論文の概要: Multilevel Determinants of Overweight and Obesity Among U.S. Children Aged 10-17: Comparative Evaluation of Statistical and Machine Learning Approaches Using the 2021 National Survey of Children's Health

• arxiv url: http://arxiv.org/abs/2602.20303v1
• Date: Mon, 23 Feb 2026 19:31:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.506042
• Title: Multilevel Determinants of Overweight and Obesity Among U.S. Children Aged 10-17: Comparative Evaluation of Statistical and Machine Learning Approaches Using the 2021 National Survey of Children's Health
• Title（参考訳）: 10-17歳児の肥満と体重の多水準要因:2021年全国小児健康調査による統計的アプローチと機械学習アプローチの比較検討
• Authors: Joyanta Jyoti Mondal,
• Abstract要約: 全国小児健康調査から10～17歳児18,792例の分析を行った。 肥満は、食事、身体活動、睡眠、親のストレス、社会経済的条件、悪体験、近隣特性などを含むBMIカテゴリーで定義されている。 AUC,精度,精度,リコール,F1スコア,ブライアスコアを用いて評価を行った。
• 参考スコア（独自算出の注目度）: 0.2538209532048867
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Background: Childhood and adolescent overweight and obesity remain major public health concerns in the United States and are shaped by behavioral, household, and community factors. Their joint predictive structure at the population level remains incompletely characterized. Objectives: The study aims to identify multilevel predictors of overweight and obesity among U.S. adolescents and compare the predictive performance, calibration, and subgroup equity of statistical, machine-learning, and deep-learning models. Data and Methods: We analyze 18,792 children aged 10-17 years from the 2021 National Survey of Children's Health. Overweight/obesity is defined using BMI categories. Predictors included diet, physical activity, sleep, parental stress, socioeconomic conditions, adverse experiences, and neighborhood characteristics. Models include logistic regression, random forest, gradient boosting, XGBoost, LightGBM, multilayer perceptron, and TabNet. Performance is evaluated using AUC, accuracy, precision, recall, F1 score, and Brier score. Results: Discrimination range from 0.66 to 0.79. Logistic regression, gradient boosting, and MLP showed the most stable balance of discrimination and calibration. Boosting and deep learning modestly improve recall and F1 score. No model was uniformly superior. Performance disparities across race and poverty groups persist across algorithms. Conclusion: Increased model complexity yields limited gains over logistic regression. Predictors consistently span behavioral, household, and neighborhood domains. Persistent subgroup disparities indicate the need for improved data quality and equity-focused surveillance rather than greater algorithmic complexity.
• Abstract（参考訳）: 背景: 幼児と青年の過体重と肥満は、米国において主要な公衆衛生上の関心事であり、行動、家庭、および地域社会の要因によって形成されている。 人口レベルでの彼らの共同予測構造は、いまだに不完全である。 目的: この研究は、米国の青年期における多段階の肥満と肥満の予測因子を特定し、統計モデル、機械学習モデル、ディープラーニングモデルの予測性能、校正、サブグループエクイティを比較することを目的としている。 データと方法:2021年度全国小児健康調査から10～17歳児18,792人を分析した。 過体重/肥満はBMIカテゴリで定義される。 予測者は、食事、身体活動、睡眠、親のストレス、社会経済的条件、悪体験、近隣特性などであった。 モデルは、ロジスティック回帰、ランダムフォレスト、勾配上昇、XGBoost、LightGBM、多層パーセプトロン、TabNetなどである。 AUC,精度,精度,リコール,F1スコア,ブライアスコアを用いて評価を行った。 結果: 識別範囲は0.66から0.79。 ロジスティック回帰,勾配上昇,MLPは最も安定した判別と校正のバランスを示した。 ブースティングとディープラーニングはリコールとF1スコアを控えめに改善する。 モデルも一様ではなかった。 人種と貧困グループ間のパフォーマンス格差は、アルゴリズム全体で持続する。 結論: モデル複雑性の増加はロジスティック回帰よりも限られた利得をもたらす。 予測者は、常に行動、家庭、近隣のドメインにまたがる。 永続的なサブグループ格差は、アルゴリズムの複雑さよりも、データ品質の改善とエクイティ重視の監視の必要性を示している。

関連論文リスト

• Deep learning outperforms traditional machine learning methods in predicting childhood malnutrition: evidence from survey data [2.3951444869691594]
  本研究は, 栄養失調を識別するための機械学習および深層学習方法論の総合的評価を初めて行った。 栄養失調の主要な予測要因は、母系教育、家計資産指数、児童年齢であり、次いで地理的特徴である。 提案手法は、持続可能な開発目標に向けたネパールの進歩を支援し、世界中で同様の低リソース設定のための転送可能な方法論テンプレートを提供する。
  論文  参考訳（メタデータ） (2026-02-11T00:04:22Z)
• Child Mortality Prediction in Bangladesh: A Decade-Long Validation Study [0.0]
  バングラデシュの2011-2022年の人口統計調査(DHS)データ(n = 33,962)は,本論文で使用される。 モデルを(2011-2014)データでトレーニングし、2017年データで検証し、2022年データでテストしました。 モデルの最初のテストから8年後、遺伝的アルゴリズムをベースとしたNeural Architecture Searchは、XGBoostよりも優れた単層ニューラルネットワークを発見した。
  論文  参考訳（メタデータ） (2026-02-03T19:18:50Z)
• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
  本研究では、ドメイン固有の公平度指標を用いてタスク間でバイアスがどのように進化し、異なるCL戦略がこの進化にどのように影響するかを検討する。 以上の結果から,擬似ラベルと擬似ラベルの学習は最適分類性能を実現するが,擬似ラベルの偏りは小さいことが示唆された。
  論文  参考訳（メタデータ） (2024-04-10T09:48:52Z)
• Uncertainty-guided Boundary Learning for Imbalanced Social Event Detection [64.4350027428928]
  本研究では,不均衡なイベント検出タスクのための不確実性誘導型クラス不均衡学習フレームワークを提案する。 我々のモデルは、ほとんど全てのクラス、特に不確実なクラスにおいて、社会イベントの表現と分類タスクを大幅に改善する。
  論文  参考訳（メタデータ） (2023-10-30T03:32:04Z)
• A Study of Age and Sex Bias in Multiple Instance Learning based Classification of Acute Myeloid Leukemia Subtypes [44.077241051884926]
  複数のMILモデルをトレーニングセットで異なるレベルの性不均衡を用いて訓練し、特定の年齢群を除外する。 性別と年齢の偏りがAMLサブタイプ分類モデルの性能に及ぼす影響について検討した。
  論文  参考訳（メタデータ） (2023-08-24T09:32:46Z)
• Adapting Machine Learning Diagnostic Models to New Populations Using a Small Amount of Data: Results from Clinical Neuroscience [21.420302408947194]
  我々は、ソースグループからのデータを最適に組み合わせ、ターゲットグループで予測する、重み付き経験的リスク最小化手法を開発した。 本研究では,アルツハイマー病の診断と脳年齢推定のためのMLモデルを構築するため,20の神経画像研究から15,363人のマルチソースデータに適用した。
  論文  参考訳（メタデータ） (2023-08-06T18:05:39Z)
• Who will Leave a Pediatric Weight Management Program and When? -- A machine learning approach for predicting attrition patterns [1.0705399532413615]
  小児科における重度管理プログラムは,肥満と重度肥満の小児の標準治療であると考えられる。 高い落差率(トリクションと呼ばれる)は、介入を成功させる上で大きなハードルとなる。 a) 体重管理プログラムに参加した後, 子どもの身体質量指数(BMI)のパーセンタイルの変化を予測するための機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2022-02-03T18:41:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。