
-
生物通官微
陪你抓住生命科技
跳动的脉搏
预测埃塞俄比亚儿童营养不良状况及其与女性资产所有权的关联:空间机器学习方法
《Scientific Reports》:Predicting children’s undernutrition and its association with women’s asset ownership in Ethiopia: spatial machine learning
【字体: 大 中 小 】 时间:2026年06月28日 来源:Scientific Reports 4.9
编辑推荐:
摘要儿童营养不良仍然是一个重要的公共卫生问题,在埃塞俄比亚存在明显的地理和结构差异。了解女性资产拥有情况与空间环境如何相互作用影响营养风险,对于制定有效的干预措施至关重要。本研究分析了儿童营养不良的空间分布特征、其与女性资产拥有情况及其他协变量的关联,以及空间机器学习技术在预测方
儿童营养不良仍然是一个重要的公共卫生问题,在埃塞俄比亚存在明显的地理和结构差异。了解女性资产拥有情况与空间环境如何相互作用影响营养风险,对于制定有效的干预措施至关重要。本研究分析了儿童营养不良的空间分布特征、其与女性资产拥有情况及其他协变量的关联,以及空间机器学习技术在预测方面的表现。研究采用具有全国代表性的2021/22年度ESPS数据构建模型,并通过70/30的比例进行空间交叉验证以进行内部验证,同时利用2018/19年度的ESPS I数据进行时间验证。通过这些指标,将四种机器学习算法(随机森林、梯度提升树、支持向量机以及地理随机森林)结合空间特征与空间广义线性混合模型进行了比较。半变异函数分析结果显示出较强的空间依赖性,这为使用空间建模提供了依据。女性资产拥有指数、儿童年龄、到最近市场的距离、母亲年龄、到最近道路的距离、家庭规模、儿童性别、所在地区、厕所类型、母亲宗教信仰、饮用水来源以及居住地都是重要影响因素。研究结果表明,女性资产拥有情况与儿童营养不良之间存在明显的负向空间相关性,这说明女性经济赋权起到了保护作用。时间验证的结果显示,地理和环境因素的影响日益显著。结合空间特征的梯度提升树和随机森林能够有效模拟不同环境下的复杂营养状况。研究结果强调了需要制定针对特定地区的儿童营养计划和政策,以增强女性的经济自主性和抗风险能力。将空间分析方法以及梯度提升树和随机森林机器学习技术与考虑性别差异的社会经济因素相结合,有助于制定更精准的公共卫生策略,从而减少儿童营养不良现象。
生物通微信公众号