Méndez-Peña BI, Murillo-Tovar MM, Leija-Alva G, Montufar BII, Serena-Alvarado A, Durán-Arciniega RS, Pérez-Vielma NM, Aguilera-Sosa VR

Idioma: Ingles.
Referencias bibliográficas: 29
Paginas: 61-70
Archivo PDF: 360.00 Kb.

RESUMEN

Existe un interés creciente por comprender las funciones neuronales y sustratos cognitivos complejos relacionados con la obesidad. Se está aplicando Inteligencia Artificial, en concreto el modelo perceptrón de Redes Neuronales Artificiales en enfermedades crónicas no transmisibles, para identificar con mayor certeza los factores de conexión (redes sinápticas) entre las variables de entrada y las variables de salida. Objetivo: Identificar pesos sinápticos de la RNA cuyas variables de entrada fueron las funciones ejecutivas y los estilos de vida saludable, como predictores del Porcentaje de Grasa Corporal en un grupo de sujetos adultos con diferentes niveles del Porcentaje de Grasa. Métodos: se trató de una investigación exploratoria, cuantitativa, transversal, comparativa, de conveniencia y explicativa. Se administró la Batería Neuropsicológica (BANFE-2) y el Cuestionario de Sobreingesta (OQ), a 40 participantes con edades comprendidas entre los 18-38 años. El porcentaje de grasa se midió con una báscula de composición corporal (RENPHO ES-24M). El modelo redes neuronales de perceptrón, se ejecutó con diez ensayos. Resultados: El modelo de Red Neuronal mostró que las variables sensoriales con mayor peso sináptico para el porcentaje de grasa, fueron Errores Stroop A y B y Aciertos de BANFE-2, y Racionalizaciones de las escalas OQ y Hábitos Saludables. Conclusiones: las redes neuronales artificiales demostró ser importante en el análisis simultáneo de datos neuropsicológicos y de estilo de vida saludable para el análisis de prevención y tratamiento de la obesidad, al identificar las variables que están estrechamente relacionadas. Estos hallazgos abren la puerta al uso de modelos de análisis no lineales, que permiten identificar relaciones de diferente peso, entre variables de entrada y salida, más eficientes que los modelos lineales.

REFERENCIAS (EN ESTE ARTÍCULO)

1. Adavi, M., Salehi, M. & Roudbari, M. (2016). Artificial neuralnetworks versus bivariate logistic regression in predictiondiagnosis of patients with hypertension and diabetes. Medicaljournal of the Islamic Republic of Iran, 30, 312.

2. Allan, J., McMinn, D. & Daly, M. (2016). A bidirectionalrelationship between executive function and health behavior:evidence, implications, and future directions.Frontiers in neuroscience, 10, 386.

3. Arias, V., Salazar, J., Garicano, C., Contreras, J., Chacón,G., Chacín-González, M. & Bermúdez-Pirela, V. (2019).Una introducción a las aplicaciones de la inteligenciaartificial en Medicina: Aspectos históricos. Revista Latinoamericanade Hipertensión, 14(5), 590-600.

4. Asociación Médica Mundial (2013). Declaración de Helsinkide la AMM: Principios éticos para las investigacionesmédicas en seres humanos.

5. Bajo, S. & Ballesteros, M. (2002). Redes neuronales: concepto,aplicaciones y utilidad en medicina. Atención primaria,30(2), 119.

6. Benelam, B. (2009). Satiation, satiety and their effects on eatingbehavior. Nutrition bulletin, 34(2), 126-173.

7. Brandan, N., Aguirre, M., Agolti, G. & Vila, M. (2014) Interrelacionesmetabólicas. Interrelaciones metabólicasentre tejidos especializados. Ciclo Ayuno-Alimentación.Interrelaciones metabólicas en estados fisiológicosy patológicos. Universidad Nacional del Nordeste Facultad deMedicina Cátedra de Bioquímica.

8. Calvo, D., Galioto, R., Gunstad, J. & Spitznagel, M. B.(2014). Uncontrolled eating is associated with reducedexecutive functioning. Clinical obesity, 4(3), 172-179.

9. Cardozo, L, Cuervo, & Murcia, J. (2016). Porcentaje degrasa corporal y prevalencia de sobrepeso-obesidad enestudiantes universitarios de rendimiento deportivo deBogotá, Colombia. Nutrición clínica y dietética hospitalaria,36(3), 68-75.

10. Carlson, N. (2014). Fisiología de la conducta (pp. 81-82). Madrid:Pearson.

11. Carbine, K. A., Christensen, E., LeCheminant, J. D., Bailey,B. W.Tucker, L. A. & Larson, M. J. (2017). Testingfood-related inhibitory control to high-and low-caloriefood stimuli: Electrophysiological responses to high-caloriefood stimuli predict calorie and carbohydrateintake. Psychophysiology, 54(7), 982-997.

12. Cherbuin, N. & Walsh, E. (2019). Sugar in mind: untanglinga sweet and sour relationship beyond type 2 diabetes.Frontiers in neuroendocrinology, 54, 100769.

13. Ergün U. (2009). The classification of obesity disease in logisticregression and neural network methods. Journal ofmedical systems, 33(1), 67–72.

14. García, F. & Espinosa, J. (2013). Estimation of body fat percentageusing neural networks. Revista vínculos, 10(1),308-318.

15. García-Flores, C., Martínez, A., Beltrán C., Zepeda-Salvador,A. & Solano, L. (2017). Saciación vs saciedad:reguladores del consumo alimentario. Revista médica deChile, 145(9), 1172-1178.

16. Golden, C. (2020) STROOP. Test de Colores y Palabras – EdiciónRevisada (6a ed.) TEA Ediciones.

17. Heydari, S. T., Ayatollahi, S. M., & Zare, N. (2012). Comparisonof artificial neural networks with logistic regressionfor detection of obesity. Journal of medical systems, 36(4),2449–2454.

18. Huang, T., Chen, Z., Shen, L., Fan, X. & Wang, K. (2019).Associations of Cognitive Function with BMI, Body FatMass and Visceral Fat in Young Adulthood. Medicina,55(6), 221.

19. Lubrini, G., Periañez, J. A. & Rios-Lago, M. (2009). Introduccióna la estimulación cognitiva y la rehabilitaciónneuropsicológica. Estimulación cognitiva y rehabilitación neuropsicológica,13-16.

20. Martínez-Mendoza, G. (2019). Funciones ejecutivas y consumode alcohol en jóvenes universitarios: capacidadpredictiva de las medidas de evaluación. Revista de PsicologíaClínica con Niños y Adolescentes, 6(2), 22-29.

21. Mármol, M., & Spano, R. (2018). Diferencias en el desempeñode las funciones ejecutivas en grupos de niños cony sin desnutrición de siete a diez años de La Vega, Antimanoy Carapita. Universidad Católica Andrés Bello, Facultadde Humanidades y Educación Escuela de Psicología. http://biblioteca2.ucab.edu.ve/anexos/biblioteca/marc/texto/AAT7115.pdf

22. Narimani, M., Esmaeilzadeh, S., Azevedo, L. B., Moradi,A., Heidari, B. & Kashfi-Moghadam, M. (2019). Associationbetween weight status and executive function inyoung adults. Medicina, 55(7), 363.Psihas, E. (2014). Validación del cuestionario de sobreingestaalimentaria en población mexicana. [online] Repositorio.iberopuebla.mx. Available at:

23. PSIHAS.pdf ?sequence=1> [Accessed 24 January2022].

24. Sarmiento-Ramos, J. (2020). Aplicaciones de las redes neuronalesy el deep learning a la ingeniería biomédica.Revista UIS Ingenierías, 19(4), 1-18.

25. Tirapu, J., García, A., Luna, P., Verdejo, A. & Ríos, M.(2012). Corteza prefrontal, funciones ejecutivas y regulaciónde la conducta. Neuropsicología de la corteza prefrontaly las funciones ejecutivas, 87-117.

26. Turban, E., Aronsons, J. E., & Ting-Peng, L. (2007) DecisionSupport and Business Intelligence Systems, 8th Edition. UnitedStates Pearson.

27. Tsai, C. L., Pan, C. Y., Chen, F. C., Huang, T. H., Tsai, M.C. & Chuang, C. Y. (2019). Differences in neurocognitiveperformance and metabolic and inflammatoryindices in male adults with obesity as a function of regularexercise. Experimental physiology, 104(11), 1650-1660.

28. World Health Organization. (2005). WHO STEPS surveillancemanual: the WHO STEPwise approach to chronic disease riskfactor surveillance (No. WHO/NMH/CHP/SIP/05.02).World Health Organization.

29. Yang, Y., Shields, G., Guo, C. & Liu, Y. (2018). Executivefunction performance in obesity and overweight individuals:A meta-analysis and review. Neuroscience &Biobehavioral Reviews, 84, 225-244.