Entendiendo la Diabetes Gestacional: Perspectivas sobre la Prevalencia
Explorando la prevalencia de la diabetes gestacional en diferentes fuentes de datos.
― 6 minilectura
Tabla de contenidos
- Importancia de Estimaciones Precisadas de GDM
- Fuentes de Datos
- Método de Estimación de la Prevalencia de GDM
- Hallazgos sobre la Prevalencia de GDM
- Diferencias Demográficas
- Variaciones en las Estimaciones de Prevalencia
- Detección e Identificación de GDM
- Implicaciones para la Salud Pública
- Conclusión
- Fuente original
- Enlaces de referencia
La Diabetes Gestacional mellitus (GDM) es una condición en la que los niveles de azúcar en la sangre de una mujer se vuelven altos durante el embarazo. Esto puede causar complicaciones tanto para la madre como para el bebé, incluyendo problemas como defectos de nacimiento, alto peso al nacer y bajo nivel de azúcar en los recién nacidos. La GDM también aumenta el riesgo de que la madre y el niño desarrollen diabetes tipo 2 más adelante en la vida. Algunos grupos de mujeres, como las mamás más grandes y las de origen asiático, tienen un mayor riesgo de desarrollar esta condición.
Importancia de Estimaciones Precisadas de GDM
Para abordar los riesgos asociados con la GDM, es importante saber cuán común es en diferentes poblaciones. Sin embargo, las estimaciones de cuántas mujeres tienen GDM pueden variar según la fuente de los datos. Este artículo analiza datos de tres sistemas principales para ver cómo varía la prevalencia de la GDM entre ellos.
Fuentes de Datos
Los tres sistemas de vigilancia usados en este estudio son:
Sistema Nacional de Estadísticas Vitales (NVSS): Es un registro completo de nacimientos en los Estados Unidos recopilados de certificados de nacimiento. Muestra casos de GDM basados en registros médicos.
Base de Datos de Pacientes Internos Estatales (SID): Contiene registros de hospitales, cubriendo más del 95% de los egresos hospitalarios en los Estados Unidos. Los casos de GDM se identifican a través de códigos médicos específicos.
Sistema de Monitoreo de Evaluación de Riesgo de Embarazo (PRAMS): Es una encuesta que toma muestras de mujeres que han dado a luz recientemente, preguntándoles si tuvieron GDM durante su embarazo.
Método de Estimación de la Prevalencia de GDM
Para este estudio, estimamos la prevalencia de GDM usando datos de 2018 de estos tres sistemas. Nos enfocamos en mujeres de 18 a 39 años que tuvieron nacimientos vivos en lugares disponibles en las tres bases de datos.
Recolección de Datos de NVSS
Los datos de NVSS se obtienen de certificados de nacimiento, que proporcionan información completa sobre todos los nacimientos. La prevalencia de GDM se calculó tomando el número de nacimientos con GDM y dividiéndolo por el número total de nacimientos vivos en cada estado.
Recolección de Datos de SID
El SID registra datos de alta hospitalaria. La prevalencia de GDM se calcula de manera similar a NVSS, pero solo incluye nacimientos que ocurrieron en hospitales. Dado que algunos nacimientos suceden fuera de hospitales, este sistema puede reflejar una prevalencia más alta de GDM de lo que realmente existe.
Recolección de Datos de PRAMS
PRAMS recoge datos de encuestas de mujeres que han tenido nacimientos vivos. Cada estado toma una muestra de un número de mujeres para determinar si tuvieron GDM. La prevalencia se calcula dividiendo el número de mujeres que informan tener GDM por el número total de encuestadas que tuvieron nacimientos vivos.
Hallazgos sobre la Prevalencia de GDM
Usando los datos de NVSS, la prevalencia de GDM varió del 3.8% en Mississippi al 11.0% en Alaska. El SID mostró un rango ligeramente más alto, del 5.4% en Mississippi al 13.2% en Alaska. Los datos de PRAMS indicaron una prevalencia del 4.5% en Washington D.C. al 13.8% en Alaska.
Incluso al comparar poblaciones similares de los tres sistemas, los números aún variaron bastante. Por ejemplo, Virginia Occidental mostró un amplio rango del 6.1% al 11.7%. En contraste, estados como Colorado e Iowa tuvieron rangos más pequeños de prevalencia de GDM.
Diferencias Demográficas
Para entender mejor por qué estas estimaciones de GDM son diferentes, miramos las demografías de mujeres de 18 a 39 años en los tres sistemas. Las demografías de participantes eran generalmente similares entre las fuentes de datos; sin embargo, NVSS tenía menos nacimientos de mujeres no hispanas de diferentes razas en comparación con los otros dos sistemas. SID presentó menos nacimientos hispanos, mientras que PRAMS tuvo más nacimientos de mujeres negras y blancas no hispanas.
A pesar de estas pequeñas diferencias, la prevalencia general de GDM siguió siendo diferente entre sistemas: 6.6% en NVSS, 8.0% en SID, y 9.0% en PRAMS.
Variaciones en las Estimaciones de Prevalencia
Las variaciones en las estimaciones de prevalencia de GDM entre los tres sistemas destacan el impacto de cómo se recopilan y analizan los datos. Cada fuente de datos tiene sus propias fortalezas y debilidades.
Fortalezas y Debilidades de Cada Sistema de Datos
NVSS: Este sistema es fuerte ya que proporciona un registro completo de todos los nacimientos. Sin embargo, puede subestimar la GDM, ya que estudios muestran que no siempre captura todos los casos con precisión.
SID: Este sistema se beneficia de datos hospitalarios extensos, pero depende de códigos que a veces pueden ser inexactos. También puede sesgar los datos hacia tasas más altas de GDM, ya que cubre principalmente nacimientos en hospitales.
PRAMS: Aunque este sistema ofrece datos ricos de encuestas, enfrenta desafíos como tasas de respuesta más bajas en algunos estados. Además, los datos autoinformados pueden introducir algunos sesgos.
Detección e Identificación de GDM
Actualmente, el Grupo de Trabajo de Servicios Preventivos de EE. UU. recomienda screening para GDM en mujeres embarazadas alrededor de las 24 semanas de embarazo. Sin embargo, las pautas sobre cómo realizar este screening pueden diferir, lo que puede llevar a variaciones en cómo se diagnostica la GDM. Como resultado, diferentes instalaciones médicas pueden mostrar diferentes tasas de prevalencia de GDM.
Implicaciones para la Salud Pública
Tener datos precisos sobre la prevalencia de GDM es crucial para desarrollar estrategias efectivas de salud pública. Entender la magnitud de esta condición puede ayudar a asignar los recursos necesarios para prevenir y manejar la GDM. Los sistemas de vigilancia que pueden identificar grupos específicos en mayor riesgo, basados en factores geográficos, raciales y étnicos, juegan un papel vital en este esfuerzo.
Mejorando la Vigilancia
Para mejorar la vigilancia de GDM, es esencial aumentar la precisión de la recolección de datos. Los hospitales y otras instalaciones médicas pueden implementar iniciativas de mejora de calidad para asegurar que la GDM se documente correctamente.
Conclusión
En resumen, la GDM es un problema de salud significativo durante el embarazo que puede tener efectos duraderos. La prevalencia estimada de GDM varía entre diferentes sistemas de datos, destacando la necesidad de información precisa. Aunque cada fuente de datos tiene sus méritos, una mejor documentación y métodos de recolección de datos mejorados son esenciales para entender y manejar la GDM de manera efectiva. Las políticas de salud pública pueden beneficiarse de esta información para asegurarse de que los programas de prevención lleguen a quienes más se ven afectados por la GDM.
Título: State-Level Gestational Diabetes Prevalence Estimates from Three Data Sources, 2018
Resumen: We investigated 2018 gestational diabetes mellitus (GDM) prevalence estimates in three surveillance systems (National Vital Statistics System, State Inpatient Database, and Pregnancy Risk Assessment Monitoring Survey). We calculated state GDM prevalence for each system; a subset of data was analyzed for women 18-39 years old in 22 locations present in all three systems to observe dataset-specific demographics and GDM prevalence using comparable categories. GDM prevalence estimates varied widely by data system and within the data subset despite comparable demographics. Understanding the differences between GDM surveillance data systems can help researchers better identify people and places at higher risk of GDM.
Autores: Michele Leigh Flippo Bolduc, C. I. Mercado, Y. Zhang, E. A. Lundeen, N. D. Ford, K. M. Bullard, D. C. Carty
Última actualización: 2023-10-31 00:00:00
Idioma: English
Fuente URL: https://www.medrxiv.org/content/10.1101/2023.10.30.23297796
Fuente PDF: https://www.medrxiv.org/content/10.1101/2023.10.30.23297796.full.pdf
Licencia: https://creativecommons.org/publicdomain/zero/1.0/
Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.
Gracias a medrxiv por el uso de su interoperabilidad de acceso abierto.