Predicting Under-Five Child Stunting Using Machine Learning and Probability Calibration: A Nationally Representative 2024/25 EDHS Study from Ethiopia

في أجزاء كثيرة من العالم، يروي طول الطفل قصة تتجاوز بكثير حجمه الجسدي. فعندما يكون الطفل الصغير أقصر بكثير مما هو متوقع لعمره، غالباً ما يكون ذلك علامة على سوء التغذية المزمن، وهي حالة تُعرف باسم "التقزم". ولا يقتصر الأمر على مجرد كونه صغيراً في الحجم؛ بل هو مؤشر على حرمان طويل الأمد يمكن أن يؤثر على تطور دماغ الطفل، وقدرته على التعلم، وصحته طوال حياته. ولعقود من الزمن، حاول العاملون في مجال الصحة العامة تحديد الأطفال المعرضين للخطر قبل أن يصبح هذا الضرر دائماً. وتقليدياً، اعتمدوا على أدوات إحصائية تبحث عن علاقات خطية مستقيمة بين عوامل مثل تعليم الأم أو دخل الأسرة ونمو الطفل. ومع ذلك، فإن واقع صحة الإنسان نادراً ما يكون خطاً مستقيماً؛ فهو شبكة معقدة حيث تتفاعل وزن الأم، ونظافة المياه التي تشربها الأسرة، وعمر الطفل بطرق غير متوقعة. وفهم هذه الروابط المتشابكة أمر ضروري إذا أرادت المجتمعات وقف التقزم قبل بدئه.

لقد اتخذ فريق من الباحثين في إثيوبيا نهجاً جديداً لهذا التحدي، متجاوزين الإحصاء التقليدي لاستخدام نوع من التعلم الحاسوبي يُعرف بالتعلم الآلي. قاموا بتحليل بيانات لأكثر من عشرة آلاف طفل في جميع أنحاء البلاد، جُمعت خلال مسح وطني رئيسي للصحة. وبدلاً من إجبار البيانات على صياغات بسيطة وجامدة، قاموا بتدريب ست خوارزميات حاسوبية مختلفة لإيجية الأنماط الخفية التي تتنبأ بالأطفال الذين يُحتمل أن يصابوا بالتقزم. عملت هذه الخوارقات كأنواع مختلفة من المحققين، حيث بحث كل منها عن الأدلة بطريقة فريدة؛ فبعضها بحث عن قواعد بسيطة، بينما بنى البعض الآخر أشجار قرار معقدة يمكنها وزن عشرات العوامل في آن واحد. وقد حرص الباحثون على ضمان استخدام الحواسيب فقط للمعلومات المتاحة قبل قياس نمو الطفل، مثل صحة الأم والظروف المعيشية للأسرة، لتجنب استخدام معرفة مستقبلية للتنبؤ بالماضي.

أظهرت النتائج أن النماذج الحاسوبية الأكثر تعقيداً كانت أفضل بكثير في رصد الأطفال المعرضين للخطر مقارنة بالطرق التقليدية. وكانت الأداة الأكثر نجاحاً هي خوارزمية متطورة تسمى "تعزيز التدرج" (Gradient Boosting)، والتي تعلمت من خلال ارتكاب أخطاء صغيرة وتصحيحها مراراً وتكراراً. ومع ذلك، لاحظ الباحثون أن هذه الأداة القوية كانت تعاني من خلل؛ فقد كانت واثقة جداً في تنبؤاتها، حيث كانت تخصص درجات مخاطر قصوى لا تتطابق مع الواقع. ولإصلاح ذلك، طبقوا عملية "المعايرة"، وهي طريقة تعدل مستويات ثقة الحاسوب بلطف بحيث تعني نسبة خطر قدرها ثمانون بالمئة احتمالاً فعلياً بنسبة ثمانين بالمئة لحدوث التقزم. وبمجرد إجراء هذا التعديل، أصبح النموذج دليلاً موثوقاً للغاية؛ فقد حدد بشكل صحيح أكثر من ثلاثة وثمانين بالمئة من الأطفال الذين عانوا من التقزم، وفي الوقت نفسه استبعد بشكل صحيح أكثر من ستة وثمانين بالمئة ممن لم يعانوا منه.

كشفت الدراسة أن خطر التقزم ليس موزعاً بالتساوي، بل يتبع أنماطاً واضحة. فقد تعلم الحاسوب أن الخطر يزدل بشكل كبير مع تقدم الطفل في العمر، لا سيما بين سن سنة وخمس سنوات. كما وجد أن الأطفال المولودين لأمهات يعانين من نقص الوزن، وأولئك الذين يعيشون في الأسر الأكثر فقراً، ومن لا يملكون الوصول إلى مياه شرب نظيفة، يواجهون أعلى المخاطر. كما كانت الأمراض الأخيرة، مثل الإسهال، بمثابة علامة تحذير قوية. والأهم من ذلك، اختبر الباحثون ما إذا كان استخدام هذا النموذج الحاسوبي سيساعد فعلياً العاملين الصحيين في الميدان؛ ووجدوا أنه من خلال استخدام النموذج لتحديد العائلات التي يجب زيارتها أولاً، يمكن لعمال الصحة توفير الموارد ومساعدة عدد أكبر من الأطفال مقارنة بزيارة الجميع أو عدم زيارة أحد على الإطلاق.

يشير هذا العمل إلى مسار جديد للمستقبل في مجال الصحة العامة في إثيوبيا ومناطق مماثلة. تمتلك البلاد بالفعل آلاف العاملين الصحيين المجتمعيين الذين يزورون المنازل بانتظام. ويقترح الباحثون أن هؤلاء العمال يمكنهم استخدام تطبيق بسيط للهاتف المحمول مدعوم بهذا النموذج الحاسوبي المُعاير. وخلال الزيارة الروتينية، يمكن للعامل إدخال بعض الحقائق الأساسية عن الأسرة والطفل، وسيقوم التطبيق فوراً بإنشاء درجة مخاطر. وهذا من شأنه أن يسمح للعامل الصحي بتركيز وقته وموارده على العائلات الأكثر احتياجاً، وتقديم المشورة الغذائية أو الدعم قبل توقف نمو الطفل بوقت طويل. ومن خلال تحويل البيانات المعقدة إلى إشارة واضحة وقابلة للتنفيذ، يوفر هذا النهج طريقة عملية للتدخل المبكر، مما قد يمنع الآثار غير القابلة للإصلاح للتقزم ويمنح المزيد من الأطفال الفرصة للنمو بصحة وقوة.