Estimación de la composición corporal mediante el reparto del índice de masa corporal entre adiposidad y masa magra relativas: desarrollo y validación del porcentaje de masa corporal magra

Eduardo Óscar Mill Ferreyra^a,b,*, Rosa Lourdes Verde de García^a, Marta Azuara Azuara^a, Ana Zarza Fernández^a, Marta Rodríguez Arce^a

^aCorporació de Salut del Maresme i la Selva. Calella (Barcelona). ^bResidencia Geriátrica Clivia. Blanes (Girona).

Resumen

Introducción. Debido a sus limitaciones en ciertos entornos con probabilidad de trastornos cardiovasculares y metabólicos, la clasificación clínica antropométrica centrada en el índice de masa corporal (IMC) requiere ser complementada mediante la estimación de la composición corporal (CC). Se han desarrollado múltiples estimadores de grasa corporal, que no tienen en cuenta la masa magra, no contemplada en la práctica habitual. Se propone validar un método de cálculo simplificado de CC, centrado en estos componentes, para uso clínico.

Metodología. El estudio se realizó en tres fases: en la primera se desarrolló la Fórmula MCM%; en la segunda se estudió la relación entre diferentes fórmulas de masa magra; y en la tercera se procedió a la validación comparativa. Se utilizaron regresión lineal, estudio de concordancia y gráficos de Bland-Altman.

Resultados. En la primera etapa se evidenció una variabilidad (R²) del 93 % entre grasa corporal y masa magra, según la Fórmula de James del 93; así se conformó la ecuación de la recta MCM%. En la segunda etapa se evidenció falta de equivalencia entre las tres fórmulas de MCM utilizadas, por lo que se asumió como estándar de validación la Fórmula de James. En la tercera etapa se obtuvo R² = 94 %, error estándar = 0,01 y concordancia = 0,97. En la gráfica de Bland-Altman, la diferencia de la media fue de 0,06, sin sesgo de tendencia.

Conclusiones. La estimación de CC mediante la Fórmula de Palafolls y MCM% es efectiva, simple y aplicable en la consulta de atención primaria como complemento al IMC.

© 2025 Sociedad Española de Médicos Generales y de Familia.
Published by  Ergon Creación, S.A.

Estimation of body composition by dividing body mass index between relative adiposity and lean mass: development and validation of lean body mass percentage

Abstract

Introduction. Clinical anthropometric classification based on body mass index (BMI), due to its limitations in certain settings with a likelihood of cardiovascular and metabolic disorders, requires supplementation through body composition (BC) estimation. Multiple body fat estimators have been developed, often disregarding lean mass, which is not routinely considered in practice. This study aims to validate a simplified BC calculation method focused on these components for clinical use.

Method. The study was conducted in three phases: the first involved developing the MCM% formula; the second examined the relationship among different lean mass formulas; and the third carried out comparative validation. Linear regression, concordance analysis, and Bland-Altman plots were used.

Results. In the first phase, variability (R²) between body fat and lean mass using James’s formula reached 93%, forming the MCM% regression equation. In the second phase, a lack of equivalence among the three MCM formulas was observed, leading to the adoption of James’s formula as the validation standard. In the third phase, results showed R² = 94%, standard error = 0.01, and concordance = 0.97. The Bland-Altman plot revealed a mean difference of 0.06, with no trend bias.

Conclusions. BC estimation using the Palafolls formula and MCM% proves effective, simple, and suitable for use in primary care consultations, complementing BMI.

© 2025 Sociedad Española de Médicos Generales y de Familia.
Published by  Ergon Creación, S.A.

Introducción

La obesidad tiene un impacto pandémico. Sus repercusiones en la morbilidad se extienden al ámbito cardiovascular: progresivo incremento de la insuficiencia cardiaca (ICC) con fracción de eyección conservada¹, resistencia a la insulina (RI) en forma de síndrome metabólico², diabetes mellitus tipo 2³ (DM2) o hígado graso no alcohólico⁴.

La relación entre la mortalidad por ICC y el índice de masa corporal (IMC) presenta una curva en forma de “U”, que evidencia la necesidad de estudios con métricas de composición corporal (CC) más específicas para establecer su dicotomía⁵.

Un estudio realizado en Japón demostró que tanto la obesidad como el bajo IMC pueden contribuir a una mayor RI6, pues muestran una relación en “U” similar a la observada en la ICC, por lo que los estudios de CC serán útiles para esclarecer esta situación.

La relación entre la RI y la masa magra es inversa en sus valores respecto al IMC7, lo que genera nuevas pruebas sobre la limitación del IMC para reflejar con precisión la CC.

La disponibilidad de la medición de grasa corporal (GC) en la consulta de atención primaria es nula, ya que técnicas como la tomografía computada, la absorciometría de rayos X de doble energía o la pletismografía por desplazamiento de aire no son accesibles. Por ello, debemos recurrir a métodos de estimación encabezados por el IMC.

Entre las medidas estimativas de la GC, se incluyen la impedancia bioeléctrica de frecuencias múltiples, diversas fórmulas con un nivel significativo de complejidad matemática y técnicas de medición de pliegues subcutáneos, las cuales presentan una baja concordancia entre operadores.

Además de las técnicas de medición mencionadas, en lo referente a la masa magra existen fórmulas de estimación que expresan los resultados en kilogramos (kg) y generan asimetría con respecto a las estimaciones de adiposidad, cuyos resultados se reportan en valores relativos.

Ante esta situación, nuestro objetivo fue establecer la validación de ecuaciones simplificadas para la estimación de la CC centradas en el porcentaje de grasa corporal y masa magra a partir de variables antropométricas elementales, para complementar la información brindada por el IMC.

Material y métodos

Todos los participantes son pacientes atendidos en el consultorio de Palafolls. Se trata de un estudio transversal y observacional, cuyo objetivo se especifica en la sección de introducción. La muestra fue calculada considerando un intervalo de confianza del 95 % (IC95 %), en función de la población de Palafolls, lo que dio como resultado un total de 370 pacientes.

Este estudio se desarrolló en tres fases:

Fase 1

En un primer grupo, compuesto por 492 pacientes, se calculó el porcentaje de grasa corporal utilizando la fórmula Palafolls y la masa magra mediante la fórmula de James. Los valores absolutos obtenidos (en kg) fueron transformados a valores relativos; el peso corporal medido fue tomado como 100 %. La relación entre ambos parámetros se analizó mediante regresión lineal con la siguiente ecuación:

• MCM% = 111,56 – (− 1,16 × GC% FP)
• GC% FP representa el porcentaje de grasa corporal calculado con la fórmula Palafolls.

Fase 2

A partir de la estimación de la capacidad predictiva de la relación anterior, se realizó una comparación de la eficacia estimativa entre tres fórmulas identificadas a través de una búsqueda bibliográfica. Esta comparación se llevó a cabo mediante análisis de concordancia y gráfica de Bland-Altman.

Fase 3

Una vez establecida la eficacia de las fórmulas de masa magra, se procedió a validar la fórmula MCM% desarrollada en este estudio, comparándola con otras fórmulas que persiguen el mismo fin estimativo. En esta fase se incluyeron pacientes de ambos sexos, sumados a la muestra inicial hasta alcanzar un total de 1.487 participantes.

Criterios de inclusión

La inclusión se realizó en consulta de atención primaria, según los criterios posteriormente descritos, en pacientes que se presentaron a consulta, acordada por cita previa, según las reglas administrativas para su obtención. Su periodo se extendió desde el 1 de septiembre de 2022 al 20 de octubre de 2023.

Los criterios empleados fueron:

• Pacientes de ambos sexos mayores de 15 años.
• Pacientes asintomáticos que acudieran a consulta para control de salud.
• Pacientes que aceptaran su inclusión mediante la firma del consentimiento informado o la aprobación de su tutor legal.

Criterios de exclusión

Los tenidos en cuenta fueron:

• Pacientes con tratamientos que afectaran la secreción de insulina, como glucocorticoides, o con diagnósticos tales como síndrome de Cushing, enfermedad tiroidea o enfermedad renal crónica con filtrado glomerular menor a 70 ml/min/1,73 m², debido a las alteraciones antropométricas y hemodinámicas asociadas a episodios de retención hidrosalina.
• Pacientes con patologías reumáticas que afectaran a cualquier sistema orgánico, debido a la modificación del perfil inflamatorio.
• Pacientes que hubieran sido hospitalizados en los últimos tres meses.
• Pacientes con impedimentos físicos que imposibilitaran la medición de sus parámetros antropométricos.
• Pacientes con insuficiencias orgánicas crónicas, en cualquier nivel evolutivo.
• Mujeres embarazadas.

Variables de estudio y mediciones

Las variables básicas analizadas fueron peso, talla y perímetro abdominal. La edad se registró en años y el peso en kg.

Se utilizó una balanza con precisión de 100 g y un peso máximo tolerado de 140 kg.

La talla se describió en metros (m), con los pacientes en ropa interior, sin calzado y en posición de bipedestación. Se utilizó un tallímetro incorporado a la balanza, con desplazamiento superior móvil, una medida máxima de 2 m y precisión de 1 mm, según el fabricante (SECA Vogel & Haike, Hamburgo, Alemania). La cabeza se posicionó en el plano de Frankfurt (plano horizontal nariz-trago, paralelo al suelo).

El perímetro abdominal se midió en centímetros (cm), con cinta métrica no extensible, a la altura del ombligo, en línea paralela al suelo, con respiración tranquila y brazos en reposo, paralelos al tronco. Los puntos de corte fueron 88 cm para mujeres y 102 cm para hombres.

Las fórmulas utilizadas fueron:

• Índice de masa corporal:
  • (IMC) = peso / talla [m]²
• Grasa corporal relativa:
  • Fórmula de Palafolls¹¹:
    ([IMC/PA] × 10) + IMC + (10 × sexo) (sexo: hombres = 0; mujeres = 1)
• Masa magra:
  • Fórmula de James¹²:
    Hombres: (1,1 × peso [kg]) – 128 × (peso/talla [cm])²
    Mujeres: (1,07 × peso [kg]) – 148 × (peso/ talla [cm])²
  • Fórmula de Hume^13:
    Hombres = (0,3281 × peso [kg]) + (0,33929 × talla [cm]) – 29,5336.
    Mujeres = 0,29569 × peso [kg]) + (0,41813 × talla [cm]) – 43,2933.
  • Fórmula de Boer¹⁴:
    Hombres: (0,407 × peso [kg]) + (0,267 × talla [cm]) – 19,2
    Mujeres: (0,252 × peso [kg]) + (0,473 × talla [cm]) – 48,3

Aspectos éticos y legales

Se utilizó la base de datos de un proyecto validado por el Comité de Ética en la Investigación Médica Regional, con el código CEIm 43/19 para la primera fase; para la tercera fase, la validación del Comité obtuvo el código 28/22. Se obtuvo el consentimiento informado de cada paciente o de su tutor legal por duplicado. Asimismo, se respetaron los principios de la Declaración de Helsinki, la confidencialidad de los datos y las normas éticas establecidas en estudios clínicos.

Estudio estadístico

Los valores descriptivos de las variables se expresaron en términos de media y desviación estándar (DE). La distribución se analizó mediante el Test de Shapiro-Wilks, transformando las variables no normales mediante conversión logarítmica. Las relaciones de dependencia entre variables se estudiaron mediante regresión lineal.

El análisis comparativo de medias se realizó mediante el Test T de Student o la prueba U de Mann-Whitney para variables apareadas. Las correlaciones se evaluaron con los test de Pearson o Spearman. El análisis de concordancia se llevó a cabo utilizando el coeficiente de correlación de Lin y se representó gráficamente con diagramas de Bland-Altman.

Los parámetros de referencia fueron GC% con Fórmula de Palafolls, y MCM% con las Fórmulas de James, Hume y Boer. Se consideró significativa una p < 0,05. El análisis estadístico se realizó con el software Navure (versión 2.3.0, 2025).

Resultados

Fase 1

Trabajamos con una muestra total de 492 pacientes, 203 hombres y 289 mujeres (X2 = 15,03; p = 0,0001). Edad media 51,47 (DE 16,58); (IC95 %: 50,00-52,93); peso medio 77,47 (DE 17,63) (IC95 %: 75,90-79,03); talla media 1,64 (DE 0,09) (IC95 %: 1,63-1,64); IMC medio 28,87 (DE 5,76) (IC95 %: 28,36-29,38); PA media 97,52 (DE 14,62) (IC95 %: 96,22-98,81); GC% FP media 37,71 (DE 7,72) (IC95 %: 37,03-38,39); MCM% James media 67,90 (DE 9,27) (IC95 %: 67,07-68,72).

Como se describió, en esta fase estudiamos la relación entre GC% FP y MCM% James. Se obtuvo R2 = 0,93; ß = (–1,16); error estándar (EE): 0,01 (p < 0,0001). Estos valores de variabilidad explicada proponen alta predicción (figura 1).

Fase 2

La muestra completa, conformada por 1487 pacientes, fueron 692 hombres y 795 mujeres, (X² = 7,13; p = 0,0076).

En la tabla 1 se muestran los valores descriptivos de la muestra total. Se comprueba que en la edad no hay diferencia respecto del sexo. En el grupo de hombres los valores de PA e IMC son mayores. Respecto a la GC%, el grupo de mujeres muestra mayor composición adiposa y destaca que los valores de masa magra por ambas fórmulas utilizadas en los pacientes con menor IMC y GC% son significativamente mayores.

El estudio de distribución se estudia por Test de Shapiro-Wilks. Muestra valores fuera de la normal en todos, excepto en MCM% Hume; la conversión logarítmica no es efectiva para generar valores Gaussianos.

En la tabla 2 se muestra el estudio bivariante de media entre las fórmulas estimativas de masa magra.

El estudio de concordancia entre la Fórmula de James y la de Boer muestra 0,9554. Con la Fórmula de Hume 0,8052 (p < 0,0001). Estudiado por gráfica de Bland-Altman (figura 2), la Fórmula de Boer respecto de la de James tiene una diferencia 0,83 (2,29) × 1,96 = ± 4,48; con la de Hume la diferencia de media se extiende a 3,91 (3,04) × 1,96 = ± 5,95.

Fase 3

Estudio de la relación de dependencia entre MCM% James frente a MCM%: R2 = 0,94; ß= 0,97; EE = 0,01 (p < 0,0001). En la figura 3A se muestra el diagrama de dispersión correspondiente.

El análisis de concordancia llega a 0,9719 (p < 0,0001). En la figura 3B se muestra la gráfica de Bland-Altman correspondiente, en la que la diferencia de la media es 0,06 y el límite de acuerdo ± 3,88; incluye casi todos los puntos en su interior, lo que expresa la imagen de la concordancia descrita. Por la diferencia de la media se puede considerar sin sesgo sistemático y sugiere que MCM% es una fórmula intercambiable respecto de la de James.

Para estudiar la tendencia entre MCM% y la Fórmula de James, utilizamos análisis de regresión lineal. Se obtiene: R2 = 0,00; ß = 0,00; EE = 0,01 (p = 0,9680); esto descarta relación significativa.

Figura 1 – Diagrama de regresión lineal entre grasa corporal calculada por fórmula Palafolls y masa corporal magra porcentual calculada por fórmula de James.

Tabla 1 – Valores descriptivos.

Tabla 2 – Estudio bivariante centrado en la media de los valores estimativos de masa magra.

Figura 2A – Gráficas de Bland Altman: diferencias entre las fórmulas de masa magra.

Figura 2B – Gráficas de Bland Altman: diferencias del cálculo de la masa magra porcentual.

Figura 3A – Diagrama de dispersión, expresión gráfica de regresión lineal entre MCM% y fórmula de James.

Figura3B – Gráficas de Bland Altman: diferencias entre MCM% y fórmula de James.

Comentarios

Nuestro objetivo fue desarrollar una forma estimativa de CC basada en dos compartimentos: grasa y tejido magro. Con la validación de MCM% en función de la Fórmula de James, logramos una estimación efectiva de esta en función del GC% calculado por la Fórmula de Palafolls¹¹.

Estas fórmulas destacan por su simplicidad de cálculo, lo que permite diferenciarlas de otras de mayor complejidad. En cuanto al GC%, la Fórmula CUN BAE¹⁵ incluye nueve constantes decimales y se basa en IMC, edad y sexo. Este número de variables dificulta el cálculo no informatizado y puede generar errores por la complejidad y cantidad de factores involucrados.

La Fórmula de Deurenberg¹⁶ presenta tres constantes decimales y también se basa en sexo, IMC y edad. Aunque fue validada en una población distinta a las de CUN BAE y Palafolls, logramos su validación comparativa en población diabética y obtuvimos buena paridad a pesar de estas diferencias¹⁷.

En el ámbito de población española se desarrolló la Fórmula ECORE BF¹⁸, presentada como una simplificación efectiva de la CUN BAE. Su estructura incluye el logaritmo neperiano del IMC, lo que añade complejidad en entornos asistenciales donde el cálculo informatizado no es posible.

En 2017 se desarrollaron fórmulas basadas en datos del National Health and Nutrition Examination Survey (NHANES)¹⁹, que incluyen cinco constantes decimales y variables como edad, talla, peso y PA, además de constantes específicas según la etnia evaluada. Estas fórmulas aportan resultados absolutos en kg, lo que permite unificación con las fórmulas de masa magra, aunque se diferencian de las europeas, cuyos resultados son relativos.

En la fase 1 de nuestro trabajo obtuvimos una variabilidad del 93 % en la relación inversamente proporcional entre GC% FP y MCM% James, que marcó el inicio del desarrollo y permitió vislumbrar la detección de esta relación inversa vinculada a la expansión del tejido adiposo.

Una prueba similar se observó en pacientes que, tras reducción de peso por ejercicio físico, disminuyeron su masa grasa e incrementaron la MCM²⁰, lo que confirma una relación inversa como la demostrada en nuestros resultados.

En la fase 2, determinamos diferencias significativas entre las Fórmulas de James, de Hume¹³ y de Boer¹⁴. Al no ser intercambiables, se decidió su exclusión en la gestión de validación.

Comprobamos que MCM% con la Fórmula de James, mediante estudio de concordancia y gráfica de Bland-Altman, demostró valores altos (0,97) y ausencia de sesgo (diferencia de media 0,06), además de límites de concordancia que incluyen casi todos los puntos evaluados.

Nuestra propuesta no solo ofrece ecuaciones simples y efectivas, sino que unifica en formato relativo porcentual tanto la grasa corporal como la masa magra.

Al analizar los valores de la tabla 1, se observa que el valor medio de GC% es más alto en pacientes con IMC superior al punto de corte, esperable según el valor tradicional de masa grasa en función del peso corporal.

Una situación distinta se evidencia en la masa magra: en pacientes con IMC elevado, el valor medio de MCM% es menor, lo que sugiere que el aumento del tejido adiposo reduce la masa magra como efecto invasivo y expansivo de la grasa corporal.

Este dato coincide con la relación entre GC% FP y MCM% James observada en la fase 1.

Esta diferencia de CC dentro del IMC tiene implicaciones en el metabolismo de la glucosa, ya que la masa grasa y la masa magra son predictores independientes del riesgo de DM2²¹.

Esta situación metabólica vinculada a la CC, junto con la relación inversa entre GC y MCM, recuerda que esta última incluye la masa muscular, órgano clave en los efectos de la insulina. Existen datos que la masa magra vincula el IMC con la fuerza de agarre²², lo que refuerza la relevancia de nuestra propuesta estimativa de CC y de masa magra en particular.

La importancia de la CC en el metabolismo de la glucosa se extiende a poblaciones como la japonesa, en que la masa grasa y magra predichas demostraron fuerte relación con el riesgo de desarrollar DM2²³ y, por ende, con la resistencia a la insulina.

Tales datos sobre la CC también se extienden a procesos vasculares. Se ha demostrado que la actividad física moderada se asocia a menor rigidez arterial, mientras que la actividad vigorosa conlleva una pared carotídea más gruesa, atribuida a mayor masa magra²⁴.

En esta línea, utilizando la estimación de GC% por la Fórmula de Palafolls, establecimos relación entre valores superiores a 60 mmHg de presión de pulso (indicador de rigidez arterial) y valores de resistencia a la insulina²⁵.

Tras vincular alteraciones metabólicas y vasculares, el IMC demostró ser poco fiable para predecir masa magra y fuerza en pacientes geriátricos, por lo que la estimación predictiva de MCM resulta más adecuada para la evaluación clínica²⁶.

No se recomienda un IMC bajo para mejorar la supervivencia en pacientes ancianos. En cambio, una mayor masa magra se asocia a mejor pronóstico²⁷, lo que posiciona nuestra propuesta como una variable simple y efectiva para complementar el IMC en la atención primaria individualizada.

La composición corporal calculada por la Fórmula de Palafolls ha demostrado eficacia en sus artículos de validación^11,17. Su simplicidad supera a las fórmulas utilizadas en población hispana. Para estimar la masa magra, proponemos su fórmula derivada MCM%, elemental desde el punto de vista matemático, que unifica los resultados en valores porcentuales y evita el paso adicional de conversión de valores absolutos a relativos. La eficacia demostrada frente a la Fórmula de James permite considerarlas intercambiables, una opción sólida de estimación predictiva.

Las limitaciones de nuestro trabajo incluyen el diseño transversal, que restringe las conclusiones, y la falta de medición directa, que obliga el uso de fórmulas de referencia. Al tratarse de un estudio de único centro, se requieren más evaluaciones para fortalecer los hallazgos. La inclusión por cita previa podría sesgar edad e IMC.

Conclusiones:

La composición corporal, centrada en el porcentaje de grasa, calculada por la Fórmula de Palafolls y su fórmula derivada (masa corporal magra porcentual), constituyen una herramienta simple y efectiva para complementar el IMC en la práctica clínica diaria, tanto en atención médica primaria como en consulta de enfermería.

Conflicto de intereses

Los autores declaran no tener ningún conflicto de intereses.

Bibliografía

1. Borlaug BA, Sharma K, Shah SJ, Ho JE. Heart Failure With Preserved Ejection Fraction: JACC Scientific Statement. J Am Coll Cardiol. 2023; 81(18): 1810-34.
2. Engin A. The Definition and Prevalence of Obesity and Metabolic Syndrome: Correlative Clinical Evaluation Based on Phenotypes. Adv Exp Med Biol. 2024; 1460: 1-25.
3. Kautzky-Willer A, Leutner M, Harreiter J. Sex differences in type 2 diabetes. Diabetologia. 2023; 66(6): 986-1002. doi: 10.1007/s00125-023-05891-x.
4. Teng ML, Ng CH, Huang DQ, Chan KE, Tan DJ, Lim WH, et al. Global incidence and prevalence of nonalcoholic fatty liver disease. Clin Mol Hepatol. 2023; 29(Suppl): S32-42.
5. Hall ME. Body Mass Index and Heart Failure Mortality: More Is Less? JACC Heart Fail. 2018; 6(3) :243-5.
6. Ishida N, Harada S, Toki R, Hirata A, Matsumoto M, Miyagawa N, et al. Causal relationship between body mass index and insulin resistance: Linear and nonlinear Mendelian randomization study in a Japanese population. J Diabetes Investig. 2025; 16(7): 1305-14.
7. Zhong VW, Bancks MP, Schreiner PJ, Lewis CE, Steffen LM, Meigs JB, et al. Insulin resistance since early adulthood and appendicular lean mass in middle-aged adults without diabetes: 20 years of the CARDIA study. J Diabetes Complications. 2019; 33(1): 84-90.
8. Edwards MH, Ward KA, Ntani G, Parsons C, Thompson J, Sayer AA, et al. Lean mass and fat mass have differing associations with bone microarchitecture assessed by high resolution peripheral quantitative computed tomography in men and women from the Hertfordshire Cohort Study. Bone. 2015; 81: 145-51.
9. Tan C, Chan KE, Ng CH, Tseng M, Syn N, Tang ASP, et al. DEXA scan body fat mass distribution in obese and non-obese individuals and risk of NAFLD-Analysis of 10,865 individuals. J Clin Med. 2022; 11(20): 6205.
10. Warolin J, Kantor J, Whitaker LE, Choi L, Acra S, Buchowski MS. Comparative assessment of change in fat mass using dual X-ray absorptiometry and air-displacement plethysmography. Clin Obes. 2012; 2(3-4): 66-72.
11. Mill-Ferreyra E, Cameno-Carrillo V, Saúl-Gordo H, Camí-Lavado MC. Estimación del porcentaje de grasa corporal en función del índice de masa corporal y perímetro abdominal: fórmula Palafolls. Semergen. 2019; 45(2): 101-8.
12. James WPT. Research on obesity. Nutr Bull. 1977. doi: 10.1111/j.1467-3010.1977.tb00966.x
13. Hume R. Prediction of lean body mass from heigth and weight. J Clin Pathol 1966; 19.
14. Boer P. Estimated lean body mass as an index for normalization of body fluid volumes in humans. Am J Physiol. 1984; 247(4 Pt 2): F632-6.
15. Gomez-Ambrosi J, Silva C, Catalán V, Rodríguez A, Galofre J, Escalada J, et al. Clinical Usefulness of a New Equation for Estimating Body Fat. Diabetes Care. 2011; 35: 383-8.
16. Deurenberg P, Weststrate J, Seidell J. Body mass index as a measure of body fatness: Age- and sex- specific prediction formulas. Br J Nutr. 1991; 65: 105-14.
17. Mill Ferreyra E, López Rodriguez B, Ródriguez Arce M, Azaura Azuara M. Estimación de la grasa corporal en pacientes con diabetes mellitus tipo 2 y su relación con parámetros de control evolutivo: validación de la Fórmula de Palafolls en relación con la Fórmula de Deurenberg. Med Gen Fam. 2020; 9(4): 184-19.
18. Molina-Luque R, Yáñez AM, Bennasar-Veny M, Romero-Saldaña M, Molina-Recio G, López-González ÁA. A comparison of equation Córdoba for estimation of body fat (ECORE-BF) with other prediction equations. Int J Environ Res Public Health. 2020; 29;17(21): 7940.
19. Lee DH, Keum N, Hu FB, Orav EJ, Rimm EB, Sun Q, et al. Development and validation of anthropometric prediction equations for lean body mass, fat mass and percent fat in adults using the National Health and Nutrition Examination Survey (NHANES) 1999-2006. Br J Nutr. 2017; 118(10): 858-66.
20. Bellman J, Westerterp K, Wouters L, Johannesson M, Lundqvist N, Kullberg J, et al. Increased weight-load improves body composition by reducing fat mass and waist circumference, and by increasing lean mass in participants with obesity: a single-centre randomised controlled trial. BMC Med. 2025; 23(1): 317.
21. Liu L, Ban C, Jia S, Chen X, He S. Association of predicted fat mass, predicted lean mass and predicted percent fat with diabetes mellitus in Chinese population: a 15-year prospective cohort. BMJ Open. 2022; 12(6): e058162.
22. Bim MA, de Pinto AA, Claumann GS, Pelegrini A. Mediation effects of lean mass and fat mass on the relationship between body mass index and handgrip strength. Am J Hum Biol. 2024; 36(4): e24004.
23. Tang J, Cai X, Liu A, Yu N, Wang S. Association between predicted fat mass, predicted lean mass, predicted percent fat and type 2 diabetes mellitus in Japanese adults: a retrospective study. BMC Endocr Disord. 2024; 24(1): 48.
24. Agbaje AO. Mediating effect of fat mass, lean mass, blood pressure and insulin resistance on the associations of accelerometer-based sedentary time and physical activity with arterial stiffness, carotid IMT and carotid elasticity in 1574 adolescents. J Hum Hypertens. 2024; 38(5): 393-403.
25. Mill Ferreyra E, López Rodríguez G, Rodríguez Arce M, Azuara Azuara M, Ait Sliman F. Estimación de la probabilidad de resistencia a la insulina periférica mediante datos antropométricos y hemodinámicos. Med Gen. 2022; 11(2): 74-80.
26. Benton MJ, Silva-Smith AL. Accuracy of Body Mass Index Versus Lean Mass Index for Prediction of Sarcopenia in Older Women. J Frailty Aging. 2018; 7(2): 104-7.
27. Han SS, Kim KW, Kim KI, Na KY, Chae DW, Kim S, et al. Lean mass index: a better predictor of mortality than body mass index in elderly Asians. J Am Geriatr Soc. 2010; 58(2): 312-7. doi: 10.1111/j.1532-5415.2009.02672.x.