Análisis predictivo del riesgo de hipertensión en adultos mexicanos basado en indicadores nutricionales y calóricos
Predictive analysis of hypertension risk in Mexican adults based on nutritional and caloric indicators
Barra lateral del artículo
La Revista ofrece Acceso Abierto bajo una licencia Creative Commons Attibution License
Esta obra está bajo una Licencia Creative Commons Atribución - No comercial - 4.0 Internacional.
Contenido principal del artículo
Perfil Google Scholar
Este artículo desarrolla un análisis predictivo del riesgo de hipertensión en adultos mexicanos basado en indicadores nutricionales y calóricos. La hipertensión, una condición con serias implicaciones para la salud, requiere la identificación de factores de riesgo predictivos para su prevención y manejo efectivo. Se evaluaron varios modelos de aprendizaje automático, encontrando que el modelo Random Forest destaca por su alta precisión y robustez, mientras que el XGBoost sobresale por su eficiencia en conjuntos de datos grandes. En contraste, el modelo Naive Bayes mostró el rendimiento más bajo. Además, el estudio enfatiza la importancia de los macronutrientes y la ingesta calórica total en la predicción de la hipertensión, con proteínas, carbohidratos y lípidos como factores relevantes en el riesgo, especialmente en adultos jóvenes en México. Este hallazgo resalta la necesidad de integrar múltiples factores nutricionales en la evaluación del riesgo.
Descargas
Detalles del artículo
O. G. Montero Cadena, G. J. Guzmán Kure, R. C. Acosta Bravo, and M. B. Peñafiel Peñafiel, “Principales factores de riesgo de la hipertensión arterial,” RECIMUNDO, vol. 7, no. 2, pp. 89–97, Jun. 2023, doi: 10.26820/recimundo/7.(2).jun.2023.89-97.
J. M. Baglietto-Hernández, A. Mateos-Bear, J. P. Nava-Sánchez, P. Rodríguez-García, and F. Rodríguez-Weber, “Nivel de conocimiento en hipertensión arterial en pacientes con esta enfermedad de la Ciudad de México,” Medicina Interna de México, vol. 36, no. 1, pp. 1–14, 2020, doi: https://doi.org/10.24245/mim.v36i1.2844.
J. Plaza-Torres, A. Martínez-Sánchez, and R. Navarro-Suay, “Hábitos alimenticios, estilos de vida y riesgos para la salud. Estudio en una población militar,” Sanidad Militar, 2022, doi: https://dx.doi.org/10.4321/s1887-85712022000200004.
N. Díaz Wever, H. Herrera Mogollón, Z. Fajardo, and A. Galbán Chinchilla, “Consumo de macronutrientes y micronutrientes en adolescentes,” TAYACAJA, vol. 4, no. 1, pp. 180–192, Jun. 2021, doi: 10.46908/tayacaja.v4i1.163.
I. Campos-Nonato et al., “Prevalencia, tratamiento y control de la hipertensión arterial en adultos mexicanos: resultados de la Ensanut 2022,” Salud Publica Mex, vol. 65, pp. 169– 180, 2023.
L. Alcocer et al., “A reflection on the results of the ENSANUT 2022 on high blood pressure in Mexican adults,” Cardiovascular and Metabolic Science, vol. 34, no. 3, pp. 85–93, 2023.
S. Hasdeu, L. LAMFRE, P. CARO, and Federico. HORNE, “Revisión narrativa: modelos predictivos sobre la evolución de la pandemia por COVID-19,” Rev Argent Salud Publica, vol. 12, p. 3, [Online]. Available: http://www.scielo.org.ar/scielo.php?script=sci_abstract&pid=S1853-810X2020000300003&lng=es&nrm=iso&tlng=es
D. Delen, G. Walker, and A. Kadam, “Predicting breast cancer survivability: a comparison of three data mining methods,” Artif Intell Med, vol. 34, no. 2, pp. 113–127, Jun. 2005, doi: 10.1016/j.artmed.2004.07.002.
R. BELLAZZI and B. ZUPAN, “Predictive data mining in clinical medicine: Current issues and guidelines,” Int J Med Inform, vol. 77, no. 2, pp. 81–97, Feb. 2008, doi: 10.1016/j.ijmedinf.2006.11.006.
M. Araujo-Castro et al., “Predictive model of hypertension resolution after adrenalectomy in primary aldosteronism: the SPAIN-ALDO score,” J Hypertens, vol. 40, no. 12, pp. 2486–2493, Dec. 2022, doi: 10.1097/HJH.0000000000003284.
L. M. Ruilope et al., “PREDICTIVE PERFORMANCE AND CLINICAL UTILITY OF A NEW PREDICTIVE MODEL OF CARDIOVASCULAR RISK FOR YOUNG AND MIDDLE-AGED WORKING POPULATION,” J Hypertens, vol. 36, no. Supplement 1, p. e221, Jun. 2018, doi: 10.1097/01.hjh.0000539624.20457.e0.
C. Fernández-Labandera Ramos et al., “Estrategia clínica para reducir la enfermedad cardiovascular: integración de Iberscore y Life’s simple 7 de la American Heart Association,” Rev Esp Cardiol, vol. 71, no. Suplemento 1, p. 1306, 2018, [Online]. Available: http://www.revespcardiol.org/es-congresos-sec-2018-el-congreso-76-sesion-biomarcadores-escalas-riesgo-4438-estrategia-clinica-reducir-enfermedad-cardiovascular-52373
Q. Luo, K. Bao, W. Gao, Y. Xiang, M. Li, and Y. Zhang, “Joint effects of depressive status and body mass index on the risk of incident hypertension in aging population: evidence from a nationwide population-based cohort study,” BMC Psychiatry, vol. 23, no. 1, p. 608, Aug. 2023, doi: 10.1186/s12888-023-05105-z.
A. D. Argoty-Pantoja, R. Velázquez-Cruz, J. Meneses-León, J. Salmerón, and B. Rivera-Paredez, “Triglyceride-glucose index is associated with hypertension incidence up to 13 years of follow-up in mexican adults,” Lipids Health Dis, vol. 22, no. 1, p. 162, Sep. 2023, doi: 10.1186/s12944-023-01925-w.
S. Kendale, P. Kulkarni, A. D. Rosenberg, and J. Wang, “Supervised Machine-learning Predictive Analytics for Prediction of Postinduction Hypotension,” Anesthesiology, vol. 129, no. 4, pp. 675–688, Oct. 2018, doi: 10.1097/ALN.0000000000002374.
C.-D. Tseng, A. M.-F. Yen, S. Y.-H. Chiu, L.-S. Chen, H.-H. Chen, and S.-H. Chang, “A Predictive Model for Risk of Prehypertension and Hypertension and Expected Benefit After Population-Based Life-Style Modification (KCIS No. 24),” Am J Hypertens, vol. 25, no. 2, pp. 171–179, Feb. 2012, doi: 10.1038/ajh.2011.122.
Martínez de Castro. Georgina Toussaint, A. B. Pérez Lizaur, H. R. García Hernández, and A. F. García Martínez, “Contenido nutrimental de los alimentos,” in Nutrición y gastroenterología pediátrica, 2013.
I.B.M., “Conceptos básicos de ayuda de CRISP-DM,” in Obtenido de Guía de CRIPS-DM de IBM SPSS Modeler, 2021. [Online]. Available: https://www.ibm.com/docs/es/spss-modeler/saas?topic=dm-crisp-help-overview
D. J. Gottlieb, S. Redline, F. J. Nieto, C. M. Baldwin, A. B. Newman, H. E. Resnick, ... and N. M. Punjabi, "Association of usual sleep duration with hypertension: the Sleep Heart Health Study," Sleep, vol. 33, no. 8, pp. 1011-1018, 2010.
T. M. Spruill, "Chronic psychosocial stress and hypertension," Current Hypertension Reports, vol. 12, pp. 10-16, 2010.
D. Berrar, “Cross-Validation,” in Encyclopedia of Bioinformatics and Computational Biology, Elsevier, 2019, pp. 542–545. doi: 10.1016/B978-0-12-809633-8.20349-X.
K. Hajian-Tilaki, "Receiver Operating Characteristic (ROC) curve analysis for medical diagnostic test evaluation," Caspian Journal of Internal Medicine, vol. 4, no. 2, pp. 627-635, 2013.
D. V. Carvalho, E. M. Pereira, and J. S. Cardoso, “Machine Learning Interpretability: A Survey on Methods and Metrics,” Electronics (Basel), vol. 8, no. 8, p. 832, Jul. 2019, doi: 10.3390/electronics8080832.
M. Kuhn and K. Johnson, Applied predictive modeling. New York: Springer, 2013.
J. A. Martínez Pérez and P. S. Pérez Martin, “La curva ROC,” Medicina de Familia. SEMERGEN, vol. 49, no. 1, p. 101821, Jan. 2023, doi: 10.1016/j.semerg.2022.101821.
V. Morales-Oñate, L. Moreta, and B. Morales-Oñate, “SMOTEMD: UN ALGORITMO DE BALANCEO DE DATOS MIXTOS PARA BIG DATA EN R,” Perfiles, vol. 1, no. 24, 2020.
