Predicting Adherence to Canada’s Food Guide Recommendations on Healthy Food Choices Using Machine Learning Algorithms
Notice bibliographique
Résumé
Machine learning (ML) algorithms can potentially improve predictive performances compared to traditional statistical models. The aim of this study was to predict adherence to the 2019 Canada's Food Guide (CFG) recommendations on healthy food choices using ML and a large array of variables/features related to dietary habits. In a sample of 1147 French-speaking adults (50% women) from the PREDISE study, Healthy Eating Food Index (HEFI-2019) scores were calculated using data from three unannounced web-based 24h recalls. Adherence to the 2019 CFG recommendations on healthy food choices (yes or no) was measured with the HEFI-2019 and arbitrarily defined as a score ≥46.7/80 points. This value corresponds to the median HEFI-2019 score for adult women in Canada. A total of 2452 features encompassing individual, social and environmental characteristics related to dietary habits were retained as predictors in the analyses. Decision tree (DT) and Adaboost ML algorithms were developed, calibrated and then compared using accuracy score (proportion of correct predictions), precision score (positive predictive value) and recall score (sensitivity). All analytical steps were bootstrapped 100 times to generate 95%CI. The most important features retained by each ML algorithm were compared. The DT predicted adherence to the 2019 CFG recommendations on healthy food choices with an accuracy of 0.65 (95%CI: 0.59–0.71), a precision of 0.64 (95%CI: 0.44–0.84) and a recall of 0.31 (95%CI: 0.10–0.52). Adaboost had similar predictive performance metrics with an accuracy of 0.64 (95%CI: 0.59–0.69), a precision of 0.56 (95%CI: 0.45–0.67) and a recall of 0.49 (95%CI: 0.39–0.59). However, among the 15 most important features retained by each ML algorithm, only 6 features (40%) were shared by both. The use of DT and Adaboost ML algorithms does not predict adherence to the 2019 CFG recommendations on healthy food choices measured by the HEFI-2019 score with high accuracy. The inconsistencies in the features retained by each ML algorithm also suggest that results are model-dependent. Further research is therefore necessary to successfully implement ML approaches that may help better predict adherence to dietary recommendations such as those found in the 2019 CFG. Instituts de la recherche en santé du Canada, Fonds de recherche du Québec - Santé.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».