Childhood Obesity Prediction Using Data Collected from Different Studies
Hassan, Mohammed |
Recenzentas / Reviewer |
Darbo autorius: Mohammed Hassan Magistro darbo pavadinimas: Vaikų nutukimo prognozavimas naudojant įvairių tyrimų metu surinktus duomenis Tyrimo tikslas: Atlikti sisteminę literatūros apžvalgą apie vaikų nutukimo prognozę naudojant įvairių tyrimų metu surinktus duomenis. Tikslai: 1. Ieškokite literatūros įvairiose duomenų bazėse ir el. šaltiniuose ir sukurkite vaikų nutu- kimo paieškos strategiją. 2. Išanalizuokite vaikų nutukimo prognozavimo principus naudojant mašininį mokymąsi. 3. Pateikti sisteminės literatūros apžvalgos apie vaikų nutukimo prognozavimą išvadas. Darbo vadovas: Dr. Vita Špečkauskienė, Fizikos, matematikos ir biofizikos katedra Metodika: sisteminė peržiūra buvo atlikta pagal PRISMA gaires, siekiant išanalizuoti vaikų nutukimo prognozę naudojant mašininį mokymąsi ir geriau suprasti. Paieškos raktiniai žodžiai buvo naudojami PubMed, ScienceDirect ir Google Schoolar. Po vertinimo įtraukimo kriterijus atitiko ir tyrime buvo panaudoti 9 straipsniai. Rezultatas ir išvada: Mašininis mokymasis pasirodė esąs naudingas numatant vaikų nutukimą ir būtų naudingas vaikų nutukimo prevencijai ir kovojant su ja, tačiau šia tema reikėtų atlikti daugiau tyrimų, kad būtų galima labiau apibendrinti vaikų nutukimo prognozę.
Author of the thesis: Mohammed Hassan Title of master thesis: Childhood Obesity Prediction using data collected in different studies Aim of the research: To do a systematic literature review on predicting childhood obesity using data collected in different studies. Objectives: 1. Search in different databases and e-resources for literature and develop a search strategy on childhood obesity. 2. Analyze principles in predicting childhood obesity using machine learning. 3. To report the findings of systematic literature review on predicting childhood obesity. Supervisor: Dr. Vita Špečkauskienė, Department of Physics, Mathematics and Biophysics Methodology: The systematic review was conducted according to PRISMA guidelines to analyze the prediction of childhood obesity using machine learning and provide better understanding. The search keywords were used in PubMed, ScienceDirect and Google Schoolar. After the evaluation, 9 articles met the inclusion criteria and were used in the study. Result and conclusion: Machine learning have proven to be useful in predicting childhood obesity and would be helpful in the prevention and intervention of tackling childhood obesity, however more research should be conducted on the topic for more generalization of the topic childhood obesity prediction.