サンパウロにおける新生児死亡を予測するための深層学習および機械学習アプローチ

要旨

新生児死亡は、未開発国だけでなく一部の先進国においても依然として懸念すべき現実である。Macro Tradesのデータによると、世界全体では出生1,000件あたり26.693人の乳児が死亡している。この数を減少させるためには、危険にさらされている新生児の早期予測が重要である。そのような予測を行うことで、母子に対する十分なケアを提供し、早期の乳児死亡を回避する機会が得られる。この文脈において、機械学習を用いて新生児がリスクにさらされているかどうかを判断する研究が行われた。予測モデルの訓練には、140万人の新生児の過去データが使用された。機械学習および深層学習の手法として、ロジスティック回帰、K近傍法、ランダムフォレスト分類器、極限勾配ブースティング（XGBoost）、畳み込みニューラルネットワーク、長短期記憶（LSTM）がデータセットを用いて実装され、新生児死亡率を予測する最も正確なモデルの特定が試みられた。機械学習アルゴリズムの中では、XGBoostとランダムフォレスト分類器が94%の最高精度を達成し、深層学習モデルの中ではLSTMが99%の最高精度を示した。したがって、LSTMを使用することが、予防措置が必要かどうかを予測するための最も適切なアプローチであると考えられる。

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.

サンパウロにおける新生児死亡を予測するための深層学習および機械学習アプローチ

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

要旨

Support