В новом исследовании, опубликованном в журнале Nature, ученые из Университета Миссисипи (University of Mississippi) использовали машинное обучение для выявления ключевых факторов, влияющих на приверженность физической активности. В анализе приняли участие почти 12 000 человек, чьи данные были собраны в рамках Национального исследования в области здравоохранения и питания.
Исследование показало, что время, проведенное в сидячем положении, пол и уровень образования являются наиболее значимыми предикторами того, следуют ли люди еженедельным рекомендациям по физической активности. Эти результаты могут существенно изменить подходы к разработке фитнес-рекомендаций и стратегий общественного здравоохранения.
Методология
Команда исследователей, в которую вошли Сынгбак Ли (Seung-bak Lee), Джу-Пил Чо (Ju-pil Cho) и Минсу Канг (Minsu Kang), использовала машинное обучение для анализа огромного объема данных, собранных в ходе опросов. Ученые стремились понять, какие переменные наиболее точно предсказывают физическую активность, исключая субъективные измерения, такие как воспоминания участников о своей активности.
Исследователи учли демографические данные, включая возраст, пол, расу, уровень образования, семейное положение и доходы, а также антропометрические показатели, такие как индекс массы тела (ИМТ) и окружность талии. Кроме того, были учтены факторы образа жизни, такие как потребление алкоголя, курение, занятость, режим сна и уровень сидячего поведения.
Рекомендации
Результаты исследования подчеркивают важность образовательных факторов в поддержании физической активности. Ученые отмечают, что уровень образования оказался значимым предиктором, несмотря на то, что он является внешним фактором, в отличие от врожденных характеристик, таких как пол и возраст.
Исследователи подчеркивают, что использование машинного обучения предоставляет больше гибкости в анализе данных, позволяя выявлять сложные взаимосвязи и шаблоны, которые трудно обнаружить традиционными методами. Однако они также указывают на ограничения текущего исследования, связанные с использованием субъективных данных о физической активности.
Для повышения точности будущих исследований ученые рекомендуют использовать более объективные методы измерения физической активности, такие как фитнес-трекеры или другие устройства. Это позволит получить более надежные данные и разработать более эффективные стратегии для поддержания активного образа жизни.
Литература.
“Machine learning modeling for predicting adherence to physical activity guideline” — Seungbak Lee et al. Scientific Reports
