El porcentaje de personas con obesidad casi se ha triplicado en los últimos 30 años. Se trata de una verdadera epidemia y, por eso, los gobiernos buscan medir su impacto. Para ello, usan costosas encuestas en que, literalmente, un funcionario va de casa en casa con una balanza pidiendo a la gente que se pese. De ahí que el tiempo entre medición y medición sea largo.
En Chile, por ejemplo, la información se recoge cada seis años, lo que reduce su impacto en las políticas públicas, en un proceso que costó casi $1.500 millones en 2016-2017. Con estos problemas en mente, Jocelyn Dunstan, investigadora del Centro de Modelamiento Matemático (CMM) de la Facultad de Ciencias Físicas y Matemáticas de la Universidad de Chile, buscó en las matemáticas una solución. Y la encontró.
"Tratamos de predecir la proporción de la población obesa. Y lo que encontramos fue que era posible hacerlo con un bajo margen de error", señaló Dunstan, quien también trabaja en el Centro de Informática Médica y Telemedicina (CMIT).
Junto a investigadores chilenos y norteamericanos de la U. John Hopkins, entrenó tres algoritmos con dos ingredientes: información sobre la tasa de obesidad en 79 países y bases de datos con ventas de 48 categorías de productos en esas mismas naciones. Para ello, utilizó machine learning, aplicaciones de inteligencia artificial que permiten que las computadoras reconozcan automáticamente patrones en datos después de un periodo de enseñanza.
En nuestro país, los algoritmos dieron una tasa de obesidad de 28 por ciento, sólo tres puntos por debajo del 31% detectado por la encuesta del gobierno.
Un método más económico
Para la investigadora, los resultados abren grandes posibilidades, ya que se trata de datos obtenidos regularmente por consultoras y gobiernos. Esto permite llevar una cuenta más actualizada del estado de la obesidad en el mundo, a menores costos.
“La base de datos es chica, pero de buena calidad. Así, uno puede estrujarla y obtener datos mucho más seguido que con una encuesta. Porque aquí no estamos hablando de big data. Para nada. Más bien, yo hablaría de small data", afirma la investigadora.
El equipo también descubrió que tres categorías son las más relevantes a la hora de predecir la obesidad: masas y harinas, quesos y bebidas carbonatadas. La selección es relevante, ya que medir una cantidad limitada de productos ahorra tiempo de procesamiento de información. Esto permite reducir costos e incorporar países a la muestra con mayor velocidad.
En el caso chileno, el estudio detectó un aumento de casi 37 por ciento en las ventas de bebidas desde 2001, con un consumo que llega a 135,8 litros por persona hoy. En el caso de galletas y panes, el crecimiento alcanza 27,8 por ciento.
En la investigación, también quedaron retratadas las dietas nacionales. "Uno ve que Alemania y Holanda comparten un montón. Todos los países de Caribe y Centroamérica son como una gran nube. Colombia, Venezuela, República Dominicana y Guatemala están muy cerca uno del otro. Uno nota la influencia histórica, cultural y geográfica entre naciones. Chile, en cambio, aparece más cerca de Turquía o Arabia Saudita, justo entre los países del Mediterráneo y los latinoamericanos", detalló.
Este último dato concuerda con informaciones de la Organización Mundial de la Salud que sitúan a Chile entre los seis con mayor tasa de obesidad.
