在乌干达,使用机器学习模型预测患有常规免疫接种缺失风险的婴儿的回顾性队列研究

科学领域:

• 公共卫生 公共卫生
• 机器学习 机器学习
• 流行病学 流行病学

背景情况:

• 常规免疫 (RI) 对婴儿健康至关重要,但在许多低收入国家,违约仍然是一个重大挑战.
• 预测建模可以帮助识别有风险的人群,并为提高疫苗接种覆盖率提供有针对性的干预措施的信息.
• 了解与免疫缺失相关的社会经济和人口因素对于公共卫生战略至关重要.

研究的目的:

• 开发和评估机器学习模型,用于预测乌干达常规免疫接种缺失风险的婴儿.
• 在乌干达的背景下,确定与疫苗违约相关的最重要的预测因素.
• 为了比较各种机器学习算法在分类违约者的性能.

主要方法:

• 利用乌干达2016年人口和健康调查数据,使用主要组件分析来减少维度和合成少数群体过量采样技术来平衡数据集.
• 应用了九个机器学习算法:k-最近的邻居,决策树,随机森林 (RF),支持矢量机 (SVM),天真贝斯,物流回归 (LR),XGBoost,采用增强和梯度增强.
• 使用准确度,回忆度,精度和曲线下的面积 (AUC) 评估模型性能,有或没有K折交叉验证.

主要成果:

• 随着婴儿年龄的增长,疫苗失效率增加了,其中Pentavalent III (22.9%) 和麻疹 (22.1%) 的显着率.
• 违约的关键预测因素包括免疫卡持有,接种疫苗之前接种,以及居住区.
• 随机森林模型在预测疫苗失效方面取得了最高的准确性 (BCG高达96%) 和曲线下面的面积 (1.0),优于其他模型.

结论:

• 随机森林模型是预测乌干达常规免疫缺失的高效工具.
• 免疫卡,先前接种疫苗和地理位置 (地区) 是影响接种疫苗的关键因素.
• 建议采取定期推广,每日接种疫苗服务,提供免疫卡和获得清洁水等干预措施,以减少违约.