Generating a Model of Computational Correlation Between Lithiasis and Diet: Insights into Anthropometric Predictors and the Exploratory Role of AI

Abstract

Listen in: English (British) Español (España) Name: Loading voices… ▶ Listen to Abstract Pause Stop Speed: 0.75x1x 1.25x1.5x

Generación de un modelo de correlación computacional entre la litiasis y la dieta: perspectivas sobre predictores antropométricos y el papel exploratorio de la inteligencia artificial Autores: Mihaela Nikolic - University of Life Sciences "Ion Ionescu de la Brad" Iasi (RO) Roxana Lazăr - University of Life Sciences "Ion Ionescu de la Brad" Iasi (RO) Marius Ivănuță - Grigore T. Popa University of Medicine and Pharmacy Iasi; “Dr. C.I. Parhon” Clinical Hospital, Iasi (RO) Dorel Ureche - Vasile Alecsandri University of Bacau (RO) Mircea Nicușor Nicoară - Alexandru Ioan Cuza University of Iasi (RO) Ramona Alexandra Ciaușu - Alexandru Ioan Cuza University of Iasi (RO) Ancuța Andreea Miler - Grigore T. Popa University of Medicine and Pharmacy Iasi (RO) Paul Corneliu Boișteanu - University of Life Sciences „Ion Ionescu de la Brad" Iasi (RO) Resumen La relación entre la litiasis (enfermedad por cálculos renales) y los hábitos alimentarios ha sido ampliamente debatida, pero sigue sin estar completamente aclarada. Este estudio utilizó un marco computacional que combinó pruebas estadísticas con modelado exploratorio basado en inteligencia artificial para evaluar las contribuciones relativas de los parámetros dietéticos y antropométricos sobre la recurrencia de la litiasis y el tipo de cálculo. Se analizaron datos de 144 pacientes con cálculos renales documentados. Los algoritmos de inteligencia artificial no se utilizaron como herramientas predictivas debido al tamaño reducido y al desequilibrio del conjunto de datos; su finalidad fue identificar las variables más influyentes. Los métodos estadísticos clásicos no revelaron asociaciones significativas entre la recurrencia y factores dietéticos aislados, como el consumo de comida rápida o bebidas carbonatadas, aunque una mayor ingesta de agua mostró una tendencia protectora (p ≈ 0,09). Las características antropométricas, en particular el peso ideal, se asociaron significativamente tanto con la recurrencia (p ≈ 0,006) como con el tipo de cálculo (p corregida ≈ 0,046). Los modelos de aprendizaje automático —regresión logística multinomial, Random Forest y XGBoost— mostraron un rendimiento predictivo modesto (exactitud ≈ 55–63 %), y los análisis de importancia de variables señalaron el peso, el peso ideal y la ingesta de agua como predictores más relevantes que las variables dietéticas individuales. Los hallazgos sugieren que los parámetros antropométricos, más que los hábitos alimentarios aislados, presentan asociaciones más fuertes con el tipo de cálculo y la recurrencia, y que los modelos de inteligencia artificial ofrecen perspectivas prometedoras, aunque requieren conjuntos de datos más amplios y variables bioquímicas para alcanzar utilidad clínica.

The relationship between lithiasis (kidney stone disease) and dietary habits has been widely debated but remains incompletely clarified. This study used a computational framework that combined statistical testing with AI-based exploratory modelling to assess the relative contributions of dietary and anthropometric parameters on lithiasis recurrence and stone type. Data from 144 patients with documented kidney stones were analysed. AI algorithms were not intended as predictive tools due to the small and imbalanced dataset; they served to identify the most influential variables. Classical statistical methods revealed no significant associations between relapse and isolated dietary factors such as fast-food or carbonated drinks, though higher water intake showed a protective trend (p ≈ 0.09). Anthropometric features, particularly ideal weight, were significantly associated with both relapse (p ≈ 0.006) and stone type (corrected p ≈ 0.046). Machine learning models (multinomial logistic regression, Random Forest, and XGBoost) demonstrated modest predictive performance (accuracy ≈ 55–63%), with variable importance analyses highlighting weight, ideal weight, and water intake as stronger predictors than single dietary variables. The findings suggest that anthropometric parameters, rather than isolated dietary habits, show stronger associations with stone type and recurrence, and that AI models hold promise but require larger datasets and biochemical variables to achieve clinical utility.