相关实验视频
Updated: Jul 6, 2025
09:36
Assessment of Child Anthropometry in a Large Epidemiologic Study
Published on: February 2, 2017
27.1K
7-11岁儿童与超重相关的饮食模式:机器学习方法
Emil Kupek1, Rafaela Liberali2
1Departamento de Saúde Pública, Universidade Federal de Santa Catarina. Florianópolis SC Brasil. emil.kupek@ufsc.br.
Ciencia & saude coletiva
|January 10, 2024
概括
机器学习,特别是LASSO算法,确定了与儿童超重和肥胖相关的特定饮食摄入模式. 这种方法揭示了某些食物与学龄儿童风险增加之间的关联.
科学领域:
- 营养科学 营养科学
- 公共卫生 公共卫生
- 生物统计学 生物统计学
背景情况:
- 儿童肥胖是一个日益严重的公共卫生问题.
- 了解与体重状况相关的饮食模式对于干预至关重要.
- 传统的统计方法可能无法捕捉复杂的饮食关联.
研究的目的:
- 引入一种新的统计策略,使用机器学习来分析特定餐点的食物摄入量.
- 为了确定特定于餐点/零食的食品/饮料项目 (MSFI),预测学龄儿童的超重/肥胖.
- 为了证明LASSO算法的实用性,揭示与体重状况相关的饮食模式.
主要方法:
- 一项使用2013-2015年7-11岁学龄儿童数据的纵向研究.
- 从食物频率调查问卷 (WebCAAFE) 中开发了192个特定的食物/饮料项目.
- 应用LASSO后勤回归算法来识别预测性MSFI,然后进行二进制后勤回归分析.
主要成果:
- 拉索算法确定了与超重/肥胖相关的特定的餐时间食物/饮料组合.
- 迟到的早餐,午餐和晚餐显著与风险增加有关.
- 预期的午餐也被发现是超重/肥胖的预测因素.
结论:
- 像LASSO这样的机器学习方法可以识别与体重状况相关的复杂饮食模式,这些模式可能会被传统统计数据遗漏.
- 特定于食物的饮食摄入量分析为了解儿童肥胖风险因素提供了细微的方法.
- 该战略为公共卫生研究和有针对性的营养干预提供了一个强大的工具.
