应用一个透明的人工智能算法对美国成年人肥胖的体重类别的应用
Alexander A Huang1, Samuel Y Huang2
1Northwestern University Feinberg School of Medicine, Chicago, Illinois, United States of America.
PloS one
|May 31, 2024
概括
机器学习使用腰围和GGT等因素准确预测肥胖. 这有助于理解肥胖症,并为更好的健康管理提供更健康的生活方式选择的信息.
科学领域:
- 公共卫生 公共卫生
- 生物统计学 生物统计学
- 医疗保健中的机器学习
背景情况:
- 肥胖在美国是一个重大的公共卫生问题.
- 了解与肥胖的关联对于临床医生和个人做出明智决策至关重要.
- 预测模型可以增强肥胖管理策略.
研究的目的:
- 为了提高肥胖体重类别的预测.
- 研究肥胖与各种影响因素之间的关系.
- 为促进更健康的生活方式选择和及时的肥胖管理做出贡献.
主要方法:
- 利用了美国国家健康和营养检查调查 (NHANES 2017-2020) 数据.
- 定义的肥胖是身体质量指数 (BMI) 30或更高.
- 采用XGBoost机器学习模型进行预测和SHAP进行特征重要性分析.
主要成果:
- 包括6146名美国成年人 (平均年龄为58.39岁,51%为女性).
- 机器学习模型实现了接受器运营商曲线 (AUROC) 下的面积为0.8295.5.
- 关键预测因素包括腰围,GGT,血小板计数和AST.
结论:
- 机器学习模型对于预测肥胖是有效的.
- 这些模型通过分析各种数据来确定关键的风险因素.
- 研究结果支持为更健康的生活方式和肥胖管理做出明智决策.
