Afilieri

  • 1 1 Centrul pentru Știința Greutății, Alimentației și Stilului de Viață și Departamentul de Psihologie, Universitatea Drexel, Philadelphia, PA, SUA.
  • 2 2 Departamentul de Psihologie, Colegiul de Arte și Științe, Universitatea Drexel, Philadelphia, PA, SUA.
  • 3 3 Departamentul de Psihiatrie și Comportament Uman, Warren Alpert Medical School of Brown University, Centrul de cercetare pentru controlul greutății și diabetului din spitalul Miriam, Providence, RI, SUA.
  • 4 4 Biroul președintelui, Universitatea din New England, Biddeford, ME, SUA.
  • PMID: 29792067
  • PMCID: PMC6134608
  • DOI: 10.1177/1932296818775757
Articol PMC gratuit

Autori

Afilieri

  • 1 1 Centrul pentru Știința Greutății, Alimentației și Stilului de Viață și Departamentul de Psihologie, Universitatea Drexel, Philadelphia, PA, SUA.
  • 2 2 Departamentul de Psihologie, Colegiul de Arte și Științe, Universitatea Drexel, Philadelphia, PA, SUA.
  • 3 3 Departamentul de Psihiatrie și Comportament Uman, Școala Medicală Warren Alpert de la Universitatea Brown, Centrul de Cercetare a Controlului Greutății și Diabetului din Spitalul Miriam, Providence, RI, SUA.
  • 4 4 Biroul președintelui, Universitatea din New England, Biddeford, ME, SUA.

Abstract

Fundal: Persoanele care respectă ghidurile dietetice furnizate în timpul intervențiilor de slăbire tind să aibă mai mult succes în controlul greutății. Orice abatere de la liniile directoare dietetice poate fi denumită „caducă”. Există un număr tot mai mare de cercetări care arată că decăderile sunt previzibile folosind o varietate de indicatori fiziologici, de mediu și psihologici. Odată cu progresele tehnologice recente, ar putea fi posibil să se evalueze acești factori declanșatori și să se prevadă caderile dietetice în timp real. Studiul actual a urmărit să utilizeze tehnici de învățare automată pentru a prezice deficiențele și pentru a evalua utilitatea combinării datelor atât la nivel de grup, cât și la nivel individual pentru a spori predicția caducității.

învățării

Metode: Studiul actual a instruit și testat un algoritm de învățare automată capabil să prezică caderile dietetice dintr-un program comportamental de pierdere în greutate în rândul adulților cu supraponderalitate/obezitate (n = 12). Participanții au fost rugați să urmeze o dietă de control al greutății timp de 6 săptămâni și să completeze evaluarea ecologică momentană (EMA; sondaje scurte repetate livrate prin smartphone) cu privire la caderile dietetice și factorii declanșatori relevanți.

Rezultate: Arborii de decizie WEKA au fost folosiți pentru a prezice cadențe cu o precizie de 0,72 pentru grupul de participanți. Cu toate acestea, generalizarea algoritmului grupului pentru fiecare individ a fost slabă și, ca atare, datele la nivel de grup și individuale au fost combinate pentru a îmbunătăți predicția. Constatările sugerează că 4 săptămâni de colectare a datelor individuale sunt recomandate pentru a atinge performanța optimă a modelului.

Concluzii: Algoritmul predictiv ar putea fi utilizat pentru a oferi intervenții instantanee pentru a preveni caderile dietetice și, prin urmare, pentru a spori pierderile în greutate. Mai mult, metodele din studiul actual ar putea fi transpuse în alte tipuri de cadouri ale comportamentului de sănătate.

Cuvinte cheie: dietă; evaluare ecologică de moment; învățare automată; obezitate.

Declarație privind conflictul de interese

Declarație de interese conflictuale: Autorul (autorii) nu a declarat potențiale conflicte de interese în ceea ce privește cercetarea, autorul și/sau publicarea acestui articol.