Forecasting Maternal Mortality in Sub-Saharan Africa to 2035: Evidence from the Global Burden of Disease 2023 Study
Gebruikmakend van de Global Burden of Disease 2023-gegevens toont deze studie aan dat klassieke statistische modellen (ARIMA en Holt's) machine learning- en deep learning-benaderingen overtreffen bij het voorspellen van de moedersterfte in Sub-Sahara Afrika, waarbij een daling wordt voorspeld naar 313,0 sterfgevallen per 100.000 levend geborenen in 2035, wat nog steeds aanzienlijk tekortschiet ten opzichte van de SDG 3.1-doelstelling.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Elk jaar sterven duizenden vrouwen aan oorzaken gerelateerd aan zwangerschap en bevalling, een tragedie die een van de meest schrijnende maten van ongelijkheid in de wereldwijde gezondheidszorg blijft. Hoewel de wereld de afgelopen decennia gestage vooruitgang heeft geboekt door deze sterfgevallen aanzienlijk te verminderen, blijft de last het zwaarst in Sub-Sahara Afrika. Om te begrijpen waar deze regio naartoe gaat, vertrouwen wetenschappers op historische gegevens om toekomstige trends te projecteren, een proces dat beleidsmakers helpt beslissen waar ze middelen naartoe moeten sturen en hoe dringend zij moeten handelen. Jarenlang hebben onderzoekers standaard statistische instrumenten gebruikt om deze voorspellingen te doen, maar in de afgelopen jaren heeft een nieuwe golf van krachtige computerprogramma's, bekend als machine learning en deep learning, beloofd complexe patronen te vinden die oudere methoden mogelijk missen. De vraag die de medische gemeenschap bezighoudt, is of deze geavanceerde digitale hulpmiddelen de toekomst van de moederlijke gezondheid daadwerkelijk beter kunnen voorspellen dan de gevestigde, eenvoudigere methoden, vooral wanneer de beschikbare gegevens beperkt zijn tot enkele decennia aan jaarlijkse records.
Een onderzoeker aan de Debre Markos Universiteit in Ethiopië zette zich in om deze vraag te beantwoorden door acht verschillende voorspellingsmethoden te testen tegen de meest recente en uitgebreide beschikbare gegevens. Gebruikmakend van schattingen van de moederlijke mortaliteit uit de Global Burden of Disease 2023 Study, die gezondheidsresultaten wereldwijd volgt, verzamelde de onderzoeker veertigvier jaar aan gegevens, reikend van 1980 tot 2023, voor de gehele regio van Sub-Sahara Afrika. Deze dataset toonde aan dat het aantal sterfgevallen per 100.000 levendgeborenen was gedaald van 674,5 in 1980 naar 396,2 in 2023. Om te zien welke methode het beste werkte, liet de onderzoeker de computers niet simpelweg raden; in plaats daarvan werd een rigoureuze teststrategie gebruikt die walk-forward validatie wordt genoemd. Deze aanpak bootst forecasting in de echte wereld na door de modellen te trainen op historische gegevens, hen het volgende jaar te laten voorspellen, te controleren of ze gelijk hadden, en dit proces vervolgens jaar voor jaar te herhalen totdat de modellen tegen de meest recente tien jaar aan geschiedenis waren getest.
De resultaten waren verrassend voor velen die wellicht zouden aannemen dat nieuwere, complexere technologie altijd betere antwoorden oplevert. De studie vond dat de meest geavanceerde machine learning- en deep learning-modellen, inclus\u00adbij een type neuraal netwerk ontworpen om te leren van sequenti\u00ade data, slecht presteerden. Sterker nog, het meest geavanceerde deep learning-model presteerde zo slecht dat de voorspellingen bijna even fout waren als willekeurig gokken, waarbij de werkelijke trends met een enorme marge werden gemist. In contrast hiermee waren de twee beste presteerders klassieke statistische methoden die al decennia worden gebruikt. Een techniek genaamd ARIMA, en een andere bekend als Holt's damped-trend exponential smoothing, produceerden beide bijna identieke en zeer nauwkeurige resultaten. Deze traditionele methoden legden de vertragende daling in moedersterfte succesvol vast, terwijl de complexe algoritmen moeite hadden om zich aan te passen aan de specifieke vorm van de data. De studie sluit expliciet de gedachte uit dat machine learning automatisch superieur is voor dit type gezondheidsvoorspelling, en demonstreert dat voor korte, jaarlijkse tijdreeksen met beperkte datapunten, eenvoudigere statistische modellen veel betrouwbaarder zijn.
Gebruikmakend van het best presterende traditionele model, projecteerde de onderzoeker de moederlijke mortaliteitsratio vooruit naar het jaar 2035. De prognose suggereert dat hoewel het aantal sterfgevallen zal blijven dalen, het tempo van verbetering niet snel genoeg is om het wereldwijde Duurzame Ontwikkelingsdoel te halen, dat streeft naar minder dan 70 sterfgevallen per 100.000 levendgeborenen. Tegen 2030 wordt de ratio voorspeld rond de 344,7 te liggen, en tegen 2035 wordt verwacht dat deze 313,0 bereikt. Zelfs met deze voortdurende vooruitgang wordt voorspeld dat de regio ongeveer vijf keer hoger zal blijven liggen dan het doel, wat aangeeft dat de huidige koers niet voldoende zal zijn om de kloof in het komende decennium te dichten. De studie concludeert dat de weg vooruit dringende actie vereist om de daling te versnellen, aangezien de statistische trend alleen al suggereert dat het doel niet gehaald zal worden. Bovendien biedt het onderzoek een cruciale les voor toekomstige studies: de keuze van een forecasting-instrument zou niet gebaseerd moeten zijn op de reputatie of complexiteit ervan, maar op empirische tests specifiek voor de beschikbare data, aangezien de krachtigste algoritmen kunnen falen wanneer de dataset te klein is om hen de noodzakelijke patronen te leren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.