评估孟加拉国妇女营养不良的风险因素,并使用机器学习方法预测营养不良

科学领域:

• 公共卫生 公共卫生
• 机器学习 机器学习
• 营养科学 营养科学

背景情况:

• 妇女营养不良是孟加拉国一个关键的公共卫生问题,对母亲和儿童健康造成严重后果.
• 它与疾病风险增加,早产和儿童死亡率上升有关.
• 孟加拉国人口健康调查 (BDHS) 2017-18年数据被用于调查风险因素和开发预测模型.

研究的目的:

• 确定与孟加拉国妇女营养不良相关的重大风险因素.
• 开发和评估用于预测妇女营养状况的机器学习模型.
• 为早期发现营养不良提出一个有效的机器学习策略.

主要方法:

• 分析了2017-18年BDHS的17022名女性的数据集.
• 使用奇平方测试来确定营养不良的重大风险变量.
• 包括Random Forest在内的6个机器学习分类器被训练并使用各种性能指标进行评估.

主要成果:

• 45%的受研究人口被确定为营养不良的妇女.
• 年龄和财富指数是最有影响力的因素,而水源的影响最小.
• 随机森林模型在评估的分类器中获得了最高的准确性 (60.2%) 和AUC (0.604).

结论:

• 随机森林算法是预测孟加拉妇女营养状况的高效工具.
• 这种机器学习方法可以帮助识别有高营养不良风险的妇女.
• 早期识别可以通过及时干预来减轻医疗保健系统的负担.