Forecasting Maternal Mortality in Sub-Saharan Africa to 2035: Evidence from the Global Burden of Disease 2023 Study
تُظهر هذه الدراسة، باستخدام بيانات عبء المرض العالمي لعام 2023، أن النماذج الإحصائية الكلاسيكية (ARIMA وHolt's) تتفوق على مناهج التعلم الآلي والتعلم العميق في التنبؤ بوفيات الأمهات في أفريقيا جنوب الصحراء الكبرى، حيث تتوقع انخفاضاً إلى 313.0 حالة وفاة لكل 100,000 مولود حي بحلول عام 2035، وهو ما يزال يقل بشكل كبير عن هدف الهدف 3.1 من أهداف التنمية المستدامة.
تلقى آلاف النساء حتفهن كل عام لأسباب تتعلق بالحمل والولادة، وهي مأساة تظل واحدة من أبرز مقاييس عدم المساواة في الصحة العالمية. وبينما حقق العالم تقدماً مستمراً على مدى العقود القليلة الماضية، مما قلل من هذه الوفيات بشكل كبير، إلا أن العبء لا يزال يتركز بشكل أكبر في أفريقيا جنوب الصحراء الكبرى. ولفهم المسار الذي يتجه إليه هذا الإقليم، يعتمد العلماء على البيانات التاريخية لتوقع الاتجاهات المستقبلية، وهي عملية تساعد صانعي السياسات في تحديد أين يوجهون الموارد ومدى إلحاح التحرك. لسنوات، استخدم الباحثون أدوات إحصائية قياسية لإجراء هذه التنبؤات، ولكن في السنوات الأخيرة، وعدت موجة جديدة من البرامج الحاسوبية القوية، المعروفة باسم تعلم الآلة والتعلم العميق، بإيجاد أنماط معقدة قد تغفل عنها الطرق القديمة. والسؤال الذي يواجه المجتمع الطبي هو ما إذا كانت هذه الأدوات الرقمية المتطورة يمكنها حقاً التنبؤ بمستقبل صحة الأم بشكل أفضل من الأساليب التقليدية الراسخة، خاصة عندما تكون البيانات المتاحة مقتصرة على بضعة عقود من السجلات السنوية.
وضع باحث في جامعة دبري ماركوس في إثيوبيا نصب عينيه الإجابة على هذا السؤال من خلال اختبار ثماني طرق تنبؤ مختلفة مقابل أحدث وأشمل بيانات متاحة. وباستخدام تقديرات وفيات الأمهات من دراسة عبء المرض العالمي لعام 2023، والتي تتبع النتائج الصحية عبر أنحاء العالم، جمع الباحث بيانات تمتد لأربعة وأربعين عاماً، من عام 1980 إلى عام 2023، لمنطقة أفريقيا جنوب الصحراء الكبرى بأكملها. وأظهرت مجموعة البيانات هذه أن عدد الوفيات لكل 100,000 مولود حي قد انخفض من 674.5 في عام 1980 إلى 396.2 في عام 2023. ولتحديد الطريقة الأفضل أداءً، لم يكتفِ الباحث بجعل الحواسيب تخمن؛ بل استخدم استراتيجية اختبار صارمة تسمى "التحقق من صحة المسار الأمامي" (walk-forward validation). يحاكي هذا النهج التنبؤ في العالم الحقيقي من خلال تدريب النماذج على البيانات الماضية، ثم مطالبتها بالتنبؤ بالسنة التالية، والتحقق مما إذا كانت محقة، ثم تكرار العملية سنة بسنة حتى يتم اختبار النماذج ضد آخر عشر سنوات من التاريخ.
كانت النتائج مفاجئة للكثيرين ممن قد يفترضون أن التكنولوجيا الأحدث والأكثر تعقيداً تؤدي دائماً إلى إجابات أفضل. فقد وجدت الدراسة أن أكثر نماذج تعلم الآلة والتعلم العميق تقدماً، بما في ذلك نوع من الشبكات العصبية المصممة للتعلم من تسلسل البيانات، قد كان أداؤها ضعيفاً. في الواقع، فشل نموذج التعلم العميق الأكثر تطوراً فشلاً ذريعاً لدرجة أن تنبؤاته كانت تقريباً بمستوى التخمين العشوائي، حيث أخطأت في الاتجاهات الفعلية بهامش هائل. وفي المقابل، كان أفضل نموذجين أداءً هما الأساليب الإحصائية الكلاسيكية التي استُخدمت لعقود؛ حيث حققت إحدى هذه التقنيات، وهي تقنية تُعرف باسم ARIMA، وتقنية أخرى تُعرف باسم "هولت المبطأ للاتجاه الأسي" (Holt's damped-trend exponential smoothing)، نتائج متطابقة تقريباً وعالية الدقة. نجحت هذه الأساليب التقليدية في رصد معدل التراجع في وفيات الأمهات، بينما كافحت الخوارزميات المعقدة للتكيف مع الشكل المحدد للبيانات. وتستبعد الدراسة صراحةً فكرة أن تعلم الآلة متفوق تلقائياً لهذا النوع من التنبؤ الصحي، موضحة أن النماذج الإحصائية الأبسط هي الأكثر موثوقية بالنسبة للسلاسل الزمنية السنوية القصيرة ذات نقاط البيانات المحدودة.
باستخدام النموذج التقليدي الأفضل أداءً، توقع الباحث نسبة وفيات الأمهات مستقبلاً حتى عام 2035. ويشير التوقع إلى أنه بينما ستستمر أعداد الوفيات في الانخفاض، فإن وتيرة التحسن ليست سريعة بما يكفي لتحقيق هدف التنمية المستدامة العالمي، الذي يهدف إلى أقل من 70 حالة وفاة لكل 100,000 مولود حي. وبحلول عام 2030، يُتوقع أن تكون النسبة حوالي 344.7، وبحلول عام 2035، يُتوقع أن تصل إلى 313.0. وحتى مع هذا التقدم المستمر، يُتوقع أن يظل الإقليم أعلى بخمس مرات تقريباً من الهدف المنشود، مما يشير إلى أن المسار الحالي لن يكون كافياً لسد الفجوة في العقد القادم. وتخلص الدراسة إلى أن الطريق أمامنا يتطلب تحركاً عاجلاً لتسريع وتيرة التراجع، حيث يشير الاتجاه الإحصائي وحده إلى أن الهدف لن يتحقق. علاوة على ذلك، تقدم الدراسة درساً حاسماً للدراسات المستقبلية: يجب ألا يعتمد اختيار أداة التنبؤ على سمعتها أو تعقيدها، بل على الاختبار التجريبي الخاص بالبيانات المتاحة، حيث يمكن لأقوى الخوارزميات أن تفشل عندما تكون مجموعة البيانات صغيرة جداً لتعليمها الأنماط اللازمة.
ملخص تقني: التنبؤ بوفيات الأمهات في أفريقيا جنوب الصحراء الكبرى حتى عام 2035
بيان المشكلة لا تزال وفيات الأمهات مؤشراً حرجاً للتفاوت الصحي العالمي، حيث تتحمل منطقة أفريقيا جنوب الصحراء الكبرى عبئاً غير متناسب. وبينما تظهر الاتجاهات التاريخية انخفاضاً في نسبة وفيات الأمهات (MMR)، فمن المتوقع أن تخفق المنطقة في تحقيق هدف الهدف 3.1 من أهداف التنمية المستدامة (SDG)، والمتمثل في أقل من 70 حالة وفاة لكل 100,000 مولود حي بحلول عام 2030. لقد اعتمدت الأدبيات الحالية إلى حد كبير على التحليلات الوصفية الاسترجاعية لبيانات عبء المرض العالمي (GBD)، أو دراسات تنبؤية محدودة تستخدم مجموعات بيانات قديمة (مثل بيانات البنك الدولي حتى عام 2015) ومقارنات منهجية ضيقة (غالباً ما تقتصر على خوارزمية واحدة لتعلم الآلة مثل Prophet). وهناك نقص في الدراسات المقارنة الصارمة التي تستخدم أحدث تقديرات عبء المرض العالمي لعام 2023 (حتى عام 2023) لتقييم ما إذا كانت تقنيات تعلم الآلة (ML) والتعلم العميق (DL) الحديثة تتفوق على الطرق الإحصائية الكلاسيكية في السلاسل الزمنية الصحية السنوية قصيرة المدى في هذا السياق المحدد.
المنهجية استخدمت هذه الدراسة تحليلاً ثانوياً للسلاسل الزمنية لتقديرات نسبة وفيات الأمهات من بيانات عبء المرض العالمي 2023 لمنطقة أفريقيا جنوب الصحراء الكبرى، تغطي 44 ملاحظة سنوية من عام 1980 إلى عام 2023. كان الابتكار المنهجي الجوهري هو إطار مقارنة موحد يقيم ثمانية نماذج عبر ثلاث عائلات:
الطرق الإحصائية: التمهيد الأسي لـ "هولت" ذو الاتجاه المخمد (Holt's damped-trend exponential smoothing)، ونموذج ARIMA (1,1,1)، والانحدار الخطي اللوغاريتمي.
تعلم الآلة (ML): الغابة العشوائية (Random Forest)، وتعزيز التدرج (Gradient Boosting)، وXGBoost، وانحدار متجه الدعم (SVR).
التعلم العميق (DL): شبكات الذاكرة الطويلة قصيرة المدى (LSTM).
لضمان اختيار نموذج قوي وتجنب الإفراط في التخصيص (overfitting)، استخدمت الدراسة إطار تحقق من خارج العينة يعتمد على "النافذة المتوسعة والتقدمية" (walk-forward, expanding-window out-of-sample validation). وقد استُخدمت السنوات العشر الأخيرة من البيانات (2014–2023) كفترة اختبار. تم تدريب النماذج على نافذة متزايدة من البيانات التاريخية، مع التقييم خطوة واحدة للأمام في كل تكرار. تم قياس الأداء باستخدام جذر متوسط مربع الخطأ (RMSE)، ومتوسط الخطأ المطلق (MAE)، ومتوسط نسبة الخطأ المطلق (MAPE). تمت إعادة تقدير النموذج الأفضل بناءً على مجموعة البيانات الكاملة من 1980 إلى 2023 لتوليد التوقعات وفترات التنبؤ بنسبة 95% حتى عام 2035. استخدمت جميع نماذج تعلم الآلة والتعلم العميق نهج ميزات التأخر (lag-feature approach) (باستخدام قيم وفيات الأمهات للسنوات الثلاث السابقة كمتنبئات) وتم تنظيمها (regularized) لمراعاة صغر حجم العينة.
النتائج الرئيسية
الاتجاه التاريخي: بين عامي 1980 و2023، انخفضت نسبة وفيات الأمهات في أفريقيا جنوب الصحراء الكبرى من 674.5 إلى 396.2 حالة وفاة لكل 100,000 مولود حي (انخفاض بنسبة 41.3%). بلغ التغير السنوي المئوي المقدر (EAPC) للعقد 2013–2023 نسبة -2.17%.
أداء النماذج: تفوقت النماذج الإحصائية الكلاسيكية بشكل كبير على مناهج تعلم الآلة والتعلم العميق.
الأفضل أداءً: حقق نموذج ARIMA (1,1,1) ونموذج التمهيد الأسي لـ "هولت" ذو الاتجاه المخمد أدنى مستويات الخطأ (ARIMA: RMSE = 2.74, MAPE = 0.55%؛ Holt's: RMSE = 2.75, MAPE = 0.52%).
تعلم الآلة: أدت نماذج تعلم الآلة (Gradient Boosting, XGBoost, Random Forest, SVR) أداءً متوسطاً، ولكن بأخطاء تزيد بمقدار مرتبة عشرية عن أفضل النماذج الإحصائية (تراوح RMSE بين 10.15 و16.61).
التعلم العميق: فشل نموذج LSTM فشلاً ذريعاً، حيث أنتج RMSE قدره 388.33 وMAPE قدره 88.52%، مما يعني أنه فشل فعلياً في تعلم أي نمط ذي معنى من البيانات المحدودة.
الانحدار الخطي اللوغاريتمي: أدى هذا الاستقراء البسيط للاتجاه أداءً ضعيفاً (RMSE = 46.57) بسبب عدم قدرته على استيعاب تباطؤ الاتجاه التاريخي.
التوقعات المستقبلية: بناءً على نموذج ARIMA (1,1,1) المختار، يُتوقع أن تنخفض نسبة وفيات الأمهات إلى 344.7 (بفاصل ثقة 95%: 301.7–387.7) بحلول عام 2030، وإلى 313.0 (بفاصل ثقة 95%: 231.6–394.4) بحلول عام 2035.
الأهمية والادعاءات تزعم الورقة ثلاث مساهمات رئيسية:
الاختيار التجريبي للنماذج: تقدم أول مقارنة موحدة بين الأساليب الإحصائية، وتعلم الآلة، والتعلم العميق لوفيات الأمهات في أفريقيا جنوب الصحراء الكبرى باستخدام بيانات عبء المرض العالمي 2023. وتوضح الدراسة أن النماذج الإحصائية الكلاسيكية التي تأخذ في الاعتبار الاتجاه والارتباط الذاتي هي الأفضل تجريبياً بالنسبة للسلاسل الزمنية السنوية قصيرة المدى ومنخفضة الأبعاد (حوالي 40-50 ملاحظة) مقارنة بمناهج تعلم الآلة والتعلم العميق التي تتطلب كميات ضخمة من البيانات. ويُسلط الضوء على الفشل الكارثي لنموذج LSTM كدليل على أن التعلم العميق يتطلب مجموعات بيانات أكبر مما هو متاح في هذا السياق للتعميم بفعالية.
تقييم المسار المحدث: تؤكد الدراسة أنه حتى مع استخدام أحدث البيانات والنماذج القوية، فإن أفريقيا جنوب الصحراء الكبرى ليست على المسار الصحيح لتحقيق هدف التنمية المستدامة 3.1. فنسبة وفيات الأمهات المتوقعة لعام 2030 تبلغ حوالي خمسة أضعاف الهدف المحدد بـ 70، مما يشير إلى وجود فجوة مستمرة وواسعة.
درس منهجي: تجادل الورقة بأن اختيار عائلة نموذج التنبؤ لا ينبغي افتراضه مسبقاً بناءً على شعبية تعلم الآلة/التعلم العميق في مجالات أخرى. بدلاً من ذلك، يجب أن يكون اختيار النموذج عملية تجريبية مدفوعة بالتحقق الصارم من خارج العينة الخاص بالمؤشر وخصائص البيانات.
المحددات يقر المؤلف بعدة محددات؛ فحجم العينة الصغير (44 ملاحظة) يحد من موثوقية تطبيقات التعلم العميق؛ كما أن التوقعات تتم على المستوى الإقليمي الإجمالي وقد لا تعكس التفاوتات داخل المناطق الفرعية؛ والتوقعات تمتد للأنماط الإحصائية دون محاكاة تأثير تدخلات صحية محددة؛ كما أن فترات التنبؤ تعكس عدم اليقين في نموذج التنبؤ نفسه ولكنها لا تشمل بالكامل عدم اليقين المتأصل في عملية تقدير عبء المرض العالمي (GBD).