通过使用机器学习方法通过非饮食生活方式因素预测早期肥胖风险

科学领域:

• 公共卫生 公共卫生
• 生物医学信息学 生物医学信息学
• 医疗保健中的机器学习

背景情况:

• 肥胖是非传染性疾病 (NCD) 的一个主要风险因素.
• 早期发现肥胖风险对于有效的预防策略至关重要.
• 非饮食因素需要进一步调查作为肥胖预测因素.

研究的目的:

• 评估非饮食因素 (生活方式,家族史,人口统计) 对肥胖风险的预测能力.
• 为了比较各种机器学习模型在预测肥胖方面的表现.
• 探索肥胖预测模型的潜力,以尽量减少对饮食数据的依赖.

主要方法:

• 利用了211个人的数据集 (1068名男性,1043名女性,年龄在14-61岁之间).
• 开发和评估机器学习模型,包括决策树,随机森林,支持矢量分类 (SVC),K-最近邻居 (KNN) 和高斯素朴湾 (GNB).
• 专注于用于模型训练和预测的非饮食因素,使用准确性,精度,回忆,F1得分,特异性和AUC-ROC等指标评估性能,并启动可变性分析.

主要成果:

• 随机森林被确定为最佳模型,达到66.9%的测试准确度,66.4%的精度,66.9%的回忆,66.4%的F1得分,94.5%的特异性和92.3%的AUC-ROC.
• 非饮食因素,包括家族史和人口统计数据,显示出肥胖风险的显著预测能力.
• 生活方式因素也有助于预测准确度,尽管比家族史和人口统计数据要少.

结论:

• 非饮食因素是肥胖风险的可行预测因素,为传统的饮食评估提供了替代方案.
• 机器学习模型,特别是随机森林,可以有效地识别患肥胖风险的个体.
• 这种方法通过突出关键的生活方式和人口预测因素,支持早期干预和预防肥胖及其相关的非传染性疾病.