利用机器学习算法预测埃塞俄比亚6-23个月龄段儿童的最低饮食多样性

科学领域:

• 儿童营养 儿童营养
• 公共卫生 公共卫生
• 机器学习应用 机器学习应用

背景情况:

• 营养丰富的食物摄入不足会影响儿童的发育,可能导致延迟和障碍.
• 关于儿童饮食多样性的预测因素的证据有限.
• 在埃塞俄比亚,最低饮食多样性 (MDD) 仍然是一个重大的公共卫生问题,地区和社会经济差异显著.

研究的目的:

• 训练和评估八种机器学习算法,用于预测6-23个月龄的埃塞俄比亚儿童的最低饮食多样性.
• 通过机器学习和沙普利添加式解释 (SHAP) 来识别最低饮食多样性的关键预测因素.

主要方法:

• 利用了埃塞俄比亚人口和健康调查 (EDHS) 2005-2019年间的二次数据 (n=8,996名年龄在6-23个月的儿童).
• 采用STATA 17用于数据提取和Python 3.11用于数据清理,编码和分析.
• 测试了八种机器学习算法:逻辑回归,随机森林,K-最近邻居 (KNN),多层感知器 (MLP),支持矢量机器,天真贝斯,极端梯度提升 (XGBoost) 和AdaBoost.

主要成果:

• 随机森林分类器在预测最低饮食多样性方面取得了最高的性能 (准确率=82%,AUC=89%).
• 随机森林模型和SHAP分析确定的主要预测因素包括分娩地点,家庭主人的性别,水源,居住地,儿童年龄,五岁以下儿童数量,母亲年龄和家庭规模.
• 该研究强调了严重的区域和社会经济不平等,影响了最低限度的饮食多样性.

结论:

• 机器学习,特别是随机森林模型,有效地预测了埃塞俄比亚幼儿的最低饮食多样性.
• 通过机器学习识别面临风险的人群,可以为有针对性的营养干预提供信息.
• 解决社会经济和区域差异对于改善儿童营养结果至关重要.