Технологии машинного обучения при определении факторов, связанных с долей жира в организме вьетнамских подростков
Автор: Нгуен Т.Т.Х., Ле Т.Т., Нгуен Т.Т.Т., До Т.Н.Т., Дуонг Т.А.Д., Ле Т.Т.Д., Данг К.Т.
Журнал: Анализ риска здоровью @journal-fcrisk
Рубрика: Медико-биологические аспекты оценки воздействия факторов риска
Статья в выпуске: 1 (45), 2024 года.
Бесплатный доступ
С применением технологий машинного обучения для прогнозного анализа изучены факторы, влияющие на процент жира в организме вьетнамских подростков в возрасте от 11 до 15 лет. В исследовании приняли участие 1208 подростков (598 мальчиков и 610 девочек), обучающихся в девяти средних общеобразовательных школах столицы Вьетнама. Изучение состава тела осуществлялось при помощи прибора HBF 375 (Omron) методом биоимпедансного анализа. Опросник, примененный в исследовании, был первоначально утвержден Национальным институтом питания. Он включал в себя вопросы, связанные с пищевыми привычками, частотой приема пищи, уровнем физической активности, склонностью к сидячему образу жизни и знаниями о принципах правильного питания. В исследовании применялись технологии машинного обучения с использованием алгоритма дерева решений для определения основных детерминант, имеющих наиболее значимую корреляционную связь с долей жира в организме. Авторам исследования удалось установить шесть основных групп предикторов, связанных с долей жира в организме подростков с помощью модели дерева решений со значениями среднеквадратической ошибки и средней абсолютной ошибки, равными 4,8 и 3,8 соответственно. Среди данных предикторов факторами, оказывающими наибольшее влияние на долю жира в организме подростков, являются частота употребления фруктов, привычки, связанные с перекусом, способ передвижения по дороге в школу и обратно и экранное время (компьютер и / или смартфон). Комбинация данных факторов во взаимодействии с полом и стадией полового созревания могут определять долю жира в организме вьетнамских подростков. Данное исследование проливает определенный свет на комплексные и разнообразные факторы, влияющие на долю жира в организме вьетнамских подростков. Результаты подтверждают необходимость формирования приверженности здоровым пищевым привычкам и физическим упражнениям среди подростков, а также дают понимание важности данных вопросов для родителей и руководителей школ для разработки более эффективных стратегий деятельности образовательных организаций.
Машинное обучение, доля жира в организме, предсказуемость, факторы влияния, пищевые привычки, физическая активность, вьетнамские подростки, дерево решений
Короткий адрес: https://sciup.org/142240718
IDR: 142240718 | DOI: 10.21668/health.risk/2024.1.16
Список литературы Технологии машинного обучения при определении факторов, связанных с долей жира в организме вьетнамских подростков
- Performance of body mass index and percentage of body fat in predicting cardiometabolic risk factors in Thai adults / S. Vanavanan, P. Srisawasdi, M. Rochanawutanon, N. Kumproa, K. Kruthkul, M.H. Kroll // Diabetes Metab. Syndr. Obes. -2018. - Vol. 11. - P. 241-253. DOI: 10.2147/DMSO.S167294
- WHO Expert Consultation. Appropriate body-mass index for Asian populations and its implications for policy and intervention strategies // Lancet. - 2004. - Vol. 363, № 9403. - P. 157-163. DOI: 10.1016/S0140-6736(03)15268-3
- Mendez M.A., Popkin B.M. Globalization, urbanization and nutritional change in the developing world // Journal of Agricultural and Development Economics. - 2004. - Vol. 1, № 2. - P. 220-241.
- Associations between diet, physical activity and body fat distribution: a cross sectional study in an Indian population / L. Bowen, A.E. Taylor, R. Sullivan, S. Ebrahim, S. Kinra, K.V.R. Krishna, B. Kulkarni, Y. Ben-Shlomo [et al.] // BMC Public Health. - 2015. - Vol. 15. - P. 281. DOI: 10.1186/s12889-015-1550-7
- Indicator for success of obesity reduction programs in adolescents: body composition or body mass index? Evaluating a school-based health promotion project after 12 weeks of intervention / N. Kalantari, N.K. Mohammadi, S. Rafieifar, H. Eini-Zinab, A. Aminifard, H. Malmir, N. Ashoori, S. Abdi [et al.] // Int. J. Prev. Med. - 2017. - Vol. 8, № 73. - P. 128-132. DOI: 10.4103/ijpvm.IJPVM_306_16
- BFP and its correlation with dietary pattern, physical activity and life-style factors in school going children of Mum-bai, India / J. Madan, N. Gosavi, P. Vora, P. Kalra // Obes. Metab. Res. - 2014. - Vol. 1, № 1. - P. 14-19.
- Dewi R.C., Rimawati N., Purbodjati P. Body mass index, physical activity, and physical fitness of adolescence // J. Public Health Res. - 2021. - Vol. 10, № 2. - P. 2230. DOI: 10.4081/jphr.2021.2230
- Steele R.G., Van Allen J. The treatment of pediatric obesity: Bringing contexts and systems into focus // Children's Health Care. - 2011. - Vol. 40, № 3. - P. 171-178. DOI: 10.1080/02739615.2011.590384
- Briggs D. The roles of managers in addressing Sustainable Development Goals and addressing the burden of chronic disease // Asia Pacific Journal of Health Management. - 2018. - Vol. 13, № 2. - P. 1-3. DOI: 10.24083/apjhm.v13i2.17
- Alfaleh G., Huffman F.G., Li T., Vaccaro J.A. Child Obesity Prevention Intervention in Kuwaiti Summer Camps Targeting Health Behaviors in Nutrition, Physical Activity, and Screen Time // Journal of Health Science and Medical Research. -2021. - Vol. 39, № 2. - P. 85-99. DOI: 10.31584/jhsmr.2020765
- Does physical activity predict obesity - A machine learning and statistical method-based analysis / X. Cheng, S.-Y. Lin, J. Liu, S. Liu, J. Zhang, P. Nie, B.F. Fuemmeler, Y. Wang, H. Xue // Int. J. Environ. Res. Public Health. - 2021. -Vol. 18, № 8. - P. 3966. DOI: 10.3390/ijerph18083966
- A machine learning approach to short-term body weight prediction in a dietary intervention program / B. Oladapo, H. Taw-fik, A. Palczewska, A. Gorbenko, A. Arne, J.A. Martinez, J.-M. Oppert, T.I.A. S0rensen // Computational Science - ICCS 2020: 20th International Conference. - The Netherlands, Amsterdam, June 3-5, 2020. - P. 441-455. DOI: 10.1007/978-3-030-50423-6_33
- Association of machine learning-derived measures of body fat distribution with cardiometabolic diseases in > 40,000 individuals / S. Agrawal, M.D. Klarqvist, N. Diamant, T.L. Stanley, P.T. Ellinor, N.N. Mehta, A. Philippakis, K. Ng [et al.] // MedRxiv. - 2021. DOI: 10.1101/2021.05.07.21256854
- Scikit-learn: Machine learning in Python / F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel, M. Blondel, A. Muller [et al.] // Journal of Machine Learning Research. - 2011. - Vol. 12. - P. 2825-2830.
- Comparative study of regressor and classifier with decision tree using modern tools / J.S. Kushwah, A. Kumar, S. Patel, R. Soni, A. Gawande, S. Gupta // Materials Today Proceedings. - 2022. - Vol. 56, № 6. - P. 3571-3576. DOI: 10.1016/j.matpr.2021.11.635
- Assessment of body composition in health and disease using bioelectrical impedance analysis (BIA) and dual energy X-ray absorptiometry (DXA): a critical overview / M. Marra, R. Sammarco, A. De Lorenzo, F. Iellamo, M. Siervo, A. Pietrobelli, L.M. Donini, L. Santarpia [et al.] // Contrast Media Mol. Imaging. - 2019. - Vol. 2019. - P. 3548284. DOI: 10.1155/2019/3548284
- Performance of bioelectrical impedance analysis compared to dual X-ray absorptiometry (DXA) in Veterans with COPD / P.N. Cruz Rivera, R.L. Goldstein, M. Polak, A.A. Lazzari, M.L. Moy, E.S. Wan // Sci. Rep. - 2022. - Vol. 12, № 1. -P. 1946-1953. DOI: 10.1038/s41598-022-05887-4
- Comparison of body composition assessment by DXA and BIA according to the body mass index: A retrospective study on 3655 measures / N. Achamrah, G. Colange, J. Delay, A. Rimbert, V. Folope, A. Petit, S. Grigioni, P. Dechelotte, M. Coeffier // PLoS One. - 2018. - Vol. 13, № 7. - P. e0200465. DOI: 10.1371/journal.pone.0200465
- Comparison of two bioelectrical impedance analysis devices with dual energy X-ray absorptiometry and magnetic resonance imaging in the estimation of body composition / J.-G. Wang, Y. Zhang, H.-E. Chen, Y. Li, X.-G. Cheng, L. Xu, Z. Guo, X.-S. Zhao [et al.] // J. Strength Cond. Res. - 2013. - Vol. 27, № 1. - P. 236-243. DOI: 10.1519/JSC.0b013e31824f2040
- Risk factors for obesity among children aged 24 to 80 months in Korea: A decision tree analysis / I. Lee, K.-S. Bang, H. Moon, J. Kim // J. Pediatr. Nurs. - 2019. - Vol. 46. - P. e15-e23. DOI: 10.1016/j.pedn.2019.02.004
- A systematic literature review on obesity: Understanding the causes & consequences of obesity and reviewing various machine learning approaches used to predict obesity / M. Safaei, E.A. Sundararajan, M. Driss, W. Boulila, A. Shapi'i // Comput. Biol. Med. - 2021. - Vol. 136. - P. 104754-104780. DOI: 10.1016/j.compbiomed.2021.104754
- A review of machine learning in obesity / K. DeGregory, P. Kuiper, T. DeSilvio, J. Pleuss, R. Miller, J. Roginski, C.B. Fisher, D. Harness [et al.] // Obes. Rev. - 2018. - Vol. 19, № 5. - P. 668-685. DOI: 10.1111/obr.12667
- Comparison of overweight and obesity prevalence in school-aged youth from 34 countries and their relationships with physical activity and dietary patterns / I. Janssen, P.T. Katzmarzyk, W.F. Boyce, C. Vereecken, C. Mulvihill, C. Roberts, C. Currie, W. Pickett [et al.] // Obes. Rev. - 2005. - Vol. 6, № 2. - P. 123-132. DOI: 10.1111/j.1467-789X.2005.00176.x
- Association between fruit and vegetable intake and change in body mass index among a large sample of children and adolescents in the United States / A.E. Field, M.W. Gillman, B. Rosner, H.R. Rockett, G.A. Colditz // Int. J. Obes. Relat. Disord. - 2003. - Vol. 27, № 7. - P. 821-826. DOI: 10.1038/sj.ijo.0802297
- Association between frequency of consumption of fruit, vegetables, nuts and pulses and BMI: analyses of the International Study of Asthma and Allergies in Childhood (ISAAC) / C.R. Wall, A.W. Stewart, R.J. Hancox, R. Murphy, I. Braithwaite, R. Beasley, E.A. Mitchell, ISAAC Phase Three Study Group // Nutrients. - 2018. - Vol. 10, № 3. -P. 316-326. DOI: 10.3390/nu10030316
- Snacking behaviors, diet quality, and body mass index in a community sample of working adults / T.L. Barnes, S.A. French, L.J. Harnack, N.R. Mitchell, J. Wolfson // J. Acad. Nutr. Diet. - 2015. - Vol. 115, № 7. - P. 1117-1123. DOI: 10.1016/j.jand.2015.01.009
- Taillie L.S., Wang D., Popkin B.M. Snacking is longitudinally associated with declines in body mass index z scores for overweight children, but increases for underweight children // J. Nutr. - 2016. - Vol. 146, № 6. - P. 1268-1275. DOI: 10.3945/jn.115.226803
- Kwong C.K.Y., Fong B.Y. Promotion of appropriate use of electronic devices among Hong Kong adolescents // Asia Pacific Journal of Health Management. - 2019. - Vol. 14, № 1. - P. 36-41. DOI: 10.24083/apjhm.v14i1.199
- Are computer and cell phone use associated with body mass index and overweight? A population study among twin adolescents / H.-R. Lajunen, A. Keski-Rahkonen, L. Pulkkinen, R.J. Rose, A. Rissanen, J. Kaprio // BMC Public Health. -2007. - Vol. 7. - P. 24. DOI: 10.1186/1471-2458-7-24
- Screen time increases overweight and obesity risk among adolescents: a systematic review and dose-response meta-analysis / P. Haghjoo, G. Siri, E. Soleimani, M.A. Farhangi, S. Alesaeidi // BMC Prim. Care. - 2022. - Vol. 23, № 1. - P. 161. DOI: 10.1186/s12875-022-01761-4
- Masoumi H.E. Active Transport to School and Children's Body Weight: A Systematic Review // TeMA - Journal of Land Use, Mobility and Environment. - 2017. - Vol. 10, № 10. - P. 95-110. DOI: 10.6092/1970-9870/4088
