可解释机器学习识别黑龙江学前儿童超重肥胖
先了解这件事
2026年11月7日发表的一项横断面研究，基于黑龙江哈尔滨、双鸭山、绥化三地2020年8月下旬至11月下旬采集的监测数据，构建并内部验证可解释机器学习模型，用于识别学前儿童当前超重或肥胖。研究排除35名体重缺失者后纳入1228名儿童，按860/368分为训练集与内部验证集，以BMI标准差评分≥+1定义超重或肥胖。LASSO回归最终保留5个预测因子：睡眠充足性、出生体重、母亲BMI、周末中高强度身体活动和周末屏幕时间。随机森林模型表现最优，ROC曲线下面积0.82（95%CI 0.77-0.86），Brier评分0.16，准确率0.76，F1值0.62；周末身体活动全局重要性最高，其次为母亲BMI。研究者指出，该模型可在无法进行人体测量时辅助预筛排序，但不能替代实测身高体重或标准BMI分类，仍需外部验证。目前进展限于内部验证，尚无外部验证结果。
AI 根据报道生成 · 2 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
- DOAJ 开放获取 · 幼教可解释机器学习如何识别黑龙江学前儿童超重或肥胖：一项多地区横断面研究
一项基于黑龙江哈尔滨、双鸭山、绥化三地监测数据的横断面研究，构建并内部验证了可解释机器学习模型，用于识别学前儿童当前超重或肥胖。研究纳入2020年8月下旬至11月下旬采集的1228名儿童数据（排除35名体重缺失者），按860/368分为训练集与内部验证集，以BMI标准差评分≥+1定义超重或肥胖。LASSO回归最终保留5个预测因子：睡眠充足性、出生体重、母亲BMI、周末中高强度身体活动和周末屏幕时间；随机森林模型表现最优，ROC曲线下面积0.82（95%CI 0.77-0.86），Brier评分0.16，准确率0.76，F1值0.62，其中周末身体活动全局重要性最高，其次为母亲BMI。研究者指出，该模型可在无法进行人体测量时辅助预筛排序，但不能替代实测身高体重或标准BMI分类，仍需外部验证。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。