論文の概要: Predicting Anemia Among Under-Five Children in Nepal Using Machine Learning and Deep Learning

• arxiv url: http://arxiv.org/abs/2602.01005v1
• Date: Sun, 01 Feb 2026 04:00:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.523229
• Title: Predicting Anemia Among Under-Five Children in Nepal Using Machine Learning and Deep Learning
• Title（参考訳）: ネパールにおける5歳未満児の貧血予測 : 機械学習と深層学習を用いて
• Authors: Deepak Bastola, Pitambar Acharya, Dipak Dulal, Rabina Dhakal, Yang Li,
• Abstract要約: ネパール・デモグラフィック・ヘルス・サーベイ (NDHS 2022) のマイクロデータを用いて, 1,855人の子どもを対象に分析を行った。 小児年齢,近年の発熱, 世帯規模, 母性貧血, 寄生虫除虫が一貫して選択された。 機械学習とディープラーニングモデルは、競合する貧血の予測を提供する。
• 参考スコア（独自算出の注目度）: 1.8183349008726755
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Childhood anemia remains a major public health challenge in Nepal and is associated with impaired growth, cognition, and increased morbidity. Using World Health Organization hemoglobin thresholds, we defined anemia status for children aged 6-59 months and formulated a binary classification task by grouping all anemia severities as \emph{anemic} versus \emph{not anemic}. We analyzed Nepal Demographic and Health Survey (NDHS 2022) microdata comprising 1,855 children and initially considered 48 candidate features spanning demographic, socioeconomic, maternal, and child health characteristics. To obtain a stable and substantiated feature set, we applied four features selection techniques (Chi-square, mutual information, point-biserial correlation, and Boruta) and prioritized features supported by multi-method consensus. Five features: child age, recent fever, household size, maternal anemia, and parasite deworming were consistently selected by all methods, while amenorrhea, ethnicity indicators, and provinces were frequently retained. We then compared eight traditional machine learning classifiers (LR, KNN, DT, RF, XGBoost, SVM, NB, LDA) with two deep learning models (DNN and TabNet) using standard evaluation metrics, emphasizing F1-score and recall due to class imbalance. Among all models, logistic regression attained the best recall (0.701) and the highest F1-score (0.649), while DNN achieved the highest accuracy (0.709), and SVM yielded the strongest discrimination with the highest AUC (0.736). Overall, the results indicate that both machine learning and deep learning models can provide competitive anemia prediction and the interpretable features such as child age, infection proxy, maternal anemia, and deworming history are central for risk stratification and public health screening in Nepal.
• Abstract（参考訳）: 小児性貧血はネパールで主要な公衆衛生上の課題であり、成長障害、認知障害、死亡率の増加と関連している。 世界保健機関(WHO)のヘモグロビン閾値を用いて6～59歳児の貧血状態を定義し,全ての貧血重症度を「emph{anemic}」と「emph{not anemic}」に分類し,二分分類課題を定式化した。 ネパール・デモグラフィック・ヘルス・サーベイ(NDHS 2022)のマイクロデータは,1,855人の子どもからなり,当初は人口動態,社会経済,母性,子どもの健康特性にまたがる48の候補として検討された。 安定かつ確実な特徴集合を得るため,我々は4つの特徴選択手法 (Chi-square, mutual information, point-biserial correlation, Boruta) を適用した。 小児年齢、最近の発熱、世帯規模、母性貧血、寄生虫除虫の5つの特徴は、すべての方法によって一貫して選択され、アメノレア、民族性指標、州は頻繁に保持された。 次に、標準評価指標を用いて、従来の8つの機械学習分類器(LR、KNN、DT、RF、XGBoost、SVM、NB、LDA)と2つのディープラーニングモデル(DNN、TabNet)を比較し、F1スコアを強調し、クラス不均衡によるリコールを強調した。 全てのモデルの中で、ロジスティック回帰は最高リコール(0.701)と最高F1スコア(0.649)を獲得し、DNNは最高精度(0.709)を獲得し、SVMは最高評価(0.736)を得た。 以上の結果から, 学習モデルと深層学習モデルの両方が競合性貧血予測を可能とし, 子どもの年齢, 感染代行, 母性貧血, 寄生歴などの解釈可能な特徴がネパールにおけるリスク階層化と公衆衛生スクリーニングの中心であることが示唆された。

関連論文リスト

• MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis [40.3028468133626]
  MIL(Multiple Case Learning)は、コンピュータ病理学における全スライド画像(WSI)解析の主流パラダイムとして登場した。 因果関係を意識したMILフレームワークである textbfMeCaMIL は、構造化因果グラフを通じて、階層的共同創設者を明示的にモデル化する。 MeCaMILは優れた公正性を達成する -- 人口格差の分散は、属性全体の平均で65%以上減少する。
  論文  参考訳（メタデータ） (2025-11-14T06:47:21Z)
• Performance Analysis of Post-Training Quantization for CNN-based Conjunctival Pallor Anemia Detection [0.0]
  貧血は世界的な健康問題であり、特に低リソース環境の幼児に多い。 従来の貧血検出法は高価な機器と専門家の知識を必要とすることが多い。 これらの課題に対処するために、結膜口蓋を通して貧血を検出するためのディープラーニングモデルの利用について検討する。
  論文  参考訳（メタデータ） (2025-07-20T23:02:58Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• Risk factor identification and classification of malnutrition among under-five children in Bangladesh: Machine learning and statistical approach [0.0]
  本研究では,5歳未満の子どもの栄養失調の原因について,MICS 2019(Multiple Indicator Cluster)の全国調査から解明することを目的とした。 決定木(DT)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)、マルチレイヤパーセプトロン(MLP)ニューラルネットワークの4つの確立された機械学習アルゴリズムに基づいて、さまざまな栄養失調ステージを分類する。 統計的ピアソン相関係数分析は、子供の栄養失調に関連する重要な要因を理解するためにも行われる。
  論文  参考訳（メタデータ） (2024-12-08T04:50:23Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Classification Methods Based on Machine Learning for the Analysis of Fetal Health Data [1.3597551064547502]
  胎児健康分析のための各種機械学習モデルの分類性能について検討した。 胎児の健康データセット上のTabNetモデルは、94.36%の分類精度を提供する。
  論文  参考訳（メタデータ） (2023-11-18T04:01:46Z)
• A Study of Age and Sex Bias in Multiple Instance Learning based Classification of Acute Myeloid Leukemia Subtypes [44.077241051884926]
  複数のMILモデルをトレーニングセットで異なるレベルの性不均衡を用いて訓練し、特定の年齢群を除外する。 性別と年齢の偏りがAMLサブタイプ分類モデルの性能に及ぼす影響について検討した。
  論文  参考訳（メタデータ） (2023-08-24T09:32:46Z)
• Age-Stratified Differences in Morphological Connectivity Patterns in ASD: An sMRI and Machine Learning Approach [1.3436368800886478]
  本研究の目的は,形態的特徴 (MF) と形態的接続性 (MCF) を用いたASD分類における年齢群の影響を比較することである。 6歳と11歳のグループでは、RFを用いたMCFが他のグループよりも優れており、それぞれ75.8%、83.1%、86%、80.4%の精度でF1スコア、リコール、精度が得られた。
  論文  参考訳（メタデータ） (2023-08-14T12:11:25Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• MedML: Fusing Medical Knowledge and Machine Learning Models for Early Pediatric COVID-19 Hospitalization and Severity Prediction [27.352097332678213]
  我々は、新しい機械学習モデルであるMedMLを用いて、全国的な小児新型コロナウイルスデータ問題に対処する。 MedMLは600万以上の医療概念から、医療知識と妥当性スコアに基づいて最も予測可能な特徴を抽出する。 入院予測タスクは143,605名,重症度予測タスクは11,465名,重症度予測タスクは143,605名であった。
  論文  参考訳（メタデータ） (2022-07-25T15:56:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。