חיזוי תמותת ילדים מתחת לגיל חמש באמצעות אלגוריתמי למידה מונחית ב-23 מדינות מדרום לסהרה באפריקה

מדוע המחקר הזה חשוב למשפחות

בחלקים נרחבים של אפריקה מדרום לסהרה עוד רבים מדי מהילדים מתים לפני יום הולדתם החמישית, אף על פי שההישרדות של ילדים השתפרה ברחבי העולם. המחקר שואל שאלה אופטימית: האם כלים ממוחשבים מודרניים יכולים לסרוק סקרים בריאותיים עצומים כדי לזהות אילו ילדים בסיכון הגבוה ביותר, בזמן שיאפשר לאנשי בריאות וממשלות לפעול? על ידי שילוב בריאות ציבורית ולמידת מכונה, החוקרים שואפים להפוך נתונים קיימים להנחיות מעשיות שעשויות לעזור להציל חיים צעירים.

מבט חדש על בעיה עיקשת

תמותת ילדים באפריקה מדרום לסהרה נותרת הגבוהה בעולם, עם פערים גדולים בין מדינה למדינה. פערים אלה משקפים גישה בלתי שווה למרפאות, מצוקות כלכליות עמוקות ומגבלות בשירותים לאימהות ולתינוקות. ניסיונות קודמים לחזות אילו ילדים פגיעים השתמשו לעתים במדגמים קטנים או בשיטות פשוטות, מה שהקשה על האמון בתוצאות או על היישום הרחב שלהן. הצוות העומד מאחורי המחקר ביקש לבנות כלי חיזוי חזקים יותר ואמינים יותר המשקפים את המציאות של מיליוני משפחות באזור.

הפיכת סקרים גדולים לתמונה של סיכון

החוקרים שילבו נתוני סקרי דמוגרפיה ובריאות עדכניים מ-23 מדינות, הכוללים כמעט 191,000 ילדים שנולדו חמש השנים שקדמו לכל סקר. עבור כל ילד שקללו טווח רחב של פרטים: גיל ואם ללימודים, עושר המשפחה, גודל המשפחה, מקום מגורים, סוג העבודה של ההורים, גיל האם בלידה הראשונה, שימוש בטיפולי טרום־לידה ואחר־לידה, מקום הלידה, וקושי בהגעה לשירותי בריאות. הם הכינו את הנתונים בקפידה, איזנו את קבוצת הילדים הקטנה בהרבה שנפטרו עם אלה ששרדו, והשתמשו בשיטת בחירת משתנים כדי להתמקד בגורמים המידעיים ביותר לפני אימון מספר מודלים ממוחשבים.

מאפשרים לאלגוריתמים ללמוד מתבניות

נבדקו שבעה אלגוריתמי למידה מונחית שונים, כולל כלים מוכרים כגון רגרסיה לוגיסטית ועצי החלטה, וכן שיטות “אנצ׳מבל” חזקות שמשלבות מודלים פשוטים רבים. כל אלגוריתם למד להבחין בין ילדים ששרדו לאלה שנפטרו לפני גיל חמש והוערך לפי דיוקו, יכולתו לאתר מקרים בעלי סיכון גבוה באמת, וכמה ברור ההפרדה בין סיכון גבוה לנמוך באופן כללי. גישת ה-random forest, הבונה עצי החלטה רבים וממיינת את תוצאותיהם, בלטה כמובילה הברורה. היא סיווגה נכון כ-94% מהמקרים והראתה יכולת מצוינת להבדיל בין מצבים בסיכון גבוה לנמוך.

להביט בתוך התיבה השחורה

כדי להפוך את החלטות המודל למובנות עבור מתכנני בריאות וקלינאים, הצוות השתמש בטכניקה הנקראת SHAP שמציגה כיצד כל גורם דוחף את התחזית לכיוון סיכון גבוה או נמוך. ברחבי האזור בלטו כמה נושאים. ילדים ממשפחות שדיווחו על קשיי הגעה לטיפול, אלה שנולדו לאימהות שילדו את תינוקן הראשון לפני גיל 18, ואלו החיים בבתי־אב הכי עניים נמצאו בסיכון גבוה לחזוי. לעומת זאת, ילדים לאימהות בגיל עשרים־וחמש לערך, ילידי מתקנים בריאותיים, ואלו שמשפחותיהם קיבלו את שירותי ההריון והלאחר־לידה המומלצים ניבאו סיכויים נמוכים יותר למות. גרפי SHAP ויזואליים לילדים בודדים המחישו כיצד שילוב מסוים של מחסומים והגנות יוצר פרופיל סיכון אישי.

ממספרים לפעולה

המחקר מראה שכאשר מזינים למודלים של למידת מכונה נתוני סקר גדולים, עדכניים וייצוגיים, הם יכולים לספק אזהרה מוקדמת אמינה לגבי אילו ילדים סביר שימותו לפני גיל חמש באפריקה מדרום לסהרה. לא פחות חשוב, כלי הפרשנות מדגישים מנופים מוכרים אך רבי־עוצמה לשינוי: להקל את הגישה למרפאות, לעכב לידות בגילאים מוקדמים מאוד ולהפחית עוני קיצוני. לקורא שאינו מקצועי, המסר ברור: מחשבים אינם מחליפים רופאים או אחיות, אבל הם יכולים לעזור לכוון משאבים מועטים אל המשפחות שזקוקות להם ביותר ולהפוך נתונים למפת פעולה מעשית להצלת חיי ילדים.

ציטוט: 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

מילות מפתח: תמותת מתחת לגיל חמש, אפריקה מדרום לסהרה, למידת מכונה, גורמי סיכון לבריאות הילד, חיזוי בריאות הציבור