基于机器学习探索巴基斯坦儿童营养不良风险因素及预测模型构建

本研究针对巴基斯坦五岁以下儿童营养不良(包括发育迟缓、消瘦和体重不足)问题，来自巴基斯坦的研究团队利用2017-2018年人口健康调查(PDHS)数据，采用逻辑回归和四种机器学习模型(RF、SVM、NB、AdaBoost)进行风险因素分析和预测建模。研究发现近亲婚姻、低经济地位、母亲教育程度低及地区差异是关键风险因素，其中随机森林(RF)模型预测效果最佳。该研究为制定针对性干预措施提供了重要依据。

　　

这项横断面研究运用机器学习技术深入探究了巴基斯坦五岁以下儿童营养不良的流行病学特征。研究人员巧妙地将传统逻辑回归与现代算法相结合，通过巴基斯坦2017-2018年人口与健康调查(PDHS)的大样本数据，系统分析了发育迟缓(Stunting)、消瘦(Wasting)和体重不足(Underweight)三大营养指标。

在方法学上，研究团队采用了双重验证策略：既进行10折交叉验证，又实施80:20的训练集-测试集分割。四种前沿算法各显神通——随机森林(RF)展现出最强的综合预测能力，支持向量机(SVM)则在识别消瘦和体重不足病例时灵敏度更胜一筹。

令人瞩目的是，研究揭示了巴基斯坦特有的风险因素图谱：近亲婚姻使儿童营养不良风险激增，母亲教育程度每降低一个等级，孩子发育迟缓几率就上升15个百分点。地理差异同样触目惊心，信德省和俾路支省的营养不良率显著高于其他地区。

这些发现不仅为公共卫生决策提供了精准的干预靶点，更展示了机器学习在营养流行病学中的巨大潜力。特别是随机森林算法，其高达85%的预测准确率，预示着人工智能辅助营养筛查的新时代正在到来。