Artificial intelligence predicting the risk of obesity in children

Cover Page

Cite item

Abstract

Aim – to find effective methods for detecting and preventing obesity at early age.

Material and methods. A dataset including the risk factors for child obesity was processed with artificial neural networks (ANN) and Statistica Neural Networks software. Clinical observations of 30 patients were used. The neural network was trained to predict the risk of obesity in children depending on the values of the selected parameters: standard deviation of body mass index from the norm, sex, age, obesity in parents, birth weight, duration of breastfeeding, deviation of body fat tissue content from the norm, and deviation of nutrition calories from the recommended values.

Results. After training, the neural network MLP-8-7-1 was selected due to its high coefficients of determination 0.999999; 0.999407; 0.984930 for the training, test and control samples, respectively. This indicates the high performance of the trained ANN, the adequacy of which was checked graphically by constructing a histogram of residuals – the difference between the entered and received by the network values of the risk of obesity development in children.

Conclusion. The trained neural network can be used to predict the degree of risk of obesity in children and develop the necessary preventive measures in patients from risk groups.

Full Text

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.

×

About the authors

Timofei V. Chubarov

Voronezh State Medical University named after N.N. Burdenko

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

PhD, Chief Physician of the Voronezh Children's Clinical Hospital, Head of the Center for Endocrinology

Russian Federation, Voronezh

Olga A. Zhdanova

Voronezh State Medical University named after N.N. Burdenko

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

PhD, Associate professor, Department of Clinical Pharmacology

Russian Federation, Voronezh

Olga G. Sharshova

Voronezh State Medical University named after N.N. Burdenko

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

Head of the Department of Endocrinology of the Voronezh Children's Clinical Hospital

Russian Federation, Voronezh

Mariya V. Patritskaya

Voronezh State Medical University named after N.N. Burdenko

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

ultrasound diagnostics doctor of the Voronezh Children’s Clinical Hospital

Russian Federation, Voronezh

Olga G. Galda

Voronezh State Medical University named after N.N. Burdenko

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

6th year medical student

Russian Federation, Voronezh

Kenan S. Niftaliev

Voronezh State Medical University named after N.N. Burdenko

Author for correspondence.
Email: niftaliev.s@yandex.ru
ORCID iD: 0000-0002-6996-4188

4th year medical student

Russian Federation, Voronezh

References

Supplementary files

Supplementary Files
Action
1. Tabl.1

Download (155KB)
2. Tabl.2

Download (163KB)
3. Figure 1. Histogram of the dependence of residuals on the number of observations.

Download (133KB)
4. Figure 2. Response surface of obesity risk degree from the paired effect of the factors: a) BMI-SDS and age, years; b) BMI-SDS and parental obesity; c) BMI-SDS and birth weight, g; d) BMI-SDS and duration of breastfeeding, months; e) SDS-BMI and caloric intake, deviation percentage; f) parental obesity and caloric intake, deviation percentage; g) deviation percentage of fat tissue and weight, g; h) deviation percentage of fat tissue and duration of breastfeeding, months.

Download (2MB)
5. Tabl.3

Download (159KB)
6. Tabl.4

Download (232KB)

Copyright (c) 2022 Chubarov T.V., Zhdanova O.A., Sharshova O.G., Patritskaya M.V., Galda O.G., Niftaliev K.S.

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

This website uses cookies

You consent to our cookies if you continue to use our website.

About Cookies