Технологии машинного обучения при определении факторов, связанных с долей жира в организме Вьетнамских подростков

Файл статьи: 
Иконка PDF health-risk-analysis-2024-1-16.pdf
УДК: 
612.3-004.42
DOI: 
10.21668/health.risk/2024.1.16
Авторы: 

Нгуен Тхи Тхонг Хан1, Ле Тхи Туйет1, Нгуен Тхи Трунг Тху1, До Тхи Нху Транг1, Дуонг Тхи Анх Дао1, Ле Тхи Тхуй Дунг2, Данг Ксуан Тхо3

Организация: 

1Национальный университет образования Ханоя, Вьетнам, г. Ханой, ул. Ксуан Туй, 136
2Главная больница Бинх Донг, Вьетнам, г. Бинх Донг, Хьеп Тханг, Пхам Нгок Тхак, 5
3Академия политики и развития, Вьетнам, г. Ханой, район Хуай Дук

Аннотация: 

С применением технологий машинного обучения для прогнозного анализа изучены факторы, влияющие на про-цент жира в организме вьетнамских подростков в возрасте от 11 до 15 лет.

В исследовании приняли участие 1208 подростков (598 мальчиков и 610 девочек), обучающихся в девяти средних общеобразовательных школах столицы Вьетнама. Изучение состава тела осуществлялось при помощи прибора HBF 375 (Omron) методом биоимпедансного анализа. Опросник, примененный в исследовании, был первоначально утвержден Национальным институтом питания. Он включал в себя вопросы, связанные с пищевыми привычками, частотой приема пищи, уровнем физической активности, склонностью к сидячему образу жизни и знаниями о принципах правильного питания. В исследовании применялись технологии машинного обучения с использованием алгоритма дерева решений для определения основных детерминант, имеющих наиболее значимую корреляционную связь с долей жира в организме.

Авторам исследования удалось установить шесть основных групп предикторов, связанных с долей жира в организме подростков с помощью модели дерева решений со значениями среднеквадратической ошибки и средней абсолютной ошибки, равными 4,8 и 3,8 соответственно. Среди данных предикторов факторами, оказывающими наибольшее влияние на долю жира в организме подростков, являются частота употребления фруктов, привычки, связанные с перекусом, способ передвижения по дороге в школу и обратно и экранное время (компьютер и / или смартфон). Комбинация данных факторов во взаимодействии с полом и стадией полового созревания могут определять долю жира в организме вьетнамских подростков.

Данное исследование проливает определенный свет на комплексные и разнообразные факторы, влияющие на долю жира в организме вьетнамских подростков. Результаты подтверждают необходимость формирования приверженности здоровым пищевым привычкам и физическим упражнениям среди подростков, а также дают понимание важности данных вопросов для родителей и руководителей школ для разработки более эффективных стратегий деятельности образовательных организаций.

Ключевые слова: 
машинное обучение, доля жира в организме, предсказуемость, факторы влияния, пищевые привычки, физическая активность, вьетнамские подростки, дерево решений
Технологии машинного обучения при определении факторов, связанных с долей жира в организме вьетнамских подростков / Нгуен Тхи Тхонг Хан, Ле Тхи Туйет, Нгуен Тхи Трунг Тху, До Тхи Нху Транг, Дуонг Тхи Анх Дао, Ле Тхи Тхуй Дунг, Данг Ксуан Тхо // Анализ риска здоровью. – 2024. – № 1. – С. 158–168. DOI: 10.21668/health.risk/2024.1.16
Список литературы: 
  1. Performance of body mass index and percentage of body fat in predicting cardiometabolic risk factors in Thai adults / S. Vanavanan, P. Srisawasdi, M. Rochanawutanon, N. Kumproa, K. Kruthkul, M.H. Kroll // Diabetes Metab. Syndr. Obes. – 2018. – Vol. 11. – P. 241–253. DOI: 10.2147/DMSO.S167294
  2. WHO Expert Consultation. Appropriate body-mass index for Asian populations and its implications for policy and in-tervention strategies // Lancet. – 2004. – Vol. 363, № 9403. – P. 157–163. DOI: 10.1016/S0140-6736(03)15268-3
  3. Mendez M.A., Popkin B.M. Globalization, urbanization and nutritional change in the developing world // Journal of Agricultural and Development Economics. – 2004. – Vol. 1, № 2. – P. 220–241.
  4. Associations between diet, physical activity and body fat distribution: a cross sectional study in an Indian population / L. Bowen, A.E. Taylor, R. Sullivan, S. Ebrahim, S. Kinra, K.V.R. Krishna, B. Kulkarni, Y. Ben-Shlomo [et al.] // BMC Public Health. – 2015. – Vol. 15. – P. 281. DOI: 10.1186/s12889-015-1550-7
  5. Indicator for success of obesity reduction programs in adolescents: body composition or body mass index? Evaluating a school-based health promotion project after 12 weeks of intervention / N. Kalantari, N.K. Mohammadi, S. Rafieifar, H. Eini-Zinab, A. Aminifard, H. Malmir, N. Ashoori, S. Abdi [et al.] // Int. J. Prev. Med. – 2017. – Vol. 8, № 73. – P. 128–132. DOI: 10.4103/ijpvm.IJPVM_306_16
  6. BFP and its correlation with dietary pattern, physical activity and life-style factors in school going children of Mumbai, India / J. Madan, N. Gosavi, P. Vora, P. Kalra // Obes. Metab. Res. – 2014. – Vol. 1, № 1. – P. 14–19.
  7. Dewi R.C., Rimawati N., Purbodjati P. Body mass index, physical activity, and physical fitness of adolescence // J. Public Health Res. – 2021. – Vol. 10, № 2. – P. 2230. DOI: 10.4081/jphr.2021.2230
  8. Steele R.G., Van Allen J. The treatment of pediatric obesity: Bringing contexts and systems into focus // Children's Health Care. – 2011. – Vol. 40, № 3. – P. 171–178. DOI: 10.1080/02739615.2011.590384
  9. Briggs D. The roles of managers in addressing Sustainable Development Goals and addressing the burden of chronic disease // Asia Pacific Journal of Health Management. – 2018. – Vol. 13, № 2. – P. 1–3. DOI: 10.24083/apjhm.v13i2.17
  10. Alfaleh G., Huffman F.G., Li T., Vaccaro J.A. Child Obesity Prevention Intervention in Kuwaiti Summer Camps Tar-geting Health Behaviors in Nutrition, Physical Activity, and Screen Time // Journal of Health Science and Medical Research. – 2021. – Vol. 39, № 2. – P. 85–99. DOI: 10.31584/jhsmr.2020765
  11. Does physical activity predict obesity – A machine learning and statistical method-based analysis / X. Cheng, S.-Y. Lin, J. Liu, S. Liu, J. Zhang, P. Nie, B.F. Fuemmeler, Y. Wang, H. Xue // Int. J. Environ. Res. Public Health. – 2021. – Vol. 18, № 8. – P. 3966. DOI: 10.3390/ijerph18083966
  12. A machine learning approach to short-term body weight prediction in a dietary intervention program / B. Oladapo, H. Tawfik, A. Palczewska, A. Gorbenko, A. Arne, J.A. Martinez, J.-M. Oppert, T.I.A. Sørensen // Computational Science – ICCS 2020: 20th International Conference. – The Netherlands, Amsterdam, June 3–5, 2020. – P. 441–455. DOI: 10.1007/978-3-030-50423-6_33
  13. Association of machine learning-derived measures of body fat distribution with cardiometabolic diseases in > 40,000 individuals / S. Agrawal, M.D. Klarqvist, N. Diamant, T.L. Stanley, P.T. Ellinor, N.N. Mehta, A. Philippakis, K. Ng [et al.] // MedRxiv. – 2021. DOI: 10.1101/2021.05.07.21256854
  14. Scikit-learn: Machine learning in Python / F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel, M. Blondel, A. Muller [et al.] // Journal of Machine Learning Research. – 2011. – Vol. 12. – P. 2825–2830.
  15. Comparative study of regressor and classifier with decision tree using modern tools / J.S. Kushwah, A. Kumar, S. Patel, R. Soni, A. Gawande, S. Gupta // Materials Today Proceedings. – 2022. – Vol. 56, № 6. – P. 3571–3576. DOI: 10.1016/j.matpr.2021.11.635
  16. Assessment of body composition in health and disease using bioelectrical impedance analysis (BIA) and dual energy
    X-ray absorptiometry (DXA): a critical overview / M. Marra, R. Sammarco, A. De Lorenzo, F. Iellamo, M. Siervo, A. Pietrobelli, L.M. Donini, L. Santarpia [et al.] // Contrast Media Mol. Imaging. – 2019. – Vol. 2019. – P. 3548284. DOI: 10.1155/2019/3548284
  17. Performance of bioelectrical impedance analysis compared to dual X-ray absorptiometry (DXA) in Veterans with COPD / P.N. Cruz Rivera, R.L. Goldstein, M. Polak, A.A. Lazzari, M.L. Moy, E.S. Wan // Sci. Rep. – 2022. – Vol. 12, № 1. – P. 1946–1953. DOI: 10.1038/s41598-022-05887-4
  18. Comparison of body composition assessment by DXA and BIA according to the body mass index: A retrospective study on 3655 measures / N. Achamrah, G. Colange, J. Delay, A. Rimbert, V. Folope, A. Petit, S. Grigioni, P. Déchelotte, M. Coëffier // PLoS One. – 2018. – Vol. 13, № 7. – P. e0200465. DOI: 10.1371/journal.pone.0200465
  19. Comparison of two bioelectrical impedance analysis devices with dual energy X-ray absorptiometry and magnetic resonance imaging in the estimation of body composition / J.-G. Wang, Y. Zhang, H.-E. Chen, Y. Li, X.-G. Cheng, L. Xu, Z. Guo, X.-S. Zhao [et al.] // J. Strength Cond. Res. – 2013. – Vol. 27, № 1. – P. 236–243. DOI: 10.1519/JSC.0b013e31824f2040
  20. Risk factors for obesity among children aged 24 to 80 months in Korea: A decision tree analysis / I. Lee, K.-S. Bang, H. Moon, J. Kim // J. Pediatr. Nurs. – 2019. – Vol. 46. – P. e15–e23. DOI: 10.1016/j.pedn.2019.02.004
  21. A systematic literature review on obesity: Understanding the causes & consequences of obesity and reviewing various machine learning approaches used to predict obesity / M. Safaei, E.A. Sundararajan, M. Driss, W. Boulila, A. Shapi'i // Comput. Biol. Med. – 2021. – Vol. 136. – P. 104754–104780. DOI: 10.1016/j.compbiomed.2021.104754
  22. A review of machine learning in obesity / K. DeGregory, P. Kuiper, T. DeSilvio, J. Pleuss, R. Miller, J. Roginski, C.B. Fisher, D. Harness [et al.] // Obes. Rev. – 2018. – Vol. 19, № 5. – P. 668–685. DOI: 10.1111/obr.12667
  23. Comparison of overweight and obesity prevalence in school‐aged youth from 34 countries and their relationships with physical activity and dietary patterns / I. Janssen, P.T. Katzmarzyk, W.F. Boyce, C. Vereecken, C. Mulvihill, C. Roberts, C. Currie, W. Pickett [et al.] // Obes. Rev. – 2005. – Vol. 6, № 2. – P. 123–132. DOI: 10.1111/j.1467-789X.2005.00176.x
  24. Association between fruit and vegetable intake and change in body mass index among a large sample of children and adolescents in the United States / A.E. Field, M.W. Gillman, B. Rosner, H.R. Rockett, G.A. Colditz // Int. J. Obes. Relat. Disord. – 2003. – Vol. 27, № 7. – P. 821–826. DOI: 10.1038/sj.ijo.0802297
  25. Association between frequency of consumption of fruit, vegetables, nuts and pulses and BMI: analyses of the International Study of Asthma and Allergies in Childhood (ISAAC) / C.R. Wall, A.W. Stewart, R.J. Hancox, R. Murphy, I. Braithwaite, R. Beasley, E.A. Mitchell, ISAAC Phase Three Study Group // Nutrients. – 2018. – Vol. 10, № 3. – P. 316–326. DOI: 10.3390/nu10030316
  26. Snacking behaviors, diet quality, and body mass index in a community sample of working adults / T.L. Barnes, S.A. French, L.J. Harnack, N.R. Mitchell, J. Wolfson // J. Acad. Nutr. Diet. – 2015. – Vol. 115, № 7. – P. 1117–1123. DOI: 10.1016/j.jand.2015.01.009
  27. Taillie L.S., Wang D., Popkin B.M. Snacking is longitudinally associated with declines in body mass index z scores for overweight children, but increases for underweight children // J. Nutr. – 2016. – Vol. 146, № 6. – P. 1268–1275. DOI: 10.3945/jn.115.226803
  28. Kwong C.K.Y., Fong B.Y. Promotion of appropriate use of electronic devices among Hong Kong adolescents // Asia Pacific Journal of Health Management. – 2019. – Vol. 14, № 1. – P. 36–41. DOI: 10.24083/apjhm.v14i1.199
  29. Are computer and cell phone use associated with body mass index and overweight? A population study among twin adolescents / H.-R. Lajunen, A. Keski-Rahkonen, L. Pulkkinen, R.J. Rose, A. Rissanen, J. Kaprio // BMC Public Health. – 2007. – Vol. 7. – P. 24. DOI: 10.1186/1471-2458-7-24
  30. Screen time increases overweight and obesity risk among adolescents: a systematic review and dose-response meta-analysis / P. Haghjoo, G. Siri, E. Soleimani, M.A. Farhangi, S. Alesaeidi // BMC Prim. Care. – 2022. – Vol. 23, № 1. – P. 161. DOI: 10.1186/s12875-022-01761-4
  31. Masoumi H.E. Active Transport to School and Children's Body Weight: A Systematic Review // TeMA – Journal of Land Use, Mobility and Environment. – 2017. – Vol. 10, № 10. – P. 95–110. DOI: 10.6092/1970-9870/4088
Получена: 
25.01.2024
Одобрена: 
29.02.2024
Принята к публикации: 
20.03.2024

Вы здесь

Главная