AI Summary & Key Takeaways
AI InsightWhile constructing growth curves, researchers should considerall three methods and should decide the best model by carrying out comparative analyses.
📌 3 Key Takeaways
Abstract
Pediatric growth curves provide the determination of general health and nutritional status of children by following the change of theage-related anthropometric measurements.The LMS method is widelyused to construct these curves.The LMS method can model thelocation, scale and skewness measures of the measurements, but not the kurtosis measure.LMSP and LMST are morerecent method swhich can model bothfourparameters of measurement distributio. In this study, it is aimedtocompare the performances of LMS, LMSP and LMST methods in a realdataset. Methods: The data set contains 13 different anthropometric measurements of 2894 healthy 0-6 agedyearschildrenliving in Kayseri. All three methods were applied in the gamlss package of the R software, and the Akaikein formationcriterion (AIC), the generalized Akaikein formationcriterion (GAIC) and the Schwarz Bayes informationcriterion (SBC) were used for comparison. Results:The LMS method performedas the best model with 7 measures in boy sand 5measures in girls,based on AIC. This method performedas thebest model in 9 measures in boy sand 5 measures in girls, based on GAIC. Lastly, it seemed as the best performed method in 11 measures in boy sand 12 measures in girls, based on SBC.In other cases, the LMSP method was found to be the best model in general. Conclusion:The LMS method is a well-performedone. However, the other two methods also performed as best growth curve models for various measurements. While constructing growth curves, researchers should considerall three methods and should decide the best model by carrying out comparative analyses.
Özet
Pediatrik büyüme eğrileri ile çocukların yaşa bağlı antropometrik ölçümlerinin değişimi izlenerek genel sağlık ve beslenme durumları belirlenebilmektedir. Bu eğrilerin oluşturulmasında yaygın olarak LMS yöntemi kullanılmaktadır. LMS yöntemi ölçümlerin konum, yaygınlık ve çarpıklık ölçülerini modelleyebilmekte, basıklık ölçülerini modelleyememektedir. LMSP ve LMST yöntemleri daha yeni yöntemler olup ölçüm dağılımlarının her dört parametresini modelleme imkanı sunmaktadır. Bu çalışmada LMS, LMSP ve LMST yöntemlerinin performanslarının gerçek bir veride karşılaştırılması amaçlanmıştır. Gereç ve Yöntem:Veri seti olarak Kayseri'de yaşayan 0 -6 yaş arası 2894 sağlıklı çocuğa ait 13 farklı antropometrik ölçümlerinin yer aldığı veri seti kullanılmıştır. Her üç yöntem R yazılımının gamlss paketinde uygulanmış, karşılaştırmalarında Akaike bilgi kriteri (AIC), genelleştirilmiş Akaike bilgi kriteri (GAIC) ve SchwarzBayes bilgi kriteri (SBC) kullanılmıştır. Bulgular:AIC ile yapılan değerlendirmelerde, LMS yöntemi erkeklerde 7, kızlarda 5 ölçümde en iyi modeli vermiştir. GAIC ile yapılan değerlendirmelerde,bu yöntem erkeklerde 9, kızlarda 5 ölçümde en iyi modeli vermiştir. Son olarak, SBC ile yapılan değerlendirmelerdeise erkeklerde 11, kızlarda 12 ölçümde en iyi performansa sahip yöntem olarak gözlenmiştir. Diğer durumlarda ise genel olarak LMSP yönteminin en iyi modeli verdiği görülmüştür. Sonuç:Yaygın olarak LMS yöntemi iyi performans gösteren bir yöntem olmuştur. Bununla birlikte diğer iki yöntem de çeşitli ölçümler açısından en iyi büyüme eğrileri modellerini oluşturmuştur. Araştırmacılar büyüme eğrilerini oluştururken her üç yöntemi de dikkate almalı, karşılaştırmalı analizler gerçekleştirerek en iyi modele karar vermelidir.