在撒哈拉以南非洲部署基于机器学习的儿童腹预测系统
Eliyas Addisu Taye1, Eyob Akalewold Alemu2, Halima Ayalew Kebede3
1Department of Health Informatics, College of Medicine and Health Science, University of Gondar Comprehensive Specialized Hospital, Gondar, Ethiopia. eliyasaddisu12@gmail.com.
Scientific reports
|March 14, 2026
概括
一个新的机器学习模型能够高准确地预测撒哈拉以南非洲 (SSA) 的儿童腹. 这个部署的工具提供了一个切实可行的解决方案,通过早期干预来减少儿童死亡率.
科学领域:
- 公共卫生 公共卫生
- 机器学习 机器学习
- 儿科 儿科 儿科
背景情况:
- 腹是撒哈拉以南非洲 (SSA) 儿童死亡的主要原因之一.
- 现有的医疗保健机器学习 (ML) 模型往往缺乏可扩展的,现实世界的部署.
- 预测工具是早期干预所需的,以对抗SSA的儿童腹.
研究的目的:
- 开发和部署一个端到端的机器学习框架,用于预测SSA5岁以下儿童的腹.
- 弥合ML研究和实际公共卫生应用之间的差距.
- 创建一个有形的,可部署的解决方案,以帮助公共卫生决策.
主要方法:
- 利用来自27个南非国家 (2016-2024) 的人口和健康调查 (DHS) 数据.
- 预处理数据包括处理缺失值,特征选择,以及针对类不平衡的SMOTE.
- 通过基于Flask的RESTful API部署,使用RandomizedSearchCV训练和优化一个随机森林分类器.
主要成果:
- 部署的随机森林模型实现了79.6%的准确性.
- 该模型显示了84.1%的高回忆率,这表明它在识别真正的腹病例方面具有很强的有效性.
- 成功创建了一个完整的管道,从数据分析到部署的交互式系统.
结论:
- 该研究成功地展示了从数据到部署的完整的ML管道,为预测SSA儿童腹提供了实际解决方案.
- 部署的模型作为一个有形的工具,以帮助公共卫生决策和减少儿童死亡率.
- 未来的工作应该集中在模型解释性,可扩展的部署技术 (FastAPI,Docker) 和与社区利益相关者的现场验证上.
