Científica chilena creó modelo que predice la obesidad en el mundo

El porcentaje de personas con obesidad casi se ha triplicado en los últimos 30 años y en Chile la información se recoge cada seis años, lo que reduce su impacto en las políticas públicas.

¿Cómo hacer que la enorme cantidad de datos se actualice más rápido? Jocelyn Dunstan, investigadora del Centro de Modelamiento Matemático 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", recuerda Dunstan, quien también trabaja en el Centro de Informática Médica y Telemedicina.

Junto a investigadores de la Universidad Johns Hopkins, la científica 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.

Dunstan utilizó "machine learning", aplicaciones de inteligencia artificial que permiten que las computadoras reconozcan automáticamente patrones en datos después de un periodo de enseñanza.

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.

El equipo 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.

En el caso chileno, el estudio detectó un aumento de casi 37% 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%.