Redes neuronales en la Clasificación de la Obesidad Utilizando la Ecuación de Deurenberg - Eadic

Redes neuronales en la Clasificación de la Obesidad Utilizando la Ecuación de Deurenberg

1. Introducción

 

La obesidad es una enfermedad crónica compleja que afecta a millones de personas en todo el mundo. Su diagnóstico y clasificación precisos son cruciales para implementar estrategias de prevención y tratamiento efectivas. Las Redes neuronales y la ecuación de Deurenberg es un método comúnmente utilizado para estimar el porcentaje de grasa corporal (BF%) a partir de medidas antropométricas como la altura, el peso y la circunferencia de la cintura. Sin embargo, este método presenta limitaciones en cuanto a su precisión y aplicabilidad a diferentes poblaciones.

Redes neuronales
Obesidad

2.Redes neuronales

 

Las redes neuronales artificiales (ANN) son una técnica de aprendizaje automático capaz de identificar patrones complejos en grandes cantidades de datos. En el contexto de la obesidad, las ANN se pueden utilizar para desarrollar modelos de clasificación más precisos que la ecuación de Deurenberg, teniendo en cuenta una mayor variedad de variables y características individuales.

El porcentaje de grasa corporal se usa para el diagnóstico de la obesidad, es un índice más preciso que el índice de masa corporal (IMC) usado actualmente. El IMC, si bien es un método popular, no distingue entre tejido adiposo y otros tejidos, limitándose a una simple relación entre altura y peso.

Estudios recientes han demostrado la eficacia de algoritmos de aprendizaje automático, como las máquinas de vectores de soporte (SVM), para evaluar parámetros antropométricos y obtener una clasificación de niveles anormales de porcentaje de grasa corporal. Sin embargo, el uso de redes neuronales artificiales (ANN) para este fin aún se explora como una posibilidad para futuras investigaciones. Esta investigación busca evaluar la eficacia de las ANN en la clasificación de valores anormales del porcentaje de grasa corporal.

Redes Neuronales
Procedimiento del entrenamiento de las redes neuronales.

3. Metodología de Redes neuronales

 -Base de datos usada

 

Se entrenaron redes neuronales utilizando una base de datos de 7750 sujetos, con edades entre 17 y 102 años, e incluyendo 27 variables predictivas tales como circunferencias corporales, pliegues corporales y otras variables antropométricas de fácil medición.

-Procedimiento y evaluación de las Redes neuronales

 

La evaluación de las ANN se realizó mediante el cálculo de las siguientes métricas: precisión, especificidad, sensibilidad, valor predictivo positivo, valor predictivo negativo y F1. Las redes neuronales se entrenaron tomando diferentes porcentajes de la base de datos y el resto ese empleó en la prueba. Se usó el método de validación cruzada de Monte Carlo para hacer repeticiones del proceso entrenamiento-prueba con el fin de evaluar la estabilidad del método. En cada corrida del proceso se hallaron las métricas. Y al final se promediaron y se halló la desviación estándar. En la figura 1 se ilustra en detalle el procedimiento usado para el entrenamiento de las redes.

4.Resultados

 

Los resultados sugieren que las ANN son más efectivas que las máquinas de vectores de soporte para abordar la clasificación del porcentaje de grasa corporal alterado, aunque la diferencia entre ambos métodos no es significativa en comparación con estudios previos que utilizaron la misma base de datos.

– Hallazgos importantes

 

Cabe destacar que las redes neuronales superaron a las máquinas de vectores de soporte en la clasificación de los sujetos sin patología, con una tasa de éxito del valor predictivo negativo superior al 98% en comparación con el 85% de las máquinas de vectores de soporte. Este hallazgo se alinea con los resultados de especificidad, donde las redes neuronales alcanzaron una tasa superior al 99% frente al 67% de las máquinas de vectores de soporte. Además, todas las demás métricas (precisión, sensibilidad, especificidad, valor predictivo positivo y F1 score) arrojaron resultados superiores al 96%.

5. Conclusiones

 

Las ANN se perfilan como una herramienta prometedora para la clasificación de valores anormales del porcentaje de grasa corporal, con un desempeño superior a las máquinas de vectores de soporte en la mayoría de las métricas evaluadas. Se requieren investigaciones adicionales para explorar el potencial de las redes neuronales en este campo y determinar su aplicabilidad en la práctica clínica.

Autor: Erika Severeyn Varela, Doctor en Ingeniería Biomédica, Introducción a la Ingeniería Biomédica, Electrónica e Informática Aplicada a la Biomedicina y Áreas Profesionales dentro de la Biomedicina.

Compartir

Contenido seleccionado para ti

Suscríbete a nuestro boletín

Recibe directamente en tu correo las últimas noticias y actualizaciones de eadic.

Ir arriba
Mediante el envío de mis datos confirmo que he leído y acepto las condiciones generales y política de privacidad