Validación externa de una aplicación de antropometría digital para la estimación de perímetros y composición corporal en individuos físicamente activos: Proyecto CyberMetron – Fase 1
DOI:
https://doi.org/10.14306/renhyd.30.2.2577Palabras clave:
aprendizaje automático supervisado, aplicaciones móviles, procesamiento de imagen asistido por computador, imagen 3D, composición corporal, CineantropometríaResumen
Introducción: La adopción de buenas prácticas y estrategias nutricionales puede atribuirse a una mejor comprensión de los conocimientos y hábitos alimenticios, lo que favorece un buen rendimiento deportivo. El objetivo de este estudio fue evaluar los conocimientos nutricionales, los hábitos alimenticios y el cumplimiento de la dieta mediterránea entre los deportistas.
Metodología: Encuesta transversal a 70 deportistas adultos. Los datos se recopilaron mediante un cuestionario que evaluaba sus hábitos alimenticios, sus conocimientos nutricionales (Cuestionario abreviado de conocimientos sobre nutrición deportiva, A-NSKQ) y su adherencia a la dieta mediterránea (puntuación Medi-Lite). Los análisis estadísticos se realizaron con el software R (versión 3.0.3), con un nivel de significación establecido en p < 0,05.
Resultados: Los deportistas eran adultos jóvenes (18,9-27,8 años) con una media de 7,5 ± 2,8 años de práctica deportiva. La mayoría de los participantes (77,1 %) declararon consumir cuatro o más comidas al día. No se observaron diferencias entre sexos en el consumo de leche y derivados, cereales, legumbres o alimentos ricos en almidón, mientras que los hombres consumían en general otros grupos de alimentos con mayor frecuencia, excepto los productos dulces, que eran consumidos con mayor frecuencia por las mujeres (p < 0,001). El conocimiento nutricional general era bajo (46,5 %), con puntuaciones significativamente más altas en nutrición general que en nutrición deportiva (67,3 % frente a 36,9 %; p < 0,001). La adherencia a la dieta mediterránea fue moderada (puntuación media: 7,95), con puntuaciones más altas en los hombres que en las mujeres y un gran tamaño del efecto. No se observaron correlaciones significativas entre el tiempo dedicado al deporte y los conocimientos generales sobre nutrición (r = 0,04) o los conocimientos sobre nutrición deportiva (r = 0,03). Del mismo modo, la adherencia a la dieta mediterránea no se correlacionó significativamente con los conocimientos generales sobre nutrición (r = 0,0001), los conocimientos sobre nutrición deportiva (r = 0,0013) o los conocimientos totales sobre nutrición (r = 0,0011).
Conclusión: El presente estudio no encontró una correlación significativa entre los conocimientos nutricionales y la adherencia a la dieta mediterránea, ya que los atletas mostraron niveles bajos en ambos aspectos. Estos hallazgos subrayan la necesidad de intervenciones específicas de educación nutricional para mejorar los conocimientos y las prácticas alimentarias.
Descargas
Citas
(1) Moreira OC, Alonso-Aubin DA, de Oliveira CEP, Candia-Luján R, de Paz JA. Métodos de evaluación de la composición corporal: una revisión actualizada de descripción, aplicación, ventajas y desventajas. Archivos de Medicina del Deporte (AMD). 2015;32(6):387-94.
(2) Chaves LGCdM, Gonçalves TJM, Bitencourt AGV, Rstom RA, Pereira TR, Velludo SFJRB. Assessment of body composition by whole-body densitometry: what radiologists should know. Radiol Bras. 2022;55:305-11. https://doi.org/10.1590/0100-3984.2021.0155-en
(3) Messina C, Albano D, Gitto S, Tofanelli L, Bazzocchi A, Ulivieri FM, et al. Body composition with dual energy X-ray absorptiometry: from basics to new tools. Quant Imaging Med Surg. 2020;10(8):1687. https://doi.org/10.21037/qims.2020.03.02
(4) Abe T, Dankel SJ, Loenneke JP. Body Fat Loss Automatically Reduces Lean Mass by Changing the Fat-Free Component of Adipose Tissue. Obesity (Silver Spring). 2019;27(3):357-8. https://doi.org/10.1002/oby.22393
(5) Bonilla DA, De Leon LG, Alexander-Cortez P, Odriozola-Martinez A, Herrera-Amante CA, Vargas-Molina S, et al. Simple anthropometry-based calculations to monitor body composition in athletes: Scoping review and reference values. Nutr Health. 2022;28(1):95-109. https://doi.org/10.1177/02601060211002941
(6) Wang B, Bredella M, Ritchie S, Connell J, Fox C, Massaro J, et al., editors. Artificial intelligence in the evaluation of body composition. Seminars in Musculoskeletal Radiology; 2020: Thieme Medical Publishers 333 Seventh Avenue, New York, NY 10001, USA.
(7) Viana Bagni U, da Silva Ribeiro KD, Soares Bezerra D, Cavalcante de Barros D, de Magalhaes Fittipaldi AL, Pimenta da Silva Araujo RG, et al. Anthropometric assessment in ambulatory nutrition amid the COVID-19 pandemic: Possibilities for the remote and in-person care. Clin Nutr ESPEN. 2021;41:186-92. https://doi.org/10.1016/j.clnesp.2020.11.022
(8) So J, Youm S, Kim S. A Human Body Simulation Using Semantic Segmentation and Image-Based Reconstruction Techniques for Personalized Healthcare. Applied Sciences. 2024;14(16). https://doi.org/10.3390/app14167107
(9) Tinsley GM, Moore ML, Dellinger JR, Adamson BT, Benavides MLJEJoCN. Digital anthropometry via three-dimensional optical scanning: evaluation of four commercially available systems. Eur J Clin Nutr. 2020;74(7):1054-64. https://doi.org/10.1038/s41430-019-0526-6
(10) Kennedy S, Hwaung P, Kelly N, Liu YE, Sobhiyeh S, Heo M, et al. Optical imaging technology for body size and shape analysis: evaluation of a system designed for personal use. Eur J Clin Nutr. 2020;74(6):920-9. https://doi.org/10.1038/s41430-019-0526-6
(11) Smith B, McCarthy C, Dechenaud ME, Wong MC, Shepherd J, Heymsfield SB. Anthropometric evaluation of a 3D scanning mobile application. Obesity (Silver Spring). 2022;30(6):1181-8. https://doi.org/10.1002/oby.23434
(12) Mocini E, Cammarota C, Frigerio F, Muzzioli L, Piciocchi C, Lacalaprice D, et al. Digital Anthropometry: A Systematic Review on Precision, Reliability and Accuracy of Most Popular Existing Technologies. Nutrients. 2023;15(2):302. https://doi.org/10.3390/nu15020302
(13) Graybeal AJ, Brandner CF, Tinsley GMJCN. Visual body composition assessment methods: A 4-compartment model comparison of smartphone-based artificial intelligence for body composition estimation in healthy adults. Clin Nutr ESPEN. 2022;41(11):2464-72. https://doi.org/10.1016/j.clnu.2022.09.014
(14) Santhanam P, Nath T, Peng C, Bai H, Zhang H, Ahima RS, et al. Artificial intelligence and body composition. Diabetes Metab Syndr. 2023;17(3):102732. https://doi.org/10.1016/j.dsx.2023.102732
(15) (NCHS) NCfHS. National Health and Nutrition Examination Survey (NHANES): Anthropometry procedures manual. Examination protocol. Hyattsville, MD: Centers for Disease Control and Prevention (CDC); 2021.
(16) Esparza-Ros F, Vaquero-Cristóbal R, Marfell-Jones M. International standards for anthropometric assessment: International Society for the Advancement of Kinanthropometry (ISAK); 2019.
(17) Archer L, Snell KIE, Ensor J, Hudda MT, Collins GS, Riley RD. Minimum sample size for external validation of a clinical prediction model with a continuous outcome. Stat Med. 2021;40(1):133-46. https://doi.org/10.1002/sim.8766
(18) Lachat C, Hawwash D, Ocke MC, Berg C, Forsum E, Hornell A, et al. Strengthening the Reporting of Observational Studies in Epidemiology-Nutritional Epidemiology (STROBE-nut): An Extension of the STROBE Statement. PLoS Med. 2016;13(6):e1002036. https://doi.org/10.1371/journal.pmed.1002036
(19) Bonilla DA. Artificial Intelligence Applications in Digital Anthropometry. OBM Integrative and Complementary Medicine. 2022;07(04):1-4. https://doi.org/10.21926/obm.icm.2204056
(20) Lee PH, Macfarlane DJ, Lam TH, Stewart SMJIjobn, activity p. Validity of the international physical activity questionnaire short form (IPAQ-SF): A systematic review. Int J Behav Nutr Phys Act. 2011;8:1-11. https://doi.org/10.1186/1479-5868-8-115
(21) Youn S-y, Hwang J, Zhao L, Kim J-B. Privacy paradox in 3D body scanning technology: the effect of 3D virtual try-on experience in the relationship between privacy concerns and mobile app adoption intention. Humanities and Social Sciences Communications. 2023;10(1). https://doi.org/10.1057/s41599-023-01632-y
(22) Bedoya-Bedoya LF, Franco-Hoyos K, Agudelo-Martínez A, Bonilla DA. Dimensión fractal: potencial para la evaluación de la composición corporal. 2024. In: Antropometría Aplicada II [Internet]. Guadalajara, México: Editorial Universidad de Almería.
(23) Lewiecki EM, Binkley N, Morgan SL, Shuhart CR, Camargos BM, Carey JJ, et al. Best Practices for Dual-Energy X-ray Absorptiometry Measurement and Reporting: International Society for Clinical Densitometry Guidance. J Clin Densitom. 2016;19(2):127-40. https://doi.org/10.1016/j.jocd.2016.03.003
(24) Bonilla DA, Duque-Zuluaga LT, Munoz-Urrego LP, Franco-Hoyos K, Agudelo-Martinez A, Kammerer-Lopez M, et al. Development and Validation of a Novel Waist Girth-Based Equation to Estimate Fat Mass in Young Colombian Elite Athletes (F20(CA) Equation): A STROSA-Based Study. Nutrients. 2022;14(19). https://doi.org/10.3390/nu14194059
(25) Knofczynski GT, Mundfrom D. Sample Sizes When Using Multiple Linear Regression for Prediction. Educational and Psychological Measurement. 2007;68(3):431-42. https://doi.org/10.1177/0013164407310131
(26) Algina J, Keselman HJ, Penfield RD. An alternative to Cohen's standardized mean difference effect size: a robust parameter and confidence interval in the two independent groups case. Psychol Methods. 2005;10(3):317-28. https://doi.org/10.1037/1082-989X.10.3.317
(27) Restrepo-Botero DA, Rincon-Yepes CA, Franco-Hoyos K, Agudelo-Martinez A, Cardozo LA, Duque-Zuluaga LT, et al. Sum of Skinfold-Corrected Girths Correlates with Resting Energy Expenditure: Development of the NRG(CO) Equation. Nutrients. 2024;16(18). https://doi.org/10.3390/nu16183121
(28) Graybeal AJ, Brandner CF, Tinsley GM. Evaluation of automated anthropometrics produced by smartphone-based machine learning: a comparison with traditional anthropometric assessments. Br J Nutr. 2023;130(6):1077-87. https://doi.org/10.1017/S0007114523000090
(29) Ferreira TJ, Salvador IC, Pessanha CR, da Silva RR, Pereira AD, Horst MA, et al. Advances in the estimation of body fat percentage using an artificial intelligence 2D-photo method. NPJ Digit Med. 2025;8(1):43. https://doi.org/10.1038/s41746-024-01380-6
(30) Farina GL, Orlandi C, Lukaski H, Nescolarde LJS. Digital single-image smartphone assessment of total body fat and abdominal fat using machine learning. Sensors (Basel). 2022;22(21):8365. https://doi.org/10.3390/s22218365
(31) Bonilla DA, Stout JR, Gleeson M, Campbell BI, Escalante G, Rojas-Valverde D, et al. The 4Rs Framework of Sports Nutrition: An Update with Recommendations to Evaluate Allostatic Load in Athletes. Life (Basel). 2025;15(6). https://doi.org/10.3390/life15060867
(32) Nana A, Staynor J, Arlai S, El-Sallam A, Dhungel N, Smith MJOR, et al. Agreement of anthropometric and body composition measures predicted from 2D smartphone images and body impedance scales with criterion methods. Obes Res Clin Pract. 2022;16(1):37-43. https://doi.org/10.1016/j.orcp.2021.12.006
(33) Sobhiyeh S, Kennedy S, Dunkel A, Dechenaud ME, Weston JA, Shepherd J, et al. Digital anthropometry for body circumference measurements: Toward the development of universal three-dimensional optical system analysis software. Obes Sci Pract. 2021;7(1):35-44. https://doi.org/10.1002/osp4.467
Descargas
Archivos adicionales
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2020 Jenny V. Ortiz-Linares, Daniel E. Avendaño-Sánchez, Luis F. González-Vélez, Luis F. Bedoya-Bedoya, Juan C. Granados, Luis A. Cardozo, Carlos A. Castillo-Daza, Katherine Franco-Hoyos, Leidy T. Duque-Zuluaga, Jorge L. Petro, Diego A. Bonilla
Esta obra está bajo una licencia internacional Creative Commons Atribución-CompartirIgual 4.0.
Esta revista ha conseguido la validación para ser 