El sedentarismo, el género y el nivel educativo influyen en la adherencia a las pautas de ejercicio, según un estudio de la Universidad de Mississippi. Utilizando aprendizaje automático y datos de más de 11.000 personas, la investigación identificó estos factores como determinantes para que los individuos cumplan con las recomendaciones de actividad física, como los 150 minutos semanales de ejercicio moderado.

El equipo investigador —integrado por Seungbak Lee, Ju-Pil Choe y Minsoo Kang— aplicó técnicas de machine learning para analizar datos de la Encuesta Nacional de Examen de Salud y Nutrición, correspondientes al período 2009-2018. Esta metodología les permitió realizar predicciones más precisas que los modelos estadísticos tradicionales, al no requerir patrones lineales en los datos.

Si bien variables como el índice de masa corporal (IMC) y la edad también fueron relevantes, sorprendió la influencia del nivel educativo, un factor externo que parece tener un impacto significativo en la capacidad de las personas para mantenerse activas. Choe, autor principal, subraya que este hallazgo podría ser clave para mejorar las estrategias de salud pública y personalizar programas de actividad física.

Los investigadores analizaron 11.638 registros, clasificados por variables demográficas, antropométricas y de estilo de vida. Utilizaron 18 modelos predictivos construidos con seis algoritmos de aprendizaje automático y evaluaron su desempeño mediante precisión, puntuación F1 y área bajo la curva (AUC). Este enfoque permitió identificar los factores más relevantes asociados al cumplimiento de las pautas de ejercicio.

El análisis incluyó además la técnica de “importancia de la característica de permutación” (PFI), que ayuda a determinar la influencia de cada variable dentro del modelo. A partir de este estudio, el comportamiento sedentario, la edad, el género y el nivel educativo surgieron como los principales predictores.

El equipo sostiene que estos hallazgos abren nuevas oportunidades para usar modelos basados en datos y machine learning en el diseño de programas de salud más efectivos. Comprender los factores que afectan la adherencia al ejercicio permitiría desarrollar intervenciones más ajustadas a las características individuales.

Choe también advierte que, si bien el estudio se basa en datos autoinformados, la incorporación de mediciones más objetivas —como las provenientes de dispositivos de seguimiento físico— podría mejorar la fiabilidad de los resultados y contribuir a crear planes de entrenamiento sostenibles en el tiempo.

De cara al futuro, los investigadores esperan seguir explorando nuevas variables, como el uso de suplementos dietéticos, y aplicar algoritmos adicionales para perfeccionar aún más la personalización de los programas de ejercicio.