特征选择和关联规则学习识别了埃塞俄比亚学童营养不良的风险因素
William A Russel1, Jim Perry2, Claire Bonzani3
1Department of Biology, Colgate University, Hamilton, NY, United States.
Frontiers in epidemiology
|March 8, 2024
概括
机器学习和后勤回归确定了老年是埃塞俄比亚学童营养不良的危险因素. 卫生和社会经济因素也成为重要预测因素,突出了先进分析方法的好处.
科学领域:
- 流行病学 流行病学
- 机器学习 机器学习
- 营养科学 营养科学
背景情况:
- 传统的后勤回归方法在识别学童营养不良的复杂风险因素方面存在局限性.
- 新兴的整体机器学习 (ML) 方法为更全面的风险因素分析提供了潜力.
研究的目的:
- 将传统的物流回归与ML方法进行比较,以确定埃塞俄比亚学童的营养不良风险因素.
- 利用特征选择和关联规则学习来更深入地了解营养不良的决定因素.
主要方法:
- 在1,036名埃塞俄比亚学童的流行病学调查数据上使用后勤回归,特征选择和关联规则学习.
- 对整个数据集进行了分析,随后对按年龄,居住地和性别分层的子集进行了分析.
主要成果:
- 后勤回归和ML都将老年视为营养不良的重要风险因素.
- ML还发现了其他风险因素,包括学校所的清洁,大家庭规模和指甲修剪习惯.
- 协会规则学习揭示了卫生,社会经济变量和营养不良之间的以前未知的联系.
结论:
- 将ML技术 (特征选择,关联规则) 与后勤回归集成,可以更全面地识别营养不良风险因素.
- 先进的分析方法揭示了影响儿童营养不良的社会人口,卫生和环境因素之间的复杂相互作用.
- 研究结果支持ML在公共卫生研究中的实用性,用于揭示脆弱人群中细微的风险因素.
更多相关视频
03:35Determining Gender-Based Differences in Retinal and Choroidal Thickness in Underweight Individuals via Swept-Source Optical Coherence Tomography
Published on: December 1, 2023
291
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.5K
