Ein Deep-Learning- und Machine-Learning-Ansatz zur Vorhersage von Neugeborenensterblichkeit im Kontext von São Paulo

A deep learning and machine learning approach to predict neonatal death in the context of São Paulo

June 20, 2025

Autoren: Mohon Raihan, Plabon Kumar Saha, Rajan Das Gupta, A Z M Tahmidul Kabir, Afia Anjum Tamanna, Md. Harun-Ur-Rashid, Adnan Bin Abdus Salam, Md Tanvir Anjum, A Z M Ahteshamul Kabir

cs.AI

Zusammenfassung

Neonatale Sterblichkeit ist nach wie vor eine besorgniserregende Realität für unterentwickelte und sogar einige entwickelte Länder. Weltweite Daten von Macro Trades zeigen, dass 26,693 von 1.000 Neugeborenen sterben. Um diese Zahl zu reduzieren, ist die frühzeitige Vorhersage gefährdeter Babys entscheidend. Eine solche Vorhersage ermöglicht es, ausreichend Fürsorge für das Kind und die Mutter zu gewährleisten, um frühe Kindstode zu vermeiden. In diesem Kontext wurde maschinelles Lernen eingesetzt, um festzustellen, ob ein Neugeborenes gefährdet ist. Zur Schulung des Vorhersagemodells wurden historische Daten von 1,4 Millionen Neugeborenen verwendet. Maschinelle Lern- und Deep-Learning-Techniken wie logistische Regression, K-Nächste-Nachbarn, Random-Forest-Klassifikator, Extreme Gradient Boosting (XGBoost), Convolutional Neural Network und Long Short-Term Memory (LSTM) wurden mit dem Datensatz implementiert, um das genaueste Modell zur Vorhersage der neonatalen Mortalität zu identifizieren. Unter den maschinellen Lernalgorithmen erzielten XGBoost und der Random-Forest-Klassifikator mit 94 % die beste Genauigkeit, während unter den Deep-Learning-Modellen LSTM mit 99 % die höchste Genauigkeit lieferte. Daher scheint die Verwendung von LSTM der am besten geeignete Ansatz zu sein, um vorherzusagen, ob Vorsichtsmaßnahmen für ein Kind erforderlich sind.

English

Neonatal death is still a concerning reality for underdeveloped and even some developed countries. Worldwide data indicate that 26.693 babies out of 1,000 births die, according to Macro Trades. To reduce this number, early prediction of endangered babies is crucial. Such prediction enables the opportunity to take ample care of the child and mother so that early child death can be avoided. In this context, machine learning was used to determine whether a newborn baby is at risk. To train the predictive model, historical data of 1.4 million newborns was used. Machine learning and deep learning techniques such as logical regression, K-nearest neighbor, random forest classifier, extreme gradient boosting (XGBoost), convolutional neural network, and long short-term memory (LSTM) were implemented using the dataset to identify the most accurate model for predicting neonatal mortality. Among the machine learning algorithms, XGBoost and random forest classifier achieved the best accuracy with 94%, while among the deep learning models, LSTM delivered the highest accuracy with 99%. Therefore, using LSTM appears to be the most suitable approach to predict whether precautionary measures for a child are necessary.