Estimation of Weight in Children Under Five Years of Age Using Height and Age via Multilayer Perceptron Neural Networks
Keywords:
body weight; child development; computer-aided decision making; computational neural networks.Abstract
Introduction: Body weight in children is crucial for nutritional assessments and the evaluation of normal development.
Objective: To estimate body weight in children under five years of age based on height and age using multilayer perceptron neural networks.
Methods: An analytical, cross-sectional study was conducted using data from the 2022 and 2023 Demographic and Family Health Surveys. The study population consisted of 21,995 children under five years of age in 2022, and 21,111 in 2023. Multilayer perceptron neural networks and scatter plots were employed to calculate the coefficient of determination (R2).
Results: In 2022, the multilayer perceptron yielded a coefficient of determination (R2) of 0.893 between the predicted body weight values and the values measured via scale; this indicates that 89% of the values predicted by the perceptron aligned with the actual body weight of children under five. In 2023, the coefficient of determination (R2) was 0.902, meaning that 90% of the values predicted by the perceptron aligned with the actual body weight of children under five. The model demonstrated high precision and reliability, exhibiting minimal differences between estimated and actual weights, acceptable margins of error, and a strong correlation (0.960 in 2022; and 0.958 in 2023).
Conclusions: The application of multilayer perceptron neural networks enabled the estimation of body weight based on height and age in children under five years of age within the Peruvian population.
Downloads
References
1. Chkirate M, Mammad K, Chtabou G, Mdaghri Alaoui A, Ahami OTA. Early childhood development (0-6 years old) from healthy to pathologic: A review of the literature. Open J Med Psychol. 2020;09(03):100-22. DOI: https://doi.org/10.4236/ojmp.2020.93009
2. Tirthani E, Said MS, Rehman A. Genetics and Obesity. Treasure Island: StatPearls Publishing; 2023 [acceso 26/07/2024]. Disponible en: https://www.ncbi.nlm.nih.gov/books/NBK573068/
3. Calculators: Percentiles de peso infantil para la longitud según la OMS (< 24 meses)-Manual MSD versión para profesionales [acceso 25/07/2024]. Disponible en: https://www.msdmanuals.com/es-pe/professional/multimedia/clinical-calculator/percentiles-de-peso-infantil-para-la-longitud-seg%C3%BAn-la-oms-24-meses
4. Vinueza Veloz MF, Vinueza Veloz AF, Carpio Arias TV, Robalino Valdivieso MP, Vallejo Andrade KC, Puchaicela Namcela SR. Estimation of weight based on age in Ecuadorian boys and girls: a validation of the APLS formula. Nutr Hosp. 2021;38(2):345-51. DOI: https://doi.org/10.20960/nh.03410
5. Rashedi KA, Ismail MT, Al Wadi S, Serroukh A, Alshammari TS, Jaber JJ. Multi-Layer Perceptron-based classification with application to outlier detection in Saudi Arabia stock returns. J Risk Fin Manag. 2024;17(2):69. DOI: https://doi.org/10.3390/jrfm17020069
6. Instituto Nacional de Estadística e Informática. Encuesta Demográfica y de Salud Familiar-ENDES 2022: Ficha Técnica. Lima: INEI; 2022 [acceso 22/01/2025]. Disponible en: https://proyectos.inei.gob.pe/endes/2022/DOCUMENTOS/FICHA_TECNICA_ENDES_2022.pdf
7. The Reporting of Studies Conducted Using Observational Routinely-Collected Health Data (RECORD) Statement. Equator-network.org. http://www.equator-network.org/reporting-guidelines/record/
8. Montesinos López OA, Montesinos López A, Crossa J. Fundamentals of artificial neural networks and deep learning. En: Multivariate Statistical Machine Learning Methods for Genomic Prediction. Cham: Springer International Publishing; 2022. p. 379-425. DOI: https://doi.org/10.1007/978-3-030-89010-0_10
9. Chan KY, Abu-Salih B, Qaddoura R, Al-Zoubi AM, Palade V, Pham D-S, et al. Deep neural networks in the cloud: Review, applications, challenges and research directions. Neurocomputing. 2023;545(100):126327. DOI: https://doi.org/10.1016/j.neucom.2023.126327
10. Hamilton DF, Ghert M, Simpson AHRW. Interpreting regression models in clinical outcome studies. Bone Joint Res. 2015;4(9):152-3. DOI: https://doi.org/10.1302/2046-3758.49.2000571
11. World Medical Association. Declaration of Helsinki: Ethical Principles for Medical Research Involving Human Subjects. JAMA. 2013;310(20):1-95. DOI: https://doi.org/10.1001/jama.2013.281053
12. Instituto Nacional de Estadística e Informática. Encuesta Demográfica y de Salud Familiar-ENDES 2022. Lima: INEI; 2022 [acceso 22/01/2025]. Disponible en: https://www.datosabiertos.gob.pe/dataset/encuesta-demogr%C3%A1fica-y-de-salud-familiar-endes-2022-instituto-nacional-de-estad%C3%ADstica-e
13. Instituto Nacional de Estadística e Informática. Encuesta Demográfica y de Salud Familiar-ENDES 2023. Lima: INEI; 2023 [acceso]. Disponible en: https://www.datosabiertos.gob.pe/dataset/encuesta-demogr%C3%A1fica-y-de-salud-familiar-endes-2023-instituto-nacional-de-estad%C3%ADstica-e
14. Nguyen K, Krieser D, Kerr D, Jolley D, Clooney M, Kelly A-M. Failed validation of the argall weight formula for estimating children’s weight in an Australian emergency department. Acad Emerg Med. 2007;14(5):486-8. DOI: https://doi.org/10.1197/j.aem.2006.12.009
15. Flannigan C, Bourke TW, Sproule A, Stevenson M, Terris M. Are APLS formulae for estimating weight appropriate for use in children admitted to PICU? Resuscitation. 2014 [acceso 26/07/2024];85(7):927-31. Disponible en: https://linkinghub.elsevier.com/retrieve/pii/S0300957214004572
16. Sihuay-Torres K, Cosar-Quiroz J, Huamán-Aguilar L, Alata-Jimenez S, Turriate-Vivar C, Castro-Rodríguez Y. Estimación del peso según la edad. Comparación de las fórmulas en una muestra peruana. Odontol Sanmarquina. 2018 [acceso 26/07/2024];21(1):35. Disponible en: https://revistasinvestigacion.unmsm.edu.pe/index.php/odont/article/view/14432
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Alberto Guevara Tirado
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Avisos de derechos de autor propuestos por Creative Commons
1. Política propuesta para revistas que ofrecen acceso abierto
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
