Não possui cadastro?

Cadastre-se

Já possui conta?

Faça login

Pagamento aprovado... Acessos liberados

Seu pedido foi aprovado com sucesso

Já liberamos o acesso ao espaço exclusivo para assinantes.

Acessar área exclusiva

Pedido não processado :(

Infelizmente o seu pedido não foi processado pela operadora de cartão de crédito

Tente novamente clicando no botão abaixo

Voltar para o checkout

AGENDA

BIBLIO

NOTÍCIAS

LINKS

AGENDA

BIBLIO

NOTÍCIAS

BOLETINS

FEED

Biblioteca

Biblioteca

Predicting body mass index in early childhood using data from the first 1000 days

Favoritos do PBO Artigo de periódico
Ficha da publicação ResumoTags RelacionadasPor que o tema é relevante?Qual é o objetivo do artigo?Quais as principais conclusões?
Predicting body mass index in early childhood using data from the first 1000 days
2023
Acusar erro

Ficha da publicação

Nome da publicação: Predicting body mass index in early childhood using data from the first 1000 days

Autores: Erika R. Cheng, Ahmet Yahya Cengiz, Zina Ben Miled

Fonte: Scientific Reports

Publicado em: 2023

Tipo de arquivo: Artigo de periódico

Link para o original

Resumo

Few existing efforts to predict childhood obesity have included risk factors across the prenatal and early infancy periods, despite evidence that the first 1000 days is critical for obesity prevention. In this study, we employed machine learning techniques to understand the influence of factors in the first 1000 days on body mass index (BMI) values during childhood. We used LASSO regression to identify 13 features in addition to historical weight, height, and BMI that were relevant to childhood obesity. We then developed prediction models based on support vector regression with fivefold cross validation, estimating BMI for three time periods: 30–36 (N = 4204), 36–42 (N = 4130), and 42–48 (N = 2880) months. Our models were developed using 80% of the patients from each period. When tested on the remaining 20% of the patients, the models predicted children’s BMI with high accuracy (mean average error [standard deviation] = 0.96[0.02] at 30–36 months, 0.98 [0.03] at 36–42 months, and 1.00 [0.02] at 42–48 months) and can be used to support clinical and public health efforts focused on obesity prevention in early life.

Resumo traduzido por

Poucos esforços existentes para prever a obesidade infantil incluíram factores de risco ao longo dos períodos pré-natal e da primeira infância, apesar das evidências de que os primeiros 1000 dias são críticos para a prevenção da obesidade. Neste estudo, empregamos técnicas de aprendizado de máquina para compreender a influência de fatores dos primeiros 1.000 dias nos valores do índice de massa corporal (IMC) durante a infância. Usamos a regressão LASSO para identificar 13 características, além do histórico de peso, altura e IMC, que eram relevantes para a obesidade infantil. Em seguida, desenvolvemos modelos de predição baseados em regressão vetorial de suporte com validação cruzada quíntupla, estimando o IMC para três períodos de tempo: 30–36 (N = 4.204), 36–42 (N = 4.130) e 42–48 (N = 2.880) meses . Nossos modelos foram desenvolvidos utilizando 80% dos pacientes de cada período. Quando testados nos 20% restantes dos pacientes, os modelos previram o IMC das crianças com alta precisão (erro médio [desvio padrão] = 0,96 [0,02] aos 30-36 meses, 0,98 [0,03] aos 36-42 meses e 1,00 [0,02] aos 42-48 meses) e pode ser usado para apoiar esforços clínicos e de saúde pública centrados na prevenção da obesidade no início da vida.

Tags Relacionadas

CriançaEpidemiologiaObesidadeTecnologia

Conteúdo exclusivo para assinantes

Conheça os planos de assinatura aqui

Por que o tema é relevante?

Os “primeiros 1000 dias”, desde a concepção até o final do segundo ano de vida, são reconhecidos como um período crítico para a prevenção da obesidade. Durante esse tempo, há uma maior plasticidade no desenvolvimento e uma oportunidade de impactar os comportamentos obesogênicos antes que se estabeleçam. Identificar crianças que apresentam maior risco de obesidade poderia, portanto, melhorar significativamente os esforços de prevenção.

Qual é o objetivo do artigo?

 Utilizar a tecnologia de aprendizado de máquina (ML, na sigla em inglês) para entender a influência de diferentes fatores nos primeiros 1000 dias de vida nos valores do índice de massa corporal (IMC) na infância.

Quais as principais conclusões?

O estudo analisou informações de 10.348 crianças do banco de dados de Predição da Obesidade na Primeira Infância (OPEL, na sigla em inglês). Os participantes foram divididos em três grupos de acordo com a idade na avaliação final do IMC: 30 a 36 meses (n = 4.204), 36 a 42 meses (n = 4.965) e 42 a 48 meses (n = 2.880). A partir das análises dos dados dos 1.000 primeiros dias de vida, um modelo foi criado para prever o IMC nos dois anos subsequentes. Os resultados mostraram que:

  • Crianças com peso ao nascer mais elevado, mães com idade superior a 30 anos ou que apresentaram fatores de risco durante a gestação (como terapia antirretroviral, diabetes gestacional, diabetes prévio e eclâmpsia), ascendência hispânica dos pais e dificuldade em retornar ao sono após despertares noturnos nos primeiros dois anos de vida apresentaram IMC mais elevado nos três grupos de idade avaliados;
  • Residir em áreas com acesso limitado a alimentos saudáveis parece ser um fator protetor. No entanto, é importante ressaltar que pode haver a presença de fatores de confusão na definição de “pântanos alimentares” adotados pelos pesquisadores que podem ter interferido nas análises realizadas;
  • Essas variáveis foram utilizadas para predizer o IMC. O modelo desenvolvido demonstrou uma acurácia satisfatória, apesar de sua capacidade preditiva ter apresentado uma leve redução ao longo dos anos.

Ao prever os valores de IMC, em vez de focar nas causas da obesidade, o modelo pode auxiliar na comunicação entre profissionais de saúde e pais sobre os riscos da obesidade infantil e as medidas preventivas a serem adotadas.