Redes neuronales para predecir índice de masa corporal según estatura y circunferencia de cintura
Palabras clave:
circunferencia abdominal, estatura, índice de masa corporal, peso corporal, redes neurales de la computación, toma de decisiones asistida por computadorResumen
Introducción: El índice de masa corporal (IMC) es un indicador de riesgo de sufrir enfermedades asociadas al exceso de grasa corporal.
Objetivo: Evaluar la red neuronal como predictor del IMC según estatura y circunferencia de cintura.
Métodos: Estudio analítico, transversal de 2004 adultos venezolanos pertenecientes al estudio de prevalencia del síndrome metabólico de la ciudad de Maracaibo. Las variables fueron IMC, estatura y circunferencia de la cintura. Se utilizaron redes neuronales tipo perceptrón multicapa, evaluada mediante gráficos de dispersión, curva característica operativa de receptor y tablas de clasificación.
Resultados: Para el IMC cuantitativo, el error relativo fue de 0,191 y 0,180 en el entrenamiento y las pruebas, respectivamente. Para las categorías del IMC, el porcentaje de predicciones incorrectas en el entrenamiento y las pruebas fueron del 25,50 % y 20,80 %, respectivamente. La red neuronal desarrollada para predecir cuantitativamente el IMC a partir de la altura y la circunferencia de la cintura tuvo un coeficiente R2 de 0,812 y cualitativamente, un área bajo la curva de 0,968, 0,919, 0,844 y 0,950 para bajo peso, peso normal, sobrepeso y obesidad, respectivamente. La red neuronal para predecir las categorías del IMC tuvo porcentajes de predicciones correctas de 37,50 %, 74 %, 79,80 % y 84,40 % para bajo peso, normopeso, sobrepeso y obesidad, respectivamente.
Conclusiones: El uso de redes neuronales tipo perceptrón multicapa es eficiente para predecir el IMC cuantitativa y cualitativamente a partir de la estatura y la circunferencia de cintura.
Descargas
Citas
Wu Y, Li D, Vermund SH. Advantages and limitations of the body mass index (BMI) to assess adult obesity [Internet]. Int J Environ Res Public Health. 2024;21(6):757. DOI: 10.3390/ijerph21060757
Wondmkun YT. Obesity, insulin resistance, and type 2 diabetes: Associations and therapeutic implications [Internet]. Diabetes Metab Syndr Obes. 2020;13:3611-6. DOI: 10.2147/dmso.s275898
Stone TW, McPherson M, Gail Darlington L. Obesity and cancer: Existing and new hypotheses for a causal connection [Internet]. EBioMedicine. 2018;30:14-28. DOI: 10.1016/j.ebiom.2018.02.022
Bellows CF, Zhang Y, Chen J, Frazier ML, Kolonin MG. Circulation of progenitor cells in obese and lean colorectal cancer patients [Internet]. Cancer Epidemiol Biomarkers Prev. 2011; 20(11):2461-8. DOI: 10.1158/1055-9965.epi-11-0556
Held C, Hadziosmanovic N, Aylward PE, Hagström E, Hochman JS, Stewart RAH, et al. Body mass index and association with cardiovascular outcomes in patients with stable coronary heart disease - A STABILITY substudy [Internet]. J Am Heart Assoc. 2022;11(3): e023667. DOI: 10.1161/jaha.121.023667
Leppänen T, Kulkas A, Mervaala E, Töyräs J. Increase in body mass index decreases duration of apneas and hypopneas in obstructive sleep apnea [Internet]. Respir Care. 2019;64(1):77-84. DOI: 10.4187/respcare.06297
Vaishnav B. Gastroesophageal reflux disease and its association with body mass index: Clinical and endoscopic study [Internet]. J Clin Diagn Res. 2017; DOI: 10.7860/jcdr/2017/24151.9562
Zhu L, Zhou B, Zhu X, Cheng F, Pan Y, Zhou Y, et al. Association between body mass index and female infertility in the United States: Data from national health and nutrition examination survey 2013-2018 [Internet]. Int J Gen Med. 2022;15:1821-31. DOI: 10.2147/ijgm.s349874
CDC. Adult BMI calculator [Internet]. Centers for Disease Control and Prevention. 2024. [acceso: 26/09/2024]. Disponible en: https://www.cdc.gov/healthyweight/assessing/bmi/adult_bmi/english-_bmi_calculator/bmi_calculator.html
Overweight and obesity: prevalence Venezuela 2010-2022 [Internet]. Statista. 2023. [acceso: 26/09/2024]. Disponible en: https://www.statista.com/statistics/1466625/overweight-obesity-prevalence-venezuela/
Bikku T. Multi-layered deep learning perceptron approach for health risk prediction [Internet]. J Big Data. 2020;7(1):[aprox. 24 p.]. DOI: 10.1186/s40537-020-00316-7
Salazar J, Bermúdez V, Calvo M, Olivar LC, Luzardo E, Navarro C, et al. Optimal cutoff for the evaluation of insulin resistance through triglyceride-glucose index: A cross-sectional study in a Venezuelan population [Internet]. F1000Res. 2018; 6:1337. DOI: 10.12688/f1000research.12170.3
Nuttall FQ. Body mass index: Obesity, BMI, and health A critical review [Internet]. Nutr Today. 2015;50(3):117-28. DOI: 10.1097/nt.0000000000000092
Alexander DLJ, Tropsha A, Winkler DA. Beware of R2: Simple, unambiguous assessment of the prediction accuracy of QSAR and QSPR models [Internet]. J Chem Inf Model. 2015;55(7):1316-22. DOI: 10.1021/acs.jcim.5b00206
Kurisu K, Yamazaki T, Yoshiuchi K. Predicting extremely low body weight from 12-lead electrocardiograms using a deep neural network [Internet]. Sci Rep. 2024 [acceso: 26/09/2024];14(1):1-8. Disponible en: https://www.nature.com/articles/s41598-024-55453-3
Freitag E, Edgecombe G, Baldwin I, Cottier B, Heland M. Determination of body weight and height measurement for critically ill patients admitted to the intensive care unit: A quality improvement project [Internet]. Aust Crit Care. 2010;23(4):197-207. DOI: 10.1016/j.aucc.2010.04.003
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Alberto Guevara Tirado
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cual estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons. Los contenidos que aquí se exponen pueden ser compartidos, copiados y redistribuidos en cualquier medio o formato. Pueden ser adaptados, remezclados, transformados o creados otros a partir del material, mediante los siguientes términos: Atribución (dar crédito a la obra de manera adecuada, proporcionando un enlace a la licencia, e indicando si se han realizado cambios); no-comercial (no puede hacer uso del material con fines comerciales) y compartir-igual (si mezcla, transforma o crea nuevo material a partir de esta obra, podrá distribuir su contribución siempre que utilice la misma licencia que la obra original).
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada.
