Científicos detectar la obesidad desde el espacio con IA

Desde el espacio, las ciudades pueden darnos mucha información sobre nuestros hábitos y consumos.

¿Cómo es tu colonia? ¿Hay gimnasios, parques, piscinas? ¿O está rodeado de carreteras con mucho tráfico, locales de comida rápida y tiendas de conveniencia? La respuesta a estas preguntas parece cada vez más importante.

La obesidad es un problema de salud complejo afectado por una variedad de factores, uno de los cuales es el entorno físico y urbano en el que vivimos. Ahora, los científicos han utilizado la inteligencia artificial (IA) y las imágenes de satélite de las ciudades de Estados Unidos para trazar ese vínculo, en efecto, detectando la obesidad desde el espacio.

“Proponemos un método para evaluar exhaustivamente la asociación entre la prevalencia de obesidad adulta y el entorno construido que implica la extracción de características físicas del vecindario a partir de imágenes satelitales de alta resolución”, explica el equipo en el informe.

Los investigadores, de la Universidad de Washington, utilizaron unas 150 mil imágenes satelitales de alta resolución procedentes de Google Maps en una red neuronal convolucional (CNN), una especie de IA que utiliza el aprendizaje profundo para analizar e identificar, de forma independiente, los patrones dentro del conjunto de datos.

Los datos cubrieron mil 695 secciones censales en seis ciudades diferentes: Bellevue, Seattle, Tacoma, Los Ángeles, Memphis y San Antonio.

La red neuronal que el equipo usó en este caso ya estaba prestablecida en aproximadamente 1.2 millones de imágenes, experiencia que le ayudó a analizar el entorno construido en las ciudades, identificando características como carreteras, edificios, árboles, agua y tierra.

Además, los investigadores utilizaron estimaciones de la prevalencia de la obesidad del proyecto 500 Cities para crear un modelo que evaluara la asociación entre esas características (más puntos de interés como gasolineras, centros comerciales, parques y tiendas de mascotas) y la prevalencia de la obesidad en el estudio áreas.

No es la primera vez que los científicos hacen algo como esto, pero los investigadores dicen que su técnica es el esfuerzo más completo hasta ahora.

Te puede interesar: El 80% de las personas que padecen obesidad creen no sufrirla

Según sus resultados, las características del entorno construido explicaron casi dos tercios (64.8 por ciento) de la variación en la prevalencia de la obesidad en todos los distritos censales estudiados, aunque el nivel de éxito varió entre las ciudades (el más alto fue 73.3 por ciento en Memphis).

Imagen obesidad espacio

Cubierta verde asociada con baja prevalencia de obesidad en Memphis, fila superior. Fila inferior, vegetación dispersa vinculada con alta obesidad (Maharana et al.)

Este tipo de análisis “ojo en el cielo” nunca son perfectos, pero los investigadores confían en que su sistema podría ofrecer una herramienta fácil y escalable para ayudar a los estudios a medir el riesgo de obesidad en los Estados Unidos.

“Nuestro enfoque consistentemente presenta una fuerte asociación entre la prevalencia de la obesidad y el indicador del entorno construido en las cuatro regiones, a pesar de los valores variables de la ciudad y el vecindario”, explican los autores.

Los investigadores sugieren que los indicadores socioeconómicos, como el ingreso, son probablemente un factor importante detrás de las asociaciones encontradas, y estudios similares ya están usando este tipo de CNN para identificar cosas como la pobreza de las imágenes satelitales.

La investigación en general respalda mucho de lo que ya sabíamos sobre el impacto del entorno construido sobre la obesidad: los espacios verdes abiertos que permiten la actividad física generalmente son buenos para la salud pública; los vecindarios densamente poblados rodeados por caminos y sin vegetación no lo son.

Pero la capacidad de aprovechar el inmenso poder del aprendizaje automático para aumentar nuestro conocimiento existente sobre la salud pública nos está dando nuevas formas de abordar esta área de investigación.

“Se debe tener cuidado en no interpretar demasiado los resultados”, explica un comentario sobre la investigación, en coautoría del bioestadístico Benjamin A. Goldstein de la Universidad de Duke.

“Aún así, de la misma manera que un biomarcador puede servir como un indicador útil del riesgo de enfermedad, estos factores de vecindad pueden servir como un indicador valioso de los resultados de salud…

En el futuro, es probable que los métodos de aprendizaje automático sean esenciales para descubrir características asociadas con enfermedad: características probables que nunca antes se sospecharon“, agrega.

Fuente:

Use of Deep Learning to Examine the Association of the Built Environment With Prevalence of Neighborhood Adult Obesity

Scientists Have Trained an AI to Spot Obesity From Space