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

Conservation of Small Populations02:04

Conservation of Small Populations

Small population sizes put a species at extreme risk of extinction due to a lack of variation, and a consequent decrease in adaptability. This weakens the chances of survival under pressures such as climate change, competition from other species, or new diseases. Large populations are more likely to survive pressures such as these, as such populations are more likely to harbor individuals that have genetic variants that are adaptive under new stresses. Small populations are much less likely to...
Wald-Wolfowitz Runs Test I01:17

Wald-Wolfowitz Runs Test I

The Wald-Wolfowitz test, also known as the runs test, is a nonparametric statistical test used to assess the randomness of a sequence of two different types of elements (e.g., positive/negative values, successes/failures). It examines whether the order of the elements in a sequence is random or if there is a pattern or trend present. This nonparametric test applies to any ordered data despite the population and sample data distribution, even if a higher sample size is available.
The test works...
Wald-Wolfowitz Runs Test II01:17

Wald-Wolfowitz Runs Test II

The Wald-Wolfowitz runs test, commonly referred to as the runs test, is a nonparametric test used to assess the randomness of ordered data. The test evaluates the number of runs, which are consecutive sequences of similar elements within the data. If the number of runs is significantly higher or lower than expected, the data is considered non-random, indicating a detectable pattern or structure.
For binary data, runs are identified using symbols such as + and −, or equivalently, 1s and 0s. In...

También podría leer

Artículos Relacionados

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

Ordenar por
Same author

The JAK-STAT pathway in allergic diseases: from pathogenesis to targeted therapy.

Biomarker research·2026
Same author

Programmed Cell Death in Chronic Rhinosinusitis.

Clinical and translational allergy·2026
Same author

Pressure-Induced Controllable Multicolor Emission in Ethyl 7-hydroxy-2-oxo-2H-chromene-3-carboxylate.

Chemphyschem : a European journal of chemical physics and physical chemistry·2026
Same author

Molecular Mechanisms of Juvenile Nasopharyngeal Angiofibroma: A Narrative Review.

Current oncology (Toronto, Ont.)·2026
Same author

Spatial-frequency domain aggregation upsampling for pan-sharpening.

Neural networks : the official journal of the International Neural Network Society·2025
Same author

Inhibition of Bovine Enterovirus Infection by Magnolol via Modulating the Gut Microbiota in Mice.

Viruses·2025

Video Experimental Relacionado

Updated: Jul 9, 2026

A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
12:18

A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment

Published on: January 11, 2020

Investigación sobre la predicción de la salud infantil basada en el modelo de Bosque Aleatorio con el algoritmo

Huan Xu1, Junying Hu2

  • 1Department of Public Teaching, Hefei Preschool Education College, Hefei, China.

Medicine
|February 3, 2026
PubMed
Resumen

Un nuevo modelo híbrido (IGWO-RF) mejora la precisión de la predicción de la salud pediátrica al 92,1% optimizando los hiperparámetros de Random Forest. Los determinantes clave de la salud incluyen el IMC, el ejercicio y la exposición a PM2,5, lo que ofrece potencial para la estratificación temprana del riesgo.

Palabras clave:
Optimización de lobos grisesBosque aleatoriopredicción de la salud infantilanalítica sanitariaaprendizaje automático

Videos de Experimentos Relacionados

Last Updated: Jul 9, 2026

A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
12:18

A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment

Published on: January 11, 2020

Área de la Ciencia:

  • Salud Pediátrica; Salud Computacional; Inteligencia Artificial en Medicina

Sus antecedentes:

  • La salud infantil es vital para la evaluación de la salud pública, pero se enfrenta a desafíos por los cambios en el estilo de vida y los factores ambientales, lo que provoca un aumento de la obesidad, las alergias y los problemas respiratorios.
  • Las evaluaciones de salud tradicionales sufren de retraso en los datos y subjetividad, lo que requiere modelos predictivos avanzados.
  • La complejidad de la salud pediátrica exige enfoques innovadores para una evaluación de riesgos precisa y oportuna.

Objetivo del estudio:

  • Introducir un nuevo modelo híbrido, Improved Grey Wolf Optimization-Random Forest (IGWO-RF), para mejorar la predicción de la salud pediátrica.
  • Mejorar la precisión y la interpretabilidad de los modelos de predicción de la salud utilizando datos de exámenes físicos de niños.
  • Identificar los determinantes clave de la salud infantil a través de técnicas avanzadas de IA explicable.

Principales métodos:

  • Se desarrolló un modelo de Bosque Aleatorio (RF) utilizando datos de exámenes físicos de niños.
  • El algoritmo Grey Wolf Optimization (GWO) se mejoró con estrategias de peso dinámico y mecanismos de retención de élite (IGWO) para optimizar los hiperparámetros de RF.
  • Se emplearon valores de Shapley Additive Explanations (SHAP) para la interpretabilidad del modelo y la identificación de factores de salud significativos.

Principales resultados:

  • El modelo IGWO-RF logró una precisión de predicción del 92,1% y una puntuación F1 del 90,8%, superando a los RF tradicionales (85,3%) y PSO-RF (88,7%).
  • El análisis SHAP identificó el índice de masa corporal (0,32), el tiempo de ejercicio diario (0,21) y la exposición a partículas finas de 2,5 (0,18) como los principales determinantes de la salud infantil.
  • El modelo demostró un rendimiento superior en la estratificación del riesgo de salud pediátrica.

Conclusiones:

  • El modelo IGWO-RF ofrece un avance significativo en la precisión y la interpretabilidad de la predicción de la salud pediátrica.
  • Se identificaron cuantitativamente factores clave que influyen en la salud infantil, como el IMC, el ejercicio y las exposiciones ambientales.
  • El marco metodológico propuesto muestra la promesa de desarrollar sistemas de alerta temprana para los riesgos de salud pediátrica y otras enfermedades crónicas.