基于 NHANES 和环境因素的儿童肥胖风险的微-宏机器学习框架
机器学习
2025-12-30 v1
摘要
儿童肥胖仍是美国公共卫生的主要挑战，其强烈受 individual-level、household-level 和 environment-level 风险因素的影响。传统流行病学研究通常独立地分析这些层次，限制了对结构环境条件如何与 individual-level 特征相互作用以影响健康结果的洞察。本研究引入一种 micro-macro 机器学习框架，将 (1) 来自 NHANES 的 individual-level 人体测量和社会经济数据与 (2) 提取自 USDA 和 EPA 数据集的 macro-level 结构环境特征（包括食物获取、空气质量和社会经济脆弱性）相集成。我们训练了 Logistic 回归、Random Forest、XGBoost 和 LightGBM 四个机器学习模型以预测肥胖。XGBoost 取得了最佳性能。构建了一个基于 USDA 和 EPA 归一化指标的复合环境脆弱性指数（EnvScore）。多层比较揭示了具有高环境负担的州与全国预测的 individual-level 肥胖风险分布之间存在强烈的地理相似性。这表明将多尺度数据集成以识别由环境驱动的肥胖风险差异的可行性。本工作贡献了一个可扩展的数据驱动的多层建模管道，适用于公共卫生信息学，展示了在因果建模、干预规划和实时分析方面的强大潜力。
引用
@article{arxiv.2512.22758,
title = {A Micro-Macro Machine Learning Framework for Predicting Childhood Obesity Risk Using NHANES and Environmental Determinants},
author = {Eswarasanthosh Kumar Mamillapalli and Nishtha Sharma},
journal= {arXiv preprint arXiv:2512.22758},
year = {2025}
}