Une approche par apprentissage profond et apprentissage automatique pour prédire la mortalité néonatale dans le contexte de São Paulo

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

June 20, 2025

Auteurs: 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

Résumé

La mortalité néonatale reste une réalité préoccupante pour les pays sous-développés et même certains pays développés. Les données mondiales indiquent que 26,693 bébés sur 1 000 naissances décèdent, selon Macro Trades. Pour réduire ce nombre, la prédiction précoce des bébés en danger est cruciale. Une telle prédiction permet de prendre soin de l'enfant et de la mère de manière adéquate afin d'éviter une mort précoce de l'enfant. Dans ce contexte, l'apprentissage automatique a été utilisé pour déterminer si un nouveau-né est à risque. Pour entraîner le modèle prédictif, des données historiques de 1,4 million de nouveau-nés ont été utilisées. Des techniques d'apprentissage automatique et d'apprentissage profond telles que la régression logistique, les k-plus proches voisins, le classifieur de forêt aléatoire, l'extreme gradient boosting (XGBoost), les réseaux de neurones convolutifs et la mémoire à long terme (LSTM) ont été mises en œuvre à l'aide de cet ensemble de données pour identifier le modèle le plus précis pour prédire la mortalité néonatale. Parmi les algorithmes d'apprentissage automatique, XGBoost et le classifieur de forêt aléatoire ont obtenu la meilleure précision avec 94 %, tandis que parmi les modèles d'apprentissage profond, LSTM a atteint la plus haute précision avec 99 %. Par conséquent, l'utilisation de LSTM semble être l'approche la plus adaptée pour prédire si des mesures préventives pour un enfant sont nécessaires.

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.