埃塞俄比亚新生儿死亡率的建模与预测：一项结合统计、机器学习和深度学习方法的比较研究

《Archives of Public Health》：Modeling and forecasting neonatal mortality in Ethiopia: a comparative study using statistical, machine learning, and deep learning approaches

　　```html

摘要

引言

埃塞俄比亚的新生儿死亡率（NMR）陷入令人担忧的停滞状态，约为每1,000例活产中有27例死亡，这威胁到了可持续发展目标（SDG）3.2的实现。在资源匮乏的环境中，使用先进计算方法进行预测分析在指导干预措施方面的作用尚未得到充分发挥。

方法

利用世界卫生组织全球卫生观察站提供的1977年至2023年的全国新生儿死亡率数据，我们比较了五种预测模型：ARIMA、Prophet、随机森林（Random Forest）、XGBoost和LSTM，并进行了统一的向前预测验证（walk-forward validation）。数据根据模型假设进行了转换。评估指标采用RMSE和MAE，其中数据单位为原始的新生儿死亡率（每1,000例活产中的死亡人数）。

结果

LSTM模型的预测误差最低（RMSE：0.72，MAE：0.58例死亡/1,000例活产），优于其他统计和机器学习方法。预测结果显示到2030年和2034年新生儿死亡率将分别降至27.7例和27.1例，远低于SDG 3.2设定的目标值（≤12例）。结构性障碍，包括农村地区的医疗资源获取受限、围产期护理质量低下以及诊断延误，可能是造成这一停滞现象的原因。

结论

为了实现2030年的目标，埃塞俄比亚需要将新生儿死亡率降低十倍。基于LSTM的预测技术可以有助于提前进行资源分配（例如，在高风险地区预先储备物资），但结果应结合次国家级数据及不确定性范围进行解读。本研究证明了LSTM在数据受限环境中用于新生儿死亡率预测的潜力，同时指出未来还需要通过更长的时间序列数据和外生变量对模型进行进一步验证。

引言

埃塞俄比亚的新生儿死亡率（NMR）徘徊在每1,000例活产中有27例死亡的较高水平，这阻碍了可持续发展目标（SDG）3.2的实现。在资源匮乏的环境中，使用先进计算方法进行预测分析在指导干预措施方面的作用尚未得到充分发挥。

方法

利用世界卫生组织全球卫生观察站提供的1977年至2023年的全国新生儿死亡率数据，我们比较了五种预测模型：ARIMA、Prophet、随机森林（Random Forest）、XGBoost和LSTM，并进行了统一的向前预测验证（walk-forward validation）。数据根据模型假设进行了转换。评估指标采用RMSE和MAE，其中数据单位为原始的新生儿死亡率（每1,000例活产中的死亡人数）。

结果

LSTM模型的预测误差最低（RMSE：0.72，MAE：0.58例死亡/1,000例活产），优于其他统计和机器学习方法。预测结果显示到2030年和2034年新生儿死亡率将分别降至27.7例和27.1例，远低于SDG 3.2设定的目标值（≤12例）。结构性障碍，包括农村地区的医疗资源获取受限、围产期护理质量低下以及诊断延误，可能是造成这一停滞现象的原因。

结论

为了实现2030年的目标，埃塞俄比亚需要将新生儿死亡率降低十倍。基于LSTM的预测技术可以有助于提前进行资源分配（例如，在高风险地区预先储备物资），但结果应结合次国家级数据及不确定性范围进行解读。本研究证实了LSTM在数据受限环境中用于新生儿死亡率预测的潜力，同时指出未来还需要通过更长的时间序列数据和外生变量对模型进行进一步验证。