Segmentación de estudiantes universitarios según el nivel socioeconómico, ingesta calórica y composición corporal utilizando el algoritmo K-means

Autores/as

  • Katherine Denisse Suarez Gonzalez Universidad Estatal de Milagro (UNEMI), Facultad de Salud y Servicios Sociales. Ciudadela Universitaria “Dr. Rómulo Minchala Murillo” Km 1.5 vía Milagro – Virgen de Fátima. 091706. Milagro – Guayas - Ecuador https://orcid.org/0009-0008-9220-9544
  • Nibia Noemí Novillo Luzuriaga Universidad Estatal de Milagro (UNEMI), Facultad de Salud y Servicios Sociales. Ciudadela Universitaria “Dr. Rómulo Minchala Murillo” Km 1.5 vía Milagro – Virgen de Fátima. 091706. Milagro – Guayas - Ecuador https://orcid.org/0000-0001-8919-5040
  • Vanessa Paulina Vargas Olalla Universidad Estatal de Milagro (UNEMI), Facultad de Salud y Servicios Sociales. Ciudadela Universitaria “Dr. Rómulo Minchala Murillo” Km 1.5 vía Milagro – Virgen de Fátima. 091706. Milagro – Guayas - Ecuador https://orcid.org/0000-0002-2116-2004
  • Erik Steven Suarez Gonzalez Universidad Estatal de Milagro (UNEMI), Facultad de Salud y Servicios Sociales. Ciudadela Universitaria “Dr. Rómulo Minchala Murillo” Km 1.5 vía Milagro – Virgen de Fátima. 091706. Milagro – Guayas - Ecuador https://orcid.org/0009-0005-0232-7386

DOI:

https://doi.org/10.55204/trc.v4i2.e433

Palabras clave:

Análisis cluster, Conducta alimentaria, Obesidad, Estudio nutricional, Estrategias preventivas

Resumen

El aumento de problemas de salud como la obesidad y las afecciones metabólicas ha reforzado la necesidad de entender cómo el nivel socioeconómico impacta la nutrición, especialmente entre jóvenes adultos. Este estudio utilizó el algoritmo K-means para segmentar a jóvenes adultos universitarios basándose en su NSE, ingesta calórica y valores de índice de masa corporal (IMC). Se recopilaron datos de 150 estudiantes universitarios utilizando cuestionarios validados que permitieron mediar la cantidad de calorías consumidas y la proporción de macronutrientes. El análisis se llevó a cabo a niveles univariado, bivariado y multivariado mediante el algoritmo K-means, identificando tres clústeres dentro del grupo de estudio, se utilizó Python en la plataforma Google Colab para procesar la información. Los resultados identificaron tres clústeres: uno con una ingesta calórica ligeramente superior a lo recomendado, pero con un IMC normal, sugiriendo una mejor calidad de dieta o mayor actividad física; otro con un consumo calórico inferior al recomendado y un IMC que indicaba sobrepeso, posiblemente debido a una dieta de baja calidad; y un tercer clúster con altos niveles de consumo energético, incluyendo potencialmente a deportistas de alto rendimiento. La variabilidad dietética subraya la importancia de personalizar estrategias nutricionales para mejorar la salud y bienestar.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Afonso, Cláudia, Ana Rita Sousa-Santos, Alejandro Santos, Nuno Borges, Patrícia Padrão, Pedro Moreira, y Teresa F. Amaral. 2021. «Frailty status is related to general and abdominal obesity in older adults». Nutrition Research 85:21-30.

Al-Awwad, Narmeen Jamal, Hiba Fathi Al-Sayyed, Zeinah Abu Zeinah, y Reema Fayez Tayyem. 2021. «Dietary and lifestyle habits among university students at different academic years». Clinical Nutrition ESPEN 44:236-42.

Baptista, Leonardo. 2021. «Using Python and Google Colab to Teach Physical Chemistry During Pandemic».

Bekbolatova, Molly, Jonathan Mayer, Chi Wei Ong, y Milan Toma. 2024. «Transformative potential of AI in Healthcare: definitions, applications, and navigating the ethical Landscape and Public perspectives». P. 125 en Healthcare. Vol. 12. MDPI.

Ikotun, Abiodun M., Absalom E. Ezugwu, Laith Abualigah, Belal Abuhaija, y Jia Heming. 2023. «K-means clustering algorithms: A comprehensive review, variants analysis, and advances in the era of big data». Information Sciences 622:178-210.

Jones, Petra J., Matthew K. James, Melanie J. Davies, Kamlesh Khunti, Mike Catt, Tom Yates, Alex V. Rowlands, y Evgeny M. Mirkes. 2020. «FilterK: A new outlier detection method for k-means clustering of physical activity». Journal of biomedical informatics 104:103397.

Kirk, Daniel, Esther Kok, Michele Tufano, Bedir Tekinerdogan, Edith JM Feskens, y Guido Camps. 2022. «Machine learning in nutrition research». Advances in Nutrition 13(6):2573-89.

Kwon, Yu-Jin, Hyoung Sik Kim, Dong-Hyuk Jung, y Jong-Koo Kim. 2020. «Cluster analysis of nutritional factors associated with low muscle mass index in middle-aged and older adults». Clinical Nutrition 39(11):3369-76.

Moyer, Cheryl A., Sarah D. Compton, Elizabeth Kaselitz, y Maria Muzik. 2020. «Pregnancy-Related Anxiety during COVID-19: A Nationwide Survey of 2740 Pregnant Women». Archives of Women’s Mental Health 23(6):757-65. doi: 10.1007/s00737-020-01073-5.

Mukoma, Gudani, Stephanie V. Wrottesley, Juliana Kagura, Tolu Oni, Lisa Micklesfield, y Shane A. Norris. 2023. «The Relationships between Socioeconomic Status, Dietary Knowledge and Patterns, and Physical Activity with Adiposity in Urban South African Women». South African Journal of Clinical Nutrition 36(2):56-62. doi: 10.1080/16070658.2022.2076374.

Okeyo, Alice P., Eunice Seekoe, Anniza de Villiers, Mieke Faber, Johanna H. Nel, y Nelia P. Steyn. 2020. «The food and nutrition environment at secondary schools in the Eastern Cape, South Africa as reported by learners». International journal of environmental research and public health 17(11):4038.

O’Sullivan, Therese A., Kelsey A. Schmidt, y Mario Kratz. 2020. «Whole-fat or reduced-fat dairy product intake, adiposity, and cardiometabolic health in children: a systematic review». Advances in Nutrition 11(4):928-50.

Pobee, Frederick. 2022. «Non-Probabilistic Approach to e-Banking Adoption: The Moderating Impact of Trialability». Management and Labour Studies 47(2):183-98. doi: 10.1177/0258042X211054248.

Posma, Joram M., Isabel Garcia-Perez, Gary Frost, Ghadeer S. Aljuraiban, Queenie Chan, Linda Van Horn, Martha Daviglus, Jeremiah Stamler, Elaine Holmes, y Paul Elliott. 2020. «Nutriome–metabolome relationships provide insights into dietary intake and metabolism». Nature food 1(7):426-36.

Qasrawi, Radwan, y Diala Abu Al-Halawa. 2022. «Cluster analysis and classification model of nutritional anemia associated risk factors among Palestinian schoolchildren, 2014». Frontiers in Nutrition 9:838937.

Ru, Yuan, Ninglin Wang, Yan Min, Xuemiao Wang, Valerie McGurie, Meng Duan, Xiaochen Xu, Xueyin Zhao, Yi-Hsuan Wu, y Ying Lu. 2021. «Characterization of dietary patterns and assessment of their relationships with metabolomic profiles: A community-based study». Clinical Nutrition 40(5):3531-41.

San-Cristobal, Rodrigo, Santiago Navas-Carretero, Miguel Ángel Martínez-González, José María Ordovas, y José Alfredo Martínez. 2020. «Contribution of macronutrients to obesity: implications for precision nutrition». Nature Reviews Endocrinology 16(6):305-20.

Telleria-Aramburu, Nerea, y Marta Arroyo-Izaga. 2022. «Risk factors of overweight/obesity-related lifestyles in university students: Results from the EHU12/24 study». British Journal of Nutrition 127(6):914-26.

Vos, Marjolijn, Benedicte Deforche, Anneleen Van Kerckhove, Nathalie Michels, Maartje Poelman, Maggie Geuens, y Wendy Van Lippevelde. 2022. «Determinants of healthy and sustainable food choices in parents with a higher and lower socioeconomic status: A qualitative study». Appetite 178:106180.

Wan, Yi, Deirdre K. Tobias, Kristine K. Dennis, Marta Guasch-Ferré, Qi Sun, Eric B. Rimm, Frank B. Hu, David S. Ludwig, Orrin Devinsky, y Walter C. Willett. 2023. «Association between changes in carbohydrate intake and long term weight changes: prospective cohort study». bmj 382.

Washington, Simon, Matthew G. Karlaftis, Fred Mannering, y Panagiotis Anastasopoulos. 2020. Statistical and econometric methods for transportation data analysis. Chapman and Hall/CRC.

Wells, Kimberley, Nikki Jeacocke, Renee Appaneal, Hilary Smith, N. Vlahovich, L. Burke, y D. Hughes. 2023. «DISORDERED EATING IN HIGH PERFORMANCE SPORT POSITION STATEMENT».

Westphalen Palma, Shelly, Greisse Viero da Silva Leal, Ângelo José Gonçalves Bós, y Loiva Beatriz Dallepiane. 2021. «Factors associated with eating behavior of young-old and oldest-old people from Southern Brazil.» Saúde e Pesquisa 14.

Yki-Järvinen, Hannele, Panu K. Luukkonen, Leanne Hodson, y J. Bernadette Moore. 2021. «Dietary carbohydrates and fats in nonalcoholic fatty liver disease». Nature reviews Gastroenterology & hepatology 18(11):770-86.

Zaccagni, Luciana, Natascia Rinaldo, Barbara Bramanti, Jessica Mongillo, y Emanuela Gualdi-Russo. 2020. «Body Image Perception and Body Composition: Assessment of Perception Inconsistency by a New Index». Journal of Translational Medicine 18(1):20. doi: 10.1186/s12967-019-02201-1.

Descargas

Publicado

2024-11-14

Cómo citar

Suarez Gonzalez, K. D., Novillo Luzuriaga, N. N., Vargas Olalla, V. P., & Suarez Gonzalez, E. S. (2024). Segmentación de estudiantes universitarios según el nivel socioeconómico, ingesta calórica y composición corporal utilizando el algoritmo K-means. Tesla Revista Científica, 4(2), e433. https://doi.org/10.55204/trc.v4i2.e433

Número

Sección

Ciencias de la Salud