Video Experimental Relacionado
Updated: Sep 10, 2025
10:21
Evaluation of Hydration Status by Bioelectrical Impedance Vector Analysis in Patients with Ischemic Heart Disease Undergoing Exercise Stress Test
Published on: September 22, 2023
714
Algoritmos supervisados de aprendizaje automático para la clasificación de los niveles de obesidad utilizando índices
Rodrigo Yáñez-Sepúlveda1, Aldo Vásquez-Bonilla2, Rodrigo Olivares3
1Faculty Education and Social Sciences, Universidad Andres Bello, Viña del Mar, Chile.
Scientific reports
|August 21, 2025
Resumen
El aprendizaje automático clasifica con precisión la obesidad utilizando datos de composición corporal. Los modelos forestales aleatorios, que utilizan el índice de masa grasa y el IMC, ofrecen un rendimiento superior para la detección de la salud pública.
Área de la Ciencia:
- Ingeniería biomédica
- Ciencia de los datos
- Salud pública
Sus antecedentes:
- La clasificación precisa de la obesidad es crucial para la salud pública y las decisiones clínicas.
- Las medidas tradicionales como el índice de masa corporal (IMC) tienen limitaciones para distinguir la grasa de la masa magra.
- El análisis de impedancia bioeléctrica (BIA) ofrece métricas detalladas de la composición corporal.
Objetivo del estudio:
- Evaluar y comparar algoritmos supervisados de aprendizaje automático para la clasificación de la obesidad.
- Utilizar los índices antropométricos del BIA para mejorar la evaluación de la obesidad.
- Identificar las características clave que influyen en la clasificación de la obesidad.
Principales métodos:
- Un estudio transversal de 5372 adultos utilizando datos antropométricos derivados del BIA.
- Entrenado y evaluado seis modelos de aprendizaje automático: Bosque aleatorio, Gradient Boosting, KNN, Regresión logística, SVM y Árbol de decisión.
- Se evaluó el rendimiento del modelo utilizando la precisión, la puntuación F1, el AUC-ROC y las explantaciones aditivas de SHapley (SHAP).
Principales resultados:
- Random Forest logró la mayor precisión (84,2%), puntuación F1 (83,7%) y AUC-ROC (0,947).
- El índice de masa grasa (IMF), el índice de masa libre de grasa (IMF) y el IMC fueron los predictores más influyentes.
- El sexo mostró un impacto mínimo en el rendimiento predictivo.
Conclusiones:
- El aprendizaje automático supervisado, especialmente Random Forest, demuestra una alta precisión e interpretabilidad en la clasificación de la obesidad.
- Los datos antropométricos derivados de BIA mejoran la clasificación de la obesidad más allá del IMC tradicional.
- Estos modelos tienen un potencial significativo para mejorar la detección de la obesidad en entornos clínicos y comunitarios.
