Implementación de redes neuronales para la predicción del síndrome metabólico: un estudio con datos multinacionales

Alberto Guevara-Tirado, Facultad de Medicina Humana, Universidad Científica del Sur, Lima, Perú

Antecedentes: El síndrome metabólico (SM) está constituido por anomalías como la obesidad central, la resistencia a la insulina, la hipertensión y la dislipidemia. Objetivo: Implementar una red neuronal para predecir el SM a partir del colesterol, los triglicéridos, el colesterol unido a lipoproteínas de alta densidad (HDL), la obesidad y la hipertensión. Material y métodos: Estudio analítico y transversal con 1878 pacientes de bases de datos de Venezuela, Tailandia e Indonesia. Se incluyeron las variables SM, hipertensión, obesidad, HDL, triglicéridos y colesterol total. Se usaron redes neuronales tipo perceptrón multicapa, evaluadas con tablas de clasificación, área bajo la curva (AUC) y métricas de desempeño (sensibilidad, especificidad y valores predictivos positivo y negativo). Resultados: La red neuronal mostró una alta capacidad para predecir el SM, con un bajo porcentaje de pronósticos incorrectos tanto en el conjunto de entrenamiento (15.80%) como en el de prueba (18.20%). En el entrenamiento, la precisión global fue del 84.20%, con mayor precisión para casos sin SM (88.30%) que para casos con SM (77.80%). En las pruebas, la precisión global fue del 81.80%, también con mayor precisión para casos sin SM (86.60%) que con SM (74.80%). El AUC fue 0.911, indicando una capacidad predictiva sobresaliente. Respecto al desempeño del modelo, la sensibilidad fue del 81.25% en el entrenamiento y del 79.26% en la prueba, mientras que la especificidad alcanzó el 85.92% y el 83.33%, respectivamente. El valor predictivo positivo fue del 77.80% en entrenamiento y del 74.78% en prueba, y el valor predictivo negativo del 88.30% y el 86.57%, respectivamente. Conclusiones: La red neuronal tipo perceptrón multicapa es una herramienta eficaz para predecir el SM, mostrando una capacidad predictiva sobresaliente.

Palabras clave: Síndrome metabólico. Registros médicos. Lípidos. Redes neurales de la computación. Toma de decisiones asistida por computador.