Diabetes tipo 2: Cómo tomar el control utilizando la metodología Six Sigma y la estadística

El 13 de octubre de 2009 se produjo un cambio en la vida de Bill Howell. Se le diagnosticó diabetes tipo 2, también conocida como diabetes de comienzo en la edad adulta. Para la mayoría de la gente, este diagnóstico conduce a cambios en la dieta, dependencia de medicamentos recetados y la necesidad de monitorear los niveles diarios de glucosa en sangre.

Howell manejó su diagnóstico de una manera muy diferente.

En su libro I Took Control: Effective Actions for a Diabetes Diagnosis (Yo tomé el control: Acciones eficaces tras un diagnóstico de diabetes), Howell describe cómo ha controlado exitosamente su diabetes con una estrategia centrada en la metodología Six Sigma, el análisis de datos con Minitab Statistical Software y mucha motivación. 

Diagnóstico de un estilo de vida dulcemente peligroso

Cuando una compañera de trabajo notó que Howell sufría de muchos de los síntomas clásicos de la diabetes, incluyendo boca seca, calambres en las piernas y pérdida de visión, insistió en que se practicara una prueba de glucosa en sangre. Un nivel de glucosa en sangre normal es de alrededor de 100 mg/dL. La prueba de Howell superó los 600 mg/dL, tan alto que el medidor no pudo dar un resultado exacto, sólo una advertencia. Howell hizo una cita con un médico esa semana.

En los días previos a su cita, Howell registró sus niveles de glucosa en sangre y graficó los datos con Minitab.

Gráfica de series de tiempo de Minitab

La gráfica de series de tiempo mostró que sus niveles recientes de glucosa en sangre típicamente estaban por encima de 400 mg/dL, una clara indicación de diabetes no controlada.

“Le llevé los resultados de mis pruebas en forma gráfica”, señala Howell. “Y el médico confirmó mis sospechas con un diagnóstico de diabetes tipo 2 o de adulto”.

El médico le recetó a Howell una dieta recomendada, medicamentos y un plan para medir su glucosa en sangre varias veces al día. Howell estaba decidido a seguir los consejos de su médico para controlar completamente su enfermedad, y sabía exactamente de qué manera lo haría.

Trató su situación como un proyecto Six Sigma.

La metodología Six Sigma mejora los procesos utilizando el análisis de datos para identificar y eliminar los defectos, y Howell consideró sus propios síntomas como defectos que podían ser eliminados. Como un autoproclamado “adicto a los números” y profesional de la calidad en Schneider Electric, tomó el control de su enfermedad con los mismos métodos estadísticos que utiliza para mejorar la calidad.

“Ver esto como un proyecto me permitió modificar los resultados para que estuvieran más a mi favor”, dice Howell.

Había administrado muchos proyectos Six Sigma en su trabajo, pero este proyecto era diferente: se trataba de su salud.

Howell dividió su plan de diabetes en las cinco fases DMAIC de la metodología Six Sigma—definir, medir, analizar, mejorar y controlar—y decidió confiar en el “patrocinador” de su proyecto, su médico, para la orientación durante el proceso.

Para comenzar, definió el problema que necesitaba resolver y los efectos que deseaba mitigar, así como la meta que se proponía alcanzar. Dado que sus síntomas correspondían a glucosa alta, tenía que llevar sus niveles a valores que estuvieran por debajo de 125 mg/dL. Para reducir los síntomas de forma natural y frenar la dependencia de medicamentos, Howell también decidió seguir las recomendaciones de su médico en cuanto a dieta y ejercicios.

Verificación de los sistemas de medición y recolección de los datos

En vista de que sus niveles diarios de glucosa en sangre eran la métrica clave en la comprensión de su enfermedad, Howell creó un plan de recolección de datos para evaluar su sangre tres veces al día, registrar sus datos y graficar sus niveles de glucosa en el tiempo.

Gráfica de puntos de Minitab

Como profesional de Six Sigma, Howell sabía que tenía que verificar que sus mediciones de glucosa en sangre fueran fiables. Para asegurarse de que su medidor de glucosa produjera resultados válidos, aplicó el procedimiento de calibración semanal recomendado por el fabricante y registró los resultados de la calibración en el tiempo. Al graficar sus resultados, confirmó que sus valores estaban dentro de los límites de calibración especificados por el fabricante. Ahora tenía la seguridad de que su medidor proporcionaba mediciones exactas.

Sin embargo, se preguntaba si extraer sangre de diferentes sitios podría tener algún efecto sobre los resultados de sus pruebas. El médico de Howell le recomendó extraer sangre sólo de sus dedos para controlar cualquier variabilidad debido a la ubicación del sitio de la prueba. ¿Pero importaba de qué dedo extraía la sangre?

Para saberlo, Howell utilizó Minitab para crear un patrón aleatorio de números del 1 al 10. Asignó un número a cada uno de sus dedos, y luego realizó la prueba en los dedos en el orden aleatorio. Registró los niveles de glucosa para cada dedo y graficó los resultados utilizando una gráfica de puntos de Minitab. La gráfica reveló que agrupaciones de resultados de prueba compartían el mismo patrón aleatorio, lo que sugería que la selección del dedo no afectaba los resultados de la prueba.

Gráfica de puntos de Minitab

Howell también realizó un análisis de varianza (ANOVA) de un solo factor para contar con otra prueba estadística de la igualdad entre los dedos. El análisis ANOVA coincidió con los hallazgos de la gráfica de puntos, y no reveló ninguna evidencia de que un dedo específico podría afectar el resultado de la prueba.

Análisis de varianza (ANOVA) de Minitab

Ahora, seguro de que su sistema de medición producía resultados válidos, Howell comenzó a evaluar las posibles causas del aumento de sus niveles de glucosa en sangre. Creó un diagrama de causa y efecto (espina de pescado) en Minitab, que le permitió organizar toda su información de lluvia de ideas en un solo lugar. Centrarse en las causas que podía controlar y analizar por su cuenta, como la dieta y el ejercicio, fue útil para planear el siguiente paso de su proyecto: registrar su ingesta diaria de alimentos.

Análisis de causa y efecto de Minitab

El médico de Howell le recomendó una dieta de 1,800 calorías diarias, que incluía 50 gramos de grasas y 200 de carbohidratos. Utilizando gráficas de barras con líneas de referencia que mostraban los límites diarios, dio seguimiento al total de calorías, grasas y carbohidratos de cada día. Las gráficas le ayudaban a mantener a raya su dieta y le mostraban si era necesario hacer cambios en la dieta que le ayudaran a alcanzar otras metas del proyecto, tales como mantener bajo su colesterol.

“Descubrí que incluso una simple tabla o gráfica puede hacer maravillas”, dice Howell. “Lleve consigo sus gráficas y su conjunto de datos cuando vaya al médico, y juntos podrán tomar una decisión informada”.

Análisis de los datos

Después de registrar y graficar varios meses de información sobre dieta y niveles diarios de glucosa en sangre, Howell analizó sus datos para identificar fuentes de variación. A fin de determinar si sus tres pruebas diarias de sangre producían el mismo nivel promedio, ejecutó un ANOVA.

Análisis de varianza (ANOVA) de Minitab

Los resultados revelaron que el promedio de la muestra de sangre de la tarde, tomada antes de la cena, era estadísticamente menor que las lecturas promedio de mañana y noche. Además, el análisis sugirió que la lectura de la tarde era más uniforme, porque tenía una menor desviación estándar que los otros momentos del día.

Howell también quería identificar de qué manera las entradas de proceso (calorías, grasas, carbohidratos y píldoras consumidas) afectan la salida de su proceso (niveles de glucosa en sangre). Una gráfica de dispersión de cuatro paneles de Minitab reveló una clara relación entre la cantidad de píldoras consumidas para bajar la glucosa y los niveles de glucosa en sangre. La gráfica muestra que se necesitaron aproximadamente 30 píldoras para que Howell alcanzara los niveles objetivo de 100 mg/dL.

Gráfica de dispersión de Minitab

Para identificar las brechas entre el rendimiento actual y el rendimiento objetivo, Howell utilizó las gráficas de control para graficar su dieta, la ingesta de píldoras y los niveles de glucosa en relación con los límites predeterminados superiores e inferiores. Si sus datos se salían de los límites, Howell sabía que su proceso había cambiado, y podía hacer los ajustes correspondientes.

Por ejemplo, la gráfica de control de valores individuales de abajo muestra el total de calorías que Howell consumió en un lapso de dos meses. La gráfica revela un proceso estable y muestra que cumplió con sus requisitos de ingesta calórica la mayor parte del tiempo, a excepción de un punto de los datos que estuvo por encima del límite de control superior (LCS). Ese día, Howell consumió más calorías que su ingesta calórica objetivo de 1.800 calorías, así que comió menos calorías al día siguiente.


Gráfica de control de valores individuales 

Howell también utilizó gráficas Xbarra-R, como la siguiente, para evaluar la dispersión entre los tres resultados diarios de las pruebas de glucosa en sangre (gráfica inferior) y el promedio de los resultados de las pruebas para cada día (gráfica superior). Ambas gráficas muestran el nivel de medicación (1 ó 2 píldoras al día) en relación con el tiempo.

Gráfica Xbarra-R de Minitab

Gráficas de control como éstas motivaron a Howell y le ayudaron a cumplir con su dieta. Como profesional de la calidad, era muy reacio a permitir que cualquier deseo interno de comer demasiado (o demasiado de lo que no debía) rompiera la simetría de sus gráficas.

“Soy la persona más feliz cuando reviso mis resultados de un mes, un trimestre o más y veo un proceso estable”, dice. “Hay belleza en la simetría, y un valor atípico rompe la simetría e indica un cambio en el proceso”.

Bajo control

El método de Howell para manejar su enfermedad fue muy completo, pero ¿qué tan bien cumplió con sus objetivos clave de rendimiento? Dando seguimiento a su ingesta de alimentos y siguiendo la dieta, el programa de ejercicios, la medicación y el plan de pruebas de sangre indicados por su médico, Howell redujo su nivel diario de glucosa en sangre hasta el nivel objetivo de 125 mg/dL. Apenas dos meses después de iniciar el proyecto, el nivel promedio del proceso a largo plazo en diciembre estuvo varios puntos por debajo del objetivo, al ubicarse en 116.3 mg/dL. 

Para asegurarse de que los resultados de sus pruebas de sangre estuvieran dentro de los límites de especificación predefinidos (70 mg/dL – 150 mg/dL), Howell utilizó el Análisis de la capacidad del proceso de Minitab. De este modo determinó que los resultados de las pruebas cumplieron con los criterios de éxito en un 97.85%.

Análisis de la capacidad del proceso de Minitab

Con la continua aplicación de su proceso, Howell finalmente logró liberarse por completo de la medicación que tomó inicialmente para reducir los niveles de glucosa en sangre. Para agosto de 2010, logró mantener estables los niveles de glucosa en sangre, sin ningún tipo de píldoras. Atribuye este cambio al control de su dieta y al registro y la representación gráfica de todo lo que comía.

Howell dice que está más saludable de lo que estuvo en años. Ha perdido cerca de 45 libras y ha experimentado una reducción casi total de todos sus síntomas, incluyendo boca seca, visión borrosa y pérdida del sueño.

Howell atribuye gran parte de su éxito a los cambios en su dieta y al hecho de seguir las recomendaciones de su médico, pero admite que no habría podido controlar su enfermedad de una manera tan rápida y eficaz sin la metodología Six Sigma y las herramientas estadísticas del software Minitab.

“Creo mucho en la utilización de datos para tomar decisiones informadas en todo lo que hago”, afirma Howell. “Con el uso de métodos estadísticos simples y gráficas sencillas, es posible controlar la diabetes y otras enfermedades”.

La estrategia completa aplicada por Howell para manejar la diabetes se detalla en su libro,I Took Control: Effective Actions for a Diabetes Diagnosis” (Yo tomé el control: Acciones eficaces tras un diagnóstico de diabetes).

Imagen de diabetes utilizada bajo licencia de Creative Commons Attribution ShareAlike 3.0.

Al utilizar este sitio, usted acepta el uso de cookies para efectos de análisis y contenido personalizado. Leer nuestra política