Застосування машинного навчання для прогнозування дієтичних провалів під час схуднення

Приналежності

1 1 Центр науки про вагу, харчування та спосіб життя та кафедра психології, Університет Дрекселя, Філадельфія, Пенсільванія, США.
2 2 Відділ психології Коледжу мистецтв і наук Університету Дрекселя, Філадельфія, Пенсільванія, США.
3 3 Відділ психіатрії та поведінки людей, Медична школа Уоррена Алперта, Університет Брауна, Центр контролю ваги та діабету в лікарні Міріам, Провіденс, РІ, США.
4 4 Кабінет Президента, Університет Нової Англії, Біддефорд, Міннесота, США.

PMID: 29792067
PMCID: PMC6134608
DOI: 10.1177/1932296818775757

Безкоштовна стаття PMC

Автори

Приналежності

1 1 Центр науки про вагу, харчування та спосіб життя та кафедра психології, Університет Дрекселя, Філадельфія, Пенсільванія, США.
2 2 Відділ психології Коледжу мистецтв і наук Університету Дрекселя, Філадельфія, Пенсільванія, США.
3 3 Відділ психіатрії та поведінки людей, Медична школа Уоррена Алперта, Університет Брауна, Центр контролю ваги та діабету в лікарні Міріам, Провіденс, РІ, США.
4 4 Кабінет Президента, Університет Нової Англії, Біддефорд, Міннесота, США.

Анотація

Передумови: Особи, які дотримуються дієтичних правил, передбачених під час втручань для схуднення, як правило, мають більший успіх у контролі ваги. Будь-яке відхилення від дієтичних настанов можна назвати "відхиленням". Зростає кількість досліджень, які показують, що прогалини передбачувані за допомогою різноманітних фізіологічних, екологічних та психологічних показників. З огляду на останні технологічні досягнення, можливо, можна буде оцінити ці тригери та передбачити дієтичні недоліки в режимі реального часу. Поточне дослідження намагалося використовувати методи машинного навчання для прогнозування провалів та оцінки корисності комбінування даних як на груповому, так і на індивідуальному рівні для покращення прогнозування провалів.

Методи: У поточному дослідженні підготовлено та випробувано алгоритм машинного навчання, здатний прогнозувати втрати дієти за поведінковою програмою схуднення серед дорослих із надмірною вагою/ожирінням (n = 12). Учасників попросили дотримуватися дієти для контролю ваги протягом 6 тижнів та пройти моментальну екологічну оцінку (EMA; повторні короткі опитування, проведені через смартфон) щодо недоліків дієти та відповідних причин.

Результати: Дерева рішень WEKA використовувались для прогнозування провалів з точністю до 0,72 для групи учасників. Однак узагальнення групового алгоритму для кожної людини було поганим, і як такі дані на груповому та індивідуальному рівнях поєднувались для поліпшення прогнозування. Отримані дані свідчать про те, що для досягнення оптимальної роботи моделі рекомендується 4 тижні індивідуального збору даних.

Висновки: Прогнозуючий алгоритм може бути використаний для реагування на даний момент, щоб запобігти втраті дієти і, отже, збільшити втрату ваги. Крім того, методи цього поточного дослідження можуть бути переведені на інші типи недоліків у поведінці здоров'я.

Ключові слова: дієта; екологічна миттєва оцінка; машинне навчання; ожиріння.

Заява про конфлікт інтересів

Заява про суперечливі інтереси: Автор (и) не заявив (-ли) про потенційний конфлікт інтересів щодо дослідження, авторства та/або публікації цієї статті.