Síntomas depresivos y obesidad en adolescentes. Una aplicación desde la Minería de Datos
Barra lateral del artículo
Descargas
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Contenido principal del artículo
Resumen
Objetivo: describir mediante la aplicación de minería de datos quién desarrolla obesidad y síntomas depresivos (SD) en la población adolescente de la ciudad de Bucaramanga. Métodos: a través de un estudio descriptivo y transversal anidado en una cohorte poblacional. Se evaluaron 432 adolescentes. Se captó información de variables sociodemográficas, SD y medidas antropométricas. Se llevaron a cabo análisis estadísticos para variables categóricas y continuas, así como un análisis de minería de datos. Resultados: el 26.7% de los adolescentes presentó exceso de peso. Se observó que más de la mitad de la muestra presentó SD. El análisis de minería de datos permitió identificar seis grupos de participantes de acuerdo con sus características con relación al peso y a los SD. Conclusiones: la relación entre SD y obesidad se estableció en el grupo de mujeres adolescentes, observándose que aquellas con un peso mayor a 2 desviaciones estándar presentaban todos los SD.
Citas
Ahamad, M.G., Ahmed, M.F., & Uddin, M.Y. (2016). Clustering as data mining technique in risk factors analysis of diabetes, hypertension, and obesity. EJERS, European Journal of Engineering Research and Science, 1(6), 88-93. Recuperado de https://www.ejers.org/index.php/ejers/article/view/202/110
Cabas, K., González, Y., & Mendoza, C. (2018). Funcionamiento ejecutivo y depresión en universitarios con normopeso, sobrepeso y obesidad Tipo I. Informes Psicológicos, 18(1), 133-144. http://dx.doi.org/10.18566/infpsic.v18n1a07
Curilem-Gatica, C., Rodríguez-Rodríguez, F., Almagià-Flores, A., Yuing-Farías, T., & Berral F. (2016). Ecuaciones para la evaluación de la composición corporal en niños y adolescentes. Cadernos Saúde Pública, 32(7), 1-6. http://dx.doi.org/10.1590/0102-311X00195314.
De Onis, M., Onyango, A.W., Borghi, E., Siyam, A., Nishida, C., & Siekmann, J. (2007). Development of a Who growth reference for school-aged children and adolescents. Bull World Health Organization, 85(9), 660-667.
Dipnall, J. F., Pasco, J. A., Berk, M., Williams, L. J., Dodd, S.…& Jacka, F. N. (2016). Fusing data mining, machine learning and traditional statistics to detect biomarkers associated with depression. PLoS One, 11(2), 1-23.
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. American Association for Artificial Intelligence, 17(3), 37-54.
Hossain, R., Mahmud, H., Hossin, A., Noori, S., & Jahan, H. (2018) PRMT: Predicting Risk Factor of Obesity among Middle-Aged People Using Data Mining Techniques. Procedia Computer Science, 132, 1068-1076. https://doi.org/10.1016/j.procs.2018.05.022
Lasserre, A. M., Glaus, J., Vandeleur, C. L., Marques-Vidal, P., Vaucher, J., Bastardot, F., Waeber, G., Vollenweider, P., & Preisig, M. (2014). Depression with atypical features and increase in obesity, body mass index, waist circumference, and fat mass: a prospective, population-based study. JAMA Psychiatry, 71(8), 880-888. https://doi.org/10.1001/jamapsychiatry.2014.411
Lohman, T.G., Roche, A.F., & Martorell, R. (Eds.). (1988). Anthropometric standardization reference manual. Champaign. IL: Human Kinetics
Luppino, F.S., De Wit, L.M., Bouvy, P.F., Stijnen, T., Cuijpers, P., Penninx, B.W., & Zitman, F.G. (2010). Overweight, obesity, and depression: a systematic review and meta-analysis of longitudinal studies. Archives of General Psychiatry, 67(3), 220- 229.
Martinson, M. L., & Vasunilashorn, S. M. (2016). The long-arm of adolescent weight status on later life depressive symptoms. Age and Ageing, 45(3), 389-395. https://doi.org/10.1093/ageing/afw020
Milano, W., Ambrosio, P., Carizzone, F., De Biasio, V., Di Munzio, W., Foia, M. G., & Capasso, A. (2020). Depression and obesity: analysis of common biomarkers. Diseases (Basel, Switzerland), 8(2), 23-52. https://doi.org/10.3390/diseases8020023
Milovic, B. & Milovic, M. (2012). Prediction and decision making in health care using data mining. International Journal of Public Health Science, 1(2), 69-78.
Ministerio de Salud (2010). Presentación de lanzamiento de Encuesta Nacional de la Situación Nutricional ENSIN 2010. Recuperado de https://www.icbf.gov.co/sites/default/files/resumenfi.pdf
Ministerio de Salud (2015). Presentación de lanzamiento de Encuesta Nacional de la Situación Nutricional ENSIN 2015. Recuperado de https://www.minsalud.gov.co/Paginas/Gobierno-presenta-Encuesta-Nacional-de-Situaci%C3%B3n-Nutricional-de-Colombia-ENSIN-2015.aspx
Ministerio de Salud. (2017). Boletín de salud mental: Depresión. Subdirección de Enfermedades No Transmisibles. Recuperado de https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/VS/PP/ENT/boletin-depresion-marzo-2017.pdf
Mühlig, Y., Antel, J., Föcker, M., & Hebebrand, J. (2015). Are bidirectional associations of obesity and depression already apparent in childhood and adolescence as based on high‐quality studies? A systematic review. Obesity Reviews, 17(3), 235-249. https://doi.org/10.1111/obr.12357
Ni, H., Yang, X., Fang, C., Guo, Y., Xu, M. & He, Y. (2014). Data mining-based study on sub-mentally healthy state among residents in eight provinces and cities in China. Journal of Traditional Chinese Medicine, 34(4), 511-517.
Organización Mundial de la Salud OMS. (1994). Guía de bolsillo de la clasificación de la CIE-10. Madrid: Panamericana.
Organización Mundial de la Salud OMS. (2017). Depresión. Recuperado de http://www.who.int/topics/depression/es/
Organización Mundial de la Salud OMS. (2015). Enfermedades Cardiovasculares. Recuperado de http://www.who.int/mediacentre/factsheets/fs317/es/
Organización Mundial de la Salud OMS. (2002). Temas de salud: Definición y evaluación de riesgos en salud. Recuperado de https://www.who.int ›whr
Pereira-Miranda, E., Costa, P., Queiroz, V., Pereira-Santos, M., & Santana, M. (2017). Overweight and obesity associated with higher depression prevalence in adults: a systematic review and meta-analysis. Journal of the American College of Nutrition, 36(3), 223-233. doi: 10.1080/07315724.2016.1261053.
Pirooznia, M., Seifuddin, F., Judy, J., Mahon, P., Potash, J., & Zandi, P. (2012). Data mining approaches for genome-wide asscociation of mood disorders. Psychiatric Genetics, 22(2), 55-61.
Quek, Y., Tam, W., Zhang, M. & Ho, R. (2017). Exploring the association between childhood and adolescent obesity and depression: a meta‐analysis. Obesity Reviews, 18(7), 742-754. https://doi.org/10.1111/obr.12535
Ranta, K., Väänänen, J., Fröjd, S., Isomaa, R., Kaltiala-Heino, R., & Marttunen, M. (2017). Social phobia, depression and eating disorders during middle adolescence: longitudinal associations and treatment seeking. Nordic Journal of Psychiatry, 71(8), 605-613. doi: 10.1080/08039488.2017.1366548
Stice, E., & Desjardins, C. (2018). Interactions between risk factors in the prediction of onset of eating disorders: Exploratory hypothesis generating analyses. Behaviour Research and Therapy, 105, 52-62. https://doi.org/10.1016/j.brat.2018.03.005
Two Crows Corporation. (2005). Introduction to Data Mining and Knowledge Discovery. Recuperado de http://www.stat.ucla.edu/~hqxu/stat19/intro-dm.pdf
Villa-Roel, C., Buitrago, A., Rodríguez, D., Cano, D., Martínez, M.P., Camacho, P.A, Ruiz, A., & Durán, A. (2009). Prevalence of metabolic syndrome in scholars from Bucaramanga, Colombia: a population-based study. Study protocol. BMC Pediatrics, 9(28), 1-6. Recuperado de https://bmcpediatr.biomedcentral.com/articles/10.1186/1471-2431-9-28
Weka Company (s.f.). Software Weka.Waikato Environment for Knowledge Analysis. Versión 3.8. Recuperado de https://www.cs.waikato.ac.nz/ml/weka/
Yoon, S., Taha, B., & Bakken S. (2014). Using a data mining approach to discover behavior correlates of chronic disease: a case study of depression. Studies in Health Technology and Informatics, 201, 71-78. Recuperado de https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4580372