Enhancing Impaired Waist-to-height Ratio Classification Using Neural Networks

La obesidad es una condición caracterizada por la acumulación excesiva de tejido adiposo. Sin embargo, medir directamente la adiposidad puede ser un desafío, especialmente en entornos epidemiológicos y clínicos. Por lo tanto, se utilizan comúnmente medidas antropométricas simples para evaluar la cantidad y distribución de grasa. El Índice de Masa Corporal (IMC) es una medida ampliamente utilizada para estimar la cantidad total de grasa. Además, indicadores como la circunferencia de la cintura y la relación cintura-altura (RCA) ofrecen información valiosa sobre la distribución de la grasa visceral, central o abdominal. Estas medidas desempeñan un papel crucial en la comprensión y evaluación de los riesgos para la salud asociados con la obesidad. Este estudio utilizó un conjunto de datos que consta de 1978 participantes, y se recopilaron medidas antropométricas, como altura, peso, circunferencias corporales y pliegues cutáneos, de cada participante. La investigación tenía como objetivo clasificar a individuos con RCA alterada utilizando redes neuronales artificiales (ANN) basadas en parámetros antropométricos. Se realizaron múltiples pruebas utilizando validación cruzada de Monte Carlo con diferentes proporciones de entrenamiento y prueba. La arquitectura de la ANN se modificó variando el número de capas ocultas. Los resultados mostraron una precisión que superó el 82.4%. Los valores de sensibilidad superaron consistentemente el 79.9%, indicando la efectiva detección de casos positivos por parte del modelo. El modelo también demostró una excelente especificidad, con una puntuación superior al 85%. Los valores predictivos positivos y negativos mostraron pequeñas mejoras a medida que se ampliaron los datos de entrenamiento. El puntaje F1, que considera tanto la precisión como la sensibilidad, fue superior a 0.794, indicando un equilibrio favorable en la clasificación de individuos con RCA alterada. El rendimiento del modelo se mantuvo consistente en diferentes divisiones de entrenamiento-prueba, lo que sugiere estabilidad y confiabilidad en sus predicciones.