使用深度神经网络预测儿童营养状况:对埃及DHS数据 (2005-2014) 的横截面研究 (2005-2014)

科学领域:

• 公共卫生 公共卫生
• 人工智能的人工智能
• 儿科 儿科 儿科

背景情况:

• 儿童营养不良,特别是消耗和营养不良,是低收入和中等收入国家的重大公共卫生问题.
• 早期识别营养状况对于及时干预和改善儿童健康结果至关重要.
• 可访问的人口和健康指标可以用来预测营养状况.

研究的目的:

• 开发和评估一个深度神经网络 (DNN) 模型来对埃及儿童营养状况进行分类.
• 将DNN模型的性能与传统机器学习分类器 (如决策树和随机森林) 的性能进行比较.
• 确定影响儿童营养状况预测的关键指标.

主要方法:

• 一项回顾性横截面研究,利用埃及人口和健康调查数据 (2005年,2008年,2014年) 的数据.
• 包括36313名5岁以下的儿童,并提供完整的人类测量和人口统计数据.
• 训练DNN模型,使用类权重和合成少数超样本来处理数据不平衡,并使用准确度,精度,回忆,F1得分和ROC-AUC进行性能评估.

主要成果:

• DNN模型实现了卓越的性能,精度为89%,回忆率为91%,ROC-AUC为0.95.
• SHAP分析确定了母亲的体重指数,儿童年龄,出生体重和家庭财富指数是最有影响力的预测特征.
• 在预测儿童营养状况方面,DNN的表现优于随机森林和决策树分类器,特别是在回忆和F1分数方面.

结论:

• 开发的DNN模型在预测儿童营养状况方面表现出高效,为公共卫生查提供了一个有前途的工具.
• 该模型利用可访问指标的能力表明,在资源有限的环境中,该模型有可能得到广泛应用.
• 进一步的研究应该涉及跨不同人群的外部验证,并增强用于临床整合的模型解释性.