Screening poblacional de obesidad infantil en Álava mediante uso de BIG DATA y sus determinantes socioeconómicas asociadas

• I. Díez López ^[1] ; S. Maeso Méndez ^[2] ; G. Sánchez Merino ^[3]
  1. [1] Basque Country University
  2. [2] Osakidetza
  3. [3] Innovation Platform - IIS BIOARABA

  Mostrar afiliaciones +
• Localización: Boletín de la Sociedad Vasco-Navarra de pediatría = Euskal Herriko Pediatria Elkartearen aldizkaria, ISSN 0037-8658, Nº. 125 (Diciembre), 2024, págs. 30-36
• Idioma: español
• Títulos paralelos:
  • ARABAko haur obesitatearen populazioaren baheketa BIG DATA eta hari lotutako determinatzaile sozioekonomikoak erabiliz
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Las herramientas de big data son actualmente una herramienta de primera magnitud para valorar cambios poblacionales. Existe una relación causal entre niveles económicos bajos y mayor prevalencia de situaciones asociadas a malnutrición y obesidad. Una de las causas de baja renta en diferentes áreas podría ser una mayor tasa de paro y confluencia de personas en situación de inmigración por cuestiones económicas.

    Objetivo principal: Valorar en una población infantil el efecto de la tasa de paro, renta media y tasa de inmigración como posible efecto de incremento de la prevalencia de mal- nutrición asociada a obesidad infantil.

    Material y métodos: Datos recogidos de episodios de historias clínicas informatizadas, estudiando las variables sexo, edad, peso, talla, de una población pediátrica (año 2022), comparándola con la renta media de su distrito de vivienda, tasa de desempleo y tasa de inmigración. Utilización de métodos de big data para el estudio de variables. Uso del algoritmo LMS de Cole-Green con verosimilitud penalizada, implementado en el software RefCurv 0.4.2 (2020), que permite gestionar grandes cantidades de datos. Los hiperparámetros se han seleccionado mediante el BIC (Bayesian information criterion). Para calcular desviaciones poblacionales respecto a la referencial se ha cogido como referencia el estar por encima de 1,5 desviaciones estándar respecto de la media según la edad. Resultados: 66.975 episodios informatizados de menores de 16 años y un total de 1.205.000 variables estudiadas. Se representan los datos y gráficos comparativos entre distritos de la población estudiada respecto a las variables analizadas. Existen diferencias significativas, con un incremento de la tasa de sobrepeso en aquellas áreas con menor renta económica y mayor tasa de desempleo e inmigración.

    Conclusiones: La tecnología de big data permite realizar estudios poblacionales de forma más eficaz, seleccionando poblaciones más necesitadas de una intervención sanitaria, optimizando los escasos recursos sanitarios.

  • English

    Big data tresnak biztanleriaren aldaketak ebaluatzeko lehen mailako tresnak dira gaur egun. Kausa-harremana dago maila ekonomiko baxuen eta desnutrizio eta obesitatearekin lotutako egoeren prebalentzia handiagoaren artean. Arlo desberdinetako diru-sarrera baxuen arrazoietako bat langabezia-tasa handiagoa eta arrazoi ekonomikoengatik immigrazio-egoeretan dauden pertsonen elkartzea izan liteke.

    Helburu nagusia: Haur-populazio batean langabezia-tasak, batez besteko diru-sarrerak eta immigrazio-tasak haurren obesitateari lotutako desnutrizioaren prebalentzia areagotzearen eragin posible gisa ebaluatzea.

    Materiala eta metodoak: Erregistro mediko informatizatuen pasarteetatik bildutako datuak, populazio pediatriko baten sexua, adina, pisua, altuera aldagaiak aztertuz (2022. urtea), haien etxebizitza-barrutiko batez besteko diru-sarrerekin, langabezia-tasarekin eta immigrazio-tasarekin alderatuz. Big data metodoak erabiltzea aldagaiak aztertzeko. Cole-Green LMS algoritmoaren erabilera probabilitate penalizatuarekin, RefCurv 0.4.2 (2020) softwarean ezarria, datu kopuru handiak kudeatzeko aukera ematen duena. Hiperparametroak BIC (Bayesiar informazio irizpidea) erabiliz hautatu dira. Erreferentziaren populazioaren desbideratzeak kalkulatzeko, adinaren arabera batez bestekoarekiko 1,5 desbideratze estandarren gainetik egotea hartu da erreferentziatzat.

    Emaitzak: 16 urtetik beherako haurren 66.975 pasarte informatizatu eta guztira 1.205.000 aldagai aztertu dira. Aztertutako biztanleriaren barrutien arteko datuak eta grafiko konparatiboak aztertutako aldagaiekiko irudikatzen dira. Alde nabarmenak daude, gehiegizko pisuaren tasa areagotu baita diru-sarrera ekonomiko txikiagoak eta langabezia eta immigrazio tasa handiagoak dituzten eremuetan.

    Ondorioak: Big data teknologiak populazio- azterketak modu eraginkorragoan egitea ahalbidetzen du, osasun-esku-hartze baten beharrik handiena duten populazioak hautatuz, osasun baliabide urriak optimizatuz.