使用机器学习算法探索可持续发展目标3的成就和预测:孟加拉国视角

科学领域:

• 公共卫生 公共卫生
• 医疗信息学 医疗信息学
• 可持续发展目标 可持续发展目标

背景情况:

• 可持续发展目标3 (SDG3) 对孟加拉国至关重要,重点关注健康和福祉.
• 孟加拉国可持续发展目标3进展的关键指标包括新生儿死亡率 (NMR),5岁以下死亡率 (U5MR),孕产妇死亡率 (MMR) 和因道路交通伤害 (RTI) 的死亡率.

研究的目的:

• 预测孟加拉国到2030年的主要可持续发展目标3指标.
• 将这些预测与2030年可持续发展目标3目标进行比较.

主要方法:

• 时间序列模型,特别是自回归集成移动平均线 (ARIMA),用于预测.
• 机器学习 (ML) 模型,包括双向循环神经网络 (BRNN) 和弹性神经网络 (ENET),用于提高预测准确性.
• 模型的选择是基于最小化ARIMA的Akaike信息标准 (AIC) 和评估ML模型的误差指标,如根平均绝对误差 (RMAE) 和根平均平方误差 (RMSE).

主要成果:

• 弹性神经网络 (ENET) 在NMR,U5MR,MMR和RTI死亡率方面表现优于BRNN和ARIMA模型.
• 预计NMR和U5MR的预测值预计将低于各自的2030年可持续发展目标3,这表明取得了积极进展.
• 预测的MMR和死亡率由于RTI值预计将超过他们的2030年SDG3目标,突出需要集中干预的领域.

结论:

• 孟加拉国在实现2030年NMR和U5MR目标方面取得了有希望的进展.
• 应对MMR和RTI死亡率方面的挑战对于实现到2030年全面实现可持续发展目标3的目标至关重要.
• 该研究为孟加拉国的卫生政策和可持续发展提供了关键的见解.