طراحي سيستم تشخيصي هوشمند به‌منظور پيش‌بيني چاقي در كودكان با استفاده از عوامل شيوه زندگي، وضعيت اجتماعي- اقتصادي و اطلاعات وراثتي

مقدمه: چاقي يكي از مهم‌ترين مشكلات تغذيه‌اي در سراسر دنيا است. اگرچه مطالعات به ‌غير از مشكلات فيزيكي و حركتي، گزارشي مبني بر بروز بيماري‌هاي مزمن ناشي از چاقي در دوران كودكي ارايه نداده‌اند؛ اما چاقي در كودكي مي‌تواند منجر به طيف وسيعي از مشكلات در آينده شود. در اين مطالعه با هدف تشخيص زود هنگام بر آن هستيم تا با طراحي يك سيستم هوشمند احتمال وقوع چاقي را بر اساس اطلاعات اوليه‌اي بر اساس نحوه شيوه زندگي و يا ساير متغيرهاي عمومي اوليه، پيش‌بيني كنيم. روش‌ها: در اين مطالعه 9795 نفر (17/49% پسر) درگروه‌هاي سني 6 تا 18 سال براساس چهارمين فاز مطالعه ملي گسترده كاسپين، مورد بررسي قرارگرفته‌اند. متغيرهاي ورودي سيستم براساس عادات تغذيه‌اي، فعاليت ورزشي، اطلاعات وراثتي، وضعيت اجتماعي و اقتصادي و سابقه چاقي و ديابت مشخص گرديده‌اند. سپس بر اساس روش‌هاي داده‌كاوي و هوش مصنوعي، مشكل چاقي شناسايي و بررسي شده‌ است. روش‌هاي انتخاب ويژگي نيز براي بهينه‌سازي سيستم طراحي ‌شده در نظر گرفته ‌شده است. يافته‌ها: عملكرد روش‌هاي دسته‌بندي مورد مطالعه توسط روش ارزيابي متقابل دولايه‌اي مورد بررسي قرار گرفت. با توجه به نتايج حاصل از ارزيابي، بهترين نتيجه توسط روش دسته‌بندي ماشين‌بردار پشتيبان به‌ دست آمده است. دقت و صحت اين روش شناسايي پس از انتخاب ويژگي به ترتيب 3/63 و 7/83 درصد بوده است. ويژگي‌هايي ازقبيل سن، فعاليت ورزشي، نوع تغذيه در دوران نوزادي و سابقه ديابت در خانواده به‌عنوان تاثيرگذارترين ويژگي‌ها در ايجاد روند چاقي در دو گروه دختر و پسر شناسايي ‌شده‌اند. نتيجه‌گيري: طراحي سيستم‌هاي تشخيصي هوشمند با استفاده از پارامترهايي از قبيل شيوه زندگي، وضعيت اجتماعي اقتصادي و اطلاعات وراثتي مي‌تواند در پيشگيري چاقي كودكان در آينده كمك نموده و به اصلاح شيوه زندگي آنان، بيانجامد. طراحي اين سيستم‌هاي هوشمند تحت وب، مي‌تواند خدمات پيشگيري را براي خانواده‌ها به‌ راحتي ممكن سازد..

Background: Obesity represents one of the most important nutritional problems worldwide.Obesity in childhood can cause variety of health issues such as orthopedic, neurological, pulmonary and gastroenterological disorders in the future, although no side effects were reported from malignant obesity during childhood. In this paper, we presented a computer-aided diagnosis system to predict the obesity based on input features obtained from the life style and other factors of the subjects. Methods: The total number of 9795 subjects (49.17% boy) aged 6 to 18 years taken from the CASPIAN IV study participated in this study. The input parameters of the proposed system were taken from the dietary habit, physical activity, family history, social economic status, and other features. Then, the obesity was predicted using the data mining and artificial intelligence techniques. Feature Selection (FS) methods were also used to improve the performance of the proposed system. The performance of the diagnosis system was assessed based on the hold-out validation framework. Findings: The performance of the classifications method has been validated by hold-out cross validation. Among the different classification techniques tested, SVM with FS showed the best performance. The accuracy and precision of this method were 63.3% and 83.7%, respectively. Some features such as age, physical activities, birth feeding and family history of diabetes mellitus detected as the most effectivefactors with obesity in both gender. Conclusion: Designing of an intelligentdiagnosis system with the input parameter such as life-style, socioeconomic status and genetic information can help predict obesity in children to modify their life-style to improve theirqualityof life in the future. A web-based version of this intelligent system can easily provide the obesity prediction facilities for the families at home.