基于可解释机器学习与空间分析预测布基纳法索熟练助产服务覆盖及区域不平等

《Scientific Reports》：Explainable machine learning analysis of factors associated with skilled birth attendance in Burkina Faso

　　

摘要

熟练助产服务 (SBA) 对于降低孕产妇和新生儿死亡率至关重要，但在布基纳法索各地的覆盖率存在差异。本研究使用可解释机器学习来预测 SBA，识别关键预测因子，并考察地理和城乡描述性不平等。这项横断面研究分析了 2021 年布基纳法索人口与健康调查 (BF-DHS) 中 5,111 名 15 至 49 岁妇女的数据。使用 Boruta 特征选择方法选择特征，并使用 SMOTE 处理类别不平衡。本研究训练了五种机器学习模型，包括随机森林 (RF)、决策树 (DT)、K 近邻 (KNN)、逻辑回归 (LR) 和支持向量机 (SVM)。使用准确率、精确率、召回率、F1 分数、马修斯相关系数 (MCC)、科恩 kappa 系数和 AUROC 来评估模型性能。SHapley 加法解释 (SHAP) 用于解释模型预测，而决策曲线分析 (DCA) 和空间映射用于评估临床效用和地理变异。在五种模型中，RF 实现了最高的区分能力，表现中等 (AUROC = 0.71)。关键预测因子包括省份、产前保健访视次数≥4 次、初产年龄≥20 岁、首次性交年龄≥18 岁、性活动、家庭财富和宗教。描述性空间映射显示，中部和西部省份的预测 SBA 概率较高，而撒哈拉、西南部和东部地区的概率较低，且农村地区的不平等更为严重。这些结果强调，可解释机器学习与空间分析相结合可以识别 SBA 的预测因子并捕捉国内地区间差异，为孕产妇健康研究提供可重复、数据驱动的见解。