Adăugați la Mendeley

sprijinire

Repere

Intervențiile computerizate de sprijinire a deciziilor pentru obezitatea infantilă s-au dovedit a fi utile copiilor și îngrijitorilor acestora.

S-a descoperit că tehnicile de învățare automată generează cunoștințe utile pentru a prezice (în principal) sau a diagnostica obezitatea infantilă.

Integrarea algoritmilor de învățare automată în instrumentele electronice este necesară pentru a dezvolta intervenții digitale inteligente și de impact asupra sănătății.

Sunt necesare studii riguroase suplimentare în domeniul suportului decizional computerizat și al aplicațiilor de învățare automată pentru îngrijirea obezității la copii.

Abstract

fundal

Intervențiile digitale de sănătate bazate pe instrumente pentru asistența computerizată a deciziilor (CDS) și învățarea automată (ML), care profită de noile tehnologii de informare, detectare și comunicare, pot juca un rol cheie în prevenirea și tratamentul obezității la copii.

Obiective

Prezentăm o revizuire sistematică a literaturii privind aplicațiile CDS și ML pentru prevenirea și tratamentul obezității infantile. Principalele caracteristici și rezultate ale studiilor care utilizează CDS și ML sunt demonstrate, pentru a avansa înțelegerea noastră către dezvoltarea unor intervenții inteligente și eficiente pentru îngrijirea obezității la copii.

Metode

O căutare în bazele de date bibliografice ale PubMed și Scopus a fost efectuată pentru a identifica studiile de obezitate infantilă care încorporează fie intervenții CDS, fie analize avansate de date prin algoritmi ML. Au fost excluse studiile continue, de caz și calitative, împreună cu cele care nu furnizează rezultate cantitative specifice. Studiile care încorporează CDS au fost sintetizate în funcție de tehnologia principală a intervenției (de exemplu, aplicație mobilă), tipul de proiectare (de exemplu, studiu controlat randomizat), numărul de participanți înscriși, vârsta țintă a copiilor, durata de urmărire a participanților, rezultatul primar (de ex., Indicele masei corporale (IMC)) și principalele caracteristici ale CDS și rezultatele acestora (de exemplu, alerte pentru îngrijitori atunci când IMC este mare). Studiile care încorporează ML au fost sintetizate în funcție de numărul de subiecți incluși și de vârsta lor, de algoritmii ML utilizați (de exemplu, regresia logistică), precum și de rezultatul principal (de exemplu, predicția obezității).

Rezultate

Căutarea în literatură a identificat 8 studii care încorporează intervenții CDS și 9 studii care utilizează algoritmi ML, care îndeplinesc criteriile noastre de eligibilitate. Toate studiile au raportat rezultate intervenționale sau model ML semnificative statistic (de exemplu, în ceea ce privește acuratețea). Mai mult de jumătate din studiile intervenționale (n = 5, 63%) au fost concepute ca studii randomizate controlate. Jumătate din studiile intervenționale (n = 4, 50%) au utilizat fișe electronice de sănătate (EHR) și alerte pentru IMC ca mijloace de CDS. Din cele 9 studii care utilizează ML, cel mai mare procent vizează prognosticul obezității (n = 4, 44%). În studiile care încorporează mai mulți algoritmi ML și precizia raportării, s-a demonstrat că arborii de decizie și rețelele neuronale artificiale pot prezice cu precizie obezitatea la copii.

Concluzii

Această revizuire a constatat că instrumentele CDS pot fi utile pentru autogestionarea sau gestionarea medicală la distanță a obezității infantile, în timp ce algoritmii ML, cum ar fi arborii de decizie și rețelele neuronale artificiale, pot fi de ajutor în scopuri de predicție. Sunt necesare studii riguroase suplimentare în domeniul CDS și ML pentru îngrijirea obezității la copii, având în vedere numărul redus de studii identificate în această revizuire, limitările metodologice ale acestora și lipsa studiilor intervenționale care încorporează algoritmi ML în instrumentele CDS.

Anterior articolul emis Următorul articolul emis