![MACHINE LEARNING - OBESIDAD • ¿Podemos clasificar la obesidad con mayor precisión usando inteligencia artificial? Este estudio analiza cómo los algoritmos de machine learning pueden identificar patrones complejos de composición corporal a partir de índices antropométricos derivados de bioimpedancia eléctrica.• A partir de una muestra de 5372 adultos, se evaluaron múltiples variables relacionadas con masa grasa y masa muscular para entrenar modelos predictivos capaces de diferenciar distintos niveles de obesidad con un enfoque basado en datos.• Se compararon seis algoritmos de aprendizaje automático, incluyendo random forest, gradient boosting y máquinas de soporte vectorial, analizando su capacidad de clasificación mediante métricas como accuracy, F1-score y AUC-ROC.• Los resultados muestran que random forest alcanzó el mejor rendimiento predictivo, con una precisión cercana al 84%, evidenciando el potencial del machine learning para transformar la evaluación de la composición corporal y abrir nuevas posibilidades en investigación y práctica aplicada. Yáñez-Sepúlveda, R., Vásquez-Bonilla, A., Olivares, R., Olivares, P., Zavala-Crichton, J. P., Hinojosa-Torres, C., Muñoz-Strale, C., Giakoni-Ramírez, F., de Souza-Lima, J., Páez-Herrera, J., Olivares-Arancibia, J., Reyes-Amigo, T., Cortés-Roco, G., Hurtado-Almonacid, J., Guzmán-Muñoz, E., Aguilera-Martínez, N., López-Gil, J. F., Becerra-Patiño, B. A., Paucar-Uribe, J. D., Garcia-Carrillo, E., … Clemente-Suárez, V. J. (2025). Supervised machine learning algorithms for the classification of obesity levels using anthropometric indices derived from bioelectrical impedance analysis. Scientific reports, 15(1), 30681. /10.1038/s41598-025-15264-6]()
📌 MACHINE LEARNING - OBESIDAD 📌
• ¿Podemos clasificar la obesidad con mayor precisión usando inteligencia artificial? Este estudio analiza cómo los algoritmos de machine learning pueden identificar patrones complejos de composición corporal a partir de índices antropométricos derivados de bioimpedancia eléctrica.
• A partir de una muestra de 5372 adultos, se evaluaron múltiples variables relacionadas con masa grasa y masa muscular para entrenar modelos predictivos capaces de diferenciar distintos niveles de obesidad con un enfoque basado en datos.
• Se compararon seis algoritmos de aprendizaje automático, incluyendo random forest, gradient boosting y máquinas de soporte vectorial, analizando su capacidad de clasificación mediante métricas como accuracy, F1-score y AUC-ROC.
• Los resultados muestran que random forest alcanzó el mejor rendimiento predictivo, con una precisión cercana al 84%, evidenciando el potencial del machine learning para transformar la evaluación de la composición corporal y abrir nuevas posibilidades en investigación y práctica aplicada.
📜 Yáñez-Sepúlveda, R., Vásquez-Bonilla, A., Olivares, R., Olivares, P., Zavala-Crichton, J. P., Hinojosa-Torres, C., Muñoz-Strale, C., Giakoni-Ramírez, F., de Souza-Lima, J., Páez-Herrera, J., Olivares-Arancibia, J., Reyes-Amigo, T., Cortés-Roco, G., Hurtado-Almonacid, J., Guzmán-Muñoz, E., Aguilera-Martínez, N., López-Gil, J. F., Becerra-Patiño, B. A., Paucar-Uribe, J. D., Garcia-Carrillo, E., … Clemente-Suárez, V. J. (2025). Supervised machine learning algorithms for the classification of obesity levels using anthropometric indices derived from bioelectrical impedance analysis. Scientific reports, 15(1), 30681. /10.1038/s41598-025-15264-6
2 months ago
