Ensemble Feature Selection and Harris Hawks Optimization for Explainable Mental Health Risk Prediction in Female Sex Workers

Technische Samenvatting: Ensemble Feature Selection en Harris Hawks Optimization voor Verklaarbare Voorspelling van Mentale Gezondheidsrisico's bij Vrouwelijke Seksuele Werkers

Probleemstelling
Vrouwelijke seksuele werksters (FSW's) dragen een onevenredige last van mentale stoornissen, met name depressie en posttraumatische stressstoornis (PTSS), gedreven door structureel geweld, stigma, economische instabiliteit en beroepsgebonden risico's. Hoewel machine learning (ML) potentieel biedt voor het modelleren van deze complexe uitkomsten, worstelen bestaande benaderingen vaak met hoogdimensionele, niet-lineaire en ongebalanceerde datasets. Traditionele statistische methoden en simplistische classificatiesoftware falen vaak in het vastleggen van complexe interacties tussen blootstelling aan geweld, sociaaleconomische variabelen en gezondheidsindicatoren. Bovens staan een gebrek aan geïntegreerde feature selectie, geavanceerde optimalisatie en Explainable AI (XAI) de nauwkeurigheid, stabiliteit en klinische interpreteerbaarheid van huidige voorspellende modellen in de weg, wat vroege interventie en gerichte psychosociale zorg belemmert.

Methodologie
De studie stelt een hybride voorspellend framework voor dat is ontworpen om zowel de prestaties als de interpreteerbaarheid van depressievoorspelling bij FSW's te verbeteren. De methodologie volgt een gestructureerde pijplijn:

1. Dataverzameling en Preprocessing: Het model maakt gebruik van een op de gemeenschap gebaseerde dwarsdoorsneden-dataset bestaande uit 3.005 volwassen FSW's uit negen provincies in Zuid-Afrika. De ruwe data bevatten 20 kolommen; na het afhandelen van ontbrekende waarden (gemiddelde imputatie voor numerieke data, verwijdering voor categorische data) en codering, bestond de definitieve dataset uit 2.911 observaties en 19 kenmerken (features). De doelvariabele was binair (depressie: ja/nee).
2. Hybride Ensemble Feature Selection: Om de meest significante voorspellers te identificeren, gebruikten de auteurs een ensemble-strategie die Analysis of Variance (ANOVA) en Mutual Information (MI) combineert. Deze aanpak rangschikte kenmerken op basis van belang en filterde minder significante variabelen eruit om een geoptimaliseerde set van 11 kenmerken te creëren. Belangrijke drijfveren die werden geïdentificeerd, omvatten PTSS-uitkomsten, locatie, verdienpotentieel per cliënt en diverse vormen van misbruik (cliënt, intieme partner, politie).
3. Modelontwikkeling en Optimalisatie: Verschillende classificatiesoftware werd geëvalueerd, waaronder Random Forest (RFC), k-Nearest Neighbors (kNN), Support Vector Classifier (SVC), Light Gradient Boosting Machine (LGBM), Artificial Neural Networks (ANN) en Logistic Regression (LR). Onder deze opties werd Logistic Regression geselecteerd als het basismodel. De hyperparameters hiervan werden geoptimaliseerd met behulp van Harris Hawks Optimization (HHO), een algoritme voor zwermintelligentie. De HHO-configuratie omvatte een populatiegrootte van 30, 50 maximale iteraties en een escape energy parameter ($E_0$) van 2, ontworpen om efficiënt de parameterruimte te doorzoeken en klassenonbalans te behandelen.
4. Explainable AI (XAI): Om de klinische toepasbaarheid te waarborgen, integreerde de studie LIME (Local Interpretable Model-agnostic Explanations). LIME werd gebruikt om verklaringen op instantieniveau te genereren, waarbij werd verduidelijkt hoe specifieke kenmerken (bijv. traumaverleden, beroepsfactoren) bijdroegen aan individuele voorspellingen, waardoor de kloof tussen "black box"-modellen en klinisch vertrouwen werd overbrugd.

Belangrijkste Bijdragen

• Nieuw Hybride Architectuur: Het artikel introduceert een verenigd framework dat ensemble feature selectie (ANOVA + MI) combineert met een door HHO getunede Logistic Regression, specifiek toegepast op de voorspelling van mentale gezondheid bij gemarginaliseerde populaties.
• Toepassing van Zwermintelligentie: Dit werk vertegenwoordigt de eerste toepassing van Harris Hawks Optimization voor het tunen van een Logistic Regression-model voor de voorspelling van mentale gezondheid bij FSW's, waarbij een superieure prestatie ten opzichte van baseline-modellen wordt aangetoond.
• Verbeterde Interpreteerbaarheid: Door de integratie van LIME biedt de studie transparante inzichten op instantieniveau, waarbij wordt geïdentificeerd welke specifieke traumatische en beroepsgebonden variabelen de depressierisico's drijven, wat evenementeel bijdraagt aan evidence-based interventies.
• Robuuste Identificatie van Kenmerken: De ensemble selectiemethode slaagde erin om hoog-impactvolle kenmerken te isoleren, waardoor de dimensionaliteit werd verminderd terwijl cruciale risico-indicatoren zoals geweld door cliënten en PTSS-geschiedenis behouden bleven.

Resultaten
Het voorgestelde HHO-geoptimaliseerde Logistic Regression-model, gebruikmakend van de ensemble-geselecteerde kenmerken, behaalde state-of-the-art prestaties op de testset:

• Accuratesse: 95,78%
• F1-Score: 95,77%
• AUC: 0,96
• Precisie: 95,60%
• Recall: 95,95%

Deze metrieken presteerden beter dan alle baseline-modellen (inclusief standaard LR, ANN en LGBM) en andere optimalisatiestrategieën (zoals Grid Search). Specifiek verbeterde de HHO-gebaseerde aanpak de recall met 1,20% en de F1-score met 1,22% ten opzichte van de grid-gezochte LR, wat vertaalt naar ongeveer 36 extra correcte detecties van depressie in de cohort.

LIME-analyse bevestigde de stabiliteit van de modellogica, waarbij werd aangetoond dat PTSS-uitkomsten en cliëntmisbruik de dominante voorspellers waren in respectievelijk 94,3% en 87,1% van de gevallen. De rangschikking van de kenmerken van belang uit LIME correleerde sterk met de globale ANOVA+MI-rangschikkingen (Spearman $\rho = 0,91$), wat de consistentie van het model valideert.

Betekenis en Claims
De auteurs beweren dat dit werk de kloof overbrugt tussen conventionele statistische benaderingen en geavanceerde machine learning om een instrument te creëren dat in staat is tot vroege detectie en gerichte ondersteuning voor kwetsbare groepen. De hoge nauwkeurigheid en interpreteerbaarheid van het model maken het geschikt voor integratie in bestaande gezondheidssystemen (bijv. REDCap-gebaseerde systemen) om Community Health Workers (CHW's) te assisteren bij het uitvoeren van risicoscreenings en verwijzingen.

De studie benadrukt dat hoewel het model een hoge interne validiteit vertoont door middel van kruisvalidatie, de externe generaliseerbaarheid naar andere geografische regio's nog getest moet worden. De auteurs positioneren het framework als een lichtgewicht, in real-time bruikbare oplossing die zonder cloud-ondersteuning kan functioneren, wat het levensvatbaar maakt voor omgevingen met beperkte middelen. Toekomstig werk omvat mixed-methods validatie, fairness-aware evaluatie en uitbreiding naar cohorten in Oost-Afrika en Zuid-Azië om geografische biases aan te pakken.