利用机器学习预测埃塞俄比亚紧急避孕药的使用情况并识别其预测因素

《Scientific Reports》：Predicting utilization of emergency contraceptives in ethiopia and identifying its predictors using machine learning

　　

摘要

尽管有政策支持，埃塞俄比亚紧急避孕药物的不当使用仍然导致高率的非意愿妊娠和孕产妇死亡。传统统计分析难以识别复杂的预测因素。本研究利用机器学习和可解释人工智能（XAI）技术，以提高紧急避孕使用的预测准确性和可解释性。我们分析了2023年埃塞俄比亚人口与生殖健康（PMA Ethiopia）调查中2,334名女性的数据。共测试了八种机器学习算法来预测过去一年的紧急避孕使用情况（患病率为4.4%），并使用SMOTE（合成少数类过采样技术）来解决类别不平衡问题，采用SHAP值进行解释。在SMOTE数据上训练的Logistic Regression模型表现最佳（AUC-ROC：0.85；召回率：0.85；精确率：0.72）。最重要的预测因素是紧急避孕认知（"heard_emergency"），其次是媒体接触和医疗卫生机构的计划生育咨询讨论。相反，近期生殖事件（如非意愿妊娠）与非使用紧急避孕相关。静态人口统计学因素预测效果较差。研究结果表明，知识差距而非贫困或身体可及性是阻碍紧急避孕使用的关键障碍。针对性的媒体宣传活动和常规健康咨询有助于提高紧急避孕的使用率。机器学习和可解释人工智能为引导有针对性的生殖健康干预提供了强有力的工具。对紧急避孕的认知是最强的可改变预测因素，其重要性高于社会经济和地理因素。研究发现，媒体接触（广播/电视）和优质卫生系统接触是关键的补充驱动因素。在方法上，采用合成少数类过采样技术增强Logistic Regression来处理极端类别不平衡问题，实现了稳健的预测性能（85%召回率），并通过Shapley加和分解（SHAP）分析揭示了可操作的干预杠杆。