人口統計と健康調査データを用いて,サハラ以南のアフリカ11か国における女性生殖器切除の機械学習に基づく分類

科学分野:

• 公衆衛生は公衆衛生である.
• 機械学習 アプリケーション
• 人口統計健康調査

背景:

• 女性生殖器切除 (FGM) は,不妊症や妊婦死亡率の増加を含む深刻な健康問題と関連しています.
• サハラ以南のアフリカ (SSA) は,FGMの分類のために,機械学習 (ML) と,全国的に代表的な人口統計と健康調査 (DHS) のデータを組み合わせた研究が不足しています.

研究 の 目的:

• DHSデータを使用して,SSAでFGMを分類するための最も効果的なMLモデルを特定する.
• 伝統的な方法と比較して,より正確なFGM分類のために,複雑なデータセットを扱うMLの能力を活用する.

主な方法:

• SSA11カ国 (2015-2023) の2次的DHSデータを使用して,少なくとも1人の娘を持つ62,249人の女性を対象とした.
• 7つの分類アルゴリズムを適用した: ロジスティック回帰, 意思決定ツリー, ランダムフォレスト (RF), SVM, KNN, XGBoost, ネイブベイズ.
• FGMの分類ドライバーを理解するために,特徴の解釈可能性のためのSHAPプロットを使用しました.

主要な成果:

• ランダムフォレスト分類器は,0.85の精度,0.83の精度,0.88のリコール,0.85のF1スコアで最高のパフォーマンスを達成しました.
• FGMに関する母親の意見,居住国,回答者の割礼の地位,宗教的な根拠は,分類における最も重要な特徴でした.
• RFと意思決定ツリーモデルは,最高の校正を示しました.

結論:

• ランダムフォレストモデルは,DHSデータを用いてSSAでFGMを分類するのに非常に有効です.
• 介入は,女性の意見やFGMの宗教的正当化を対象とした教育と擁護を優先すべきです.
• 文化や宗教の規範に根ざしたFGM慣行に挑戦するには,コミュニティの関与が不可欠です.