Forecasting Maternal Mortality in Sub-Saharan Africa to 2035: Evidence from the Global Burden of Disease 2023 Study
Utilizzando i dati del Global Burden of Disease 2023, questo studio dimostra che i modelli statistici classici (ARIMA e Holt's) superano gli approcci di machine learning e deep learning nella previsione della mortalità materna nell'Africa subsahariana, prevedendo un calo a 313,0 decessi per 100.000 nati vivi entro il 2035 che rimane comunque significativamente al di sotto del target SDG 3.1.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Ogni anno, migliaia di donne muoiono per cause legate alla gravidanza e al parto, una tragedia che rimane una delle più nette misure di disuguaglianza nella salute globale. Sebbene il mondo abbia compiuto progressi costanti negli ultimi decenni, riducendo significativamente questi decessi, l'onere rimane più pesante nell'Africa subsahariana. Per capire verso dove si stia dirigendo questa regione, gli scienziati si affidano ai dati storici per proiettare le tendenze future, un processo che aiuta i decisori politici a decidere dove inviare risorse e con quale urgenza agire. Per anni, i ricercatori hanno utilizzato strumenti statistici standard per fare queste previsioni, ma negli ultimi anni, una nuova ondata di potenti programmi informatici, noti come apprendimento automatico (machine learning) e apprendimento profondo (deep learning), ha promesso di trovare schemi complessi che i metodi più vecchi potrebbero perdere. La domanda che la comunità medica si pone è se questi sofisticati strumenti digitali possano effettivamente prevedere il futuro della salute materna meglio dei metodi stabiliti e più semplici, specialmente quando i dati disponibili sono limitati a pochi decenni di registri annuali.
Un ricercatore dell'Università di Debre Markos in Etiopia ha deciso di rispondere a questa domanda testando otto diversi metodi di previsione contro i dati più recenti e completi disponibili. Utilizzando le stime della mortalità materna dello studio Global Burden of Disease 2023, che monitora i risultati sanitari in tutto il mondo, il ricercatore ha raccolto quarantatré anni di dati, dal 1980 al 2023, per l'intera regione dell'Africa subsahariana. Questo insieme di dati ha mostrato che il numero di decessi per 100.000 nati vivi era sceso da 674,5 nel 1980 a 396,2 nel 2023. Per vedere quale metodo funzionasse meglio, il ricercatore non ha semplicemente lasciato che i computer indovinassero; invece, ha utilizzato una rigorosa strategia di test chiamata validazione walk-forward. Questo approccio imita le previsioni del mondo reale, addestrando i modelli sui dati passati, chiedendo loro di prevedere l'anno successivo, controllando se avessero ragione e poi ripetendo il processo anno per anno fino a quando i modelli non fossero stati testati contro gli ultimi dieci anni di storia.
I risultati sono stati sorprendenti per molti che potrebbero presumere che la tecnologia più recente e complessa fornisca sempre risposte migliori. Lo studio ha scoperto che i modelli di apprendimento automatico e di apprendimento profondo più avanzati, incluso un tipo di rete neurale progettata per apprendere da sequenze di dati, hanno avuto prestazioni scarse. In effetti, il modello di deep learning più sofisticato è fallito così malamente che le sue previsioni erano quasi errate quanto un tiro casuale, mancando i trend reali per un margine enorme. Al contrario, i due migliori esecutori sono stati i metodi statistici classici che vengono utilizzati da decenni. Uno di questi, una tecnica chiamata ARIMA, e un altro noto come l'esponenziale smorzato di Holt (Holt's damped-trend exponential smoothing), hanno prodotto risultati quasi identici e altamente accurati. Questi metodi tradizionali hanno catturato con successo il rallentamento del tasso di declino dei decessi materni, mentre gli algoritmi complessi hanno faticato ad adattarsi alla forma specifica dei dati. Lo studio esclude esplicitamente l'idea che il machine learning sia automaticamente superiore per questo tipo di previsione sanitaria, dimostrando che per serie temporali annuali brevi con dati limitati, i modelli statistici più semplici sono molto più affidabili.
Utilizzando il modello tradizionale con le migliori prestazioni, il ricercatore ha proiettato in avanti il rapporto di mortalità materna fino all'anno 2035. La previsione suggerisce che, sebbene il numero di decessi continuerà a scendere, il ritmo del miglioramento non è abbastanza veloce per soddisfare l'Obiettivo di Sviluppo Sostenibile globale, che mira a meno di 70 decessi per 100.000 nati vivi. Entro il 2030, il rapporto previsto sarà di circa 344,7, e entro il 2035, si prevede che raggiungerà 313,0. Anche con questo progresso continuo, la regione rimarrà proiettata a essere circa cinque volte superiore al traguardo prefissato, indicando che l'attuale traiettoria non sarà sufficiente per colmare il divario nel prossimo decennio. Lo studio conclude che la strada da seguire richiede un'azione urgente per accelerare il declino, poiché la tendenza statistica da sola suggerisce che l'obiettivo non sarà raggiunto. Inoltre, la ricerca offre una lezione cruciale per studi futuri: la scelta di uno strumento di previsione non dovrebbe basarsi sulla sua reputazione o complessità, ma sul test empirico specifico per i dati a disposizione, poiché gli algoritmi più potenti possono fallire quando il dataset è troppo piccolo per insegnare loro i pattern necessari.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.