预测和识别乳腺癌查采用率不平等的相关性,使用印度的国家级数据

科学领域:

• 公共卫生 公共卫生
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 印度乳腺癌查覆盖率低,导致晚期诊断和死亡率.
• 社会经济和结构上的不平等严重影响了查的普及.
• 准确预测这些不平等现象对于有效的癌症控制政策至关重要.

研究的目的:

• 应用机器学习 (ML) 来预测乳腺癌查吸收的决定因素.
• 用度指数估计查采用率的社会经济不平等.
• 确定导致这些不平等的因素,跨越经济,教育和种姓梯度.

主要方法:

• 利用国家家庭健康调查 (NFHS-5) 数据 (2019-2021) 对68526名年龄在30-49岁的女性进行了调查.
• 应用后勤回归,天真湾,决策树,随机森林和XGBoost模型.
• 使用十倍交叉验证验证并比较五个评估指标验证了预测性表现.
• 使用度指数测量不平等,使用基于ML的特征重要性对梯度的分解贡献.

主要成果:

• 查普及率显著低 (0.9%),经济,教育和社会差异显著.
• 随机森林和XGBoost显示了高的预测准确性 (96%),而决策树提供了稳定的概括性 (平均AUROC=0.995).
• 关键预测因素包括教育,自治,社区卫生工作者互动和空间特征.
• 集中度指数显示了亲富 (0.1),亲受教育 (0.182) 和亲边缘化的社会梯度 (-0.011).

结论:

• 机器学习模型提高了印度乳腺癌查不平等的预测准确性和可解释性.
• 经济保护,空间可访问性,教育和社区卫生工作者联系对于减少差距至关重要.
• 针对弱势妇女的有针对性的干预措施是必要的,以改善查覆盖率和解决社会梯度问题.