nueva página del texto (beta)
Español (pdf)
Artículo en XML
Referencias del artículo
Traducción automática
Enviar artículo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
Introducción
El machine learning es una subdisciplina de la inteligencia artificial que permite a un sistema aprender simulando la inteligencia humana. Existen diversos métodos de machine learning, siendo los principales el supervisado y el no supervisado; el primero requiere datos etiquetados y el segundo no. El objetivo de estos modelos es construir una herramienta matemática que, a partir de variables que contienen información relevante sobre una persona, permita calcular la probabilidad de que está presente o no una determinada condición, en este caso, una enfermedad. Estos métodos de machine learning se han utilizado en diferentes áreas; no obstante, en medicina han tenido un gran impacto, al identificar relaciones entre variables que a veces resultan difíciles de establecer con los métodos estadísticos tradicionales. Las enfermedades consideradas de etiología multifactorial se ven más favorecidas debido a la complejidad de comprender su origen. A medida que se conoce el papel fisiopatológico, será más sencillo encontrar mecanismos de prevención, tratamiento y limitación del daño; entre estas enfermedades se encuentran el síndrome metabólico y la diabetes. La relevancia de atacar esta enfermedad es tal que existen numerosos trabajos que han combinado machine learning con obesidad y diabetes infantil.1
En los últimos años, se ha observado un aumento en la prevalencia de la obesidad infantil a nivel mundial. En 2022, la Organización Mundial de la Salud señaló que, entre los 5 y 19 años de edad, había más de 30 millones de personas con sobrepeso y 160 millones de personas con obesidad.2
Se sabe que el sobrepeso y la obesidad predisponen, entre muchas otras patologías, al síndrome de insulinorresistencia, la diabetes mellitus tipo 2 y las enfermedades cardiovasculares.
La insulinorresistencia, el síndrome metabólico y la diabetes se encuentran estrechamente relacionados y comparten factores comunes: principalmente el sobrepeso y la obesidad, además de la predisposición genética, el sedentarismo, los hábitos de vida y enfermedades concomitantes, entre otros.
De acuerdo con Ros Pérez y Medina-Gómez,3 la insulinorresistencia sobreviene cuando la capacidad de esta hormona para llevar a cabo sus funciones se ve reducida, incluida la introducción de moléculas de glucosa en la célula. Durante este periodo, el organismo mantiene funciones compensatorias, como la hipersecreción de la hormona. Este periodo de compensación puede denominarse prediabético; su diagnóstico es difícil en muchos casos, ya que la glucemia permanece dentro de parámetros normales. La compensación alcanza un punto de falla pancreática de las células beta, con la consecuente disminución de la insulina, elevación de la glucemia, una etapa en la que el síndrome metabólico y la diabetes se hacen evidentes.
Por esta razón, algunos autores destacan el índice de evaluación de la insulinorresistencia por modelo de homeostasis (HOMA-IR) como una alternativa temprana para el diagnóstico del síndrome de insulinorresistencia. Este se obtiene de la suma de la glucosa en ayunas (mg/dl) y la insulina en ayunas (mU/ml) dividida entre la constante 405.4
Asmasary et al.5 mencionan que el HOMA-IR es un valor que puede utilizarse en niños con obesidad para detectar de manera temprana sensibilidad y resistencia a la insulina, con el fin de prevenir o retrasar la aparición de la diabetes.
Existe una diferencia en los parámetros para clasificar a los pacientes según HOMA-IR. Algunos autores mencionan claramente que un valor ≥ 2.5 se asocia con obesidad y, por lo tanto, con riesgo metabólico. Pelin et al6 utilizan valores límite de HOMA-IR para resistencia a la insulina: ≤ 2 normal, 25 tolerancia a la glucosa disminuida y > 5 diabetes.
La amilasa es una enzima que ayuda a metabolizar carbohidratos, especialmente el almidón. De manera indirecta, esta enzima puede utilizarse para evaluar su función en el metabolismo de los carbohidratos, por lo que se ha relacionado con la búsqueda de biomarcadores de diabetes.7 Existen estudios que han vinculado la actividad enzimática de la amilasa con la obesidad. Locia-Morales et al señalan que un nivel elevado de amilasa sérica total se relaciona con menores respuestas de glucosa e insulina en la prueba oral de almidón en niños mexicanos con obesidad.8
Por ello, el objetivo del presente estudio fue determinar si es posible predecir el estado metabólico a través de la actividad enzimática de la amilasa, utilizando HOMA-IR como variable de salida mediante un método de machine learning. El objetivo fue identificar pacientes pediátricos en riesgo metabólico para disponer en el futuro de herramientas cuantitativas que permitan al personal de salud brindar medidas de prevención específicas antes de que se establezca un diagnóstico como la diabetes.
Material y métodos
Esta sección proporciona una descripción del conjunto de datos utilizado en el estudio; además, se detalla el método de clasificación aplicado y las métricas de evaluación empleadas.
Descripción de los datos
Los datos utilizados en este estudio fueron proporcionados por la Unidad de Investigación Médica en Bioquímica del Centro Médico Nacional Siglo XXI, Instituto Mexicano del Seguro Social. El estudio se realizó de acuerdo con la Declaración de Helsinki y el protocolo fue aprobado por el Comité de Ética del Instituto Mexicano del Seguro Social y la Comisión Nacional de Investigación Científica (R-2016-785-097). Todos los pacientes participantes son de nacionalidad mexicana y firmaron consentimiento informado previo al inicio del estudio.
La base de datos incluyó información de 101 individuos, de los cuales 49 eran varones y 52 mujeres, con un rango de edad de 5 a 12 años. Se evaluaron 20 variables, mostradas en la figura 1, tabla 1 y tabla 2.
Tabla 1 Significado de las variables
| Variable | Descripción |
|---|---|
| Sexo | 0 para Niña, 1 para Niño |
| Edad | Edad en años |
| IMC | Índice de masa corporal |
| IMC-z | Puntaje z del índice de masa corporal |
| Categoría de peso corporal; 0 para peso normal, 1 para sobrepeso u obesidad | Categoría de peso corporal Presión arterial sistólica (mmHg) |
| DIABP (mmHg) | Presión arterial diastólica (mmHg) |
| Glucosa (mg/dl) | Glucosa (mg/dl) |
| CT (mg/dl) | Colesterol total (mg/dl) |
| TG (mg/dl) | Triglicéridos (mg/dl) |
| HDL (mg/dl) | Colesterol de lipoproteínas de alta densidad (mg/dl) |
| LDL (mg/dl) | Colesterol de lipoproteínas de baja densidad (mg/dl) |
| Insulina (μg/ml) | Insulina (μg/ml) |
| HOMA-IR | Evaluación del modelo homeostático de resistencia a la insulina |
| AMY1 (UI/L) | Actividad de amilasa salival (UI/L) |
| AMY2 (UI/L) | Actividad de amilasa pancreática (UI/L) |
| AMYt (UI/L) | Actividad total de amilasa (UI/L) |
| CNVs-AMY1 | Variaciones en el número de copias del gen de la amilasa salival |
| CNVs-AMY2 | Variaciones en el número de copias del gen de la amilasa pancreática |
IMC: índice de masa corporal.
Tabla 2 Medidas de tendencia central y dispersión de las variables
| Variable | Media | Mediana | Moda | Desviación estándar |
|---|---|---|---|---|
| Sexo | 1 | |||
| Edad | 9.38 | 9.35 | 8 | ± 1.602 |
| IMC | 21.24 | 21.2 | 17 | ± 4.207 |
| IMC-z | 1 | |||
| Peso corporal 0 normopeso 1 obesidad | 1 | |||
| PAD (mmHg) | 65.92 | 63 | 58 | ± 11.091 |
| Glucosa (mg/dl) | 79.25 | 80 | 81 | ± 7.699 |
| CT (mg/dl) | 161.69 | 160 | 161 | ± 28.692 |
| TG (mg/dl) | 123 | 111 | 81 | ± 62.66 |
| HDL (mg/dl) | 48.31 | 46 | 35 | ± 10.968 |
| LDL (mg/dl) | 94.66 | 91 | 80 | ± 20.955 |
| Insulina (μg/ml) | 9.14 | 7 | 3 | ± 7.233 |
| HOMA-IR | 1.81 | 1.3 | 1 | ± 1.515 |
| AMY1 (UI/l) | 40.82 | 38.5 | 39 | ± 19.562 |
| AMY2 (UI/l) | 22.31 | 20.3 | 19 | ± 8.551 |
| AMYt (UI/l) | 63.13 | 60 | 41 | ± 22.494 |
| CNVs-AMY1 | 7.04 | 6 | 6 | ± 2.642 |
| CNVs-AMY2 | 1.98 | 2 | 2 | ± 0.51 |
IMC: índice de masa corporal; PAD: presión arterial. diastólica; CT: colesterol total; TG: triglicéridos; HDL: lipoproteína de alta densidad; LDL: lipoproteína de baja densidad; HOMA-IR: modelo de homeostasis para la evaluación de resistencia a la insulina; AMY1: amilasa salival; AMY2: amilasa pancreática; AMYt: amilasa total; CNVs-AMY1: número de copias de variaciones del gen de amilasa salival; CNVs-AMY2: número de copias de variaciones del gen de amilasa pancreática.
Métodos de clasificación
El Random Forest (RF), registrado por Breiman y Cutler, es un método de machine learning supervisado, considerado de tipo ensemble, ya que utiliza múltiples árboles de decisión que se generan de manera aleatoria e independiente. Se ha utilizado para clasificar con base en la mayoría de votos de cada árbol de decisión y, a su vez, emplea el promedio para realizar regresiones.9 El modelo puede representarse con la siguiente ecuación:
Donde:
fˆ(x)predicción agregada o promedio para la entrada x de todos los árboles del bosque.
B: no total de árboles en el bosque (definido habitualmente por el usuario).
fβ(x): predicción del árbol de decisión b-ésimo para la entrada x.
La base de este método son los árboles de clasificación, en los cuales divisiones binarias dividen recursivamente el árbol en nodos terminales lo más homogéneos posible. RF, según el problema, emplea un no variable de árboles, y además selecciona de manera aleatoria un número de variables de entre el total para buscar la mejor división de un nodo, con el fin de descorrelacionar los árboles y reducir la varianza del bosque completo. Según Breiman, esto se logra mediante la pureza utilizando el índice de Gini.10
Este método destaca por su solidez a la hora de resolver problemas con grandes o pequeños volúmenes de datos. Entre sus desventajas se menciona la dificultad de interpretación frente a los árboles de decisión, así como su mayor tiempo de entrenamiento.
No obstante, RF ha resultado útil en diversas aplicaciones en salud, debido a su capacidad para manejar datos complejos, identificar variables relevantes e irrelevantes, y controlar mejor el overfitting, logrando mayor precisión.11-14
Métricas de evaluación
La curva característica operativa del receptor (curva ROC) muestra gráficamente la relación entre la tasa de verdaderos positivos (sensibilidad o recall) y la tasa de falsos positivos (equivalente a 1 menos la especificidad).
Se interpreta que cuanto más cerca se encuentre la curva ROC de la esquina superior izquierda, mejor será el desempeño global del modelo. El área bajo la curva (AUC) resume cuán buena es una prueba independientemente del umbral, siendo 1 la prueba perfecta, mientras que un AUC de 0,5 representa el peor escenario, equivalente a tomar una decisión al azar15, como se presenta en la figura 2.
Figura 2 Evaluación del área bajo la curva ROC (AUC). En azul, el valor ideal para clasificar correctamente los casos de pacientes. La línea roja discontinua indica un AUC de 0.5, equivalente a un modelo no óptimo (probabilidad del 50% de error o acierto). En verde, un ejemplo de AUC de 0.67, intermedio entre el ideal y el umbral, representando un valor aceptable para el problema evaluado.
La especificidad alude al porcentaje de personas que obtienen un resultado negativo en una prueba para una enfermedad específica dentro de un grupo de personas que no presentan la enfermedad16. Se calcula con la siguiente ecuación 2:
La sensibilidad es la proporción de pruebas verdaderamente positivas entre todos los pacientes con una condición.15 La ecuación de sensibilidad es la siguiente:3
La exactitud es la proporción entre las muestras correctamente clasificadas y el número total de muestras en el conjunto de evaluación. En aplicaciones médicas, puede no ser tan conveniente, ya que el modelo podría asignar todas las muestras a la clase prevalente y, de esta manera, alcanzar niveles cercanos a 1, donde la clasificación es perfecta; mientras que 0 representa no clasificar correctamente ninguna muestra.17 Se calcula con la siguiente ecuación 4:
Experimentación y resultados
Este estudio incluyó a un total de 101 pacientes, de los cuales 49 eran varones y 52 mujeres; la media de edad fue de 9,3 ± 1,6 años, con un mínimo de 5,9 y un máximo de 12,9; 45 pacientes tenían peso normal y 56 obesidad, como se presenta en la figura 3.
Figura 3 Distribución de variables demográficas descriptivas. Se observa distribución equitativa por sexo, valores de edad media, mínima y máxima, así como la distribución por peso (normal u obesidad).
Se calculó el HOMA-IR para cada paciente, considerando tres grupos: pacientes con valores < 2 fueron clasificados como normales, valores entre 2-5 como pacientes con riesgo metabólico y > 5 como diabéticos.
La actividad total de amilasa (UI/l) se midió agrupando a los pacientes según los 3 grupos anteriores: pacientes normales o sin riesgo con un promedio de 66,34 ± 22,89, pacientes con riesgo metabólico con 55,62 ± 21,01 y pacientes con diabetes con 61,4 ± 17,84, como se muestra en la figura 4.
Figura 4 Comparativa de la actividad total de amilasa (UI/l) entre los distintos grupos de pacientes: normales, con riesgo metabólico y diabéticos.
La base de datos se preparó como parte del preprocesamiento y posteriormente se dividió en el 70% y en el 30%. Con el 70% de los datos se implementaron algoritmos RF en el paquete R para entrenar un modelo de clasificación multiclase (clase 0: pacientes normales, clase 1: pacientes en riesgo metabólico y clase 2: pacientes con diabetes), de acuerdo con HOMA-IR. El modelo de machine learning RF fue luego sometido a validación, utilizando el 30% restante de los datos como prueba ciega. Se calcularon el AUC, la exactitud, la sensibilidad y la especificidad para determinar si era posible identificar pacientes en riesgo metabólico considerando la actividad enzimática total de la amilasa. Los resultados se muestran en la tabla 3 y la figura 5.
Discusión
Los modelos de clasificación basados en machine learning aplicados a la medicina han aumentado en los últimos años, demostrando su relevancia en la identificación de biomarcadores para diagnóstico, pronóstico y prevención. Uno de los métodos más potentes en problemas de clasificación multiclase es el algoritmo RF, elegido por sus propiedades, que incluyen la capacidad de evitar el overfitting (cuando el modelo solo identifica individuos con patrones muy específicos) y su amplia aplicación en problemas médicos con resultados óptimos.18
Es destacable que este modelo de clasificación, propuesto con una sola variable, logra una clasificación con un AUC de 0,70. Según el AUC, existe una capacidad moderada de discriminar entre casos y controles. Esto es aceptable porque mejora la toma de decisiones en ausencia de datos cuantitativos, que de otra manera serían producto del azar (probabilidad de 0.5). La sensibilidad de 0.71 indica que el modelo identifica correctamente a 7 de cada 10 pacientes con la condición, lo cual es importante para evitar el sobrediagnóstico. Por su parte, la especificidad de 0.76 muestra que se identifican correctamente 7.6 de cada 10 casos negativos. Finalmente, la exactitud indica que el modelo acierta en el 75% de los casos positivos y negativos combinados. En consecuencia, puede afirmarse que este modelo tiene un poder predictivo clínico moderado a bueno, con un balance adecuado entre sensibilidad y especificidad.
Se debe mencionar que la validación del modelo se obtuvo en una fase ciega, es decir, el 30% de los datos permanecieron ocultos durante la etapa de entrenamiento. Posteriormente, se solicitó al modelo clasificar sin conocer la variable (HOMA-IR) y se comparó su predicción con los valores reales, calculando aciertos y errores con base en cada métrica. Esta fase ciega es fundamental, ya que se asemeja al uso del modelo en otra población distinta, lo cual ayuda a reducir el overfitting y permite su extrapolación.
Se consideró la posibilidad de explorar datos sintéticos, dado que en muestras pequeñas el riesgo de overfitting aumenta. No obstante, el uso de técnicas de aumento de datos sintéticos en medicina aún se debate, pues aunque la inteligencia artificial puede contribuir a completar datos, eliminar sesgos y validar hipótesis, también plantea riesgos éticos. Debido a que este estudio se centró en población pediátrica, se decidió trabajar solo con datos reales, aunque se reconoce que esta técnica podría explorarse en trabajos futuros.19
La variable utilizada para predecir si el estado metabólico de un paciente era normal, de riesgo o diabético fue la actividad enzimática total de la amilasa, lo cual ya se ha asociado a otras investigaciones en este mismo contexto. Un metanálisis halló diferencias significativas en las concentraciones de amilasa en pacientes con sobrepeso, obesidad, síndrome metabólico y diabetes; niveles bajos de amilasa y lipasa séricas se asociaron significativamente con diabetes.12
Pérez-Ros et al señalaron la asociación de la amilasa salival con el diagnóstico de diabetes, planteándola como un posible biomarcador para el control glucémico y el manejo clínico.20
Otros autores, como Chaudhari y Hansen, en estudios con primates, concluyeron que la dinámica de la amilasa desempeña un papel importante en la progresión metabólica desde un individuo normal hasta síndrome metabólico y diabetes.21 También se ha descrito que la actividad sérica de la amilasa es un indicador diagnóstico significativo del síndrome metabólico.22
La relación entre la actividad enzimática de la amilasa y el riesgo metabólico refuerza la utilidad de combinar técnicas de machine learning para proponer un biomarcador con potencial para identificar a pacientes con mayor riesgo de desarrollar síndrome metabólico y diabetes.
Existen pocos trabajos en la literatura1 que relacionen el uso de machine learning para la detección de diabetes en población infantil, por lo que la relevancia de este estudio contribuye al cuerpo de conocimiento en esta área.
Conclusiones
Considerando la actividad enzimática de la amilasa total, se puede clasificar con el método RF obteniendo un AUC de 0.70, una especificidad de 0.76 y una sensibilidad de 0.71, lo cual permite identificar casos en > 70%. Los verdaderos positivos y negativos se pueden sidentificar con un 75% de exactitud, lo cual ofrece la oportunidad de detectar en la población infantil mexicana pacientes con riesgo metabólico, como insulinorresistencia o prediabetes.
Como trabajo futuro, pueden incluirse otras variables que aumenten el rendimiento del modelo y el área bajo la curva ROC, además de incrementar el tamaño de la muestra, lo cual permitirá comparar el modelo con otros más robustos, como las redes neuronales.
A pesar de haber utilizado un método para evitar el overfitting, se recomienda replicar estudios con la misma metodología y un mayor número de pacientes, con el fin de mejorar la evaluación del modelo.
La relevancia de atender esta enfermedad es tal que múltiples trabajos han combinado machine learning con obesidad y diabetes infantil; no obstante, la mayoría se centra en variables como edad, peso y síntomas, que facilitan el diagnóstico clínico. En este estudio, en cambio, se propone una variable con potencial para predecir el riesgo ates de la aparición de la diabetes.
