¿Cómo el Big Data y la revolución de la Inteligencia Artificial pueden ayudarnos en la lucha contra la obesidad?

Augusto Anguita Ruiz

Investigador Predoctoral i-PFIS  (Instituto de Salud ´Carlos III´) - IFI17/00048.

Grupo de Investigación BIONIT: Bioquímica de la Nutrición. Implicaciones Terapéuticas. CTS-461     

CIBEROBN. Centro de Investigación Biomédica en Red de la Fisiopatología de la Obesidad y Nutrición.

Los mecanismos básicos que dirigen el desarrollo de la obesidad son simples (un desequilibrio entre la ingesta calórica y el gasto calórico); no obstante, la etiología de esta enfermedad es compleja y ha constituido uno de los principales focos de interés en investigación durante las últimas décadas. En el año 2007, el UK Foresight Report [1]— uno de los informes más completos sobre la obesidad y sus causas— definió esta enfermedad como “una red compleja de factores sociales y biológicos que interaccionan entre sí para potenciar la inherente tendencia del ser humano a la ganancia de peso”. Con el objetivo de organizar, agrupar y revisar todos los factores obesogénicos conocidos hasta la fecha, en este informe se generó un mapa de la obesidad que sitúa el balance energético en su punto central y hasta 100 variables circundantes moduladoras. Organizadas en siete dominios diferentes, estas variables atañen elementos de muy diversa naturaleza incluyendo factores sociales, psicológicos, nivel de actividad física individual y poblacional, factores fisiológicos, producción alimentaria y consumo de alimentos.

Aunque los esfuerzos de investigación de los últimos años se han centrado en cada una de estas áreas para combatir la enfermedad desde su origen, los programas de prevención y manejo de la obesidad desarrollados hasta el momento han mostrado resultados limitados para frenar el aumento nuevos casos. Entre los motivos responsables de esta falta de éxito, destaca el hecho de que la mayoría de las aproximaciones de investigación llevadas a cabo han consistido en lo que se conoce como abordajes small data (p. ej. estudios de cohortes, ensayos clínicos, estudios de intervención, encuestas, etc). En estos abordajes, las estrategias de muestreo empleadas conllevan importantes restricciones en materia de cobertura (p. ej. número de hipótesis a contestar), tamaño (p. ej. número de individuos analizados) o temporalidad (p. ej. cantidad de puntos de tiempo evaluados). Por el contrario, gran parte de los factores obesogénicos descritos por el UK Foresight Report se corresponden con fenómenos globales de gran complejidad, que serían mejor estudiados a través de enfoques de grandes poblaciones. Empoderados por los recientes avances en capacidad de computación y por la gran revolución que Internet ha supuesto para la comunicación entre personas, la Inteligencia Artificial (IA) y el uso de datos masivos (Big Data) constituyen mecanismos excelentes para el estudio de fenómenos de talla global (tales como los implicados en la etiología de la obesidad).  Es por este motivo que gran parte del futuro de la lucha contra esta enfermedad pasará por la incorporación de estas dos herramientas como principal arma.

Aunque actualmente no existe una definición globalmente aceptada para Big Data, podemos utilizar este término para referirnos a todo aquel conjunto de datos que cumple con las siguientes características: gran volumen, complejidad, cobertura, a la vez que una gran rapidez en su modo de generación. A diferencia de los datos derivados de los abordajes científicos tradicionales (o small data), los datos masivos Big Data normalmente se corresponden con datos “hallazgo” (es decir, datos que se han recopilado para fines no relacionados con investigación, pero que podrían incluir información valiosa para investigación). En este contexto, la IA se presenta como el conjunto de herramientas y algoritmos capaces de analizar y procesar datos masivos y extraer conocimiento de utilidad a partir de ellos.

Hasta la fecha, existen diversas fuentes de datos masivos “hallazgo” con gran interés en el campo de la obesidad debido a que cubren muchos de los factores obesogénicos descritos por el UK Foresight Report. Entre ellos destacan datos derivados de ventas en comercios, información de transporte, localización geoespacial, programas de control de peso, redes sociales, teléfonos móviles y tecnologías wereable. Algunos de los ejemplos más exitosos de utilización de este tipo de datos en la lucha contra la obesidad incluyen:

- Análisis por regiones de las compras de alimentación realizadas en un país. En estos casos, se dispone de información derivada de códigos de barras de productos, paneles de consumo de marketing y programas de fidelización de clientes (tales como las tarjetas de descuento de cliente, las cuales además contienen información sobre el sexo, la edad o la dirección de los clientes). En este contexto, los estudios llevados a cabo se han centrado en buscar asociaciones entre tipos de compras y fenotipos de nivel agregado como son las estimaciones poblacionales de IMC por región.

- Análisis de hábitos de vida y comportamiento poblacional en materia de transporte. Para ello se puede contar con datos derivados de sensores OBD (o como se les conoce en español, dispositivos de diagnóstico de a bordo), cámaras de tráfico para la monitorización del flujo de transporte, o tarjetas inteligentes para el pago de transporte público (p. ej. Abono metro). La mayor parte de las aplicaciones desarrolladas en este ámbito han consistido en explorar los patrones de transporte y movilidad de las ciudades, y cómo estos se asocian con la obesidad (p. ej. estudio de la asociación entre áreas con mayor uso de transporte motorizado y prevalencia de obesidad, o estudio del impacto sobre el IMC de la introducción de sistemas públicos de movilidad basados en bicicletas de alquiler).

- Enfoques basados en localización geoespacial. Los datos geoespaciales pueden ser obtenidos a partir de plataformas como Google Maps u OpenStreetMap, y han mostrado una gran utilidad en el conteo (por zonas) de locales de comida rápida, zonas verdes o parques deportivos, y su posterior asociación con datos fenotípicos de nivel agregado.

- Análisis de datos derivados de redes sociales. La mayoría de los enfoques realizados en este ámbito atañen a análisis con datos de la red social Twitter (la cual cede como dominio público un 1 % de toda su información almacenada). En este caso, algunos de los estudios más reseñables han utilizado tweets geolocalizados para producir medidas geográficas de comportamientos de consumo en materia de hábitos de dieta.

- Finalmente, también son destacables diversos abordajes de análisis realizados sobre los datos almacenados en los ampliamente utilizados teléfonos móviles y tecnologías wereable. Los conjuntos de datos disponibles en estos dispositivos suelen ofrecer oportunidades excelentes para comprender los patrones de actividad física de grandes poblaciones y prueba de ello son algunos estudios realizados con aplicaciones de actividad física como es el caso del famoso juego Pokémon GO o la aplicación Loss it!. El principal potencial de estas plataformas reside en su masa crítica de usuarios (hasta millones), que las convierte en verdaderos estudios poblacionales de intervención.

Todos estos nuevos enfoques tienen en común la libre disposición y fácil accesibilidad de los set de datos utilizados (Open Data), e ilustran distintas maneras por las el Big Data puede completar y mejorar a las aproximaciones de Small Data realizadas hasta la fecha: en primer lugar, estos abordajes van más allá de las restricciones de alcance previamente comentadas (cobertura, tamaño y temporalidad); en segundo lugar, ofrecen medidas cuantitativas objetivas que mejoran la calidad de los small data (habitualmente auto-reportados por los propios sujetos en encuestas); en tercer lugar, favorecen llegar a grupos de individuos de difícil acceso (p. ej. minorías étnicas); y por último, presentan un gran potencial para evaluar intervenciones del mundo real. En los próximos años, por lo tanto, el futuro de la investigación en obesidad pasará por implementar estas herramientas y combinarlas con las aproximaciones convencionales ya disponibles (con especial interés de los estudios de investigación centrados en datos biológicos).

Como siempre, no es oro todo lo que reluce y junto con todas estas bondades, la implementación de Big Data en la lucha contra la obesidad conllevará la aparición de diversos desafíos: cuestiones éticas y legales sobre el acceso y la propiedad de los datos; sensibilidades e intereses comerciales; validez y representatividad de las muestras; así como la enorme complejidad de procesamiento y análisis (uso de las IA). Para afrontar estos y otros desafíos, será necesaria la aparición de nuevos perfiles profesionales así como la creación de equipos de trabajo con un alto carácter multidisciplinar.

[1] Foresight. Tackling obesities: future choices–Project report. Government Office for Science, 2007