利用机器学习分类器评估国家营养项目在卢旺达减少发育迟缓中的作用：一项回顾性研究

摘要 背景 在卢旺达，过去五年中儿童发育迟缓的患病率略有下降，从2015年的38%降至2020年的约33%。卢旺达减少儿童发育迟缓的多部门方法是否与现有科学知识一致显而易见。本研究旨在利用机器学习分类器探讨国家营养项目对减少卢旺达两岁以下儿童发育迟缓的益处。 方法 使用了来自卢旺达 DHS 2015–2020、MEIS 和 LODA 住户调查的数据。为了评估预测两岁以下儿童发育迟缓减少状况的最佳方法，对五种机器学习算法进行了建模：Support Vector Machine、Logistic Regression、K-Near Neighbor、Random Forest 和 Decision Tree。本研究估计了 Cox Proportional Hazard Model 的风险比，并绘制了 Kaplan–Meier 曲线以比较项目受益者与非受益者之间发生发育迟缓的生存风险。使用 Logistic 回归来确定与发育迟缓减少相关的营养项目。精确度、召回率、F1 score、准确度和曲线下面积（AUC）是用于评估每个分类器性能以找出最佳分类器的指标。 结果 基于所提供的数据，研究表明幼儿早期发展（ECD）项目（ p -value = 0.041）、营养敏感型直接支持（NSDS）项目（ p -value = 0.03）、ubudehe 分类（ p -value = 0.000）、卫生间设施（ p -value = 0.000）、4次产前检查（ANC）（ p -value = 0.002）、强化混合食品（FBF）项目（ p -value = 0.038）以及疫苗接种（ p -value = 0.04）是卢旺达两岁以下儿童发育迟缓减少的显著预测因素。此外，幼儿早期发展（ p < . 0001）、营养敏感型直接支持（ p = 0.0055）、产前检查（ p = 0.0343）、Fortified Blended Food（ p = 0.0136）和疫苗接种（ p = 0.0355）的受益者发生发育迟缓的风险低于非受益者。最后，Random Forest 的表现优于其他分类器，精确度得分为 83.7%，召回率得分为 90.7%，F1 scores 为 87.1%，准确度得分为 83.9%，AUC 得分为 82.4%。 结论 幼儿早期发展（ECD）项目、接受营养敏感型直接支持（NSDS）项目、重点关注最贫困五分位数家庭（ubudehe 分类）、卫生设施、四次就诊医疗保健提供者、接受强化混合食品（FBF）以及接种所有必需疫苗，是决定卢旺达17个地区两岁以下儿童发育迟缓减少的关键因素。最后，与其他模型相比，Random Forest 被证明是最佳的机器学习（ML）分类器。Random forest 是预测两岁以下儿童发育迟缓减少状况的最佳分类器。