Acceso usuarios
[1]
;
Seher Çevik Aktur
[2]
;
Seyhan Çitlik Saritaş
[4]
;
Emine Kaplan Serin
[3]
Turquía
Turquía
Turquía
Introducción y objetivos: La ortorexia, uno de los problemas de salud más importantes de la actualidad, supone un apego poco saludable a una dieta saludable. El objetivo de este estudio es investigar la relación entre las disposiciones de pensamiento lateral y la ortorexia utilizando algunos métodos estadísticos clásicos y aprendizaje automático.
Material y métodos: Este estudio descriptivo se realizó entre junio y octubre de 2020 con estudiantes de enfermería de una universidad del este de Turquía. La relación entre pensamiento lateral y ortorexia, concordancia entre métodos estadísticos clásicos y métodos de aprendizaje automático.
Resultados: El IMC, el género, la predisposición al pensamiento lateral y el ingreso familiar se identificaron como predictores importantes de ortorexia. El algoritmo de aprendizaje profundo proporcionó resultados más eficientes que el análisis de regresión y otros algoritmos de aprendizaje automático (precisión=66.0%, AUC=0.71).
Conclusiones: En estudios sobre trastornos alimentarios como el ON, el aprendizaje automático puede ayudar a interpretar relaciones complejas con mayor precisión.
Introduction and objectives: Orthorexia, one of the most important health problems today, is an unhealthy attachment to a healthy diet. This study aimed to investigate the relationship between lateral thinking disposition and orthorexia using classical statistical methods and machine learning.
Material and methods: This descriptive study was conducted between June and October 2020 with nursing students at a college in eastern Turkey. Relationship between lateral thinking and orthorexia and agreement between classical statistical methods and machine learning methods.
Results: BMI, gender, predisposition to lateral thinking, and family income were identified as important predictors of orthorexia.
The deep learning algorithm provided more efficient results than the regression analysis and other machine learning algorithms (accuracy=66.0%, AUC=0.71).
Conclusions: In eating disorder studies, such as ON, machine learning can help interpret complex relationships more accurately.
