ఊబకాయం ప్రమాదాన్ని గుర్తించడానికి ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) ఆధారిత ప్రిడిక్షన్ మోడల్ ను హైదరాబాద్ కు చెందిన వోక్సెన్ విశ్వవిద్యాలయ పరిశోధకులు యుఎస్ శాస్త్రవేత్తతో కలిసి అభివృద్ధి చేశారు. పరిశోధకులు-బబ్బా భరత్ రెడ్డి, డాక్టర్ హేమచంద్రన్ కన్నన్ మరియు డాక్టర్ షాహిద్ మొహమ్మద్ గని, యుఎస్ శాస్త్రవేత్త ప్రొఫెసర్ మంజీత్ రేగేతో కలిసి-జీవనశైలి డేటా ఆధారంగా బహుళ యంత్ర అభ్యాస పద్ధతులను కలపడం వల్ల ఊబకాయం ప్రమాదాన్ని ఎలా అంచనా వేయవచ్చో అన్వేషించారు.
ఊబకాయం అనేది ఒక వ్యక్తికి శరీరంలో కొవ్వు ఎక్కువగా ఉన్నప్పుడు ఏర్పడే ఒక వైద్య పరిస్థితి, ఇది వారి ఆరోగ్యాన్ని ప్రతికూలంగా ప్రభావితం చేస్తుంది. ఇది తరచుగా 30 లేదా అంతకంటే ఎక్కువ బాడీ మాస్ ఇండెక్స్ (BMI)గా నిర్వచించబడుతుంది.
పరిశోధకుల ప్రకారం, ఆరోగ్య సంరక్షణ రంగం, ఆన్లైన్ మెడికల్ రిపోజిటరీలు మరియు ఆసుపత్రులు విస్తారమైన డేటాను ఉత్పత్తి చేస్తున్నాయి, నిజ జీవిత ఆరోగ్య సమస్యలను పరిష్కరించడానికి AI పద్ధతులను అన్వేషించడానికి మరియు ప్రభావితం చేయడానికి పరిశోధకులకు విలువైన వనరులను అందిస్తున్నాయి. ప్రతిపాదిత నమూనా యొక్క ప్రభావాన్ని బహుళ కోణాల నుండి ప్రదర్శించడానికి, ప్రతి సమిష్టి పద్ధతి నుండి మూడు అల్గారిథమ్లను ఎంచుకున్నట్లు పరిశోధకులు వివరించారు, ప్రతి ఒక్కటి విభిన్న లక్షణాలు మరియు బలాలను కలిగి ఉన్నాయి.
BMI (బాడీ మాస్ ఇండెక్స్) సాధారణంగా ఊబకాయం ప్రమాదానికి ప్రాధమిక సూచికగా ఉపయోగించ బడుతున్నప్పటికీ, ప్రవర్తన, పర్యావరణ మరియు జన్యు కారకాలచే ప్రభావితమైన ఊబకాయం యొక్క పూర్తి సంక్లిష్టతను సంగ్రహించడంలో BMI పరిమితులను కలిగి ఉందని పరిశోధకులు గమనించారు. BMI కండర ద్రవ్యరాశి, కొవ్వు పంపిణీ లేదా ఇతర చరరాశులు వంటి క్లిష్టమైన ఆరోగ్య సూచికలకు కారణం కాదని, ఊబకాయం వర్గీకరణ యొక్క ఖచ్చితత్వాన్ని తగ్గించగలదని వారు గుర్తించారు. ఎల్సెవియర్ రాసిన డెసిషన్ అనలిటిక్స్ జర్నల్లో ‘ఇన్వెస్టిగేషన్ ఆఫ్ ఎన్సెంబుల్ లెర్నింగ్ టెక్నిక్స్ ఫర్ ఒబెసిటీ రిస్క్ ప్రిడిక్షన్ యూజింగ్ లైఫ్స్టైల్ డేటా’ అనే పేపర్లో ఈ పరిశోధన ఫలితాలను ప్రచురించారు.