Jove
Visualize
Contáctanos
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

Videos de Conceptos Relacionados

Obesity01:24

Obesity

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 adipocytes...

También podría leer

Artículos Relacionados

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

Ordenar por
Same author

Methodological Approaches to Real-World Evidence Generation for Glucagon-like Peptide-1-Based Therapies: Synopsis of a National Institute of Diabetes and Digestive and Kidney Diseases Workshop.

Annals of internal medicine·2026
Same author

Glucagon-Like Peptide-1 Receptor Agonists and Cardiovascular Events in Adults With Obesity and Autoimmune Disease: A Target Trial Emulation.

Journal of the American Heart Association·2026
Same author

Association of GLP-1 Receptor Agonist Use With Safety Outcomes in Individuals With Opioid Use Disorder: A Target Trial Emulation.

Diabetes, obesity & metabolism·2026
Same author

Prepregnancy GLP-1RA Exposure and Risk of Hypertensive Disorders of Pregnancy Among Women With Obesity and Diabetes.

Obesity (Silver Spring, Md.)·2026
Same author

Social determinants of healthy aging: An investigation using the all of us cohort.

PloS one·2026
Same author

Develop and validate a computable phenotype for identifying alcohol-use disorder patients using structure and unstructured EHR data.

Alcohol and alcoholism (Oxford, Oxfordshire)·2026

Video Experimental Relacionado

Updated: Jun 16, 2026

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
04:09

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Published on: October 10, 2018

8.6K

Inferencia de patrones de dieta alta en grasas a partir de datos de registros médicos electrónicos utilizando

Ya-Yun Yeh1, Hsin-Yueh Lin1, Jingchuan Guo2,3

  • 1Department of Pharmaceutical Outcomes and Policy, University of Florida, College of Pharmacy, Gainesville, FL 32610, United States.

JAMIA open
|January 14, 2026
PubMed
Resumen

El aprendizaje automático puede identificar dietas altas en grasas a partir de registros médicos electrónicos, mejorando la investigación de enfermedades dietéticas. Este enfoque infiere patrones dietéticos a partir de variables disponibles, ofreciendo una herramienta escalable para la medicina de precisión.

Palabras clave:
fenotipado computableregistros médicos electrónicosdieta alta en grasasaprendizaje automático

Más Videos Relacionados

Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

9.9K
A Knowledge Graph Approach to Elucidate the Role of Organellar Pathways in Disease via Biomedical Reports
07:35

A Knowledge Graph Approach to Elucidate the Role of Organellar Pathways in Disease via Biomedical Reports

Published on: October 13, 2023

2.1K

Videos de Experimentos Relacionados

Last Updated: Jun 16, 2026

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
04:09

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Published on: October 10, 2018

8.6K
Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

9.9K
A Knowledge Graph Approach to Elucidate the Role of Organellar Pathways in Disease via Biomedical Reports
07:35

A Knowledge Graph Approach to Elucidate the Role of Organellar Pathways in Disease via Biomedical Reports

Published on: October 13, 2023

2.1K

Área de la Ciencia:

  • Epidemiología computacional
  • Informática biomédica
  • Ciencia de la nutrición

Sus antecedentes:

  • Los registros médicos electrónicos (EHR) carecen de información dietética detallada, lo que dificulta la investigación de enfermedades dietéticas.
  • El desarrollo de fenotipos computables para patrones dietéticos es crucial para aprovechar los datos de EHR.

Objetivo del estudio:

  • Desarrollar fenotipos computables de aprendizaje automático (ML) para identificar dietas altas en grasas (HFD) utilizando variables estándar de EHR.
  • Evaluar la validez epidemiológica y la relevancia clínica de los fenotipos dietéticos derivados de ML.

Principales métodos:

  • Se utilizaron datos de la Encuesta Nacional de Examen de Salud y Nutrición (NHANES) (1999-2020) con un recordatorio dietético de 24 horas como verdad fundamental.
  • Se entrenaron modelos de ML (Extreme Gradient Boosting, regresión logística, bosque aleatorio) utilizando variables compatibles con EHR.
  • Se evaluó el rendimiento del modelo utilizando la puntuación F1, el recall y la precisión; se evaluó la relevancia clínica comparando las asociaciones con el cáncer.

Principales resultados:

  • Los modelos de ML clasificaron eficazmente la HFD, y el modelo de bosque aleatorio logró una puntuación F1 de 0.79 con un punto de corte de 20.
  • Los predictores clave para HFD incluyeron raza/etnia, triglicéridos, métricas de obesidad y resultados del panel metabólico.
  • Los fenotipos derivados de ML reprodujeron relaciones conocidas entre dieta y enfermedad, demostrando validez epidemiológica.

Conclusiones:

  • Los patrones dietéticos se pueden inferir de las variables de EHR disponibles de forma rutinaria utilizando la fenotipificación basada en ML.
  • Este enfoque escalable permite la integración de información dietética en la investigación basada en EHR y la medicina de precisión.
  • Los predictores identificados se alinean con las vías biológicas que vinculan la dieta, la obesidad, el metabolismo y el riesgo de cáncer.