通过混合人工智能推进营养状况分类:一种新的方法论方法

科学领域:

• 人工智能在公共卫生中的作用
• 机器学习用于疾病分类.
• 营养流行病学 营养流行病学

背景情况:

• 营养不良是全球主要的健康挑战,特别是在低收入国家,导致超过一半的婴儿死亡.
• 营养不良会影响免疫功能,增加对感染的脆弱性,延长恢复时间.
• 准确及时评估营养状况对于有效的公共卫生干预至关重要.

研究的目的:

• 开发和验证一种基于人工智能 (AI) 的新型分类方法,用于评估儿童营养状况.
• 通过混合机器学习策略提高营养不良检测的准确性和可靠性.
• 确定关键的生理指标,以早期识别儿童营养不良.

主要方法:

• 利用基于火优化器的k-means (FHO-K-Means) 聚类来识别来自联合国儿童基金会数据集的关键指标.
• 在分隔的训练和测试集上应用极端梯度增强模糊 (EGBF) 分类.
• 分类的营养状况包括衰减,衰减,严重衰减,超重和体重不足.

主要成果:

• FHO-K-Means和EGBF模型实现了高性能:准确率为99.84%,精度为99.5%,特异性为99.8%,灵敏度为100%.
• 该模型显示F1得分为98.6%,最小平均平方误差 (MSE) 为0.01%.
• 优于现有的分类技术,提供了一个可扩展的工具来识别处于风险的人群.

结论:

• 开发了一种创新的FHO-K-Means集群和EGBF分类方法,用于儿童营养不良的评估.
• 该模型的特殊准确性和预测能力支持早期检测和数据驱动的公共卫生政策.
• 这种方法可以显著降低儿童发病率,并在资源有限的环境中改善健康结果.