Enfoque genómico en la enfermedad cardiovascular

Introducción: las enfermedades cardiovasculares (EC) constituyen la principal causa de muerte a nivel mundial. La etiología es multifactorial, pueden influir diversos factores como la dieta, los hábitos de vida, el nivel de ejercicio físico o la carga genética. El gran número de genes implicados, así como sus diversas variantes, pueden influir sobre el riesgo de padecer enfermedades cardiovasculares por medio de distintas vías. Objetivo: determinar la relación existente entre diferentes polimorfismos genéticos y el riesgo individual de EC en población infantil y adulta. Métodos: se llevó a cabo una búsqueda bibliográfica utilizando la base de datos PubMed. La búsqueda se limitó a un periodo de diez años y a metaanálisis realizados en humanos. Resultados: se establece relación entre el riesgo de enfermedad cardiovascular y los siguientes polimorfismos genéticos: cromosoma 9p21, apolipoproteína A5, apolipoproteínas E2, E3 y E4, gen PPARG o PPARΥ, genes implicados en el metabolismo lipídico, gen MTHFR, citocromo P450, factor V de coagulación o factor de Leiden (FVL) y gen VKORC. Conclusiones: Se han identificado un gran número de genes relacionados con la enfermedad cardiovascular. La carga genética puede influir de manera directa o indirecta sobre el riesgo cardiovascular, modificando factores de riesgo para enfermedad cardiovascular o actuando sobre la medicación empleada para tratarla.

Multiple Imputation of missing values in exploratory factor analysis of multidimensional scales: estimating latent trait scores

ABSTRACT Researchers frequently have to analyze scales in which some participants have failed to respond to some items. In this paper we focus on the exploratory factor analysis of multidimensional scales (i.e., scales that consist of a number of subscales) where each subscale is made up of a number of Likert-type items, and the aim of the analysis is to estimate participants' scores on the corresponding latent traits. We propose a new approach to deal with missing responses in such a situation that is based on (1) multiple imputation of non-responses and (2) simultaneous rotation of the imputed datasets. We applied the approach in a real dataset where missing responses were artificially introduced following a real pattern of non-responses, and a simulation study based on artificial datasets. The results show that our approach (specifically, Hot-Deck multiple imputation followed of Consensus Promin rotation) was able to successfully compute factor score estimates even for participants that have missing data.