Analisi Comparativa di Modelli Predittivi per l'Obesità Infantile

Uno studio recente ha confrontato diversi approcci di machine learning e statistici per identificare i fattori determinanti di sovrappeso e obesità tra i bambini e gli adolescenti negli Stati Uniti. La ricerca ha analizzato dati provenienti dal National Survey of Children's Health del 2021, coinvolgendo 18.792 partecipanti di età compresa tra 10 e 17 anni.

Metodologie a Confronto

Sono stati valutati diversi modelli, tra cui regressione logistica, random forest, gradient boosting (XGBoost e LightGBM), multilayer perceptron (MLP) e TabNet. I predittori includevano dieta, attività fisica, sonno, stress genitoriale, condizioni socioeconomiche, esperienze avverse e caratteristiche del quartiere. Le metriche di performance utilizzate sono state AUC, accuratezza, precisione, recall, F1 score e Brier score.

Risultati e Implicazioni

I risultati hanno mostrato che la capacità di discriminazione dei modelli variava da 0.66 a 0.79. La regressione logistica, il gradient boosting e l'MLP hanno dimostrato il miglior equilibrio tra discriminazione e calibrazione. Boosting e deep learning hanno migliorato leggermente il recall e l'F1 score, ma nessun modello si è dimostrato uniformemente superiore. Persistono disparità di performance tra gruppi razziali e socioeconomici, suggerendo la necessità di migliorare la qualità dei dati e la sorveglianza orientata all'equità, piuttosto che aumentare la complessità algoritmica.