パキスタンにおける子どもの栄養失調のリスク要因と予測モデルを機械学習を用いて探求
Muhammad Usman Saleem1, Muhammad Usman Aslam2, Abdul Ghani Khatir1
1School of Public Policy and Administration, Xi'an Jiaotong University, Xi'an, China.
まとめ
機械学習モデルは パキスタンの子供の栄養失調を 効果的に予測し 低母子の教育や貧困などの 重要なリスク要因を特定します これらの発見は,脆弱な集団のための標的型介入を支持します.
科学分野:
- 小児の栄養
- コンピュータによる疫学
- 公共衛生情報学
背景:
- 子どもの栄養失調は 発育不全,衰え,体重不足など パキスタンの重大な公衆衛生問題です
- 5歳未満の児童の栄養不良の流行に 社会的・人口学的・健康的な要因が 大きく影響している.
研究 の 目的:
- パキスタンの子どもたちの栄養失調に伴う 危険因子を特定する.
- 子どもの栄養不良 (発育不良,衰弱,体重不足) を予測するための機械学習モデルを開発し,評価する.
- 標的を絞った公衆衛生の介入を促す
主な方法:
- パキスタンの人口統計と健康調査 (PDHS) 2017-2018年のデータの横断分析.
- リスク因子の特定のためのロジスティック回帰
- ランダムフォレスト,SVM,ナイヴ・ベイズ,AdaBoostモデルの適用と性能評価
主要な成果:
- 血縁の結婚,低い富,低い母子の教育,地域格差 (シンド,バルチスタン) は重要なリスク要因として特定されました.
- ランダムフォレストモデルは 栄養不良の指標を予測する上で 最も高い精度と特異性を達成しました
- サポート・ベクター・マシン (SVM) は,肥満や体重不足の子供に対して優れた感度を示した.
結論:
- パキスタンの児童の栄養失調は 社会人口学的要因の複雑な相互作用と結びついています
- 機械学習は 子どもの栄養失調を予測する 強力な手法です
- 介入は,母親の教育,衛生,高リスク地域での貧困削減を優先すべきです.
さらに関連する動画
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
関連する概念動画
01:18Steps in Outbreak Investigation
185
In the ever-evolving field of public health, statistical analysis serves as a cornerstone for understanding and managing disease outbreaks. By leveraging various statistical tools, health professionals can predict potential outbreaks, analyze ongoing situations, and devise effective responses to mitigate impact. For that to happen, there are a few possible stages of the analysis:
185
01:23Mechanistic Models: Compartment Models in Individual and Population Analysis
85
Mechanistic models are utilized in individual analysis using single-source data, but imperfections arise due to data collection errors, preventing perfect prediction of observed data. The mathematical equation involves known values (Xi), observed concentrations (Ci), measurement errors (εi), model parameters (ϕj), and the related function (ƒi) for i number of values. Different least-squares metrics quantify differences between predicted and observed values. The ordinary least...
85