Maschinelles Lernen zur Klassifikation weiblicher Genitalverstümmelung in 11 Ländern Subsahara‑Afrikas mithilfe von Demographic and Health Survey‑Daten

Warum diese Forschung wichtig ist

In Teilen Afrikas und der Welt sind nach wie vor Millionen Mädchen von weiblicher Genitalverstümmelung betroffen, einer tief schädlichen Praxis mit lebenslangen körperlichen und emotionalen Folgen. Regierungen und Gemeinden wollen sie beenden, doch Ressourcen sind begrenzt und verlässliche Angaben darüber, wo Mädchen am stärksten gefährdet sind, sind oft schwer zu bekommen. Diese Studie zeigt, wie moderne Mustererkennungs‑Werkzeuge, bekannt als maschinelles Lernen, große Gesundheitsbefragungen durchsieben können, um hervorzuheben, welche Mütter, Familien und Gemeinden die Praxis wahrscheinlich fortsetzen — und wo Präventionsmaßnahmen die meisten Mädchen vor Schaden bewahren könnten.

Ein verborgenes Verhalten verstehen

Weibliche Genitalverstümmelung (FGM) umfasst das gezielte Verletzen oder Entfernen von Teilen der äußeren weiblichen Genitalien aus nicht‑medizinischen Gründen. Sie gilt als Verletzung der Menschenrechte und ist mit schweren kurzzeitigen Problemen wie Schmerzen, starkem Blutverlust, Infektionen und sogar Tod sowie mit langfristigen Komplikationen wie Geburtsproblemen, Unfruchtbarkeit und psychischem Trauma verbunden. Obwohl viele Länder Gesetze gegen FGM haben, ist die Praxis in Teilen Subsahara‑Afrikas weiterhin verbreitet, wo sozialer Druck, Traditionen und Glaubensvorstellungen zu Religion und Ehe offizielle Regeln überlagern können. Um klügere Präventionsprogramme zu gestalten, benötigen Entscheidungsträger Werkzeuge, die Muster im Risikoprofil erkennen und über einfache nationale Durchschnitte hinausgehen.

Große Daten aus Alltagshaushalten

Die Forschenden nutzten Demographic and Health Surveys, großangelegte, national repräsentative Studien, die Tausende Haushalte besuchen und Frauen zu ihrem Leben und ihrer Gesundheit befragen. Sie kombinierten aktuelle Umfragedaten (2015–2023) von 62.249 Frauen in 11 Ländern in Ost‑ und Westafrika. Alle waren 15–49 Jahre alt und hatten mindestens eine Tochter. Jede Mutter wurde gefragt, ob eine ihrer Töchter FGM erfahren hatte. Das Team sammelte außerdem Informationen über das Alter der Mutter, ob sie in einem ländlichen oder städtischen Gebiet lebte, ihre Schulbildung und Haushaltswohlstand, wer den Haushalt leitete, ihren eigenen Beschneidungsstatus, Medienzugang, Wohnsitzland sowie ihre Einstellungen und Überzeugungen zu FGM, etwa ob sie die Praxis für religiös vorgeschrieben hielt oder ob sie fortbestehen oder abgeschafft werden sollte. Diese vielen Informationsstücke bildeten das Rohmaterial für Computermodelle, die lernen sollten, Familien mit beschnittenen Töchtern von solchen ohne betroffene Töchter zu unterscheiden.

Maschinen das Erkennen von Risiko beibringen

Um diesen umfangreichen, aber unübersichtlichen Datensatz für ein lernendes System nutzbar zu machen, bereinigte, standardisierte und kodierte das Team die Antworten, sodass sowohl Zahlen als auch Kategorien von Algorithmen verarbeitet werden konnten. Sie nutzten eine Technik namens SMOTE, um sicherzustellen, dass die Modelle nicht einfach die größere Gruppe der Familien bevorzugen, deren Töchter nicht beschnitten waren. Anschließend testeten sie sieben unterschiedliche Klassifikationsmodelle, darunter einfache Verfahren wie logistische Regression und flexiblere Ansätze wie Entscheidungsbäume, Random Forests, Support Vector Machines, k‑Nearest Neighbors, Naive Bayes und XGBoost. Jedes Modell wurde mit 80 % der Daten trainiert und an den verbleibenden 20 % bewertet, wobei mehrere Leistungskennzahlen verwendet wurden, die messen, wie oft das Modell richtig liegt, wie gut es wahre Fälle nicht verpasst und wie deutlich es Risikogruppen voneinander trennt.

Das herausragende Modell und was seine Entscheidungen antreibt

Unter allen getesteten Ansätzen erfüllte das Random‑Forest‑Modell — ein Verfahren, das viele Entscheidungsbäume zu einem stabileren Vorhersager kombiniert — die Anforderungen am besten. Es klassifizierte Mütter in etwa 85 % der Fälle korrekt und war besonders stark darin, jene zu identifizieren, deren Töchter FGM erfahren hatten, mit hoher Fähigkeit, Risikoniveaus in der Bevölkerung zu differenzieren. Doch alleinige Genauigkeit reicht nicht; Gesundheitsbehörden müssen auch verstehen, warum das Modell seine Vorhersagen trifft. Um diese Black‑Box zu öffnen, verwendeten die Autorinnen und Autoren eine Interpretierbarkeitsmethode namens SHAP, die jedem Faktor einen Beitrag zur Modellentscheidung zuweist. Vier Elemente hoben sich hervor: die Einstellung der Mutter dazu, ob FGM fortbestehen sollte, das Land, in dem sie lebt, ob sie selbst FGM erlebt hat, und ob sie die Praxis für religiös vorgeschrieben hält. Mütter, die die Fortführung von FGM befürworteten, in Ländern mit hoher Prävalenz lebten, selbst beschnitten waren oder FGM als religiös geboten betrachteten, berichteten deutlich häufiger, dass ihre Töchter beschnitten worden waren.

Von Zahlen zu Maßnahmen

Diese Ergebnisse lassen klare Hinweise für diejenigen erkennen, die gegen FGM arbeiten. Das Modell legt nahe, dass eine Veränderung der Einstellungen von Müttern — besonders jener, die selbst beschnitten sind, und jener, die sich durch religiösen Druck zum Fortbestand der Praxis veranlasst fühlen — einen starken Effekt beim Schutz von Mädchen haben könnte. Es macht außerdem deutlich, dass das Risiko zwischen Ländern stark variiert, was die Notwendigkeit für maßgeschneiderte, länderspezifische Strategien statt allgemeiner Kampagnen unterstreicht. Die Autorinnen und Autoren weisen darauf hin, dass ihre Querschnittsdaten keine Ursache‑Wirkung‑Beziehungen belegen können und dass Risikoklassifikationen vorsichtig eingesetzt werden müssen, um Stigmatisierung von Gemeinschaften zu vermeiden. Ihre Arbeit zeigt jedoch, wie maschinelles Lernen helfen kann, jene Orte zu lokalisieren, an denen Aufklärung, Gemeinde‑Engagement und glaubensbasierte Ansprache am dringendsten gebraucht werden. Auf diese Weise können fortschrittliche Datenwerkzeuge zu stillen, aber wichtigen Verbündeten im weltweiten Einsatz für ein Ende von FGM und zum Schutz der Gesundheit und Rechte von Mädchen werden.

Zitation: Gebrehana, A.K., Demoze, L., Yitageasu, G. et al. Machine learning based classification of female genital mutilation in 11 Sub-Saharan African countries using demographic and health survey data. Sci Rep 16, 9944 (2026). https://doi.org/10.1038/s41598-026-40723-z

Schlüsselwörter: weibliche Genitalverstümmelung, maschinelles Lernen, Subsahara‑Afrika, öffentliche Gesundheitsdaten, Frauenrechte