预测六个月大的婴儿快速增加体重:一个探索性建模研究
Ana Daniela Ortega-Ramírez1, Carmen Alicia Sánchez-Ramírez1, Benjamín Trujillo-Hernández1
1Facultad de Medicina, Universidad de Colima, Colima, México.
Pediatric research
|March 7, 2026
概括
预测婴儿快速增加体重 (RWG) 对于预防儿童肥胖至关重要. 虽然统计和机器学习模型显示出适度的结果,但识别早期预测因素仍然是干预策略的关键.
科学领域:
- 儿科健康 儿科健康
- 生物统计学 生物统计学
- 医疗保健中的机器学习
背景情况:
- 生命早期快速增加体重 (RWG) 是儿童肥胖的一个重要风险因素.
- RWG的多因素病因需要先进的分析方法来进行早期预测.
研究的目的:
- 为了比较机器学习 (SVM,Naïve Bayes) 和统计模型 (LASSO,GLM) 对RWG从出生到6个月的预测性能.
- 为了确定RWG的关键早期预测因素.
主要方法:
- 分析了潜在的婴儿队列数据.
- 评估了四种预测模型:SVM (线性内核),天真贝叶斯,LASSO回归和通用线性模型 (GLM).
- 性能指标包括AUC,准确度,精度,灵敏度,特异性和F1得分,CI为95%.
主要成果:
- 所有模型都显示了可比的精度 (0.70-0.75).
- 在GLM中,AUC (0.66),特异性 (0.45),精度 (0.72) 和F1得分 (0.800) 的估计值最高.
- LASSO获得了最高的灵敏度 (0.91),但所有指标的置信区间重叠,表明模型之间没有统计学上显著的差异.
结论:
- 所有评估的模型都表现出类似的,适度的区分能力来预测RWG.
- 确定了一致的早期预测因素,强调了RWG的多因素性质.
- 需要更大的队列来提高预测准确度,并充分评估机器学习模型对RWG预测的潜力.
