在最近发表在《科学报告杂志》上的一项研究中，研究人员使用了一种基于机器学习(ML)的方法，通过评估风险因素和跟踪生命最初1000天(2至4岁)的体重指数(BMI)值来预测成年期肥胖。
背景
全球成年人和儿童的肥胖患病率大幅上升。儿童早期肥胖可以预测成人肥胖、心脏代谢风险和儿童发病率。
肥胖症形成后很难治疗，而且很可能持续存在。因此，研究优先考虑预防肥胖，发现成年期肥胖风险较高的个体可以改善预防工作。
可改变的风险因素包括怀孕前母亲的BMI值较高，怀孕期间体重增加，社会经济地位低，新生儿体重高，以及社区水平变量(如犯罪和食物可及性)。然而，关于变量的综合风险估计潜力的数据是有限的。
尽管有研究报告称，2至4岁的儿童具有较高的发育可塑性和影响健康行为的机会，但目前估计儿童肥胖(包括产前和新生儿初期增加肥胖风险的因素)的努力很少。
一个关于这项研究
在本研究中，研究人员使用ML算法来识别肥胖风险增加的儿童，这可以为肥胖预防政策制定和策略制定提供信息。他们还设计了一种动态的、可预测的BMI追踪器，用于儿童时期识别成年后肥胖的风险。
该团队使用最小的绝对收缩和选择算子(LASSO)回归来保留除身高、体重和体重指数外与儿童肥胖相关的系数最高的特征。
他们利用五倍交叉验证的支持向量回归(SVR)建立了估计模型，以估计30至36个月(4,204人)、36至42个月(4,130人)和42至48个月(2,880人)的BMI。研究小组排除了在所有时期没有≥1.0次临床接触的个体。
模型开发中涉及的步骤是获取和集成原始数据、预处理数据、特征工程、训练和跟踪器验证。跟踪器使用来自所有时期的80.0%的个人数据(训练数据集)进行训练。
从2004年至2019年的早期生命肥胖预测(OPEL)登记处检索电子健康记录(EHRs)、出生证明和地理编码数据。根据美国疾病控制与预防中心(CDC)的建议，研究结果是基于参与者年龄和性别的BMI。
结果
欧宝登记包括149,625次访问，年龄为0.0个月至48.0个月的19,724人，其中10,348人被分析，其中4,204人，4,130人和2,880人年龄为30.0至36.0个月，36.0至42.0个月和42.0至48.0个月。
排除错误记录，输入缺失值和缩放暴露变量，选择了50个变量。经LASSO回归、数据扩充及单因素检验，共分析19个变量。
该模型包括以下变量:0.0至8.0个月、8.0至16个月和16至24个月的平均身高、BMI和体重;期间最后一次相遇与两年前的时间差;两年时的平均年龄、体重、身高、身体质量指数以及体重和身高百分位数;估计两年前最后一次访问与目标访问之间的时间差异。
使用验证数据集(20.0%的患者)对跟踪器进行测试，显示对儿童BMI的准确估计(30.0至36.0个月、36.0至42.0个月和42.0至48.0个月的平均误差为1.0)。
模型中的大多数变量在所有估计范围内都显示出与儿童BMI的显著相关性。研究结果表明，追踪器可以支持临床医生和人群在生命最初几天预防肥胖的努力。
在产前和婴儿期初始阶段检测到与儿童期较高BMI相关的可修改因素，包括怀孕期间的母亲危险因素、剖腹产分娩、出生时婴儿体重较大以及婴儿是否夜间醒来并需要帮助入睡。
居住在食物沙漠地区的个人比例和西班牙裔种族等因素可以防止BMI升高。
结论
总体而言，研究结果表明，儿童BMI轨迹可以在儿童早期使用ML和可改变的危险因素进行评估，支持在不健康肥胖发生之前进行干预以减轻肥胖的健康负担。
产妇健康、儿童睡眠质量和社会经济因素都可能影响儿童童年后期的体重轨迹。
与现有的使用特定时间点的体重截断值来估计BMI的模型不同，体重指数追踪器可以预测未来三个月的BMI间隔(即30.0至36.0个月，36.0至42.0个月和42.0至48.0个月)。
这一发现可以使儿科医生在很长一段时间内观察BMI的变化。
