尼日利亚基本母婴健康服务覆盖面的高分辨率绘制:一种机器学习方法

科学领域:

• 地理空间健康分析
• 机器学习在公共卫生中的应用
• 孕产妇和儿童的健康

背景情况:

• 国家卫生覆盖数据掩盖了当地差异.
• 在尼日利亚,母亲和儿童健康 (MCH) 服务存在地理不平等.
• 对有针对性的干预措施而言,颗粒式的MCH服务覆盖率数据至关重要.

研究的目的:

• 估计尼日利亚基本MCH服务的电网覆盖率.
• 使用机器学习技术来准确地绘制MCH服务映射.
• 为了确定MCH服务提供中的地理不平等.

主要方法:

• 模拟基本的MCH服务 (产前护理,设施交付,疫苗接种,疾病治疗) 使用通用添加模型 (GAMs) 和渐变增强 (GB) 回归.
• 来自五项尼日利亚跨部门调查 (2003-2018) 的综合数据,具有地理空间社会经济,环境和物理特征.
• 创建城市和农村地区的高分辨率 (1平方公里和5平方公里) 覆盖地图.

主要成果:

• 在MCH服务中,GAM表现出优异的性能,预测误差低.
• 高分辨率地图显示了MCH服务覆盖面的显著地理差异,特别是在农村和城市地区之间以及各州之间.
• 时间分析显示,从2003年到2018年,MCH服务覆盖率总体上升,服务和位置有显著差异.
• 确定了母婴和疫苗接种服务覆盖率较低的优先区域,主要位于尼日利亚北部.

结论:

• 高分辨率的空间估计对于MCH干预的地理优先级来说至关重要.
• 数据驱动的洞察力可以为制定有针对性的实施策略提供信息.
• 有限的资源可以有效地指向对基本MCH服务需求最大的地区.