Predicción de la mortalidad infantil menor de cinco años mediante algoritmos de aprendizaje supervisado en 23 países del África subsahariana

Por qué este estudio importa para las familias

En muchas zonas del África subsahariana, demasiados niños siguen falleciendo antes de cumplir cinco años, pese a que la supervivencia infantil ha mejorado a nivel global. Este estudio plantea una pregunta esperanzadora: ¿pueden las herramientas informáticas modernas analizar enormes encuestas de salud para identificar, con suficiente antelación, a los niños que corren mayor riesgo, de modo que los trabajadores de salud y los gobiernos puedan actuar? Al combinar salud pública y aprendizaje automático, los investigadores pretenden convertir datos existentes en orientaciones prácticas que podrían ayudar a salvar vidas infantiles.

Una nueva mirada a un problema persistente

Las muertes infantiles en el África subsahariana siguen siendo las más altas del mundo, con grandes diferencias entre unos países y otros. Estas brechas reflejan un acceso desigual a los centros de salud, profundas dificultades económicas y limitaciones en los servicios para madres y recién nacidos. Intentos previos de predecir qué niños son más vulnerables utilizaron con frecuencia muestras pequeñas o métodos simples, lo que dificultó confiar en sus resultados o aplicarlos a gran escala. El equipo detrás de este estudio se propuso construir herramientas de predicción más sólidas y fiables que reflejen la realidad de millones de familias de la región.

Convertir grandes encuestas en un mapa de riesgo

Los investigadores combinaron datos recientes de las Encuestas Demográficas y de Salud de 23 países, abarcando casi 191.000 niños nacidos en los cinco años previos a cada encuesta. Para cada niño consideraron una amplia gama de detalles: la edad y la escolaridad de la madre, la riqueza del hogar, el tamaño de la familia, el lugar de residencia, el tipo de trabajo de los progenitores, la edad temprana de la madre al dar a luz, el uso de atención prenatal y posnatal, el lugar del parto y la dificultad para acceder a servicios de salud. Prepararon cuidadosamente los datos, equilibraron el grupo mucho más pequeño de niños que habían fallecido con los que sobrevivieron, y emplearon un método de selección de características para centrarse en los factores más informativos antes de entrenar varios modelos informáticos.

Dejar que los algoritmos aprendan de los patrones

Se probaron siete algoritmos supervisados diferentes, incluidos herramientas conocidas como regresión logística y árboles de decisión, así como métodos de “ensamblado” más potentes que combinan muchos modelos simples. Cada algoritmo aprendió a distinguir entre niños que sobrevivieron y los que murieron antes de los cinco años, y se evaluó según su precisión, su capacidad para encontrar casos realmente de alto riesgo y su habilidad para separar claramente el riesgo alto del bajo en general. El enfoque de bosques aleatorios, que construye muchos árboles de decisión y promedia sus resultados, se impuso como el claro líder. Clasificó correctamente a los niños en aproximadamente el 94% de los casos y mostró una excelente capacidad para discriminar entre situaciones de alto y bajo riesgo.

Mirar dentro de la caja negra

Para hacer comprensibles las decisiones del modelo a planificadores de salud y clínicos, el equipo utilizó una técnica llamada SHAP que muestra cómo cada factor empuja una predicción hacia un riesgo mayor o menor. En toda la región emergieron varios temas. Los niños cuyas familias informaron grandes dificultades para acceder a la atención, los nacidos de madres que tuvieron su primer hijo antes de los 18 años y los que vivían en los hogares más pobres presentaron un riesgo predicho notablemente mayor. En contraste, los hijos de madres en la mitad de sus veintitantos, los nacidos en centros sanitarios y aquellos cuyas familias pudieron recibir la atención prenatal y posnatal recomendada tuvieron una probabilidad predicha menor de morir. Los gráficos SHAP para niños individuales ilustraron cómo una mezcla específica de barreras y protecciones se suma a un perfil de riesgo personal.

De los números a la acción

El estudio muestra que, cuando se alimentan con datos de encuestas grandes, recientes y representativas, los modelos de aprendizaje automático pueden ofrecer una alerta temprana fiable sobre qué niños tienen más probabilidad de morir antes de los cinco años en el África subsahariana. Igualmente importante, las herramientas de interpretabilidad resaltan palancas conocidas pero potentes para el cambio: facilitar el acceso a los centros de salud, retrasar los embarazos muy tempranos y reducir la pobreza extrema. Para un lector no especializado, el mensaje es claro: los ordenadores no sustituyen a médicos o enfermeras, pero pueden ayudar a orientar recursos escasos hacia las familias que más los necesitan, convirtiendo los datos en una hoja de ruta práctica para salvar vidas infantiles.

Cita: 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

Palabras clave: mortalidad infantil menor de cinco años, África subsahariana, aprendizaje automático, factores de riesgo en la salud infantil, predicción en salud pública