Объяснимая гибридная модель машинного обучения для прогноза задержки роста и выявления ключевых факторов риска среди детей до пяти лет в Эфиопии

Почему важен прогноз роста ребенка

В странах с низким уровнем дохода многие дети не растут так высоко и крепко, как должны, из‑за длительного недостатка питания, заболеваний и плохих условий жизни. Это состояние, называемое задержкой роста (стантинг), ухудшает обучение, здоровье и будущие заработки. В Эфиопии более одного из трех детей до пяти лет сталкивается с этой проблемой. В сводке исследования рассматривается, как новый тип компьютерной программы может помочь медицинским работникам выявлять детей с наибольшим риском, используя данные, которые уже собирают опросы, и при этом объяснять, как и почему программа приходит к своим выводам.

Рассматривать стантинг не как просто число

Авторы начали с данных Демографического и медицинского обследования Эфиопии 2019 года, которое содержит сведения о тысячах детей до пяти лет и их семьях. Для каждого ребенка в опросе фиксируются рост и возраст, что позволяет отнести уровень роста к одной из трех категорий: нормальный рост, умеренная задержка или выраженная задержка роста. Поскольку в группе выраженной задержки детей значительно меньше, чем в нормальной, команда аккуратно сбалансировала данные, чтобы компьютер учился равномерно распознавать все три категории, а не был смещен в сторону наиболее частой. Затем они очистили, преобразовали и проверили информацию, чтобы убедиться в ее пригодности для анализа.

Слияние двух интеллектуальных инструментов в один

Вместо того чтобы полагаться на один тип модели машинного обучения, авторы создали гибридную систему, объединяющую два мощных подхода. Одна часть, называемая Extra Trees, строит множество деревьев решений, хорошо выявляющих закономерности в разнородных данных, таких как регион, размер семьи и история родов. Другая часть, многослойный персептрон, — это простая сеть глубокого обучения, способная уловить более тонкие взаимосвязи после преобразования данных. В их конструкции модель на основе деревьев сначала обрабатывает данные и передает богатые признаки нейронной сети, которая затем выдает окончательный прогноз: относится ли ребенок к норме, к умеренной или к выраженной задержке роста.

Точность с осторожностью

Гибридная модель обучалась на более чем одиннадцати тысячах записей о детях и тестировалась на отдельном наборе. Она достигла примерно 94% точности, точности положительных предсказаний (precision), полноты (recall) и F1‑метрики, и показала высокую устойчивость в кросс‑валидации, что указывает на стабильность предсказаний, а не на случайность выборки. Подробная матрица ошибок показала, что модель особенно хорошо различает явно нормальных детей и явно выраженно задержанных по росту, тогда как большинство ошибок происходит на границе между умеренной и выраженной задержкой. Авторы подчеркивают, что опрос дает лишь снимок на один момент времени, поэтому модель выявляет сильные ассоциации, но не доказывает, что какой‑либо отдельный фактор непосредственно вызывает стантинг.

Открывая «черный ящик»

Высокая точность сама по себе недостаточна для решений в области общественного здравоохранения, поскольку политикам и клиницистам нужно понимать, почему система пометила ребенка как находящегося в группе риска. Для этого в исследовании применяются инструменты объяснимого искусственного интеллекта, в частности метод LIME, который раскладывает каждое предсказание на вклад отдельных факторов. При изучении важности признаков и локальных объяснений исследователи обнаружили, что наиболее влиятельными предикторами являются возраст ребенка, регион проживания, интервал между рождениями и число детей до пяти лет в домохозяйстве. Другие значимые сигналы включали образование матери, благосостояние домохозяйства и доступ к чистой воде, что соответствует предыдущим исследованиям в области питания.

От прогноза к практическим действиям

Для широкого читателя главный вывод таков: аккуратное применение искусственного интеллекта может помочь медицинским работникам перейти от простого подсчета числа задетых стантингом детей к выявлению тех детей и сообществ, которые нуждаются в помощи наиболее срочно. Гибридная модель не говорит нам об окончательных причинах задержки роста, но предлагает надежный и прозрачный способ выявлять детей с повышенным статистическим риском на основе доступных вопросов опроса. В сочетании с клиническим суждением она может направлять целевые программы в областях питания, доступа к чистой воде и планирования семьи, помогая Эфиопии и схожим странам сосредоточить ограниченные ресурсы там, где они смогут наибольшим образом защитить рост и потенциал детей.

Цитирование: Wudu, T.K., Endalew, A.A. & Dires, A.A. Explainable hybrid machine learning model for predicting stunting and identifying key risk factors among Ethiopian children under five. Sci Rep 16, 16204 (2026). https://doi.org/10.1038/s41598-026-46417-w

Ключевые слова: задержка роста в детстве, Эфиопия, машинное обучение, объяснимый ИИ, питание детей