modelo estadístico predictivo para el padecimiento de pie diabético
TRANSCRIPT
MediSur
E-ISSN: 1727-897X
Universidad de Ciencias Médicas de
Cienfuegos
Cuba
López Fernández, Raúl; Yanes Seijo, Rachel; Suárez Surí, Pedro Roberto; Avello
Martínez, Raidell; Gutiérrez Escobar, Miriam; Alvarado Flores, Ronald Mauricio
Modelo estadístico predictivo para el padecimiento de pie diabético en pacientes con
diabetes mellitus tipo II
MediSur, vol. 14, núm. 1, enero, 2016, pp. 30-40
Universidad de Ciencias Médicas de Cienfuegos
Cienfuegos, Cuba
Disponible en: http://www.redalyc.org/articulo.oa?id=180044014005
Cómo citar el artículo
Número completo
Más información del artículo
Página de la revista en redalyc.org
Sistema de Información Científica
Red de Revistas Científicas de América Latina, el Caribe, España y Portugal
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
Descargado el: 16-02-2016 ISSN 1727-897X
Medisur 30 enero 1970 | Volumen 14 | Numero 1
ARTÍCULO ORIGINAL
Modelo estadístico predictivo para el padecimiento de pie diabético enpacientes con diabetes mellitus tipo IIStatistical Model for Prediction of Diabetic Foot Disease in Type 2 DiabeticPatientsRaúl López Fernández1 Rachel Yanes Seijo2 Pedro Roberto Suárez Surí3 Raidell Avello Martínez3 Miriam Gutiérrez Escobar2
Ronald Mauricio Alvarado Flores4
1 Universidad Metropolitana de Ecuador, Machala, Ecuador2 Universidad de Ciencias Médicas, Cienfuegos, Cienfuegos, Cuba, CP: 551003 Universidad Carlos Rafael Rodríguez, Cienfuegos, Cienfuegos, Cuba, CP: 551004 Universidad de Guayaquil, Guayaquil, Guayaquil, Ecuador
Cómo citar este artículo:López-Fernández R, Yanes-Seijo R, Suárez-Surí P, Avello-Martínez R, Gutiérrez-Escobar M, Alvarado-Flores R. Modeloestadístico predictivo para el padecimiento de pie diabético en pacientes con diabetes mellitus tipo II. Medisur [revista enI n t e r n e t ] . 2 0 1 6 [ c i t a d o 2 0 1 6 F e b 1 6 ] ; 1 4 ( 1 ) : [ a p r o x . 1 0 p . ] . D i s p o n i b l e e n :ht tp : / /www.medisur .s ld .cu / index.php/medisur /ar t ic le /v iew/3151
ResumenFundamento: La necesidad de prever y estudiar elpadecimiento de pie diabético es una cuestión primordial yrepresenta un gran reto médico, disminuir el padecimientode pie diabético puede traducirse en resultados positivospara mejorar la calidad de vida de estos pacientes, ademásde la incidencia en el aspecto socioeconómico, debido a laalta prevalencia de la diabetes en la poblaciónlaboralmente activa.Objetivo: diseñar un modelo estadístico predictivo para elpadecimiento de pie diabético en pacientes con diabetesmellitus tipo II.Métodos: se realizó un estudio descriptivo, con pacientesatendidos en la Clínica del Diabético de Cienfuegos, en elperíodo 2010-2013. Como varibles, se analizaron losfactores de riesgo que influyeron de forma significativa enel padecimiento de pie diabético. Para la elaboración delmodelo se emplearon técnicas multivariadas de regresiónlogística binaria y árboles de decisión con algoritmo dedetector automático de interacciones medianteChi-cuadrado.Resultados : se obtuvieron dos modelos que secomportaron de forma similar a partir de los criterios decomparación considerados con este propósito: porcentajede clasificación correcta, sensibilidad y especificidad. Seestableció la validación a través de la curva característicade funcionamiento del receptor. El modelo con algoritmo dedetector automático de interacciones medianteChi-cuadrado fue el de mejores resultados predictivos.Conclusión: el uso de los árboles de decisión a través delalgoritmo de detector automático de interaccionesmediante Chi-cuadrado, garantiza una capacidad predictivaadecuada, factible para ser aplicada en la Clínica delDiabético del municipio de Cienfuegos, provinciaCienfuegos.
Palabras clave: diseño, modelos estadísticos, piediabético, predicción, diabetes mellitus tipo 2, calidad devida
AbstractBackground: the need to predict and study diabetic footproblems is a critical issue and represents a major medicalchallenge. The reduction of its incidence can lead topositive results for improving the quality of life of patientsand the impact on the socio-economic sphere, due to thehigh prevalence of diabetes in the working population.Objective: to design a statistical model for prediction ofdiabetic foot disease in type 2 diabetic patients.Methods: a descriptive study was conducted in patientsattending the Diabetes Clinic in Cienfuegos from 2010 to2013. Significant risk factors for diabetic foot disease wereanalyzed as variables. To design the model, binary logisticregression analysis and Chi-squared automatic interactiondetection decision tree were used.Results: two models that behaved similarly based on thecomparison criteria considered (percentage of correctclassification, sensitivity and specificity) were developed.Validation was established through the receiver operatingcharacteristic curve. The model using Chi-squaredautomatic interaction detection showed the best predictiveresults.Conclusions: Chi-squared automatic interaction detectiondecision trees have an adequate predictive capacity, whichcan be used in the Diabetes Clinic of Cienfuegosmunicipality.
Key words: desingn, models, statistical, diabetic foot,forecasting, diabetes mellitus, type 2, quality of life
Aprobado: 2015-11-26 15:00:22
Correspondencia: Raúl López Fernández. Universidad Metropolitana de Ecuador [email protected]
Descargado el: 16-02-2016 ISSN 1727-897X
Medisur 31 enero 1970 | Volumen 14 | Numero 1
INTRODUCCIÓN
El empleo de modelos estadísticos predictivos enl a s c i e n c i a s d e l a s a l u d h a c r e c i d osignificativamente en los últimos años. Estosemergen como un vínculo importante entre laestadística y la práctica médica; son de granayuda en la toma de decisiones y permiten lacreación de diversos sistemas y herramientasútiles para reducir las incertidumbres, garantizarmejores actuaciones y establecer eficacesmedidas de control para la erradicación de lasenfermedades.1 Las técnicas estadísticasmultivariadas son la base para la elaboración dedichos modelos, se emplean comúnmente enproblemas de reducción de dimensionalidad, ylos resultados de estas proyecciones pueden serempleados para visual ización y/o paradeterminación de asociaciones significativasentre variables.2,3
Entre las técnicas multivariadas más utilizadasen las ciencias médicas, se encuentran laregresión logística binaria, empleada paramodelar respuestas discretas4 y la metodologíade árboles de decisión a través del algoritmo dedetector automático de interacciones medianteChi-cuadrado (CHAID, por las siglas del inglésChi-squared Automatic Interaction Detector), útilpara solucionar los problemas que surgen alobtener información, encontrar patrones y definirtendencias.5
Se calcula que en 2014 la prevalencia mundial dela diabetes mellitus (DM) fue del 9 % entre losadultos mayores de 18 años. En 2012 fallecieron1,5 millones de personas como consecuenciadirecta de la diabetes. Más del 80 % de lasmuertes por esta enfermedad se registra enpaíses de ingresos bajos y medios. Segúnproyecciones de la OMS, la diabetes será laséptima causa de mortalidad en 2030.6-8
Las complicaciones de la DM pueden sermetabólicas y afectar múltiples órganos, entreellos, los miembros inferiores. Por diferentesfactores los p ies rec iben las mayoresafectaciones, con altas probabilidades depresentar ulceraciones que generalmente setornan complicadas y llegan a presentarinfecciones que van desde leves hasta severas; aesta enfermedad se le denomina pie diabético yes una de las complicaciones más frecuentes ysignificativas de la DM.9 Estadísticas mundialesrevelan que cada año, del 1 al 4 % de lospacientes diabéticos padece úlcera en sus pies; yentre el 10 y el 15 % tienen altas probabilidades
de tenerlas en algún momento de su vida.10
Una vez que aparecen las úlceras no solo sepone en peligro el miembro afectado, sinoincluso la vida del paciente, puesto que seconsidera que entre un 15 y un 30 % de lospacientes diabéticos con este padecimientorequiere la amputación del miembro; en Cuba serealizan alrededor de 1000 amputaciones demiembros inferiores cada año.11
La necesidad de comprender, prever y estudiar elpadecimiento de pie diabético es una cuestiónprimordial y representa un gran reto médico.Trazar estrategias de intervención para disminuireste padecimiento, puede traducirse enresultados positivos para mejorar la calidad devida de los pacientes diabéticos, así como desdela perspectiva socioeconómica, debido a la altaprevalencia de la diabetes en la poblaciónlaboralmente activa.
En la Clínica del Diabético del municipio deCienfuegos, entidad docente-asistencial a la queson remitidos pacientes de las consultasmultidisciplinarias de las diferentes áreas desalud o del Hospital Provincial, se ha recopiladouna información estadística considerable sobre elcomportamiento de los factores de riesgo del piediabético, lo cual posibilita profundizar en elestudio del sistema de relaciones entre laaparición del pie diabético en pacientes con DM ylos factores de riesgo asociados.
En el presente trabajo se persigue diseñar unmodelo estadístico predictivo para la apariciónde pie diabético en pacientes con DM tipo 2 apartir del análisis de los factores de riesgo.
MÉTODOS
Se realizó un estudio descriptivo, prospectivo,que incluyó pacientes atendidos en la Clínica delDiabético de Cienfuegos, en los años 2010, 2011,2012 y 2013, con diagnóstico de DM tipo 2, porser la de mayor incidencia en este tipo deenfermedad; y los residentes del municipioCienfuegos, debido a su estabilidad en lascosultas por la cercanía a la clínica. Del total depacientes atendidos en este municipio (1060), seseleccionaron dos muestras por el método delmuestreo aleatorio simple, a razón de uno a tres:la primera contó con 795 pacientes con lafinalidad de elaborar los modelos; y la segunda,con 265 pacientes, para la evaluación de lacapac idad pred ic t iva de los modelosdeterminados.
Descargado el: 16-02-2016 ISSN 1727-897X
Medisur 32 enero 1970 | Volumen 14 | Numero 1
Se utilizaron las historias clínicas o registrosmédicos de la institución como fuente para larecolección de datos. Se utilizó como variabledependiente el padecimiento de pie diabético,operacionalizada a través de las categorías sí ono.
Las variables independientes se agruparon en loscuatro grupos que se citan a continuación y secorrespondieron con los factores de riesgomedidos en la Clínica del Diabético:
Sociodemográficas: edad (en años cumplidos);❍
sexo (femenino y masculino); nivel deescolaridad (primaria no terminada, primaria,secundaria, obrero calificado, bachiller, técnicomedio, universitario); ocupación (trabajador,jubilado, ama de casa, desempleado odesocupado).Hábitos tóxicos: consumo de bebidas❍
alcohólicas (no bebedor, ex bebedor, bebedorocasional, bebedor); consumo de café (sí o no);hábito de fumar (sí o no).Clínicas: tiempo (evolución de la diabetes❍
desde que fue diagnosticada en años); índicede masa corporal (Kg/m2); niveles en sangre deglucemia (valores menores a 7,00 mmol/l yvalores mayores iguales a 7,00 mmol/l);creatinina (μmol/l); triglicéridos (mmol/l); ácidoúrico (μmol/l); colesterol (valores menoresiguales a 5,20 mmol/l, y valores mayores a 5,20mmol/l).Antecedentes patológicos personales:❍
hipertensión arterial (sí o no ); cardiopatíaisquémica (sí o no); hiperlipidemia (sí o no );claudicación intermitente (sí o no ); DM (sí ono).
Se procedió al análisis exploratorio de los datos.Para ello se determinaron los modelos depronóstico factibles, con los 795 pacientesseleccionados en la muestra; se interpretaron losresultados del modelo seleccionado; se analizó lavalidez de los modelos estimados y se seleccionóel modelo más ventajoso mediante la muestra deprueba conformada por los 265 pacientes.
En la selección de las variables del modelo depredicción, se tuvieron en cuenta las quepresentaron relación con la variable dependiente.Para ello se efectuó un análisis bivariado deasociación entre cada una de las covariablesexplicativas (independientes) y la variable derespuesta (dependiente) padecimiento de pie
diabético (PD).
Para verif icar el ajuste de las variablesindependientes cuantitativas a la distribuciónnormal con la variable dependiente, se aplicó laprueba Kolmogorov-Smirnov.
En el caso de las variables independientes detipo cualitativa o categórica (nominales uordinales), se emplearon tablas de contingenciapara la exploración de posibles asociaciones; secomprobó la significación estadística delcontraste asociado al estadístico Chi cuadrado.Cuando la significación asociada a esteestadístico fue menor o igual a 0,05 (p≤0,05), serechazó la hipótesis nula de independencia y seincluyó la variable explicativa en un análisisposterior. Para las variables de distribuciónnormal, se utilizó la T-Student; en caso contrariose realizó la prueba no paramétrica U theMann-Whitney, se comprobó la significaciónestadíst ica del contraste y, en caso dediferencias significativas (p≤0,05), se incluyó lavariable explicativa en un análisis posterior.
Para evitar el problema de la multicolinealidad enlos modelos estimados, y separar la influencia delas var iables independientes sobre ladependiente, se determinó si los cambios en unavariable influían en los cambios de la otra.Cuando el grado de asociación fue superior a 0,8se evidenció la existencia de una correlaciónfuerte; en este caso se analizó y valoró laposibilidad y beneficios de excluir una de lasvariables en el análisis de regresión.
Para la evaluación de la correlación se aplicaronlos siguientes coeficientes de asociación: entrevariables categóricas dicotómicas se utilizó elestadístico Phi; entre variables categóricaspolitómicas, V de Cramer; entre variablesordinales, Rho de Spearman; y entre variablescuantitativas, el estadístico Pearson (r) oSpearman, según criterio de normalidad.
Para elaborar el modelo mediante regresiónlogística binaria, se consideró la técnica deselección hacia delante, que contrasta la entradasegún la significación del estadístico de Wald. Labondad del ajuste de dicho modelo se comprobóa través del estadígrafo Chi Cuadrado de Hosmery Lemeshow, y para evaluar la interrelación entrelos cambios de la variable dependiente por launidad de cambios de cada una de las variablesindependientes, se calculó la R2 de Cox y Snell yR2 de Nagelkerke.12,13
Descargado el: 16-02-2016 ISSN 1727-897X
Medisur 33 enero 1970 | Volumen 14 | Numero 1
Para elaborar el modelo mediante el algoritmoCHAID, se incluyeron todas las variablesindependientes seleccionadas en el análisisexploratorio que tuvieron relación con la variabledependiente padecimiento de pie diabético. Elanálisis de sensibilidad se basó en los criterios derazón de verosimilitud y los otros parámetrosutilizados y requeridos por el programa fueron:control del tamaño del árbol (hoja con registrossuperiores a 30 y profundidad del árbol menor a8).14
Se llevó a cabo un estudio comparativo de losresultados obtenidos al establecer un modelopredictivo con regresión logística binaria y otrocon árboles de decisión con algoritmo CHAID. Setuvo en cuenta el de mayor porcentaje de
pacientes bien clasificados (PT), de valorpredictivo de un resultado positivo (VPP), ymayor valor de sensibilidad (Sb).
Para la validación de los resultados se construyóla curva característica de funcionamiento delreceptor (ROC, por las siglas del inglés ReceiverOperating Characteristic Curve).
Para el análisis estadístico de los datos, se utilizóel programa SPSS 15.0 para Windows.
RESULTADOS
Desde el año 2011 hubo un incremento de lospacientes diabéticos tipo 2, hasta llegar a la ciframás elevada en el año 2013 (29,8 %). (Figura 1).
La mayoría de los pacientes (630) padeció pie diabético y solo el 20,8 % de ellos no lo presentó.(Figura 2).
Descargado el: 16-02-2016 ISSN 1727-897X
Medisur 34 enero 1970 | Volumen 14 | Numero 1
Al realizar análisis bivariado para determinar losfactores de riesgo más significativos en elpadecimiento del pie diabético, se obtuvieron lossiguientes: edad, tiempo, hábito de fumar,
consumo de café, consumo de bebidasalcohólicas, cardiopatía isquémica (APP_CI),hiperlipidemia (APP_HIPER), niveles de glucemiaen sangre (glucemia) y colesterol. (Tabla 1).
Al no existir multicolinealidad entre estasvariables, se decidió incluirlas a todas en laelaboración de los modelos predictivos.
Resultados de la regresión logística
Las variables que mostraron asociación
estadísticamente significativa en la regresiónlogística (p<=0,05), fueron la edad (p=0,011),tiempo (p=0,006), APP_CI (p=0,001) y APP_HIPER(p=0,000). (Tabla 2). Como resultado de laregresión logística binaria se obtuvo la siguienteecuación para predecir el padecimiento de piediabético:
Descargado el: 16-02-2016 ISSN 1727-897X
Medisur 35 enero 1970 | Volumen 14 | Numero 1
La probabilidad asociada al estadígrafo (Chicuadrado) fue de 0,442, y los valores de R2 deCox y Snell y R2 de Nagelkerke fueron 0,095 y
0,148 respectivamente. El modelo elaboradoclasificó correctamente, la predicción delpadecimiento de pie diabético (PD), con unporcentaje global de 79,2 %. (Tabla 3).
Resultados del árbol de decisión con algoritmoCHAID
Como resultado del algoritmo CHAID, se obtuvo
un modelo compuesto por ocho nodos terminales(segmentos), que predijeron el padecimiento depie diabético según los factores de riesgopresentes en cada paciente. (Figura 3).
Descargado el: 16-02-2016 ISSN 1727-897X
Medisur 36 enero 1970 | Volumen 14 | Numero 1
Descargado el: 16-02-2016 ISSN 1727-897X
Medisur 37 enero 1970 | Volumen 14 | Numero 1
El modelo elaborado clasificó correctamente lapredicción del padecimiento de pie diabético
(PD), con un porcentaje global de 80 %. (Tabla4).
Los modelos se comportaron de forma similar enlos tres elementos analizados, aunque el árbol de
decisión con CHAID mostró un porcentaje declasificación ligeramente superior al de regresiónlogística en VPP con un valor de 85 %. (Tabla 5).
Al analizar el comportamiento de la curva ROC,los valores con el algoritmo CHAID fueron de0,732, mientras que los del modelo de regresión
logística binaria fueron de 0,697, lo cual esconsiderado como aceptable para evaluar lacapacidad predictiva de los modelos. (Tabla 6).
Descargado el: 16-02-2016 ISSN 1727-897X
Medisur 38 enero 1970 | Volumen 14 | Numero 1
DISCUSIÓN
Al analizar la distribución de pacientes para cadauno de los años estudiados, se observó unincremento de la DM t ipo 2 de maneraproporcional al transcurso del tiempo. A mayoresescalas sucede algo similar, o sea, en Cuba y enel mundo, la enfermedad afecta cada vez a máspersonas. De manera específica, la altafrecuencia del pie diabético como unacomplicación importante de la diabetes, ha sidoreconocida a nivel mundial por su impacto sobrelos sistemas de salud.15,16
Al aplicar la técnica de regresión logística secomprobó la bondad del ajuste del modelorespecto a los datos, a través del estadígrafo ChiCuadrado de Hosmer y Lemeshow, sin obtenerdiferencias entre los valores esperados y losobservados, con independencia de la prevalenciadel suceso, por lo cual se considera que elmodelo se ajusta a los datos.
Al evaluar la interrelación entre los cambios de lavariable dependiente por la unidad de cambiosde cada una de ellas, se obtuvo un resultadosignificativo en los valores de R2 de Cox y Snellyy R2 de Nagelkerke. Estos análisis previos indicanque algunas de las variables independientesfuncionaron en el modelo de regresión logísticacomo variables predictoras.
La probabilidad de padecer pie diabético en lapoblación estudiada, está significativamenterelacionada con la edad, tiempo de evolución depadecer diabetes, antecedentes patológicos decardiopatía isquémica e hiperlipidemia. Losresultados coinciden con los criterios dediferentes autores que han estudiado estepadecimiento,17,18 e incluyen las variablesidentificadas como factores de riesgo unidas aotros factores que no se registran en la Clínicadel Diabético de Cienfuegos.
Para la obtención del modelo mediante elalgoritmo CHAID, se comprobó que las variablescardiopatía isquémica e hiperlipidemia fueron lasde mayor incidencia en el padecimiento del piediabético, con un 97,3 %. No obstante, tambiéninfluyen en esta enfermedad las variables edad(pacientes mayores de 50 años), niveles deglucemia (valores mayores de 7,0 mmol/l) ytiempo de evolución (más de dos años condiagnóstico de DM).
Posteriormente se realizó la selección del modelomás ventajoso, mediante la tabla de clasificaciónde cada uno los modelos elaborados. (Tablas 3 y4). Se seleccionó el modelo con mejor porcentajede PT y VPP, y se tomó el de mayor Sb, ya que elobjetivo del trabajo es la predicción delpadecimiento de pie diabético y de acuerdo conlo que plantean diferentes autores paraestablecer hipótesis diagnósticas, se requierenpruebas de alta sensibilidad para evitar queescapen positivos (enfermos).19
Respecto al porcentaje de clasificación, losmodelos se comportaron de forma similar,aunque el árbol de decisión con CHAID esl igeramente super io r con un 80 % declasificación correcta. Respecto al VPP losmodelos mostraron valores adecuados,superiores en el árbol de decisión con CHAID,que fue de 85 %. Los resu l tados de lasensibilidad, tanto para el modelo de regresiónlogística, como para el árbol de decisión, secomportaron de forma similar, ya que ambosclasificaron correctamente a los pacientes quetenían padecimiento de pie diabético con valoresde 89,3 % y 89,1 %, respectivamente.
Como los modelos se comportaron de formabastante similar en los elementos analizados, seprocedió a validar los resultados a través de lacurva ROC, lo cual permite comprobar la utilidadde las variables pronósticas que, ante un par de
Descargado el: 16-02-2016 ISSN 1727-897X
Medisur 39 enero 1970 | Volumen 14 | Numero 1
individuos, uno enfermo y otro sano, losclasifique correctamente.20 Este procedimientoreveló que, aunque ambos modelos tienenresultados aceptables para la predicción, losvalores del área bajo la curva para el modeloelaborado con el algoritmo CHAID fueronsuperiores a los del modelo de regresión logísticabinaria. Por tanto, se decidió seleccionar elmodelo elaborado con el árbol de decisión comoel más efectivo.
Como resultado del proceso de búsqueda de unmodelo estadístico predictivo del padecimientode pie diabético en la población de pacientes conDM de tipo 2 a partir de factores de riesgo, sepudo establecer que el uso de los árboles dedecisión a través del algoritmo CHAID constituyela variante que garantiza una capacidadpredictiva adecuada, factible para ser aplicadaen la Clínica del diabético de Cienfuegos.
REFERENCIAS BIBLIOGRÁFICAS
1. Berea R, Rivas R, Pérez M, Palacios L, Moreno J,Talavera J. Del juicio clínico a la regresiónlogística múltiple. Rev Med Inst Mex Seguro Soc.2014 ; 52 (2): 192-7.
2. Cuadras C. Nuevos Métodos de AnálisisMultivariante. Barcelona: CMC Editions; 2014.
3. González V. Aspectos críticos del empleo ensalud de modelos estadísticos de clasificación.Rev Méd Electrón [revista en Internet]. 2014 [cited 16 Sep 2015 ] ; 36 (1): [aprox. 14p].A v a i l a b l e f r o m :http://scielo.sld.cu/scielo.php?pid=S1684-18242014000700007&script=sci_arttext.
4. Medina M, Palma M, Zapata R, Pérez N, ZunigaM. Cincuenta años de uso de la estadística en lainvestigación en salud pública. Una proyección al2029. Ciencia y Humanismo en la Salud. 2014 ; 1(3): 89-103.
5. Segura AM. Aplicación de árboles de decisiónen la salud pública. Revista CES Salud Pública[revista en Internet]. 2012 [ cited 16 Sep 2015 ] ;3 (1 ) : [ ap rox . 20p ] . Ava i l ab le f r om:http://revistas.ces.edu.co/index.php/ces_salud_publica/article/view/2140/1444.
6. World Health Organization. Global statusreport on noncommunicable diseases 2014.Geneva: WHO; 2014.
7. World Health Organization. Global HealthEstimates: Deaths by Cause, Age, Sex andCountry, 2000-2012 [Internet]. Geneva: WHO;2014. [ cited 16 Sep 2015 ] Available from:http://www.who.int/healthinfo/global_burden_disease/estimates/en/index1.html.
8. Mathers CD, Loncar D. Projections of globalmortality and burden of disease from 2002 to2030. PLoS Med. 2006 ; 3 (11): e442.
9. Mass G, Cabrera T, Torres F, Vidal G, Moya A,Alonso J. Efectividad del Heberprot P en la úlcerade pie diabético en un área de salud. Finlay[revista en Internet]. 2014 [ cited 16 Sep 2015 ] ;4 ( 2 ) : [ a p r o x . 7 p ] . A v a i l a b l e f r o m :http://www.revfinlay.sld.cu/index.php/finlay/article/view/255/1297.
10. Jiménez G, Martínez MT, Gómez M, CarmouseH. Nivel de conocimientos del paciente diabéticosobre la prevención del pie diabético. Medisur[revista en Internet]. 2007 [ cited 16 Sep 2014 ] ;5 ( 2 ) : [ a p r o x . 6 p ] . A v a i l a b l e f r o m :http://www.redalyc.org/pdf/1800/180020191008.pdf.
11. Bustillo MJ, Feito T, Vegoña F, Alvarez Y,Guerra B. Resultados del tratamiento conheberprot-P a pacientes con diagnóstico de piediabético en el Municipio de Ranchuelo. ActaMédica del Centro [revista en Internet]. 2014 [cited 16 Sep 2015 ] ; 8 (2): [aprox. 12p].A v a i l a b l e f r o m :http://www.medigraphic.com/pdfs/medicadelcentro/mec-2014/mec142d.pdf.
12. Aguayo M. Cómo hacer una RegresiónLogística con SPSS© “paso a paso” (I) [Internet].Huelva: Fundación Andaluza Beturia para laInvestigación en Salud; 2007. [ cited 16 Sep 2015] A v a i l a b l e f r o m :http://www.fabis.org/html/archivos/docuweb/Regres_log_1r.pdf.
13. Berlanga V, Vilà R. Cómo obtener un Modelode Regresión Logística Binaria con SPSS. REIRE[revista en Internet]. 2014 [ cited 16 Sep 2015 ] ;7 (2 ) : [ ap rox . 28p ] . Ava i l ab le f r om:http://www.raco.cat/index.php/REIRE/article/view/278697/366441.
14. Rojo JM. Árboles de Clasificación y Regresión[Internet]. Madrid: Instituto de Economía yGeografía; 2006. [ cited 16 Sep 2015 ] Availablef r o m :http://humanidades.cchs.csic.es/cchs/web_UAE/tu
Descargado el: 16-02-2016 ISSN 1727-897X
Medisur 40 enero 1970 | Volumen 14 | Numero 1
toriales/PDF/AnswerTree.pdf.
15. Márquez S, Zonana A, Anzaldo M, Muñoz J.Riesgo de pie diabético en pacientes condiabetes mellitus tipo 2 en una unidad demedicina de familia. Semergen. 2014 ; 40 (4):183-8.
16. Álvarez A, Mena K, Faget O, Conesa AI,Domínguez E. El pie de riesgo de acuerdo con suestratificación en pacientes con diabetes mellitus.Rev Cubana Endocrinol [revista en Internet].2015 [ cited 16 Sep 2015 ] ; 26 (2): [aprox. 14p].A v a i l a b l e f r o m :http://www.bvs.sld.cu/revistas/end/vol26_2_15/end06215.htm.
17. Garriga L, Sánchez M, Vázquez MA.Caracterización del estado de salud de lapoblación diabética del Área 2 en Cienfuegos.Finlay [revista en Internet]. 2014 [ cited 16 Sep2015 ] ; 4 (2): [aprox. 12p]. Available from:
http://www.revfinlay.sld.cu/index.php/finlay/article/view/251/1276.
18. Pinilla, A, Barrera MP, Rubio C, Devia D.Actividades de prevención y factores de riesgoen diabetes mellitus y pie diabético. Acta MédicaColombiana [revista en Internet]. 2014 [ cited 16Sep 2015 ] ; 39 (3): [aprox. 18p]. Available from:http://www.scielo.org.co/pdf/amc/v39n3/v39n3a08.pdf.
19. Pita Fernández S, Pértegas Díaz S. Pruebasdiagnósticas: Sensibilidad y especificidad. CadAten Primaria. 2003 ; 10: 120-4.
20. Cerda J, Cifuentes L. Uso de curvas ROC eninvestigación clínica: Aspectos teórico-prácticos.Revista chilena de infectología [revista enInternet]. 2012 [ cited 16 Sep 2015 ] ; 29 (2):[ a p r o x . 1 0 p ] . A v a i l a b l e f r o m :http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0716-10182012000200003.