Predicting Predisposition to Tropical Diseases in Female Adults Using Risk Factors: An Explainable-Machine Learning Approach
Notice bibliographique
Résumé
Malaria, typhoid fever, respiratory tract infections, and urinary tract infections significantly impact women, especially in remote, resource-constrained settings, due to limited access to quality healthcare and certain risk factors. Most studies have focused on vector control measures, such as insecticide-treated nets and time series analysis, often neglecting emerging yet critical risk factors vital for effectively preventing febrile diseases. We address this gap by investigating the use of machine learning (ML) models, specifically extreme gradient boost and random forest, in predicting adult females’ susceptibility to these diseases based on biological, environmental, and socioeconomic factors. An explainable AI (XAI) technique, local interpretable model-agnostic explanations (LIME), was applied to enhance the transparency and interpretability of the predictive models. This approach provided insights into the models’ decision-making process and identified key risk factors, enabling healthcare professionals to personalize treatment services. Factors such as high cholesterol levels, poor personal hygiene, and exposure to air pollution emerged as significant contributors to disease susceptibility, revealing critical areas for public health intervention in remote and resource-constrained settings. This study demonstrates the effectiveness of integrating XAI with ML in directing health interventions, providing a clearer understanding of risk factors, and efficiently allocating resources for disease prevention and treatment.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».