Комп’ютеризована підтримка прийняття рішень та програми машинного навчання для профілактики та лікування
Додати до Менділі
Основні моменти
Комп’ютеризовані заходи щодо підтримки прийняття рішень щодо ожиріння серед дітей виявилися корисними для дітей та їх опікунів.
Встановлено, що методи машинного навчання дають корисні знання для прогнозування (головним чином) або діагностики ожиріння серед дітей.
Інтеграція алгоритмів машинного навчання в електронні інструменти необхідна для розробки розумних та ефективних цифрових медичних втручань.
Потрібні подальші ретельні дослідження в галузі комп'ютеризованої підтримки прийняття рішень та програм машинного навчання для догляду за ожирінням серед дітей.
Анотація
Передумови
Цифрові медичні втручання на основі інструментів комп'ютеризованої підтримки прийняття рішень (CDS) та машинного навчання (ML), які використовують нові інформаційні, сенсорні та комунікаційні технології, можуть зіграти ключову роль у профілактиці та лікуванні ожиріння серед дітей.
Завдання
Ми представляємо систематичний огляд літератури програм застосування CDS та ML для профілактики та лікування дитячого ожиріння. Продемонстровано основні характеристики та результати досліджень із використанням CDS та ML для просування нашого розуміння щодо розвитку розумних та ефективних заходів щодо догляду за ожирінням серед дітей.
Методи
Проведено пошук у бібліографічних базах даних PubMed та Scopus для виявлення досліджень ожиріння серед дітей, що включають або втручання CDS, або розширену аналітику даних за допомогою алгоритмів ML. Поточні, кейсові та якісні дослідження, а також ті, що не забезпечують конкретних кількісних результатів, були виключені. Дослідження, що включали CDS, були синтезовані відповідно до основної технології втручання (наприклад, мобільний додаток), типу дизайну (наприклад, рандомізоване контрольоване дослідження), кількості зареєстрованих учасників, цільового віку дітей, тривалості спостереження за учасниками, первинного результату (наприклад, Індекс маси тіла (ІМТ)), а також основні функції CDS та їх результати (наприклад, оповіщення для доглядачів, коли ІМТ високий). Дослідження, що включали ML, були синтезовані відповідно до кількості включених суб'єктів та їх віку, використовуваних алгоритмів (-ів) ML (наприклад, логістична регресія), а також їх основних результатів (наприклад, прогнозування ожиріння).