پیش‌بینی استفاده ناقص از مراقبت‌های بارداری در اتیوپی با یادگیری ماشین و تفسیر SHAP: بررسی پژوهش سال ۲۰۲۶

خلاصه سریع برای خواننده

• مطالعه: تحلیل داده‌های ملی اتیوپی (EMDHS ۲۰۱۹) با هدف مدل‌سازی پیش‌بینی‌کننده‌های استفاده ناقص از مراقبت‌های قبل از زایمان (ANC).
• روش: به‌کارگیری شش الگوریتم یادگیری ماشین و تفسیر مدل با SHAP برای روشن کردن نقش هر متغیر.
• نمونه: ۳۹۷۹ زنی که در ۵ سال قبل از نظرسنجی زایمان داشته‌اند، از مجموع ۸۸۸۵ زن مصاحبه‌شده.
• نتیجه کلیدی: مدل تصادفی جنگل (Random Forest) بهترین عملکرد را با حدود ۷۳% دقت و مساحت زیر منحنی ROC برابر ۰.۷۹ داشت.
• عوامل مرتبط: سن، منطقه سکونت، منطقه جغرافیایی (مثلاً بنیشانگول—گوموز، تیگرای، هاری)، شاخص ثروت و سطح تحصیلات از مهم‌ترین پیش‌بینی‌کننده‌ها بودند.
• کاربرد: یافته‌ها می‌تواند به شناسایی گروه‌های آسیب‌پذیر و هدف‌گذاری مداخلات برای بهبود استفاده از ANC کمک کند؛ اما شواهد علی نیستند.

مقدمه

مرگ‌ومیر مادری ناشی از علل قابل پیشگیری همچنان در سطح جهانی معنادار است؛ طبق آمارهای جهانی نزدیک به ۳۰۳ هزار مورد سالانه گزارش می‌شود. کشورهای جنوب صحرای آفریقا سهم قابل‌توجهی از این بار را دارند و اتیوپی به‌عنوان یکی از نقاط حساس در این زمینه شناخته می‌شود. یکی از مؤلفه‌های کلیدی کاهش مرگ‌ومیر مادری، دسترسی و استفاده کافی از مراقبت‌های قبل از زایمان (ANC) است. مطالعه‌ای که در مجله PLOS Digital Health (۲۰۲۶) منتشر شد، با استفاده از داده‌های EMDHS 2019 تلاش کرد تا عواملی را که با استفاده ناقص از ANC ارتباط دارند، با روش‌های یادگیری ماشین مدل‌سازی و با تفسیر SHAP توضیح دهد. در این مقاله به بررسی روش‌ها، نتایج و پیامدهای بالینی و سیاست‌گذاری آن مطالعه می‌پردازیم و محدودیت‌ها و کاربردهای محتاطانه را توضیح می‌دهیم.

روش‌شناسی مطالعه

نوع داده و جامعه مورد بررسی

پژوهش بر پایه تحلیل ثانویه داده‌های ملی از «نیمه‌داده‌های جمعیت و سلامت اتیوپی ۲۰۱۹» (EMDHS ۲۰۱۹) انجام شد. از مجموع ۸۸۸۵ زن مصاحبه‌شده، ۳۹۷۹ زن که طی پنج سال قبل از نظرسنجی زایمان داشته‌اند، برای تحلیل انتخاب شدند. داده‌ها شامل متغیرهای دموگرافیک، اجتماعی-اقتصادی و مشخصات جغرافیایی بودند.

پاک‌سازی و آماده‌سازی داده

محققان از روش‌های استاندارد پیش‌پردازش داده شامل ویژگی‌سازی (feature engineering)، تقسیم داده به مجموعه‌های آموزش و تست، رسیدگی به مقادیر گمشده، رفع نامتقارنی کلاس‌ها (imbalanced classes) و حذف نقاط پرت استفاده کردند. این مراحل برای اطمینان از پایداری مدل و کاهش بایاس ضروری است، اما هر مرحله می‌تواند روی تعمیم‌پذیری مدل تأثیر بگذارد.

الگوریتم‌ها و ارزیابی

شش الگوریتم رایج یادگیری ماشین در محیط‌های R (نسخه ۴.۴.۲) و Python (۳.۱۱.۵) روی داده‌ها اجرا شدند؛ از بسته‌هایی مانند Scikit-learn و XGBoost استفاده شد. برای سنجش عملکرد از ماتریس‌های درستی مختلف و معیارهایی مانند دقت (accuracy) و مساحت زیر منحنی ROC (AUC) بهره برده شد. در نهایت، Random Forest با دقت ~۷۳% و AUC برابر با ۰.۷۹ به‌عنوان بهترین مدل گزارش شد.

تفسیر مدل با SHAP

برای فهم نقش هر متغیر و جهت اثر آن بر خروجی مدل، از روش Shapley Additive exPlanations (SHAP) استفاده شد. SHAP ابزاری نسبتاً شفاف برای تخصیص سهم هر ویژگی در پیش‌بینی مدل ارائه می‌دهد و کمک می‌کند که نه تنها بفهمیم کدام متغیرها مهم هستند، بلکه جهت و اندازهٔ تأثیر آن‌ها را نیز ببینیم.

یافته‌های اصلی

چند نکته کلیدی از نتایج مطالعه برآمده است:

• الگوریتم Random Forest بهترین عملکرد را بین شش الگوریتم داشت (دقت ≈ ۷۳% و AUC = ۰.۷۹).
• سن یکی از مهم‌ترین پیش‌بینی‌کننده‌ها بود؛ تحلیل SHAP نشان داد که گروه‌های سنی مختلف اثرات متفاوتی بر احتمال استفاده ناقص از ANC دارند.

<liمحل سکونت (شهری/روستایی) و منطقه جغرافیایی (از جمله بنیشانگول―گوموز، تیگرای، هاری و سومالی) از عوامل برجسته بودند.

• شاخص ثروت و سطح تحصیلات نیز نقش قابل‌توجهی داشتند؛ زنان با شاخص ثروت پایین و سطح تحصیلات کمتر احتمال بیشتری برای استفاده ناقص از ANC داشتند.
• به طور کلی، مطالعه نتیجه‌گیری کرد که گروه‌های جوان در مناطق روستایی، زنان با شاخص درآمدی پایین و کسانی که تحصیلات کمتری دارند، و همچنین برخی مناطق خاص مانند سومالی و هاری، بیشتر در معرض استفاده ناقص از مراقبت‌های قبل از زایمان قرار دارند.

تفسیر نتایج: چه چیزی را می‌توان نتیجه گرفت؟

این نتایج نشان می‌دهد که در بستر اتیوپی، عوامل ساختاری و اجتماعی-اقتصادی مانند فقر»، «محدودیت دسترسی جغرافیایی» و «کمبود آموزش احتمال کامل گرفتن مراقبت‌های بارداری را کاهش می‌دهند. مدل‌های یادگیری ماشین می‌توانند نقش متغیرها را برجسته کنند و SHAP کمک می‌کند تا جهتِ اثر قابل مشاهده شود؛ یعنی مشخص می‌کند کدام ویژگی‌ها به افزایش یا کاهش احتمال استفاده ناقص می‌انجامند.

با این حال، باید توجه داشت که ارتباط آماری به معنی رابطه علّی مستقیم نیست. مدل، الگوها و هم‌وابستگی‌ها را شناسایی می‌کند، اما نمی‌تواند به‌تنهایی نشان دهد که تغییر یک متغیر مستقیماً باعث افزایش یا کاهش استفاده از ANC می‌شود.

توضیح فنی کوتاه درباره SHAP و مزایای آن

SHAP بر پایه نظریه بازی‌های مشارکتی شکل گرفته و برای هر پیش‌بینی سهم هر ویژگی را در تغییر خروجی نسبت به مقدار پایه محاسبه می‌کند. مزیت اصلی SHAP در شفاف‌سازی مدل‌های پیچیده مانند Random Forest یا XGBoost است؛ به‌خصوص زمانی که تصمیم‌گیرندگان سیاست‌گذاری می‌خواهند بفهمند چرا یک مدل یک خانوار یا فرد را در معرض ریسک می‌داند.

این یافته برای بیمار چه معنایی دارد؟

برای زنان باردار و خانواده‌ها، این مطالعه نشان می‌دهد که دسترسی به مراقبت‌های کامل دوران بارداری تحت تأثیر عوامل گسترده‌تر اجتماعی-اقتصادی و جغرافیایی است، نه صرفاً تصمیم یا آگاهی فردی. اگر شما یا اطرافیانتان در ناحیه‌ای با خدمات محدود، دارای منابع مالی پایین یا تحصیلات کمتر هستید، احتمالاً نیاز به توجه بیشتر سیستم سلامت و سیاست‌گذاران برای بهبود دسترسی و مشوق‌های مراقبتی وجود دارد.

نکته مهم: این مطالعه راهنمای تصمیم‌گیری درمانی برای بیمار یا پزشک نیست؛ بلکه برای برنامه‌ریزان و مدیران سلامت می‌تواند گروه‌های آسیب‌پذیر را برای هدف‌گذاری بهتر نشان دهد.

محدودیت‌ها و نکاتی که باید با احتیاط خواند

• نوع مطالعه: تحلیل مقطعی از یک پیمایش ملی؛ از این رو نمی‌توان علّیت را اثبات کرد.
• تعاریف و اندازه‌گیری: استفاده از ANC معمولاً بر پایه گزارش خوداظهاری زنان در نظرسنجی است که در معرض خطاهای گزارش‌دهی و حافظه قرار دارد.
• نمونه و تعمیم‌پذیری: داده‌ها مربوط به اتیوپی در سال ۲۰۱۹ است؛ نتایج ممکن است برای کشورها یا دوره‌های زمانی دیگر متفاوت باشد.
• پردازش داده: گام‌هایی مانند حذف مقادیر گمشده، حذف نقاط پرت و تنظیم نامتقارنی کلاس‌ها می‌تواند منجر به از دست رفتن اطلاعات یا تغییر توزیع واقعی متغیرها شود.
• پایداری مدل: هرچند RF بهترین عملکرد را نشان داد، عملکرد مدل در مجموعه‌های داده مستقل (external validation) لازم است تا از تعمیم‌پذیری آن مطمئن شویم.
• تفسیر SHAP: SHAP کمک می‌کند جهت اثر را بفهمیم اما تحلیل نهایی باید با آگاهی از زمینه بالینی و اجتماعی همراه شود؛ مقادیر SHAP نشان‌دهنده روابط همبستگی‌محور هستند، نه اثبات علت و معلولی.

کاربردهای بالینی و سیاست‌گذاری (با احتیاط)

یادگیری ماشین و تفسیر قابل توضیح مانند SHAP می‌توانند به دستگاه‌های بهداشتی کمک کنند تا گروه‌هایی را که احتمالاً استفاده ناقص از مراقبت‌های قبل از زایمان دارند شناسایی کنند و منابع را هدفمند کنند. مثال‌هایی از کاربردها:

• طراحی برنامه‌های مراجعه فعال در مناطق روستایی یا مناطق جغرافیایی مشخص.
• حمایت‌های مالی یا تدارکاتی برای خانواده‌های دارای شاخص ثروت پایین.
• برنامه‌های آموزشی و اطلاع‌رسانی هدفمند برای زنان با تحصیلات کمتر.

اما این ابزارها نباید جایگزین ارزیابی‌های محلی و مطالعات مداخله‌ای شوند؛ اجرای سیاست‌ها نیازمند آزمون و ارزیابی محلی است تا از اثربخشی واقعی و جلوگیری از پیامدهای ناخواسته اطمینان حاصل شود.

نظر تحریریه پزشک سایت

این پژوهش نمونه‌ای از کاربرد روش‌های پیشرفته داده‌کاوی در سلامت جمعیت است و نشان می‌دهد که ترکیب یادگیری ماشین با روش‌های قابل تفسیر می‌تواند بینش‌های کاربردی برای سیاست‌گذاران فراهم آورد. با این حال، ما تأکید می‌کنیم که نتایج این مطالعه باید به‌عنوان یک نقطه شروع برای طراحی مداخلات محلی دیده شود، نه به‌عنوان حکم قطعی درباره علت مشکلات. اجرای تغییرات در سطح نظام سلامت نیازمند مطالعات مداخله‌ای، مشارکت جامعه محلی و اندازه‌گیری تأثیر واقعی سیاست‌ها بر سلامت مادران است.

چه زمانی باید با پزشک مشورت کرد؟

اگر شما باردار هستید یا قصد بارداری دارید، ارتباط با خدمات بهداشتی و پزشک متخصص اهمیت زیادی دارد. موارد زیر نیازمند مراجعه یا تماس فوری با پزشک یا مرکز خدمات بهداشتی است:

• خونریزی واژینال یا درد شکمی شدید در دوران بارداری
• تب بالا، لرز یا علائم عفونت
• کاهش محسوس حرکات جنین یا هرگونه نگرانی درباره وضعیت جنین
• شرایط مزمن (مثلاً بیماری قلبی، دیابت یا فشارخون) که نیاز به تنظیم دارو در بارداری دارد
• مشکلاتی که ممکن است به جراحی، بستری یا مداخله فوری نیاز داشته باشد

یادآوری: این مقاله مطالعه حاضر را بازتاب می‌دهد و توصیه‌های بالینی ویژهٔ شما باید از طریق ملاقات حضوری یا مشاوره با پزشک تامین شود.

پرسش‌های رایج

۱. آیا مدل‌های یادگیری ماشین ثابت می‌کنند که فقر باعث استفاده ناقص از ANC می‌شود؟

خیر. مدل‌ها نشان می‌دهند که فقر با احتمال بیشتر استفاده ناقص از ANC همبسته است، اما از داده‌های مقطعی نمی‌توان علیت را اثبات کرد؛ برای اثبات علت باید مطالعات مداخله‌ای یا طولی انجام شود.

۲. آیا نتایج برای تمام مناطق اتیوپی یکسان است؟

خیر. مطالعه نشان داد که تفاوت‌های منطقه‌ای وجود دارد؛ برخی مناطق خاص ریسک بالاتری داشتند. این نشان‌دهنده نابرابری منطقه‌ای در دسترسی به خدمات است.

۳. آیا می‌توان از این مدل برای پیش‌بینی در کشورهای دیگر استفاده کرد؟

احتمالاً نه بدون اعتبارسنجی خارجی. مدل‌ها و ویژگی‌های مهم می‌توانند در بسترهای مختلف فرق کنند؛ بنابراین لازم است مدل در داده‌های مستقل ارزیابی و اصلاح شود.

۴. SHAP دقیقا چه اطلاعاتی می‌دهد؟

SHAP سهم هر ویژگی را در تصمیم مدل برای هر نمونه مشخص می‌کند؛ یعنی نشان می‌دهد که هر متغیر چقدر به افزایش یا کاهش احتمال استفاده ناقص از ANC کمک کرده است.

۵. آیا باید به دنبال برنامه‌های محلی برای بهبود ANC بود؟

بله. این مطالعه گروه‌های آسیب‌پذیر را شناسایی می‌کند؛ اما طراحی و اجرای برنامه‌ها باید مبتنی بر ارزیابی محلی، گفتگو با جامعه و آزمون‌های مداخله‌ای باشد تا اثر واقعی مشخص شود.

جمع‌بندی کاربردی

تحلیل داده‌های ملی اتیوپی با رویکرد یادگیری ماشین نشان می‌دهد که سن، محل سکونت، منطقه جغرافیایی، شاخص ثروت و تحصیلات از عوامل کلیدی مرتبط با استفاده ناقص از مراقبت‌های قبل از زایمان هستند. ابزارهایی مثل Random Forest به‌همراه SHAP می‌توانند گروه‌های پرریسک را مشخص کنند و به سیاست‌گذاران در هدف‌گذاری منابع کمک کنند. با این حال، این نتایج همبستگی‌آمیز هستند و برای اطمینان از اثربخشی واقعی هر مداخله لازم است تا تحقیقات مداخله‌ای و اعتبارسنجی محلی انجام شود. برنامه‌ریزی مبتنی بر این شواهد باید به‌صورت محتاطانه و همراه با مشارکت جوامع هدف انجام شود تا بهبود دسترسی به ANC و نهایتاً کاهش مرگ‌ومیر مادری حاصل شود.

منبع

Modeling predictors of incomplete antenatal care utilization among reproductive-age women in Ethiopia using machine learning algorithms and SHAP interpretation. PLOS Digital Health. 2026. DOI: https://doi.org/10.1371/journal.pdig.0001489

مطالب این مقاله فقط برای افزایش آگاهی عمومی است و جایگزین تشخیص یا درمان پزشکی نیست. برای اطلاعات بیشتر، صفحه سیاست پزشکی و سلب مسئولیت پزشک سایت را بخوانید.