ABD’li Çocuklarda Obeziteyi Tahmin Etmede Yapay Zekâ ve İstatistiksel Yöntemler Karşılaştırıldı
ABD’li Çocuklarda Obeziteyi Tahmin Etmede Yapay Zekâ ve İstatistiksel Yöntemler Karşılaştırıldı
10-17 yaş arası ABD’li çocuklarda fazla kilo ve obeziteyi tahmin etmek için istatistiksel ve makine öğrenimi modellerinin başarısı karşılaştırıldı.
Önemli Noktalar
- 18.792 ABD’li çocuğun 2021 verileri analiz edildi.
- Makine öğrenimi ve derin öğrenme yöntemleri, lojistik regresyona göre sınırlı avantaj sağladı.
- Irginsal farklılıklar ve eşitsizlikler tüm modellerde devam etti.
Çalışmanın Amacı ve Kapsamı
ABD’de çocukluk çağı fazla kilosu ve obezitesi kamu sağlığı açısından önemli bir sorun olmaya devam ediyor. 2021 Ulusal Çocuk Sağlığı Araştırması’ndan elde edilen 10-17 yaş arası 18.792 çocuğun verileri kullanılarak, davranışsal, ailevi ve çevresel faktörlerin fazla kilo ve obezite üzerindeki etkileri çok katmanlı olarak incelendi. Araştırmada, bu faktörlerin obeziteyi öngörmedeki gücü; istatistiksel, makine öğrenimi ve derin öğrenme modelleriyle karşılaştırıldı.
Teknik Detaylar
Fazla kilo ve obezite, vücut kitle indeksi (BMI) kategorilerine göre tanımlandı. Tahminleyici değişkenler arasında beslenme, fiziksel aktivite, uyku, ebeveyn stresi, sosyoekonomik koşullar, olumsuz deneyimler ve mahalle özellikleri yer aldı. Kullanılan modeller şunlardı:
- Lojistik regresyon
- Random forest
- Gradient boosting, XGBoost ve LightGBM
- Çok katmanlı algılayıcı (MLP) ve TabNet
Modeller; AUC, doğruluk, kesinlik, duyarlılık, F1 skoru ve Brier skoru ile değerlendirildi. Ayrım gücü 0,66 ile 0,79 arasında değişti. Lojistik regresyon, gradient boosting ve MLP; ayrım ve kalibrasyon açısından en dengeli sonuçları verdi. Boosting ve derin öğrenme yöntemleri, duyarlılık ve F1 skorunda sınırlı iyileşme sağladı. Hiçbir model tüm metriklerde üstünlük göstermedi.
Sonuçlar ve Öneriler
Daha karmaşık makine öğrenimi ve derin öğrenme algoritmaları, klasik lojistik regresyona göre yalnızca sınırlı düzeyde performans artışı sundu. Davranışsal, ailevi ve çevresel değişkenler tüm modellerde öne çıkan öngörücüler oldu. Irk ve yoksulluk grupları arasında performans eşitsizlikleri sürdü. Araştırmacılar, algoritma karmaşıklığını artırmak yerine veri kalitesinin ve eşitlik odaklı izleme sistemlerinin iyileştirilmesi gerektiğine dikkat çekti.
Kaynak: arxiv.org