Published May 1, 2020
| Version v1
Publication
Open
Predictive analytics framework for accurate estimation of child mortality rates for Internet of Things enabled smart healthcare systems
- 1. Shaheed Zulfiqar Ali Bhutto Institute of Science and Technology
- 2. Foundation University Islamabad
- 3. Sejong University
Description
Globally, under-five child mortality is a substantial health problem. In developing countries, reducing child mortality and improving child health are the key priorities in health sectors. Despite the significant reduction in deaths of under-five children globally, developing countries are still struggling to maintain an acceptable mortality rate. Globally, the death rate of under-five children is 41 per 1000 live births. However, the death rate of children in developing nations like Pakistan and Ethiopia per 1000 live births is 74 and 54, respectively. Such nations find it very challenging to decrease the mortality rate. Data analytics on healthcare data plays a pivotal role in identifying the trends and highlighting the key factors behind the children deaths. Similarly, predictive analytics with the help of Internet of Things based frameworks significantly advances the smart healthcare systems to forecast death trends for timely intervention. Moreover, it helps in capturing hidden associations between health-related variables and key death factors among children. In this study, a predictive analytics framework has been developed to predict the death rates with high accuracy and to find the significant determinants that cause high child mortality. Our framework uses an automated method of information gain to rank the information-rich mortality variables for accurate predictions. Ethiopian Demographic Health Survey and Pakistan Demographic Health Survey data sets have been used for the validation of our proposed framework. These real-world data sets have been tested using machine learning classifiers, such as Naïve Bayes, decision tree, rule induction, random forest, and multi-layer perceptron, for the prediction task. It has been revealed through our experimentation that Naïve Bayes classifier predicts the child mortality rate with the highest average accuracy of 96.4% and decision tree helps in identifying key classification rules covering the factors behind children deaths.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
على الصعيد العالمي، تعد وفيات الأطفال دون سن الخامسة مشكلة صحية كبيرة. في البلدان النامية، يمثل الحد من وفيات الأطفال وتحسين صحة الطفل الأولويات الرئيسية في القطاعات الصحية. على الرغم من الانخفاض الكبير في وفيات الأطفال دون سن الخامسة على مستوى العالم، لا تزال البلدان النامية تكافح للحفاظ على معدل وفيات مقبول. على الصعيد العالمي، يبلغ معدل وفيات الأطفال دون سن الخامسة 41 لكل 1000 مولود حي. ومع ذلك، فإن معدل وفيات الأطفال في الدول النامية مثل باكستان وإثيوبيا لكل 1000 مولود حي هو 74 و 54 على التوالي. تجد مثل هذه الدول صعوبة كبيرة في خفض معدل الوفيات. تلعب تحليلات البيانات المتعلقة ببيانات الرعاية الصحية دورًا محوريًا في تحديد الاتجاهات وتسليط الضوء على العوامل الرئيسية وراء وفيات الأطفال. وبالمثل، فإن التحليلات التنبؤية بمساعدة الأطر القائمة على إنترنت الأشياء تعمل بشكل كبير على تطوير أنظمة الرعاية الصحية الذكية للتنبؤ باتجاهات الوفيات للتدخل في الوقت المناسب. علاوة على ذلك، فإنه يساعد في التقاط الارتباطات الخفية بين المتغيرات المتعلقة بالصحة وعوامل الوفاة الرئيسية بين الأطفال. في هذه الدراسة، تم تطوير إطار عمل للتحليلات التنبؤية للتنبؤ بمعدلات الوفيات بدقة عالية وإيجاد المحددات المهمة التي تسبب ارتفاع معدل وفيات الأطفال. يستخدم إطارنا طريقة آلية لاكتساب المعلومات لترتيب متغيرات الوفيات الغنية بالمعلومات للتنبؤات الدقيقة. تم استخدام مجموعات بيانات المسح الصحي الديموغرافي الإثيوبي والمسح الصحي الديموغرافي الباكستاني للتحقق من صحة إطارنا المقترح. تم اختبار مجموعات البيانات هذه في العالم الحقيقي باستخدام مصنفات التعلم الآلي، مثل Naïve Bayes، وشجرة القرار، واستقراء القواعد، والغابات العشوائية، والإدراك متعدد الطبقات، لمهمة التنبؤ. تم الكشف من خلال تجربتنا أن مصنف Naïve Bayes يتنبأ بمعدل وفيات الأطفال بأعلى متوسط دقة يبلغ 96.4 ٪ وتساعد شجرة القرار في تحديد قواعد التصنيف الرئيسية التي تغطي العوامل الكامنة وراء وفيات الأطفال.Translated Description (French)
À l'échelle mondiale, la mortalité des enfants de moins de cinq ans est un problème de santé important. Dans les pays en développement, la réduction de la mortalité infantile et l'amélioration de la santé des enfants sont les principales priorités dans les secteurs de la santé. Malgré la réduction significative du nombre de décès d'enfants de moins de cinq ans dans le monde, les pays en développement ont encore du mal à maintenir un taux de mortalité acceptable. À l'échelle mondiale, le taux de mortalité des enfants de moins de cinq ans est de 41 pour 1 000 naissances vivantes. Cependant, le taux de mortalité des enfants dans les pays en développement comme le Pakistan et l'Éthiopie pour 1 000 naissances vivantes est de 74 et 54, respectivement. Ces pays trouvent très difficile de réduire le taux de mortalité. L'analyse des données sur les données de santé joue un rôle central dans l'identification des tendances et la mise en évidence des facteurs clés à l'origine des décès d'enfants. De même, l'analyse prédictive à l'aide de cadres basés sur l'Internet des objets fait progresser considérablement les systèmes de santé intelligents pour prévoir les tendances en matière de décès afin d'intervenir en temps opportun. De plus, il aide à saisir les associations cachées entre les variables liées à la santé et les principaux facteurs de décès chez les enfants. Dans cette étude, un cadre d'analyse prédictive a été développé pour prédire les taux de mortalité avec une grande précision et pour trouver les déterminants importants qui causent une mortalité infantile élevée. Notre cadre utilise une méthode automatisée de gain d'informations pour classer les variables de mortalité riches en informations afin d'obtenir des prévisions précises. Les ensembles de données de l'Enquête démographique sur la santé en Éthiopie et de l'Enquête démographique sur la santé au Pakistan ont été utilisés pour la validation de notre cadre proposé. Ces ensembles de données du monde réel ont été testés à l'aide de classificateurs d'apprentissage automatique, tels que Naïve Bayes, arbre de décision, induction de règles, forêt aléatoire et perceptron multicouche, pour la tâche de prédiction. Notre expérimentation a révélé que le classificateur Bayes naïf prédit le taux de mortalité infantile avec la précision moyenne la plus élevée de 96,4 % et que l'arbre de décision aide à identifier les règles de classification clés couvrant les facteurs à l'origine des décès d'enfants.Translated Description (Spanish)
A nivel mundial, la mortalidad infantil de menores de cinco años es un problema de salud importante. En los países en desarrollo, la reducción de la mortalidad infantil y la mejora de la salud infantil son las prioridades clave en los sectores de la salud. A pesar de la reducción significativa de las muertes de niños menores de cinco años en todo el mundo, los países en desarrollo todavía están luchando por mantener una tasa de mortalidad aceptable. A nivel mundial, la tasa de mortalidad de niños menores de cinco años es de 41 por cada 1000 nacidos vivos. Sin embargo, la tasa de mortalidad infantil en países en desarrollo como Pakistán y Etiopía por cada 1000 nacidos vivos es de 74 y 54, respectivamente. A estas naciones les resulta muy difícil disminuir la tasa de mortalidad. El análisis de datos sobre la atención sanitaria desempeña un papel fundamental a la hora de identificar las tendencias y destacar los factores clave detrás de las muertes infantiles. Del mismo modo, el análisis predictivo con la ayuda de los marcos basados en el Internet de las cosas avanza significativamente en los sistemas de salud inteligentes para pronosticar las tendencias de mortalidad para una intervención oportuna. Además, ayuda a capturar asociaciones ocultas entre variables relacionadas con la salud y factores clave de muerte entre los niños. En este estudio, se ha desarrollado un marco de análisis predictivo para predecir las tasas de mortalidad con alta precisión y para encontrar los determinantes significativos que causan una alta mortalidad infantil. Nuestro marco utiliza un método automatizado de obtención de información para clasificar las variables de mortalidad ricas en información para obtener predicciones precisas. Los conjuntos de datos de la Encuesta Demográfica de Salud de Etiopía y la Encuesta Demográfica de Salud de Pakistán se han utilizado para la validación de nuestro marco propuesto. Estos conjuntos de datos del mundo real se han probado utilizando clasificadores de aprendizaje automático, como Naïve Bayes, árbol de decisiones, inducción de reglas, bosque aleatorio y perceptrón multicapa, para la tarea de predicción. A través de nuestra experimentación, se ha revelado que el clasificador Naïve Bayes predice la tasa de mortalidad infantil con la precisión promedio más alta del 96.4% y el árbol de decisiones ayuda a identificar las reglas de clasificación clave que cubren los factores detrás de las muertes infantiles.Files
1550147720928897.pdf
Files
(15.9 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:c2a86cb4ddbbde3796255ab64e6cd12f
|
15.9 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- إطار التحليلات التنبؤية للتقدير الدقيق لمعدلات وفيات الأطفال لأنظمة الرعاية الصحية الذكية التي تدعم إنترنت الأشياء
- Translated title (French)
- Cadre d'analyse prédictive pour une estimation précise des taux de mortalité infantile pour les systèmes de soins de santé intelligents activés par l'Internet des objets
- Translated title (Spanish)
- Marco de análisis predictivo para la estimación precisa de las tasas de mortalidad infantil para los sistemas de salud inteligentes habilitados para Internet de las Cosas
Identifiers
- Other
- https://openalex.org/W3030214482
- DOI
- 10.1177/1550147720928897
References
- https://openalex.org/W1965889986
- https://openalex.org/W1980978557
- https://openalex.org/W2018685665
- https://openalex.org/W2117337843
- https://openalex.org/W2124327916
- https://openalex.org/W2126275349
- https://openalex.org/W2129553396
- https://openalex.org/W2169763377
- https://openalex.org/W2247462025
- https://openalex.org/W2301541953
- https://openalex.org/W2344022952
- https://openalex.org/W2559561404
- https://openalex.org/W2617227509
- https://openalex.org/W2900431425
- https://openalex.org/W2970371660
- https://openalex.org/W650013066