REVISTA INNOVACIÓN Y SOFTWARE Vol. 5 Nº. 1 2024 Marzo - Agosto2024 ISSN Nº 2708-0935

El presente documento busca concientizar acerca de la obesidad localizada en Latinoamérica y

sus centros de salud, incitando a reducir la obesidad en la población, tomando como herramienta

un software que a partir de los datos tomados en la investigación pueda determinar los niveles

de obesidad en un paciente utilizando técnicas relacionadas a la Inteligencia Artificial donde el

modelo aplicado a los datos se puede observar cuales son las personas con un mayor grado de

obesidad y analizar sus respectivas causas

Inteligencia Artificial, obesidad, árbol de decisión, entropía

Artificial Intelligence, obesity, decision tree, entropy.

hiperlipidemia y enfermedad coronaria; por lo cual se estima que la obesidad podría llevar a una

disminución en la esperanza de vida en USA en el Siglo 21, siendo el indicador de cómo

probablemente se muestren el los países latinoamericanos que son influenciados por este mismo

[5].

En América tiene la prevalencia más alta de todas las regiones de la OMS, con 62,5% de los

adultos con sobrepeso u obesidad (64.1% de los hombres y 60.9% de las mujeres) [8]. Donde

la obesidad afecta tanto a adultos como niños; y en América Latina los centros de salud buscan

alternativas para afrontar y detener el aumento de las tasas de obesidad, promoviendo y

apoyando ideas políticas que permitan a las personas mejorar la alimentación, la actividad física

Como otro punto, se sabe que la obesidad afecta al ámbito psicosocial, ya que está asociada con

la depresión, la baja autoestima, el bullying, entre otros. Por otro lado, en el ámbito laboral,

aparece el absentismo laboral, mayor riesgo de accidentes, dificultad de movilidad, peor

desempeño académico, somnolencia, falta de concentración, entre otros, y a la vez no está apto

para trabajos que requieran mucha movilidad como podría ser el trabajo de un bombero o militar

[2].

En el año 2012, el trabajo “Prevention of Obesity using Artificial Intelligence Techniques” realizado

por Bouharati S. et al. nos habla que los desórdenes de obesidad varían de acuerdo a cada

persona, hábitos e incluso el ambiente que lo rodea, por lo que una forma para prevenir la

obesidad, tomando en cuenta todos estos factores ambiguos, es utilizar el modelo de lógica difusa

y con ello poder reconocer patrones causantes de la obesidad [3].

Además se recalca que estos sistemas no buscan reemplazar al personal médico experto, sino

diagnóstico más preciso[3]. El objetivo trazado para la investigación es incitar a los centros de

salud de Latinoamérica a reducir la obesidad en la población, tomando como herramienta un

software que a partir de los datos tomados en la investigación pueda determinar los niveles de

obesidad en un paciente y recomendar algunas formas para mejorar la salud. En esta ocasión los

niveles de obesidad se calculan en función de la condición física y hábitos alimenticios

Trabajos Relacionados

estudiantes, correspondiente a la totalidad de alumnos, posteriormente se seleccionó

mediante muestreo aleatorio sistemático a individuos con normopeso (n=40), sobrepeso

(n=35) y obesidad (n=32) para evaluar los hábitos alimentarios. Los principales resultados

indican que la prevalencia de sobrepeso y obesidad es de 28% (sobrepeso y obesidad),

sin diferencias por sexo. Mientras al relacionar hábitos alimentarios de los normopeso con

los de sobrepeso muestran diferencia estadísticamente significativa, lo que no demostró

con el grupo de obesidad, donde se llegó a la conclusión de que la relación entre la

existencia de sobrepeso y obesidad y los hábitos alimenticios en los estudiantes de la

Unidad Educativa Matovelle, determina, que la mejor calidad de alimentación la tienen los

adolescentes con estado nutricional normal, ya que su índice de calidad promedio es 5,12

constituyen factores de riesgo modificables, por lo que la identificación es importante para

Tabla 2. Variables de salida del dataset

Dentro de los resultados obtenidos se muestra la matriz de confusión el cual muestra que del

20% de datos de prueba, que son 423 casos, 402 generaron resultados correctos mientras que

21 generaron resultados incorrectos

Por lo tanto al momento de comparar los resultados bien clasificados con los que no fueron bien

clasificados, nos damos cuenta que la exactitud del modelo es del 95.03%, tal como nos muestra

los resultados del código al calcular dicha exactitud.

el cual nos arroja una precisión del 95.16%

Figura 3: Precisión del modelo

En cuanto a la tasa de verdaderos positivos del modelo y por lo tanto para determinar la habilidad

del modelo de detectar los casos relevantes se calculó la exhaustividad del modelo el cual nos da

un valor del 95.03%. Este es un valor alto por lo que podemos decir que nuestro modelo es

sensible, es decir, que no se le escapan muchos positivos.

Figura 4: Exhaustividad del modelo

En la generación del árbol de decisión se tuvo en cuenta como nodos todas las variables

predictoras ya que así conseguimos un árbol de decisión completo y que sea más preciso en el

cual podemos ver que el atributo que se seleccionó como nodo raíz es el peso ya que este según

su entropía es el que mayor ganancia de información tiene por lo que es más adecuado para ser

el nodo inicial.

Figura 6: Árbol de decisión

Ya con el árbol de decisión generado podemos predecir el nivel de obesidad de una personas

En el histograma generado con el nivel de obesidad respecto a la frecuencia de la actividad física

de una persona, se visualiza que las personas de obesidad tipo 3, son las que menos se ejercitan

y las que más se ejercitan son las personas de peso normal.

Figura 8: Histograma del nivel de obesidad en función de la Frecuencia de la actividad física(FAF)

En el histograma generado con el nivel de obesidad respecto al tiempo del uso de dispositivos de