No es lo mismo vivir cerca de gimnasios que de puestos de comida rápida. De hecho, existe una relación entre el lugar en donde una persona vive con su salud, especialmente  si se trata de obesidad. 

Esta es una de las conclusiones a las que ha llegado Elaine Nsoesie, profesora asistente del Institute for Health Metrics and Evaluation de la Universidad de Washington, utilizando una técnica computacional para representar datos conocida como deep learning. 

Los resultados de este estudio, próximamente disponibles en arXiv, fueron expuestos durante la conferencia satélite de Epidemiología Digital y Vigilancia de la CCS17, el pasado miércoles 20 de septiembre. 

La obesidad es una enfermedad crónica presente a nivel mundial. Tan sólo en los Estados Unidos más de un tercio de su población es obesa, de acuerdo con los Centros para el Control y Prevención de Enfermedades, una agencia dependiente del Departamento de Salud de esta nación. Su origen puede deberse a factores como los genes, una dieta poco saludable o a la influencia del medio ambiente. En esta última causa se enfoca el estudio de Nsoesie.

¿Por qué el medio ambiente? Es muy distinto que una persona viva en un barrio donde hay áreas deportivas a vivir en un otro haya bares. En el primer ejemplo el entorno fomenta hábitos saludables y en el segundo ocurre lo opuesto. Para la científica es importante saber “cómo poder cuantificar la influencia del medio ambiente en la obesidad”.

Para lograrlo utilizó la información sobre obesidad de la encuesta de salud Behavioral Risk Factor Surveillance System (BRFSS) de los Estados Unidos, específicamente en cuatro ciudades: Memphis, Seattle, San Antonio y Los Ángeles. De esta manera determinaron la proporción de personas con obesidad en diferentes regiones de la ciudad. Para comprobar si existía alguna relación con el lugar en donde viven utilizaron imágenes satelitales y 101 lugares de interés (como bares o restaurantes) de estas ciudades.  

Aunque para una persona resulte relativamente sencillo reconocer la imagen de una tienda de comida rápida y saber que es diferente a la de un parque público, para las computadoras no es una tarea sencilla si no han sido clasificadas. Mucho menos si debe hacerlo con un gran número de imágenes que se le presenten. 

Es aquí donde la Elaine Nsoesie utilizó deep learning para que una máquina aprendiera a reconocer y distinguir imágenes. “La razón por la que elegimos trabajar con deep learning es que permite trabajar con una gran cantidad de información, donde la mayoría no estaba clasificada. No podíamos sentarnos y asignar etiquetas a cada una de las diez mil imágenes. Lo que pudimos hacer fue dar la información al deep learning y que [la computadora] aprendiera a identificar futuras imágenes basándose previamente en imágenes que hubiera visto para identificar sus características.” 

De esta forma pudieron identificar en el mapa los diferentes tipos de establecimientos y áreas verdes en las cuatro ciudades. Posteriormente utilizaron un modelo capaz de estimar la proporción de individuos obesos de acuerdo con los establecimientos cercanos y compararlo con las obtenidas en la encuesta.

Elaine Nsoesie mencionó que “aunque los resultados son preliminares, encontramos una correlación muy significativa entre diferentes aspectos del medio ambiente y la obesidad en tres ciudades [excepto Seattle]”. Sin embargo, en algunas zonas de las ciudades el modelo sobreestimó o subestimó la proporción de individuos obesos. Además, muchas veces las imágenes de satélite tomadas fueron de baja calidad y en ocasiones el programa no reconoció algunas de las imágenes de ciertos establecimientos.  

Para la investigadora la clave de para enfrentar estos retos es mejorar la calidad de la imagen, y espera que en el futuro pueda tener información más precisa.