Application of Chosen Data Mining Methods in Predicting Abnormal Blood Pressure in Children and Adolescents

Open access

Abstract

Hypertension is a common disease in highly industrialized societies, more often perceived as a health problem in adults rather than children. However, epidemiologists are currently paying more attention to the possibility of idiopathic hypertension during childhood. This article compares three classification models (logistic regression, classification trees and MARSplines) in order to determine the best classification model and distinguish the parameters that are most important in the detection of abnormal blood pressure in children. The study group consisted of 1,378 children aged between 7 and 18. After making comparisons between the methods, it was determined that MARSplines is the model that best assigns subjects to classes and can be an alternative in cases when traditional statistical methods cannot be used due to a lack of fulfillment of conditions. For prediction of abnormal blood pressure in this age group, the most important parameters were the heart rate and selected indicators of body proportions.

If the inline PDF is not rendering correctly, you can download the PDF file here.

  • Breiman L. Friedman J. Stone C. J. & Olshen R. A. (1984). Classification and Regression Trees. New York: Chapman & Hall.

  • Bryl W. (2006). Wywiad rodzinny wskaźniki antropometryczne wybrane parametry metaboliczne i skuteczność leczenia przeciw nadciśnieniowego u młodzieży z pierwotnym nadciśnieniem tętniczym (pp. 6–20). Poznań.

  • Felińczak A. & Hama F. (2011). Występowanie zjawiska nadwagi i otyłości wśród dzieci i młodzieży we Wrocławiu. Pielęgniarstwo i Zdrowie Publiczne1(1) 11–18.

  • Hastie T. Tibshirani R. & Friedman J. (2001). The Elements of Statistical Learning. Data Mining Inference and Prediction (pp. 266–272 283–290 276–278). New York: Springer

  • Jackson S. L. Zhang Z. Wiltz J. L. Lousstalot F. Ritchey M. D. Goodman A. B. & Yang Q. (2018). Hypertension Among Youths – United States 2001–2016. Morbidity and Mortality Weekly Report67(27) 758–762.

  • Katta A. V. & Kokiwar P. R. (2018). A Cross-Sectional Study on Correlates of High Blood Pressure among School-Going Children in an Urban Area. Indian Journal of Community Medicine43(2) 82–85.

  • Kleinbaum D. G. & Klein M. (1994). Logistic Regression. A Self-Learning Text. New York: Springer.

  • Kowalska M. Krzych Ł. J. Siwik P. & Zawiasa A. (2008). Uwarunkowania występowania nadciśnienia tętniczego u chłopców i dziewcząt w wieku szkolnym w województwie śląskim. Nadciśnienie tętnicze12(4) 269–276.

  • Krzyżaniak A. (2004). Ciśnienie tętnicze u dzieci i młodzieży – normy monitorowanie profilaktyka. Poznań: Wydawnictwo Akademii Medycznej w Poznaniu.

  • Krzyżaniak A. (1999). Ciśnienie tętnicze krwi dzieci i młodzieży miasta Poznania w latach 1986 i 1996. Uwarunkowania kierunek zmian normy. Poznań: Wydawnictwo Akademii Medycznej w Poznaniu.

  • Litwin M. & Niemirska A. (2011). Nadciśnienie tętnicze pierwotne i zaburzenia metaboliczne u dzieci i młodzieży. Forum Zaburzeń Metabolicznych2(2) 124–131.

  • Mikoś M. Mikoś M. Mikoś H. Obara-Moszyńska M. & Niedziela M. (2010). Nadwaga i otyłość u dzieci i młodzieży. Nowiny Lekarskie79(5) 397–402.

  • National High Blood Pressure Education Program Working Group on Hypertension Control in Children and Adolescents. (1996). Update on the 1987 Task Force Report on High Blood Pressure in Children and Adolescents. Pediatrics98(4) 649–658.

  • Obuchowicz A. (2005). Epidemiologia nadwagi i otyłości – narastającego problemu zdrowotnego w populacji dzieci i młodzieży. Endokrynologia Otyłość i Zaburzenia Przemiany Materii1(3) 9–12.

  • Przybylska D. Kurowska M. & Przybylski P. (2012). Otyłość i nadwaga w populacji rozwojowej. Hygeia Public Health47(1) 28–35.

  • Wolański N. (1975). Metody kontroli i normy rozwoju dzieci i młodzieży. Warszawa: PZWL.

  • Wyszyńska T. & Litwin M. (2002). Nadciśnienie tętnicze u dzieci i młodzieży (pp. 9–60). Warszawa: PZWL.

Search
Journal information
Impact Factor


Cite Score 2018: 0.29

SCImago Journal Rank (SJR) 2018: 0.138
Source Normalized Impact per Paper (SNIP) 2018: 0.358

Metrics
All Time Past Year Past 30 Days
Abstract Views 0 0 0
Full Text Views 101 101 6
PDF Downloads 79 79 1