
-
生物通官微
陪你抓住生命科技
跳动的脉搏
在东非国家,应用机器学习算法来预测育龄妇女的堕胎情况及其相关影响因素
《Scientific Reports》:Application of machine learning algorithms for prediction of abortion and its determinants among women of reproductive-age in East African countries
【字体: 大 中 小 】 时间:2026年05月28日 来源:Scientific Reports 3.9
编辑推荐:
摘要在低收入和中等收入国家,堕胎是导致孕产妇死亡的前五大原因之一,且通常与妊娠和分娩相关的并发症有关。尽管如此,针对东非国家堕胎现象及其决定因素的科学研究仍然很少。因此,本研究旨在预测东非地区育龄妇女的堕胎行为及其相关因素。研究采用了基于社区的横断面研究设计,数据来源于11个东非
在低收入和中等收入国家,堕胎是导致孕产妇死亡的前五大原因之一,且通常与妊娠和分娩相关的并发症有关。尽管如此,针对东非国家堕胎现象及其决定因素的科学研究仍然很少。因此,本研究旨在预测东非地区育龄妇女的堕胎行为及其相关因素。研究采用了基于社区的横断面研究设计,数据来源于11个东非国家的2015至2023年人口与健康调查(DHS)数据集。研究对象为所有育龄妇女,通过两阶段分层抽样方法进行选取。研究使用Python语言及Google Colab平台上的Jupiter Notebook工具,运用机器学习算法来预测堕胎及其决定因素。研究过程中包括数据清洗、独热编码、数据分割以及十折交叉验证等步骤。最终通过对比10种机器学习模型并利用SHAP(Shapley Additive Explanation)方法选出了最佳模型。在东非地区372,053名育龄妇女中,有12.2%的妇女曾进行过堕胎。随机森林模型在训练数据上的表现最佳,AUC值为91%,准确率为86%。根据SHAP分析结果,从未有过恋爱关系的女性、年龄在15至19岁之间的女性、年龄在20至24岁之间的女性、来自埃塞俄比亚的女性以及未采取任何避孕措施的女性是影响堕胎行为的主要因素。研究表明,随机森林分类器是预测东非地区育龄妇女堕胎行为的最佳模型。婚姻状况、年龄、所在国家、使用的避孕方法类型以及现有子女数量和当前妊娠情况是决定堕胎行为的关键因素。政府及卫生系统应提供全面的计划生育服务、生殖健康教育以及孕产妇健康支持。
生物通微信公众号