机器学习算法用于预测东非五岁以下儿童在腹疾病和其决定因素期间的食习惯

科学领域:

• 儿科 儿科 儿科
• 公共卫生 公共卫生
• 机器学习 机器学习

背景情况:

• 腹是全球儿童营养不良的主要原因之一.
• 在非洲的儿童腹期间,食物和液体的限制是常见的,尽管有证据支持继续养.
• 在了解腹发作期间最佳养实践的决定因素方面存在差距.

研究的目的:

• 开发预测模型,以提高在东非腹爆发期间儿童养的做法.
• 确定影响腹期间五岁以下儿童食习惯的关键决定因素.

主要方法:

• 利用来自12个东非国家的人口和健康调查 (DHS) 数据 (2012-2023).
• 包括20059名5岁儿童在分析中.
• 采用机器学习算法:随机森林,决策树,XGBoost和物流回归用于模型构建和评估.

主要成果:

• 随机森林模型以97.86%的准确度展示了卓越的性能.
• 养实践的重要积极决定因素包括家庭财富的增加,设施交付,现代避孕措施的使用,母亲的就业和媒体曝光.
• 负面决定因素包括家庭分娩,更大的家庭规模和男性家庭主管.

结论:

• 机器学习有效地确定了影响东非腹期间儿童食的因素.
• 只有11%的儿童在腹期间接受了可接受的食做法.
• 改善养实践,重点关注已识别的决定因素,对于降低儿童死亡率至关重要.