A carregar...
Publicação
AI models for obesity risk assessment
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 9.42 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Childhood overweight and obesity reflect interconnected behavioural, environmental and social influences. Within the Horizon-Europe PAS GRAS initiative and its longitudinal GicO study, this work investigates whether data-driven methods can reveal meaningful patterns that support detection and prevention at community level. The main objective is to develop Artificial Intelligent models that identify determinants of childhood obesity risk by integrating multi-source information into profiles and indicators that are easily interpretable for early action in real-world settings.
Using harmonised datasets covering children’s body composition and physical fitness together with family-context measures,we apply unsupervised learning to characterise population structure and relate profiles to broader behaviours and context. Abrief longitudinal view illustrates how children weight status indicators evolve across assessment moments.
Results reveal three clear, interpretable clusters spanning healthier, intermediate and higher-risk profiles. The principal contributions are: (i) an integrated, transparent pipeline from data cleaning to modelling; (ii) visual profile summaries that aid communication with practitioners; and (iii) concise, actionable indicators that connect model outputs to prevention and screening. The materials aim to informmultidisciplinary teamsworking in community programmes and to guide tailored recommendations for specific groups.
O excesso de peso e a obesidade infantil refletem influências interligadas de natureza comportamental, ambiental e social. No âmbito da iniciativa europeia Horizon-Europe PAS GRAS e do seu estudo longitudinal GicO, este trabalho investiga se métodos baseados em dados podem revelar padrões significativos que apoiem a deteção e prevenção a nível comunitário. O principal objetivo é desenvolver modelos de Inteligência Artificial capazes de identificar determinantes do risco de obesidade infantil, integrando informação de múltiplas fontes em perfis e indicadores facilmente interpretáveis, de modo a permitir uma ação precoce em contextos reais. Recorrendo a conjuntos de dados harmonizados que abrangem a composição corporal e a aptidão física das crianças, em conjunto com medidas do contexto familiar, aplicam-se técnicas de aprendizagem não supervisionada para caracterizar a estrutura populacional e relacionar os perfis com comportamentos e contextos mais amplos. Uma breve análise longitudinal ilustra como os indicadores do estado ponderal das crianças evoluem ao longo dos momentos de avaliação. Os resultados revelam três clusters claros e interpretáveis, que abrangem perfis mais saudáveis, intermédios e de maior risco. As principais contribuições são: (i)umpipeline integrado e transparente desde a limpeza dos dados até à modelação; (ii) resumos visuais dos perfis que facilitam a comunicação com profissionais de saúde e educação; e (iii) indicadores concisos e acionáveis que ligam os resultados dos modelos à prevenção e rastreio. Os materiais desenvolvidos visam apoiar equipas multidisciplinares envolvidas em programas comunitários e orientar recomendações adaptadas a cada caso.
O excesso de peso e a obesidade infantil refletem influências interligadas de natureza comportamental, ambiental e social. No âmbito da iniciativa europeia Horizon-Europe PAS GRAS e do seu estudo longitudinal GicO, este trabalho investiga se métodos baseados em dados podem revelar padrões significativos que apoiem a deteção e prevenção a nível comunitário. O principal objetivo é desenvolver modelos de Inteligência Artificial capazes de identificar determinantes do risco de obesidade infantil, integrando informação de múltiplas fontes em perfis e indicadores facilmente interpretáveis, de modo a permitir uma ação precoce em contextos reais. Recorrendo a conjuntos de dados harmonizados que abrangem a composição corporal e a aptidão física das crianças, em conjunto com medidas do contexto familiar, aplicam-se técnicas de aprendizagem não supervisionada para caracterizar a estrutura populacional e relacionar os perfis com comportamentos e contextos mais amplos. Uma breve análise longitudinal ilustra como os indicadores do estado ponderal das crianças evoluem ao longo dos momentos de avaliação. Os resultados revelam três clusters claros e interpretáveis, que abrangem perfis mais saudáveis, intermédios e de maior risco. As principais contribuições são: (i)umpipeline integrado e transparente desde a limpeza dos dados até à modelação; (ii) resumos visuais dos perfis que facilitam a comunicação com profissionais de saúde e educação; e (iii) indicadores concisos e acionáveis que ligam os resultados dos modelos à prevenção e rastreio. Os materiais desenvolvidos visam apoiar equipas multidisciplinares envolvidas em programas comunitários e orientar recomendações adaptadas a cada caso.
Descrição
Palavras-chave
Inteligência artificial Obesidade infantil Integração de dados Redução de dimensionalidade Clustering Caracterização de perfis Explicabilidade SHAP Percentil de IMC Análise longitudinal
Contexto Educativo
Citação
Editora
Licença CC
Sem licença CC