Neues Modell vorhersagt Kindersterblichkeit in Bangladesch – 10 Jahre Validierung

Ein neues Machine‑Learning‑Modell zur Vorhersage von Kindersterblichkeit in Bangladesch wurde über einen Zeitraum von zehn Jahren hinweg validiert. Die Analyse stützt sich auf 33 962 Beobachtungen aus den Demographic and Health Surveys (DHS) der Jahre 2011 bis 2022.

Die Trainingsdaten umfassten die Jahre 2011 bis 2014, die Validierung erfolgte mit Daten aus 2017 und die abschließende Testung nutzte die 2022‑Daten. Nach acht Jahren der Weiterentwicklung zeigte ein genetisch basierter Neural Architecture Search ein einzelnes Schicht‑Neuronales Netzwerk mit 64 Einheiten als überlegen gegenüber dem populären XGBoost‑Modell (AUROC = 0,76 vs. 0,73, p < 0,01).

Ein detaillierter Fairness‑Audit offenbarte einen „Sozioökonomischen Vorhersage‑Gradienten“. Die Korrelation zwischen regionalem Armutsniveau und der AUC des Modells betrug r = –0,62. Das Modell erreichte die höchste Genauigkeit in den ärmsten Regionen (AUC = 0,74) und zeigte in den wohlhabenderen Divisionen einen deutlichen Rückgang (AUC = 0,66). Diese Ergebnisse deuten darauf hin, dass das Modell gezielt Gebiete mit dem größten Bedarf an Interventionen identifiziert.

Im Vergleich zu einem Gradient‑Boosting‑Ansatz würde das neue Modell jährlich etwa 1 300 zusätzliche gefährdete Kinder erkennen, wenn es mit einer 10 %‑Schwelle und unter Verwendung von SHAP‑Werten sowie Platt‑Kalibrierung validiert wird. Damit bietet es eine robuste, produktionsbereite computational phenotype für gezielte Maßnahmen im Bereich Mutter‑ und Kinder‑Gesundheit.