Multi-grade obesity classification and key lifestyle risk analysis using a learning rate-tuned K-means-XGBoost hybrid approach

لم تعد السمنة مجرد مسأية تتعلق بوزن أكثر مما ينبغي؛ بل هي تحدٍ معقد للصحة العامة يختلف بعمق من شخص لآخر. وبينما اعتمد العالم لفترة طويلة على قياسات بسيطة مثل مؤشر كتلة الجسم لتصنيف الوزن، فإن هذه الأرقام الفردية غالبًا ما تغفل عن الشبكة المعقدة من العوامل التي تدفع الشخص نحو مستوى معين من السمنة. إن خطر الشخص يتشكل من خلال مزيج من البيولوجيا، مثل الجنس والوراثة، والعادات اليومية، بما في ذلك ما يأكله، وكيف يتحرك، وكيف يقضي وقته. إن فهم هذه الطبقات أمر بالغ الأهمية لأن نهج "النموذج الواحد الذي يناسب الجميع" للوقاية غالبًا ما يفشل. ولمعالجة ذلك، يتجه الباحثون إلى أنظمة حاسوبية متقدمة يمكنها فحص كميات هائلة من البيانات الصحية، بحثًا عن أنماط خفية قد يغفل عنها المراقب البش ي. وتستخدم هذه الأنظمة نوعين رئيسيين من التعلم: أحدهما يقوم بتجميع الأشخاص المتشابهين معًا بناءً على سمات مشتركة، والآخر يتعلم من تلك المجموعات لإجراء تنبؤات دقيقة بشأن المخاطر الصحية.

في دراسة حديثة، وضع فريق من الباحثين من جامعة فوتشو للدراسات والتجارة الدولية وجامعة جنوب الصين الطبيعية خطة لبناء طريقة أكثر ذكاءً لتصنيف السمنة. أرادوا تجاوز الفئات البسيطة وإنشاء نظام يمكنه التمييز بين سبعة مستويات مختلفة من حالة الوزن، بدءًا من نقص الوزن وصولاً إلى أكثر أشكال السمنة شدة. ولتحقيق ذلك، طوروا نموذجًا حاسوبيًا هجينًا يجمع بين طريقتين قويتين. أولًا، يستخدم النموذج تقنية تجميع لتنظيم آلاف الأشخاص في مجموعات (clusters) بناءً على مدى تشابه أنماط حياتهم وسماتهم الجسدية. ثم يستخدم محرك تنبؤ قوي لتحليل هذه المجموعات وتحديد العوامل الأكثر مسؤولية عن دفع شخص ما إلى فئة خطر أعلى. وقد اختبر الباحثون نظامهم على مجموعة بيانات ضخمة ومتاحة للجمهور تحتوي على أكثر من 20,000 فرد، مما ضمن أن تكون نتائجهم مبنية على عينة قوية ومتنوعة من بيانات العالم الحقيقي.

بدأ الباحثون بتنظيف وتنظيم البيانات، والتي تضمنت تفاصيل حول العمر، والجنس، والطول، والوزن، ومجموعة واسعة من عادات نمط الحياة. تراوحت هذه العادات من معدل تناول الخضروات أو المشروبات السكرية إلى وتيرة النشاط البدني، وحالة التدخين، وحتى مقدار الوقت الذي يقضونه في استخدام الأجهزة الإلكترونية. لقد تحققوا بدقة من البيانات بحثًا عن الأخطاء، مثل الملصقات المكتوبة بشكل خاطئ أو الأرقام غير المتسقة، لضمان أن الحاسوب يتعلم من معلومات دقيقة. وبمجرد تجهيز البيانات، طبقوا طريقة التجميع الخاصة بهم لفرز 20,758 مشاركًا إلى سبع مجموعات متميزة. كانت هذه الخطوة حيوية لأنها سمحت للحاسوب برؤية التشابهات الدقيقة بين الناس التي قد تغفل عنها قائمة أرقام قياسية. على سبيل المثال، وجد النظام أن مجموعات معينة من الناس يتشاركون في تركيبات محددة للغاية من السمات، مثل مزيج معين من العادات الغذائية ومستويات النشاط البدني، مما جعلهم متميزين عن غيرهم.

بعد تجميع البيانات، قام البالباحثون بتدريب محرك التنبؤ الخاص بهم للتعلم من هذه المجموعات. لقد جربوا إعدادات مختلفة للعثور على الإعداد الذي يسمح للحاسوب بالتعلم بفعالية أكبر دون حفظ بيانات التدريب بشكل مثالي للغاية، وهي مشكلة يمكن أن تؤدي إلى أداء ضعيف على أشخاص جدد. واكتشفوا أن إعدادًا محددًا لسرعة التعلم حقق أفضل النتائج. وعند اختبارهم على بيانات جديدة لم يسبق للحاسوب رؤيتها، حقق هذا النظام الأمثل دقة تزيد عن 90 في المائة. وهذا يعني أنه مقابل كل عشرة أشخاص يقيمهم النظام، فإنه يحدد مستوى سمنتهم بشكل صحيح تسع مرات. كان هذا الأداء أفضل بكثير من النماذج الحاسوبية القياسية الأخرى التي جربها الباحثون، والتي تضمنت أنظمة تعتمد على أشجار القرار، والغابات العشوائية، والشبكات العصبية. وحتى عندما تم دعم تلك النماذج الأخرى بنفس طريقة التجميع، لم تستطع مضاهاة دقة النهج الهجين الجديد.

لم تقتصر الدراسة على بناء مصنف أفضل فحسب؛ بل كشفت أيضًا عن العوامل الأكثر أهمية في تحديد مستوى سمنة الشخص. ومن خلال تحليل القرارات التي اتخذها الحاسوب، استطاع الباحثون ترتيب أهمية كل متغير. وتبين أن العامل الأكثر تأثيرًا هو الجنس، والذي حدده النموذج كمحرك أساسي لخطر السمنة. وتلا ذلك عن كثب وزن الجسم نفسه. ومن المثير للدهشة أن وتيرة تناول الخضروات احتلت المرتبة الثالثة كأهم عامل، متجاوزة مخاوف شائعة أخرى مثل استهلاك الكحول أو مستويات النشاط البدني. وجدت الدراسة أن تناول الخضروات بشكل أكثر تكرارًا كان مرتبطًا بقوة بمستويات سمنة أقل، بينما دفع الاستهلاك المتكرر للأطعوات عالية السعرات الحرارية والمشروبات السكرية الأفراد نحو فئات خطر أعلى. ولعبت عادات أخرى، مثل تناول الوجبات الخفيفة بين الوجبات، وشرب الكحول، ونمط النقل المستخدم، أدوارًا أصغر ولكنها لا تزال قابلة للقياس.

نظر الباحثون أيضًا في كيفية تعامل نظامهم مع مستويات السمنة المختلفة. ووجدوا أن النموذج كان بارعًا بشكل خاص في تحديد الحالات الأكثر شدة، حيث صنف بدقة الغالبية العظمى من الأفراد الذين يعانون من أعلى مستويات السمنة. ويعد هذا اكتشافًا بالغ الأهمية لأنه يشير إلى أن النظام يمكن أن يكون أداة قوية لمسؤولي الصحة العامة الذين يحتاجون إلى استهداف التدخلات حيث تشتد الحاجة إليها. وأكدت الدراسة أن الجمع بين طريقة التجميع ومحرك التنبؤ سمح للحاسوب برؤية البيانات بطريقة جديدة، مما مكنه من التقاط العلاقات الخفية التي فاتتها النماذج الأبسط. على سبيل المثال، استطاع النظام التمييز بين الأشخاص الذين لديهم أوزان متشابهة ولكن أنماط حياة مختلفة، وتصنيفهم في فئة الخطر الصحيحة بناءً على الصورة الكاملة لحياتهم.

في النهاية، يوضح هذا العمل أن اتباع نهج أكثر دقة تجاه السمنة هو أمر ممكن. فمن خلال استخدام نظام حاسوبي يتعلم من كل من التشابهات بين الناس والتفاصيل المحددة لعاداتهم، يمكن للباحثين إنشاء أداة هي أكثر دقة بكثير من الطرق التقليدية. وتشير النتائج إلى أن استراتيجيات الصحة العامة لا ينبغي أن تركز على الوزن وحده فحسب، بل يجب أن تولي أيضًا اهتمامًا وثيقًا بالمخاطر المرتبطة بالجنس والأنماط الغذائية، وخاصة تناول الخضروات. وبينما أجريت هذه الدراسة باستخدام بيانات موجودة ولا تمثل بعد علاجًا طبيًا جديدًا، إلا أنها توفر خارطة طريق واضحة ومبنية على الأدلة لكيفية مساعدة التكنولوجيا لنا في فهم وإدارة السمنة بشكل أكثر فعالية. وتوفر النتائج أساسًا متينًا لتطوير برامج فحص مستهدفة ونصائح صحية مخصصة، مما ينقل النقاش من التحذيرات العامة إلى رؤى دقيقة وقابلة للتطبيق للأفراد والمجتمعات.