孟加拉国已婚青少年的现代计划生育使用决定因素：基于机器学习方法的研究证据

《BMC Public Health》：Determinants of modern family planning use among married adolescents in Bangladesh: evidence from a machine learning approach

　　

摘要

背景

现代计划生育对于改善青少年女性的生殖健康至关重要，尤其是在早婚现象仍普遍的孟加拉国。尽管在计划生育方面取得了总体进展，但由于社会、关系及环境等方面的障碍，已婚青少年女性使用现代避孕方法的程度仍然不均衡且相对较低。传统的统计方法可能无法完全捕捉影响避孕方法使用的复杂且非线性的因素。因此，本研究应用并比较了多种机器学习模型，以预测孟加拉国已婚青少年女性使用现代避孕方法的情况，并确定其关键决定因素。

方法与数据

数据来自具有全国代表性的2019–20年度孟加拉国青少年健康与福利调查。分析对象为3,223名年龄在15至19岁之间、有过婚姻经历的青少年女性。研究采用了多种机器学习分类模型，包括逻辑回归、随机森林、决策树、支持向量机、K最近邻算法、神经网络、极端梯度提升模型、轻量级梯度提升模型、自适应提升模型以及分类朴素贝叶斯模型。特征选择通过Boruta算法完成，模型的可解释性则通过SHapley加性解释方法进行评估。模型性能则通过准确率、精确率、召回率、F1分数、马修斯相关系数、科恩卡帕值以及接收者操作特征曲线下面积等指标来衡量。

结果

总体而言，72.66%的已婚青少年女性表示使用过现代避孕方法。基于集成方法的模型在经过类别平衡处理后，其性能优于传统分类器。在应用SMOTE技术后，极端梯度提升模型的整体预测性能最佳，其准确率为76.0%，精确率为81.5%，F1分数为83.9%，马修斯相关系数为37.2%，科恩卡帕值为36.9%，召回率为86.5%，接收者操作特征曲线下面积为72.9%，其次是随机森林和神经网络模型。影响现代避孕方法使用的最重要因素包括与配偶共同居住、是否生育过、是否共同决策避孕方式、所在行政区划、年龄较小（15–17岁）、家庭经济状况以及媒体接触情况。SHAP交互分析进一步揭示了重要的非线性关系，尤其是生育状况与与配偶共同居住的关系、决策自主性与家庭经济状况的关系，以及媒体接触与地理位置的关系，这些都表明在现代避孕方法的使用上存在显著的情境差异性。

结论

本研究表明，机器学习模型，尤其是极端梯度提升模型，在预测孟加拉国已婚青少年女性使用现代计划生育方法以及确定其关键决定因素方面具有潜力。这些研究结果为政策制定者和项目规划者提供了有价值的参考，有助于他们设计针对青少年的计划生育项目。研究结果还凸显了区域差异、社会经济不平等以及人际关系等因素在影响青少年避孕行为方面的作用。将基于机器学习的分析结果纳入计划生育项目中，有望提升干预措施的针对性，从而助力实现可持续发展目标3.7。

背景

现代计划生育对于改善青少年女性的生殖健康至关重要，尤其是在早婚现象仍普遍的孟加拉国。尽管在计划生育方面取得了总体进展，但由于社会、关系及环境等方面的障碍，已婚青少年女性使用现代避孕方法的程度仍然不均衡且相对较低。传统的统计方法可能无法完全捕捉影响避孕方法使用的复杂且非线性的因素。因此，本研究应用并比较了多种机器学习（ML）模型，以预测孟加拉国已婚青少年女性使用现代避孕方法的情况，并确定其关键决定因素。

方法与数据

数据来自具有全国代表性的2019–20年度孟加拉国青少年健康与福利调查。分析对象为3,223名年龄在15至19岁之间、有过婚姻经历的青少年女性。研究采用了多种机器学习分类模型，包括逻辑回归、随机森林、决策树、支持向量机、K最近邻算法、神经网络、极端梯度提升模型、轻量级梯度提升模型、自适应提升模型以及分类朴素贝叶斯模型。特征选择通过Boruta算法完成，模型的可解释性则通过SHapley加性解释方法进行评估。模型性能则通过准确率、精确率、召回率、F1分数、马修斯相关系数、科恩卡帕值以及接收者操作特征曲线下面积等指标来衡量。

结果

总体而言，72.66%的已婚青少年女性表示使用过现代避孕方法。基于集成方法的模型在经过类别平衡处理后，其性能优于传统分类器。在应用SMOTE技术后，极端梯度提升模型的整体预测性能最佳，其准确率为76.0%，精确率为81.5%，F1分数为83.9%，马修斯相关系数为37.2%，科恩卡帕值为36.9%，召回率为86.5%，接收者操作特征曲线下面积为72.9%，其次是随机森林和神经网络模型。影响现代避孕方法使用的最重要因素包括与配偶共同居住、是否生育过、是否共同决策避孕方式、所在行政区划、年龄较小（15–17岁）、家庭经济状况以及媒体接触情况。SHAP交互分析进一步揭示了重要的非线性关系，尤其是生育状况与与配偶共同居住的关系、决策自主性与家庭经济状况的关系，以及媒体接触与地理位置的关系，这些都表明在现代避孕方法的使用上存在显著的情境差异性。

结论

本研究表明，机器学习模型，尤其是极端梯度提升模型，在预测孟加拉国已婚青少年女性使用现代计划生育方法以及确定其关键决定因素方面具有潜力。这些研究结果为政策制定者和项目规划者提供了有价值的参考，有助于他们设计针对青少年的计划生育项目。研究结果还凸显了区域差异、社会经济不平等以及人际关系等因素在影响青少年避孕行为方面的作用。将基于机器学习的分析结果纳入计划生育项目中，有望提升干预措施的针对性，从而助力实现可持续发展目标3.7。