使用机器学习识别孟加拉妇女的决定因素和预测剖腹产分娩:来自BDHS 2022数据的洞察力
Shamsuz Zoha1, Shahin Alam1, Isteaq Kabir Sifat1
1Department of Statistics, Hajee Mohammad Danesh Science and Technology University, Dinajpur, Bangladesh.
PLOS global public health
|November 19, 2025
概括
剖腹产 (剖腹产) 率的上升令人担忧. 机器学习模型有效地识别了关键风险因素,使孟加拉国产妇保健的预测和干预策略更好.
科学领域:
- 公共卫生 公共卫生
- 医疗信息学 医疗信息学
- 生殖健康 生殖健康
背景情况:
- 全球剖腹产 (C-section) 率正在上升,需要对促成因素和预测建模进行研究.
- 了解剖腹产决定因素对于制定有针对性的干预措施和为卫生政策提供信息至关重要.
- 机器学习 (ML) 为分析复杂的健康数据和预测分娩结果提供了强大的工具.
研究的目的:
- 确定影响孟加拉国剖腹产产生的关键决定因素.
- 开发和评估基于ML的剖腹产风险预测模型.
- 为了利用发现,改善孕产妇医疗保健规划和潜在减少不必要的剖腹产.
主要方法:
- 分析了2022年孟加拉国人口和健康调查 (BDHS) 的2,490份记录.
- 使用递归特征消除 (RFE),基于Boruta的选择 (BFS) 和随机森林 (RF) 进行特征选择.
- 采用6个ML算法 (LR,SVM,KNN,DT,RF,XGB) 进行预测,使用准确度,精度,回忆,F1得分,AUC和ROC分析进行评估. 使用SHAP值来解释特征.
主要成果:
- 剖腹产的患病率为45.6%. 确定了十个重要的决定因素:分娩地点,婴儿体重,母亲的BMI,分娩间隔,第一次分娩的年龄,伴侣的教育,母亲的年龄,财富状况,ANC访问和母亲的教育.
- 随机森林 (RF) 模型表现出最高的性能,准确率为81.79%,AUC为0.871.
- SHAP分析表明分娩地点,婴儿体重,母亲的BMI和分娩间隔是最有影响力的预测因素.
结论:
- 社会人口结构和医疗保健因素显著影响了孟加拉国剖腹产分娩率.
- 机器学习模型,特别是RF,在识别剖腹产高风险个体方面是有效的.
- 该研究为数据驱动的策略提供了基础,以减少不必要的剖腹产和加强孕产妇护理计划.
