التنبؤ بالوفيات دون سن الخامسة باستخدام خوارزميات التعلم الآلي المراقب في 23 دولة في أفريقيا جنوب الصحراء

لماذا تهم هذه الدراسة العائلات

في أجزاء عديدة من أفريقيا جنوب الصحراء، لا يزال عدد كبير من الأطفال يموتون قبل بلوغهم الخامسة، رغم تحسن بقاء الأطفال على مستوى العالم. تطرح هذه الدراسة سؤالاً متفائلاً: هل يمكن للأدوات الحاسوبية الحديثة أن تنقي كميات هائلة من بيانات المسوحات الصحية لتكتشف أي الأطفال هم الأكثر عرضة للخطر، مبكراً بما يكفي ليتدخل العاملون الصحيون والحكومات؟ من خلال الجمع بين الصحة العامة والتعلم الآلي، يسعى الباحثون لتحويل البيانات المتاحة إلى إرشادات عملية قد تساعد في إنقاذ أرواح الأطفال الصغار.

نظرة جديدة لمشكلة عنيدة

لا تزال وفيات الأطفال في أفريقيا جنوب الصحراء الأعلى في العالم، مع تفاوتات كبيرة بين دولة وأخرى. تعكس هذه الفجوات تفاوت الوصول إلى العيادات، وصعوبات اقتصادية عميقة، وحدود الخدمات للأمهات والمواليد الجدد. غالباً ما استخدمت المحاولات السابقة للتنبؤ بالأطفال الأكثر عرضة للخطر عينات صغيرة أو طرقاً بسيطة، مما جعل نتائجها صعبة الثقة أو التطبيق على نطاق واسع. سعى فريق هذه الدراسة لبناء أدوات تنبؤ أقوى وأكثر موثوقية تعكس واقع الملايين من العائلات في المنطقة.

تحويل المسوحات الكبيرة إلى صورة للمخاطر

جمع الباحثون بيانات مسوحات الخصوبة والصحة الأخيرة من 23 دولة، شملت ما يقرب من 191,000 طفل وُلدوا خلال خمس سنوات قبل كل مسح. لكل طفل نظروا في مجموعة واسعة من التفاصيل: عمر الأم وتعليمها، ثروة الأسرة، حجم الأسرة، مكان الإقامة، نوع عمل الوالدين، ما إذا كانت ولادة الأم مبكرة، استخدام الرعاية قبل وبعد الولادة، مكان الولادة، ومدى صعوبة الوصول إلى الخدمات الصحية. أعدّوا البيانات بعناية، ووازنوا المجموعة الصغيرة نسبياً من الأطفال الذين ماتوا مع أولئك الباقين على قيد الحياة، واستخدموا طريقة اختيار المتغيرات للتركيز على أكثر العوامل معلوماتية قبل تدريب عدة نماذج حاسوبية.

إتاحة الفرصة للخوارزميات لتتعلم من الأنماط

اختُبرت سبع خوارزميات مراقبة مختلفة، بما في ذلك أدوات مألوفة مثل الانحدار اللوجستي وشجرات القرار، وكذلك طرق «تجمّع» أقوى تجمع بين نماذج بسيطة عديدة. تعلَّم كل خوارزمية التمييز بين الأطفال الذين بقوا على قيد الحياة وتلك التي ماتت قبل سن الخامسة، وقُيِّمت بناءً على مدى دقتها، ومدى كفاءتها في اكتشاف حالات الخطر الحقيقي، ومدى وضوح فصلها بين المخاطر المرتفعة والمنخفضة عموماً. برز نهج الغابة العشوائية كقائد واضح؛ فقد صنّف الأطفال بشكل صحيح بنسبة تقارب 94% وأظهر قدرة ممتازة على تمييز الحالات عالية الخطورة عن المنخفضة.

رؤية داخل الصندوق الأسود

لجعل قرارات النموذج مفهومة لمخططي الصحة والممارسين السريريين، استخدم الفريق تقنية تسمى SHAP تُظهر كيف يدفع كل عامل التنبؤ نحو مخاطر أعلى أو أدنى. عبر المنطقة برمتها، ظهرت عدة موضوعات بارزة. الأطفال الذين أفادت عائلاتهم بوجود صعوبات كبيرة في الوصول إلى الرعاية، أولئك المولودون لأمهات أنجبن طفلهن الأول قبل سن 18، والذين يعيشون في أفقر الأسر كانوا يواجهون مخاطرة متوقعة أعلى بشكل ملحوظ. بالمقابل، انخفضت المخاطرة المتوقعة للأطفال من أمهات في منتصف العشرينات، ولادة الأطفال في منشآت صحية، والأطفال الذين حصلت أسرهم على الرعاية الموصى بها خلال الحمل وبعده. بيّنت مخططات SHAP المرئية لكل طفل كيف يترتب مزيج محدد من الحواجز والحمايات إلى ملف مخاطر شخصي.

من الأرقام إلى العمل

تُظهر الدراسة أنه عندما تُغذى نماذج التعلم الآلي ببيانات مسحية كبيرة، حديثة وتمثيلية، يمكنها تقديم تحذير مبكر موثوق حول الأطفال الأكثر احتمالاً للوفاة قبل سن الخامسة في أفريقيا جنوب الصحراء. والأهم من ذلك، تبرز أدوات القابلية للتفسير رافعات معروفة لكنها قوية للتغيير: تسهيل الوصول إلى العيادات، تأخير الحمل المبكر جداً، والحد من الفقر المدقع. للقراء العاديين، الرسالة واضحة: الحواسيب لا تحل محل الأطباء أو الممرضين، لكنها يمكن أن تساعد في توجيه الموارد القليلة نحو العائلات التي تحتاجها أكثر، محوِّلة البيانات إلى خارطة طريق عملية لإنقاذ حياة الأطفال.

الاستشهاد: Asnake, A.A., Gebrehana, A.K., Asmare, Z.A. et al. Prediction of under-five mortality using supervised machine learning algorithms in the 23 sub-Sharan African countries. Sci Rep 16, 9131 (2026). https://doi.org/10.1038/s41598-026-40401-0

الكلمات المفتاحية: الوفيات دون سن الخامسة, أفريقيا جنوب الصحراء, التعلم الآلي, عوامل خطر صحة الطفل, تنبؤ الصحة العامة