Aplicații computerizate de sprijinire a deciziilor și de învățare automată pentru prevenirea și tratarea
Adăugați la Mendeley
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).