改良型灰色狼最適化アルゴリズム-ランダムフォレストモデルに基づく小児健康予測の研究

科学分野:

• 小児医療
• 計算医療
• 医療における人工知能

背景:

• 小児の健康は公衆衛生の評価にとって不可欠ですが、ライフスタイルの変化や環境要因による課題に直面しており、肥満、アレルギー、呼吸器系の問題が増加しています。
• 従来の健康評価は、データの遅延や主観性の問題があり、高度な予測モデルが必要とされています。
• 小児の健康の複雑さは、正確でタイムリーなリスク評価のための革新的なアプローチを必要とします。

研究 の 目的:

• 改良型灰色狼最適化-ランダムフォレスト（IGWO-RF）という新しいハイブリッドモデルを導入し、小児の健康予測を強化すること。
• 小児の身体検査データを使用して、健康予測モデルの精度と解釈可能性を向上させること。
• 高度な説明可能なAI技術を通じて、小児の健康の主要な決定要因を特定すること。

主な方法:

• 小児の身体検査データを使用してランダムフォレスト（RF）モデルを開発しました。
• 灰色狼最適化（GWO）アルゴリズムを、動的重み付け戦略とエリート保持メカニズム（IGWO）で強化し、RFのハイパーパラメータを最適化しました。
• Shapley Additive Explanations（SHAP）値を使用して、モデルの解釈可能性と重要な健康因子の特定を行いました。

主要な成果:

• IGWO-RFモデルは、予測精度92.1%、F1スコア90.8%を達成し、従来のRF（85.3%）およびPSO-RF（88.7%）を上回りました。
• SHAP分析により、ボディマス指数（0.32）、1日の運動時間（0.21）、PM2.5曝露量（0.18）が小児の健康の主な決定要因であることが特定されました。
• モデルは、小児の健康リスク層別化において優れたパフォーマンスを示しました。

結論:

• IGWO-RFモデルは、小児の健康予測の精度と解釈可能性において大幅な進歩をもたらします。
• BMI、運動、環境曝露などの小児の健康に影響を与える主要な要因が定量的に特定されました。
• 提案された方法論的フレームワークは、小児の健康リスクやその他の慢性疾患の早期警告システムの開発に有望です。