상파울루 지역의 신생아 사망 예측을 위한 딥러닝 및 머신러닝 접근법
A deep learning and machine learning approach to predict neonatal death in the context of São Paulo
June 20, 2025
저자: 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
초록
신생아 사망은 여전히 개발도상국뿐만 아니라 일부 선진국에서도 우려되는 현실입니다. Macro Trades에 따르면, 전 세계적으로 1,000명의 출생 중 26.693명의 아기가 사망한다고 합니다. 이 수치를 줄이기 위해서는 위험에 처한 아기를 조기에 예측하는 것이 중요합니다. 이러한 예측은 아기와 어머니에게 충분한 관리를 제공하여 조기 사망을 방지할 수 있는 기회를 제공합니다. 이러한 맥락에서, 신생아가 위험에 처해 있는지 여부를 판단하기 위해 머신러닝이 사용되었습니다. 예측 모델을 학습시키기 위해 140만 명의 신생아에 대한 역사적 데이터가 사용되었습니다. 로지스틱 회귀, K-최근접 이웃, 랜덤 포레스트 분류기, 극단적 그래디언트 부스팅(XGBoost), 합성곱 신경망, 장단기 메모리(LSTM)와 같은 머신러닝 및 딥러닝 기법이 데이터셋을 사용하여 구현되었으며, 신생아 사망률을 예측하기 위한 가장 정확한 모델을 식별했습니다. 머신러닝 알고리즘 중에서는 XGBoost와 랜덤 포레스트 분류기가 94%의 정확도로 가장 우수한 성능을 보였고, 딥러닝 모델 중에서는 LSTM이 99%의 정확도로 가장 높은 성능을 달성했습니다. 따라서 LSTM을 사용하는 것이 아기에게 예방 조치가 필요한지 여부를 예측하는 데 가장 적합한 접근 방식으로 보입니다.
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.