Департамент по математически науки, Военна академия на САЩ, Уест Пойнт, Ню Йорк, САЩ

затлъстяване

Департамент по математически науки, Военна академия на САЩ, Уест Пойнт, Ню Йорк, САЩ

Университет Case Western Reserve, Кливланд, Охайо, САЩ

Департамент по математически науки, Военна академия на САЩ, Уест Пойнт, Ню Йорк, САЩ

Департамент по математически науки, Военна академия на САЩ, Уест Пойнт, Ню Йорк, САЩ

Департамент по математически науки, Военна академия на САЩ, Уест Пойнт, Ню Йорк, САЩ

Департамент по математически науки, Военна академия на САЩ, Уест Пойнт, Ню Йорк, САЩ

Департамент по математически науки, Военна академия на САЩ, Уест Пойнт, Ню Йорк, САЩ

Университет Case Western Reserve, Кливланд, Охайо, САЩ

Център за биомедицински изследвания в Пенингтън, Батън Руж, Лос Анджелис, САЩ

Департамент по математически науки, Военна академия на САЩ, Уест Пойнт, Ню Йорк, САЩ

Департамент по математически науки, Военна академия на САЩ, Уест Пойнт, Ню Йорк, САЩ

Адрес за кореспонденция: Д. М. Томас, Департамент по математически науки, Военна академия на САЩ, Уест Пойнт, Ню Йорк 10996, САЩ.

Департамент по математически науки, Военна академия на САЩ, Уест Пойнт, Ню Йорк, САЩ

Департамент по математически науки, Военна академия на САЩ, Уест Пойнт, Ню Йорк, САЩ

Университет Case Western Reserve, Кливланд, Охайо, САЩ

Департамент по математически науки, Военна академия на САЩ, Уест Пойнт, Ню Йорк, САЩ

Департамент по математически науки, Военна академия на САЩ, Уест Пойнт, Ню Йорк, САЩ

Департамент по математически науки, Военна академия на САЩ, Уест Пойнт, Ню Йорк, САЩ

Департамент по математически науки, Военна академия на САЩ, Уест Пойнт, Ню Йорк, САЩ

Департамент по математически науки, Военна академия на САЩ, Уест Пойнт, Ню Йорк, САЩ

Университет Case Western Reserve, Кливланд, Охайо, САЩ

Център за биомедицински изследвания в Пенингтън, Батън Руж, Лос Анджелис, САЩ

Департамент по математически науки, Военна академия на САЩ, Уест Пойнт, Ню Йорк, САЩ

Департамент по математически науки, Военна академия на САЩ, Уест Пойнт, Ню Йорк, САЩ

Адрес за кореспонденция: Д. М. Томас, Департамент по математически науки, Военна академия на САЩ, Уест Пойнт, Ню Йорк 10996, САЩ.

Обобщение

Богатите източници на свързани със затлъстяването данни, произтичащи от сензори, приложения за смартфони, електронни медицински здравни досиета и застрахователни данни, могат да донесат нови прозрения за разбиране, предотвратяване и лечение на затлъстяването. За такива големи масиви от данни машинното обучение предоставя сложни и елегантни инструменти за описване, класифициране и прогнозиране на свързаните със затлъстяването рискове и резултати.

Тук правим преглед на методите за машинно обучение, които предсказват и/или класифицират като линейна и логистична регресия, изкуствени невронни мрежи, задълбочено обучение и анализ на дървото на решенията. Ние също така разглеждаме методи, които описват и характеризират данни като клъстерен анализ, анализ на основни компоненти, наука за мрежата и анализ на топологични данни. Въвеждаме всеки метод с преглед на високо ниво, последван от примери за успешни приложения. След това алгоритмите бяха приложени към Националното проучване за здравни и хранителни изследвания, за да се демонстрират методология, полезност и резултати. Силните страни и ограниченията на всеки метод също бяха оценени.

Това резюме на алгоритмите за машинно обучение предоставя уникален преглед на състоянието на анализа на данните, прилагано специално за затлъстяването.

Брой пъти цитирани според CrossRef: 20

  • Peter Jaeho Cho, Karnika Singh, Jessilyn Dunn, Роли на изкуствения интелект в уелнес, здравословен начин на живот и засичане на здравословен статус, Изкуствен интелект в медицината, 10.1016/B978-0-12-821259-2.00009-0, (151-172), (2021).

Фигура S1: 3D визуализация на 400 наблюдения на шестте клъстера в NHANES, проектирани върху променливите възраст, ИТМ и обиколка на талията. Всеки цвят представлява клъстер, който се наблюдава от погледа.

Таблица S1: Фантомни данни, използвани за създаване на Фигура 2 Допълнителен материал.

Фигура S2: Схематична диаграма, изобразяваща образователни връзки от фантомни данни в Таблица 1 Допълнителен материал.

Моля, обърнете внимание: Издателят не носи отговорност за съдържанието или функционалността на която и да е поддържаща информация, предоставена от авторите. Всички заявки (различни от липсващо съдържание) трябва да бъдат насочени към съответния автор на статията.