使用机器学习技术识别和预测营养摄入量和贫血之间的关联模式:来自巴勒斯坦大学女学生的横截面研究的结果

科学领域:

• 营养科学 营养科学
• 数据挖掘 数据挖掘
• 机器学习 机器学习

背景情况:

• 贫血是一个重要的公共卫生问题,特别是在年轻女性中.
• 饮食模式和营养摄入量在贫血的发展中起着至关重要的作用.
• 了解特定营养素与贫血之间的复杂关联对于有针对性的干预措施至关重要.

研究的目的:

• 应用数据挖掘和机器学习 (ML) 技术来发现与贫血相关的营养摄入的新模式和分类.
• 确定特定的维生素和矿物质,其摄入水平与大学生的贫血患病率相关.
• 在巴勒斯坦的一群女大学生中探索饮食模式和贫血之间的关系.

主要方法:

• 采用K-means聚类和决策树 (DT) 算法来分析营养摄入量和贫血状态.
• 数据被正常化和平衡,使用贫血权重集群来提高ML模型的准确性.
• 使用统计分析,包括t测试和ANOVA,以确定已识别的集群之间的显著差异. 这项研究包括755名女性参与者.

主要成果:

• 34.8%的参与者出现了贫血,广泛的微量营养素摄入量低于最佳水平.
• 在贫血和摄入能量,蛋白质,脂肪和各种维生素 (B1,B5,B6,C) 和矿物质 (Mg,Cu,Zn) 之间发现了显著的关联.
• 决策树模型在确定贫血患病率与维生素 (B2,B3,B5,B6,B12,E,叶酸) 和矿物质 (Zn,Mg,Fe,Mn) 摄入量之间的反向关系方面取得了82.1%的准确性.

结论:

• 除了常见的营养素,如叶酸和铁,胆,维生素E,维生素B2,,,,和,在这个队列中出现了可能与贫血发展相关的营养素.
• 这些发现突出了涉及年轻女大学生贫血风险的营养素的更广泛范围.
• 建议进行进一步的研究,以确认这些已识别的营养素对贫血风险的影响,并为公共卫生战略提供信息.