Un approccio di deep learning e machine learning per prevedere la mortalità neonatale nel contesto di São Paulo

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

June 20, 2025

Autori: 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

Abstract

La mortalità neonatale rimane una realtà preoccupante per i paesi sottosviluppati e persino per alcuni paesi sviluppati. I dati globali indicano che 26,693 bambini su 1.000 nascite muoiono, secondo Macro Trades. Per ridurre questo numero, la previsione precoce dei neonati a rischio è fondamentale. Tale previsione consente di prendersi cura adeguatamente del bambino e della madre, in modo da evitare la morte precoce del neonato. In questo contesto, è stato utilizzato il machine learning per determinare se un neonato è a rischio. Per addestrare il modello predittivo, sono stati utilizzati dati storici di 1,4 milioni di neonati. Tecniche di machine learning e deep learning come la regressione logistica, il K-nearest neighbor, il random forest classifier, l'estreme gradient boosting (XGBoost), le reti neurali convoluzionali e la long short-term memory (LSTM) sono state implementate utilizzando il dataset per identificare il modello più accurato per la previsione della mortalità neonatale. Tra gli algoritmi di machine learning, XGBoost e il random forest classifier hanno ottenuto la migliore accuratezza con il 94%, mentre tra i modelli di deep learning, LSTM ha raggiunto la massima accuratezza con il 99%. Pertanto, l'uso di LSTM sembra essere l'approccio più adatto per prevedere se sono necessarie misure precauzionali per un bambino.

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.