Modelo predictivo para la valoración de la fuerza de agarre ajustado a una población con diversas ocupaciones

La fuerza de agarre manual (HGS) es un indicador crucial para evaluar la fuerza muscular y la salud general de una persona. Su importancia radica en su aplicación en el diseño de herramientas y estaciones de trabajo para reducir los riesgos de lesiones laborales. A nivel internacional, existen estándares de fuerza de agarre, pero no son aplicables a la población colombiana debido a las variaciones causadas por factores como el país de origen, la etnia y la fuerza laboral. En Colombia, los estudios de dinamometría manual han sido limitados, con muestras pequeñas y sin considerar variables relevantes como la ocupación y las dimensiones de la mano. Por lo tanto, este estudio propone un modelo de predicción que considera 16 variables, incluyendo medidas de la mano dominante y variables demográficas, con el objetivo de estimar la fuerza de agarre de manera más precisa y contextualizada. El diseño del modelo predictivo sigue la metodología CRISP-DM (CRoss-Industry Standard Process for Data Mining) y se llevó a cabo en Python. Se aplicaron diversas etapas, incluyendo la comprensión de los datos, la preparación de los datos, el modelado y la evaluación. En la etapa de comprensión de los datos se realizó la recopilación y descripción de los datos, mientras que en la etapa de preparación se llevó a cabo el análisis básico de los datos, la selección, limpieza y formato de estos. En la etapa de modelado se exploraron diferentes modelos de predicción descritos en la literatura, y se seleccionaron tres modelos: Regresión Lineal de los Mínimos Cuadrados, Regresión de Vectores de Soporte y Red Neuronal. Estos modelos se implementaron con tres combinaciones de variables de entrada: el primer modelo incluyó todas las variables, el segundo modelo incluyó únicamente variables antropométricas, y el tercer modelo incluyó las variables con mayor peso de los modelos anteriores. En términos de precisión, el modelo de Regresión de Vectores de Soporte con la combinación de variables del modelo 3 demostró ser el más adecuado. Este modelo logró un RMSE de 6,91 para la fuerza de agarre en la mano dominante y un RMSE de 6,88 para la fuerza de agarre en la mano no dominante, considerando un conjunto de 7 variables predictoras: sexo, población laboral, longitud máxima de la mano, ancho máximo de la mano, espesor de la mano, circunferencia máxima de la mano y antigüedad en la ocupación. Estas medidas de evaluación proporcionan una idea clara de la precisión y el rendimiento de los modelos, y destacan el modelo de Regresión de Vectores de Soporte como el más efectivo para estimar la fuerza de agarre en ambas manos. Para validar los resultados teóricos del modelo, se llevó a cabo una medición de la fuerza de agarre en una muestra de 60 jóvenes estudiantes universitarios de la Pontificia Universidad Javeriana, con edades comprendidas entre los 18 y 25 años. El objetivo de esta evaluación fue obtener un modelo predictivo confiable. A partir de estos resultados, se puede concluir que el modelo desarrollado es útil y muestra una buena precisión para determinar la fuerza de agarre de un individuo. Se obtuvo un RMSE de 7,07 para la fuerza de agarre en la mano dominante y un RMSE de 6,26 para la fuerza de agarre en la mano no dominante. Estos valores indican que el modelo es capaz de predecir con precisión la fuerza de agarre en ambas manos, respaldando su confiabilidad y efectividad en la estimación de esta capacidad física.

• Autores: Martinez Alvarez, Nardi Vanesa; Morales Herrera, Maria Alejandra
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2023
• Institución: Pontificia Universidad Javeriana
• Repositorio: Repositorio Universidad Javeriana
• Idioma: spa
• OAI Identifier: oai:repository.javeriana.edu.co:10554/64797
• Acceso en línea: http://hdl.handle.net/10554/64797
• Palabra clave: Manual grip strength; Predictive models; Crisp-DM; Linear regression; Neural network; Support vector regression; Fuerza de agarre; Modelos predictivos; Proceso Estándar Inter-Indsutrias para Minería de Datos; Regresión lineal; Redes neuronales; Regresión de vectores de soporte; Ingeniería industrial - Tesis y disertaciones académicas; *
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 4.0 Internacional