Predicting Childhood Immunization Defaulters and Zero-Dose Children to Enable Digital Community Health Triage in Ethiopia: An Explainable Machine Learning Analysis of the 2024/25 Demographic and Health Survey
本研究利用基于 2024/25 年埃塞俄比亚人口与健康调查训练的可解释 XGBoost 模型，旨在准确预测儿童免疫程序中断者和零剂次儿童，从而为将主动风险分层整合到如 eCHIS 之类的数字化社区卫生工具中提供一个透明的框架，以提高疫苗接种覆盖率。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在世界许多地方，为儿童接种疫苗这一简单的行为，是抵御曾经夺走数百万人生命的疾病的强大盾牌。然而，即使在疫苗充足的地方，许多儿童也从未接种过疫苗。有些孩子因为错过了一次接种而进度落后，而另一些被称为“零剂次”的孩子，则从未接受过任何形式的保护。这种差距不仅仅是错过预约的问题；它让社区在面对麻疹和脊髓灰质炎等疾病爆发时变得脆弱不堪。在埃塞俄比亚这样的国家，卫生工作者需要挨家挨户地走访以照顾家庭，面临的挑战在于如何在孩子错过下一次接种之前，就识别出哪些孩子处于风险之中。传统上，这些工作人员依赖纸质记录和记忆，这种系统往往无法在家庭逐渐脱离医疗体系时及时发现问题，直到为时已晚。公共卫生官员面临的问题是，如何利用已经收集到的海量数据来预测哪些儿童可能会错过疫苗接种，从而让工作人员能够及早干预。
埃塞俄比亚的一个研究小组通过开发一种数字工具来解决这个问题，该工具就像是社区卫生工作者的智能助手。他们使用了 2024 年至 2025 年间进行的一项大规模全国性调查的数据，该调查收集了数千个家庭的信息、他们的生活条件以及他们的健康习惯。研究人员并没有简单地统计有多少儿童接种了疫苗，而是训练了一个计算机程序，去寻找数据中能够预示儿童极有可能错过接种疫苗的模式。他们测试了几种不同类型的计算机算法（即帮助机器寻找模式的规则集），以观察哪一种能最好地预测结果。最成功的程序能够以极高的准确度识别出有风险的家庭，其表现远优于过去使用的传统统计方法。
该研究重点关注一至两岁的儿童，这是他们应该接受一系列常规疫苗接种的关键窗口期。研究人员检查了二十五种可能影响儿童是否接种疫苗的因素，例如母亲在怀孕期间看医生的次数、婴儿是在医院还是在家里出生的、母亲的受教育程度以及家庭距离卫生诊所的距离。他们发现，全国范围内至少错过一次疫苗接种的儿童比例约为 32%，且近 15% 的儿童完全没有接种过任何疫苗。计算机模型学到，风险的最强信号不仅关乎贫困，更关乎特定的护理缺口。例如，母亲没有产前检查或在家里分娩的儿童，更有可能错过免疫接种。模型还揭示，当这些风险同时出现时，风险往往会成倍增加；例如，一个在农村地区且在家中出生的儿童，其面临的风险要显著高于仅面临其中一项挑战的儿童。
这项工作的特别价值在于，该计算机程序不仅给出一个风险评分，还能解释它为何做出该预测。通过使用一种拆解决策过程的技术，研究人员展示了模型的警告是基于清晰、易懂的原因。例如，如果系统标记了一个家庭，它可以指出母亲受教育程度较低且居住地远离诊所是主要原因。这种透明度至关重要，因为它能让卫生工作者信任这一工具，并利用这些信息与家庭进行有意义的沟通。研究人员发现，表现最好的模型能够正确识别约 84% 的处于风险中的儿童，同时也能正确识别约 81% 进度正常的儿童。这种准确水平表明，该工具可以成为卫生工作者现有数字平板电脑的有力补充。
研究人员建议，可以将这个计算机程序直接集成到埃塞俄比亚卫生工作者现有的数字健康系统中。目前，这些系统主要作为记录既往情况的数字笔记本。通过添加这个预测引擎，系统可以在卫生工作者访问显示高风险迹象的家庭时，立即发出提醒。与其等待儿童错过预定的预约，不如通过这种方式促使工作人员更早地进行访问、提供额外支持，或解释下一次接种的重要性。研究表明，这种从“反应式记录”向“主动式预测”的转变，可以帮助触达最脆弱的儿童群体，确保疫苗的承诺能够惠及每一个孩子，无论他们居住在哪里，也无论他们的母亲是谁。研究结果表明，借助合适的数字工具，追踪数百万儿童这一复杂任务将变得更加可控，从而将数据转化为下一代的生命线。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。