Closing the gap on institutional delivery in northern India: a case study of how integrated machine learning approaches can enable precision public health
Notice bibliographique
Résumé
INTRODUCTION: Meeting ambitious global health goals with limited resources requires a precision public health (PxPH) approach. Here we describe how integrating data collection optimisation, traditional analytics and causal artificial intelligence/machine learning (ML) can be used in a use case for increasing hospital deliveries of newborns in Uttar Pradesh, India. METHODS: Using a systematic behavioural framework we designed a large-scale survey on perceptual, interpersonal and structural drivers of women's behaviour around childbirth (n=5613). Multivariate logistic regression identified factors associated with institutional delivery (ID). Causal ML determined the cause-and-effect ordering of these factors. Variance decomposition was used to parse sources of variation in delivery location, and a supervised learning algorithm was used to distinguish population subgroups. RESULTS: Among the factors found associated with ID, the causal model showed that having a delivery plan (OR=6.1, 95% CI 6.0 to 6.3), believing the hospital is safer than home (OR=5.4, 95% CI 5.1 to 5.6) and awareness of financial incentives were direct causes of ID (OR=3.4, 95% CI 3.3 to 3.5). Distance to the hospital, borrowing delivery money and the primary decision-maker were not causal. Individual-level factors contributed 69% of variance in delivery location. The segmentation analysis showed four distinct subgroups differentiated by ID risk perception, parity and planning. CONCLUSION: These findings generate a holistic picture of the drivers and barriers to ID in Uttar Pradesh and suggest distinct intervention points for different women. This demonstrates data optimised to identify key behavioural drivers, coupled with traditional and ML analytics, can help design a PxPH approach that maximise the impact of limited resources.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».