Jove
Visualize
Contáctanos

Video Experimental Relacionado

Updated: Jan 8, 2026

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
09:47

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches

Published on: December 15, 2023

1.7K

Predicción de obesidad utilizando un marco de aprendizaje profundo explicable basado en LSTM-LIME con visualización

Norah S Alsulami1,2, Muhammad Sher Ramzan3, Bander A Alzahrani3

  • 1Department of Information Systems, Faculty of Computer Science and Information Technology, King Abdulaziz University, Jeddah, Saudi Arabia. nalsulami0391@stu.kau.edu.sa.

Scientific reports
|December 21, 2025
PubMed
Resumen

Videos de Conceptos Relacionados

Obesity01:24

Obesity

1.1K
The Body Mass Index (BMI) is a numerical value derived from a person's weight and height, used to categorize individuals into weight ranges. It is calculated using the formula: weight in kilograms divided by height in meters squared. Obesity is a health condition characterized by excessive accumulation of adipose tissue that poses health risks, often diagnosed with a BMI ≥ 30. This excess fat storage occurs when surplus dietary calories are converted into triglycerides and stored in...
1.1K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

XMedFuse: An Explainable Multimodal Feature Fusion Framework for Healthcare Diagnostics.

IEEE journal of biomedical and health informatics·2026
Same author

Knowledge of hypoglycemia and awareness of diabetes complications among diabetic patients: A cross-sectional study.

Saudi medical journal·2025
Same author

Knowledge, attitude, and practice of breastfeeding among mothers attending King Abdulaziz University Hospital, Jeddah, Saudi Arabia.

Journal of family medicine and primary care·2025
Same author

Translation and validation of the Arabic version of the Chronic Illness Anticipated Stigma Scale in Saudi patients with multiple sclerosis.

Frontiers in psychiatry·2025
Same author

Novel graph-based machine-learning technique for viral infectious diseases: application to influenza and hepatitis diseases.

Annals of medicine·2024
Same author

Effect of Ramadan Fasting on Blood Glucose Level in Pregnant Women with Gestational and Type 2 Diabetes.

Diabetes, metabolic syndrome and obesity : targets and therapy·2023
Same journal

Turbulent flow in a vortex separator with a directed pipe inlet.

Scientific reports·2026
Same journal

Systematic characteristic evaluation of clay-based cementitious material derived from calcium carbide residue and waste tile powder.

Scientific reports·2026
Same journal

Retraction Note: Improvement of a rapid diagnostic application of monoclonal antibodies against avian influenza H7 subtype virus using Europium nanoparticles.

Scientific reports·2026
Same journal

Applying large language models to spam detection in the Kazakh low-resource language setting.

Scientific reports·2026
Same journal

An open-source 3D printing system enabling in-situ freeze-thaw processing of hydrogels.

Scientific reports·2026
Same journal

An enhanced EfficientNet framework for automated waste classification using cosine annealing and label smoothing.

Scientific reports·2026
Ver todos los artículos relacionados
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas
Este resumen es generado por máquina.

Este estudio desarrolló un modelo de aprendizaje profundo explicable para la predicción de la obesidad utilizando datos saudíes. El modelo Bidirectional Long Short-Term Memory (Bi-LSTM) logró una precisión del 96%, ofreciendo información interpretable sobre los factores de riesgo de la obesidad.

Área de la Ciencia:

  • Informática de la Salud
  • Inteligencia Artificial en Medicina
  • Salud Pública

Sus antecedentes:

  • La obesidad presenta un desafío significativo para la salud global, lo que requiere herramientas avanzadas de evaluación de riesgos.
  • Los modelos precisos e interpretables son cruciales para la detección temprana y la prevención efectivas de la obesidad.
  • Los modelos existentes a menudo carecen de especificidad cultural y transparencia en la identificación de factores.

Objetivo del estudio:

  • Introducir un marco novedoso de aprendizaje profundo explicable para la predicción multiclas de obesidad.
  • Desarrollar y evaluar modelos utilizando un conjunto de datos único específico de Arabia Saudita que integra diversos factores de salud.
  • Mejorar la transparencia en la evaluación del riesgo de obesidad a través de IA interpretable.
Palabras clave:
Aprendizaje ProfundoIA ExplicableInterfaz InteractivaVisualización LIMELSTMPredicción del Nivel de Obesidad

Videos de Experimentos Relacionados

Last Updated: Jan 8, 2026

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
09:47

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches

Published on: December 15, 2023

1.7K

Principales métodos:

  • Evaluación de seis modelos de aprendizaje profundo: LSTM, Bi-LSTM, RNN, DNN (MLP), TabNet y Autoencoder.
  • Se utilizó un conjunto de datos específico de Arabia Saudita que comprende datos antropométricos, de estilo de vida y dietéticos.
  • Se integraron Explicaciones Locales Interpretables Agnósticas al Modelo (LIME) con Bi-LSTM para la interpretabilidad.

Principales resultados:

  • El modelo Bidirectional LSTM (Bi-LSTM) demostró un rendimiento superior con un 96% de precisión, 0.96 de recall macro y 0.95 de F1-score macro.
  • Se utilizaron métricas de regresión (MAE, RMSE, R²) para la calibración del modelo y la evaluación de la clasificación errónea ordinal.
  • El marco desarrollado proporciona predicciones precisas y visualización transparente de los factores de riesgo de obesidad.

Conclusiones:

  • El modelo Bi-LSTM ofrece una solución altamente precisa e interpretable para la predicción multiclas de obesidad en la población saudí.
  • Esta investigación establece el primer conjunto de datos multiclas de obesidad saudí culturalmente específico para aplicaciones de salud impulsadas por IA.
  • La integración de IA explicable con datos específicos de la región avanza las estrategias de salud pública de precisión.