Predizione della mortalità sotto i cinque anni usando algoritmi di apprendimento supervisionato in 23 paesi dell’Africa subsahariana

Perché questo studio conta per le famiglie

In molte aree dell’Africa subsahariana, ancora troppi bambini muoiono prima del quinto compleanno, nonostante i miglioramenti globali nella sopravvivenza infantile. Questo studio pone una domanda piena di speranza: gli strumenti informatici moderni possono setacciare grandi indagini sanitarie per individuare, con sufficiente anticipo, i bambini più a rischio, permettendo così a operatori sanitari e governi di intervenire? Combinando sanità pubblica e apprendimento automatico, i ricercatori mirano a trasformare i dati esistenti in indicazioni pratiche che potrebbero contribuire a salvare vite di bambini.

Uno sguardo nuovo a un problema ostinato

Le mortalità infantili nell’Africa subsahariana restano le più alte al mondo, con vaste differenze tra paesi. Questi divari riflettono accesso diseguale alle cliniche, gravi difficoltà economiche e limiti nei servizi per madri e neonati. I tentativi precedenti di prevedere quali bambini siano più vulnerabili spesso si sono basati su campioni piccoli o su metodi semplici, rendendo i risultati poco affidabili o difficili da applicare su larga scala. Il team dietro questo studio si è posto l’obiettivo di costruire strumenti di previsione più solidi e attendibili, che rispecchino la realtà di milioni di famiglie nella regione.

Trasformare grandi indagini in un quadro del rischio

I ricercatori hanno combinato i dati recenti delle Demographic and Health Surveys di 23 paesi, coprendo quasi 191.000 bambini nati nei cinque anni precedenti a ciascuna indagine. Per ogni bambino hanno considerato un ampio ventaglio di dettagli: età e livello di istruzione della madre, ricchezza del nucleo familiare, dimensione della famiglia, area di residenza, tipo di lavoro dei genitori, età materna alla prima gravidanza, uso di cure prenatali e postnatali, luogo del parto e difficoltà di accesso ai servizi sanitari. Hanno preparato i dati con cura, bilanciato il gruppo molto più piccolo di bambini deceduti rispetto a quelli sopravvissuti e utilizzato un metodo di selezione delle caratteristiche per concentrarsi sui fattori più informativi prima di addestrare diversi modelli computazionali.

Lascare che gli algoritmi imparino dai modelli

Sono stati testati sette diversi algoritmi di apprendimento supervisionato, inclusi strumenti familiari come la regressione logistica e gli alberi decisionali, oltre a metodi più potenti di tipo “ensemble” che combinano molti modelli semplici. Ogni algoritmo ha imparato a distinguere tra i bambini sopravvissuti e quelli deceduti prima dei cinque anni, ed è stato valutato in base a quanto spesso risultava corretto, quanto bene identificava i veri casi ad alto rischio e quanto chiaramente separava complessivamente rischi alti e bassi. L’approccio random forest, che costruisce molti alberi decisionali e ne media i risultati, è emerso come il chiaro vincitore. Ha classificato correttamente i bambini in circa il 94% dei casi e ha mostrato un’ottima capacità di distinguere tra situazioni ad alto e basso rischio.

Guardare dentro la scatola nera

Per rendere le decisioni del modello comprensibili ai pianificatori sanitari e ai clinici, il team ha utilizzato una tecnica chiamata SHAP che mostra come ciascun fattore spinge una previsione verso un rischio più alto o più basso. Nella regione sono emersi alcuni temi ricorrenti. I bambini le cui famiglie segnalavano grandi problemi nell’accesso alle cure, quelli nati da madri che hanno avuto il primo figlio prima dei 18 anni e quelli che vivono nelle famiglie più povere presentavano un rischio predetto marcatamente più elevato. Al contrario, i figli di madri nella metà dei vent’anni, quelli nati in strutture sanitarie e quelli le cui famiglie hanno potuto ottenere le cure raccomandate in gravidanza e nel postnatalità avevano una probabilità predetta inferiore di morire. I grafici SHAP per singoli bambini hanno illustrato come una specifica combinazione di barriere e fattori protettivi si sommi in un profilo di rischio personale.

Dai numeri all’azione

Lo studio dimostra che, alimentati con dati di indagine ampi, recenti e rappresentativi, i modelli di apprendimento automatico possono fornire un avvertimento precoce affidabile su quali bambini siano più a rischio di morire prima dei cinque anni nell’Africa subsahariana. Altrettanto importante, gli strumenti di interpretabilità evidenziano leve note ma potenti per il cambiamento: rendere le cliniche più facilmente raggiungibili, ritardare gravidanze molto precoci e ridurre la povertà estrema. Per un lettore non specialistico, il messaggio è semplice: i computer non sostituiscono medici o infermieri, ma possono aiutare a indirizzare risorse scarse verso le famiglie che ne hanno più bisogno, trasformando i dati in una mappa pratica per salvare vite infantili.

Citazione: 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

Parole chiave: mortalità sotto i cinque anni, Africa subsahariana, apprendimento automatico, fattori di rischio per la salute infantile, predizione in sanità pubblica