En las últimas décadas, se ha observado un notable incremento en las tasas de obesidad a nivel global (NCD Risk Factor Collaboration, 2024), coincidiendo con una notable disminución en los niveles de condición cardiorrespiratoria (CCR) (Lamoureux et al., 2019) y capacidad muscular (CM) (Fühner et al., 2021; Tomkinson et al., 2021). Esta transición se ha vinculado negativamente con importantes indicadores de salud, como la inflamación crónica (Gregor & Hotamisligil, 2011), el riesgo cardiometabólico (Burrows et al., 2017) y el desarrollo cerebral (Stillman et al., 2020), los cuales desempeñan un papel significativo en el desarrollo humano, especialmente en etapas sensibles del desarrollo.
A medida que estos fenómenos epidemiológicos perduran, los cambios en la adiposidad y el deterioro de la condición física se hacen más evidentes durante la adolescencia (García-Hermoso et al., 2022). En este contexto, comprender la importancia de estos indicadores en el desarrollo cognitivo adolescente es fundamental, lo que implica analizar la interacción entre diversos componentes de la salud física y su potencial influencia en el rendimiento cognitivo y logro académico en esta población (Ferreira et al., 2005; Williams et al., 2022). Dos componentes clave en este análisis son la adiposidad, que se refiere principalmente a la acumulación de grasa tanto general como central, y la condición física, que abarca diversos aspectos de la salud y habilidades físicas, como la condición cardiorrespiratoria y la fuerza (Caspersen et al., 1985).
Por un lado, investigaciones han revelado que una mayor adiposidad se asocia con un mayor riesgo de neurodegeneración y deterioro cognitivo tanto en adultos (Trollor et al., 2012) como en niños y adolescentes (Thivel et al., 2020), así como con un menor logro académico (Olivares & García-Rubio, 2016). La adolescencia es un periodo crítico para el desarrollo cerebral y cognitivo, y la adiposidad puede tener efectos adversos a largo plazo, influyendo desde edades tempranas en diversos parámetros estructurales cerebrales (Meo et al., 2019; Shao et al., 2022). Por otro lado, indicadores de condición física, como la CM y la CCR en conjunto, se han relacionado positivamente con las funciones ejecutivas en niños que viven con sobrepeso y obesidad (Mora-Gonzalez et al., 2019). Además, la CCR por sí sola se ha asociado positivamente con el rendimiento académico (Álvarez-Bueno et al., 2020; Velásquez et al., 2023) y con una mejora de los parámetros de salud en etapas posteriores de la vida (García-Hermoso et al., 2020). Promover una buena condición física durante la adolescencia es crucial para un desarrollo óptimo, tanto en términos de salud cerebral como académicos (Belcher et al., 2021).
Investigaciones previas han estudiado estas relaciones y las han abordado mediante la paradoja “Fat but Fit” (Ortega et al., 2018). Esta paradoja propone que una buena condición física (del inglés, “Fit”) podría contrarrestar los efectos negativos del exceso de adiposidad (del inglés, “Fat”) al proporcionar diferentes beneficios cardiometabólicos. En su modelo clásico, se vincula la condición física principalmente a la CCR, demostrando cómo esta última podría actuar como un factor protector frente a la adiposidad y mortalidad por todas las causas (Blair et al., 1989; DuBose et al., 2007), evaluada mediante el índice de masa corporal (IMC), el perímetro de cintura o el índice cintura-talla (ICT) (Pozuelo-Carrascosa et al., 2023). Además, se ha estudiado que esta paradoja podría influir directamente en el rendimiento cognitivo y académico en niños y adolescentes (Martinez-Vizcaino et al., 2021). Evaluar esta paradoja en adolescentes es crucial para desarrollar intervenciones más efectivas que aborden tanto la adiposidad como la condición física de manera integrada.
Hasta la fecha, los estudios sobre la paradoja “Fat but Fit” se han centrado en clasificaciones basadas principalmente en un único indicador, como el IMC o el ICT para evaluar la adiposidad, y la CCR o CM para medir la condición física. Esta limitación resalta la necesidad de emplear una combinación de estos indicadores para obtener una valoración más integral de estos fenotipos. El presente estudio aborda esta brecha al combinar el IMC, como medida de adiposidad general (Hara et al., 2002) y el ICT como marcador asociado con la resistencia a la insulina y la inflamación sistémica (Caminiti et al., 2016). Adicionalmente, la CCR y la CM se integran como un único indicador debido a su significativa influencia en el riesgo cardiometabólico (González-Gálvez et al., 2024), rendimiento cognitivo (Cristi-Montero et al., 2021; Shaughnessy et al., 2020) y logro académico (Kao et al., 2017). Mediante un análisis de clases latentes, se buscó identificar subgrupos intermedios que podrían situarse entre las categorías de “fit” o “unfit” (Weller et al., 2020). Esta información permitirá examinar cómo las características de estos subgrupos podrían influir en el rendimiento cognitivo y logro académico.
Por tanto, el objetivo de este estudio consistió en determinar patrones de adiposidad y condición física en la paradoja “Fat but Fit” y su impacto en el rendimiento cognitivo y logro académico en adolescentes chilenos de entre 10 y 14 años.
Metodología
Diseño
Este estudio transversal forma parte del Proyecto Cogni-Acción llevado a cabo entre Marzo de 2017 y Octubre de 2019 (Solis-Urra et al., 2019). El proyecto fue aprobado por el Comité de Bioética y Bioseguridad del Comité de Ética de la Pontificia Universidad Católica de Valparaíso (BIOEPUCV-H103-2016 y se llevó a cabo de acuerdo con las directrices de la Declaración de Helsinki (World Medical Association, 2013). Se realizó siguiendo las pautas STROBE (von Elm et al., 2008). Se obtuvo el consentimiento por escrito del director de la escuela, de los padres/tutores, y de los participantes antes de su participación. La participación fue voluntaria y dependía de la aceptación de las tres partes, si una de ellas no aceptaba participar, el individuo no se incluía en el estudio.
Participantes
Se extendió una invitación abierta a las escuelas de Valparaíso mediante correo electrónico después de consultar la base de datos del Ministerio de Educación de Chile. El estudio reclutó un total de 1,296 adolescentes, distribuidos equitativamente entre niños y niñas (proporción 1:1, 50% niñas) con edades comprendidas entre los 10 y 14 años (11.19 ± 1.2), correspondientes a los cursos de 5° a 8° grado, provenientes de escuelas públicas, subvencionadas (es decir, escuelas que reciben subvención económica del gobierno) y privadas (es decir, escuelas sin subvención del gobierno) de Valparaíso, Chile. Esta información se encuentra descrita en la Tabla 1. Los cálculos de potencia estadística y el tamaño total de la muestra se basaron en la matrícula total de escolares en la región de Valparaíso entre los cursos de 5° y 8° grado, según lo indicado por el Ministerio de Educación de Chile en 2016. Se consideraron un error alfa del 5%, un intervalo de confianza del 99%, una heterogeneidad del 50% y una pérdida de participantes del 20%. Por lo tanto, se determinó una muestra mínima de 797 participantes (Solis-Urra et al., 2019).
Características de los adolescentes
Variables | Todos (n = 1,295) | Thin-fit (n = 754) | Fat-fit (n = 288) | Thin-unfit (n = 167) | Fat-unfit (n = 87) |
---|---|---|---|---|---|
Sexo (niño/niña) | 648/648 | 338/416 | 147/141 | 103/64 | 60/27 |
Edad (a) | 11.9 ± 1.2 | 11.9 ± 1.2 | 11.7 ± 1.2 | 12.2 ± 1.0 | 12.0 ± 1.1 |
Pico de velocidad de crecimiento | -0.41 ± 1.3 | -0.39 ± 1.3 | -0.50 ± 1.4 | -0.29 ± 1.3 | -0.60 ± 1.1 |
Índice cintura/talla | 1.2 ± 0.4 | 1.0 ± 0.1 | 1.6 ± 0.5 | 1.0 ± 0.0 | 2.0 ± 0.0 |
IMCz | 1.4 ± 0.5 | 1.2 ± 0.4 | 2.0 ± 0.0 | 1.4 ± 0.5 | 2.0 ± 0.0 |
Tipo de colegio | |||||
Público | 456 (35.2%) | 239 (31.7%) | 119 (41.3%) | 62 (37.1%) | 36 (41.4%) |
Subvencionado | 514 (39.7%) | 294 (38.0%) | 99 (34.4%) | 79 (47.3%) | 42 (48.3%) |
Privado | 326 (25.2%) | 221 (29.3%) | 70 (24.3%) | 26 (15.6%) | 9 (10.3%) |
Condición física | |||||
Condición cardiorrespiratoria (ml/kg/min) | 42.1 ± 5.4 | 44.035 ± 4.9 | 40.1 ± 4.1 | 39.3 ± 4.2 | 37.8 ± 3.2 |
Bajo punto de corte | 351 (27.1%) | 60 (8.0%) | 125 (43.4%) | 105 (62.9%) | 61 (70.1%) |
Sobre punto de corte | 945 (72.9%) | 694 (92.0%) | 163 (56.6%) | 62 (37.1%) | 26 (29.9%) |
Fuerza de prensión manual (kg) | 22.9 ± 6.3 | 23.1 ± 6.4 | 23.7 ± 6.3 | 21.3 ± 6.0 | 21.8 ± 5.3 |
Bajo punto de corte | 457 (35.3%) | 68 (9.0%) | 178 (61.8%) | 124 (74.3%) | 87 (100.0%) |
Sobre punto de corte | 839 (64.7%) | 686 (91.0%) | 110 (38.2%) | 43 (25.7%) | 0 (0.0%) |
Salto de longitud a pies juntos (cm) | 141.0 ± 25.4 | 149.7 ± 24.5 | 138.5 ± 20.9 | 121.7 ± 17.6 | 115.2 ± 15.8 |
Bajo punto de corte | 281 (21.7%) | 35 (4.6%) | 10 (3.5%) | 149 (89.2%) | 87 (100.0%) |
Sobre punto de corte | 1015 (78.3%) | 719 (95.4%) | 278 (96.5%) | 18 (10.8%) | 0 (0.0%) |
Pruebas cognitivas | |||||
“Trail-making test A” (p) | 100.0 ± 14.7 | 100.0 ± 14.5 | 100.0 ± 14.7 | 98.2 ± 15.7 | 96.3 ± 13.2 |
“Trail-making test B” (p) | 100.0 ± 14.7 | 100.0 ± 14.5 | 98.4 ± 14.8 | 97.9 ± 15.4 | 96.5 ± 13.2 |
“Memory forward” (p) | 100.0 ± 14.4 | 100.0 ± 14.6 | 98.9 ± 13.5 | 97.8 ± 15.1 | 97.9 ± 13.1 |
“Memory reverse” (p) | 100.0 ± 14.4 | 100.0 ± 14.1 | 99.5 ± 14.4 | 98.9 ± 15.1 | 96.9 ± 13.9 |
“Go-no-Go” (p) | 100.0 ± 14.7 | 100.0 ± 14.5 | 100.0 ± 14.7 | 97.4 ± 14.9 | 98.4 ± 14.9 |
“Problem Solving” (p) | 100.0 ± 14.5 | 100.0 ± 14.7 | 98.2 ± 14.0 | 99.4 ± 14.0 | 96.0 ± 14.0 |
“Digit coding symbol” (p) | 100.0 ± 14.7 | 100.0 ± 14.4 | 98.8 ± 14.7 | 99.1 ± 15.9 | 95.1 ± 12.7 |
“Progressive matrices” (p) | 100.0 ± 14.3 | 100.0 ± 14.3 | 99.4 ± 14.1 | 97.7 ± 14.7 | 98.4 ± 12.9 |
Logro académico | |||||
Lenguaje (c) | 5.40 ± 0.8 | 5.49 ± 0.8 | 5.33 ± 0.8 | 5.30 ± 0.8 | 5.06 ± 0.8 |
Matemáticas (c) | 5.35 ± 1.0 | 5.45 ± 1.0 | 5.22 ± 0.9 | 5.29 ± 1.0 | 5.04 ± 0.9 |
Ciencia (c) | 5.45 ± 0.8 | 5.51 ± 0.9 | 5.43 ± 0.8 | 5.33 ± 0.8 | 5.13 ± 0.8 |
Inglés (c) | 5.62 ± 0.9 | 5.70 ± 0.9 | 5.61 ± 0.9 | 5.53 ± 0.9 | 5.16 ± 1.0 |
Historia (c) | 5.45 ± 0.8 | 5.52 ± 0.8 | 5.36 ± 0.8 | 5.36 ± 0.8 | 5.24 ± 0.8 |
Puntuación académica-PISA | 5.40 ± 0.8 | 5.49 ± 0.8 | 5.33 ± 0.7 | 5.30 ± 0.8 | 5.07 ± 0.7 |
Note. Los datos se expresan como media±desviación estándar o frecuencia (porcentaje). (a): años; (p): percentiles; (c): calificaciones; IMCz: Índice de masa corporal en z-score; (ml): mililitros; (kg): kilogramos; (cm): centímetros; (min): minutos. El logro académico en la escala chilena comprende una puntuación máxima de 7.0; la Puntuación académica-PISA incluye el promedio de Lenguaje, Matemáticas y Ciencias.
Mediciones
Los participantes fueron evaluados en la escuela en dos sesiones de cuatro horas cada una, separadas por ocho días. Esta separación de medidas fue solicitada por la escuela para evitar que los estudiantes se ausentaran de la misma clase durante dos semanas consecutivas. En la primera sesión se evaluó el peso corporal, la estatura, el perímetro de cintura, información sociodemográfica y una batería cognitiva completa. En la segunda sesión se evaluó la condición física mediante la Batería ALPHA-Fitness (Ruiz et al., 2011) respetando el orden recomendado (fuerza de prensión manual, salto de longitud a pies juntos, y test de 20 m de ida y vuelta) con un descanso entre pruebas de aproximadamente 10 minutos. Instructores capacitados del equipo de investigación realizaron las mediciones, habiendo recibido una capacitación intensiva de dos semanas impartida por el investigador principal. Las variables de logro académico se obtuvieron de la escuela de cada estudiante al consultar sus calificaciones finales. Para más información del protocolo de medición por favor referirse al protocolo previamente publicado (Solis-Urra et al., 2019).
Condición cardiorrespiratoria (CCR)
La condición cardiorrespiratoria se evaluó utilizando el test de ida y vuelta de 20 metros al final de la segunda sesión de medición. Esta prueba se llevó a cabo en grupos de ocho a diez participantes, con una señal clara que indicaba la velocidad de carrera. La prueba comenzó a 8.5 km/h y aumentó en 0.5 km/h cada minuto (Ruiz et al., 2011). Si los adolescentes en el estudio se sentían cansados o no podían completar la distancia requerida dos veces consecutivas antes de que sonara la señal sonora, se les indicaba que se detuvieran. El parámetro registrado fue el tiempo total en segundos. Con base en el valor obtenido, estimamos el consumo máximo de oxígeno utilizando la ecuación de Léger y Gadoury (Léger & Gadoury, 1989). Esta estimación se categorizó en 42 mL/kg/min para niños y 35 mL/kg/min para niñas, según los puntos de corte establecidos por Ruiz et al. (Ruiz et al., 2016). Los participantes que superaron estos puntos de corte fueron etiquetados como “fit”, mientras que aquellos que quedaban por debajo se categorizaron como “unfit”.
Capacidad muscular (CM)
La capacidad muscular se evaluó midiendo los miembros superiores e inferiores (Ruiz et al., 2011). La fuerza del miembro superior se midió con una prueba de fuerza de prensión manual (FPM) utilizando un dinamómetro (Jamar Plus + Digital Hand Dynamometer, Sammons Preston, Rolyan, Bolingbrook, IL, USA). El dinamómetro se ajustó previamente al tamaño de la mano, permitiendo mediciones de 0 a 90 kg, con una precisión de 0.1 kg. La prueba se realizó dos veces en cada mano, alternando entre ambas, con un descanso entre 10 a 15 segundos entre el primer y segundo intento, con el participante de pie y el codo extendido. Se registró el mejor resultado de las dos mediciones, y se utilizó la media de ambas manos para obtener el valor final. Los valores adquiridos se dividieron en dos grupos según los puntos de corte establecidos (0.44 kg/kg de masa para niños y 0.41 kg/kg de masa para niñas) establecidos por Castro-Piñero et al. (Castro-Piñero et al., 2019). Los participantes que superaban estos puntos de corte fueron etiquetados como “fit”, mientras que aquellos que quedaban por debajo se categorizaron como “unfit”.
La fuerza del miembro inferior se determinó utilizando la prueba de salto de longitud a pies juntos (SLJ). Los participantes se colocaron detrás de una línea de inicio, saltaron con ambos pies juntos hacia adelante al recibir una señal verbal y aterrizaron de la misma manera. Este proceso se repitió dos veces, con al menos un minuto de descanso entre cada salto. Se registró la mayor distancia en centímetros (Ruiz et al., 2011). Los valores obtenidos se dividieron en dos grupos según los puntos de corte establecidos (135.4 cm para niños y 118.1 cm para niñas) por Castro-Piñero et al. (Castro-Piñero et al., 2019). Los participantes que superaban estos puntos de corte fueron etiquetados como “fit”, mientras que aquellos que quedaban por debajo se categorizaron como “unfit”.
Índice cintura/talla (ICT)
El indicador de adiposidad central (es decir, índice cintura/talla), se determinó midiendo el perímetro de cintura con una cinta inextensible (Lufkin, Apex, NC, USA) en un plano horizontal a la altura de la cintura natural (mínima) al final de una espiración normal, y la altura con un estadiómetro portátil (SECA, model 213, GmbH, Germany). Posteriormente, se calculó el ICT dividiendo el perímetro de cintura por la altura del individuo, ambas medidas en centímetros (Arnaiz et al., 2010). El valor obtenido se dicotomizó en 0.50 cm para niños y niñas. Los participantes que superaban este punto de corte fueron etiquetados como “fat”, mientras que aquellos que quedaban por debajo se categorizaron como “thin”. Este punto de corte ha sido bien estudiado como un indicador de riesgo cardiovascular (Yoo, 2016).
Índice de masa corporal (IMC)
La medida de adiposidad general (es decir, IMC), medido en metros cuadrados, se calculó dividiendo el peso en kilogramos entre la altura en metros al cuadrado (peso (en kg)/altura (en m)2). El peso se evaluó utilizando una balanza digital (OMRON HN-289-LA Kyoto, Japón), que ofrecía una precisión de 0.1 kg, y la altura se midió como se mencionó anteriormente. El valor obtenido se dicotomizó en 25 kg/m2 (Weir & Jan, 2023). Los participantes que superaban este punto de corte fueron etiquetados como “fat”, mientras que aquellos que quedaban por debajo se categorizaron como “thin”. Esta dicotomización sigue el modelo clásico de la paradoja “Fat but Fit”, incluyendo tanto participantes que viven con sobrepeso y obesidad dentro de la categoría “fat”, pero que son “fit” al mismo tiempo (Ortega et al., 2018).
La paradoja “Fat but Fit”
El modelo clásico propone clasificar a los participantes en cuatro subgrupos basándose en la CCR como indicador de condición física y el IMC, perímetro de cintura o ICT como indicador de adiposidad. En resumen, habitualmente solo consideran un indicador por cada dominio (Fit y Fat) (Martinez-Zamora et al., 2021; Wang et al., 2011). Se emplean los puntos de corte para riesgo cardiovascular de cada indicador para determinar si cada subgrupo tiene una mayor o menor condición física o adiposidad. Nuestro modelo propone un enfoque más integral, utilizando no solo la CCR sino también la CM (es decir, SLJ y la FPM) como indicadores de condición física, así como dos indicadores de adiposidad (es decir, IMC e ICT). Esto se debe a que la evidencia muestra que tanto la CCR como la CM presentan beneficios fisiológicos favorables para la salud cerebral (Berchicci et al., 2015; Cherup et al., 2018) mientras que el IMC es un indicador global de adiposidad a diferencia del ICT que es central (Hernández-Jaña et al., 2021). La Tabla 2 muestra los parámetros del modelo propuesto para cada subgrupo.
Presentación del modelo propuesto y caracterización de cada subgrupo según indicador
Indicador de adiposidad | Indicador de condición física | |
---|---|---|
IMC e ICT | CCR y CM | |
Thin-fit | ↓ | ↓ |
Fat-fit | ↑ | ↓ |
Thin-unfit | ↓ | ↑ |
Fat-unfit | ↑ | ↑ |
Note. IMC = índice de masa corporal; ICT = índice cintura/talla; CCR = condición cardiorrespiratoria; CM = capacidad muscular.
*Los subgrupos fueron creados mediante el análisis de clases latentes.
↓: Indica por debajo del punto de corte para riesgo cardiovascular. ↑: Indica por encima del punto de corte para riesgo cardiovascular.
Logro académico
El logro académico se determinó a través de cinco asignaturas (Lenguaje, Inglés, Matemáticas, Ciencias e Historia) y, adicionalmente, se calculó la “puntuación académica-PISA” (utilizando el promedio de Lenguaje, Matemáticas y Ciencias). Las calificaciones en Chile se puntúan de 1.0 (mínimo) a 7.0 (máximo), siendo 4.0 la calificación mínima de aprobación.
Rendimiento cognitivo
La Prueba de Rendimiento Neurocognitivo (NCPT) de Lumos Labs, Inc. (San Francisco, CA, USA) (Morrison et al., 2015) evaluó el rendimiento cognitivo. La NCPT es una herramienta diseñada para medir el funcionamiento en varios dominios cognitivos. Se trata de una plataforma de tareas cognitivas breve, repetible y basada en una plataforma web. Ha demostrado fiabilidad y validez en la medición del rendimiento cognitivo, mostrando una buena concordancia con las evaluaciones tradicionales con lápiz y papel (Morrison et al., 2015). Cada prueba del NCPT se escala siguiendo una transformación normal inversa basada en el rango percentil. Para convertir la puntuación bruta en una puntuación escalada se utiliza la posición de ese percentil en una distribución normal en la que la distribución tiene una media de 100 y una desviación estándar de 15.
Esta prueba se llevó a cabo en grupos de 25 estudiantes, cada uno con una computadora portátil, e incluyó pruebas como “Trail Making A y B” para evaluar la atención, flexibilidad cognitiva y velocidad de procesamiento; “Forward Memory Span” y “Reverse Memory Span” para medir la memoria visual a corto plazo y la memoria de trabajo; “Go/No-Go” para evaluar el control inhibitorio y la velocidad de procesamiento; “Problem Solving” para medir el razonamiento cuantitativo y analógico; “Digit Symbol Coding” para valorar la velocidad de procesamiento; y finalmente, “Progressive Matrices” para evaluar la resolución de problemas y razonamiento/inteligencia (Morrison et al., 2015). Cada prueba fue escalada mediante una transformación normal inversa del rango percentil y sumada para obtener un puntaje cognitivo global (Solis-Urra et al., 2021).
Covariables
Se incluyeron dos covariables (sexo y maduración) en el análisis debido a su relevancia para el resultado. El sexo y el estado madurativo son factores relevantes en el desarrollo cognitivo y cerebral, así como en el rendimiento físico global (Pezoa-Fuentes et al., 2023; Stillman et al., 2020). La maduración se calculó según el pico de velocidad de crecimiento (PHV, por sus siglas en inglés), restando la edad de PHV de la edad cronológica y aplicando la fórmula específica para cada sexo (Mirwald et al., 2002).
Análisis estadístico
Los estadísticos descriptivos se muestran como media, desviación estándar, frecuencia y porcentajes (Tabla 1). Se utilizaron pruebas paramétricas (prueba t de Student, prueba de chi-cuadrado y modelos mixtos) para realizar análisis, considerando el teorema del límite central para tamaños de muestra superiores a 500 participantes (Lumley et al., 2002). Paralelamente, se verificó la distribución normal visualmente mediante un gráfico Q-Q (gráfico de cuantiles-cuantiles) y con la prueba de Shapiro-Wilk debido a su potencia tanto para tamaños muestrales grandes cómo pequeños (Mohd Razali & Yap, 2011).
En primer lugar, el conjunto de datos se sometió a imputación basada en el método no paramétrico de valores perdidos utilizando un árbol de decisión implementado en el software estadístico R a través del paquete “missForest”. Este algoritmo de imputación es adecuado para manejar tipos mixtos de datos, ya sean variables numéricas o categóricas. Destaca por no requerir pasos de preprocesamiento ni realizar suposiciones de naturaleza paramétrica, al tiempo que proporciona una sólida capacidad predictiva (Stekhoven & Bühlmann, 2012). Después de la imputación, se consideró todo el tamaño de muestra del estudio (n = 1,296). Se observaron datos faltantes en SLJ (17.7%), FPM (1.8%), CCR (19.5%), IMC (2.7%), ICT (3.6%), Lenguaje (1.5%), Inglés (2.2%), Ciencias (1.7%), Historia (1.6%) y PHV (1.2%).
En segundo lugar, se llevó a cabo un análisis de componentes principales para identificar, establecer y reducir las tareas cognitivas a cuatro factores: memoria de trabajo (MT), flexibilidad cognitiva (FC), control inhibitorio (CI) y razonamiento fluido (RF). Estos factores se determinaron en función de las características específicas de nuestras tareas cognitivas y la literatura existente (Peña-Jorquera et al., 2024; Solis-Urra et al., 2021). Así, se establecieron cuatro componentes fijos utilizando la rotación Varimax, explicando el 71.2% de la varianza (MT = 23.3%, FC = 18.1%, CI = 16.8% y RF = 13.0%). La comprobación de la asunción para la prueba de esfericidad de Bartlett fue significativa (p < .001). Los análisis se realizaron utilizando JAMOVI basado en el paquete 'psych’ para R (Revelle, 2023).
En tercer lugar, se llevó a cabo un análisis de clases latentes utilizando las cinco variables de nuestro modelo (es decir, SLJ, CCR, FPM, IMC y ICT). Para determinar el número de subgrupos se realizó un análisis de sensibilidad mediante un gráfico de codo, que se empleó para contrastar varios indicadores de ajuste del modelo (es decir, Akaike Information Criterion [AIC], Bayesian Information Criterion [BIC], Bozdogan’s Adjusted BIC [ABIC] y Consistent AIC [CAIC]). Evaluamos modelos que abarcaban hasta 6 subgrupos (AIC = 6591; BIC = 6772; ABIC = 6661; CAIC = 6870), sin embargo, el modelo que mostraba los indicadores de ajuste más adecuados fue el de 4 subgrupos “thin-fit”, “fat-fit”, “thin-unfit” and “fat-unfit” (AIC = 6575; BIC = 6693; ABIC = 6620; CAIC = 6716). Los análisis se realizaron utilizando JAMOVI basado en el paquete 'snowRMM’ para R (Seol, 2020/2023).
Se realizaron análisis de modelos mixtos para establecer diferencias entre los subgrupos en dominios cognitivos y calificaciones académicas. Para comparar la probabilidad de un modelo con el efecto incluido frente a un modelo con el efecto excluido, se estimó la prueba de razón de verosimilitud (es decir, Likelihood Ratio Test o LRT por sus siglas en inglés) para el efecto aleatorio. Un valor significativo indica que el modelo con el efecto aleatorio es significativamente mejor (en términos de verosimilitud) que el modelo sin el efecto aleatorio, y se estimó el coeficiente de correlación intraclase (ICC). En caso de que el valor no fuera significativo, se verificaron las suposiciones utilizando ANCOVAS. El tipo de escuela (k = 3; pública, subvencionada y privada) se utilizó como efecto aleatorio. Utilizamos esta variable porque, en Chile, el nivel socioeconómico de la familia es altamente predictivo del tipo de escuela al que asisten sus hijos; así, las familias de bajo, medio y alto nivel socioeconómico envían a sus hijos a escuelas públicas, subvencionadas y privadas, respectivamente (Taut et al., 2009). Se realizaron pruebas post-hoc utilizando la corrección de Bonferroni para comparaciones múltiples. Los valores significativos se establecieron en p < .05. Todos los modelos fueron ajustados por las covariables mencionadas anteriormente (sexo y madurez) y se llevaron a cabo utilizando modelos mixtos mediante el software estadístico Jamovi versión 2.3.18. (Galluci, 2019; The Jamovi Project, 2022). Finalmente, es importante destacar que se han utilizado los términos originales en inglés para referirse a la paradoja y establecer los subgrupos. Creemos que esta elección simplifica el lenguaje y evita el uso de términos derivados de la adiposidad excesiva que pueden no estar alineados con las actuales recomendaciones (Webb et al., 2024).
Resultados
Un total de 1,296 adolescentes (50.0% niñas) de edades comprendidas entre los 10 y los 14 años (11.19 ± 1.2) participaron en este estudio. Se identificaron cuatro subgrupos distintos mediante un análisis de clases latentes: thin-fit (58.2%), fat-fit (22.2%), thin-unfit (12.9%) y fat-unfit (6.7%). La descripción de la frecuencia de cada indicador evaluado puede encontrarse en el Material Suplementario (Tabla S1). La Tabla 1 muestra una descripción completa de las características de los adolescentes y de cada grupo.
La Figura 1 presenta un gráfico de radar que destaca los resultados atribuidos a cada grupo para el indicador especificado. Considerando que los indicadores representan un resultado dicotómico, se resalta el cumplimiento positivo de cada uno de ellos.
Gráfico de radar que representa el porcentaje de cumplimiento positivo para cada indicador en nuestro análisis, desglosado por grupo. ICT: índice cintura/talla; CCR: condición cardiorrespiratoria; FPM: fuerza de prensión manual; SLJ: salto de longitud a pies juntos; IMC: índice de masa corporal; (+): indicador positivo; (-): indicador negativo.
Citation: Journal of Teaching in Physical Education 2025; 10.1123/jtpe.2024-0102
Figura 2 muestra las diferencias significativas entre los cuatro subgrupos en los dominios cognitivos: MT (LRT = 19.2; p < .001; ICC = .0285), FC (LRT = 18.2; p < .001; ICC = .0302), CI (LRT = 7.78; p = .005; ICC = .0165), RF (LRT = 50.9; p < .001; ICC = .0776) y rendimiento cognitivo total (LRT = 94.2; p < .001; ICC = .127). El subgrupo “thin-fit” mostró diferencias significativas y positivas para FC comparado con “fat-unfit” (p = .038) y para rendimiento cognitivo total sobre ambos subgrupos “unfit” (p = .007 para “thin-unfit” y p = .023 para “fat-unfit”). En el caso de CI, el subgrupo “fat-fit” demostró diferencias significativas frente a “thin-unfit” (p = .025). No se encontraron diferencias significativas entre ningún subgrupo para MT y FT. Estos resultados sugieren que tener una condición física óptima podría conducir a un mayor rendimiento cognitivo. Los detalles de los resultados post-hoc se pueden encontrar en el Material Suplementario (Tabla S2).
Resultados de los modelos mixtos para dominios cognitivos de acuerdo con las categorías de la paradoja “Fat but Fit”. Solo se muestran diferencias significativas entre los grupos.
Citation: Journal of Teaching in Physical Education 2025; 10.1123/jtpe.2024-0102
Figura 3 muestra las diferencias significativas entre los cuatro subgrupos en el logro académico: Lenguaje (LRT = 1.44; p = .231; ICC = .00364), Inglés (LRT = 66.5; p < .001; ICC = .0768), Matemáticas (LRT = 3.16; p = .075; ICC = .00842), Ciencias (LRT = 16.5; p < .001; ICC = .0269) Historia (LRT = 10.0; p = .002; ICC = .0182) y PISA (LRT = 2.92; p = .088; ICC = .00793). El subgrupo “thin-fit” mostró diferencias significativas y positivas frente al subgrupo “fat-fit” en Lenguaje (p = .049), Inglés (p = .009), Matemáticas (p = .003) y PISA (p = .028). Comparado con el subgrupo “thin-unfit”, hubo diferencias significativas en Inglés (p = .005), y con el subgrupo “fat-unfit” en Lenguaje (p < .001), Inglés (p < .001), Matemáticas (p = .005), Ciencias (p = .005) y para PISA (p < .001). No se encontraron diferencias significativas entre ningún subgrupo para Historia. Estos resultados sugieren que tener una composición corporal óptima podría estar asociada con un mejor logro académico. Los detalles de los resultados post-hoc se pueden encontrar en el Material Suplementario (Tabla S3).
Resultados de los modelos mixtos para logro académico de acuerdo con las categorías de la paradoja “Fat but Fit”. Solo se muestran diferencias significativas entre los grupos.
Citation: Journal of Teaching in Physical Education 2025; 10.1123/jtpe.2024-0102
Discusión
El objetivo de nuestro estudio fue evaluar patrones de adiposidad y condición física en la paradoja “Fat but Fit” y su asociación en el rendimiento cognitivo y logro académico en adolescentes chilenos a través de un análisis de clases latentes. Siendo la principal característica de este estudio, haber incluido más de un indicador por dominio para permitir un análisis más profundo y alineado con la evidencia actual. Este análisis de clases latentes identificó cuatro subgrupos: “thin-fit”, “fat-fit”, “thin-unfit” y “fat-unfit”, basados en el cumplimiento de puntos de corte para indicadores de condición física (CCR y CM) y adiposidad (IMC e ICT). Nuestros hallazgos sugieren que una mayor condición física y una menor adiposidad podrían influir positivamente en el rendimiento cognitivo y académico de manera diferenciada.
En este contexto, se observó que los adolescentes con una mayor condición física (CCR y CM) presentaban un mejor rendimiento cognitivo, mientras que los adolescentes con menor adiposidad (IMC e ICT) obtenían un mayor logro académico. Sin embargo, es importante destacar que la evidencia indica que los adolescentes con mayor condición física pueden presentar tanto un mayor rendimiento cognitivo como logro académico en comparación con sus pares, independientemente de su adiposidad (Martinez-Vizcaino et al., 2021; Valenzuela et al., 2022), respaldando así la paradoja “Fat but Fit”.
Por un lado, desde el punto de vista cognitivo, esta ventaja podría explicarse al considerar que las habilidades cognitivas y, por ende, el rendimiento cognitivo son importantes predictores del logro académico (Cristi-Montero et al., 2024; Lövdén et al., 2020). Siguiendo esta idea, un adolescente con mayor condición física podría tener un rendimiento cognitivo óptimo y, por consiguiente, un logro académico destacable (Correa-Burrows et al., 2014; Nesayan et al., 2019). En este sentido, un estudio con 1271 estudiantes chilenos examinó la asociación entre la actividad física sistemática y el rendimiento académico en niños de edad escolar mediante una evaluación estandarizada. Los resultados mostraron que un mejor rendimiento académico estaba asociado con una mayor asignación de tiempo al ejercicio programado (Burrows et al., 2014).
En contraste, la adiposidad se ha relacionado con efectos negativos en la cognición en niños y adolescentes al estar vinculado a un menor volumen de la materia gris, menor integridad de la materia blanca y el grosor cortical (Cristi-Montero et al., 2024; Meo et al., 2019; Shao et al., 2022), transformando la infancia en un periodo crítico para el desarrollo cerebral y cognitivo (Gilmore et al., 2018). En este contexto, un estudio que incluyó a 24 niños de entre 8 a 10 años con peso normal y obesidad, investigó el desarrollo cerebral mediante resonancia magnética, sugiriendo que los niños que viven con obesidad presentaban alteraciones regionales en la materia gris y blanca, junto con diferencias en las microestructuras de la sustancia blanca en comparación con los niños de peso normal, afectando esto la función cognitiva (Ou et al., 2015).
Por otro lado, desde el punto de vista académico, la relación adiposidad y condición física parece no ser independiente del peso. Según nuestros resultados, los adolescentes con la característica “thin” (indicativa de una menor adiposidad) presentan un logro académico superior. Como se explicó anteriormente, la adiposidad tiene un impacto negativo en la función cognitiva (Meo et al., 2019), especialmente en esta población, vinculando de esta manera el rendimiento cognitivo directamente con el logro académico (Tikhomirova et al., 2020). Un estudio realizado a 678 adolescentes chilenos, examinando distintos parámetros de salud como el perímetro de cintura, presión arterial sistólica, triglicéridos, lipoproteína de alta densidad y glucosa, reveló que aquellos con un perfil cardiometabólico no saludable tenían una menor probabilidad de aprobación en un examen de matemáticas (Correa-Burrows et al., 2019).
Basándonos en los hallazgos de la presente investigación, es crucial reconocer la importancia de abordar de manera integral el desarrollo de los adolescentes, dando prioridad tanto a su condición física como a su adiposidad. Estos hallazgos no solo proporcionan información valiosa para mejorar el rendimiento cognitivo o anticipar el logro académico, sino que también trascienden el ámbito educativo al destacar beneficios significativos para la salud y el bienestar general de los adolescentes (Mandolesi et al., 2018). Para la implementación efectiva de estos resultados, se requiere establecer directrices específicas que fomenten un entorno escolar saludable mediante un enfoque salutogénico, que potencie la salud y el bienestar, junto con programas para la prevención de la obesidad y la promoción de la actividad física. Este enfoque integral no solo mejorará el logro académico, sino que también promoverá un bienestar global, sentando así las bases para un desarrollo completo y armónico.
Fortalezas y limitaciones
Este estudio destaca por varias fortalezas, como una muestra importante de adolescentes de un país en vías de desarrollo, un modelo integral que considera diversos indicadores tanto de condición física como de adiposidad, una evaluación exhaustiva de distintos dominios cognitivos y la inclusión de múltiples asignaturas escolares. No obstante, es crucial reconocer las limitaciones inherentes a un enfoque principalmente biomédico. Si bien destacamos las ventajas de una buena condición física y bajos índices de adiposidad, estudios como el de (Beltrán-Carrillo et al., 2023) evidencian la importancia de considerar el impacto del “healthism” en la percepción de la salud y la adherencia a hábitos saludables.
En este sentido, una limitación de nuestro estudio es la posible influencia de factores sociales y psicológicos, como la presión social por la imagen corporal, en la relación entre la condición física, la adiposidad y el rendimiento académico. Además de esta limitación, se debe considerar la medición indirecta de la CCR, la utilización del IMC como indicador general de adiposidad, el cual no discrimina entre masa grasa y masa muscular, la omisión de factores como la dieta y el diseño transversal del estudio, lo que limita la capacidad para establecer relaciones causales. Por último, es importante señalar que la Educación Física en las escuelas no debería centrarse únicamente en la reducción de la adiposidad y la mejora de la condición física, ya que factores como la motivación intrínseca y el bienestar psicológico de los estudiantes también desempeñan un papel crucial en el rendimiento cognitivo y académico (Li et al.; 2023).
A pesar de estas limitaciones, este estudio proporciona valiosa información sobre la asociación entre la adiposidad, la condición física, los dominios cognitivos y el logro académico en adolescentes. Investigaciones futuras deberían abordar estas limitaciones en especial la aparente relación especifica entre la condición física y la adiposidad con el rendimiento cognitivo y el logro académico, respectivamente. Además, es crucial incorporar mediciones “gold-standard” para los indicadores que conforman los componentes de adiposidad y condición física junto con integrar variables con el fin de profundizar nuestra comprensión en este campo.
Conclusión
El presente estudio destaca el papel crucial que desempeñan los indicadores de condición física y adiposidad en mejorar tanto el rendimiento cognitivo como académico. Específicamente, nuestros hallazgos sugieren que una buena condición física y adiposidad se asocian positivamente con el rendimiento cognitivo y académico. Sin embargo, se observa que tener una mayor condición física guarda una estrecha relación con un mayor rendimiento cognitivo, mientras que tener una menor adiposidad parece estar relacionado a un mayor logro académico. De este modo, se subraya que la paradoja “Fat but Fit” podría estar relacionada de manera diferenciada con estos dos resultados.
Agradecimientos
Los autores expresan su agradecimiento a la Comisión Nacional de Investigación Científica y Tecnológica (CONICYT) por el apoyo otorgado a través del subsidio n° 11160703 del Fondo Nacional de Desarrollo Científico y Tecnológico (FONDECYT) INICIACION 2016 para el desarrollo del “Proyecto Cogni-Acción”. El autor correspondiente (C.C.-M.) certifica que todos los autores mencionados cumplen los criterios de autoría. Conceptualización, C.C.-M.; Recopilación de datos, J.P.E.-P. y R.M.-F.; Análisis formal, J.P.E.-P., R.M.-F., H.P.-J. y C.C.-M.; Obtención de fondos, C.C.-M.; Metodología, J.P.E.-P., R.M.-F. y C.C.-M.; Administración del proyecto, C.C.-M.; Redacción-borrador original, J.P.E.-P., R.M.-F., H.P.-J. y C.C.-M.; Redacción-revisión y edición P.A.L., C.B y J.B.M. Todos los autores han leído y aceptado la versión publicada del manuscrito.
Referencias
Álvarez-Bueno, C., Hillman, C.H., Cavero-Redondo, I., Sánchez-López, M., Pozuelo-Carrascosa, D.P., & Martínez-Vizcaíno, V. (2020). Aerobic fitness and academic achievement: A systematic review and meta-analysis. Journal of Sports Sciences, 38(5), 582–589.
Arnaiz, P., Acevedo, M., Díaz, C., Bancalari, R., Barja, S., Aglony, M., Cavada, G., & García, H. (2010). Razón cintura estatura como predictor de riesgo cardiometabólico en niños y adolescentes. Revista Chilena de Cardiología, 29(3), 281–288.
Belcher, B.R., Zink, J., Azad, A., Campbell, C.E., Chakravartti, S.P., & Herting, M.M. (2021). The roles of physical activity, exercise, and fitness in promoting resilience during adolescence: Effects on mental well-being and brain development. Biological Psychiatry: Cognitive Neuroscience and Neuroimaging, 6(2), 225–237.
Beltrán-Carrillo, V.J., Jiménez-Loaisa, A., González-Cutre, D., Sierra, A.C., & Valenciano-Valcárcel, J. (2023). “You measure us and you depress us”: Healthism and the subjective impact of body measurements on secondary school students. Qualitative Health Research, 33(4), 297–307.
Berchicci, M., Pontifex, M.B., Drollette, E.S., Pesce, C., Hillman, C.H., & Di Russo, F. (2015). From cognitive motor preparation to visual processing: The benefits of childhood fitness to brain health. Neuroscience, 298, 211–219.
Blair, S.N., Kohl, H.W., III, Paffenbarger, R.S., Jr., Clark, D.G., Cooper, K.H., & Gibbons, L.W. (1989). Physical fitness and all-cause mortality: A prospective study of healthy men and women. JAMA, 262(17), 2395–2401.
Burrows, R., Correa-Burrows, P., Orellana, Y., Almagiá, A., Lizana, P., & Ivanovic, D. (2014). Scheduled physical activity is associated with better academic performance in Chilean school-age children. Journal of Physical Activity and Health, 11(8), 1600–1606.
Burrows, R., Correa-Burrows, P., Reyes, M., Blanco, E., Albala, C., & Gahagan, S. (2017). Low muscle mass is associated with cardiometabolic risk regardless of nutritional status in adolescents: A cross-sectional study in a Chilean birth cohort. Pediatric Diabetes, 18(8), 895–902.
Caminiti, C., Armeno, M., & Mazza, C.S. (2016). Waist-to-height ratio as a marker of low-grade inflammation in obese children and adolescents. Journal of Pediatric Endocrinology & Metabolism: JPEM, 29(5), 543–551.
Caspersen, C.J., Powell, K.E., & Christenson, G.M. (1985). Physical activity, exercise, and physical fitness: Definitions and distinctions for health-related research. Public Health Reports, 100(2), 126–131.
Castro-Piñero, J., Laurson, K.R., Artero, E.G., Ortega, F.B., Labayen, I., Ruperez, A.I., Zaqout, M., Manios, Y., Vanhelst, J., Marcos, A., Polito, A., Gonzalez-Gross, M., Widhalm, K., Moreno, L.A., Gutierrez, A., & Ruiz, J.R. (2019). Muscle strength field-based tests to identify European adolescents at risk of metabolic syndrome: The HELENA study. Journal of Science and Medicine in Sport, 22(8), 929–934.
Cherup, N., Roberson, K., Potiaumpai, M., Widdowson, K., Jaghab, A.-M., Chowdhari, S., Armitage, C., Seeley, A., & Signorile, J. (2018). Improvements in cognition and associations with measures of aerobic fitness and muscular power following structured exercise. Experimental Gerontology, 112, 76–87.
Correa-Burrows, P., Blanco, E., Gahagan, S., & Burrows, R. (2019). Cardiometabolic health in adolescence and its association with educational outcomes. J Epidemiol Community Health, 73(12), 1071–1077.
Correa-Burrows, P., Burrows, R., Orellana, Y., & Ivanovic, D. (2014). Achievement in mathematics and language is linked to regular physical activity: A population study in Chilean youth. Journal of Sports Sciences, 32(17), 1631–1638.
Cristi-Montero, C., Ibarra-Mora, J., Gaya, A., Castro-Piñero, J., Solis-Urra, P., Aguilar-Farias, N., Ferrari, G., Rodriguez-Rodriguez, F., & Sadarangani, K.P. (2021). Could physical fitness be considered as a protective social factor associated with bridging the cognitive gap related to school vulnerability in adolescents? The Cogni-Action Project. International Journal of Environmental Research and Public Health, 18(19), Article 10073.
Cristi-Montero, C., Johansen-Berg, H., & Salvan, P. (2024). Multimodal neuroimaging correlates of physical-cognitive covariation in Chilean adolescents. The Cogni-Action Project. Developmental Cognitive Neuroscience, 66, Article 101345.
DuBose, K.D., Eisenmann, J.C., & Donnelly, J.E. (2007). Aerobic fitness attenuates the metabolic syndrome score in normal-weight, at-risk-for-overweight, and overweight children. Pediatrics, 120(5), e1262–e1268.
Ferreira, I., Twisk, J.W.R., van Mechelen, W., Kemper, H.C.G., & Stehouwer, C.D.A. (2005). Development of fatness, fitness, and lifestyle from adolescence to the age of 36 years: Determinants of the metabolic syndrome in young adults: The Amsterdam Growth and Health Longitudinal Study. Archives of Internal Medicine, 165(1), 42–48.
Fühner, T., Kliegl, R., Arntz, F., Kriemler, S., & Granacher, U. (2021). An update on secular trends in physical fitness of children and adolescents from 1972 to 2015: A systematic review. Sports Medicine, 51(2), 303–320.
Galluci. (2019). GAMLj: General analyses for the linear model in Jamovi. https://gamlj.github.io/
García-Hermoso, A., Izquierdo, M., & Ramírez-Vélez, R. (2022). Tracking of physical fitness levels from childhood and adolescence to adulthood: A systematic review and meta-analysis. Translational Pediatrics, 11(4), 474–486.
García-Hermoso, A., Ramírez-Vélez, R., García-Alonso, Y., Alonso-Martínez, A.M., & Izquierdo, M. (2020). Association of cardiorespiratory fitness levels during youth with health risk later in life: A systematic review and meta-analysis. JAMA Pediatrics, 174(10), 952–960.
Gilmore, J.H., Knickmeyer, R.C., & Gao, W. (2018). Imaging structural and functional brain development in early childhood. Nature Reviews. Neuroscience, 19(3), 123–137.
González-Gálvez, N., López-Martínez, A.B., & López-Vivancos, A. (2024). Clustered cardiometabolic risk and the “Fat but Fit paradox” in adolescents: Cross-sectional study. Nutrients, 16(5), Article 5.
Gregor, M.F., & Hotamisligil, G.S. (2011). Inflammatory mechanisms in obesity. Annual Review of Immunology, 29, 415–445.
Hara, M., Saitou, E., Iwata, F., Okada, T., & Harada, K. (2002). Waist-to-height ratio is the best predictor of cardiovascular disease risk factors in Japanese schoolchildren. Journal of Atherosclerosis and Thrombosis, 9(3), 127–132.
Hernández-Jaña, S., Sanchez-Martinez, J., Solis-Urra, P., Esteban-Cornejo, I., Castro-Piñero, J., Sadarangani, K.P., Aguilar-Farias, N., Ferrari, G., & Cristi-Montero, C. (2021). Mediation role of physical fitness and its components on the association between distribution-related fat indicators and adolescents’ cognitive performance: Exploring the influence of school vulnerability. The Cogni-Action Project. Frontiers in Behavioral Neuroscience, 15, Article 746197. https://www.frontiersin.org/articles/10.3389/fnbeh.2021.746197
Kao, S.-C., Westfall, D.R., Parks, A.C., Pontifex, M.B., & Hillman, C.H. (2017). Muscular and aerobic fitness, working memory, and academic achievement in children. Medicine & Science in Sports & Exercise, 49(3), 500–508.
Lamoureux, N.R., Fitzgerald, J.S., Norton, K.I., Sabato, T., Tremblay, M.S., & Tomkinson, G.R. (2019). Temporal trends in the cardiorespiratory fitness of 2,525,827 adults between 1967 and 2016: A systematic review. Sports Medicine, 49(1), 41–55.
Léger, L., & Gadoury, C. (1989). Validity of the 20 m shuttle run test with 1 min stages to predict VO2max in adults. Canadian Journal of Sport Sciences, 14(1), 21–26.
Li J, Xue E, Li C, He Y. (2023) Investigating latent interactions between students’ affective cognition and learning performance: Meta-analysis of affective and cognitive factors. Behavioral Sciences, 13(7), Article 555.
Lövdén, M., Fratiglioni, L., Glymour, M.M., Lindenberger, U., & Tucker-Drob, E.M. (2020). Education and cognitive functioning across the life span. Psychological Science in the Public Interest, 21(1), 6–41.
Lumley, T., Diehr, P., Emerson, S., & Chen, L. (2002). The importance of the normality assumption in large public health data sets. Annual Review of Public Health, 23(1), 151–169.
Mandolesi, L., Polverino, A., Montuori, S., Foti, F., Ferraioli, G., Sorrentino, P., & Sorrentino, G. (2018). Effects of physical exercise on cognitive functioning and wellbeing: Biological and psychological benefits. Frontiers in Psychology, 9, Article 509.
Martinez-Vizcaino, V., Álvarez-Bueno, C., Sanchez-Lopez, M., Jimenez-Lopez, E., Soriano-Cano, A., Ortega, F.B., Cavero-Redondo, I., & Garrido-Miguel, M. (2021). A cluster mediation analysis confirms the validity of the “Fat but Fit” paradigm in children’s cognitive function and academic achievement. The Journal of Pediatrics, 231, 231–238.e1.
Martinez-Zamora, M.D., Valenzuela, P.L., Pinto-Escalona, T., & Martinez-de-Quel, Ó. (2021). The “Fat but Fit” paradox in the academic context: Relationship between physical fitness and weight status with adolescents’ academic achievement. International Journal of Obesity, 45(1), Article 1.
Meo, S.A., Altuwaym, A.A., Alfallaj, R.M., Alduraibi, K.A., Alhamoudi, A.M., Alghamdi, S.M., & Akram, A. (2019). Effect of obesity on cognitive function among school adolescents: A cross-sectional study. Obesity Facts, 12(2), 150–156.
Mirwald, R.L., Baxter-Jones, A.D.G., Bailey, D.A., & Beunen, G.P. (2002). An assessment of maturity from anthropometric measurements. Medicine & Science in Sports & Exercise, 34(4), 689–694.
Mohd Razali, N., & Yap, B. (2011). Power comparisons of Shapiro-Wilk, Kolmogorov-Smirnov, Lilliefors and Anderson-Darling tests. Journal of Statistical Modeling and Analytics, 2, 21–33.
Mora-Gonzalez, J., Esteban-Cornejo, I., Cadenas-Sanchez, C., Migueles, J.H., Rodriguez-Ayllon, M., Molina-García, P., Hillman, C.H., Catena, A., Pontifex, M.B., & Ortega, F.B. (2019). Fitness, physical activity, working memory, and neuroelectric activity in children with overweight/obesity. Scandinavian Journal of Medicine & Science in Sports, 29(9), 1352–1363.
Morrison, G.E., Simone, C.M., Ng, N.F., & Hardy, J.L. (2015). Reliability and validity of the NeuroCognitive Performance Test, a web-based neuropsychological assessment. Frontiers in Psychology, 6, Article 1652.
NCD Risk Factor Collaboration (NCD-RisC). (2024). Worldwide trends in underweight and obesity from 1990 to 2022: A pooled analysis of 3663 population-representative studies with 222 million children, adolescents, and adults. The Lancet, 403(10431), 1027–1050.
Nesayan, A., Amani, M., & Asadi Gandomani, R. (2019). Cognitive Profile of Children and its Relationship With Academic Performance. Basic and Clinical Neuroscience, 10(2), 165–174.
Olivares, P.R., & García-Rubio, J. (2016). Associations between different components of fitness and fatness with academic performance in Chilean youths. PeerJ, 4, Article e2560.
Ortega, F.B., Ruiz, J.R., Labayen, I., Lavie, C.J., & Blair, S.N. (2018). The Fat but Fit paradox: What we know and don’t know about it. British Journal of Sports Medicine, 52(3), 151–153.
Ou, X., Andres, A., Pivik, R.T., Cleves, M.A., & Badger, T.M. (2015). Brain gray and white matter differences in healthy normal weight and obese children. Journal of Magnetic Resonance Imaging, 42(5), 1205–1213.
Peña-Jorquera, H., Martínez-Flores, R., Espinoza-Puelles, J.P., López-Gil, J.F., Ferrari, G., Zapata-Lamana, R., Lofrano-Prado, M.C., Landaeta-Díaz, L., Cigarroa, I., Durán-Agüero, S., & Cristi-Montero, C. (2024). Adolescents with a favorable mediterranean-style-based pattern show higher cognitive and academic achievement: A cluster analysis—The Cogni-Action Project. Nutrients, 16(5), Article 5.
Pezoa-Fuentes, P., Cossio-Bolaños, M., Urra-Albornoz, C., Alvear-Vasquez, F., Lazari, E., Urzua-Alul, L., de Campos, L.F.C.C., & Gomez-Campos, R. (2023). Fat-free mass and maturity status are determinants of physical fitness performance in schoolchildren and adolescents. Jornal De Pediatria, 99(1), 38–44.
Pozuelo-Carrascosa, D.P., Martínez-Vizcaíno, V., Torres-Costoso, A., Martinez, M.S., Rodríguez-Gutiérrez, E., & Garrido-Miguel, M. (2023). “Fat but Fit” paradox and cardiometabolic risk in children: The role of physical activity. Childhood Obesity, 19(4), 282–291.
Revelle, W. (2023). psych: Procedures for psychological, psychometric, and personality research (Version 2.3.9) [Computer software]. https://cran.r-project.org/web/packages/psych/index.html
Ruiz, J.R., Castro-Piñero, J., España-Romero, V., Artero, E.G., Ortega, F.B., Cuenca, M.M., Jimenez-Pavón, D., Chillón, P., Girela-Rejón, M.J., Mora, J., Gutiérrez, Á., Suni, J., Sjöström, M., & Castillo, M.J. (2011). Field-based fitness assessment in young people: The ALPHA health-related fitness test battery for children and adolescents. British Journal of Sports Medicine, 45(6), 518–524.
Ruiz, J.R., Cavero-Redondo, I., Ortega, F.B., Welk, G.J., Andersen, L.B., & Martinez-Vizcaino, V. (2016). Cardiorespiratory fitness cut points to avoid cardiovascular disease risk in children and adolescents; what level of fitness should raise a red flag? A systematic review and meta-analysis. British Journal of Sports Medicine, 50(23), 1451–1458.
Seol, H. (2023). snowRMM [R]. https://github.com/hyunsooseol/snowRMM (Original work published 2020)
Shao, X., Tan, L.H., & He, L. (2022). Physical activity and exercise alter cognitive abilities, and brain structure and activity in obese children. Frontiers in Neuroscience, 16, Article 1019129.
Shaughnessy, K.A., Hackney, K.J., Clark, B.C., Kraemer, W.J., Terbizan, D.J., Bailey, R.R., & McGrath, R. (2020). A narrative review of handgrip strength and cognitive functioning: Bringing a new characteristic to muscle memory. Journal of Alzheimer’s Disease, 73(4), 1265–1278.
Solis-Urra, P., Olivares-Arancibia, J., Suarez-Cadenas, E., Sanchez-Martinez, J., Rodríguez-Rodríguez, F., Ortega, F.B., Esteban-Cornejo, I., Cadenas-Sanchez, C., Castro-Piñero, J., Veloz, A., Chabert, S., Saradangani, K.P., Zavala-Crichton, J.P., Migueles, J.H., Mora-Gonzalez, J., Quiroz-Escobar, M., Almonte-Espinoza, D., Urzúa, A., Dragicevic, C.D., . . . Cristi-Montero, C. (2019). Study protocol and rationale of the “Cogni-action project” a cross-sectional and randomized controlled trial about physical activity, brain health, cognition, and educational achievement in schoolchildren. BMC Pediatrics, 19, Article 260.
Solis-Urra, P., Sanchez-Martinez, J., Olivares-Arancibia, J., Castro Piñero, J., Sadarangani, K.P., Ferrari, G., Rodríguez-Rodríguez, F., Gaya, A., Fochesatto, C.F., & Cristi-Montero, C. (2021). Physical fitness and its association with cognitive performance in Chilean schoolchildren: The Cogni-Action Project. Scandinavian Journal of Medicine & Science in Sports, 31(6), 1352–1362.
Stekhoven, D.J., & Bühlmann, P. (2012). MissForest—Non-parametric missing value imputation for mixed-type data. Bioinformatics, 28(1), 112–118.
Stillman, C.M., Esteban-Cornejo, I., Brown, B., Bender, C.M., & Erickson, K.I. (2020). Effects of exercise on brain and cognition across age groups and health states. Trends in Neurosciences, 43(7), 533–543.
Taut, S., Cortés, F., Sebastian, C., & Preiss, D. (2009). Evaluating school and parent reports of the national student achievement testing system (SIMCE) in Chile: Access, comprehension, and use. Evaluation and Program Planning, 32(2), 129–137.
The Jamovi Project. (2022). jamovi—Open statistical software for the desktop and cloud. https://www.jamovi.org/
Thivel, D., Esteban-cornejo, I., Reilly, J., Ortega, F., Matusik, P., Mazur, A., Erhardt, E., Forslund, A., Vlachopapadopoulou, E.A., Caroli, M., & Boyland, E. (2020). Paediatric obesity and brain functioning: The role of physical activity-A novel and important expert opinion of the European Childhood Obesity Group. International Journal of Pediatric Obesity, 15(9), Article e12649.
Tikhomirova, T., Malykh, A., & Malykh, S. (2020). Predicting academic achievement with cognitive abilities: Cross-sectional study across school education. Behavioral Sciences, 10(10), Article 10.
Tomkinson, G.R., Kaster, T., Dooley, F.L., Fitzgerald, J.S., Annandale, M., Ferrar, K., Lang, J.J., & Smith, J.J. (2021). Temporal trends in the standing broad jump performance of 10,940,801 children and adolescents between 1960 and 2017. Sports Medicine, 51(3), 531–548.
Trollor, J.N., Smith, E., Agars, E., Kuan, S.A., Baune, B.T., Campbell, L., Samaras, K., Crawford, J., Lux, O., Kochan, N.A., Brodaty, H., & Sachdev, P. (2012). The association between systemic inflammation and cognitive performance in the elderly: The Sydney Memory and Ageing Study. Age, 34(5), 1295–1308.
Valenzuela, P.L., Pinto-Escalona, T., Lucia, A., & Martínez-de-Quel, Ó. (2022). Academic performance and psychosocial functioning in European schoolchildren: The role of cardiorespiratory fitness and weight status. Pediatric Obesity, 17(2), Article e12850.
Velásquez, A.J., Alfaro, L.B.V., Velásquez, L.C.G., & Orellana, S.V.B. (2023). Relación entre condición física y rendimiento académico en estudiantes de colegios municipales de La Serena-Chile. Journal of Movement & Health, 20(2), Article 2.
von Elm, E., Altman, D.G., Egger, M., Pocock, S.J., Gøtzsche, P.C., Vandenbroucke, J.P., & STROBE Initiative. (2008). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: Guidelines for reporting observational studies. Journal of Clinical Epidemiology, 61(4), 344–349.
Wang, P., Gong, J., Wang, S., Talbott, E.O., Zhang, B., & He, Q. (2011). Relationship of body fat and cardiorespiratory fitness with cardiovascular risk in chinese children. PLoS One, 6(11), Article e27896.
Webb, J., Mach, K., Gooch, T., Reddy, A., Anderson, M., Scott, J., Checketts, J., Walker, L., & Hartwell, M. (2024). Use of person-centered language in obesity-related publications across sports medicine journals: A systematic review of adherence to person-centered language guidelines in sports medicine. Journal of Osteopathic Medicine.
Weir, C.B., & Jan, A. (2023). BMI classification percentile and cut off points. StatPearls Publishing. http://www.ncbi.nlm.nih.gov/books/NBK541070/
Weller, B.E., Bowen, N.K., & Faubert, S.J. (2020). Latent class analysis: A guide to best practice. Journal of Black Psychology, 46(4), 287–311.
Williams, R.A., Cooper, S.B., Dring, K.J., Hatch, L., Morris, J.G., Sun, F.-H., & Nevill, M.E. (2022). Physical fitness, physical activity and adiposity: Associations with risk factors for cardiometabolic disease and cognitive function across adolescence. BMC Pediatrics, 22(1), Article 75.
World Medical Association. (2013). World Medical Association Declaration of Helsinki: Ethical principles for medical research involving human subjects. JAMA, 310(20), 2191–2194.
Yoo, E.-G. (2016). Waist-to-height ratio as a screening tool for obesity and cardiometabolic risk. Korean Journal of Pediatrics, 59(11), 425–431.