预测脱离以更好地支持基于Web的减肥计划中的结果,使用机器学习模型:横截面研究
Aida Brankovic1, Gilly A Hendrie2, Danielle L Baird2
1The Australian e-Health Research Centre, Health & Biosecurity, Commonwealth Scientific Industrial Research Organisation, Brisbane, Australia.
Journal of medical Internet research
|June 26, 2023
概括
机器学习模型可以通过分析用户活动来预测减肥计划的脱离. 早期预测可以及时进行干预,以改善参与者的参与度和健康结果.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 行为科学 行为科学
背景情况:
- 参与对于改变行为和改善干预措施中的健康至关重要.
- 关于使用机器学习 (ML) 来预测脱离商业减肥计划的研究有限.
- 预测脱离可以帮助参与者实现他们的健康目标.
研究的目的:
- 利用可解释的机器学习 (ML) 在12周内每周预测会员退出风险.
- 为了确定脱离网络减肥计划的关键预测因素.
主要方法:
- 使用来自59,686名参与者的数据开发和验证了预测模型 (随机森林,极端梯度增强,物流回归).
- 在单独的队列中使用了10倍交叉验证和时间验证.
- 使用Shapley值来解释特征的重要性和预测.
主要成果:
- 极端梯度增强模型表现出最好的预测性能,接收器操作特征曲线 (AUC-ROC) 下的面积在0.85到0.93.9之间.
- 精度-回忆曲线下的面积 (AUC-PR) 从0.57到0.95不等,显示出显著的改善 (第3周为20%).
- 脱离参与的关键预测因素包括整体平台活动和之前的权重进入频率.
结论:
- 机器学习算法显示了预测和理解参与者在在线减肥计划中脱离参与者的潜力.
- 这些见解可以为有针对性的支持策略提供信息,以提高用户参与度.
- 提高参与度与更好的健康结果和更大的减肥成功有关.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
04:19A Computer-Based Platform for Aiding Clinicians in Eating Disorder Analysis and Diagnosis
Published on: May 10, 2022
3.9K
