Predicting Childhood Immunization Defaulters and Zero-Dose Children to Enable Digital Community Health Triage in Ethiopia: An Explainable Machine Learning Analysis of the 2024/25 Demographic and Health Survey
تستخدم هذه الدراسة نموذج XGBoost قابل للتفسير تم تدريبه على المسح الديموغرافي والصحي الإثيوبي لعام 2024/25 للتنبؤ بدقة بالأطفال الممتنعين عن استكمال التحصين وبين الأطفال الذين لم يتلقوا أي جرعات، مما يوفر إطاراً شفافاً لدمج التصنيف الاستباقي للمخاطر في أدوات الصحة المجتمعية الرقمية مثل نظام معلومات الصحة المجتمعية الإلكتروني (eCHIS) لتحسين تغطية التطعيمات.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في أجزاء كثيرة من العالم، يمثل الفعل البسيط المتمثل في إعطاء الطفل لقاحاً درعاً قوياً ضد أمراض كانت تقتل الملايين في السابق. ومع ذلك، حتى في الأماكن التي تتوفر فيها اللقاحات، لا يتلقاها العديد من الأطفال أبداً. فبعضهم يفوت جرعة واحدة ويتأخر عن المواعيد، بينما يُعرف آخرون بـ "الأطفال ذوي الجرعة الصفرية"، وهم الذين لم يتلقوا جرعة واحدة من الحماية. هذه الفجوة ليست مجرد مسألة مواعيد فائتة؛ بل تترك المجتمعات عرضة لتفشي أمراض مثل الحصبة وشلل الأطفال. وفي بلدان مثل إثيوبيا، حيث يسافر العاملون الصحيون من باب إلى باب لرعاية العائلات، يتمثل التحدي في معرفة أي الأطفال معرضون للخطر قبل أن يفوتهم موعد جرعتهم التالية. تقليدياً، اعتمد هؤلاء العاملون على السجلات الورقية والذاكرة، وهو نظام غالباً ما يفشل في رصد الأسرة التي بدأت تنفصل عن النظام الصحي حتى فوات الأوان. والسؤال الذي يواجه مسؤولي الصحة العامة هو كيفية استخدام الكميات الهائلة من البيانات التي تُجمع بالفعل للتنبؤ بالأطفال الذين يُحتمل أن يفوتهم تلقي لقاحاتهم، مما يسمح للعاملين بالتدخل المبكر.
لقلص فريق من الباحثين في إثيوبيا هذه المشكلة عبر بناء أداة رقمية تعمل كمساعد ذكي للعاملين الصحيين المجتمعيين. لقد استخدموا بيانات من مسح وطني شامل أُجري في عامي 2024 و2025، والذي جمع معلومات عن آلاف العائلات، وظروفهم المعيشية، وعاداتهم الصحية. وبدلاً من مجرد عدّ عدد الأطفال الذين تم تطعيمهم، قام الباحثون بتدريب برنامج حاسوبي للبحث عن أنماط في البيانات تشير إلى وجود خطر مرتفع من تفويت الأطفال لجرعاتهم. وقد اختبروا عدة أنواع مختلفة من الخوارزميات الحاسوبية، وهي مجموعات من القواعد التي تساعد الآلات على إيجاد الأنماط، لمعرفة أي منها يمكنه التنبؤ بالنتيجة بشكل أفضل. وكان البرنامج الأكثر نجاحاً قادراً على تحديد العائلات المعرضة للخطر بدقة عالية، وبشكل أفضل بكثير من الأساليب الإحصائية التقليدية المستخدمة في الماضي.
ركزت الدراسة على الأطفال الذين تتراوح أعمارهم بين سنة وسنتين، وهي فترة حرجة يجب أن يتلقوا خلالها سلسلة من اللقاحات الروتينية. وفحص الباحثون خمسة وعشرين عاملاً مختلفاً قد يؤثر على تلقي الطفل للقاح، مثل عدد المرات التي زارت فيها الأم الطبيب أثناء الحمل، وما إذا كانت الطفلة قد وُلدت في مستشفى أو في المنزل، ومستوى تعليم الأم، ومدى بُعد الأسرة عن العيادة الصحية. ووجدوا أن المعدل الوطني للأطفال الذين فاتهم لقاح واحد على الأقل بلغ حوالي اثنين وثلاثين بالمائة، وأن ما يقرب من خمسة عشر بالمائة من الأطفال لم يتلقوا أي لقاحات على الإطلاق. تعلم النموذج الحاسوبي أن أقوى إشارات الخطر لم تكن تتعلق بالفقر فحسب، بل بفجوات محددة في الرعاية. فعلى سبيل المثال، كان الأطفال الذين لم تقم أمهاتهم بزيارات قبل الولادة أو الذين وُلدوا في المنزل أكثر عرضة لتفويت تحصيناتهم. كما كشف النموذج أن هذه المخاطر غالباً ما تتضاعف عندما تحدث معاً؛ فالطفل المولود في المنزل في منطقة ريفية يواجه خطراً أكبر بكثير من الطفل الذي يواجه تحدياً واحداً فقط من تلك التحديات.
وما يجعل هذا العمل قيماً للغاية هو أن البرنامج الحاسوبي لا يكتفي بإعطاء درجة خطر فحسب، بل يشرح سبب اتخاذه لهذا التنبؤ. فمن خلال استخدام تقنية تفكك عملية صنع القرار، أظهر الباحثون أن تحذيرات النموذج كانت مبنية على أسباب واضحة ومفهومة. فعلى سبيل المثال، إذا أطلق النظام علامة تحذير لعائلة ما، فيمكنه الإشارة إلى أن انخفاض تعليم الأم وبعدها عن العيادة هما السببان الرئيسيان. وتعد هذه الشفافية أمراً بالغ الأهمية لأنها تسم تسمح للعاملين الصحيين بالثقة في الأداة واستخدام المعلومات لإجراء محادثات هادفة مع العائلات. ووجد الباحثون أن النموذج الأفضل أداءً استطاع تحديد حوالي أربعة وثمانين بالمائة من الأطفال المعرضين لخطر تفويت اللقاحات بشكل صحيح، بينما حدد أيضاً حوالي واحد وثمانين بالمائة من الأطفال الذين يسيرون في المسار الصحيح. ويشير هذا المستوى من الدقة إلى أن الأداة يمكن أن تكون إضافة قوية للأجهزة اللوحية الرقمية التي يحملها العاملون الصحيون بالفعل.
يقترح الباحثون إمكانية بناء هذا البرنامج الحاسوبي مباشرة داخل الأنظمة الصحية الرقمية المستخدمة من قبل العاملين الصحيين في إثيوبيا. حالياً، تعمل هذه الأنظمة بشكل أساسي كدفاتر ملاحظات رقمية لتسجيل ما حدث بالفعل. ومن خلال إضافة محرك التنبؤ هذا، يمكن للنظام تنبيه العامل الصحي في اللحظة التي يزور فيها أسرة تظهر عليها علامات الخطر المرتفع. فبدلاً من انتظار فوات موعد مقرر للطفل، يمكن توجيه العامل لزيارة تلك الأسرة في وقت أقرب، أو تقديم دعم إضافي، أو شرح أهمية الجرعة التالية. وتشير الدراسة إلى أن هذا التحول من حفظ السجلات القائم على رد الفعل إلى التنبؤ الاستباقي يمكن أن يساعد في الوصول إلى الأطفال الأكثر ضعفاً، مما يضمن وصول وعد التطعيم إلى كل طفل، بغض النظر عن مكان عيشه أو هوية والدته. وتوضح النتائج أنه مع توفر الأدوات الرقمية المناسبة، يمكن أن تصبح المهمة المعقدة لتتبع ملايين الأطفال أكثر سهولة، وتحويل البيانات إلى شريان حياة للجيل القادم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.