Modelo predictivo de aprendizaje automático para identificar el estado metabólico en niños mexicanos, utilizando HOMAir y la actividad enzimática de la amilasa

Karen E. Villagrana-Bañuelos, Unidad Académica de Ingeniería Eléctrica, Universidad Autónoma de Zacatecas, Zacatecas, Zacatecas, México
Carlos E. Galván-Tejada, Unidad Académica de Ingeniería Eléctrica, Universidad Autónoma de Zacatecas, Zacatecas, Zacatecas, México
Antonio García-Domínguez, Unidad Académica de Ingeniería Eléctrica, Universidad Autónoma de Zacatecas, Zacatecas, Zacatecas, México
Erika Acosta-Cruz, Departamento de Biotecnología, Universidad Autónoma de Coahuila, Saltillo, Coahuila, Mexico, Instituto Mexicano del Seguro Social, México
Miguel A. Vázquez-Moreno, Departamento de Biotecnología, Universidad Autónoma de Coahuila, Saltillo, Coahuila, Mexico, Instituto Mexicano del Seguro Social, México
Miguel Cruz-López, Hospital de Especialidades “Dr. Bernardo Sepúlveda Gutiérrez”, Unidad de Investigación Médica en Bioquímica, Centro Médico Nacional Siglo XXI, Mexico City. Mexico, Instituto Mexicano del Seguro Social, México

Antecedentes: La obesidad infantil es un problema mundial de salud, por ser un factor de riesgo para desarrollar enfermedades como el síndrome metabólico y diabetes. Actualmente el identificar estas enfermedades ya establecidas, es relativamente fácil para los profesionales de la salud con el apoyo de estudios de laboratorio, la tendencia mundial en cuanto a salud implica actuar antes de que la enfermedad se establezca. Objetivo: El objetivo de este estudio es identificar si la actividad de amilasa total es útil para predecir que pacientes desarrollaran síndrome metabólico o diabetes. Material y métodos: Utilizando una base de datos con 101 pacientes mexicanos, considerando el valor del modelo de evaluación de resistencia a la insulina (HOMAir) como variable diagnóstica en tres grupos menor de 2 normal, entre 2 y 5 con riesgo metabólico y mayor de 5 como diabetes, así como el valor de la actividad enzimática de la amilasa. Se utilizó Random forest (RF) como método de aprendizaje automático. Resultados: El modelo RF obtuvo los siguientes resultados: AUC 0.7075, especificidad 0.7619, sensibilidad 0.7142 y exactitud 0.7500. Conclusiones: Se concluye que es factible con estas variables y RF, contar con un modelo de predicción que contribuya a identificar este tipo de pacientes en el periodo prepatogénico.

Palabras clave: Diabetes. HOMAir. Niños mexicanos. Estado metabólico. Aprendizaje automático.