Análisis predictivo del riesgo de hipertensión en adultos mexicanos basado en indicadores nutricionales y calóricos

• Acuña-Cid, Héctor Alejandro ^[1] ; González, Alejandro Mauricio ^[1] ; Solis- Robles, Roberto ^[1] ; Acuña-Ruiz, Anayancin ^[1] ; Reveles-Gómez, Luis Carlos ^[1]
  1. [1] Universidad Autónoma de Zacatecas

     Universidad Autónoma de Zacatecas

     México

     
• Localización: Revista Ingenio, ISSN-e 2389-864X, ISSN 2011-642X, Vol. 22, Nº. 1, 2025 (Ejemplar dedicado a: Enero - Diciembre), 9 págs.
• Idioma: español
• Títulos paralelos:
  • Predictive analysis of hypertension risk in Mexican adults based on nutritional and caloric indicators
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Este artículo desarrolla un análisis predictivo del riesgo de hipertensión en adultos mexicanos basado en indicadores nutricionales y calóricos. La hipertensión, una condición con serias implicaciones para la salud, requiere la identificación de factores de riesgo predictivos para su prevención y manejo efectivo. Se evaluaron varios modelos de aprendizaje automático, encontrando que el modelo Random Forest destaca por su alta precisión y robustez, mientras que el XGBoost sobresale por su eficiencia en conjuntos de datos grandes. En contraste, el modelo Naive Bayes mostró el rendimiento más bajo. Además, el estudio enfatiza la importancia de los macronutrientes y la ingesta calórica total en la predicción de la hipertensión, con proteínas, carbohidratos y lípidos como factores relevantes en el riesgo, especialmente en adultos jóvenes en México. Este hallazgo resalta la necesidad de integrar múltiples factores nutricionales en la evaluación del riesgo.

  • English

    This article develops a predictive analysis of hypertension risk in Mexican adults based on nutritional and caloric indicators. Hypertension, a condition with serious health implications, requires the identification of predictive risk factors for its prevention and effective management. Several machine learning models were evaluated, with the Random Forest model standing out for its high accuracy and robustness, while XGBoost excelled in efficiency with large datasets. In contrast, the Naive Bayes model showed the lowest performance. Additionally, the study emphasizes the importance of macronutrients and total caloric intake in predicting hypertension, with proteins, carbohydrates, and lipids being relevant risk factors, especially in young adults in Mexico. This finding highlights the need to integrate multiple nutritional factors in risk assessment.