Applying Predictive Analytics in Identifying Key Risk Factors for Hypertension in Malawi: A Randomized Controlled Population Health Study
Notice bibliographique
Résumé
This study investigates the primary risk factors for hypertension in Malawi using predictive analytics and the CARROT-BUS (Capacity Building, Accountability, Resources, Results, Ownership, Transparency – Bottom-Up Strategy) model as a guiding framework. Drawing on baseline data from a population-level control cohort study, multiple machine learning models—Logistic Regression, Random Forests, Support Vector Machines (SVMs), Neural Networks, and XGBoost—were applied to assess predictive performance. Among them, XGBoost achieved the highest accuracy (88%) and AUC-ROC (0.92), followed by Random Forest and Logistic Regression. Key predictors included age, body mass index (BMI), systolic blood pressure, physical inactivity, and high sodium intake. In parallel, qualitative data from focus group discussions (FGDs) provided contextual insights into community knowledge, attitudes, and barriers regarding hypertension prevention and care. Participants revealed widespread misconceptions about hypertension symptoms and causes, reliance on traditional medicine, inadequate infrastructure, and medication shortages. The CARROT-BUS model served as a lens to assess systemic enablers and constraints, emphasizing the importance of community ownership, transparent resource allocation, and sustainable intervention planning. This mixed-methods approach demonstrates the value of integrating machine learning with participatory community engagement to guide data-informed, culturally relevant public health strategies. While the cross-sectional nature of the baseline data limits causal inference, and some self-reported variables may reflect social desirability bias, the study offers actionable insights for improving hypertension control in low-resource settings. Future phases, including midline and endline assessments, will further evaluate the effectiveness and sustainability of the interventions. These assessments are critical for enabling causal inference and determining the longitudinal impact of the intervention on hypertension control.
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 | 0,029 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».