Machine learning para la predicción de sobrepeso y obesidad en pacientes atendidos por el programa de control de crecimiento y desarrollo de la red asistencial sabogal del seguro social de salud del Perú. Reporte de Resultados de Investigación 05-2023

• Autores: Vela Antón, Paulo, Soto Becerra, Percy, Bonilla-Aguilar, Karen, Guillermo Roman, Martina, Apolaya-Segura, Moisés, Seguro Social de Salud (EsSalud). Instituto de Evaluación de Tecnologías en Salud e Investigación (IETSI)
• Fecha de Publicación: 2023
• Institución: Seguro Social de Salud
• Repositorio: ESSALUD-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.essalud.gob.pe:20.500.12959/5017
• Enlace del recurso: https://hdl.handle.net/20.500.12959/5017
• Nivel de acceso: acceso abierto
• Materia: Obesidad infantil; CRED; Machine learning; Inteligencia artificial; https://purl.org/pe-repo/ocde/ford#3.03.04

OBJETIVOS: Desarrollar y validar un modelo de Machine Learning para predecir el desarrollo de sobrepeso y obesidad infantil en pacientes atendidos por el programa de Control de Crecimiento y Desarrollo (CRED) de centros de atención primaria de la Red Asistencial de Sabogal del Seguro Social de Salud del Perú durante el mes de enero del 2019 a diciembre del 2021. MÉTODOS: Estudio de cohorte retrospectiva de seguimiento desde los 6 meses hasta los 2 años. La población de estudio estará conformada por pacientes sanos menores de 2 años que fueron atendidos por el programa CRED durante el mes de enero del 2019 a diciembre del 2021 en la Red Asistencial Sabogal. Por otro lado, se incluirán variables sociodemográficas, clínicas, comorbilidades y datos de la madre. Se solicitó los datos pertinentes a la Gerencia Central de Tecnologías de Información y Comunicaciones (GCTIC) correspondientes al programa CRED de los Centros Asistenciales Periféricos (CAP) y Policlínicos de la Red Asistencial de Sabogal. Dichos datos fueron preprocesados para la fase de entrenamiento de modelos de Machine Learning. Luego, se realizó el entrenamiento de diversos modelos de Machine Learning y un análisis de las diferentes métricas de rendimiento con el objetivo de determinar el modelo de predicción más confiable. RESULTADOS: EL modelo dinámico basado en épocas mediante TensorFlow y Keras obtuvo una AUC de 0,90 (0,001), superando a todos los demás modelos. También logró un mejor rendimiento estadísticamente significativo que todos los demás modelos en métricas para un clasificador estándar: precisión 30,90 % (0,22 %), F1-score 44,60 % (0,26 %), precisión 66,14 % (0,41 %) y especificidad 63,27 % (0,41 %). CONCLUSIONES: Los modelos de predicción de la obesidad en paciente del Programa de Crecimiento y Desarrollo de EsSalud se desarrollaron a partir de datos retrospectivos, tomando un marco de tiempo para la predicción de la incidencia de la obesidad hasta los 3 años de edad. El flujo de trabajo de desarrollo del modelo de aprendizaje automático presentado se puede adaptar a varios estudios basados en datos de la historia clínica electrónica y puede ser valioso para desarrollar otros modelos de predicción clínica con registros de pacientes latinoamericanos.