https://doi.org/10.37527/2023.73.S1
1Precision Nutrition and Cardiometabolic Health, IMDEA-Food Institute (Madrid Institute for Advanced Studies), Campus of International Excellence (CEI) UAM+CSIC, Madrid, Spain, Madrid, España.
Introducción y objetivo: Las investigaciones epidemiológicas asociando la alimentación con el bienestar y la calidad de vida, son de gran valor para implementar estrategias sanitarias. Así, datos de salud obtenidos online representan una novedosa alternativa en salud pública, donde la nutrimetría, a través de nutríndices cuantitativos o nutritipos cualitativos permite caracterizar objetivamente a los individuos para intervenciones de precisión. El estudio NUTRiMDEA tiene como objetivo desarrollar instrumentos para evaluar el bienestar metabólico-nutricional e identificar posibles nutritipos por medios online con fines epidemiológicos. Métodos: Un total de 17.332 participantes (≥18 años) contestaron a una encuesta online. El cuestionario recolectó datos socioeconómicos, antropométricos, de salud cardiometabólica, estilo de vida y percepción de calidad de vida relacionada con la salud. Tras un análisis factorial exploratorio para reducir el número de variables, se consiguió seleccionar 18 factores (eigenvalue >1) que explicaron alrededor del 70% del modelo. Posteriormente, se realizó un análisis de clúster de estos factores siguiendo criterios de machine-learning. Resultados: El modelo estadístico permitió definir 5 conglomerados o clústeres diferenciados. El clúster 1 (“Saludables”, n=10.178) se caracterizó por población de adultos sanos. El clúster 2 constituido por una población de mayor edad (47% >55 años) con peores hábitos de estilo de vida, peor salud y calidad de vida (“Pro-mórbidos”, n=266). El clúster 3 (“Adultos-Jóvenes Mediterráneos”, n=2114) se caracterizó por población joven adulta, sana y con un estilo de vida saludable. El clúster 4 (“Millenial Occidentalizado”, n=1073) contempló jóvenes sanos con peores hábitos de estilo de vida. El clúster 5 (“Premórbidos”, n=608) se compuso por adultos mayoritariamente sanos con un estado de ánimo deteriorado. Conclusiones: Estrategias apoyadas en análisis machine-learning permiten la asignación de nutritipos (clusterización de la población), lo que posibilita una actuación personalizada, con utilidad para caracterizar y realizar intervenciones nutricionales de precisión a través de métodos online.
Palabras clave: nutrición de precisión, nutritipos, online, salud cardiometabólica, machine learning.