Published December 28, 2022 | Version v1
Publication Open

Predicting perinatal mortality based on maternal health status and health insurance service using homogeneous ensemble machine learning methods

Creators

  • 1. University of Gondar

Description

Perinatal mortality in Ethiopia is the highest in Africa, with 68 per 1000 pregnancies intrapartum deaths. It is mainly associated with home delivery, which contributes to more than 75% of perinatal deaths. Financial constraints significantly impact timely access to maternal health care. Financial incentives, such as health insurance, may address the demand- and supply-side factors. This study, hence, aims to predict perinatal mortality based on maternal health status and health insurance service using homogeneous ensemble machine learning methods.The data was collected from the Ethiopian demographic health survey from 2011 to 2019 G.C. The data were pre-processed to get quality data that are suitable for the homogenous ensemble machine-learning algorithms to develop a model that predicts perinatal mortality. We have applied filter (chi-square and mutual information) and wrapper (sequential forward and sequential backward) feature selection methods. After selecting all the relevant features, we developed a predictive model using cat boost, random forest, and gradient boosting algorithms and evaluated the model using both objective (accuracy, precision, recall, F1_score, ROC) and subjective (domain expert) based evaluation techniques.Perinatal mortality prediction models were developed using random forest, gradient boosting, and cat boost algorithms with the overall accuracy of 89.95%, 90.24%, and 82%, respectively. Risk factors of perinatal mortality were identified using feature importance analysis and relevant rules were extracted using the best performing model.A prediction model that was developed using gradient boosting algorithms was selected for further use in the risk factor analysis, generating relevant rules, development of artifacts, and model deployment because it has registered better performance with 90.24% accuracy. The most determinant risk factors of perinatal mortality were identified using feature importance and some of them are community-based health insurance, mother's educational level, region and place of residence, age, wealth status, birth interval, preterm, smoking cigarette, anemia level, hemoglobin level, and marital status.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

معدل الوفيات في فترة ما حول الولادة في إثيوبيا هو الأعلى في أفريقيا، مع 68 حالة وفاة لكل 1000 حالة حمل أثناء الولادة. ويرتبط بشكل رئيسي بالولادة المنزلية، مما يساهم في أكثر من 75 ٪ من الوفيات في الفترة المحيطة بالولادة. تؤثر القيود المالية بشكل كبير على الوصول في الوقت المناسب إلى الرعاية الصحية للأمهات. قد تعالج الحوافز المالية، مثل التأمين الصحي، عوامل جانب الطلب والعرض. وبالتالي، تهدف هذه الدراسة إلى التنبؤ بالوفيات في الفترة المحيطة بالولادة بناءً على حالة صحة الأم وخدمة التأمين الصحي باستخدام طرق التعلم الآلي المتجانسة. تم جمع البيانات من المسح الصحي الديموغرافي الإثيوبي من عام 2011 إلى عام 2019. تم معالجة البيانات مسبقًا للحصول على بيانات عالية الجودة مناسبة لخوارزميات التعلم الآلي المتجانسة لتطوير نموذج يتنبأ بالوفيات في الفترة المحيطة بالولادة. لقد طبقنا فلتر (مربع كاي والمعلومات المتبادلة) وطرق اختيار ميزة الغلاف (متسلسلة للأمام ومتسلسلة للخلف). بعد اختيار جميع الميزات ذات الصلة، قمنا بتطوير نموذج تنبؤي باستخدام خوارزميات تعزيز القطط، والغابات العشوائية، وتعزيز التدرج، وقمنا بتقييم النموذج باستخدام كل من الموضوعية (الدقة، والدقة، والاستدعاء، و F1_SCORE، و ROC) وتقنيات التقييم الذاتية (خبير المجال). تم تطوير نماذج التنبؤ بالوفيات بين الولادات باستخدام خوارزميات عشوائية للغابات، وتعزيز التدرج، وتعزيز القطط بدقة إجمالية تبلغ 89.95 ٪ و 90.24 ٪ و 82 ٪ على التوالي. تم تحديد عوامل الخطر للوفيات في الفترة المحيطة بالولادة باستخدام تحليل أهمية الميزات وتم استخراج القواعد ذات الصلة باستخدام النموذج الأفضل أداءً. تم اختيار نموذج التنبؤ الذي تم تطويره باستخدام خوارزميات تعزيز التدرج لمزيد من الاستخدام في تحليل عوامل الخطر، وتوليد القواعد ذات الصلة، وتطوير القطع الأثرية، ونشر النموذج لأنه سجل أداءً أفضل بدقة 90.24 ٪. تم تحديد عوامل الخطر الأكثر تحديدًا للوفيات في الفترة المحيطة بالولادة باستخدام أهمية الميزة وبعضها هو التأمين الصحي المجتمعي، والمستوى التعليمي للأم، ومنطقة ومكان الإقامة، والعمر، وحالة الثروة، وفترة الولادة، والخدج، وتدخين السجائر، ومستوى فقر الدم، ومستوى الهيموغلوبين، والحالة الاجتماعية.

Translated Description (French)

La mortalité périnatale en Éthiopie est la plus élevée en Afrique, avec 68 décès intrapartum pour 1 000 grossesses. Elle est principalement associée à l'accouchement à domicile, qui contribue à plus de 75 % des décès périnatals. Les contraintes financières ont un impact significatif sur l'accès en temps opportun aux soins de santé maternelle. Les incitations financières, telles que l'assurance maladie, peuvent répondre aux facteurs liés à la demande et à l'offre. Cette étude vise donc à prédire la mortalité périnatale en fonction de l'état de santé de la mère et du service d'assurance maladie en utilisant des méthodes homogènes d'apprentissage automatique d'ensemble. Les données ont été collectées à partir de l'enquête démographique sur la santé éthiopienne de 2011 à 2019 G.C. Les données ont été prétraitées pour obtenir des données de qualité adaptées aux algorithmes homogènes d'apprentissage automatique d'ensemble afin de développer un modèle qui prédit la mortalité périnatale. Nous avons appliqué des méthodes de sélection de caractéristiques de filtre (chi-carré et informations mutuelles) et d'enveloppe (séquentiel avant et séquentiel arrière). Après avoir sélectionné toutes les caractéristiques pertinentes, nous avons développé un modèle prédictif à l'aide des algorithmes CAT Boost, Random Forest et gradient Boosting et évalué le modèle à l'aide de techniques d'évaluation objectives (précision, précision, rappel, F1_score, roc) et subjectives (expert du domaine). Les modèles de prédiction de la mortalité périnatale ont été développés à l'aide des algorithmes Random Forest, gradient Boosting et CAT Boost avec une précision globale de 89,95 %, 90,24 % et 82 %, respectivement. Les facteurs de risque de mortalité périnatale ont été identifiés à l'aide de l'analyse de l'importance des caractéristiques et les règles pertinentes ont été extraites à l'aide du modèle le plus performant. Un modèle de prédiction développé à l'aide d'algorithmes d'amplification de gradient a été sélectionné pour une utilisation ultérieure dans l'analyse des facteurs de risque, générant des règles pertinentes, le développement d'artefacts et le déploiement du modèle, car il a enregistré de meilleures performances avec une précision de 90,24 %. Les facteurs de risque les plus déterminants de la mortalité périnatale ont été identifiés en fonction de l'importance des caractéristiques et certains d'entre eux sont l'assurance maladie communautaire, le niveau d'éducation de la mère, la région et le lieu de résidence, l'âge, le statut patrimonial, l'intervalle entre les naissances, la prématurité, le tabagisme, le niveau d'anémie, le niveau d'hémoglobine et l'état matrimonial.

Translated Description (Spanish)

La mortalidad perinatal en Etiopía es la más alta de África, con 68 muertes intraparto por cada 1000 embarazos. Se asocia principalmente al parto domiciliario, lo que contribuye a más del 75% de las muertes perinatales. Las limitaciones financieras afectan significativamente el acceso oportuno a la atención de salud materna. Los incentivos financieros, como el seguro de salud, pueden abordar los factores del lado de la demanda y de la oferta. Este estudio, por lo tanto, tiene como objetivo predecir la mortalidad perinatal en función del estado de salud materna y el servicio de seguro de salud utilizando métodos de aprendizaje automático de conjunto homogéneo. Los datos se recopilaron de la encuesta demográfica de salud etíope de 2011 a 2019 G.C. Los datos se preprocesaron para obtener datos de calidad que sean adecuados para los algoritmos de aprendizaje automático de conjunto homogéneo para desarrollar un modelo que prediga la mortalidad perinatal. Hemos aplicado métodos de selección de características de filtro (chi-cuadrado e información mutua) y envoltura (secuencial hacia adelante y secuencial hacia atrás). Después de seleccionar todas las características relevantes, desarrollamos un modelo predictivo utilizando CAT Boost, bosque aleatorio y algoritmos de aumento de gradiente y evaluamos el modelo utilizando técnicas de evaluación basadas en objetivos (precisión, precisión, recordación, F1_score, Roc) y subjetivas (expertos en el dominio). Los modelos de predicción de mortalidad perinatal se desarrollaron utilizando algoritmos de bosque aleatorio, aumento de gradiente y CAT Boost con una precisión general de 89.95%, 90.24% y 82%, respectivamente. Los factores de riesgo de mortalidad perinatal se identificaron utilizando el análisis de importancia de las características y las reglas relevantes se extrajeron utilizando el modelo de mejor rendimiento. Se seleccionó un modelo de predicción que se desarrolló utilizando algoritmos de aumento de gradiente para su uso posterior en el análisis de factores de riesgo, la generación de reglas relevantes, el desarrollo de artefactos y el despliegue del modelo porque ha registrado un mejor rendimiento con un 90,24% de precisión. Los factores de riesgo más determinantes de la mortalidad perinatal se identificaron utilizando la importancia de las características y algunos de ellos son el seguro de salud basado en la comunidad, el nivel educativo de la madre, la región y el lugar de residencia, la edad, el estado económico, el intervalo entre nacimientos, los prematuros, el tabaquismo, el nivel de anemia, el nivel de hemoglobina y el estado civil.

Files

s12911-022-02084-1.pdf

Files (1.9 MB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:e6a8e467dd78692d8600585c4b93da53
1.9 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
التنبؤ بالوفيات المحيطة بالولادة بناءً على الحالة الصحية للأم وخدمة التأمين الصحي باستخدام أساليب التعلم الآلي المتجانسة
Translated title (French)
Prédire la mortalité périnatale en fonction de l'état de santé de la mère et du service d'assurance maladie à l'aide de méthodes homogènes d'apprentissage automatique
Translated title (Spanish)
Predicción de la mortalidad perinatal basada en el estado de salud materna y el servicio de seguro de salud utilizando métodos de aprendizaje automático de conjunto homogéneo

Identifiers

Other
https://openalex.org/W4313417268
DOI
10.1186/s12911-022-02084-1

Is supplement to
https://openalex.org/W4388745254 (Other)
https://openalex.org/W4386690025 (Other)
https://openalex.org/W4322710485 (Other)
https://openalex.org/W4315777889 (Other)
https://openalex.org/W3208169454 (Other)
https://openalex.org/W2980082554 (Other)
https://openalex.org/W2767419625 (Other)
https://openalex.org/W2389704471 (Other)
https://openalex.org/W2117019857 (Other)
https://openalex.org/W1517228774 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Ethiopia

References

  • https://openalex.org/W1695980899
  • https://openalex.org/W2012190861
  • https://openalex.org/W2087332198
  • https://openalex.org/W2100051440
  • https://openalex.org/W2738583835
  • https://openalex.org/W2897443860
  • https://openalex.org/W2901148607
  • https://openalex.org/W2915981391
  • https://openalex.org/W2943847070
  • https://openalex.org/W2958807307
  • https://openalex.org/W3008076145
  • https://openalex.org/W3045595659
  • https://openalex.org/W3084097908
  • https://openalex.org/W3088103745
  • https://openalex.org/W3088104117
  • https://openalex.org/W3095010054
  • https://openalex.org/W4225402059
  • https://openalex.org/W4248009001
  • https://openalex.org/W4255087881
  • https://openalex.org/W70001371