
-
生物通官微
陪你抓住生命科技
跳动的脉搏
预测并识别埃塞俄比亚学龄儿童发育迟缓的影响因素:一种机器学习方法
《Journal of Health, Population and Nutrition》:Predicting and identifying determinants of stunting among school-aged children in Ethiopia: a machine learning approach
【字体: 大 中 小 】 时间:2026年07月13日 来源:Journal of Health, Population and Nutrition 2.4
编辑推荐:
摘要背景儿童生长迟缓仍然是一个重大的公共卫生问题,它反映了长期的营养不良和经济社会劣势。在学龄儿童中,生长迟缓会导致身体发育受阻、认知发展迟缓以及教育成绩不佳。传统的统计方法,如逻辑回归,被广泛用于研究与生长迟缓相关的因素;然而,它们在捕捉复杂和非线性关系方面的能力存在局限。机器
儿童生长迟缓仍然是一个重大的公共卫生问题,它反映了长期的营养不良和经济社会劣势。在学龄儿童中,生长迟缓会导致身体发育受阻、认知发展迟缓以及教育成绩不佳。传统的统计方法,如逻辑回归,被广泛用于研究与生长迟缓相关的因素;然而,它们在捕捉复杂和非线性关系方面的能力存在局限。机器学习方法则为建模这类关系提供了灵活的替代方案。
本研究旨在利用学校和家庭层面的数据,对埃塞俄比亚学龄儿童的生长迟缓情况进行建模和分类,并比较机器学习算法与多变量逻辑回归的性能。
本研究基于埃塞俄比亚“年轻生命”项目第五轮(2016–2017年)的二手数据进行了横断面分析。生长迟缓是根据世界卫生组织的年龄别身高Z值标准定义为二元结果。研究中采用了多种机器学习算法,包括随机森林、支持向量机和梯度提升机。通过准确率、灵敏度、特异性、F1分数以及接收者操作特征曲线下面积等指标来评估模型性能。同时,还通过变量重要性分析来确定对模型性能有贡献的因素。为避免潜在的循环问题,那些与研究结果密切相关的体格测量变量(如儿童体重)被排除在最终模型之外。
与逻辑回归和其他机器学习方法相比,随机森林模型的性能有所提升,其性能是通过上述各项指标来评估的。主要的预测因子包括学校类型、家庭财富指数、与识字相关的指标以及居住地区。研究中发现,不同地区的生长迟缓分类存在明显差异,这表明更广泛的经济社会和环境条件对此有影响。
在埃塞俄比亚学龄儿童的生长迟缓分类方面,机器学习模型,尤其是随机森林模型,其性能略优于传统的逻辑回归。所确定的预测因子凸显出生长迟缓的多因素性和情境依赖性。这些研究结果支持将机器学习方法作为辅助分析工具,用于了解儿童营养不良的模式,不过在将其用于预测时,需考虑到横断面数据的局限性。
儿童生长迟缓仍然是一个重大的公共卫生问题,它反映了长期的营养不良和经济社会劣势。在学龄儿童中,生长迟缓会导致身体发育受阻、认知发展迟缓以及教育成绩不佳。传统的统计方法,如逻辑回归,被广泛用于研究与生长迟缓相关的因素;然而,它们在捕捉复杂和非线性关系方面的能力存在局限。机器学习方法则为建模这类关系提供了灵活的替代方案。
本研究旨在利用学校和家庭层面的数据,对埃塞俄比亚学龄儿童的生长迟缓情况进行建模和分类,并比较机器学习算法与多变量逻辑回归的性能。
本研究基于埃塞俄比亚“年轻生命”项目第五轮(2016–2017年)的二手数据进行了横断面分析。生长迟缓是根据世界卫生组织的年龄别身高Z值标准定义为二元结果。研究中采用了多种机器学习算法,包括随机森林、支持向量机和梯度提升机。通过准确率、灵敏度、特异性、F1分数以及接收者操作特征曲线下面积等指标来评估模型性能。同时,还通过变量重要性分析来确定对模型性能有贡献的因素。为避免潜在的循环问题,那些与研究结果密切相关的体格测量变量(如儿童体重)被排除在最终模型之外。
与逻辑回归和其他机器学习方法相比,随机森林模型的性能有所提升,其性能是通过上述各项指标来评估的。主要的预测因子包括学校类型、家庭财富指数、与识字相关的指标以及居住地区。研究中发现,不同地区的生长迟缓分类存在明显差异,这表明更广泛的经济社会和环境条件对此有影响。
在埃塞俄比亚学龄儿童的生长迟缓分类方面,机器学习模型,尤其是随机森林模型,其性能略优于传统的逻辑回归。所确定的预测因子凸显出生长迟缓的多因素性和情境依赖性。这些研究结果支持将机器学习方法作为辅助分析工具,用于了解儿童营养不良的模式,不过在将其用于预测时,需考虑到横断面数据的局限性。