Predicting hypertension and identifying most important factors among married women in Bangladesh using machine learning approach
Notice bibliographique
Résumé
INTRODUCTION: Hypertension is a leading contributor to maternal and cardiometabolic morbidity in Bangladesh. We developed and interpreted machine-learning (ML) models to predict hypertension and rank associated factors among married women with the goal of informing targeted screening and policy in low-resource settings. METHODS: We analyzed 4,253 married women from the nationally representative BDHS 2017-18 survey (hypertension prevalence: 23.1%). Twelve ML algorithms were trained under six class-balancing strategies with hyperparameters tuned via random search. Validation used a hold-out test set (80/20) and repeated stratified k-fold cross-validation; bootstrap confidence intervals were estimated for the selected model. Model performance was compared with parametric and non-parametric tests. To interpret results, SHAP was used to rank the top 20 predictors and visualize feature effects. Models quantify associations rather than causation. RESULTS: The Extra Trees classifier with SMOTE+ENN achieved the best discrimination (F1 = 0.94; AUC-PR = 0.95; ROC-AUC = 0.95). Compared with the original imbalanced training, minority-class detection improved substantially (Extra Trees F1 increased from 0.08 to 0.94; recall from 0.04 to 0.95) while accuracy and ROC-AUC remained relatively stable across samplers. Statistical testing favored SMOTE+ENN for recall, F1, G-mean and AUC-PR. SHAP identified age, parity, recent births, contraceptive use, spousal education and BMI as key predictors. Younger age (<35 years) and normal/underweight status were protective, while parity ≥2-3, husbands' age ≥ 40 years and overweight/obesity increased risk. CONCLUSIONS: An interpretable ensemble model built primarily on sociodemographic and behavioral variables supplemented by limited biometric markers (BMI, glucose) can accurately flag hypertensive risk among married women in Bangladesh. Findings support programmatic integration of risk scores into eRegistries, routine blood pressure checks in family planning and postpartum visits, husband-focused education/SMS interventions and prioritization of high-parity households in high-risk regions. External validation on BDHS-2022 is planned to assess generalizability.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».