論文の概要: Machine Learning-Based Prediction of Childhood Stunting in Bangladesh: Fairness and Temporal Robustness Assessment

• arxiv url: http://arxiv.org/abs/2609.24386v1
• Date: Mon, 21 Sep 2026 10:23:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 03:38:27.395513
• Title: Machine Learning-Based Prediction of Childhood Stunting in Bangladesh: Fairness and Temporal Robustness Assessment
• Title（参考訳）: バングラデシュにおける育児の機械学習による予測 : 公平性と時間的ロバスト性評価
• Abstract要約: 子供のスタントは、バングラデシュで主要な公衆衛生上の問題となっている。 本研究では、子どものスタント行動の集団レベルでの予測のための機械学習モデルを開発した。
• 参考スコア（独自算出の注目度）: 0.5442955439283729
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Childhood stunting remains a major public health concern in Bangladesh and reflects long-term growth failure influenced by child, maternal, household, socioeconomic, and health-service factors. This study used nationally representative Bangladesh Demographic and Health Survey data from 2007 to 2022 to develop machine learning models for population-level prediction of childhood stunting and to assess temporal robustness and subgroup fairness. Children aged 0-59 months with complete anthropometric and predictor data were included. Data from the 2007, 2011, and 2014 survey rounds were used for model development, while the 2018 and 2022 rounds were retained as temporal test datasets. Twelve feature-selection approaches were assessed, and the KNN permutation importance-selected predictor set was used for final model evaluation. Eleven machine learning models were evaluated: ten conventional algorithms and one pretrained tabular foundation model, TabPFN. Performance was assessed using balanced accuracy, AUROC, F1-score, Brier score, and expected calibration error. Subgroup fairness was examined by child sex, place of residence, and socioeconomic status. The final analytic sample included 18,844 children, of whom 35.05% were stunted. In the development hold-out test dataset, TabPFN showed the highest observed balanced accuracy overall at 67.58%, while AdaBoost showed the highest observed balanced accuracy among conventional models at 67.51%. In temporal testing, the highest observed balanced accuracy was found for Gradient Boosting in BDHS 2018 and XGBoost in BDHS 2022. Model performance varied across survey rounds and subgroups, highlighting the importance of temporal validation, subgroup fairness assessment, and transparent interpretation in public health prediction modeling.
• Abstract（参考訳）: 子供のスタントはバングラデシュの主要な公衆衛生上の関心事であり、子供、母国、家庭、社会経済、および医療サービス要因に影響された長期的な成長不全を反映している。 本研究は、2007年から2022年までのバングラデシュの人口統計・健康調査データを用いて、子どものスタントに関する人口レベルの予測のための機械学習モデルを開発し、時間的堅牢性とサブグループフェアネスを評価する。 0～59カ月の小児に完全な人文計測および予測データが含まれていた。 2007年と2011年と2014年のサーベイラウンドのデータはモデル開発に使われ、2018年と2022年のラウンドは一時的なテストデータセットとして保持された。 12種類の特徴選択手法が評価され, 最終モデル評価にはKNN置換重要度選択予測セットが用いられた。 従来の10のアルゴリズムと1つの事前訓練された表層基礎モデルであるTabPFNの11の機械学習モデルを評価した。 評価は平衡精度,AUROC,F1スコア,ブライアスコア,キャリブレーション誤差を用いて行った。 サブグループフェアネスは, 児童性, 居住場所, 社会経済的地位によって調査された。 最終分析では18,844人の子供がおり、そのうち35.05%がスタントを受けた。 開発保留試験データセットでは,TabPFNが67.58%,AdaBoostが67.51%であった。 時間的試験では、BDHS 2018のグラディエントブースティングとBDHS 2022のXGBoostで最も高いバランスの取れた精度が確認された。 モデルの性能は調査ラウンドやサブグループによって異なり、時間的検証の重要性、サブグループフェアネスアセスメント、および公衆衛生予測モデルにおける透明な解釈が強調された。

関連論文リスト

• Can Zero-Shot LLMs Predict Child Malnutrition? A Fairness and Temporal Robustness Study [0.5442955439283729]
  子どもの栄養失調は、低所得国や中所得国、特に南アジアにおいて主要な公衆衛生上の課題である。 本研究は,子どものスタント予測のためのゼロショット設定において,事前訓練された大言語モデル(LLM)の有効性,公平性,時間的堅牢性を評価することを目的とする。
  論文  参考訳（メタデータ） (2026-07-31T07:06:22Z)
• Few-shot Cross-country Generalization of Tabular Machine Learning and Foundation Models for Childhood Anemia Prediction under Distribution Shift [1.0456326026076763]
  小児貧血は、全世界で6～59か月の子どもの約40%に影響を及ぼす。 アフリカ、アジア、ラテンアメリカ、コーカサス、中東の16カ国のDHSデータを使用しました。 子どもの年齢、身長、年齢の高いzスコアが支配的な予測者となり、その後に富と母性教育が続いた。
  論文  参考訳（メタデータ） (2026-05-26T06:20:20Z)
• Multilevel Determinants of Overweight and Obesity Among U.S. Children Aged 10-17: Comparative Evaluation of Statistical and Machine Learning Approaches Using the 2021 National Survey of Children's Health [0.2538209532048867]
  全国小児健康調査から10～17歳児18,792例の分析を行った。 肥満は、食事、身体活動、睡眠、親のストレス、社会経済的条件、悪体験、近隣特性などを含むBMIカテゴリーで定義されている。 AUC,精度,精度,リコール,F1スコア,ブライアスコアを用いて評価を行った。
  論文  参考訳（メタデータ） (2026-02-23T19:31:44Z)
• Child Mortality Prediction in Bangladesh: A Decade-Long Validation Study [0.0]
  バングラデシュの2011-2022年の人口統計調査(DHS)データ(n = 33,962)は,本論文で使用される。 モデルを(2011-2014)データでトレーニングし、2017年データで検証し、2022年データでテストしました。 モデルの最初のテストから8年後、遺伝的アルゴリズムをベースとしたNeural Architecture Searchは、XGBoostよりも優れた単層ニューラルネットワークを発見した。
  論文  参考訳（メタデータ） (2026-02-03T19:18:50Z)
• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• 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)
• LAE : Long-tailed Age Estimation [52.5745217752147]
  まず、簡単な標準ベースラインを定式化し、事前トレーニング、データ拡張、モデルアーキテクチャなどのトリックを収集することで、はるかに強力なベースラインを構築します。 標準ベースラインと比較して,提案手法は推定誤差を著しく低減する。 本稿では,Long-tailed Age Estimation (LAE) という2段階の学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-25T09:05:44Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Fair and accurate age prediction using distribution aware data curation and augmentation [42.98202989683421]
  年齢予測は、オープンな研究問題のままの公平性の問題において特に難しい応用である。 年齢予測法における不公平行動の主な原因の1つは、トレーニングデータの分布と多様性にある。 公平性を高めるために、データセットキュレーションとデータ拡張の2つの新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-09-11T08:32:36Z)

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。