یادگیری ماشین الگوهای منطقهای و عوامل پیشبینیکننده اسهال کودکان را با دقت شناسایی میکند

پژوهشی گسترده درباره دادههای پایش سلامت کودکان در نیجریه نشان میدهد الگوریتمهای نوین یادگیری ماشین مبتنی بر تقویت گرادیانی، از نظر دقت کلی در تفکیک موارد ابتلا به اسهال، عملکردی مشابه مدلهای کلاسیک رگرسیون لجستیک دارند؛ با این تفاوت که در شناسایی الگوهای پیچیده و غیرخطی خطر نیز تواناییهای منحصربهفردی ارائه میکنند. بیماریهای اسهالی همچنان یکی از مهمترین علل مرگومیر کودکان زیر پنج سال در کشورهای با درآمد کم و متوسط به شمار میروند و سالانه حدود ۴۴۶ هزار نفر را در سراسر جهان به کام مرگ میکشانند. بخش عمده این موارد در مناطق جنوب صحرای آفریقا و جنوب آسیا رخ میدهد. در نیجریه، میزان مرگومیر کودکان خردسال ۱۰۴ مورد به ازای هر هزار تولد زنده گزارش شده و برآوردها نشان میدهد ۱۰ تا ۱۲ درصد این مرگها مستقیماً با بیماریهای اسهالی مرتبط است. پژوهشگران برای بررسی نقش روشهای تحلیلی در بهبود شناسایی گروههای نیازمند اقدامات پیشگیرانه، عوامل جمعیتشناختی، محیطی، رفتاری و اقتصادیاجتماعی را در یک نمونه آماری نماینده از جمعیت کشور ارزیابی و ابزارهای رگرسیون سنتی را با الگوریتمهای پیشرفته یادگیری ماشین مقایسه کردند.
این پژوهش بر دادههای مقطعی حاصل از «پیمایش جمعیتشناختی و سلامت نیجریه» در سال ۲۰۱۸ استوار بود؛ پیمایشی که کمیسیون ملی جمعیت نیجریه با همکاری مؤسسه بینالمللی آیسیاف (ICF International) اجرا کرده است. در این بررسی از روش نمونهگیری خوشهای دومرحلهای طبقهبندیشده استفاده شد که هر ۳۶ ایالت نیجریه و منطقه پایتخت فدرال را پوشش میداد و اطلاعات جامعی درباره خانوارها، شرایط محیطی و سلامت مادران و کودکان گردآوری میکرد. نمونه تحلیلی شامل ۳۳٬۹۲۴ کودک زیر پنج سال بود. ابتلا به اسهال بهعنوان یک متغیر دودویی تعریف شد؛ به این معنا که بر اساس معیارهای سازمان جهانی بهداشت، مشخص میشد آیا مادر گزارش کرده است که کودک در دو هفته پیش از مصاحبه دچار مدفوع شل یا آبکی شده است یا خیر. میزان شیوع اسهال در کل نمونه ۱۱٫۹۹ درصد بود که ۴٬۰۶۶ مورد ابتلا را شامل میشد. همچنین اطلاعات مربوط به ۹٫۴۷ درصد از موارد پیامد در دسترس نبود و به همین دلیل، پیشپردازش دقیق دادهها ضرورت داشت.
برای مدیریت دادههای ناقص، بدون ایجاد سوگیری اطلاعاتی، پژوهشگران از روش «جایگذاری چندگانه با معادلات زنجیرهای» (Multiple Imputation by Chained Equations) با ۱۰ مجموعه داده جایگذاریشده استفاده کردند. پاکسازی دادهها، بازکدگذاری متغیرها و اجرای مدلهای پایه رگرسیون لجستیک چندمتغیره در نرمافزار IBM SPSS Statistics انجام شد. در مقابل، عملیات یادگیری ماشین، از جمله تقسیم دادهها، نرمالسازی، بهینهسازی ابرپارامترها و محاسبه اهمیت ویژگیها، با استفاده از زبان برنامهنویسی R صورت گرفت. دادهها با نمونهگیری طبقهبندیشده بر اساس متغیر پیامد به دو بخش تقسیم شدند: ۷۰ درصد برای آموزش مدلها و ۳۰ درصد برای آزمون مستقل عملکرد آنها. پارامترهای جایگذاری دادههای ناقص صرفاً بر اساس مجموعه آموزشی تعیین و سپس برای مجموعه آزمون اعمال شدند تا از نشت اطلاعات میان دو بخش جلوگیری شود. همچنین، متغیرهای طبقهای در هر دو گروه مدلهای رگرسیونی و مبتنی بر درخت، با روش کدگذاری یکبهیک (One-Hot Encoding) به قالب عددی تبدیل شدند و متغیرهای پیوسته، مانند سن کودک بر حسب ماه، با استفاده از نرمالسازی نمره استاندارد (Z-score) مقیاسبندی شدند.
از آنجا که تنها حدود ۱۲ درصد کودکان به اسهال مبتلا بودند، پژوهشگران چند روش را برای مقابله با عدمتوازن میان طبقات بررسی کردند. این روشها شامل وزندهی به طبقات، انتخاب آستانه بهینه تصمیمگیری و تکنیک بیشنمونهگیری مصنوعی اقلیت (SMOTE) بود. تنظیم آستانه در مدل پایه، حساسیت ۷۴ درصدی را در یک نقطه از منحنی عملکرد به همراه داشت؛ با این حال، روش SMOTE توانست در آستانههای مختلف تصمیمگیری، توازن عملیاتی مناسبتری میان حساسیت و ویژگی ایجاد کند. مقایسه آماری رسمی با استفاده از آزمون دِلانگ (DeLong) نشان داد تفاوت معناداری در مساحت زیر منحنی مشخصه عملکرد گیرنده (AUC) میان روش SMOTE و وزندهی به طبقات وجود ندارد؛ مقدار احتمال آماری (p-value) در این مقایسه ۰٫۱۲۴ بود. با وجود این، بررسی بصری منحنیها نشان داد مدلهای آموزشدیده با SMOTE در محدوده حساسیت بالا، یعنی ۰٫۷۰ و بیشتر، قدرت تفکیک بهتری دارند. به همین دلیل، پژوهشگران این روش را برای مدلهایی که قرار است بهعنوان ابزار غربالگری اولیه به کار روند، مناسبتر دانستند.
در این مطالعه، سه الگوریتم متمایز درخت تصمیم مبتنی بر تقویت گرادیانی، شامل CatBoost، LightGBM و تقویت گرادیانی افراطی (XGBoost)، با رگرسیون لجستیک چندمتغیره مقایسه شدند. هر یک از این الگوریتمها ساختار و قابلیتهای متفاوتی دارند. CatBoost در پردازش متغیرهای طبقهای عملکرد مناسبی دارد و با استفاده از روش تقویت ترتیبی، از نشت اطلاعات مربوط به متغیر هدف جلوگیری میکند. LightGBM برای افزایش سرعت محاسبات از روشهای مبتنی بر هیستوگرام بهره میگیرد و XGBoost نیز با استفاده از منظمسازی الگوریتمی، احتمال بیشبرازش مدل را کاهش میدهد. فرایند آموزش شامل تنظیم ابرپارامترها از طریق جستوجوی شبکهای و اعتبارسنجی متقابل پنجبخشی روی دادههای آموزشی بود. ارزیابی نهایی با استفاده از مجموعه آزمون مستقل نشان داد که تمام مدلهای بررسیشده از نظر قدرت تفکیک عملکردی نزدیک به یکدیگر دارند و مقدار مساحت زیر منحنی آنها بین ۰٫۷۰۳ تا ۰٫۷۰۶ قرار میگیرد. رگرسیون لجستیک استاندارد نیز با مقدار AUC برابر با ۰٫۷۰۴ عملکرد قابلقبولی داشت و تفاوت محسوسی با مجموعه الگوریتمهای یادگیری ماشین نشان نداد.
در میان الگوریتمهای یادگیری ماشین، CatBoost بهترین توازن کلی را میان شاخصهای پیشبینی در مجموعه آزمون به دست آورد. مقدار AUC این مدل ۰٫۷۰۶، دقت متوازن آن ۰٫۶۶۰ و دقت کلی آن ۶۲ درصد بود. همچنین، ویژگی مدل ۶۰٫۶ درصد و حساسیت آن ۷۱٫۳ درصد گزارش شد. LightGBM با AUC برابر با ۰٫۷۰۵ عملکردی نزدیک به آن داشت و مقدار امتیاز F1 در هر سه الگوریتم CatBoost، LightGBM و XGBoost برابر با ۰٫۶۵۵ بود. مقدار AUC مدل XGBoost نیز به ۰٫۷۰۳ رسید. پژوهشگران تأکید کردند که دقت کلی ۶۲ تا ۶۴ درصدی این مدلها باید با توجه به عدمتوازن موجود در دادههای پیامد تفسیر شود. برای مثال، یک مدل ساده که در تمام موارد نبود اسهال را پیشبینی کند، به دقت ظاهری ۷۸٫۵۵ درصد میرسد؛ اما حساسیت آن صفر خواهد بود و در نتیجه، هیچیک از کودکان مبتلا را شناسایی نخواهد کرد.
تحلیل رگرسیون لجستیک چندمتغیره نشان داد که عوامل جغرافیایی و اقتصادیاجتماعی نقش برجستهای در احتمال ابتلای کودکان به اسهال دارند. کودکانی که در منطقه ژئوپلیتیکی شمالشرق نیجریه زندگی میکردند، در مقایسه با گروه مرجع، بیشترین احتمال ابتلا را داشتند؛ نسبت شانس تعدیلشده برای این منطقه ۲٫۰۴ بود و فاصله اطمینان ۹۵ درصد آن بین ۱٫۸۳ تا ۲٫۲۷ قرار داشت. در مقابل، کمترین احتمال ابتلا در منطقه جنوبجنوب مشاهده شد؛ نسبت شانس تعدیلشده در این منطقه ۰٫۳۸ و فاصله اطمینان آن بین ۰٫۳۲ تا ۰٫۴۶ بود. افزایش سن کودک نیز با کاهش تدریجی خطر همراه بود. بهطوریکه کودکان ۴۸ تا ۵۹ ماهه در مقایسه با نوزادان زیر پنج ماه، ۱۹ درصد شانس کمتری برای ابتلا به اسهال داشتند و نسبت شانس تعدیلشده آنها ۰٫۸۱ بود. تحصیلات مادر نیز با کاهش احتمال ابتلا ارتباط داشت؛ تحصیلات بالاتر مادر با کاهش ۲۴ درصدی شانس ابتلای کودک همراه بود و نسبت شانس تعدیلشده ۰٫۷۶، با فاصله اطمینان ۹۵ درصد بین ۰٫۶۲ تا ۰٫۹۳، برای آن گزارش شد.
ارزیابی اهمیت نسبی ویژگیها نشان داد که روشهای مختلف مدلسازی در شناسایی عوامل اصلی تا حد زیادی با یکدیگر همنظر هستند. در مقیاس نرمالشده صفر تا ۱۰۰ درصد، منطقه جغرافیایی مهمترین عامل پیشبینیکننده در تمام الگوریتمها بود. اهمیت این متغیر در مدلهای یادگیری ماشین ۱۰۰ درصد در نظر گرفته شد و در مدل رگرسیونی نیز ۳۳٫۶ درصد از سهم کل ضریب تعیین (R-squared) را به خود اختصاص داد. سن کودک با امتیاز اهمیت نرمالشده ۷۶٫۱ درصد در جایگاه دوم قرار گرفت و پس از آن، شاخص ثروت خانوار با ۲۴٫۲ درصد رتبه سوم را داشت. وضعیت اقتصادی مناسب خانوار با اثر محافظتی قابلتوجهی همراه بود؛ بهطوریکه شانس ابتلا در کودکان خانوادههای بسیار ثروتمند، در مقایسه با خانوادههای واقع در فقیرترین طبقه، نسبت شانس تعدیلشده ۰٫۵۷ داشت. دفع بهداشتی مدفوع کودک نیز با پیامدهای مطلوبتر ارتباط داشت و نسبت شانس تعدیلشده آن ۰٫۹۲ بود. افزون بر این، CatBoost دفع ایمن مدفوع کودک را در میان ۱۰ عامل تأثیرگذار اصلی خود قرار داد و امتیاز اهمیت آن برای این متغیر ۳٫۷۳ بود.
یکی از دستاوردهای فنی مهم مدلهای مبتنی بر تقویت گرادیانی، توانایی آنها در شناسایی روابط غیرخطی و اثرات متقابل میان عوامل خطر، بدون نیاز به تعیین قبلی و دستی این روابط در مدل آماری بود. برای نمونه، الگوریتمها رابطهای همافزا میان طولانی بودن زمان رفتوآمد برای تهیه آب، بیش از ۳۰ دقیقه، و برخورداری از امکانات غیربهسازیشده بهداشتی در خانه شناسایی کردند. بر اساس یافتهها، اثر ترکیبی این دو عامل نامطلوب بر خطر اسهال بهمراتب بیشتر از مجموع اثرات جداگانه آنها بود. همچنین، نتایج مدلسازی چندسطحی نشان داد افزودن عوامل فردی و خانوار، برازش آماری مدل را بهطور معناداری بهبود میدهد؛ اما افزودن متغیرهای مربوط به آب، بهداشت و نظافت بهتنهایی، در مقایسه با عوامل جمعیتشناختی اصلی، به بهبود معنادار آماری منجر نمیشود. این یافته نشان میدهد زیرساختهای منطقهای و محرومیت گسترده اقتصادیاجتماعی از عوامل ساختاری و زیربنایی مؤثر بر خطر ابتلا هستند.
پژوهش همچنین ارتباطهایی ظریف و تا حدی خلاف انتظار درباره دسترسی به رسانهها و فناوریهای نوین آشکار کرد؛ یافتههایی که نشان میدهند نباید این روابط را بهسادگی تفسیر کرد. نتایج اولیه رگرسیون چندمتغیره حاکی از آن بود که استفاده مادر از اینترنت با نسبت شانس تعدیلشده ۱٫۴۸ و گوش دادن به رادیو بیش از یک بار در هفته با نسبت شانس تعدیلشده ۱٫۳۲ برای ابتلای کودک به اسهال ارتباط دارد. تحلیلهای حساسیت که نتایج مدلهای مبتنی بر جایگذاری چندگانه را با تحلیل موارد کامل مقایسه کردند، نشان دادند این روابط در مجموعه دادههای مختلف همچنان برقرار هستند. با این حال، پژوهشگران تأکید کردند که این الگوها لزوماً نشاندهنده سازوکارهای علّی مستقیم نیستند و احتمالاً عواملی مانند تأثیر متغیرهای اقتصادیاجتماعی اندازهگیرینشده، تفاوت در رفتارهای مراجعه برای دریافت خدمات درمانی، تفاوت در نحوه گزارش وضعیت سلامت کودکان از سوی والدین یا ویژگیهای سبک زندگی شهری که با دسترسی به رسانهها در جوامع بهسرعت در حال توسعه ارتباط دارند، در شکلگیری آنها نقش دارند.
نویسندگان به چند محدودیت روششناختی مهم در شواهد حاصل از این پیمایش اشاره کردند. از آنجا که مطالعه بر اساس دادههای مقطعی انجام شده است، روابط مشاهدهشده میان عوامل پیشبینیکننده و ابتلا به اسهال را نمیتوان بهعنوان رابطه علت و معلولی تفسیر کرد. همچنین، با وجود تعدیل نتایج بر اساس مجموعه گستردهای از متغیرهای همپراش، احتمال باقی ماندن مخدوشگری وجود دارد؛ زیرا برخی عوامل مانند وضعیت واکسیناسیون علیه روتاویروس، جزئیات امنیت تغذیهای و تفاوتهای رفتاری در رعایت بهداشت در سطح خرد اندازهگیری نشدهاند. افزون بر این، هرچند استفاده از روش جایگذاری چندگانه و انجام تحلیلهای حساسیت به مدیریت دادههای ناقص کمک کرد، احتمال دارد بخشی از دادهها بهصورت غیرتصادفی مفقود شده باشند و در نتیجه، برآوردها همچنان تحت تأثیر سوگیری قرار گیرند. نویسندگان همچنین خاطرنشان کردند که استفاده عملی از امتیازهای خطر مبتنی بر الگوریتم در مراکز مراقبتهای اولیه به سرمایهگذاری قابلتوجه در سامانههای اطلاعات مدیریت سلامت، آموزش کارکنان و ارزیابی دقیق هزینهاثربخشی در سطح محلی نیاز دارد؛ اقداماتی که پیش از اجرای گسترده این ابزارها ضروری هستند.
موضوع پژوهش: مقایسه عملکرد الگوریتمهای یادگیری ماشین و رگرسیون لجستیک در پیشبینی خطر ابتلای کودکان به اسهال در نیجریه
عنوان مقاله: مقایسه عملکرد مدلهای یادگیری ماشین در پیشبینی اسهال کودکان: پیامدهایی برای پایش سلامت عمومی
منبع مقاله: آشاولو، جی. او.، آکانی، تی. اس.، آیانسولا، وی. آی.، ساندی، ای. جی.، استر، او. ای. و سومه، اس. وای. ام. (۲۰۲۶). مقایسه عملکرد مدلهای یادگیری ماشین در پیشبینی اسهال کودکان: پیامدهایی برای پایش سلامت عمومی. مجله انجمن بهداشت عمومی مصر، جلد ۱۰۱، شماره ۱، مقاله ۶. مشاهده مقاله و اطلاعات انتشار
اعتبار تصویر: تولیدشده با هوش مصنوعی
شناسه دیجیتال مقاله (DOI): 10.1186/s42506-026-00212-7
کلیدواژهها: اسهال کودکان، یادگیری ماشین، پایش سلامت عمومی، پیمایش جمعیتشناختی و سلامت نیجریه، CatBoost، LightGBM، XGBoost، رگرسیون لجستیک، درختهای تصمیم مبتنی بر تقویت گرادیانی، سلامت کودک، بهداشت و نظافت، همهگیرشناسی کودکان، تکنیک بیشنمونهگیری مصنوعی اقلیت (SMOTE)، نابرابری در سلامت، مدلسازی پیشبینیکننده، مطالعه مقطعی
