Sağlık Hizmetlerinde Yapay Zekâ ve Makine Öğrenmesi: Obezitenin Küresel Sağlık Etkisine Bölge Sabit Etkili Yaklaşım ve Kısa Vadeli Tahminleme

Abstract

Bu çalışma, obezitenin küresel sağlık etkisini Dünya Sağlık Örgütü (DSÖ) bölgeleri düzeyinde incelemekte ve bölgesel-yıl paneli üzerinde bölge sabit etkili çoklu doğrusal regresyon modeli kullanarak 2020–2022 dönemi için yetişkin obezite prevalansının kısa vadeli tahminlerini üretmektedir. Altı DSÖ bölgesine ait bölge-yıl gözlemleri (n = 60), 2010–2019 dönemi için Python 3.11 betiği aracılığıyla DSÖ Küresel Sağlık Gözlemevi (GHO) OData API'sinden otomatik olarak çekilmiştir. İki aşamalı bir strateji uygulanmıştır: önce dört bağımsız değişken (aşırı kilo, zayıflık, fiziksel inaktivite, yüksek kan basıncı) basit doğrusal regresyon ile 2020–2022 dönemine projekte edilmiş; ardından obezite prevalansı bölge sabit etkili çoklu doğrusal regresyon ile modellenmiştir. Örneklem dışı doğruluk, zaman sıralı geriye dönük test (eğitim: 2010–2017; test: 2018–2019) ile değerlendirilmiştir. Model R² = 0,9989 değerine ve %4,02 ortalama mutlak yüzde hatasına ulaşmıştır. Aşırı kilo (β = +0,7385), zayıflık (β = +0,8094) ve fiziksel inaktivite (β = +0,2232) obezite ile anlamlı pozitif ilişkiler göstermiştir (tümü p < 0,01). 2022 yılı için tahmin edilen prevalanslar; Amerika %32,96, Doğu Akdeniz %27,94, Avrupa %22,13, Afrika %11,23, Batı Pasifik %9,66 ve Güneydoğu Asya %7,53 olarak hesaplanmıştır. Bölge sabit etkili panel regresyonu, kısa vadeli obezite tahminlemesinde yüksek doğruluk ve yorumlanabilirlik sağlamakta; 6P yaklaşımı çerçevesinde politikaya aktarılabilir bölge özelinde içgörüler sunmaktadır.

Keywords

• Obezite
• yapay zekâ
• panel veri analizi
• bölge sabit etkili model
• kısa vadeli tahminleme
• 6P yaklaşımı

Supporting Institution

Bu çalışma herhangi bir kurum veya kuruluş tarafından desteklenmemiştir.

Ethical Statement

Bu çalışma, Dünya Sağlık Örgütü Küresel Sağlık Gözlemevi’nden elde edilen herkese açık, anonimleştirilmiş toplu veriler kullanılarak gerçekleştirilmiştir. Bu nedenle etik kurul onayı ve bilgilendirilmiş onam gerekmemektedir.

Thanks

Yazarlar, verilerin açık erişimini sağlayan Dünya Sağlık Örgütü’ne teşekkür eder.

ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING IN HEALTHCARE: A REGION FIXED-EFFECTS APPROACH TO THE GLOBAL HEALTH IMPACT OF OBESITY AND ITS NEAR-TERM FORECASTING

Abstract

This study examines the global health impact of obesity at the World Health Organization (WHO) regional level and generates near-term forecasts of adult obesity prevalence for 2020–2022 using a region fixed-effects multiple linear regression model on a regional-year panel. Region-year observations (n = 60) for the six WHO regions were retrieved automatically from the WHO Global Health Observatory OData API for 2010–2019 via a Python 3.11 script. A two-stage strategy was applied: four predictors (overweight, underweight, physical inactivity, raised blood pressure) were projected to 2020–2022 by simple linear regression; obesity prevalence was then modeled with region fixed-effects multiple linear regression. Out-of-sample accuracy was assessed through a time-ordered backtest (training: 2010–2017; test: 2018–2019). The model achieved R² = 0.9989 and a backtest mean absolute percentage error of 4.02%. Overweight (β = +0.7385), underweight (β = +0.8094), and physical inactivity (β = +0.2232) showed significant positive associations with obesity (all p < 0.01). Forecast 2022 prevalences were 32.96% (Americas), 27.94% (Eastern Mediterranean), 22.13% (Europe), 11.23% (Africa), 9.66% (Western Pacific), and 7.53% (South-East Asia). Region fixed-effects panel regression delivers high accuracy and interpretability for near-term obesity forecasting and yields region-specific insights translatable into policy under the 6P framework.

Keywords

• Obesity
• artificial intelligence
• panel data analysis
• region fixed-effects model
• near-term forecasting
• 6P framework

Supporting Institution

This research received no external funding.

Ethical Statement

This study used publicly available, fully anonymized aggregated data obtained from the World Health Organization Global Health Observatory. Therefore, no ethical approval or informed consent was required.

Thanks

The authors would like to thank the World Health Organization for providing open access to the Global Health Observatory data.

References

1. An, R., Shen, J., & Xiao, Y. (2022). Applications of artificial intelligence to obesity research: Scoping review of methodologies. Journal of Medical Internet Research, 24(12), e40589. https://doi.org/10.2196/40589
2. Berberoğlu, Z., & Hocaoğlu, Ç. (2021). Küresel sağlık sorunu "obezite": Güncel bir gözden geçirme. Celal Bayar University Journal of Sciences and Health, 8(3), 543–552. https://doi.org/10.34087/cbusbed.886473
3. Bergmeir, C., Hyndman, R. J., & Koo, B. (2018). A note on the validity of cross-validation for evaluating autoregressive time series prediction. Computational Statistics & Data Analysis, 120, 70–83. https://doi.org/10.1016/j.csda.2017.11.003
4. Bray, G. A., Kim, K. K., & Wilding, J. P. H. (2017). Obesity: A chronic relapsing progressive disease process. A position statement of the World Obesity Federation. Obesity Reviews, 18(7), 715–723. https://doi.org/10.1111/obr.12551
5. Chen, Y., Ma, L., Han, Z., & Xiong, P. (2024). The global burden of disease attributable to high body mass index in 204 countries and territories: Findings from 1990 to 2019 and predictions to 2035. Diabetes, Obesity and Metabolism, 26(9), 3998–4010. https://doi.org/10.1111/dom.15748
6. Choong, C., Brnabic, A., Chinthammit, C., et al. (2024). Applying machine learning approaches for predicting obesity risk using US health administrative claims database. BMJ Open Diabetes Research & Care, 12(5), e004193. https://doi.org/10.1136/bmjdrc-2024-004193
7. Cohen, J. (1990). Things I have learned (so far). American Psychologist, 45(12), 1304–1312. https://doi.org/10.1037/0003-066X.45.12.1304
8. Dinsa, G. D., Goryakin, Y., Fumagalli, E., & Suhrcke, M. (2012). Obesity and socioeconomic status in developing countries: A systematic review. Obesity Reviews, 13(11), 1067–1079. https://doi.org/10.1111/j.1467-789X.2012.01017.x

9. GBD 2021 Risk Factors Collaborators. (2024). Global burden and strength of evidence for 88 risk factors in 204 countries and 811 subnational locations, 1990–2021: A systematic analysis for the Global Burden of Disease Study 2021. The Lancet, 403(10440), 2162–2203. https://doi.org/10.1016/S0140-6736(24)00933-4
10. Grøntved, S., Kirkeby, M. J., Johnsen, S. P., et al. (2024). Towards reliable forecasting of healthcare capacity needs: A scoping review and evidence mapping. International Journal of Medical Informatics, 189, 105527. https://doi.org/10.1016/j.ijmedinf.2024.105527
11. Haghighathoseini, A., Lin, S.-Y., Song, G., An, R., & Xue, H. (2025). A systematic review on applications of artificial intelligence for obesity prevention. Obesity Reviews, e70062. https://doi.org/10.1111/obr.70062
12. Jakobsen, E., Olsen, K. E., Bliddal, M., et al. (2021). Forecasting lung cancer incidence, mortality, and prevalence to year 2030. BMC Cancer, 21, 985. https://doi.org/10.1186/s12885-021-08696-6
13. NCD Risk Factor Collaboration (NCD-RisC). (2024). Worldwide trends in underweight and obesity from 1990 to 2022: A pooled analysis of 3663 population-representative studies with 222 million children, adolescents, and adults. The Lancet, 403(10431), 1027–1050. https://doi.org/10.1016/S0140-6736(23)02750-2
14. Ölçer, E. (2024). Makine öğrenmesi temelli obezite durum tahminlemesi. Bilgisayar Bilimleri ve Mühendisliği Dergisi, 17(2), 156–164. https://doi.org/10.54525/bbmd.1469701
15. Riley, R. D., Ensor, J., Snell, K. I. E., et al. (2019). Calculating the sample size required for developing a clinical prediction model. BMJ, 368, m441. https://doi.org/10.1136/bmj.m441
16. Starcke, J., Spadafora, J., Spadafora, P., & Toma, M. (2025). The effect of data leakage and feature selection on machine learning performance for early Parkinson's disease detection. Bioengineering, 12(8), 845. https://doi.org/10.3390/bioengineering12080845
17. Sterne, J. A. C., White, I. R., Carlin, J. B., et al. (2009). Multiple imputation for missing data in epidemiological and clinical research: Potential and pitfalls. BMJ, 338, b2393. https://doi.org/10.1136/bmj.b2393
18. Wooldridge, J. M. (2010). Econometric analysis of cross section and panel data (2nd ed.). Cambridge, MA: MIT Press.
19. World Health Organization. (n.d.). Global Health Observatory (GHO) OData API. Retrieved from https://ghoapi.azureedge.net/api/ [REPORT]