高齢者の体組成を評価するための生体電気インピーダンス分析における人工ニューラルネットワークの新しい応用

背景：この研究は、非線形逆伝播人工ニューラルネットワーク（BP-ANN）モデルを使用して、高齢者の脂肪遊離量（FFM）を推定するための生体電気インピーダンス分析（BIA）予測方程式の精度を改善し、予測精度を比較することを目的としています。参照方法としてエネルギーデュアルX線吸収測定（DXA）を使用することにより、線形回帰モデルを使用します。 方法：この研究では、合計888人の台湾の高齢者が被験者として募集されました。線形回帰方程式とBP-ANN予測方程式は、36人の男性および26人の台湾の高齢者でDXA（FFMDXA）で測定された参照FFM（FFMDXA）で測定された参照FFMを予測するためのインピーダンスおよびその他の人体測定を使用して開発されました。従来の線形回帰モデル（FFMLR）およびBP-ANNモデル（FFMANN）を使用したBIA予測方程式によって推定されたFFMは、FFMDXAと比較されました。予測モデルの精度よりも検証するために、さらに26人の高齢者の成人の測定結果を使用しました。 結果：結果は、重要な予測因子が、FFMを予測するための開発されたFFMLR線形モデル（LR）のインピーダンス、性別、年齢、身長、体重であることを示しました（測定係数、R2 = 0.940;推定の標準誤差= 2.729 kg;ルートの標準誤差平均平方根誤差（RMSE）= 2.571kg、p <0.001）。上記の予測因子は、BP-ANNモデルの5つのニューロン（SD = 1.192 kg、RMSE = 1.183 kg）で5つのニューロンを使用することにより、入力層の変数として設定されました。線形モデルと比較した場合のFFM。結果は、FFMLRとFFMDXAよりもFFMANNとFFMDXAの間でより良い合意が存在することを示しました。 結論：参照FFMDXAを推定するための開発された予測方程式のパフォーマンスを比較すると、線形モデルは、ANNモデルがFFMの推定により適していることを示すBP-ANNモデルのそれよりも予測結果のSDが大きいR2が低い。

BACKGROUND: This study aims to improve accuracy of Bioelectrical Impedance Analysis (BIA) prediction equations for estimating fat free mass (FFM) of the elderly by using non-linear Back Propagation Artificial Neural Network (BP-ANN) model and to compare the predictive accuracy with the linear regression model by using energy dual X-ray absorptiometry (DXA) as reference method. METHODS: A total of 88 Taiwanese elderly adults were recruited in this study as subjects. Linear regression equations and BP-ANN prediction equation were developed using impedances and other anthropometrics for predicting the reference FFM measured by DXA (FFMDXA) in 36 male and 26 female Taiwanese elderly adults. The FFM estimated by BIA prediction equations using traditional linear regression model (FFMLR) and BP-ANN model (FFMANN) were compared to the FFMDXA. The measuring results of an additional 26 elderly adults were used to validate than accuracy of the predictive models. RESULTS: The results showed the significant predictors were impedance, gender, age, height and weight in developed FFMLR linear model (LR) for predicting FFM (coefficient of determination, r2 = 0.940; standard error of estimate (SEE) = 2.729 kg; root mean square error (RMSE) = 2.571kg, P < 0.001). The above predictors were set as the variables of the input layer by using five neurons in the BP-ANN model (r2 = 0.987 with a SD = 1.192 kg and relatively lower RMSE = 1.183 kg), which had greater (improved) accuracy for estimating FFM when compared with linear model. The results showed a better agreement existed between FFMANN and FFMDXA than that between FFMLR and FFMDXA. CONCLUSION: When compared the performance of developed prediction equations for estimating reference FFMDXA, the linear model has lower r2 with a larger SD in predictive results than that of BP-ANN model, which indicated ANN model is more suitable for estimating FFM.