Algoritmos supervisados de aprendizaje automático para la clasificación del riesgo cardiometabólico basado en la...

Área de la Ciencia:

• Salud Pública y Medicina Preventiva
• Biología computacional y bioinformática
• Ciencias de la Salud y del Deporte para Adolescentes

Sus antecedentes:

• El riesgo cardiometabólico adolescente es un problema de salud pública importante.
• La aptitud física es un factor clave modificable que influye en la salud cardiometabólica.
• Los métodos estadísticos tradicionales luchan con relaciones complejas en la aptitud y los datos antropométricos.

Objetivo del estudio:

• Desarrollar y evaluar algoritmos supervisados de aprendizaje automático para clasificar el riesgo cardiometabólico en adolescentes.
• Utilizar evaluaciones estandarizadas de la aptitud física como entrada para los modelos de predicción de riesgos.
• Comparar el rendimiento de varios modelos de aprendizaje automático en la identificación de adolescentes en riesgo.

Principales métodos:

• Análisis transversal de una muestra representativa de adolescentes en edad escolar.
• La inclusión de pruebas de aptitud física basadas en el campo: aptitud cardiorrespiratoria (VO2max), fuerza muscular (push-ups) y potencia explosiva (salto horizontal).
• Aplicación y comparación de modelos de aprendizaje automático supervisado (por ejemplo, redes neuronales artificiales, métodos de conjunto) utilizando precisión, puntuación F1, recuerdo y métricas AUC-ROC.

Principales resultados:

• El clasificador de aumento de gradiente demostró un rendimiento superior entre los modelos probados.
• Se logró una precisión del 77,0%, una puntuación F1 del 67,3% y el AUC-ROC más alto (0,601), lo que indica una clasificación de riesgo efectiva.
• Se identificaron los saltos horizontales y el rendimiento de las flexiones como las variables predictivas más significativas para el riesgo cardiometabólico.

Conclusiones:

• El aumento del gradiente es un modelo altamente efectivo para predecir el riesgo cardiometabólico adolescente a partir de datos de aptitud física.
• Este enfoque de aprendizaje automático proporciona una herramienta práctica basada en datos para la detección temprana de riesgos en adolescentes.
• Los hallazgos apoyan el potencial de programas de detección escalables en entornos educativos y clínicos.