DETERMINACIÓN DEL ICA MEDIANTE ESPECTROSCOPÍA NIRS Y MODELOS DE MACHINE LEARNING
Authors
Abstract
La obesidad es un problema grave de salud pública global debido a que incrementa el riesgo metabólico y enfermedades cardiovasculares. Para su detección temprana, el índice cintura-altura (ICA) se establece como una herramienta antropométrica simple y eficaz, de gran capacidad predictiva independiente del peso corporal, estableciendo un valor límite de 0,5 para identificar la obesidad abdominal. Por otra parte, la espectroscopía de infrarrojo cercano (NIRS) es una técnica rápida, económica, segura y respetuosa con el medio que permite obtener información compleja. En este trabajo se evalúa si la aplicación de modelos de machine learning sobre los espectros NIRS permite predecir el ICA y clasificar las muestras en función del grado de obesidad abdominal.
Se utilizaron los espectros de 106 voluntarios obtenidos directamente de la yema de los dedos con la ayuda de un espectrofotómetro FT-NIRS. El análisis presentó una conversión de las unidades de longitud de onda, la evaluación de diferentes pretratamientos y la categorización en función del ICA. Además, se eliminaron las categorías de ¿Bajo peso¿ y ¿Sobrepeso¿, y se aplicaron los modelos PLS para predecir el ICA, PCA para visualizar la estructura de los datos y evaluar la posible agrupación por categorías, y PLS-DA para la clasificación supervisada de categorías definidas a partir del ICA. Los modelos evaluados presentaron un rendimiento insuficiente para la clasificación del ICA. Aunque la combinación del MSC y la normalización en el modelo PLS tuvieron un coeficiente de determinación elevado, el error fue excesivo para el estrecho rango de la muestra. Por otra parte, el PCA mostró una distribución solapada de las muestras, lo que impidió una separación clara en función de las categorías del ICA. Además, el PLS-DA no consiguió detectar las diferencias entre categorías y clasificó erróneamente la mayoría de las muestras.
En conclusión, no se consiguió predecir el ICA ni clasificar las muestras en función del grado de obesidad abdominal con las técnicas de machine learning utilizadas sobre los espectros NIRS, a pesar del potencial de esta técnica para el análisis rápido y no invasivo de muestras biológicas.
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Rey Juan Carlos
URL external
External URL
DOI
Date
Description
Trabajo Fin de Grado leído en la Universidad Rey Juan Carlos en el curso académico 2025/2026. Directores/as: José Gómez Sánchez

