
Método de regresión de ridge. Evaluamos la correlación y colinealidad entre los factores de riesgo (según el factor de inflación de la varianza, puntuaciones por encima de 5). Esos análisis mostraron multicolinealidad (Fig. 1g y Tabla de Datos Extendida 1) y correlaciones entre variables (Figura 1 de Datos Extendidos). Por lo tanto, elegimos modelos de regresión de ridge para evaluar los factores de riesgo más relevantes para un envejecimiento saludable. Este método ayuda a (1) manejar la multicolinealidad y correlaciones de los factores de riesgo; (2) reducir el sobreajuste porque introduce un término de regularización para penalizar coeficientes grandes, mejorando así la generalización del modelo64; (3) mejorar la estabilidad del modelo porque contrae los coeficientes hacia cero, reduciendo efectivamente el impacto del ruido o características irrelevantes en las predicciones del modelo65; (4) mejorar la interpretabilidad del modelo porque contrae los coeficientes, lo que ayuda a interpretar la importancia de diferentes variables de factor de riesgo seleccionadas en base a cuentas teóricas previas66; y (5) abordar la varianza e interacciones porque es un proceso recomendado para abordar desafíos de regresión en presencia de multidimensionalidad e interacciones complejas entre factores de riesgo67.
El modelo de regresión de ridge utilizando datos transversales se puede expresar como:
min( β)||Y − Xβ||2 + λ||β||2
Donde Y es la variable de resultado, X es la matriz de las variables de factor de riesgo, β es el vector de coeficientes y λ es la fuerza de regularización.
El modelo de regresión de crestas para datos longitudinales puede expresarse como:
y ̂= X( β) + ε, subject to||β||2/2 ≤ t
donde ŷ representa el resultado predicho, X es la matriz de factores de riesgo, β es el vector de coeficientes, ε es el término de error, ||β||2/2 es la norma L2 de β (suma de los coeficientes al cuadrado) y t es el parámetro de regularización.
Análisis multimétodo. Para confirmar la robustez de nuestro enfoque, implementamos análisis confirmatorios multimétodo (Fig. 1f,g,k). Esta evaluación comparativa involucró examinar los resultados de la regresión de ridge en conjunto con la regresión lineal, el modelo de elastic net y la técnica LASSO. La regresión lineal se utilizó para ajustar un modelo predictivo a los datos observados. Calcula la fuerza de la relación entre los factores de riesgo y las variables de resultado y ayuda a determinar si algunas variables explicativas pueden no tener una relación lineal con los resultados. Elastic net combina las ventajas de la regresión de ridge y LASSO, incorporando tanto la regularización L1 como L2. Además, equilibra los beneficios de ambas técnicas, proporcionando un compromiso entre la esparcidad de LASSO y la estabilidad de la regresión de ridge. Esto puede resultar en una mayor precisión de predicción y una mejor interpretación del modelo. Las regresiones LASSO fomentan la esparcidad en el modelo al llevar algunos coeficientes a cero, lo que lleva a modelos más sencillos y interpretables, y permitiendo la selección automática de características para tratar con muchos factores de riesgo.
Bondad de ajuste y peso de los parámetros de los factores de riesgo. Utilizamos diferentes parámetros para evaluar la bondad de ajuste en los estudios, incluyendo (1) estadístico F (F) para los coeficientes de regresión de los modelos; (2) R2, una medida de qué tan cerca corresponden los puntos de datos a la línea ajustada y como coeficiente de determinación para los modelos de regresión; (3) F2 de Cohen para evaluar los tamaños de efecto de los modelos de regresión y los factores de riesgo; (4) MSE, un estimador del promedio de la diferencia al cuadrado entre los valores estimados y reales y para evaluar la bondad de ajuste de los modelos de regresión; (5) RMSE como medida de la desviación estándar de los residuos (errores de predicción) y para evaluar la distancia entre la línea de regresión y los puntos de datos; y (5) estimaciones β para evaluar el peso de un factor en un modelo de regresión. Se utilizaron diferentes modelos de regresión lineal para identificar los mejores parámetros de bondad de ajuste en los análisis. El procedimiento multimétodo confirmó la consistencia de los resultados y sugirió que los enfoques lineales eran la mejor opción. Otros métodos no lineales adicionales están fuera del alcance de este estudio.
Análisis transversal. Ejecutamos dos modelos de regresión de ridge independientes para evaluar los factores de riesgo del envejecimiento saludable: un modelo se ejecutó para evaluar los factores de riesgo de la cognición (puntajes MMSE como resultado), y el otro se implementó para evaluar los factores de riesgo de la capacidad funcional (puntajes de Barthel como resultado) en todos los países de LAC. Los factores de riesgo, incluyendo la demografía, los SDH, el estado de salud, el estilo de vida y los síntomas de salud mental, se incluyeron como factores de riesgo en cada modelo. Los modelos de regresión de ridge se ejecutaron primero para la cognición y la funcionalidad en todos los países de LAC (Colombia, Ecuador, Chile y Uruguay). En segundo lugar, se ejecutaron los modelos de regresión para agrupar los países de LAC según su nivel de ingresos: HICs (Chile y Uruguay) y LMICs (Colombia y Ecuador). En tercer lugar, se ejecutaron modelos de regresión independientes para cada país. Evaluamos los modelos de regresión informando R², intervalos de confianza del 99%, la importancia de las características y las estimaciones de β. Cada modelo considera el valor F y los valores F2 para evaluar los tamaños de efecto (F2 ≥ 0,02, F2 ≥ 0,15 y F2 ≥ 0,35 que representan tamaños de efecto pequeños, medianos y grandes, respectivamente70).
Análisis longitudinal. La evolución longitudinal de los resultados (cognición y capacidad funcional en dos momentos diferentes para Costa Rica: ola 1 (2012) y ola 2 (2016); dos para China: ola 1 (2011) y ola 2 (2014)). Calculamos los factores de riesgo más relevantes de la cognición y la capacidad funcional en la última ola para Costa Rica y China utilizando los factores de riesgo de la ola 1. Los modelos de regresión de ridge independientes comprendieron los mejores hiperparámetros utilizando el esquema descrito en los análisis transversales. Todos los modelos y análisis estadísticos se ejecutaron utilizando Python v.3.9.13.
Ethics and inclusion statement
Este trabajo involucró una colaboración entre científicos de varios países, incluyendo Argentina, Chile, Colombia, Irlanda, Perú y Estados Unidos. Los colaboradores de todos los sitios están incluidos como coautores o en los agradecimientos según sus contribuciones. Los investigadores que residen en países latinoamericanos han participado en el diseño del estudio, la implementación del mismo, el procedimiento metodológico, y los procesos de escritura y revisión. La investigación actual es localmente relevante debido a la alta prevalencia del deterioro cognitivo en los países de América Latina y el Caribe. Los roles y responsabilidades fueron acordados entre los colaboradores antes de la investigación. Los comités de ética locales aprobaron toda investigación que involucre participantes humanos. Para prevenir cualquier estigmatización, se eliminó toda información identificativa para preservar la privacidad de las personas. Cada país incluido en este estudio ha conservado la propiedad de todo el material humano compartido con fines de investigación.
Apoyamos la orientación del Nature Portfolio sobre la autoría e inclusión en los países de ingresos bajos y medianos. La autoría se basó en la contribución intelectual, el compromiso y la participación de cada investigador en este estudio. Incluimos a autores nacidos en países de ingresos bajos y medianos y en otros países subrepresentados en este estudio. Este estudio tiene relevancia local para cada país investigado al presentar hallazgos desagregados, ofreciendo así factores de riesgo específicos de cada país para un envejecimiento saludable. La selección de variables se basó en investigaciones previas y de acuerdo con las pautas establecidas para estudios globales sobre el envejecimiento.
Ethical approval
Todos los métodos se llevaron a cabo de acuerdo con las pautas y regulaciones relevantes proporcionadas por la Declaración de Helsinki (2013). Los datos de todos los países, incluidos los países de ingresos bajos y medios, se recopilaron a través de entrevistas en persona implementadas en el contexto de encuestas nacionales sobre el envejecimiento realizadas en cada país.
En cada país, los participantes dieron su consentimiento informado, que fue aprobado por los respectivos comités de ética. La recopilación y análisis de datos no planteó riesgos en cuanto a estigmatización, incriminación, discriminación, bienestar animal, medio ambiente, salud, seguridad o preocupaciones personales. No se realizó transferencia de materiales biológicos, artefactos culturales o conocimientos tradicionales. Los autores revisaron estudios pertinentes de los siete países mientras preparaban el manuscrito. El comité ético institucional de la Pontificia Universidad Javeriana en Bogotá, Colombia, aprobó todos los protocolos experimentales utilizados en los análisis de este estudio (n.º FM-773-2021).
Reporting summary
Más información sobre el diseño de investigación está disponible en el Resumen de Informes de la Naturaleza vinculado a este artículo.
Data availability
Los datos incluidos en este estudio en los análisis transversales y longitudinales fueron recopilados en el contexto de las encuestas nacionales de envejecimiento de cinco países de América Latina y el Caribe (Ecuador, Colombia, Chile, Uruguay y Costa Rica) y de China. Los datos de la encuesta nacional de envejecimiento de Ecuador incluidos en el estudio están disponibles al público y se pueden acceder después de proporcionar información a los investigadores en https://www.ecuadorencifras.gob.ec/encuesta-de-salud-bienestar-del-adulto-mayor/. Los datos de la encuesta nacional de envejecimiento de Colombia (Estudio Nacional de Salud, Bienestar y Envejecimiento (SABE Colombia) 2015) se pueden acceder después de completar un formulario de registro en la página web del Ministerio de Salud y Protección Social en Colombia. Este procedimiento dura alrededor de 10 días y se puede realizar en https://www.datos.gov.co. Los datos de Chile y Uruguay incluidos en este estudio formaron parte del SABE-Encuesta sobre Salud, Bienestar y Envejecimiento en América Latina y el Caribe, 2000 (Consorcio Interuniversitario para la Investigación Política y Social 3546). Los datos de este estudio están disponibles al público después de proporcionar información al investigador en https://www.icpsr.umich.edu/web/NACDA/studies/3546/versions/V1. Los datos de Costa Rica incluidos en este estudio fueron tomados de CRELES. Los datos de este estudio están disponibles al público después de proporcionar información al investigador en http://creles-download.demog.berkeley.edu/CRdata. pl. Los datos de la encuesta nacional de envejecimiento de China (Estudio Longitudinal de Salud y Jubilación de China) se pueden acceder después de registrarse en https://charls.pku.edu.cn/en/. El acceso a los datos sin procesar de todas las bases de datos descritas en esta sección dura alrededor de 10 días. Todos los autores tuvieron acceso a los datos sin procesar. Todo el software utilizado en este estudio y sus versiones se especifican en el archivo conda_env.yml en el repositorio de GitHub.
Code availability
Todo el código para el análisis de datos asociado al manuscrito está disponible para descargar desde GitHub en https://github.com/AI-BrainLat-team/Heterogeneous-risk-factors-LAC.
References
- Albala, C. et al. The health, well-being, and aging (“SABE”) survey: methodology applied and profile of the study population [article in Spanish]. Rev. Panam. Salud Publica 17, 307–322 (2005).
- Freire, W. et al. Encuesta Nacional de Salud, Bienestar y Envejecimiento SABE I Ecuador 2009–2010 (Ministerio de Salud Pública/Universidad San Francisco de Quito, 2010).
- Gomez, F., Corchuelo, J., Curcio, C.-L., Calzada, M.-T. & Mendez, F. SABE Colombia: Survey on Health, Well-Being, and Aging in Colombia—study design and protocol. Curr. Gerontol. Geriatr. Res. 2016, 7910205 (2016).
- Rosero-Bixby, L., Dow, W. H., Brenes, G., Gu, D. & Dupre, M. Costa Rican longevity and healthy aging study. In Encyclopedia of Gerontology and Population Aging (eds Gu, D. & Dupre, M.) (Springer, 2019).
- Yi, Z., Gu, D., Poston, D. L., & Vlosky, D. A. (Eds.) Healthy Longevity in China: Demographic, Socioeconomic, and Psychological Dimensions (Springer Science & Business Media, 2008).
- Garcia-Cifuentes, E. et al. Muscular function as an alternative to identify cognitive impairment: a secondary analysis from SABE Colombia. Front. Neurol. 13, 695253 (2022).
- Icaza, M. G. & Albala, C. Minimental State Examinations (MMSE) del Estudio de Demencia en Chile: Análisis Estadístico (Organización Panamericana de la Salud, 1999).
- Mahoney, F. & Barthel, D. W. Functional evaluation: the Barthel index. Md. State Med. J. 14, 61–65 (1965).
- Maito, M. A. et al. Classification of Alzheimer’s disease and frontotemporal dementia using routine clinical and cognitive measures across multicentric underrepresented samples: a cross-sectional study. Lancet Reg. Health Am. 17, 100387 (2023).
- Santamaría-García, H. et al. Uncovering social-contextual and individual mental health factors associated with violence via computational inference. Patterns 2, 100176 (2021).
- Donnelly-Kehoe, P. A. et al. Robust automated computational approach for classifying frontotemporal neurodegeneration: multimodal/multicenter neuroimaging. Alzheimers Dement 11, 588–598 (2019).
- Banerjee, S. & Roy, A. Linear Algebra and Matrix Analysis for Statistics Vol. 181 (CRC, 2014).
- Bottou, L. Large-scale machine learning with stochastic gradient descent. In Proceedings of COMPSTAT’2010: 19th International Conference on Computational Statistics (eds Lechevallier, Y., Saporta, G.) (Physica-Verlag HD, 2010).
- Tsigler, A. & Bartlett, P. L. Benign overfitting in ridge regression. J. Mach. Learn. Res. 24, 1–76 (2023).
- Moreno-Salinas, D., Moreno, R., Pereira, A., Aranda, J. & de la Cruz, J. M. Modelling of a surface marine vehicle with kernel ridge regression confidence machine. Appl. Soft. Comput. 76, 237–250 (2019).
- Abonazel, M. R. & Taha, I. M. Beta ridge regression estimators: simulation and application. Commun. Stat. Simul. Comput. https://doi.org/10.1080/03610918.2021.1960373 (2021).
- Hoerl, A. E. & Kennard, R. W. Ridge regression—biased estimation for nonorthogonal problems. Technometrics 12, 55 (1970).
- De Mol, C., De Vito, E. & Rosasco, L. Elastic-net regularization in learning theory. J. Complex. 25, 201–230 (2009).
- Li, Y., Nan, B. & Zhu, J. Multivariate sparse group lasso for the multivariate multiple linear regression with an arbitrary group structure. Biometrics 71, 354–363 (2015).
- Selya, A. S., Rose, J. S., Dierker, L. C., Hedeker, D. & Mermelstein, R. J. A practical guide to calculating Cohen’s f2 , a measure of local efect size, from PROC MIXED. Front. Psychol. 3, 111 (2012).
Acknowledgements
Agradecemos a los equipos nacionales de encuestas sobre el envejecimiento de Chile, Uruguay, Colombia, Ecuador, Costa Rica y China por proporcionar los datos para este estudio. El manuscrito cita adecuadamente a los autores principales y equipos cuando es necesario. A.I. es parcialmente apoyado por subvenciones de la Agencia Nacional de Investigación y Desarrollo (ANID)/Fondo Nacional de Desarrollo Científico y Tecnológico Regular (números 1210195, 1210176 y 1220995); ANID/Fondo de Financiamiento de Centros de Investigación en Áreas Prioritarias (FONDAP) (número 15150012); ANID/Programa de Investigación Asociativa/Anillos de Investigación en Ciencia y Tecnología (ACT210096); Fondo de Fomento al Desarrollo Científico y Tecnológico (números ID20I10152 e ID22I10029); ANID/FONDAP (número 15150012); Takeda Pharmaceuticals (número CW2680521); y el Consorcio de Múltiples Socios para Ampliar la Investigación sobre Demencia en América Latina (ReDLat), que cuenta con el apoyo del Fogarty International Center y los Institutos Nacionales de Salud, el Instituto Nacional sobre el Envejecimiento (números R01 AG057234, R01 AG075775, R01 AG21051 y CARDS-NIH), la Asociación de Alzheimer (número SG-20-725707), el Consorcio Tau de la Fundación Caritativa Rainwater, el Proyecto Bluefield para Curar la Demencia Frontotemporal y el Instituto Global de Salud Cerebral. El contenido de esta publicación es responsabilidad exclusiva de los autores y no representa las opiniones oficiales de estas instituciones. Los financiadores no tuvieron ningún papel en el diseño del estudio, la recopilación y análisis de datos, la decisión de publicar o la preparación del manuscrito.
Author contributions
A.I. y H.S.-G. desarrollaron el concepto del estudio y el diseño del mismo. H.S.-G., H.H., S.M. y M.M. realizaron las pruebas y curaron los datos. H.H., S.M., M.M. y H.S.-G. llevaron a cabo el análisis de datos bajo la supervisión de A.I. H.S.-G., A.S.-B. y A.I. interpretaron los resultados y redactaron el manuscrito. C.O.-R., M.C., V.V., J.J.M. y B.L. proporcionaron revisiones críticas sobre los análisis y la discusión del manuscrito. Todos los autores realizaron revisiones críticas, participaron suficientemente en el trabajo y aprobaron la versión final del manuscrito para su presentación.
Competing interests
Los autores declaran no tener intereses en conflicto.
Additional information
Se dispone de datos adicionales para este artículo en https://doi.org/10.1038/s41591-023-02495-1
Información complementaria La versión en línea contiene material suplementario disponible en https://doi.org/10.1038/s41591-023-02495-1.
La correspondencia y las solicitudes de materiales deben dirigirse a Hernando Santamaría-García o Agustín Ibáñez.
Información sobre revisión por pares Nature Medicine agradece a Fei Wang, Raphael Machado Castilhos y a los otros revisores anónimos por su contribución a la revisión de este trabajo. Editor de manejo primario: Ming Yang, en colaboración con el equipo de Nature Medicine.
La información sobre reimpresiones y permisos está disponible en www.nature.com/reprints.