Utilizan Google Maps para detectar factores que favorecen la obesidad en ciudades

Aunque cada cual tiene sus preferencias, en general cualquiera que se encuentre en busca de un buen lugar al que mudarse suele tener en cuenta una serie de características comunes: paradas de transporte público cercanas, colegios, comercios, hospitales…

A grandes rasgos buscamos infraestructuras que nos hagan la vida más fácil, de modo que tengamos que desplazarnos lo mínimo posible durante nuestro día a día. Eso está claro, ¿pero es realmente lo único a lo que se debe prestar atención?

Según un nuevo estudio, publicado en JAMA Network Open, de la mano de científicos de la Universidad de Washington, existen otros factores que se deben considerar, al menos si se quiere buscar un lugar en el que prevalezca la vida sana. Lo han demostrado gracias a un modelo de inteligencia artificial capaz de relacionar la prevalencia de la obesidad con el entorno construido.

Detectar la obesidad desde el espacio

En 2016, había en todo el mundo más de 340 millones de niños y adolescentes con sobrepeso u obesidad, según datos de la Organización Mundial de la Salud.

Los niveles mundiales de obesidad se han casi triplicado desde 1975 y siguen avanzando a pasos agigantados, alimentados por factores derivados del estilo de vida actual, como el sedentarismo o el aumento de la oferta de establecimientos de comida rápida.

Todos los especialistas coinciden en que la obesidad se ve influenciada por factores muy claros, como la genética, la dieta, la actividad física y el medio ambiente. Sin embargo, la evidencia que apunta a asociaciones con el entorno construido ha variado mucho entre los estudios y contextos geográficos. Por eso, estos investigadores han decidido buscar esa asociación, con la ayuda de Google Maps y la inteligencia artificial.

El estudio se basa en el uso de una red neuronal convolucional (CNN por sus siglas en inglés); es decir, un tipo de inteligencia artificial que utiliza el aprendizaje profundo para identificar independientemente patrones concretos en un conjunto de datos.

En este caso, el objetivo de este modelo era localizar patrones asociados a la obesidad en imágenes de ciudades estadounidenses tomadas vía satélite con la famosa aplicación de Google.

El primer paso para el desarrollo de la CNN fue la introducción de 1’2 millones de imágenes, que se relacionaron con datos sobre la prevalencia de la obesidad, extraídos del proyecto 500 cities, perteneciente al Centro para el Control y la Prevención de Enfermedades. De este modo, la red neuronal aprendió a relacionar ambos factores, pudiendo predecir después la asociación.

A continuación, probaron el modelo en 1.695 secciones pertenecientes a seis ciudades de Estados Unidos: Bellevue, Seattle, Tacoma, Los Ángeles, Memphis y San Antonio. Escogieron éstas y no otras por pertenecer a dos de los estados con mayor prevalencia de la obesidad (Tenessee y Texas) y dos de los que tienen una prevalencia menor (Washington y California).

El modelo analizó puntos concretos del entorno construido que podrían relacionarse con la prevalencia de la obesidad, como la presencia de gimnasios, spas, restaurantes, panaderías, supermercados o boleras. Además, también se centró en la existencia o no de zonas verdes y parques cercanos, ya que ésta podría alentar a las personas que vivan en la zona a hacer ejercicio al aire libre.

Finalmente, todas estas características del entorno construido explicaron un 64’8% de la variación en la prevalencia de la obesidad en los distritos analizados.

Otros datos de interés

El modelo encontró cierta vinculación también con el nivel socioeconómico de cada distrito. Concretamente, en los distritos con una cifra mayor de ingresos per cápita las estimaciones de prevalencia de la obesidad ajustadas por edad eran más bajas.

Esto es fácilmente explicable, pues una persona a la que sus ingresos apenas le llegan para vivir ni se plantea gastar dinero todos los meses en un gimnasio, por muy cerca que viva de él. De cualquier modo, no le impediría salir a correr o realizar algún otro tipo de ejercicio en casa. Por eso, el siguiente paso de estos científicos será centrarse en la influencia de este tipo de factores, de una forma más profunda.

Está claro que las personas que viven en zonas verdes y abiertas tienen más facilidad para practicar ejercicio, mientras que quienes residen en zonas densamente pobladas y sin vegetación a menudo llevan una vida más sedentaria y ocupada, que les impide practicar ejercicio a menos que paguen por un gimnasio.

Todo esto podía intuirse. Sin embargo, con este modelo pueden detectarse cuáles son las zonas más problemáticas, para dirigir específicamente hasta ellas un mayor número de medidas de información y prevención. Parece ser que Google Maps es una herramienta a la que le quedan muchas aplicaciones por explorar.

Puedes comentar sobre este y otros temas en nuestra comunidad

comentar

Vía ALT1040 https://ift.tt/2wNjtuW

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión /  Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión /  Cambiar )

Conectando a %s

A %d blogueros les gusta esto: