使用可解释的机器学习模型预测孟加拉国的低出生体重情况

摘要

背景

低出生体重（LBW）仍然是低收入和中等收入国家新生儿死亡率和长期发病率的主要原因。本研究旨在利用来自孟加拉国的具有全国代表性的调查数据，开发和评估用于预测低出生体重的机器学习分类器，并明确区分预测建模和因果推断。

方法

我们分析了2022年孟加拉国人口与健康调查（BDHS）的数据，在排除完整案例后得到了3,400对母婴的最终分析样本。通过sample_weight参数和基于簇的数据分割，将调查权重、分层和聚类纳入所有建模步骤中。为保持调查的代表性，我们采用了原生类权重优化（scale_pos_weight，class_weight="balanced"）而非合成过采样来解决类别不平衡问题。在考虑簇结构的训练-验证-测试划分下评估了七种机器学习分类器。模型性能通过判别指标（AUROC、PR-AUC）、校准指标（Brier分数、斜率、截距）以及通过分层自助重采样得到的95%置信区间（B=1,000）进行评估。使用SHapley加性解释（SHAP）来提高模型的可解释性，并在预测背景下明确阐述研究结果。

结果

XGBoost在独立测试集上表现出最佳的校准和判别性能：AUROC=0.828（95% CI：0.764–0.887），敏感性=0.711（0.600–0.816），特异性=0.847（0.814–0.876），Brier分数=0.095（0.077–0.114）。SHAP分析确定地理分区、出生顺序、父亲教育水平和家庭财富是最有影响力的预测因素。在双变量分析中不显著但在XGBoost中显著的变量（例如，孩子性别、母亲年龄）可能通过基于树的集成模型的高阶交互作用产生影响。产前护理访问次数与预测的低出生体重风险之间的正相关可能反映了临床分诊模式，而非因果关系。

结论

考虑调查特征的机器学习方法，特别是XGBoost，为孟加拉国的低出生体重风险分层提供了一个稳健的框架。尽管观察性设计排除了因果推断的可能性，且仍需外部验证，但这些发现支持了可解释的机器学习模型在指导针对性母婴健康干预措施方面的潜在效用。未来的工作应优先考虑前瞻性验证和临床生物标志物的整合。