预测东非地区女性使用避孕措施的意愿：基于机器学习的预测因子分析

《BMC Women's Health》：Predicting women’s intention to use contraceptives in East Africa: a machine learning analysis of predictors

　　

摘要

引言

使用避孕措施的意愿反映了个体或夫妇采用避孕方法的计划，有助于保障女性的生育自主权。这一意愿能够减少意外怀孕、不安全堕胎以及高生育率带来的问题，进而改善母婴健康状况。机器学习方法可以提高预测精度，为基于证据的生殖健康规划提供支持。本研究旨在利用机器学习方法预测东非地区女性使用避孕措施的意愿。

方法

我们采用基于社区的横断面设计，分析了11个东非国家（2015–2024年）的“人口与健康调查”数据。为了应对复杂的调查设计，我们采用了针对不同国家的抽样权重、分层和聚类方法。缺失数据通过KNNImputer进行填补，各调查中的预测变量也进行了统一处理。数据预处理包括清洗、转换、整合和独热编码，随后将数据分为80/20的比例用于训练和测试。我们评估了七种机器学习算法：自适应提升算法、CatBoost、随机森林、轻量级梯度提升算法、极端梯度提升算法、逻辑回归和决策树。CatBoost的超参数是通过分层10折交叉验证结合贝叶斯优化方法调整的。模型迁移能力则通过留一国家法交叉验证来评估。

结果

在东非地区123,290名育龄女性中，有51.23%表示有意使用避孕措施。提升树算法的表现最为出色，尤其是CatBoost，其AUC值为80.09%，准确率为73.48%，具备最高的区分能力。留一国家法交叉验证显示该模型的迁移能力处于中等水平，AUC值为74%，而校准分析表明其概率估计结果可靠（布里尔分数为0.179）。SHAP特征重要性分析指出，就业状况、教育程度、年龄、是否了解计划生育信息、是否怀孕、是否正在哺乳、获取医疗服务的障碍以及生育偏好是影响女性避孕意愿的最主要因素。

结论

本研究为基于DHS数据的汇总预测建模提供了一个透明且可重复的框架，为政策制定者和卫生规划者提供了实用的参考意见，同时也为未来的相关应用研究奠定了方法学基础。