Redes neuronales para estimar peso corporal, usando talla, edad y cintura, en población peruana
Palabras clave:
peso corporal; circunferencia de la cintura; estatura; antropometría; redes neurales de la computaciónResumen
Introducción: La estimación del peso corporal es fundamental en evaluaciones de salud. Métodos tradicionales pueden verse limitados por la disponibilidad de equipos o sesgos en la medición, por lo que el uso de modelos basados en inteligencia artificial representa una alternativa prometedora.
Objetivo: Estimar el peso corporal, utilizando edad, talla y circunferencia abdominal, mediante redes neuronales tipo perceptrón multicapa.
Métodos: Estudio analítico transversal en 61 857 personas de la Encuesta Demográfica y de Salud Familiar de 2022 y 2023. Se analizaron peso corporal, talla, edad y circunferencia abdominal. Se emplearon redes neuronales tipo perceptrón multicapa, y gráficos de dispersión con coeficiente de determinación (R²).
Resultados: El entrenamiento del modelo mostró errores relativos de 0,102 y 0,117 en la Encuesta Demográfica y de Salud Familiar de 2022 y 2023, respectivamente; en la prueba, fueron 0,099 y 0,112. Los gráficos de dispersión indicaron que el modelo explicó el 90 % y 89 % de la variación del peso corporal en 2022 y 2023, respectivamente (R² de 0,899 y 0,885).
Conclusiones: La red neuronal basada en talla, edad y circunferencia abdominal es una herramienta eficiente para estimar el peso corporal en la población peruana.
Descargas
Citas
1. Zhang X, Ha S, Lau HCH, et al. Excess body weight: Novel insights into its roles in obesity comorbidities. Semin Cancer Biol. 2023;92:16-27. DOI: 10.1016/j.semcancer.2023.03.008.
2. Boutari C, Mantzoros CS. A 2022 update on the epidemiology of obesity and a call to action: as its twin COVID-19 pandemic appears to be receding, the obesity and dysmetabolism pandemic continues to rage on. Metabolism. 2022;133:155217. DOI: 10.1016/j.metabol.2022.155217.
3. Walpole SC, Prieto-Merino D, Edwards P, et al. The weight of nations: an estimation of adult human biomass. BMC Public Health. 2012;12(1):439. DOI: 10.1186/1471-2458-12-439.
4. Vinueza Veloz AF, Carpio Arias TV, Robalino Valdivieso MP, et al. Estimation of weight based on age in Ecuadorian boys and girls: a validation of the APLS formula. Nutr Hosp. 2020;38(2):345-51. DOI: 10.20960/nh.03410.
5. Shafi I, Farooq MS, De La Torre Díez I, et al. Design and development of smart weight measurement, lateral turning and transfer bedding for unconscious patients in pandemics. Healthcare. 2022;10(11):2174. DOI: 10.3390/healthcare10112174.
6. Kim T-H, Hong Y-S. Prediction of body weight of a person lying on a smart mat in nonrestraint and unconsciousness conditions. Sensors. 2020;20(12):3485. DOI: 10.3390/s20123485.
7. Instituto Nacional de Estadística e Informática. Perú: Encuesta Demográfica y de Salud Familiar - ENDES 2022. Informe [Internet]. Lima: Instituto Nacional de Estadística e Informática; 2023 [citado 12/04/2024]. Disponible en: https://www.gob.pe/institucion/inei/informes-publicaciones/4233597-peru-encuesta-demografica-y-de-salud-familiar-endes-2022
8. Instituto Nacional de Estadística e Informática. Manual de la Antropometrista [Internet]. Lima: Instituto Nacional de Estadística e Informática; 2010 [citado 21/09/2024]. Disponible en: https://proyectos.inei.gob.pe/iinei/srienaho/Descarga/DocumentosMetodologicos/2010-5/ManualdeAntropometrista.pdf
9. Ross R, Neeland IJ, Yamashita S, et al. Waist circumference as a vital sign in clinical practice: a Consensus Statement from the IAS and ICCR Working Group on Visceral Obesity. Nat Rev Endocrinol. 2020;16:177-89. DOI: 10.1038/s41574-019-0310-7.
10. Bhattacharya S, Bennet L, Davidson JO, et al. Multi-layer perceptron classification & quantification of neuronal survival in hypoxic-ischemic brain image slices using a novel gradient direction, grey level co-occurrence matrix image training. PLoS One. 2022;17(12):e0278874. DOI: 10.1371/journal.pone.0278874.
11. Li W, Chen H, Guo J, et al. Brain-inspired Multilayer Perceptron with spiking neurons [Internet]. New Orleans: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition; 2022 [citado 12/04/2024]. Disponible en: http://arxiv.org/abs/2203.14679
12. Chai SS, Cheah WL, Goh KL, et al. A multilayer perceptron neural network model to classify hypertension in adolescents using anthropometric measurements: A cross-sectional study in Sarawak, Malaysia. Comput Math Methods Med. 2021. DOI: 10.1155/2021/2794888.
13. Chicco D, Warrens MJ, Jurman G. The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Comput Sci. 2021;7(e623). DOI: 10.7717/peerj-cs.623.
14. Gob.pe. Plataforma Nacional de Datos Abiertos [Internet]. Lima: Gob.pe; 2023 [citado 20/02/2025]. Disponible en: https://www.datosabiertos.gob.pe/
15. Freitag E, Edgecombe G, Baldwin I, et al. Determination of body weight and height measurement for critically ill patients admitted to the intensive care unit: A quality improvement project. Aust Crit Care. 2010;23(4):197-207. DOI: 10.1016/j.aucc.2010.04.003.
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Alberto Guevara-Tirado
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
La misma permite:
• Copiar y redistribuir el material publicado en cualquier medio o formato.
• Adaptar el contenido.
Esto se realizará bajo los siguientes términos:
• Atribuir los créditos de los autores e indicar si se realizaron cambios, en cuyo caso debe ser de forma razonable.
• Uso no comercial.
• Reconocer la revista donde se publica.
Se mantienen los derechos de autoría de cada artículo, sin restricciones.
