Entri Blog: Menggali Data Kesehatan dengan NHANES

Halo semuanya!

Untuk proyek eksplorasi data kita minggu ini, saya telah memilih data set yang luar biasa kaya: National Health and Nutrition Examination Survey (NHANES). Data ini dikumpulkan oleh CDC di AS dan memberikan pandangan mendalam tentang status kesehatan dan nutrisi populasi Amerika—sumber yang sempurna untuk menyelidiki hubungan antara gaya hidup dan kesehatan.

Asosiasi yang Saya Ingin Pelajari

Saya tertarik untuk meneliti bagaimana pola makan dapat memengaruhi kesehatan fisik. Secara spesifik, saya akan mengeksplorasi hubungan antara dua topik utama yang sering diperdebatkan dalam kesehatan masyarakat:

  1. Topik 1 (Variabel Utama): Obesitas/Kesehatan Antropometri

  2. Topik 2 (Variabel Prediktor): Asupan Natrium (Garam) Harian

Intinya, saya ingin melihat: Apakah mengonsumsi banyak garam terkait dengan memiliki BMI dan lingkar pinggang yang lebih besar?

Hipotesis Kerja

Tinjauan literatur singkat saya menunjukkan bahwa sebagian besar penelitian cross-sectional memang menemukan korelasi positif. Meskipun korelasi ini sering diperdebatkan (apakah garamnya yang bersalah, atau makanan tinggi garam yang juga tinggi kalori?), datanya cukup kuat untuk dijadikan titik awal.

Hipotesis saya adalah:

Terdapat asosiasi positif yang signifikan antara tingkat asupan Natrium harian (diukur dengan variabel DR1TSODI dan DR2TSODI yang dirata-ratakan) dengan tingkat Obesitas (diukur dengan variabel BMXBMI dan BMXWAIST yang lebih tinggi) pada orang dewasa AS, setelah disesuaikan untuk faktor demografi seperti usia dan jenis kelamin.

Codebook Pribadi Saya (Variabel Pilihan)

Ini adalah daftar variabel yang telah saya saring dari codebook NHANES yang sangat besar. Hanya variabel-variabel ini yang akan saya gunakan secara ekstensif dalam analisis yang akan datang. (Tips: Simpan daftar ini di tempat yang mudah diakses, karena ini akan menjadi panduan Anda!)

VariabelSumber Data NHANESDeskripsi VariabelKategori
SEQNDEMO/EXAMSubject Sequence Number (Pengenal Responden)Pengenal
BMXBMIBMX_[Cycle]Body Mass Index (BMI)Topik 1
BMXWAISTBMX_[Cycle]Lingkar Pinggang (Waist Circumference)Topik 1
DR1TSODIDR1TOT_[Cycle]Total Natrium (mg) Hari ke-1Topik 2
DR2TSODIDR2TOT_[Cycle]Total Natrium (mg) Hari ke-2Topik 2
RIDAGEYRDEMO_[Cycle]Usia dalam tahunPenyesuaian
RIAGENDRDEMO_[Cycle]Jenis Kelamin (Gender)Penyesuaian

Komentar

Posting Komentar

Postingan populer dari blog ini

Predictive Modeling of Body Mass Index and Obese Status using Anthropometric, Dietary, and Lifestyle Factors in U.S. Adults

Predictive Modeling of Body Mass Index and Obese Status using Anthropometric, Dietary, and Lifestyle Factors in U.S. Adults The escalating global prevalence of obesity remains a critical public health challenge, driving increased morbidity and mortality associated with chronic diseases such as type 2 diabetes, cardiovascular disease, and certain cancers. Understanding the complex interplay of factors contributing to body mass index (BMI) and the progression to obese status is paramount for developing effective, targeted public health interventions. Traditional linear models often fail to capture the nuances of these relationships, necessitating the use of advanced predictive and clustering methods to identify high-risk subgroups and key non-linear determinants. Research Question Statement This study addresses the following research question: What is the differential association of key quantitative and categorical health and lifestyle variables—specifically age, gender, waist circumfere...
Baca selengkapnya

Entri Blog: Analisis Random Forest untuk Prediksi Obesitas

🌲 Entri Blog: Analisis Random Forest untuk Prediksi Obesitas Kami menggunakan model Random Forest Classifier untuk memprediksi status $\text{Obesitas}$ ( $\text{BMI} \ge 30$ , dikodekan sebagai 1) dari empat variabel penjelas: $\text{Rerata Natrium Harian}$ , $\text{Usia}$ ( $\text{RIDAGEYR}$ ), $\text{Lingkar Pinggang}$ ( $\text{BMXWAIST}$ ), dan $\text{Jenis Kelamin}$ ( $\text{IS\_FEMALE}$ ). Sintaks Random Forest Classifier Kami menggunakan 100 pohon ( n_estimators=100 ) dan membatasi kedalaman maksimum setiap pohon menjadi 5 ( max_depth=5 ) untuk menjaga keseimbangan antara kinerja dan kemampuan interpretasi. Python # Bagi data menjadi training (80%) dan testing (20%) X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size= 0.2 , random_state= 42 ) # Inisialisasi model Random Forest rf_clf = RandomForestClassifier(n_estimators= 100 , max_depth= 5 , random_state= 42 ) # Latih model rf_clf.fit(X_train, Y_train) # Evaluasi model & Hitung Feature Importance ...
Baca selengkapnya