相关实验视频
Updated: May 12, 2025
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
预测NICU患者营养不良的机器学习模型:一项全面的基准研究
Sander M W Janssen1, Yamine Bouzembrak2, Nadir Yalcin3
1Information Technology Group, Wageningen University and Research, Wageningen, the Netherlands; Department of Primary and Community Care, Radboud Institute for Health Sciences, Radboudumc, Nijmegen, the Netherlands.
机器学习模型为营养不良查提供了有效的替代方案. 使用拉索或弹性网调节 (GLMnet) 和极端梯度提升 (XGBoost) 的通用线性模型显示了营养评估的有希望的结果.
科学领域:
- 营养科学 营养科学
- 计算生物学 计算生物学
- 医疗信息学 医疗信息学
背景情况:
- 营养不良是影响成人和儿童的全球健康问题,源于营养摄入不足或体重减轻.
- 传统的营养不良查方法往往资源密集,耗时,缺乏一致的准确性和广泛的适用性.
- 自动机器学习 (ML) 方法为高效和可适应的营养评估提供了潜在的解决方案.
研究的目的:
- 评估各种机器学习模型在预测营养不良方面的有效性.
- 在统一的营养不良数据集上对22种不同的回归和分类模型进行比较.
- 通过确定最小的输入特征要求来优化模型效率.
主要方法:
- 为了可重复性,实施了一个强大的模型开发管道,利用新生儿重症监护室 (NICU) 患者数据集 (412名患者,232名用于培训).
- 测试了广泛的ML模型,包括线性模型,基于树的模型,神经网络和整体方法.
- 模型对回归和分类任务进行了评估,以预测营养状况.
主要成果:
- 使用拉索或弹性网调节 (GLMnet) 的通用线性模型实现了回归任务的最高性能,其R平方 (R2) 为0.79.
- 极端梯度增强 (XGBoost) 模型在分类任务中表现出卓越的性能,其曲线下面面积 (AUC) 为0.79.
- 无论是GLMnet还是XGBoost,都提供了可靠的自动营养评估功能.
结论:
- 机器学习模型为传统营养不良查工具提供了有效和自动化的替代方案.
- 该研究成功地确定了用于营养评估的高性能ML模型 (回归的GLMnet,分类的XGBoost).
- 这些自动化方法可以通过提供高效和准确的营养评估来减少医疗保健系统的负担.
更多相关视频
19:15Assessment and Evaluation of the High Risk Neonate: The NICU Network Neurobehavioral Scale
Published on: August 25, 2014
03:35Determining Gender-Based Differences in Retinal and Choroidal Thickness in Underweight Individuals via Swept-Source Optical Coherence Tomography
Published on: December 1, 2023