Random Forest erzielt höchste Vorhersagegenauigkeit für schwere Wachstumsverzögerungen in Ostafrika

Ein Forscherteam hat mithilfe von maschinellem Lernen die wichtigsten Einflussfaktoren für schwere Wachstumsverzögerungen bei Kindern unter fünf Jahren in Ostafrika identifiziert. Die Analyse basierte auf Daten aus den Demographic and Health Surveys (DHS) der Jahre 2012 bis 2022 und umfasste über 76 000 Kinder.

Datenbasis und Stichprobe

Die Ausgangsmenge bestand aus 136 074 Kindern, von denen 76 019 in die Auswertung einbezogen wurden. Die DHS‑Erhebungen liefern Informationen zu Ernährung, Gesundheitsversorgung, sozioökonomischem Status und weiteren Merkmalen, die für die Untersuchung relevant sind.

Methodisches Vorgehen

Die Daten wurden mit Python 3.7 und R 4.3.3 vorverarbeitet, anschließend wurden mehrere Klassifikationsalgorithmen trainiert. Zur Bewertung der Modelle kamen Genauigkeit und die Fläche unter der ROC‑Kurve (AUC) zum Einsatz. Zusätzlich wurden Shapley‑Additive‑Explanations (SHAP) und Assoziationsregeln (ARM) verwendet, um die Bedeutung einzelner Prädiktoren zu erklären.

Modellleistung

Der Random‑Forest‑Algorithmus erwies sich als leistungsstärkstes Verfahren und erreichte eine Genauigkeit von 87 % sowie einen AUC‑Wert von 0,83. Andere Modelle lagen deutlich darunter, was die Überlegenheit des Random‑Forest‑Ansatzes in diesem Kontext unterstreicht.

Ermittelte Risikofaktoren

Die SHAP‑Analyse zeigte, dass das Fehlen von ausschließlicher Stillzeit, ein niedriger sozioökonomischer Status, Untergewicht bei Kindern, männliches Geschlecht, geringe Körpergröße der Erziehungsberechtigten, fehlende sanitäre Einrichtungen und lange Wege zu Gesundheitseinrichtungen die größten Risikobeiträge leisteten. Weitere Faktoren waren die Herkunft aus Burundi, eine Hausgeburt sowie ein primärer Bildungsabschluss der Erziehungsberechtigten.

Implikationen für Prävention

Die Ergebnisse legen nahe, dass integrierte Maßnahmen, die die sozioökonomische Lage von Familien verbessern, die Bildung von Erziehungsberechtigten stärken und den Zugang zu Gesundheitsdiensten erleichtern, das Risiko schwerer Wachstumsverzögerungen reduzieren können. Spezifische Interventionen sollten das Bewusstsein für exklusive Stillzeit, die Nutzung verbesserter Sanitäranlagen und die Bedeutung von Facility‑Geburten fördern.

Schlussfolgerung

Der Random Forest bietet ein zuverlässiges Werkzeug zur Vorhersage schwerer Wachstumsverzögerungen in Ostafrika. Durch gezielte, datenbasierte Strategien können Entscheidungsträger die Gesundheit von Kindern nachhaltig verbessern.

Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.