预测肯尼亚的急性儿童营养不良使用机器学习和各种各样的指标集
Girmaw Abebe Tadesse1, Laura Ferguson2,3, Caleb Robinson4
1Microsoft AI for Good Research Lab, Nairobi, Kenya.
PloS one
|May 14, 2025
概括
机器学习模型使用临床和卫星数据准确预测肯尼亚的儿童营养不良. 这些先进的模型的性能优于当前的方法,为弱势群体提供及时的干预措施.
科学领域:
- 公共卫生 公共卫生
- 机器学习 机器学习
- 地理空间分析是什么
背景情况:
- 营养不良是一个关键的全球健康问题,在肯尼亚等低收入和中等收入国家,它不成比例地影响到五岁以下的儿童.
- 肯尼亚使用区卫生信息软件-2 (DHIS2) 收集重要的临床数据,包括营养不良指标,超过十年.
- 在利用这些数据进行预测建模以实现及时的营养不良干预方面存在差距.
研究的目的:
- 开发一个时空机器学习模型,利用DHIS2数据预测肯尼亚的急性儿童营养不良.
- 整合外部数据,如来自卫星的生产力信号,以提高营养不良预测的准确性.
- 预测不同阶段的营养不良 (中度,严重,综合) 和时间范围.
主要方法:
- 制定了一个框架,以预测子县级的营养不良风险,整合DHIS2临床数据和卫星衍生的初级生产率.
- 机器学习模型 (逻辑回归,梯度提升) 和窗口平均基线被训练并使用2019年1月至2024年2月的数据进行比较.
- 使用接收器运行特征曲线 (AUC) 下的面积来评估性能,将预测与测试组的实际结果进行比较.
主要成果:
- 机器学习模型在预测子县营养不良率方面显著优于窗口平均基线.
- 梯度提升模型在6个月的预测期内实现了0.86的平均AUC,而窗口平均模型为0.73.
- 仅靠卫星数据就比基线改善了预测,最近的结果和卫星数据都被确定为关键预测指标.
结论:
- 这项研究开创了使用DHIS2临床数据用于肯尼亚子县级儿童营养不良预测的先驱.
- 开发的模型证明了准确,指标驱动的营养不良预测的潜力.
- 这项工作为全球营养不良预测框架奠定了基础,适用于许多具有类似数据收集系统的低收入和中等收入国家.
