了解埃塞俄比亚治疗床网使用的决定因素:使用PMA埃塞俄比亚2023调查数据的机器学习分类方法

科学领域:

• 公共卫生 公共卫生
• 流行病学 流行病学
• 医疗信息学 医疗信息学

背景情况:

• 疟疾仍然是埃塞俄比亚的一个关键的公共卫生问题,病例数量和死亡率很高.
• 尽管有分销活动,但杀虫剂处理网 (ITNs) 的不足利用率为35%,阻碍了疟疾控制工作.
• 传统的统计模型很难识别ITN使用的复杂,非线性预测因素.

研究的目的:

• 应用机器学习 (ML) 模型来识别影响埃塞俄比亚ITN使用的非明显因素.
• 将ML模型的预测性能与ITN利用的传统物流回归进行比较.
• 为了揭示影响ITN使用的复杂相互作用,超越标准的社会经济和人口变量.

主要方法:

• 利用2023年埃塞俄比亚行动绩效监测 (PMA) 数据集,对9763个家庭进行全国代表性调查.
• 采用了ML模型,包括随机森林,XGBoost和梯度提升来预测ITN利用率.
• 使用精度,精度,回忆,F1得分和AUC-ROC评估模型性能,并使用SHAP值来解释特征.

主要成果:

• 与后勤回归相比,随机森林和XGBoost模型实现了优异的预测性能 (AUC 0.89-0.91).
• 确定的主要决定因素包括地理区域,家庭规模,财富五分位数和母亲教育.
• 发现了非线性相互作用,例如母亲教育缓解了与收入相关的障碍,以及ITN利用的区域差异.

结论:

• 机器学习模型擅长捕捉ITN利用的复杂,非线性决定因素,为疟疾预防提供可操作的见解.
• 结果主张区域特定的干预措施,与教育/经济计划集成的分发,以及环境健康协同作用.
• 强调ML在资源有限的环境中用于精确公共卫生的潜力,以支持国家和全球疟疾消除目标.