利用汇总的人口与健康调查数据预测东非国家孕妇的冒险行为：一种可解释的机器学习方法

《BMC Pregnancy and Childbirth》：Predicting Risky Behavior Among Pregnant Women in Eastern African countries using Pooled Demographic and Health Survey (DHS) Data: An Explainable Machine Learning Approach

　　

摘要

引言

吸烟等不良物质的使用以及不安全的性行为是导致孕妇和胎儿患病及死亡的主要原因。尽管孕妇的冒险行为是一种复杂且多因素的公共卫生问题，但针对东非国家中这些综合风险行为及其预测因子的研究仍十分有限，尤其是运用机器学习方法的研究。因此，本研究旨在通过机器学习方法分析东非国家孕妇冒险行为的预测因子。

方法

本研究采用了横断面研究设计，数据来源于2012年至2022年在东非国家收集的人口与健康调查数据。使用STATA 17进行数据提取与整理，再通过Anaconda 3和R软件对数据进行预处理和分析。模型性能通过准确率、灵敏度、精确度、F1值以及曲线下面积（AUC）来评估。最后，还运用了Shapley加性解释方法进一步阐明孕妇冒险行为的预测因子。

结果

东非国家孕妇的冒险行为总体患病率为16.38%（95%置信区间：12.63%，20.82%）。光梯度提升机模型的准确率为90%，AUC值为0.96。分析显示，居住在农村地区、收入处于贫困或中等水平的妇女、丈夫只有初等教育程度的妇女以及未接触过媒体的妇女，都是冒险行为的重要预测因子。而那些有工作的妇女、接受过三次以上产前护理服务的妇女以及年龄在25至36岁之间的妇女，其冒险行为的概率则相对较低。

结论

在东非国家，冒险行为是一种复杂且多因素的公共卫生问题。光梯度提升机模型是预测该地区孕妇冒险行为的最佳模型。研究中确定的预测因子为制定针对性的公共卫生干预措施提供了重要依据，这些措施包括帮助妇女增加产前护理次数、提高丈夫的教育水平、推广针对性的媒体宣传以及增强妇女的经济实力。此外，还应加强媒体宣传和社区推广工作，尤其是在农村地区，以推动更早、更及时、更完善的产前护理服务。