Искусственный интеллект в прогнозировании степени риска развития ожирения у детей

Обложка


Цитировать

Полный текст

Аннотация

Цель – поиск эффективных методов выявления и профилактики ожирения в более раннем возрасте.

Материал и методы. С помощью искусственных нейронных сетей (ИНС), пакета прикладных программ Statistica Neural Networks обработан массив данных, включающий факторы, влияющие на ожирение детей. Использованы клинические наблюдения, полученные в результате лечения 30 пациентов. Обучена нейронная сеть, позволяющая прогнозировать степень риска развития ожирения у детей в зависимости от значений выбранных параметров: стандартное отклонение индекса массы тела от нормы, пол, возраст, ожирение у родителей, масса тела при рождении, длительность грудного вскармливания, отклонение содержания жировой ткани в организме от нормы, отклонение калорийности питания от рекомендуемых значений.

Результаты. После обучения выбрана нейронная сеть MLP-8-7-1 с высокими коэффициентами детерминации 0,999999; 0,999407; 0,984930 для обучающей, тестовой и контрольной выборок соответственно. Это свидетельствует о высокой производительности обученной ИНС, адекватность которой проверяли графическим методом, строя гистограмму остатков – разности введенных и полученных сетью значений степени риска развития ожирения у детей.

Вывод. Обученная нейронная сеть может быть применена для прогнозирования степени риска развития ожирения у детей и разработки необходимых профилактических мероприятий у пациентов из групп риска.

Полный текст

Список сокращений

ИНС – искусственная нейронная сеть; ИМТ – индекс массы тела.

Введение

Ожирение – это группа заболеваний различной этиологии, объединяющим симптомом которых является избыточное накопление жировой ткани в организме. Чаще всего встречается конституционально-экзогенное ожирение, которое возникает при несоответствии калорийности поступающей в организм пищи и энергетических затрат на фоне наследственной предрасположенности [1, 2].

Детское ожирение имеет не только краткосрочные, но и долгосрочные неблагоприятные последствия, влияющие на физическое и психосоциальное развитие ребенка [3, 4]. Сопутствующий избыточный вес вызывает широкий спектр серьезных осложнений и повышает риск раннего развития множества заболеваний, таких как сахарный диабет, артериальная гипертензия, ишемическая болезнь сердца, гинекологические заболевания, заболевания печени и поражение опорно-двигательного аппарата [5–7]. Ожирение является фактором риска развития сердечно-сосудистых заболеваний и поражений почек, может вызывать или усугуб-лять атопические заболевания, такие как астма, аллергия, атопический дерматит, снижать иммунный ответ на вакцины [8, 9].

На формирование ожирения влияют различные факторы, среди них выделяют немодифицируемые, такие как наследственность и социальный статус семьи, и потенциально модифицируемые – образ жизни, питание и пищевые привычки, физическая активность [10]. Критическими периодами для возникновения ожирения являются ранний детский и подростковый возраст [11]. Одним из факторов риска развития ожирения, особенно в пубертатном периоде, является мужской пол. В среднем по России избыточная масса тела и ожирение у мальчиков выявлены в 2,5%, у девочек – в 1,6% [12]. Нутритивный статус родителей имеет важное значение. Известно, что у детей с избыточной массой тела часто матери страдают ожирением [13, 14]. Ожирение у одного из родителей увеличивает риск ожирения у ребенка в 2–3 раза. Если ожирением страдают оба родителя, то риск возрастает до 15 раз [13].

Выявлена взаимосвязь между наличием ожирения и массой тела при рождении [15–17]. При преждевременных родах риск развития ожирения повышается вдвое [18]. Длительность грудного вскармливания в питании детей первого года жизни также является важным критерием с точки зрения пищевого программирования ожирения [19]. Естественное вскармливание снижает риск развития избыточной массы тела во взрослом состоянии, в то время как искусственное предрасполагает к нему [20].

Представленные данные подчеркивают важность выявления и профилактики ожирения на ранней стадии.

Цель исследования

Поиск эффективных методов прогнозирования и профилактики ожирения в более раннем возрасте.

Материал и методы

Использованы клинические наблюдения, полученные в результате наблюдения 30 пациентов в возрасте от 8 до 16 лет. Дети находились на лечении в эндокринологическом и кардиологическом отделениях Воронежской детской клинической больницы ВГМУ им. Н.Н. Бурденко с 2020 по 2021 гг. Медиана возраста пациентов – 14 лет, 25 и 75 квартили – 10,5 и 14,5 года соответственно. Мальчиков и девочек – по 15 человек (50%). У 24 детей диагностирован избыток массы тела (SDS ИМТ от +1,0 до +2,0), 6 пациентов имели ожирение (SDS ИМТ от +2,4 до +3,0). Всем детям, включенным в исследование, проводились антропометрия, вычисление ИМТ, SDS ИМТ, биоимпедансный анализ состава тела, оценивались анамнестические данные.

Биоимпедансный анализ выполнялся на приборе «Диамант-АИСТ», (производство ООО «Диамант», г. Санкт-Петербург). Метод исследования – импедансометрия. Способ измерения – тетраполярный. Измерение импеданса: 10–500 Ом. Частоты зондирующего тока: 28 кГц, 115 кГц, 460 кГц. Измерения проводились у пациентов после 10-минутного покоя в состоянии лежа с наложенными по инструкции электродами. Предупреждали пациента о необходимости лежать спокойно и расслабленно, дышать естественно, без форсирования дыхания.

Все стадии исследования соответствовали законодательству Российской Федерации, международным этическим нормам, одобрены этическим комитетом ФГБОУ ВО ВГМУ им. Н.Н. Бурденко Минздрава России (протокол № 4 от 25.09.2019 г.). От всех пациентов или их законных представителей было получено информированное согласие.

Для обработки экспериментальных данных применяли метод машинного обучения – искусственную нейронную сеть (ИНС) [21].

В качестве входных параметров использовали показатели, которые отражают наиболее значимые факторы риска развития ожирения у детей.

Стандартное отклонение индекса массы тела от нормы (SDS ИМТ) рассчитывали в программе, рекомендованной ВОЗ (WHO AnthroPlus) на основании значений длины, массы тела, возраста и пола пациентов. Согласно рекомендациям ВОЗ, избыток массы тела диагностировали при значениях SDS ИМТ от +1,0 до +2,0, ожирение – +2,0 и выше.

Учитывали пол детей (мальчики и девочки) и возраст пациентов. Из данных анамнеза получали сведения о наличии ожирения у одного или обоих родителей, массе тела при рождении и длительности грудного вскармливания (в месяцах). Процент отклонения жировой ткани от нормы для ребенка соответствующего возраста и пола получали из данных биоимпедансного анализа.

При расчете калорийности питания анализировали пищевые дневники, которые вели пациенты в течение трех дней, рассчитывали среднее количество калорий, потребляемое пациентом в течение суток. Среднюю норму потребления калорий в сутки для ребенка соответствующего возраста и пола вычисляли по формулам ВОЗ [22]. Определяли процент отклонения калорийности питания от нормы.

Используя балльную оценку факторов, присваивали полученным показателям от 0 до 4 баллов, где 0 – риск отсутствует, 4 – максимально высокий риск.

Результаты

На начальном этапе планирования эксперимента отбирались параметры, которые оказывают значимое влияние на степень риска развития ожирения у детей.

Входные параметры для обучения нейронной сети – стандартное отклонение индекса массы тела от нормы, пол, возраст, ожирение у родителей, отклонения жировой ткани от нормы (%), вес при рождении (г), длительность грудного вскармливания (количество месяцев), калорийность питания (% отклонения от нормы). Входные параметры кодировались, и им присваивались числовые значения (таблица 1).

 

Таблица 1 / Table 1

Входные параметры и их числовые значения

Input parameters and their numerical values

 

Функцией отклика (выходным параметром) являлась степень риска развития ожирения у детей в баллах по шкале от 1 до 10.

Выходной параметр принимал значения от 7 до 10 баллов – если риск развития ожирения у детей высокий, 4–6 баллов – риск умеренный, до 4 баллов – минимальный. В таблице 2 приведена сравнительная характеристика критериев в зависимости от присвоенных баллов.

 

Таблица 2 / Table 2

Сравнительная характеристика критериев

Comparative characteristics of the criteria

 

С целью прогнозирования степени риска развития ожирения у детей закодированные входные параметры были обработаны с использованием пакета прикладных программ Statistica Neural Networks и получены нейросетевые модели. В качестве стратегии построения моделей была выбрана автоматизированная нейронная сеть со следующими настройками: тип сети – многослойный персептрон, минимальное и максимальное количество скрытых нейронов – 4 и 12 соответственно.

После обучения выбрана нейронная сеть MLP-8-7-1 с высокими коэффициентами детерминации 0,999999; 0,999407; 0,984930 для обучающей, тестовой и контрольной выборки. Такие коэффициенты свидетельствуют о высокой производительности обученной сети. Ошибка обучения составила 0,000006, был выбран алгоритм обучения второго порядка точности – BFGS. Функция активации скрытых и выходных нейронов – тождественная.

Адекватность обученной нейронной сети проверяли графическим методом. Для этого строили гистограмму остатков, то есть разности введенных и полученных сетью значений степени риска развития ожирения у детей (рисунок 1).

 

Рисунок 1. Гистограмма зависимости остатков от числа наблюдений.

 

Видно, что имеются выбросные элементы, то есть отклонения некоторых введенных значений степени риска развития ожирения у детей от значений обученной сети. Эти остатки составляют 1,5; 2,5; 3,5; 4,5; 6,5; 7,5. Основная масса сосредоточена в небольшом интервале остатков от 1,5 до 4,5.

При прогнозировании степени риска развития ожирения целесообразно учитывать граничные условия действия факторов. Для этого изучено попарное влияние параметров на степень риска развития ожирения.

На рисунке 2 представлена поверхность отклика выходного параметра (степени риска развития ожирения) в зависимости от попарного влияния различных факторов.

 

Рисунок 2. Поверхность отклика степени риска развития ожирения от попарного влияния факторов: а) SDS ИМТ и возраст, лет; б) SDS ИМТ и ожирение у родителей; в) SDS ИМТ и вес при рождении, г; г) SDS ИМТ и длительность грудного вскармливания, мес.; д) SDS ИМТ и калорийность питания, % отклонения; е) ожирение у родителей и калорийность питания, % отклонения; ж) % отклонения жировой ткани и вес, г; з)% отклонения жировой ткани и длительность грудного вскармливания, мес.

 

Как видно из графиков, степень риска развития ожирения увеличивалась при возрастании стандартного отклонения индекса массы тела, возраста и наличия ожирения у обоих родителей (рисунки 2а, 2б).

Анализируя поверхность отклика (рисунок 2в), наблюдали неравномерность попарного влияния, даже при минимальном весе при рождении, но с ИМТ более 2,6 степень риска развития ожирения составляла свыше 11 баллов. При калорийности питания более 50% и ИМТ менее 1,6 степень риска развития ожирения возрастала (рисунок 2д).

Грудное вскармливание защищает детей от развития ожирения. Даже при высоком ИМТ степень риска развития ожирения получала оценку не более 10 баллов (рисунок 2г), а при значительном проценте отклонения жировой ткани не превышала 5 баллов (рисунок 2з).

По данным поверхности отклика (рисунок 2е) установлено, что ожирение у родителей незначительно влияло на степень риска развития ожирения у детей, и при калорийности питания свыше 50% данный показатель не превышал значение в 8 баллов.

Имея вес при рождении менее 3000 г и отклонение жировой ткани от нормы свыше 120%, степень риска развития ожирения составляла не более 9 баллов (рисунок 2ж).

Анализировали тестовые данные (14 значений), которые не использовали для обучения нейронной сети (таблица 3).

 

Таблица 3/ Table 3

Тестовые значения

Test values

 

После анализа запустили модель по новым введенным данным. Сгенерировали аналогичную выборку, загрузили сохраненную модель с идентификатором сети MLP 8-7-1, которая ранее была выбрана как лучшая. Небольшое значение среднеквадратичной ошибки свидетельствовало о хорошем качестве построенной модели на введенных новых данных (таблица 4).

 

Таблица 4 / Table 4

Предсказанные значения. Нейросеть: MLP 8-7-1 (тестовая выборка)

Predicted values. Neural network: MLP 8-7-1 (test set)

 

В таблице 4 в первом столбце представлены оценки степени риска развития ожирения, полученные в ходе обследования врачом-эндокринологом, во втором – предсказанные нейронной сетью MLP 8-7-1 значения выходного параметра. При сравнении этих данных рассчитаны значения абсолютного отклонения, которые по всей выборке не превышали 0,604849 (третий столбец). Также получены значения относительного отклонения. Сумма квадратов остатков (остаточная сумма квадратов) минимальна и колебалась в диапазоне от 0 до 0,36584. Вероятность точного прогнозирования – 99,8%.

Обсуждение

Полученные результаты свидетельствуют о высокой точности прогнозирования степени развития ожирения у детей.

Похожие научные работы крайне малочисленны. Результаты исследований, проведенных по всему миру, доказывают, что отложение жира и скорость этого процесса зависят от влияния множества разнонаправленных факторов, взаимодействующих друг с другом, основным из которых является наследственный (генетический и эпигенетический).

Авторы предлагают способ прогнозирования риска развития ожирения в детском возрасте, основанный на расчете по приведенной формуле [23]. Но данные о происхождении уравнения, статистической обработке, достоверности полученных результатов отсутствуют. Не приведена точность прогнозирования, хотя в качестве факторов риска использованы 6 параметров.

Есть исследования, в которых предлагается многомерная математическая модель для прогнозирования ожирения у детей школьного возраста, в которой используются следующие показатели: физическая активность, частота перекусов между приемами пищи, индекс массы тела матери и продолжительность грудного вскармливания [24]. Незначительное количество параметров и несерьезный характер некоторых из них, на наш взгляд, не позволяют достичь высокой точности прогнозирования – 80%.

В основе работ по прогнозированию риска развития ожирения у детей лежат генетические исследования [25–27]. Они более точны (95% и выше), но трудоемки, продолжительны и основаны на дорогостоящих лабораторных анализах (в некоторых случаях требуется до 15 исследований).

Интересным представляется возможность прогнозирования ожирения исходя из типа жировой ткани. Например, предлагается выявить соотношение белой, бурой и бежевой жировых тканей и по ним установить предрасположенность к набору веса. Показано, что активность бурого жира сильно снижена у людей, страдающих ожирением, и обратно пропорциональна весу тела, ИМТ, жировой массе, уровню подкожного и висцерального жироотложения [28]. К сожалению, исследования, связанные с отбором образцов жировой ткани, достаточно сложные, анализ занимает несколько недель.

Также представлены результаты анализа клинико-генеалогических, синдромологических и некоторых патогенетически значимых биохимических параметров (определение характера гликемических кривых на фоне стандартного глюкозотолерантного теста, оценка динамики уровней в крови лактата и пирувата, динамика концентраций в крови у испытуемых свободных форм жирных кислот), характеризующих конституционально-экзогенное ожирение у детей. Анализ полученных данных позволил диагностировать патологию у ребенка на самом начальном ее этапе, еще до полного развертывания синдромокомплекса болезни [29]. Основной недостаток предлагаемого способа – длительность подготовительного периода, связанного с установлением некоторых параметров, используемых в прогнозировании, в динамике.

По сравнению с известными способами разработанная нами методика позволяет быстро, с высокой точностью и минимальными затратами прогнозировать риск развития ожирения у детей с применением искусственного интеллекта.

Выводы

С высокой вероятностью обученная нейронная сеть может быть применена для прогнозирования степени риска развития ожирения у детей разного возраста, что позволит своевременно начать профилактические мероприятия.

Конфликт интересов: авторы заявляют об отсутствии конфликта интересов, требующего раскрытия в данной статье.

×

Об авторах

Тимофей В. Чубаров

ФГБОУ ВО «Воронежский государственный медицинский университет им. Н.Н. Бурденко» Минздрава России

Email: chubarov25@yandex.ru
ORCID iD: 0000-0002-1352-7026

канд. мед. наук, главный врач Воронежской детской клинической больницы, директор эндокринологического центра

Россия, Воронеж

Ольга А. Жданова

ФГБОУ ВО «Воронежский государственный медицинский университет им. Н.Н. Бурденко» Минздрава России

Email: olga.vr9@yandex.ru
ORCID iD: 0000-0002-3917-0395

д-р мед. наук, доцент кафедры клинической фармакологии

Россия, Воронеж

Ольга Г. Шаршова

ФГБОУ ВО «Воронежский государственный медицинский университет им. Н.Н. Бурденко» Минздрава России

Email: genvgma@yandex.ru
ORCID iD: 0000-0003-0412-7853

заведующая отделением эндокринологии Воронежской детской клинической больницы

Россия, Воронеж

Мария В. Патрицкая

ФГБОУ ВО «Воронежский государственный медицинский университет им. Н.Н. Бурденко» Минздрава России

Email: doctorpatrikUZD@yandex.ru
ORCID iD: 0000-0002-4498-0130

врач ультразвуковой диагностики Воронежской детской клинической больницы

Россия, Воронеж

Ольга Г. Галда

ФГБОУ ВО «Воронежский государственный медицинский университет им. Н.Н. Бурденко» Минздрава России

Email: galda.ol@yandex.ru
ORCID iD: 0000-0003-2891-0906

студентка 6 курса

Россия, Воронеж

Кенан С. Нифталиев

ФГБОУ ВО «Воронежский государственный медицинский университет им. Н.Н. Бурденко» Минздрава России

Автор, ответственный за переписку.
Email: niftaliev.s@yandex.ru
ORCID iD: 0000-0002-6996-4188

студент 4 курса

Россия, Воронеж

Список литературы

  1. Peterkova VA, Bezlepkina OB, Bolotova NV, et al. Clinical guidelines “Obesity in children”. Problems of Endocrinology. 2021;67(5):67-83. (In Russ.). [Петеркова В.А., Безлепкина О.Б., Болотова Н.В., и др. Клинические рекомендации «Ожирение у детей». Проблемы эндокринологии. 2021;67(5):67-83]. doi: 10.14341/probl12802
  2. Adiyeva MK, Aukenov NE, Kazymov MS. Prevalence and risk factors of obesity among adolescents. Science & Healthcare. 2021;1(23):21-29. (In Russ.). [Адиева М.К., Аукенов Н.Е., Казымов М.С. Распространенность и факторы риска ожирения среди подростков. Наука и здравоохранение. 2021;1(23):21-29]. doi: 10.34689/SH.2021.23.1.003
  3. Dakhkilgova KhT. Childhood obesity: the current state of the problem. Pediatric Nutrition. 2019;17(5):47-53. (In Russ.). [Дахкильгова Х.Т. Детское ожирение: современное состояние проблемы. Вопросы детской диетологии. 2019;17(5):47-53]. doi: 10.20953/1727-5784-2019-5-47-53
  4. United Nations Children’s Fund (UNICEF), World Health Organization, International Bank for Reconstruction and Development/The World Bank. Levels and trends in child malnutrition: Key Findings of the 2020 Edition of the Joint Child Malnutrition Estimates. Geneva: World Health Organization; 2020. Licence: CC BY-NC-SA 3.0 IGO.
  5. Posokhova NV, Bolotova NV. Obesity as a forming factor of arterial hypertension in children and adolescents. Pediatrics named after G.N. Speransky. 2015;94(5):127-131. (In Russ.). [Посохова Н.В., Болотова Н.В. Ожирение как фактор формирования артериальной гипертензии у детей и подростков. Педиатрия. Журнал им. Г.Н. Сперанского. 2015;94(5):127-131].
  6. Bokova TA. Lipid profile of obese children with metabolic syndrome. Experimental and Clinical Gastroenterology. 2021;1(1):75-81. (In Russ.). [Бокова Т.А. Липидный профиль детей с ожирением и метаболическим синдромом. Экспериментальная и клиническая гастроэнтерология. 2021;1(1):75-81]. doi: 10.31146/1682-8658-ecg-185-1-75-81
  7. Kostrova GN, Malyavskaya SI, Lebedev AV. Vitamin D deficiency and carbohydrate metabolism in obese children and adolescents. Problems of Nutrition. 2021;90(1):57-64. (In Russ.). [Кострова Г.Н., Малявская С.И., Лебедев А.В. Недостаточность витамина D и параметры углеводного обмена у детей и подростков с ожирением. Вопросы питания. 2021;90(1):57-64]. doi: 10.33029/0042-8833-2021-90-1-57-64
  8. Ding W, Cheung WW, Mak RH. Impact of obesity on kidney function and blood pressure in children. World J Nephrol. 2015;4(2):223-229. doi: 10.5527/wjn.v4.i2.223
  9. Kelishadi R, Roufarshbaf M, Soheili S, et al. Association of Childhood Obesity and the Immune System: A Systematic Review of Reviews. Child Obes. 2017;13(4):332-346. doi: 10.1089/chi.2016.0176
  10. Razina AО, Runenko SD, Achkasov EЕ. Obesity: Current Global and Russian Trends. Annals of the Russian Academy of Medical Sciences. 2016;71(2):154-159. (In Russ.). [Разина А.О., Руненко С.Д., Ачкасов Е.Е. Проблема ожирения: современные тенденции в России и в мире. Вестник РАМН. 2016;71(2):154-159]. doi: 10.15690/vramn655
  11. Inchley J, Currie D, Budisavljevic S, et al. Spotlight on adolescent health and well-being. Findings from the 2017/2018 Health Behaviour in School-aged Children (HBSC) survey in Europe and Canada. International report. Volume 1. Key findings. Copenhagen: WHO Regional Office for Europe; 2020. Licence: CC BY-NC-SA 3.0 IGO.
  12. Kon IYa, Volkova LYu, Korosteleva MM, et al. Incidence of obesity in children of preschool and school age in the Russian Federation. Voprosy detskoj dietologii. 2011;9(4):5-8. (In Russ.). [Конь И.Я., Волкова Л.Ю., Коростелева М.М., и др. Распространенность ожирения у детей дошкольного и школьного возраста в Российской Федерации. Вопросы детской диетологии. 2011;9(4):5-8]. doi: 10.20953/1727-5784-2011-4-5-8
  13. Weihrauch-Blüher S, Wiegand S. Risk Factors and Implications of Childhood Obesity. Curr Obes Rep. 2018;7:254-259. doi: 10.1007/s13679-018-0320-0
  14. Martínez-Villanueva J, González-Leal R, Argente J, Martos-Moreno GÁ. Parental obesity is associated with the severity of childhood obesity and its comorbidities. An Pediatr. 2019;90(4):224-231. doi: 10.1016/j.anpedi.2018.06.013
  15. Zou Z, Yang Z, Yang Z, et al. Association of high birth weight with overweight and obesity in Chinese students aged 6-18 years: a national, cross-sectional study in China. BMJ Open. 2019;9:e024532. doi: 10.1136/bmjopen-2018-024532
  16. Rito AI, Buoncristiano M, Spinelli A, et al. Association between Characteristics at Birth, Breastfeeding and Obesity in 22 Countries: The WHO European Childhood Obesity Surveillance Initiative – COSI 2015/2017. Obes Facts. 2019;12:226-243. doi: 10.1159/000500425
  17. Lee JW, Lee M, Lee J, et al. The Protective Effect of Exclusive Breastfeeding on Overweight/Obesity in Children with High Birth Weight. J Korean Med Sci. 2019;34(10):e85. doi: 10.3346/jkms.2019.34.e85
  18. Wallby T, Lagerberg D, Magnusson M. Relationship Between Breastfeeding and Early Childhood Obesity: Results of a Prospective Longitudinal Study from Birth to 4 Years. Breastfeed Med. 2017;12:48-53. doi: 10.1089/bfm.2016.0124
  19. Arenz S, Rückerl R, Koletzko B. Breast-feeding and childhood obesity - a systematic review. Int J Obes. 2004; 28:1247-1256. doi: 10.1038/sj.ijo.0802758
  20. Brenner BM, Chertow GM. Congenital oligonephropathy: an inborn cause of adult hypertension and progressive renal injury? Curr Opin Nephrol Hypertens. 1993;2(5):691-5. PMID: 7922212
  21. Yacim JA, Boshoff DGB. Impact of Artificial Neural Networks Training Algorithms on Accurate Prediction of Property Values. Journal of Real Estate Research. 2018;40(3):375-418. doi: 10.1080/10835547.2018.12091505
  22. Energy and protein requirements. Report of a joint FAO/WHO/UNU Expert Consultation. World Health Organ Tech Rep Ser. 1985;724:1-206. PMID: 3937340
  23. Kovtun OP, Ustyuzhanina MA. A method for predicting the risk of developing obesity in childhood. 2019. Patent RU 2696446 C1. (In Russ.). [Ковтун О.П., Устюжанина М.А. Способ прогнозирования риска развития ожирения в детском возрасте. 2019. Патент RU 2696446 C1].
  24. Anufriyeva EV, Shershnev VN, Kovtun OP. Classification trees for predicting obesity in school-aged children. Profilakticheskaya medicina. 2021;24(7):30-36. (In Russ.). [Ануфриева Е.В., Шершнев В.Н., Ковтун О.П. Деревья классификации как метод прогнозирования ожирения у детей школьного возраста. Профилактическая медицина. 2021;24(7):30-36]. doi: 10.17116/profmed20212407130
  25. Walley AJ, Blakemore AIF, Froguel Ph. Genetics of obesity and the prediction of risk for health. Human molecular genetics. 15. 2006;2:124-130. doi: 10.1093/hmg/ddl215
  26. Simmonds M, Burch J, Llewellyn A, et al. The use of measures of obesity in childhood for predicting obesity and the development of obesity-related diseases in adulthood: a systematic review and meta-analysis. Health technology assessment. 2015;19(43):1-336. doi: 10.3310/hta19430
  27. Seral-Cortes M, Sabroso-Lasa S, Miguel-Etayo D, et al. Development of a Genetic Risk Score to predict the risk of overweight and obesity in European adolescents from the HELENA study. Scientific reports. 2021;11(1):1-11. doi: 10.1038/s41598-021-82712-4
  28. Saito M, Okamatsu-Ogura Y, Matsushita M, et al. High incidence of metabolically active brown adipose tissue in healthy adult humans: effects of cold exposure and adiposity. Diabetes. 2009;58(7):1526-1531. doi: 10.2337/db09-0530
  29. Kartelishev AV. Issues of early diagnosis of children's predisposition to constitutional-exogenous obesity. Pediatrics named after G.N. Speransky. 2006;85(4):7-10. (In Russ.). [Картелишев А.В. Вопросы ранней диагностики предрасположенности детей к конституционально-экзогенному ожирению. Педиатрия. Журнал им. Г.Н. Сперанского. 2006; 85(4):7-10].

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Табл.1

Скачать (155KB)
Метаданные
3. Табл.2

Скачать (163KB)
Метаданные
4. Рисунок 1. Гистограмма зависимости остатков от числа наблюдений.

Скачать (133KB)
Метаданные
5. Рисунок 2. Поверхность отклика степени риска развития ожирения от попарного влияния факторов: а) SDS ИМТ и возраст, лет; б) SDS ИМТ и ожирение у родителей; в) SDS ИМТ и вес при рождении, г; г) SDS ИМТ и длительность грудного вскармливания, мес.; д) SDS ИМТ и калорийность питания, % отклонения; е) ожирение у родителей и калорийность питания, % отклонения; ж) % отклонения жировой ткани и вес, г; з)% отклонения жировой ткани и длительность грудного вскармливания, мес.

Скачать (2MB)
Метаданные
6. Табл.3

Скачать (159KB)
Метаданные
7. Табл.4

Скачать (232KB)
Метаданные

© Чубаров Т.В., Жданова О.А., Шаршова О.Г., Патрицкая М.В., Галда О.Г., Нифталиев К.С., 2022

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.