机器学习算法在撒哈拉以南非洲利用 DHS 数据进行 WASH 预测中的应用

《Journal of Health, Population and Nutrition》：Machine learning algorithms application in WaSH prediction using DHS data in Sub-Saharan Africa

　　

摘要

背景

在整个撒哈拉以南非洲地区，获得综合安全的饮用水、卫生和环境卫生（WaSH）服务仍然是主要的公共卫生问题，覆盖率的差异受到个人和社区层面众多因素的影响。传统统计方法可能无法充分捕捉这些决定因素的复杂性和相互关系。因此，本研究的目的是利用机器学习算法，基于人口与健康调查（DHS）数据，识别撒哈拉以南非洲WaSH的预测因子。

方法

本研究采用了来自33个撒哈拉以南非洲国家的具有区域代表性的人口与健康调查（DHS）数据，并运用机器学习技术估算家庭层面获得综合水、卫生和环境卫生（WaSH）服务的情况。本研究基于2010年至2020年调查期间233,391个家庭的数据。研究人员选择了重要的分类预测因子，包括家庭财富指数、年龄组、婚姻状况、性别、户主的教育水平以及社区层面的变量。这些变量的选择基于文献证据、其对WaSH结果的理论相关性以及在探索性分析和模型构建中表现出的统计显著性。在数据预处理和编码之后，采用合成少数类过采样技术（SMOTE）来处理类别不平衡问题。通过网格搜索进行超参数调优，训练并评估了七个机器学习模型——逻辑回归、随机森林、梯度提升、决策树、k近邻、朴素贝叶斯和神经网络——共进行了七次迭代。使用准确率、精确率、召回率、特异性、F1分数和AUC来评估模型性能。从表现最佳的模型中提取特征重要性以找出最重要的预测因子。

结果

撒哈拉以南非洲纳入人群的综合WaSH服务覆盖率仅为19%。应用了七种机器学习算法来预测WaSH服务的可获得性。区域层面观察到的差异具有统计学显著性。梯度提升模型在预测性能上优于其他模型（p < 0.01）。WaSH服务可获得性最重要的预测因子是户主的教育水平（p < 0.001）、户主的年龄（p < 0.05）和家庭财富指数（p < 0.001）。居住类型（p < 0.01）和媒体接触程度（p < 0.05）也做出了显著贡献。分析表明，该地区WaSH覆盖率普遍较低，尤其在农村和教育水平较低的社区更为明显（p < 0.01）。

结论

总之，机器学习技术帮助识别了家庭WaSH（水、卫生和环境卫生）覆盖率的关键预测因子，揭示差异主要与年龄、家庭财富和户主的教育水平相关。这些发现强调了社会经济因素与基本WaSH服务可及性之间的强关联。总体而言，数据集中WaSH覆盖率仍然较低，凸显了持续存在的不平等现象以及迫切需要实施针对性干预措施。