Machine Learning zur Stoffwechselsyndrom-Vorhersage bei Jugendlichen anhand von Bewegungsverhalten
Von KI ausgewählt und zusammengefasst
Worum es geht
Entwicklung und interne Validierung eines Machine-Learning-Modells zur Identifikation von Stoffwechselsyndrom bei 822 chinesischen 12–15-Jährigen anhand von Beschleunigungsmesser-Daten und Körperzusammensetzung.
Ergebnis
Extra-Trees-Modell erreichte AUC 0,864 im internen Test-Set, Genauigkeit 92,02%, Spezifität 93,33%, Sensitivität 76,92%; SHAP identifizierte Körperfettanteil (0,08) und moderate körperliche Aktivität (0,04) als Hauptprädiktor – externe Validierung noch erforderlich.
Übertragbarkeit auf Deutschland
Chinesische Schulsample; konzeptionell auf deutsche SchulScreenings übertragbar, aber noch keine Multicentrierung.
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.