La investigación, desarrollada por el Instituto de Big Data de la Universidad de Oxford, relaciona, por ejemplo, el tiempo que permanecemos sentados, durmiendo o en movimiento con nuestros genes, en uno de los trabajos más completos en esta área.
Los expertos programaron una “máquina de aprendizaje automático” para diferenciar vidas sedentarias y activas (y varios niveles intermedios) en 200 voluntarios que llevaron durante dos días una cámara y una pulsera que monitorizó su actividad cada 20 segundos.
Después, compararon esa información con la de 91.105 individuos registrados en la base de datos Biobank UK que llevaron ese mismo tipo de pulsera durante una semana en periodos anteriores.
“Cómo y por qué nos movemos no depende solo de los genes, pero comprender el papel que desempeñan nos ayudará a mejorar nuestros conocimientos sobre las causas y consecuencias de la actividad física”, explicó en un comunicado el director de este proyecto, Aiden Doherty.
Solo a través del estudio de grandes cantidades de datos, destacó, se podrán descifrar “los complejos fundamentos genéticos” de algunas de las funciones más elementales, como el movimiento, el descanso o el sueño”.
Además de detectar 14 regiones genéticas relacionadas, siete de ellas nuevas, los científicos observaron por primera vez, gracias a los macrodatos, que “el aumento de la actividad física reduce espontáneamente la presión arterial”.
Asimismo, el análisis genético desveló la existencia de una “superposición” entre enfermedades neurodegenerativas, la salud mental y la estructura cerebral, lo que demuestra el importante papel que tiene el sistema nervioso central en la actividad física y el sueño.
La inactividad física, según los expertos, es una amenaza para la salud pública global, con un amplio espectro de enfermedades asociadas al sedentarismo, como la obesidad, la diabetes o los problemas cardiovasculares.
También las alteraciones en el sueño están relacionadas con enfermedades cardíacas y metabólicas y con desórdenes psiquiátricos. Los expertos del estudio destacaron que el uso de la “máquina de aprendizaje automático” para analizar grandes cantidades de datos de salud está avanzando rápidamente y que condiciona el tipo de estudios que pueden desarrollar.
“Hemos diseñado modelos de aprendizaje automático para enseñar a las máquinas cómo analizar funciones complejas, como la actividad”, explicó Karl Smith-Byrne, uno de los participantes en este trabajo.
“Podrían ayudarnos, por ejemplo, a determinar si la inactividad es una causa o una consecuencia de la obesidad”, agregó Michael Holmes, de la Fundación Británica del Corazón de la Universidad de Oxford.