超肥満レベルを分類するための機械学習アルゴリズムは,生物電気阻力分析から派生したアンソポメトリック指標を使用します

科学分野:

• 生物医学工学
• データサイエンス
• 公衆衛生

背景:

• 正確な肥満の分類は公衆衛生と臨床的決定に不可欠です
• ボディマス指数 (BMI) のような従来的な測定法は 脂肪と脂肪を区別するのに 限界があります
• バイオエレクトリック・インペデンス分析 (BIA) は,詳細な体組成メトリックを提供します.

研究 の 目的:

• 肥満の分類のための監督された機械学習アルゴリズムを評価し比較する.
• 肥満の評価を改善するためにBIAから人類測定指標を活用する.
• 肥満の分類に影響を与える重要な特徴を特定する.

主な方法:

• BIAから派生した人体測定データを用いて,5372人の成人を横断的に調べた.
• 6つの機械学習モデル (ランダムフォレスト,グラデントブースティング,KNN,ロジスティック・リグレッション,SVM,ディシジョンツリー) を訓練し,評価した.
• モデル性能は精度,F1スコア,AUC-ROC,SHAPLEY ADDITIVE EXPLANATION (SHAP) を用いて評価した.

主要な成果:

• ランダムフォレストは最高精度 (84.2%),F1スコア (83.7%) およびAUC-ROC (0.947) を達成した.
• 脂肪質量指数 (FMI),無脂肪質量指数 (FFMI),BMIが最も影響力の大きい予測指標でした.
• セックスは予測能力に わずかな影響を及ぼしました

結論:

• 監督された機械学習,特にランダムフォレストは 肥満の分類において高い正確性と解釈性を示しています
• BIAから派生した人体測定データは,従来のBMIを超えて肥満の分類を強化します.
• これらのモデルは臨床やコミュニティでの肥満検診の改善に 大きな可能性を秘めています