Klasyfikacja opar­ta na uczeniu maszynowym dotycząca żeńskiego okaleczania narządów płciowych w 11 krajach Afryki Subsaharyjskiej z wykorzystaniem danych z badań demograficznych i zdrowotnych

Dlaczego to badanie ma znaczenie

W niektórych częściach Afryki i na świecie miliony dziewcząt wciąż doświadczają żeńskiego okaleczania narządów płciowych, głęboko szkodliwej praktyki o trwałych konsekwencjach fizycznych i emocjonalnych. Rządy i społeczności chcą temu zapobiec, lecz zasoby są ograniczone, a rzetelne dane o tym, gdzie dziewczęta są najbardziej narażone, bywają trudne do uzyskania. Badanie to pokazuje, jak nowoczesne narzędzia do wykrywania wzorców, znane jako uczenie maszynowe, mogą przeszukać duże ankiety zdrowotne i wskazać, które matki, rodziny i społeczności najprawdopodobniej będą kontynuować praktykę — oraz gdzie działania prewencyjne mogą uratować najwięcej dziewcząt przed szkodą.

Rozumienie ukrytej praktyki

Żeńskie okaleczanie narządów płciowych (FGM) polega na celowym uszkadzaniu lub usuwaniu części zewnętrznych narządów płciowych kobiety z powodów niemedycznych. Jest uznawane za naruszenie praw człowieka i wiąże się z poważnymi krótkoterminowymi problemami, takimi jak ból, obfite krwawienia, zakażenie, a nawet śmierć, oraz z długoterminowymi komplikacjami, takimi jak trudności przy porodzie, bezpłodność i urazy psychiczne. Chociaż wiele krajów ma prawa zakazujące FGM, praktyka ta pozostaje powszechna w niektórych częściach Afryki Subsaharyjskiej, gdzie presja społeczna, tradycja oraz przekonania religijne i związane z małżeństwem mogą przeważać nad przepisami. Aby projektować skuteczniejsze programy zapobiegawcze, decydenci potrzebują narzędzi potrafiących wykrywać wzorce ryzyka wykraczające poza proste średnie krajowe.

Duże dane z codziennych gospodarstw domowych

Naukowcy korzystali z Demographic and Health Surveys — dużych, reprezentatywnych badań krajowych, które odwiedzają tysiące gospodarstw domowych, pytając kobiety o ich życie i zdrowie. Połączyli najnowsze dane z ankiet (2015–2023) obejmujące 62 249 kobiet w 11 krajach Afryki Wschodniej i Zachodniej. Wszystkie miały od 15 do 49 lat i miały co najmniej jedną córkę. Każdej matce zadano pytanie, czy którakolwiek z jej córek została poddana FGM. Zespół zebrał także informacje o wieku matki, miejscu zamieszkania (wieś/miasto), wykształceniu i bogactwie gospodarstwa domowego, tym, kto jest głową gospodarstwa, własnym statusie okaleczenia matki, dostępie do mediów, kraju zamieszkania oraz o jej postawach i przekonaniach dotyczących FGM, w tym czy uważała, że jest to wymagane przez religię, i czy sądziła, że praktyka powinna trwać czy zostać przerwana. Te liczne elementy informacji stanowiły surowy materiał dla modeli komputerowych, które miały się nauczyć rozróżniać rodziny, w których córki były okaleczane, od tych, gdzie tak się nie stało.

Nauczanie maszyn rozpoznawania ryzyka

Aby przekształcić ten bogaty, lecz nieuporządkowany zbiór danych w formę zrozumiałą dla komputera, zespół oczyścił, ustandaryzował i zakodował odpowiedzi tak, by zarówno liczby, jak i kategorie były zrozumiałe dla algorytmów. Użyto techniki zwanej SMOTE, aby upewnić się, że modele nie nauczą się po prostu faworyzować większej grupy rodzin, w których córki nie były okaleczane. Następnie przetestowano siedem różnych typów modeli klasyfikacyjnych, w tym proste podejścia, takie jak regresja logistyczna, oraz bardziej elastyczne, jak drzewa decyzyjne, lasy losowe, maszyny wektorów nośnych, k‑najbliższych sąsiadów, Naiwny Bayes i XGBoost. Każdy model był trenowany na 80% danych i oceniany na pozostałych 20%, z wykorzystaniem kilku miar wydajności, które mierzą, jak często model ma rację, jak dobrze unika pomijania prawdziwych przypadków oraz jak wyraźnie oddziela rodziny o wyższym ryzyku od tych o niższym.

Wyróżniający się model i czynniki wpływające na jego decyzje

Spośród wszystkich testowanych podejść najlepiej wypadł model lasu losowego — metoda łącząca wiele drzew decyzyjnych w jeden, bardziej stabilny predyktor. Prawidłowo sklasyfikował matki w około 85% przypadków i był szczególnie skuteczny w identyfikowaniu tych, których córki doświadczyły FGM, wykazując wysoką zdolność do rozróżniania poziomów ryzyka w całej populacji. Jednak sama dokładność nie wystarcza; urzędnicy ochrony zdrowia publicznego muszą również rozumieć, dlaczego model daje swoje przewidywania. Aby „otworzyć” tę czarną skrzynkę, autorzy zastosowali metodę interpretowalności nazwaną SHAP, która przypisuje każdemu czynnikowi wkład w decyzję modelu. Wyraźnie wyróżniły się cztery elementy: opinia matki na temat tego, czy FGM powinno trwać, kraj zamieszkania, czy matka sama przeszła FGM oraz przekonanie, czy praktyka jest wymagana przez religię. Matki, które popierały kontynuację FGM, mieszkały w krajach o wysokiej częstości występowania, same były okaleczone lub uważały, że FGM jest nakazane przez religię, znacznie częściej zgłaszały, że ich córki zostały okaleczone.

Z liczb do działania

Te wyniki przekładają się na jasne wskazówki dla osób pracujących nad zakończeniem FGM. Model sugeruje, że zmiana postaw wśród matek — szczególnie tych, które same były okaleczone, oraz tych odczuwających presję religijną, by kontynuować praktykę — może mieć silny wpływ na ochronę dziewcząt. Wskazuje też, że ryzyko różni się wyraźnie między krajami, co podkreśla potrzebę dostosowanych, specyficznych dla kraju strategii zamiast uniwersalnych kampanii. Autorzy zastrzegają, że dane przekrojowe nie dowodzą związku przyczynowo‑skutkowego i że wszelkie klasyfikacje ryzyka muszą być stosowane ostrożnie, by nie stygmatyzować społeczności, jednak ich praca pokazuje, jak uczenie maszynowe może pomóc zlokalizować miejsca, gdzie edukacja, zaangażowanie społeczności i działania oparte na współpracy z religiami są najbardziej potrzebne. W ten sposób zaawansowane narzędzia danych mogą stać się cichymi, lecz istotnymi sojusznikami w globalnym wysiłku na rzecz zakończenia FGM i ochrony zdrowia oraz praw dziewcząt.

Cytowanie: 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

Słowa kluczowe: żeńskie okaleczanie narządów płciowych, uczenie maszynowe, Afryka Subsaharyjska, dane zdrowia publicznego, prawa kobiet