可解释的机器学习用于预测埃塞俄比亚生育年龄妇女中寻求堕胎的延迟:使用EDHS 2016年数据的研究

科学领域:

• 公共卫生 公共卫生
• 机器学习应用 机器学习应用
• 生殖健康研究 生殖健康研究

背景情况:

• 在埃塞俄比亚,延迟获得堕胎护理存在重大公共卫生风险.
• 之前的研究还没有使用高级机器学习和可解释技术来分析这个问题.
• 了解推迟堕胎寻求的预测因素对于减少孕产妇发病率和死亡率至关重要.

研究的目的:

• 在埃塞俄比亚使用可解释机器学习识别延迟堕胎寻求的关键预测因素.
• 应用沙普利增量解释 (SHAP) 值来理解特征在预测堕胎护理延迟中的重要性.
• 通过确定与堕胎延迟相关的人口和区域因素,为公共卫生干预提供信息.

主要方法:

• 利用了2016年埃塞俄比亚人口与健康调查的数据.
• 进行了广泛的数据预处理,包括特征工程,积分,过和编码.
• 采用并比较了八种机器学习模型 (例如,随机森林,LightGBM,SVM,XGBoost) 来预测延迟,并使用SHAP分析进行解释.

主要成果:

• 寻求推迟堕胎的流行率为54.3%.
• 随机森林模型实现了最高的性能,准确率为91.8%,AUC为0.976.
• 延迟的主要预测因素包括年龄较大 (40-49岁),居住在索马里和阿姆哈拉地区,缺乏媒体曝光和酒精消费. 城市居住和亚的斯亚贝巴是保护因素.

结论:

• 机器学习,特别是随机森林与SHAP分析,有效地识别了埃塞俄比亚延迟堕胎寻求的重大预测因素.
• 有针对性的干预措施应专注于老年妇女,特定地区 (索马里,阿姆哈拉) 的妇女,以及媒体曝光有限的个人.
• 研究结果为制定策略提供了关键的见解,以减轻埃塞俄比亚不安全堕胎相关的孕产妇健康风险.