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

In molte parti del mondo, l'altezza di un bambino racconta una storia che va ben oltre le sue dimensioni fisiche. Quando un bambino piccolo è significativamente più basso rispetto a quanto previsto per la sua età, si tratta spesso di un segno di malnutrizione cronica, una condizione nota come ritardo della crescita o stunting. Non è solo una questione di essere piccoli; è un indicatore di deprivazione a lungo termine che può influenzare lo sviluppo cerebrale, la capacità di apprendere e la salute del bambino per il resto della sua vita. Per decenni, gli operatori di sanità pubblica hanno cercato di identificare quali bambini siano a rischio prima che questo danno diventi permanente. Tradizionalmente, si sono affidati a strumenti statistici che cercano relazioni lineari tra fattori come l'istruzione della madre o il reddito familiare e la crescita del bambino. Tuttavia, la realtà della salute umana è raramente una linea retta. È una rete complessa dove il peso della madre, la pulizia dell'acqua che una famiglia beve e l'età del bambino interagiscono in modi imprevedibili. Comprendere queste connessioni aggrovigliate è essenziale se le comunità vogliono fermare lo stunting prima che inizi.

Un team di ricercatori in Etiopia ha adottato un approccio nuovo a questa sfida, andando oltre la statistica tradizionale per utilizzare un tipo di apprendimento informatico noto come machine learning. Hanno analizzato i dati di oltre diecimila bambini in tutto il paese, raccolti durante un importante sondaggio nazionale sulla salute. Invece di forzare i dati in formule semplici e rigide, hanno addestrato sei diversi algoritmi informatici per trovare i modelli nascosti che prevedono quali bambini avranno probabilmente un ritardo della crescita. Questi algoritmi agivano come diversi tipi di detective, ognuno dei quali cercava indizi in un modo unico. Alcuni cercavano regole semplici, mentre altri costruivano compli complessi alberi decisionali che potevano pesare decine di fattori contemporaneamente. I ricercatori sono stati attenti a garantire che i computer utilizzassero solo informazioni disponibili prima che la crescita del bambino venisse misurata, come la salute della madre e le condizioni di vita della famiglia, per evitare di usare conoscenze future per predire il passato.

I risultati hanno mostrato che i modelli informatici più complessi erano molto più bravi nel individuare i bambini a rischio rispetto ai metodi tradizionali. Lo strumento di maggior successo è stato un algoritmo sofisticato chiamato Gradient Boosting, che imparava commettendo piccoli errori e correggendoli ripetutamente. Tuttavia, i ricercatori hanno notato che questo potente strumento aveva un difetto: era spesso troppo sicuro delle sue previsioni, assegnando punteggi di rischio estremi che non corrispondevano alla realtà. Per risolvere il problema, hanno applicato un processo di calibrazione, un metodo che ha regolato delicatamente i livelli di fiducia del computer affinché un rischio previsto dell'ottanta per cento significasse effettivamente una probabilità dell'ottanta per cento di stunting. Una volta effettuato questo aggiustamento, il modello è diventato una guida altamente affidabile. Ha identificato correttamente più dell'ottantatré per cento dei bambini che presentavano un ritardo della crescita, escludendo al contempo correttamente più dell'ottantasei per cento di quelli che non lo presentavano.

Lo studio ha rivelato che il rischio di stunting non è distribuito uniformemente ma segue schemi chiari. Il computer ha imparato che il rischio aumenta significativamente con l'età del bambino, in particolare tra l'anno di età e i cinque anni. Ha anche scoperto che i bambini nati da madri sottopeso, quelli che vivono nei nuclei familiari più poveri e quelli senza accesso all'acqua potabile affrontano i pericoli maggiori. Le malattie recenti, come la diarrea, hanno inoltre costituito un forte segnale di avvertimento. Fondamentalmente, i ricercatori hanno testato se l'uso di questo modello informatico aiuterebbe effettivamente gli operatori sanitari sul campo. Hanno scoperto che, utilizzando il modello per decidere quali famiglie visitare per prime, gli operatori sanitari potevano risparmiare risorse e aiutare più bambini rispetto al semplice visitare tutti o nessuno.

Questo lavoro suggerisce una nuova strada per la sanità pubblica in Etiopia e in regioni simili. Il paese impiega già migliaia di operatori sanitari comunitari che visitano regolarmente le case. I ricercatori propongono che questi operatori possano utilizzare un'app mobile semplice alimentata da questo modello informatico calibrato. Durante una visita di routine, un operatore potrebbe inserire alcuni fatti basilari sulla famiglia e sul bambino, e l'app genererebbe istantaneamente un punteggio di rischio. Ciò permetterebbe all'operatore sanitario di concentrare il proprio tempo e le proprie risorse sulle famiglie più bisognose, offrendo consigli nutrizionali o supporto molto prima che la crescita del bambino si arresti. Trasformando dati complessi in un segnale chiaro e azionabile, questo approccio offre un modo pratico per intervenire precocemente, potenzialmente prevenendo gli effetti irreversibili dello stunting e dando a più bambini la possibilità di crescere sani e forti.