Detección automatizada de factores determinantes del embarazo en la adolescencia
Palabras clave:
automatización, bases de datos estadísticos, embarazo en adolescencia, factores de riesgoResumen
Introducción: las adolescentes embarazadas tienen menos probabilidades de construir relaciones sentimentales estables, y más de sufrir trastornos emocionales. También, son más susceptibles a presentar diversas complicaciones durante el embarazo y el parto.
Objetivo: evaluar las técnicas de aprendizaje automático para determinar factores de riesgo del embarazo en adolescentes.
Métodos: se realizó una investigación con diseño correlacional causal. Los datos se obtuvieron de la Encuesta Demográfica y de Salud Familiar - ENDES 2021 Nacional y Departamental, que abarcó los años 2018 a 2020. En el momento de las entrevistas, su base de datos contenía información de 16 825 mujeres adolescentes peruanas de 12 a 19 años de edad, las cuales constituyeron el universo de estudio. Se implementaron nueve algoritmos: máquina de soporte vectorial, regresión logística binaria, árbol de decisión, refuerzo adaptativo, potenciación del gradiente, refuerzo de gradiente extremo, árboles extremadamente aleatorios, agregación de arranque, y bosque aleatorio. Se consideraron sus métricas como variables a tener en cuenta en la evaluación, la precisión, y el área bajo la curva.
Resultados: el algoritmo más preciso fue el bosque aleatorio (0,965825), seguido por la potenciación del gradiente (0,963744), el árbol de decisión, y las máquinas de vectores de soporte (0,963155, ambos).
Conclusiones: el bosque aleatorio fue la técnica más precisa; además de la identificación de los factores en cuestión, se distinguieron los tres más importantes. Este estudio es un precedente valioso para la aplicación de las técnicas de aprendizaje automático en la predicción de diversas variables necesarias para mejorar la gestión pública
Descargas
Citas
1. Instituto Nacional de Estadística e Informática. Encuesta Demográfica y de Salud Familiar - ENDES 2021 Nacional y Departamental [Internet]. Lima: INEI; 2022 [citado 2 Sep 2024]. Disponible en: https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/Lib1838/pdf/Libro.pdf
2. Buitrago-Ramírez F, Ciurana-Misol R, Fernández-Alonso MC, Tizón JL; Miembros del Grupo de Salud Mental. Prevención de los trastornos de la salud mental. Embarazo en la adolescencia. Aten Primaria [Internet]. Oct 2022 [citado 2 Sep 2024];54 Supl 1: 102494. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC9705218/pdf/main.pdf
3. Hernández-Cordero AL, Gentile A, Santos-Díaz E. Perspectivas teóricas para el análisis de la maternidad adolescente. Barataria [Internet]. 2019 [citado 2 Sep 2024];26:135-54. Disponible en: https://revistabarataria.es/web/index.php/rb/article/download/399/710/1546
4. Ranjbar A, Jahromi MS, Boujarzadeh B, Roozbeh N, Mehrnoush V, Darsareh F. Pregnancy, childbirth and neonatal outcomes associated with adolescent pregnancy. Gynecol Obstetr Clin Med [Internet]. Jun 2023 [citado 2 Sep 2024];3(2):100-5. Disponible en: https://www.sciencedirect.com/science/article/pii/S2667164623000131
5. Azimirad A. Pregnancy in adolescence: It is time to get ready for generations Z and Alpha. Gynecol Obstetr Clin Med [Internet]. Jun 2023 [citado 2 Sep 2024];3(2):71-5. Disponible en: https://www.sciencedirect.com/science/article/pii/S2667164623000374
6. Eliner Y, Gulersen M, Kasar A, Lenchner E, Grünebaum A, Chervenak FA, et al. Maternal and neonatal complications in teen pregnancies: a comprehensive study of 661,062 patients. J Adolesc Health [Internet]. Jun 2022 [citado 2 Sep 2024];70(6):922-7. Disponible en: https://pubmed.ncbi.nlm.nih.gov/35165030/
7. Davis K, Blake J. Social structure and fertility: an analytic framework. Econ Dev Cult Change [Internet]. Abr 1956 [citado 2 Sep 2024];4(3):211-35. Disponible en: https://u.demog.berkeley.edu/~jrw/Biblio/Eprints/%20D-F/davis.blake.1956_intermediate.variables.pdf
8. Bongaarts J. A framework for analyzing the proximate determinants of fertility. Popul Dev Rev. 1978;4(1):105-32.
9. Di Cesare M, Rodríguez-Vignoli J. Análisis micro de los determinantes de la fecundidad adolescente en Brasil y Colombia. Pap. poblac [Internet]. Jun 2006 [citado 2 Sep 2024];12(48):107-40. Disponible en: https://www.redalyc.org/pdf/112/11204806.pdf
10. Hernández-Sampieri R, Mendoza-Torres CP. Metodología de la investigación. Las rutas cuantitativa, cualitativa y mixta. 2da ed. Ciudad de México: Editorial Mc Graw Hill Education; 2023. Disponible en: http://www.biblioteca.cij.gob.mx/Archivos/Materiales_de_consulta/Drogas_de_Abuso/Articulos/SampieriLasRutas.pdf
11. Huang B, Zhu Y, Usman M, Chen H. Semi-supervised learning with missing values imputation. J Knowledge-Based Sys [Internet]. Ene 2024 [citado 2 Sep 2024];284:111171. Disponible en: https://arxiv.org/pdf/2106.01708
12. Shaon SH, Karim T, Shakil S, Hasan Z. A comparative study of machine learning models with LASSO and SHAP feature selection for breast cancer prediction. Healthcare Analytics [Internet]. Dic 2024 [citado 2 Sep 2024];6:100353. Disponible en: https://www.researchgate.net/profile/Md-Shazzad-Hossain-Shaon/publication/381772917_A_comparative_study_of_machine_learning_models_with_LASSO_and_SHAP_feature_selection_for_breast_cancer_prediction/links/667e41caf3b61c4e2c94833f/A-Comparative-Study-of-Machine-Learning-Models-with-LASSO-and-SHAP-Feature-Selection-for-Breast-Cancer-Prediction.pdf
13. Ngiam KY, Khor W. Big data and machine learning algorithms for health-care delivery. Lancet Oncol [Internet]. May 2019 [citado 2 Sep 2024];20(5):e262-73. Disponible en: https://www.sciencedirect.com/science/article/pii/S1470204519301494?via%3Dihub
14. Parzinger M, Hanfstaengl L, Sigg F, Spindler U, Wellisch U, Wirnsberger M. Comparison of different training data sets from simulation and experimental measurement with artificial users for occupancy detection — Using machine learning methods Random Forest and LASSO. Build Environ [Internet]. Sep 2022 [citado 2 Sep 2024];223:109313. Disponible en: https://www.sciencedirect.com/science/article/pii/S0360132322005352
15. Eddie D, Prindle J, Somodi P, Gerstmann I, Dilkina B, Saba SK, et al. Exploring predictors of substance use disorder treatment engagement with machine learning: The impact of social determinants of health in the therapeutic landscape. J Subst Use Addic Treat [Internet]. Sep 2024 [citado 2 Sep 2024];164:209435. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S2949875924001474
16. Obaido G, Mienye ID, Egbelowo OF, Emmanuel ID, Ogunleye A, Ogbuokiri B, et al. Supervised machine learning in drug discovery and development: algorithms, applications, challenges, and prospects. Mach Learn Applic [Internet]. Sep 2024 [citado 2 Sep 2024];17:100576. Disponible en: https://www.sciencedirect.com/science/article/pii/S2666827024000525
17. Richardson E, Trevizani R, Greenbaum JA, Carter H, Nielsen M, Peters B. The receiver operating characteristic curve accurately assesses imbalanced datasets. Patterns [Internet]. 2024 [citado 4 Ene 2024];5(6):100994. Disponible en: https://www.cell.com/action/showPdf?pii=S2666-3899%2824%2900109-0
18. Asociación Médica Mundial. Declaración de Helsinki de la AMM. Principios éticos para las investigaciones médicas en seres humanos. Ratificada en la 64ª Asamblea General, Fortaleza, Brasil, octubre 2013. Helsinki: 18ª Asamblea Mundial; 1964 [citado 4 Ene 2024]. Disponible en: http://www.anmat.gov.ar/comunicados/HELSINSKI_2013.pdf
19. Martínez-Pérez JA, Pérez-Martín PS. La curva ROC. SEMERGEN [Internet]. Feb 2023 [citado 4 Ene 2024];49(1):e101821. Disponible en: https://static.elsevier.es/ficheros/7.pdf
20. Quezada MA, Tobón-Rivera A, Castrillón-Gómez OD. Minería de datos: una aplicación para determinar cuáles factores socio-económicos influyen en el embarazo adolescente. Inform Tecnol [Internet]. 2020 [citado 4 Ene 2024]:31(6):53-60. Disponible en: https://scielo.conicyt.cl/pdf/infotec/v31n6/0718-0764-infotec-31-06-53.pdf
21. Avelar-Jaime D, López-Ramírez M, Rivera-Romero CA, Guzmán-Cabrera R. Clasificación del Corpus BBC News Summary utilizando J48 en Weka. Jóvenes Cienc [Internet]. 2023 [citado 4 Ene 2024];25:[aprox. 6 p.]. Disponible en: https://www.jovenesenlaciencia.ugto.mx/index.php/jovenesenlaciencia/article/download/4212/3692/13737
22. Rosales-López JY. Determinantes próximos de la fecundidad adolescente en Honduras periodo 2011-2012 [Internet]. Tegucigalpa: Universidad Nacional Autónoma de Honduras; 2019 [citado 4 Ene 2024]. Disponible en: https://tzibalnaah.unah.edu.hn/bitstream/handle/123456789/11522/Determinantes%20pr%c3%b3ximos%20de%20la%20fecundidad%20adolescente%20en%20Honduras%20periodo%202011-2012.pdf?sequence=2&isAllowed=y
23. Fasula AM, Chia V, Murray CC, Brittain A, Tevendale H, Koumans EH. Socioecological risk factors associated with teen pregnancy or birth for young men: a scoping review. J Adolesc [Internet]. Jul 2019 [citado 4 Ene 2024];74(1):130-45. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S014019711930096X?via%3Dihub
24. Garza-Reyna D, Cruz-Villareal M, Alanís-Cruz A, Flores-Acosta CC, Ramírez-Colunga C, Soria-López J, et. al. 120. Sociodemographic and psychosocial factors associated with adolescent pregnancy. J. Pediatr. Adolesc. Gynecol. [Internet]. Abr 2024 [citado 4 Ene 2024];37(2):297-98. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S1083318824001426?via%3Dihub
25. Asare BYA, Baafi D, Dwumfour-Asare B, Adam AR. Factors associated with adolescent pregnancy in the Sunyani Municipality of Ghana. Int. J. Afr. Nurs. Sci. [Internet]. 2019 [citado 4 Ene 2024];10:87-91. Disponible en: https://www.sciencedirect.com/science/article/pii/S2214139118300817
26. D’Añari-Cabrera JR. Factores biosociodemográficos asociados al embarazo precoz en adolescentes gestantes atendidas en el HRHDE, abril–mayo 2019 [Internet]. Arequipa: Universidad Nacional de San Agustín de Arequipa; 2019 [citado 4 Ene 2024]. Disponible en: https://repositorio.unsa.edu.pe/bitstreams/c66a10e4-9339-419d-830a-72810f74cde9/download
27. Rawat S, Rawat A, Kumar D, Sabitha A. Application of machine learning and data visualization techniques for decision support in the insurance sector. Int. J. Inf. Manag. Data Insights [Internet]. Nov 2021 [citado 4 Ene 2024];1(2):100012. Disponible en: https://www.sciencedirect.com/science/article/pii/S2667096821000057
28. Oermann EK, Rubinsteyn A, Ding D, Mascitelli J, Starke RM, Bederson JB, et al. Using a machine learning approach to predict outcomes after radiosurgery for central arteriovenous malformations. Scientific Reports [Internet]. 2016 [citado 4 Ene 2024];6:21161. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC4746661/pdf/srep21161.pdf
29. Asadi H, Kok HK, Looby S, Brennan P, O'Hare A, Thornton J. Outcomes and complications following endovascular treatment of brain arteriovenous malformations-a prognostication attempt using artficial intelligence. World Neurosurg [Internet]. Dic 2016 [citado 4 Ene 2024];96:562-9. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S1878875016309160?via%3Dihub
30. Raj A, Dehingia N, Singh A, McDougal L, McAuley J. Application of machine learning to understand child marriage in India. 2020. SSM Popul Health [Internet]. 2020 [citado 4 Ene 2024];12:100687. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC7732880/pdf/main.pdf
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Bernardo Céspedes Panduro, Zoraida Judith Huamán Gutiérrez
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes de la Licencia CC Attribution 4.0/ International/ Deed (CC BY 4.0):
Usted es libre de:
- Compartir — copiar y redistribuir el material en cualquier medio o formato para cualquier propósito, incluso comercialmente.
- Adaptar — remezclar, transformar y construir a partir del material para cualquier propósito, incluso comercialmente.
La licenciante no puede revocar estas libertades en tanto usted siga los términos de la licencia
Bajo las condiciones siguientes:
- Atribución — Usted debe dar crédito de manera adecuada , brindar un enlace a la licencia, e indicar si se han realizado cambios . Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la licenciante.
- No hay restricciones adicionales — No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otras a hacer cualquier uso permitido por la licencia.
La revista no se responsabiliza con las opiniones y conceptos emitidos en los trabajos, son de exclusiva responsabilidad de los autores. El Editor, con la asistencia del Comité de Editorial, se reserva el derecho de sugerir o solicitar modificaciones aconsejables o necesarias. Son aceptados para publicar trabajos científico originales, resultados de investigaciones de interés que no hayan sido publicados ni enviados a otra revista para ese mismo fin.
La mención de marcas comerciales de equipos, instrumentos o materiales específicos obedece a propósitos de identificación, no existiendo ningún compromiso promocional con relación a los mismos, ni por los autores ni por el editor.
