营养教育与家庭菜园干预对埃塞俄比亚中奥罗米亚哺乳期妇女膳食多样性的影响:一项机器学习支持的分析

《Nutrition》:Effect of nutrition education on dietary diversity among lactating women in central Oromia, Ethiopia: a machine learning supported analysis

【字体: 大 中 小 】 时间:2026年09月27日 来源:Nutrition 3.6

编辑推荐:

  中文摘要翻译: 在全球范围内,约有1.7亿育龄妇女(占9.1%)体重不足。尽管低收入和中等收入国家在降低体重不足患病率方面取得了显著进展,但撒哈拉以南非洲和南亚地区的比例仍居高不下。哺乳期妇女因生理需求增加、泌乳过程以及依赖单调、缺乏多样性的饮食而面临更高的营

  
中文摘要翻译: 在全球范围内,约有1.7亿育龄妇女(占9.1%)体重不足。尽管低收入和中等收入国家在降低体重不足患病率方面取得了显著进展,但撒哈拉以南非洲和南亚地区的比例仍居高不下。哺乳期妇女因生理需求增加、泌乳过程以及依赖单调、缺乏多样性的饮食而面临更高的营养不良风险。本研究旨在评估营养教育和家庭菜园干预对埃塞俄比亚中奥罗米亚地区母亲膳食多样性的效果,并采用机器学习支持的分析方法。研究人员开展了一项基于社区的准实验研究,在干预组和对照组中分别纳入318名和316名哺乳期妇女。干预措施包括基于健康信念模型(Health Belief Model, HBM)的营养教育课程和家庭菜园推广。调整后的双重差分法(Difference-in-Differences, DID)回归分析显示,在控制基线特征后,干预效果具有统计学显著性(β=0.72, 95%CI=0.65, 0.86, p<0.001)。多变量逻辑回归分析表明,产妇年龄、教育程度、家庭财富指数和家庭菜园实践是膳食多样性的显著决定因素。在七种测试算法中,随机森林(Random Forest)模型表现出最高的整体预测性能,AUC为0.71。SHAP分析进一步证实,家庭财富指数是最具影响力的预测因子。研究得出结论,营养教育和家庭菜园干预显著改善了母亲的膳食多样性评分。传统统计方法与机器学习技术的整合提供了互补性见解,增强了研究发现的稳健性,并为制定有针对性的营养干预措施和循证公共卫生决策提供了依据。
论文解读文章
研究背景与目的
全球约1.7亿育龄妇女存在体重不足问题,其中撒哈拉以南非洲和南亚地区尤为严重。哺乳期妇女由于生理需求增加、泌乳过程以及依赖单一化饮食,面临更高的营养不良风险。在埃塞俄比亚,多项研究报告了哺乳期妇女膳食多样性不足的高流行率:奥罗米亚地区为44%,西北部为64.8%,甘贝拉为60.2%。影响膳食多样性的因素包括年龄、家庭粮食不安全状况、贫困、农业生态区、媒体接触、妇女决策权、手机拥有情况、教育水平、进餐频率、市场距离、家庭菜园和牲畜饲养等。尽管埃塞俄比亚已通过多部门协调引入了营养特异性和营养敏感性干预措施,但协调不力常限制利益相关方的参与。现有文献多基于异质性研究,存在内部效度受限和方法学缺陷等问题。传统的逻辑回归方法主要用于统计推断,假设预测因子间呈线性关系,可能无法充分捕捉复杂的非线性交互作用。因此,本研究旨在利用机器学习支持的分析方法,评估营养教育和家庭菜园干预对埃塞俄比亚中奥罗米亚地区母亲膳食多样性的效果。
研究方法
研究人员在埃塞俄比亚奥罗米亚地区北谢瓦区开展了一项基于社区的准实验研究,时间为2025年5月至10月。研究对象为18至49岁的哺乳期妇女,且其家庭拥有可用于家庭菜园种植的土地。采用多阶段抽样技术,将两个区分配至干预组(Wuchale和Debre Libanos),另两个区(Degam和Sululta)作为对照组。干预组共纳入318名母亲,对照组316名,总应答率为97.5%。干预措施包括为期六个月、每月两次、每次60分钟的健康与营养教育课程,以及家庭菜园推广讨论,理论框架为健康信念模型(Health Belief Model, HBM)。数据收集使用结构化问卷,膳食多样性通过妇女最低膳食多样性指标(Minimum Dietary Diversity for Women, MDD-W)评估,采用标准化24小时膳食回顾法。统计分析采用SPSS 26.0进行描述性统计、卡方检验、独立样本t检验和调整后双重差分法(Difference-in-Differences, DID)回归分析。机器学习分析使用Python 3.12实现,数据集经预处理后包含634个观测值和11个属性,按80:20比例分为训练集和测试集,采用五折交叉验证进行超参数调优。评估的算法包括决策树(Decision Tree)、随机森林(Random Forest)、PART、逻辑回归(Logistic Regression)、支持向量机(Support Vector Machine, SVM)、朴素贝叶斯(Naive Bayes)和XGBoost,评估指标包括准确率、精确率、灵敏度、特异性、F1分数和受试者工作特征曲线下面积(Area Under the Receiver Operating Characteristic Curve, AUC-ROC)。
研究结果
基线特征:干预组母亲平均年龄27.54±4.62岁,对照组为27.86±6.12岁。两组在年龄(p=0.001)、职业状况(p<0.001)、丈夫教育程度(p<0.001)、丈夫职业(p<0.001)、家庭规模(p<0.001)、家庭财富指数(p<0.001)和家庭粮食安全状况(p=0.024)方面存在显著差异。
干预对膳食多样性的效果:在终线评估中,干预组豆类、坚果种子、奶制品、肉类、蛋类、维生素A丰富的果蔬、深绿色叶菜和其他蔬菜的消费量均显著高于对照组(p<0.05)。总体膳食多样性评分在干预组中显著更高(p<0.05)。调整后双重差分法回归分析显示,在控制母亲年龄、教育程度、家庭财富指数、粮食安全状况、家庭菜园和营养知识后,干预效应具有统计学显著性(β=0.72, 95%CI=0.65, 0.86, p<0.001),表明改善归因于干预而非时间趋势或基线差异。
健康信念模型构念的交互效应:感知易感性、感知严重性、感知益处、感知障碍、行动承诺、自我效能、感知行为控制和行为意向的估计参数均达到统计学显著性(p<0.05),态度和主观规范未达显著性。
多变量逻辑回归分析:母亲年龄(25-34岁:AOR=2.7, 95%CI=1.31, 5.79)、教育程度(高中:AOR=2.2, 95%CI=1.12, 4.35;大学及以上:AOR=2.47, 95%CI=1.07, 5.69)、家庭菜园可用性(AOR=8.6, 95%CI=5.07, 14.54)和家庭财富指数(富裕:AOR=1.86, 95%CI=1.21, 2.87)与充足膳食多样性显著正相关。
机器学习分析:随机森林模型表现最佳,测试集AUC为0.71,准确率65%,召回率52%,F1分数57%。PART模型次之(AUC=0.70,F1=0.60)。随机森林特征重要性分析显示,财富指数(0.098)是最重要的预测因子,其次是母亲年龄(0.076)和教育程度(0.045)。SHAP分析进一步证实,低家庭财富是预测膳食多样性不足的最强正向贡献因素(SHAP=+0.17),粮食不安全为第二重要因素(SHAP=+0.0742)。
讨论与结论
本研究发现,营养教育和家庭菜园干预显著改善了哺乳期妇女的膳食多样性。终线评估显示,干预组膳食多样性良好比例从35.5%提升至86.5%,与埃塞俄比亚、坦桑尼亚、印度、马拉维等地既往研究结果一致。健康信念模型构念得分在干预组中显著提高,表明基于HBM的营养教育可增强母亲对营养不良风险的认知,促进饮食行为改变。多变量逻辑回归确定的独立预测因子(母亲年龄、教育程度、家庭菜园和财富指数)与随机森林特征重要性排序高度一致,增强了研究结果的稳健性。SHAP分析揭示,经济状况是影响膳食多样性的首要因素,低财富和粮食不安全显著增加膳食多样性不足的风险。传统统计分析与机器学习方法的整合提供了互补性见解:逻辑回归量化了独立关联,机器学习优化了预测性能并识别了最关键的预测因子。研究结论指出,营养教育和家庭菜园干预显著改善了母亲的膳食多样性评分,两种方法的结合为设计针对性母婴营养干预措施和制定循证公共卫生政策提供了更强的证据基础。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号