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

diposo. 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.