机器学习的应用在中国工厂工人的危险性行为干预中
Fang Zhang1, Shiben Zhu2, Siyu Chen2
1Department of Science and Education, Shenzhen Baoan Women's and Children's Hospital, Shenzhen, Guangdong, China.
Frontiers in public health
|August 21, 2023
概括
机器学习模型有效地识别了性行为的高风险的工厂工人. 随机森林模型表现出强的表现,有助于针对性地促进性健康的公共卫生干预.
科学领域:
- 公共卫生 公共卫生
- 机器学习 机器学习
- 性健康 性的健康
背景情况:
- 评估高风险性行为对于有针对性的教育干预至关重要.
- 机器学习为分析行为数据提供了先进的工具.
研究的目的:
- 确定最有效的机器学习算法来评估高风险的性行为.
- 评估机器学习模型在过去六个月中预测风险性行为的表现.
主要方法:
- 在2019年10月至11月期间,对中国深的2023名工厂工人进行了一项调查.
- 机器学习模型被用来分析问卷数据.
- 模型性能使用接收器操作特征 (ROC) 曲线下的面积 (AUC) 来评估.
主要成果:
- 大约有四分之一的工厂工人报告说,在过去的六个月里,他们参与了危险的性行为.
- 随机森林模型表现出卓越的性能,达到78%的准确性,11%的灵敏性,98%的特异性和84%的ROC.
- 诸如种族,户口,教育,收入和职业等人口统计因素与危险的性行为有关.
结论:
- 机器学习模型,特别是随机森林模型,在评估风险性行为方面是有效的.
- 这些模型可以整合到促进性健康和后续服务的公共卫生战略中.
