Sistema de Cribado Primario para la Sarcopenia en Personas Adultas Mayores Basado en Inteligencia Artificial
DOI:
https://doi.org/10.17488/RMIB.44.4.4Palabras clave:
clustering jerárquico, medidas antropométricas, personas adultas mayores, Random Forest, sarcopeniaResumen
Este estudio propone un sistema de cribado primario para diagnosticar la sarcopenia en adultos mayores a través de medidas antropométricas. Esta investigación exploratoria involucró inicialmente a 150 personas de edad avanzada, de las cuales 122 fueron seleccionadas después de un proceso de depuración de datos. Empleando técnicas de aprendizaje automático como el agrupamiento jerárquico y los árboles de decisión, se redujeron las 13 medidas antropométricas originales a cinco características clave. Se crearon tres sistemas de clasificación: el primero basado en parámetros previamente establecidos (masa muscular apendicular, velocidad de marcha y fuerza de agarre); el segundo consideró medidas de las extremidades superiores (masa muscular promedio de ambos brazos, fuerza de agarre, velocidad de marcha y porcentaje de grasa corporal); y el tercero se centró en las medidas de las extremidades inferiores (masa muscular promedio de ambas piernas, fuerza de agarre, velocidad de marcha y porcentaje de grasa corporal). Estos sistemas de clasificación se validaron clínicamente en un grupo de 57 pacientes previamente diagnosticados por especialistas, de los cuales 10 recibieron un diagnóstico positivo de sarcopenia. Los resultados mostraron eficiencias similares en los tres sistemas, con ocho de los diez diagnósticos positivos conocidos clasificados en el mismo grupo. Además, el estudio proporciona puntos de corte específicos para cada sistema, facilitando así el diagnóstico clínico de la sarcopenia por parte de profesionales médicos.
Descargas
Citas
B. Ballina Negrete, “La construcción institucional de la educación inclusiva en México,” Tesis de pregrado, Univ. Nac. Aut. Mex., Ciudad de México, México, 2023. [En línea]. Disponible en: https://ru.dgb.unam.mx/bitstream/20.500.14330/TES01000842167/3/0842167.pdf
L. F. Faúndez-Pino, “Envejecimiento saludable y enfoque salutogénico,” Rev. Mex. Med. Fam., vol. 10, no. 1, pp. 39-45, 2023. [En línea]. Disponible en: https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S2696-12962023000100039
M. M. Hechavarría Ávila, M. Ramírez Romaguera, H. García Hechavarria y A. García Hechavarria, “El envejecimiento. Repercusión social e individual,” Rev. Inf. Cient., vol. 97, no. 6, pp. 1173-1188, 2018. [En línea]. Disponible en: http://scielo.sld.cu/scielo.php?pid=S1028-99332018000601173&script=sci_arttext
M. Casati, A. S. Costa, D. Capitanio, L. Ponzoni, E. Ferri, S. Agostini y E. Lori, “The Biological Foundations of Sarcopenia: Established and Promising Markers,” Front. Med., vol. 6, art. no. 184, 2019, doi: http://dx.doi.org/10.3389/fmed.2019.00184
H. Simsek, R. Meseri, S. Sahin, A. Kilavuz, et al., “Prevalence of sarcopenia and related factors in community-dwelling elderly individuals,” Saudi Med. J., vol. 40, no. 6, pp. 568–574, 2019, doi: https://doi.org/10.15537%2Fsmj.2019.6.23917
P. B. V. Fernández, A. E. Domínguez, I. B. Vázquez, C. A. Acosta, S. C. Diaz, D. D. A. Navarro, “Sarcopenia and related factors in women over 40 years,” Rev. Cuba. Endoc., vol. 31 no. 3, art. no. e198, 2020. [En línea]. Disponible en: https://www.medigraphic.com/cgi-bin/new/resumenI.cgi?IDARTICULO=100636
A. Casirati, G. Vandoni, S. Della Valle, G. Greco, M. Platania, S. Colatrugio, L. Lalli, C. Gavazzi, “Nutritional status and body composition assessment in patients with a new diagnosis of advanced solid tumour: Exploratory comparison of computed tomography and bioelectrical impedance analysis,” Clin. Nutr., vol. 40, no. 3, pp. 1268-1273, 2021, doi: http://dx.doi.org/10.1016/j.clnu.2020.08.009
W. A. Sepulveda Loyola, G. A. Luna Corrales, F. Ganz, H. Gonzalez Caro y V. Suziane Probst, “Sarcopenia, definición y diagnóstico: ¿Necesitamos valores de referencia para adultos mayores de Latinoamérica?,” Rev. Chil. Ter. Ocup., vol. 20, no. 2, pp. 259–267, 2020, doi: https://doi.org/10.5354/0719-5346.2020.53583
T. M. Nicolalde Cifuentes y S. I. Heredia Aguirre, “Parámetros antropométricos y su relación con la actividad física en una población adulta,” Polo Conoc., vol. 6 no. 9, pp. 723-736, 2021. [En línea]. Disponible en: https://dialnet.unirioja.es/servlet/articulo?codigo=8094563
K. Keller, “Sarcopenia,” Wien. Med. Wochenschr., vol. 169, pp. 157-172, 2019, doi: https://doi.org/10.1007/s10354-018-0618-2
M. C. Espinel-Bermúdez, S. Sánchez-García, C. García-Peña, X. Trujillo, M. Huerta-Viera, V. Granados-García, S. Hernández-González, y E. D. Arias-Merino, “Factores asociados a sarcopenia en adultos mayores mexicanos: Encuesta Nacional de Salud y Nutrición 2012,” Rev. Med. Inst. Mex. Seguro Soc., vol. 56, no. 1, pp. 46-53, 2018. [En línea]. Disponible en: https://www.redalyc.org/articulo.oa?id=457754907008
G. S. Collins y K. G. Moons, “Reporting of artificial intelligence prediction models,” The Lancet, vol. 393, no. 10181, pp. 1577-1579, 2019, doi: https://doi.org/10.1016/s0140-6736(19)30037-6
M. Banerjee, E. Reynolds, H. B. Andersson y B. K. Nallamothu, “Tree-based analysis: a practical approach to create clinical decision-making tools,” Cir. Cardiovasc. Qual. Outcomes, vol. 12, no. 5, art. no. e004879, 2019, doi: https://doi.org/10.1161%2FCIRCOUTCOMES.118.004879
S. O. Lugo-Reyes, G. Maldonado-Colín y C. Murata, “Inteligencia artificial para asistir el diagnóstico clínico en medicina,” Rev. Alerg. Mex., vol. 61, no. 2, pp. 110-120, 2014, doi: https://doi.org/10.29262/ram.v61i2.33
L. Breiman, “Random forests,” Mach. Learn., vol. 45, pp. 5-32, 2001, doi: https://doi.org/10.1023/A:1010933404324
G. T. Reddy, M. P. K. Reddy, K. Lakshmanna, R. Kaluri, D. S. Rajput, G. Srivastava y T. Baker, “Analysis of dimensionality reduction techniques on big data,” IEEE Access, vol. 8, pp. 54776-54788, 2020, doi: https://doi.org/10.1109/access.2020.2980942
R. Krzymińska-Siemaszko, E. Deskur-Śmielecka, A. Kaluźniak-Szymanowska, A. Styszyński y K. Wieczorowska-Tobis, “Polish version of SARC-F to assess sarcopenia in older adults: An examination of reliability and validity,” PLoS One, vol. 15, no. 12, art. no. e0244001, 2020, doi: http://dx.doi.org/10.1371/journal.pone.0244001
S. Huang, J. Yang, S. Fong y Q. Zhao, “Artificial intelligence in cancer diagnosis and prognosis: Opportunities and challenges,” Cancer Lett., vol. 471, pp. 61-71, 2020, doi: http://dx.doi.org/10.1016/j.canlet.2019.12.007
F. Morandín-Ahuerma, “Diez recomendaciones de la Unesco sobre ética de la inteligencia artificial,” En: Principios normativos para una ética de la inteligencia artificial. Puebla, México: Consejo de Ciencia y Tecnología del Estado de Puebla (CONCYTEP). pp. 86-94.
Cámara de Diputados del H. Congreso de la Unión. (7 de febrero de 1984). Ley General de Salud. [En línea]. Disponible en: https://www.diputados.gob.mx/LeyesBiblio/pdf/LGS.pdf
J. W. Osborne, Best practices in data cleaning: A complete guide to everything you need to do before and after collecting your data, Thousand Oaks, CA: Sage Publications Inc., 2013, doi: https://doi.org/10.4135/9781452269948
J. F. Ávila-Tomás, M. A. Mayer-Pujadas y V. J. Quesada-Varela, “La inteligencia artificial y sus aplicaciones en medicina II: importancia actual y aplicaciones prácticas,” Aten. Primaria, vol. 53, no. 1, pp. 81-88, 2020, doi: https://doi.org/10.1016/j.aprim.2020.04.014
S. H. Park y K. Han, “Methodologic guide for evaluating clinical performance and effect of artificial intelligence technology for medical diagnosis and prediction,” Radiology, vol. 286, no. 3, pp. 800-809, 2018, doi: http://dx.doi.org/10.1148/radiol.2017171920
L. Lera, C. Albala, H. Sánchez, B. Angel, M. J. Hormazabal, C. Márquez y P. Arroyo, “Prevalence of Sarcopenia in Community-Dwelling Chilean Elders According to an Adapted Version of the European Working Group on Sarcopenia in Older People (EWGSOP) Criteria,” J. Frailty Aging., vol. 6, no. 1, pp. 12-17, 2017, doi: https://doi.org/10.14283/jfa.2016.117
J. Moncada Jiménez, Estadística para ciencias del movimiento humano. Costa Rica: Editorial de la Universidad de Costa Rica, 2005.
S. Huang, J. Yang, S. Fong y Q. Zhao, “Artificial intelligence in cancer diagnosis and prognosis: Opportunities and challenges,” Cancer Lett., vol. 471, pp. 61-71, 2020, doi: http://dx.doi.org/10.1016/j.canlet.2019.12.007
A. T. Azar y S. M. El-Metwally, “Decision tree classifiers for automated medical diagnosis,” Neural Comput. Applic., vol. 23, pp. 2387–2403, 2013, doi: http://dx.doi.org/10.1007/s00521-012-1196-7
D. Blázquez García, “Análisis de datos de expresión en retina para la identificación de biomarcadores de DMAE: posible herramienta diagnóstica,” Tesis de pregrado, Fac. Med., Univ. Vall., Valladolid, España, 2023. [En línea]. Disponible en: https://uvadoc.uva.es/handle/10324/61377
F. T. T. Lai, P. E. Beeler, B. H. K. Yip, M. Cheetham, et al., “Comparing multimorbidity patterns among discharged middle-aged and older inpatients between Hong Kong and Zurich: A hierarchical agglomerative clustering analysis of routine hospital records,” Front. Med., vol. 8, art. no. 651925, 2021. https://doi.org/10.3389/fmed.2021.651925
P. Lemenkova, “R Libraries {dendextend} and {magrittr} and Clustering Package scipy.cluster of Python For Modelling Diagrams of Dendrogram Trees,” Carpathian J. Electr. Comp. Eng., vol. 13, no. 1, pp. 5-12, 2020, doi: https://doi.org/10.2478/cjece-2020-0002
F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, et al., “Scikit-learn: Machine learning in Python,” J. Mach. Learn. Res., vol. 12, no. 85, pp. 2825−2830, 2011. [En línea]. Disponible en: http://jmlr.org/papers/v12/pedregosa11a.html
A. K. Castañeda Escobar, “Diseño e implementación de un algoritmo para determinar la mejor agrupación utilizando k-means y los índices de validación,” Tesis de maestría, Univ. Aut. Edo. Mor., Morelos, México, 2023. [En línea]. Disponible en: http://riaa.uaem.mx/handle/20.500.12055/3115
E. Goffinet, M. Lebbah, H. Azzag, L. Giraldi y A. Coutant, “Multivariate time series multi-coclustering: Application to advanced driving assistance system validation,” in Europ. Symp. Artif. Neural Netw. Comput. Intell. Mach. Learn., Oct. 2021, pp. 463-468, doi: https://doi.org/10.14428/esann/2021.es2021-119
S. J. Rigatti, “Random forest,” J. Insur. Med., vol. 47, no. 1, pp. 31-39, 2017, doi: http://dx.doi.org/10.17849/insm-47-01-31-39.1
M. Bakator y D. Radosav, “Deep Learning and Medical Diagnosis: A Review of Literature,” Multimodal Technol. Interact., vol. 2, no. 3, art. no. 47, 2018, doi: https://doi.org/10.3390/mti2030047
A. Yuki, F. Ando, R. Otsuka, Y Matsui, A. Harada, H. Shimokata, “Epidemiology of sarcopenia in elderly Japanese,” J. Phys. Fitness Sports Med., vol. 4, no. 1, pp. 111-115, 2015, doi: http://dx.doi.org/10.7600/jpfsm.4.111
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Revista Mexicana de Ingenieria Biomedica
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Una vez que el artículo es aceptado para su publicación en la RMIB, se les solicitará al autor principal o de correspondencia que revisen y firman las cartas de cesión de derechos correspondientes para llevar a cabo la autorización para la publicación del artículo. En dicho documento se autoriza a la RMIB a publicar, en cualquier medio sin limitaciones y sin ningún costo. Los autores pueden reutilizar partes del artículo en otros documentos y reproducir parte o la totalidad para su uso personal siempre que se haga referencia bibliográfica al RMIB. No obstante, todo tipo de publicación fuera de las publicaciones académicas del autor correspondiente o para otro tipo de trabajos derivados y publicados necesitaran de un permiso escrito de la RMIB.
