Se tenir à une routine d'exercice est un défi auquel de nombreuses personnes sont confrontées. Mais une équipe de recherche de l'Université du Mississippi utilise l'apprentissage automatique pour découvrir ce qui maintient les individus attachés à leurs séances d'entraînement.
L'équipe – Seungbak Lee et Ju-Pil Choe, toutes deux doctorales en éducation physique, et Minsoo Kang, professeur d'analyse sportive au Département de la santé, des sciences de l'exercice et de la gestion des loisirs – espère prédire si une personne répond aux directives de l'activité physique en fonction de ses mesures corporelles, de sa démographie et de son style de vie.
Ils ont examiné les données d'environ 30 000 enquêtes. Pour trier rapidement un ensemble de données aussi énorme, ils se sont tournés vers l'apprentissage automatique, un moyen d'utiliser des ordinateurs pour identifier les modèles et faire des prédictions basées sur les informations.
Les résultats du groupe, publiés dans la revue du portefeuille Nature, les rapports scientifiques sont opportuns, a déclaré Kang
« L'adhésion à l'activité physique aux directives est un problème de santé publique en raison de sa relation avec la prévention des maladies et les schémas de santé globaux », a-t-il déclaré. « Nous voulions utiliser des techniques d'analyse de données avancées, comme l'apprentissage automatique, pour prédire ce comportement. »
Le Bureau de la prévention des maladies et de la promotion de la santé, qui fait partie du département américain de la santé et des services sociaux, suggère que les adultes devraient viser au moins 150 minutes d'exercice modéré, ou 75 minutes d'exercice vigoureux, chaque semaine dans le cadre d'un mode de vie sain.
La recherche montre que l'Américain moyen ne passe que deux heures par semaine en activité physique – la moitié des quatre heures recommandées par les Centers for Disease Control and Prevention.
Lee, Choe et Kang ont utilisé les données publiques de la National Health and Nutrition Examination Survey, une enquête parrainée par le gouvernement, couvrant 2009-18.
« Nous avons cherché à utiliser l'apprentissage automatique pour prédire si les gens suivent les directives d'activité physique en fonction des données du questionnaire et trouvent la meilleure combinaison de variables pour des prédictions précises », a déclaré Choe, l'auteur principal de l'étude. « Des variables démographiques telles que le sexe, l'âge, la race, le statut éducatif, l'état matrimonial et le revenu, ainsi que des mesures anthropométriques comme l'IMC et le tour de taille, ont été prises en compte. »
Les chercheurs ont également examiné les facteurs de style de vie, notamment la consommation d'alcool, le tabagisme, l'emploi, les habitudes de sommeil et les comportements sédentaires pour comprendre leur impact sur l'activité physique d'une personne, a-t-il déclaré.
Les résultats ont montré que trois facteurs clés – combien de temps quelqu'un passe assis, son sexe et son niveau d'éducation – s'est présenté de manière cohérente dans tous les modèles les plus performants qui prédisent les habitudes d'exercice, même si chaque modèle a identifié différentes variables comme importantes.
Selon Choe, ces facteurs sont particulièrement importants pour comprendre qui est plus susceptible de rester actif et socialement connecté, et ils pourraient aider à guider les futures recommandations de santé.
« Je m'attendais à ce que des facteurs tels que le sexe, l'IMC, la race ou l'âge soient importants pour notre modèle de prédiction, mais j'ai été surpris par la façon dont le statut éducatif était important », a-t-il déclaré. « Alors que des facteurs comme le sexe, l'IMC et l'âge sont plus innés pour le corps, le statut éducatif est un facteur externe. »
Au cours de l'analyse, les chercheurs ont exclu les données de personnes atteintes de certaines maladies et réponses manquant des données d'activité physique. Cela a entraîné les données pertinentes à 11 683 participants.
Les chercheurs disent que l'apprentissage automatique leur donne plus de liberté pour étudier les données. Les méthodes plus anciennes s'attendent à ce que les choses suivent un modèle linéaire, et ils ne fonctionnent pas bien lorsque certaines informations sont trop similaires.
L'apprentissage automatique n'a pas ces limites, il peut donc trouver des modèles avec une plus grande flexibilité.
« Une limitation de notre étude était d'utiliser des données d'activité physique mesurées subjectivement, où les participants ont rappelé leur activité de mémoire », a déclaré Choe. « Les gens ont tendance à surestimer leur activité physique lors de l'utilisation de questionnaires, donc des données objectives plus précises amélioreraient la fiabilité de l'étude. »
Pour cette raison, les chercheurs disent qu'ils pourraient utiliser une méthode similaire pour les recherches futures dans ce domaine, mais explorer différents facteurs, y compris l'utilisation des compléments alimentaires, en utilisant plus d'algorithmes d'apprentissage automatique ou en s'appuyant sur des données objectives au lieu d'informations autodéclarées.
Cela pourrait aider les entraîneurs et les consultants en fitness à produire des régimes d'entraînement auxquels les gens peuvent réellement s'en tenir à long terme.
