国家营养计划在卢旺达使用机器学习分类器减少衰老方面的作用:一项回顾性研究

科学领域:

• 公共卫生 公共卫生
• 机器学习应用 机器学习应用
• 儿童营养 儿童营养

背景情况:

• 在卢旺达,儿童发育迟缓率从38% (2015) 降至33% (2020).
• 研究了国家营养计划与科学证据的协调.
• 评估了多部门方法的有效性,以减少发育迟缓.

研究的目的:

• 检查国家营养计划对两岁以下儿童衰老减少的好处.
• 使用机器学习分类器来识别关键预测因素.
• 评估该计划对卢旺达减少衰老的影响.

主要方法:

• 雇佣的卢旺达 DHS,MEIS和LODA家庭调查数据 (2015-2020年).
• 建模了五种机器学习算法:SVM,物流回归,KNN,随机森林,决策树.
• 使用Cox比例危险模型和Kaplan-Meier曲线进行风险比较;用于程序识别的后勤回归. 评估了使用精度,回忆,F1,精度和AUC的分类器.

主要成果:

• 早期儿童发育 (ECD),营养敏感直接支持 (NSDS),ubudehe,卫生,4次产前护理 (ANC) 访问,强化混合食品 (FBF) 和疫苗接种是显著的预测因素 (p <0.05).
• 接受ECD,NSDS,ANC,FBF和疫苗接种的受益人显示,发育迟缓的风险降低.
• 随机森林以87.1%的F1得分和83.9%的准确性优于其他模型.

结论:

• 在卢旺达两岁以下儿童中,减少发育迟缓的关键决定因素包括ECD,NSDS,Ubudehe,卫生,足够的ANC,FBF和疫苗接种.
• 随机森林是最佳的机器学习分类器,用于预测衰退减缓状态.
• 研究结果支持基于证据的国家营养战略.