Ứng dụng trí tuệ nhân tạo dự đoán tình trạng dinh dưỡng của thanh niên Việt Nam
Nội dung chính của bài viết
Tóm tắt
Nghiên cứu này nhằm xây dựng và đánh giá mô hình trí tuệ nhân tạo (AI) dự đoán tình trạng dinh dưỡng của thanh niên Việt Nam dựa trên dữ liệu lớn. Dữ liệu được thu thập từ khảo sát 12.042 sinh viên đại học trên toàn quốc. Các mô hình học máy hiện đại như XGBoost, LightGBM và CatBoost được ứng dụng để phân loại tình trạng dinh dưỡng theo chỉ số BMI. Mô hình XGBoost cho kết quả tốt nhất với độ chính xác đạt 75,3% và F1-score là 73,75%. Những biến đầu vào quan trọng trong dự đoán bao gồm vòng eo, vòng mông, thời gian ngủ, giới tính, thói quen ăn đêm, sử dụng thức ăn nhanh, và khẩu phần ăn hàng ngày (bao gồm năng lượng, protein, chất béo và vi chất dinh dưỡng). Kết quả cho thấy tiềm năng ứng dụng AI trong phân tích dữ liệu sức khỏe cộng đồng, góp phần phát hiện sớm các nguy cơ dinh dưỡng và xây dựng các khuyến nghị chuyên biệt về dinh dưỡng – thể lực cho nhóm thanh niên. Nghiên cứu góp phần mở rộng khả năng cá thể hóa các can thiệp y tế trong bối cảnh chuyển đổi số và y học chính xác tại Việt Nam.
Chi tiết bài viết
Từ khóa
Trí tuệ nhân tạo, dinh dưỡng, thanh niên, BMI, dự đoán
Tài liệu tham khảo
2. Vũ Thị Nhung. Tình trạng dinh dưỡng và một số chỉ số sinh học của sinh viên đại học chính quy năm thứ 2 trường đại học điều dưỡng nam định. Tạp chí Y học Việt Nam. 2022;516(1). doi:10.51298/vmj.v516i1.2963
3. Nguyễn Thành Chung, Trần Ngọc Anh, Nguyễn Diệp Anh, và cs. Tình trạng dinh dưỡng của sinh viên năm nhất Phân hiệu Trường Đại học Y Hà Nội tại Thanh Hóa năm học 2023 - 2024. Tạp chí Khoa học Điều dưỡng. 2024;7(5):148-153. doi:10.54436/jns.2024.05.871
4. Nguyễn Trung Hiếu, Trần Khánh Thu, Vũ Duy Tùng. Một số chỉ số nhân trắc dinh dưỡng của sinh viên chính quy năm thứ nhất ngành y khoa và dược học trường đại học y dược thái bình năm 2023. Tạp chí Dinh dưỡng và Thực phẩm. 2023;19(4+5):54-61. doi:10.56283/1859-0381/614
5. Mousavi S, Bieber K, Zirpel H, et al. Large-scale analysis highlights obesity as a risk factor for chronic, non-communicable inflammatory diseases. Front Endocrinol. 2025;16:1516433. doi:10.3389/fendo.2025.1516433
6. Alhumaidi NH, Dermawan D, Kamaruzaman HF, et al. The Use of Machine Learning for Analyzing Real-World Data in Disease Prediction and Management: Systematic Review. JMIR Med Inform. 2025;13(1):e68898. doi:10.2196/68898
7. Liu H, Wu YC, Chau PH, et al. Prediction of adolescent weight status by machine learning: a population-based study. BMC Public Health. 2024;24(1):1351. doi:10.1186/s12889-024-18830-1
8. Yusamran N, Chaitokkia S, Yusamran M. A Study of Factors Associated with Nutritional Status of Loei Rajabhat University Students by Machine Learning. J Vongchavalitkul Univ. 2024;37(2):96-113.
9. Taheri S, Lin L, Austin D, et al. Short Sleep Duration Is Associated with Reduced Leptin, Elevated Ghrelin, and Increased Body Mass Index. PLOS Med. 2004;1(3):e62. doi:10.1371/journal.pmed.0010062
10. Yoshida J, Eguchi E, Nagaoka K, et al. Association of night eating habits with metabolic syndrome and its components: a longitudinal study. BMC Public Health. 2018;18:1366. doi:10.1186/s12889-018-6262-3
11. Thorp AA, Owen N, Neuhaus M, et al. Sedentary Behaviors and Subsequent Health Outcomes in Adults: A Systematic Review of Longitudinal Studies, 1996–2011. Am J Prev Med. 2011;41(2):207-215. doi:10.1016/j.amepre.2011.05.004
12. Lopez-Lopez JP, Cohen DD, Ney-Salazar D, et al. The prediction of Metabolic Syndrome alterations is improved by combining waist circumference and handgrip strength measurements compared to either alone. Cardiovasc Diabetol. 2021;20(1):68. doi:10.1186/s12933-021-01256-z