Forecasting Maternal Mortality in Sub-Saharan Africa to 2035: Evidence from the Global Burden of Disease 2023 Study
Unter Verwendung von Daten der Global Burden of Disease 2023 zeigt diese Studie, dass klassische statistische Modelle (ARIMA und Holt's) maschinelle Lernverfahren und Deep-Learning-Ansätze bei der Prognose der Müttersterblichkeit in Subsahara-Afrika übertreffen, wobei ein Rückgang auf 313,0 Todesfälle pro 100.000 Lebendgeburten bis 2035 vorhergesagt wird, der jedoch immer noch signifikant hinter dem SDG 3.1-Ziel zurückbleibt.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Jedes Jahr sterben tausende Frauen an Ursachen, die mit Schwangerschaft und Geburt zusammenhängen – eine Tragödie, die eines der deutlichsten Maßstäbe für Ungleichheit in der globalen Gesundheit bleibt. Während die Welt in den letzten Jahrzehnten stetige Fortschritte gemacht und diese Todesfälle signifikant reduziert hat, bleibt die Belastung in Subsahara-Afrika am schwersten. Um zu verstehen, wohin sich diese Region entwickelt, verlassen sich Wissenschaftler auf historische Daten, um zukünftige Trends zu projizieren – ein Prozess, der politischen Entscheidungsträgern hilft zu entscheiden, wohin Ressourcen gesendet werden sollen und wie dringend gehandelt werden muss. Jahrelang haben Forscher Standard-Statistikwerkzeuge genutzt, um diese Vorhersagen zu treffen, doch in den letzten Jahren hat eine neue Welle leistungsstarker Computerprogramme, bekannt als maschinelles Lernen und Deep Learning, versprochen, komplexe Muster zu finden, die ältere Methoden vielleicht übersehen würden. Die Frage, vor der die medizinische Gemeinschaft steht, ist, ob diese hochentwickelten digitalen Werkzeuge die Zukunft der maternalen Gesundheit tatsächlich besser vorhersagen können als die etablierten, einfacheren Methoden, insbesondere wenn die verfügbaren Daten auf einige Jahrzehnte an jährlichen Aufzeichnungen beschränkt sind.
Ein Forscher der Debre Markos University in Äthiopien machte sich daran, diese Frage zu beantworten, indem er acht verschiedene Prognosemethoden gegen die aktuellsten und umfassendsten verfügbaren Daten testete. Unter Verwendung von Schätzungen zur mütterlichen Sterblichkeit aus der Global Burden of Disease 2023 Studie, welche die Gesundheitsergebnisse weltweit verfolgt, sammelte der Forscher dreiundvierzig Jahre an Daten, die den Zeitraum von 1980 bis 2023 für die gesamte Region Subsahara-Afrika abdeckten. Dieser Datensatz zeigte, dass die Zahl der Todesfälle pro 100.000 Lebendgeburten von 674,5 im Jahr 1980 auf 396,2 im Jahr 2023 gesunken war. Um zu sehen, welche Methode am besten funktionierte, ließ der Forscher die Computer nicht einfach raten; stattdessen wandte er eine strenge Teststrategie namens Walk-Forward-Validierung an. Dieser Ansatz ahmt die reale Welt der Prognose nach, indem er die Modelle mit Vergangenheitsdaten trainiert, sie das nächste Jahr vorhersagen lässt, prüft, ob sie richtig lagen, und diesen Prozess dann Jahr für Jahr wiederholt, bis die Modelle gegen die letzten zehn Jahre der Geschichte getestet worden waren.
Die Ergebnisse waren für viele überraschend, die vielleicht annehmen würden, dass neuere, komplexere Technologie immer bessere Antworten liefert. Die Studie ergab, dass die fortschrittlichsten Modelle des maschinellen Lernens und des Deep Learning, einschließlich einer Art von neuronalem Netzwerk, das darauf ausgelegt ist, aus Sequenzen von Daten zu lernen, schlecht abschnitten. Tatsächlich schnitt das ausgefeilteste Deep-Learning-Modell so schlecht ab, dass seine Vorhersagen fast so falsch wie reines Raten waren und die tatsächlichen Trends um eine gewaltige Marge verfehlten. Im Gegensatz dazu waren die zwei besten Performer klassische statistische Methoden, die seit Jahrzehnten eingesetzt werden. Eine dieser Techniken, namens ARIMA, und eine weitere, bekannt als Holts gedämpfte Trend-Exponentialglättung, lieferten nahezu identische und hochgenaue Ergebnisse. Diese traditionellen Methoden erfassten erfolgreich die sich verlangsamende Rückgangsrate der mütterlichen Sterblichkeit, während die komplexen Algorithmen Schwierigkeiten hatten, sich an die spezifische Form der Daten anzupassen. Die Studie schließt die Idee explizit aus, dass maschinelles Lernen automatisch überlegen für diese Art der Gesundheitsprognose ist, und zeigt auf, dass für kurze, jährliche Zeitreihen mit begrenzten Datenpunkten einfachere statistische Modelle weitaus zuverlässiger sind.
Unter Verwendung des am besten performenden traditionellen Modells projizierte der Forscher die mütterliche Sterblichkeitsrate bis zum Jahr 2035 nach vorne. Die Prognose deutet darauf hin, dass die Zahl der Todesfälle zwar weiter sinken wird, das Tempo der Verbesserung jedoch nicht schnell genug ist, um das globale Nachhaltigkeitsziel zu erreichen, welches eine Rate von weniger als 70 Todesfällen pro 100.000 Lebendgeburten anstrebt. Bis zum Jahr 2030 wird die Quote voraussichtlich bei etwa 344,7 liegen, und bis 2035 wird sie voraussichtlich 313,0 erreichen. Selbst bei diesem anhaltenden Fortschritt wird die Region voraussichtlich etwa fünfmal höher als das Ziel liegen, was darauf hindeutet, dass der aktuelle Kurs nicht ausreichen wird, um die Lücke im kommenden Jahrzehnt zu schließen. Die Studie kommt zu dem Schluss, dass der Weg nach vorn dringendes Handeln erfordert, um den Rückgang zu beschleunigen, da der statistische Trend allein nahelegt, dass das Ziel verfehlt wird. Darüber hinaus bietet die Forschung eine entscheidende Lektion für zukünftige Studien: Die Wahl eines Prognosewerkzeugs sollte nicht auf dessen Ruf oder Komplexität basieren, sondern auf empirischen Tests, die spezifisch für die vorliegenden Daten sind, da die mächtigsten Algorithmen scheitern können, wenn der Datensatz zu klein ist, um ihnen die notwendigen Muster beizubringen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.