Forecasting Maternal Mortality in Sub-Saharan Africa to 2035: Evidence from the Global Burden of Disease 2023 Study
本研究利用 2023 年全球疾病负担数据表明，在预测撒哈拉以南非洲地区的孕产妇死亡率方面，经典统计模型（ARIMA 和 Holt 模型）的表现优于机器学习和深度学习方法，并预测到 2035 年该数值将下降至每 10 万活产儿 313.0 例，但仍显著低于可持续发展目标 3.1 的目标值。
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
每年，都有数以千计的女性死于与怀孕和分娩相关的疾病，这一悲剧仍然是衡量全球健康领域不平等现象最显著的标准之一。尽管在过去的几十年里，世界在减少此类死亡方面取得了稳步进展，但这一负担在撒哈拉以南非洲地区依然最为沉重。为了了解该地区的未来走向，科学家们依赖历史数据来预测未来的趋势，这一过程有助于决策者决定资源投放的方向以及行动的紧迫程度。多年来，研究人员一直使用标准的统计工具来进行这些预测，但近年来，一波被称为机器学习和深度学习的强大计算机程序涌现，它们有望发现传统方法可能遗漏的复杂模式。医学界面临的问题是，这些先进的数字工具是否真的能比已建立的、更简单的传统方法更好地预测孕产妇健康的未来，尤其是在可用数据仅限于几十年年度记录的情况下。
埃塞俄比亚德布·马科斯大学（Debre Markos University）的一位研究人员着手回答这个问题，通过将八种不同的预测方法与现有最全面数据进行对比测试。该研究人员利用了2023年全球疾病负担研究（Global Burden of Disease 2023 Study）中的孕产妇死亡率估算数据，该研究追踪了全球范围内的健康状况，研究人员收集了整个撒哈拉以南非洲地区从1980年至2023年的44年数据。这组数据集显示，每10万名活产儿中的死亡人数已从1980年的674.5降至2023年的396.2。为了观察哪种方法效果最好，研究人员并没有简单地让计算机进行猜测，而是采用了一种名为“向前走验证”（walk-forward validation）的严谨测试策略。这种方法模拟了现实世界的预测过程：通过对过去的数据进行训练，要求模型预测下一年，检查其预测是否准确，然后逐年重复这一过程，直到模型针对最近十年的历史数据完成了测试。
结果令许多人感到惊讶，因为他们可能会假设更新、更复杂的技术总能得出更好的答案。研究发现，包括一种旨在从序列数据中学习的神经网络在内的最先进机器学习和深度学习模型表现很差。事实上，最复杂的深度学习模型表现得非常糟糕，其预测结果几乎与随机猜测无异，大幅度偏离了实际趋势。相比之下，表现最好的两种方法是已经使用了数十年的经典统计方法。其中一种被称为ARIMA的技术，另一种被称为Holt阻尼趋势指数平滑法（Holt's damped-trend exponential smoothing），两者都产生了近乎一致且高度准确的结果。这些传统方法成功捕捉到了孕产妇死亡率下降速度放缓的趋势，而复杂的算法却难以适应数据的特定形态。该研究明确排除了机器学习在这一类健康预测中自动优于传统方法的观点，证明了对于具有有限数据点的短期年度时间序列而言，简单的统计模型要可靠得多。
利用表现最好的传统模型，研究人员将孕产妇死亡率预测到了2035年。预测表明，虽然死亡人数将继续下降，但改善的速度还不足以实现全球可持续发展目标（该目标旨在将死亡率降至每10万名活产儿低于70人）。预计到2030年，该比例约为344.7，到2035年预计将达到313.0。即便有这些持续的进展，该地区预计仍将比目标值高出约五倍，这表明目前的轨迹不足以在未来十年内缩小差距。研究结论指出，未来的路径需要采取紧急行动以加速下降速度，因为统计趋势本身表明，仅靠目前的趋势将无法达成目标。此外，这项研究为未来的研究提供了一个关键教训：选择预测工具时不应基于其声誉或复杂性，而应基于针对特定数据的实证测试，因为当数据集太小，不足以教会算法必要的模式时，即使是最强大的算法也可能会失败。
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。