Deep Learning übertrifft ML bei Vorhersage von Kinder-Malnutrition in Nepal

In einer wegweisenden Analyse aus Nepal zeigen Deep‑Learning‑Modelle deutlich bessere Ergebnisse als klassische Machine‑Learning‑Algorithmen bei der Vorhersage von Unterernährung bei Kindern unter fünf Jahren. Die Studie, die auf Daten der Nepal Multiple Indicator Cluster Survey 2019 basiert, vergleicht 16 verschiedene Modelle – darunter Deep‑Learning‑Netze, Gradient‑Boosting‑Methoden und traditionelle Klassifikatoren – und bewertet sie anhand von zehn Leistungsmetriken, wobei der F1‑Score und die Recall‑Rate besonders betont werden, um die hohe Klassenungleichheit zu berücksichtigen.

Das Modell TabNet, das auf einer attention‑basierten Architektur beruht, erzielte die höchste Genauigkeit und übertraf sowohl Support‑Vector‑Maschinen als auch AdaBoost‑Klassifikatoren. Durch eine konsensbasierte Feature‑Importance‑Analyse wurden die wichtigsten Prädiktoren identifiziert: Bildung der Mutter, Haushaltswohlstand und das Alter des Kindes. Weitere bedeutende Faktoren sind geografische Merkmale, Impfstatus und Essenshäufigkeit.

Die Ergebnisse unterstreichen die Leistungsfähigkeit eines skalierbaren, auf Umfragedaten basierenden Screening‑Frameworks, das gezielt Kinder mit hohem Risiko für Unterernährung identifizieren kann. Damit bietet die Methode eine evidenzbasierte Grundlage, um gezielte Ernährungsinterventionen in ressourcenarmen Regionen zu planen und umzusetzen, und trägt damit zur Reduktion von Kinderunterernährung in Nepal bei.