Un sistema de apoyo a la decisión para la gestión de los síntomas de salud de vivir cerca de las estaciones base de...

Área de la Ciencia:

• Salud Ambiental Salud del medio ambiente.
• Informática biomédica La informática biomédica es un campo de la informática biomédica.
• Investigación del campo electromagnético.

Sus antecedentes:

• Existe una creciente preocupación por los posibles efectos adversos para la salud de la exposición al campo electromagnético de radiofrecuencia (RF-EMF) debido a la proliferación de estaciones base de teléfonos móviles (MPBS).
• El aprendizaje automático (ML) ofrece un enfoque proactivo para los profesionales de la salud y los responsables políticos para abordar las preocupaciones de exposición a RF-EMF cerca de MPBS.

Objetivo del estudio:

• Investigar la eficacia de los modelos de ML en la predicción de los síntomas de salud experimentados por las personas que viven cerca de MPBS.
• Evaluar el potencial de los algoritmos SVM y RF para la predicción del impacto en la salud de RF-EMF.

Principales métodos:

• Se realizó un estudio analítico en el que participaron 699 adultos, utilizando algoritmos de Support Vector Machine (SVM) y Random Forest (RF).
• Se incorporaron a los modelos once predictores relacionados con las condiciones de vida de los participantes.
• El rendimiento del modelo se evaluó utilizando la sensibilidad, la especificidad, la precisión y el área bajo la curva (AUC).

Principales resultados:

• El modelo basado en SVM demostró un alto rendimiento predictivo para varios síntomas de salud, incluidos dolor de cabeza (85,3% de precisión, 0,99 AUC) y trastornos del sueño (82% de precisión, 0,98 AUC).
• SVM mostró una sensibilidad superior en comparación con RF y MLPNN, especialmente para predecir la fatiga (sensibilidad del 70%, 0,81 AUC).
• El modelo SVM superó significativamente a otros modelos en la predicción de la fatiga, destacando su potencial para manejar este síntoma específico.

Conclusiones:

• El aprendizaje automático, particularmente el algoritmo SVM, muestra una promesa significativa para manejar eficazmente los síntomas de salud en individuos expuestos a RF-EMF cerca de MPBS.
• Los hallazgos sugieren que el ML puede ser una herramienta valiosa para la gestión de la salud pública con respecto a la proximidad de MPBS.