Modelo híbrido explicable de aprendizaje automático para predecir la desnutrición crónica y identificar factores de riesgo clave entre niños etíopes menores de cinco años

Por qué importa predecir el crecimiento infantil

En países de bajos ingresos, muchos niños no alcanzan la talla ni la fortaleza que deberían debido a la falta prolongada de alimentos adecuados, enfermedades y condiciones de vida deficientes. Esta condición, denominada desnutrición crónica (stunting), perjudica el aprendizaje, la salud y los ingresos futuros. En Etiopía, más de uno de cada tres niños menores de cinco años está afectado. El estudio resumido aquí explora cómo un nuevo tipo de programa informático puede ayudar a los trabajadores de salud a detectar qué niños tienen mayor riesgo, usando información que ya recopilan las encuestas, a la vez que explica cómo y por qué el programa llega a sus conclusiones.

Ver la desnutrición crónica como algo más que un número

Los investigadores partieron de los datos de la Encuesta Demográfica y de Salud de Etiopía 2019, que incluye detalles de miles de niños menores de cinco años y sus familias. Para cada niño, la encuesta registra la estatura y la edad para que el nivel de desnutrición pueda agruparse en tres categorías: crecimiento normal, desnutrición crónica moderada o desnutrición crónica severa. Debido a que muchos menos niños entran en el grupo severo que en el grupo normal, el equipo reequilibró cuidadosamente los datos para que la computadora aprendiera a reconocer las tres categorías de forma justa, en lugar de sesgarse hacia la más común. Luego limpiaron, transformaron y verificaron la información para asegurarse de que fuera adecuada para el análisis.

Combinando dos herramientas inteligentes en una

En lugar de confiar en un único tipo de modelo de aprendizaje automático, los autores crearon un sistema híbrido que combina dos enfoques potentes. Una parte, llamada Extra Trees, construye muchos árboles de decisión que son excelentes para encontrar patrones en datos mixtos, como región, tamaño de la familia e historial de nacimientos. La otra parte, denominada perceptrón multicapa, es una red neuronal profunda sencilla que puede capturar relaciones más sutiles una vez que los datos han sido transformados. En su diseño, el modelo basado en árboles procesa primero los datos y transmite señales enriquecidas a la red neuronal, que luego produce la predicción final de si un niño tiene crecimiento normal, desnutrición moderada o desnutrición severa.

Precisión con cautela

El modelo híbrido fue entrenado con más de once mil registros de niños y probado en un conjunto separado. Logró alrededor del 94% en precisión, precisión positiva, recall y puntuación F1, y mostró un buen rendimiento en validación cruzada, lo que sugiere que sus predicciones son estables y no un azar de una sola muestra. Una matriz de confusión detallada reveló que el modelo es especialmente bueno distinguiendo a los niños claramente normales de los claramente severamente desnutridos, mientras que la mayoría de los errores ocurren en los límites entre desnutrición moderada y severa. Los autores subrayan que la encuesta ofrece solo una instantánea en el tiempo, por lo que el modelo identifica asociaciones sólidas más que demostrar que un factor concreto causa directamente la desnutrición crónica.

Abrir la caja negra

La alta precisión por sí sola no basta para decisiones de salud pública, porque los responsables de políticas y los clínicos necesitan entender por qué un sistema señala que un niño está en riesgo. Para abordar esto, el estudio utiliza herramientas de inteligencia artificial explicable, en particular un método llamado LIME, que descompone cada predicción en contribuciones de factores individuales. Al examinar la importancia de las características y las explicaciones locales, los investigadores encontraron que la edad del niño, la región de residencia, el intervalo entre nacimientos y el número de niños menores de cinco en el hogar fueron los predictores más influyentes. Otras señales útiles incluyeron la educación materna, la riqueza del hogar y el acceso a agua potable, en consonancia con estudios anteriores sobre nutrición.

De la predicción a la acción práctica

Para un lector general, el mensaje principal es que el uso cuidadoso de la inteligencia artificial puede ayudar a los trabajadores de salud a pasar de simplemente contar cuántos niños están desnutridos a identificar qué niños y comunidades necesitan ayuda con mayor urgencia. El modelo híbrido no nos dice las causas últimas de la desnutrición crónica, pero ofrece una forma fiable y transparente de detectar niños con mayor riesgo estadístico basada en preguntas de encuesta fácilmente disponibles. Usado junto con el juicio clínico, podría orientar programas focalizados en nutrición, agua limpia y planificación familiar, ayudando a Etiopía y a países similares a enfocar recursos limitados donde más pueden proteger el crecimiento y el potencial infantil.

Cita: Wudu, T.K., Endalew, A.A. & Dires, A.A. Explainable hybrid machine learning model for predicting stunting and identifying key risk factors among Ethiopian children under five. Sci Rep 16, 16204 (2026). https://doi.org/10.1038/s41598-026-46417-w

Palabras clave: desnutrición infantil, Etiopía, aprendizaje automático, IA explicable, nutrición infantil