Data analysis and machine learning techniques for predicting treatment success in childhood and adolescent obesity intervention programs.

Abstract

[ES] A nivel mundial, todos los países se ven afectados, en alguna medida, por la obesidad, con cifras alarmantes especialmente en la población infantil y adolescente (comprendida entre los 5 y 19 años), constituyéndose así un desafío para la salud pública. De acuerdo a un estudio realizado por el Imperial College de Londres y la Organización Mundial de la Salud (OMS), entre 1975 y 2016, la obesidad infantil y adolescente se ha multiplicado por 10. Por otro lado, el reporte más reciente: Atlas Mundial de la Obesidad 2023, elaborado por la Federación Mundial de Obesidad, estima que la prevalencia de la obesidad infantil y adolescente, a nivel mundial, tendrá un importante incremento, durante el periodo del 2020 al 2035, del 10% al 20% para el género masculino; y, del 8% al 18%, para el femenino. Asimismo, a nivel europeo se espera que para el 2035 el 14% de niñas y el 21% de niños se vean afectados por esta enfermedad. Para esta región, también se resalta un importante impacto económico que se estima supere los 800.000 millones de dólares anuales, lo cual equivale al 2,6% del PIB en Europa para el año en mención. Y, en relación a España, se estima que para el 2035, aproximadamente un 14% de niñas y 22% de niños serán obesos, con una tasa estimada de crecimiento anual del 2.5% entre el periodo del 2020 y 2035. A partir de los datos mencionados, es preciso tener en cuenta que la problemática de la obesidad no solo implica riesgos inmediatos para la salud de los niños y adolescentes, sino también prevé una elevada carga de recursos económicos y personal sanitario para el futuro. Por lo expuesto anteriormente, el presente Trabajo de Fin de Máster busca abordar la actual situación de la obesidad infantil y adolescente a través del análisis de distintas variables: sociodemográficas, genéticas, neonatales, de estilo de vida y clínicas, así como la utilización de técnicas de aprendizaje automático, para el desarrollo de un modelo predictivo que explique el éxito del tratamiento en los programas de intervención de esta enfermedad. Es preciso resaltar que, los datos para el desarrollo de este estudio se obtienen del Servicio Pediátrico de un Hospital Público perteneciente a la Comunidad Valenciana, en el marco del programa de colaboración entre la Universitat Politécnica de Valencia y Fisabio.

[EN] Worldwide, all countries are affected, to some extent, by obesity, with alarming figures especially in the child and adolescent population (between 5 and 19 years old), thus constituting a challenge for public health. According to a study carried out by Imperial College London and the World Health Organization (WHO), between 1975 and 2016, childhood and adolescent obesity has multiplied by 10. On the other hand, the most recent report: World Obesity Atlas 2023, prepared by the World Obesity Federation, estimates that the prevalence of childhood and adolescent obesity, worldwide, will have a significant increase, during the period from 2020 to 2035, from 10% to 20% for the male gender; and, from 8% to 18%, for women. Likewise, at the European level it is expected that by 2035, 14% of girls and 21% of boys will be affected by this disease. For this region, an important economic impact is also highlighted, which is estimated to exceed 800 billion dollars annually, which is equivalent to 2.6% of GDP in Europe for the year in question. And, in relation to Spain, it is estimated that by 2035, approximately 14% of girls and 22% of boys will be obese, with an estimated annual growth rate of 2.5% between the period 2020 and 2035. Based on the aforementioned data, it is necessary to take into account that the problem of obesity not only implies immediate risks for the health of children and adolescents, but also foresees a high burden on economic resources and health personnel for the future. Due to the above, this Master's Thesis seeks to address the current situation of childhood and adolescent obesity through the analysis of different variables: sociodemographic, genetic, neonatal, lifestyle and clinical, as well as the use of techniques of machine learning, for the development of a predictive model that explains the success of treatment in intervention programs for this disease. It should be noted that the data for the development of this study are obtained from the Pediatric Service of a Public Hospital belonging to the Valencian Community, within the framework of the collaboration program between the Polytechnic University of Valencia and Fisabio.