因果机器学习模型用于预测低出生体重在助产士领导的连续护理干预在北肖亚区,埃塞俄比亚的持续护理干预
Wudneh Ketema Moges1,2,3, Awoke Seyoum Tegegne4, Aweke A Mitku4,5
1Department of Statistics, College of Science, Bahir Dar University, P.O.Box 79, Bahir Dar, Ethiopia. wudnehketema@gmail.com.
BMC medical informatics and decision making
|February 7, 2025
概括
因果机器学习使用助产士领导的护理连续性 (MLCC) 准确预测了低出生体重 (LBW). 促进MLCC可以帮助稳定新生儿的LBW结果.
科学领域:
- 孕产妇和儿童的健康
- 数据科学数据科学数据科学
- 公共卫生 公共卫生
背景情况:
- 低出生体重 (LBW) 是一个重大的全球健康挑战,不成比例地影响发展中国家的婴儿.
- 这项研究利用因果机器学习 (CML) 来预测LBW,重点关注助产士领导的护理连续性 (MLCC) 的影响.
研究的目的:
- 应用CML算法来预测新生儿的LBW.
- 评估MLCC在缓解LBW方面的有效性.
- 为了确定LBW的关键预测因素.
主要方法:
- 一项涉及埃塞俄比亚1166名妇女的准实验性研究,将MLCC与标准护理进行比较.
- 实施CML用于数据预处理和LBW预测,确定最佳分类器.
- 利用梯度提升和元学习者算法 (S学习者,T学习者,X学习者) 来估计因果效应 (ITE,ATE).
主要成果:
- 因果K-最近邻居 (CKNN) 在预测LBW时达到94.52%的准确性.
- 主要的LBW预测因素包括美吸收,围产期死亡率和怀孕引起的高血压.
- 梯度增强估计MLCC对LBW的影响为0.237,与meta-learners的不同ATE和ITE结果.
结论:
- CKNN在LBW预测方面表现出高准确性和有效性.
- S-learner和R-learner模型准确估计了ITE,评估了MLCC计划的影响.
- 建议促进MLCC以帮助稳定LBW结果.
