Resumen




Redes neuronales artificiales y modelo de regresión lineal múltiple: nuevas alternativas para mejorar la estimación de gasto energético total en jóvenes universitarios


VOLUMEN 7 - NÚMERO 1 / Enero-Marzo (Artículo original / Original article)




Fabiola Moreno-Cruz, Departamento de Nutrición, Universidad del Valle de México (UVM), Campus Lomas Verdes, Instituto de Estudios Superiores en Administración Pública (IESAP), Ciudad de México, México
Jorge Sánchez-Herrera, Departamento de Nutrición, Universidad del Valle de México (UVM), Campus Lomas Verdes, Instituto de Estudios Superiores en Administración Pública (IESAP), Ciudad de México, México


La Encuesta Nacional de Salud y Nutrición de Medio Camino 2016, señala que el sobrepeso y la obesidad son las alteraciones del estado nutricio con mayor prevalencia en la población mexicana, esto se traduce en un alto riesgo de desarrollar patologías crónico-degenerativas a futuro. Una oportuna estimación del gasto energético total (GET) deriva en intervenciones preventivas en la población de jóvenes. Utilizando la metodología de minería de datos con dos máquinas de aprendizaje, redes neuronales artificiales (RNA) y el modelo de regresión lineal múltiple (MRLM), donde a partir de ocho variables explicatorias (sexo, edad, peso, talla, masa grasa, masa libre de grasa, agua corporal total y actividad física) se estimó el GET. Los resultados obtenidos mediante ambos métodos presentan un valor promedio absoluto de desviación (e_a) de 121 y 116 respectivamente, menor al calculado por fórmulas de estimación (e_a = 558) tomando como referencia el cálculo de este a partir de bioimpedancia eléctrica. Se concluye que ambas máquinas de aprendizaje, las RNA y el MRLM, obtuvieron promedios de desviaciones absolutas menores a las obtenidas con las ecuaciones de Harris-Benedict y Mifflin-St. Jeor. Hoy en día el uso de la ciencia de datos representa un área de oportunidad para lograr impactos positivos en el sistema de salud en México.



Palabras clave: Minería de datos. Redes neuronales artificiales. Regresión lineal múltiple. Gasto energético total. Ciencia de datos y máquinas de aprendizaje.