基于机器学习探索巴西婴儿纯母乳喂养影响因素：全国性营养调查分析

《International Journal of Medical Microbiology》：Identifying the content, capabilities, and design features of a mobile-based cognitive behavioral therapy intervention for managing menopausal symptoms

本研究采用机器学习方法分析巴西全国儿童营养调查（ENANI-2019）数据，系统评估9种算法后发现逻辑回归模型（AUC 0.865）最具临床解释力。研究揭示奶瓶使用（系数-2.355）是纯母乳喂养（EBF）最强负向预测因子，同时识别出2-4月龄为干预关键窗口，为制定针对性母乳喂养促进策略提供了循证依据。

　　

^?研究亮点^?

研究设计与数据来源

这项横断面研究采用巴西全国儿童营养调查（ENANI-2019）的二次数据，该调查于2019年2月至2020年3月期间开展，通过分层整群抽样确保覆盖巴西五大行政区域。本研究方案获伦理委员会批准（CAAE: 88863325.0.0000.0243），遵循《赫尔辛基宣言》准则。

样本特征与特征筛选

1960名6月龄内婴儿的分析样本中，纯母乳喂养（EBF）与非纯母乳喂养婴儿分别为920名（46.9%）和1040名（53.1%）。通过分层划分，1568个样本用于模型训练，392个样本用于独立验证，两组类别分布保持一致。

降维方法比较

系统比较三种正则化方法的5折交叉验证结果显示：LASSO回归（L1正则化，λ=0.003464）筛选出49个特征，岭回归（L2正则化）保留全部特征，而弹性网络（Elastic Net）折衷方案最终选定49个特征进入模型。

讨论

本研究通过机器学习技术系统识别巴西婴儿纯母乳喂养影响因素。在9种算法中，逻辑回归以AUC 0.865的验证性能脱颖而出。弹性网络筛选的49个特征中，19个呈现显著关联：奶瓶使用史（系数-2.355, 95%CI[-2.586,-2.173]）成为最强负向预测因子，婴儿月龄和安抚奶嘴使用紧随其后。保护性因素包括主动获取哺乳知识、捐赠母乳行为及较高出生体重。SHAP分析验证特征重要性排序（相关性r=0.968），模型在不同人口学亚组中表现稳健（AUC波动于0.820-0.947）。

结论

机器学习分析表明，奶瓶使用是巴西婴儿纯母乳喂养中断的最强风险因素，2-4月龄为关键干预期。研究结果为制定针对性干预策略（如人工奶嘴使用指导、关键期支持强化）提供了循证依据，但临床推广前仍需前瞻性验证。