Como Data Science ajuda a combater a obesidade


Analisamos projetos do Programa de Data Science para o Bem Social (DSSG) da Universidade de Chicago, que ajudam a tornar o mundo um lugar melhor e, em particular, ajudar a prever a obesidade.

Como todas as tecnologias poderosas, Data Science  não é inerentemente boa ou ruim. Muitas vezes, apenas as aplicações mais nefastas ou mercenárias são relatadas na mídia devido à sua natureza sensacional e incendiária.

Temas como coleta de informações, ganho financeiro ou até mesmo invasão de privacidade formam o foco de muitos artigos, na medida em que muitos projetos que nos beneficiarão são negligenciados. Aqui, veremos os projetos do Programa de Data Science para o Bem Social (DSSG) da Universidade de Chicago, que ajudam a tornar o mundo um lugar melhor.

A doença cardíaca tem sido a principal causa de morte em todo o mundo na última década e a crescente epidemia de obesidade afetará 42% dos americanos até 2030. A DSSG em parceria com a North Shore University Health System objetivou mudar isso através da análise e modelagem de milhares de pessoas. Registros Médicos Eletrônicos (EMRs) coletados pela North Shore University.

big data crescimento obesidade

A obesidade infantil é normalmente identificada através de gráficos de crescimento – curvas percentis que ilustram a altura e a mudança de peso na população. Por exemplo, no gráfico acima, o ponto vermelho indica um menino de 8 anos de idade com 70 quilos, que é mais pesado que 90% dos meninos americanos. Atualmente, há apenas uma versão desses gráficos para cada sexo, ou seja, surtos de crescimento pessoal e outros fatores individuais não são contabilizados. Uma relação de peso em kg para altura em metros quadrados, conhecida como IMC ou índice de massa corporal é outra medida comum usada para identificar se um indivíduo é obeso ou com excesso de peso.

Embora essas medidas sejam boas para identificar indivíduos com excesso de peso, um grande problema com essas medidas é que elas são inerentemente retrospectivas.

EMRs de 23.000 crianças, seguidos ao longo de cerca de 6 anos formaram a entrada para a análise da obesidade. O primeiro passo foi explorar os dados e ver como os registros da North Shore em comparação com os dados do CDC para os EUA, mostram no gráfico abaixo, onde as linhas pontilhadas são os números do CDC e as linhas sólidas são os agregados de North Shore, que média são um pouco maiores do que a população em geral.

obesidade analise masculino

Uma vez que a análise de linha de base estava completa, eles examinaram curvas de crescimento individuais para determinar se uma criança era obesa por 5 poderia mostrar se um indivíduo seria obeso mais tarde na vida.

obesidade analise

A partir das curvas de crescimento pessoal acima, pode-se observar que três indivíduos variam muito. O paciente 1 geralmente segue o percentil 85 da população, o paciente 2 começa no percentil 85, mas reduz drasticamente para o percentil 50 e o paciente 2 experimenta um aumento significativo no IMC, fora da média da população. Se uma subpopulação de crianças que eram obesas em uma idade jovem permanecesse obesa, predizendo quem seria fácil, mas como podemos ver no gráfico, descobrimos que isso não é o caso.

Para poder prever a obesidade futura, eles procuraram outras medidas que pudessem ser adicionadas às análises que pudessem prever com mais precisão a obesidade futura. A medida que eles encontraram diminuiu e retornou ao seu curso original por volta dos 5 ou 6 anos. Eles queriam testar se essa medida estava presente em seu conjunto de dados, então calcularam e plotaram o IMC de cada criança em seu conjunto de dados durante todos os anos. eles foram acompanhados em todos os 4.248 pacientes que tiveram medições de altura e peso aos 5 anos. Eles calcularam se a inclinação do IMC passou de negativa para positiva, quando a criança experimentou a recuperação da adiposidade e foi capaz de encontrar eventos de adiposidade por 1.035 deles.

obesidade individual

Eles traçaram os resultados de cada criança em um histograma e descobriram que isso normalmente ocorre por volta de 5 ou 6 anos, mas muitas vezes a idade era muito mais jovem, aos 2 ou 3 anos, ou às vezes até 8 ou 9 anos.

Então, com a recuperação da adiposidade calculada, quando possível, eles correlacionaram a idade dos pacientes na recuperação da adiposidade com o IMC no final de suas curvas de crescimento particulares. A partir do gráfico de dispersão, eles mostraram que quanto mais jovem uma criança experimenta um rebote de adiposidade, mais provável é que ela seja obesa na infância tardia. Para validar ainda mais a medida, eles examinaram dois modelos de regressão: um com apenas IMC inicial como preditor e o segundo que incluía IMC inicial, bem como a idade de recuperação da adiposidade como preditores de IMC na infância tardia. Usando apenas o IMC inicial, o modelo tem um R quadrado de 0,37 e usando apenas a idade de rebote de adiposidade, o modelo teve um R quadrado de 0,32, mas quando ambos, rebote de adiposidade e IMC inicial foram modelados, o R quadrado saltou para 0,65, significando adicionar este medida mais do que duplicou a variância explicada do modelo.

regressão adiposidade individual

A equipe do projeto tem como objetivo tornar seu método de detecção da adiposidade mais robusto e melhorar ainda mais seus modelos antes que possam ser usados no campo. Os resultados, no entanto, são promissores, dando lugar a uma possível contenção de um dos maiores desafios de saúde do nosso tempo: a obesidade, no momento em que pode ser facilmente combatida, na primeira infância. Permitir que os pais saibam que seu filho estava em risco pode melhorar significativamente as chances de mudar os hábitos de toda a família, abordando o problema antes que ele comece com uma alimentação saudável e hábitos de exercício.

Via KDnuggests

Como Data Science ajuda a combater a obesidade
5 (100%) 1 vote

Artigos relacionados

Ciência de dados para previsão do futuro A análise preditiva na ciência de dados baseia-se na análise de dados explicativos - O que, onde e como os dados para a ciência de dados. Na verdade, ...
Rede neural aprende padrões de fala que evidenciam depressão Para diagnosticar a depressão, os médicos entrevistam os pacientes, fazem perguntas específicas - sobre, digamos, doenças mentais passadas, estilo de ...
Cômoda inteligente poder ajudar as pessoas com demência a alcançar mais independ... Tarefas diárias que parecem insignificantes para muitos de nós podem apresentar grandes desafios para as pessoas que vivem com demência. Vestir-se é u...
Comparando o Machine Learning as a Service da Amazon, Microsoft Azure, Google Cl... Para a maioria das empresas, o machine learning, ou ML, parece ser algo muito complicado, parece caro e exigente em termos de mão-de-obra. E se você p...