探索机器学习和SHAP解释在预测索马里医疗机构分娩中的应用

医疗机构分娩是降低孕产妇和新生儿死亡率的关键策略。在索马里，由于社会经济差距、地理障碍以及有限的医疗卫生基础设施，孕产妇死亡率仍然高得令人担忧。机器学习（ML）为预测医疗机构分娩和确定关键决定因素提供了一种新方法，有助于开展针对性干预以改善孕产妇健康结局。本研究分析了2020年索马里人口与健康调查（SDHS）中8,951名15–49岁女性的数据。评估了七种机器学习算法（Random Forest、XGBoost、Gradient Boosting、Logistic Regression、Support Vector Machine、Decision Tree和K-Nearest Neighbors）预测医疗机构分娩的能力。使用准确率、精确率、召回率、F1分数和AUROC评估模型性能。采用SHapley Additive exPlanations（SHAP）分析来解释各预测因子的相对重要性，包括财富五分位数、产前检查（ANC）参与情况和居住类型。Random Forest模型的性能最高，准确率为82%，召回率为84%，AUROC为0.89。XGBoost和Gradient Boosting紧随其后，准确率分别为80%和77%，AUROC值分别为0.89和0.86。Logistic regression和support vector machines表现出中等性能（准确率：72%，AUROC：0.80–0.81）。SHAP分析确定财富五分位数是最有影响力的预测因素，处于最高五分位数的女性在医疗机构分娩的可能性是最低五分位数女性的六倍（AOR: 6.01; 95% CI: 4.04–8.94）。ANC参与情况和居住类型也是重要影响因素，参加过四次或更多次ANC检查的女性（AOR: 4.82; 95% CI: 3.75–6.20）以及城市居民在医疗机构分娩的可能性更高。机器学习技术，特别是Random Forest和SHAP分析，为预测医疗机构分娩和识别关键决定因素提供了稳健的工具。这些发现突显了ML在设计针对性的数据驱动干预措施以改善索马里孕产妇健康结局方面的潜力。