[論文レビュー] Predicting Anemia Among Under-Five Children in Nepal Using Machine Learning and Deep Learning

Deepak Bastola, Pitambar Acharya+3 more|arXiv (Cornell University)|Feb 1, 2026

Iron Metabolism and Disorders被引用数 0

ひとこと要約

この研究は、NDHS 2022 データを用いてネパールの子ども（6-59か月）における貧血を予測するために、10の ML/DL モデルをベンチマークし、13 の社会人口統計的特徴とクラス不均衡の SMOTE 対処を用いている。

ABSTRACT

Childhood anemia remains a major public health challenge in Nepal and is associated with impaired growth, cognition, and increased morbidity. Using World Health Organization hemoglobin thresholds, we defined anemia status for children aged 6-59 months and formulated a binary classification task by grouping all anemia severities as \emph{anemic} versus \emph{not anemic}. We analyzed Nepal Demographic and Health Survey (NDHS 2022) microdata comprising 1,855 children and initially considered 48 candidate features spanning demographic, socioeconomic, maternal, and child health characteristics. To obtain a stable and substantiated feature set, we applied four features selection techniques (Chi-square, mutual information, point-biserial correlation, and Boruta) and prioritized features supported by multi-method consensus. Five features: child age, recent fever, household size, maternal anemia, and parasite deworming were consistently selected by all methods, while amenorrhea, ethnicity indicators, and provinces were frequently retained. We then compared eight traditional machine learning classifiers (LR, KNN, DT, RF, XGBoost, SVM, NB, LDA) with two deep learning models (DNN and TabNet) using standard evaluation metrics, emphasizing F1-score and recall due to class imbalance. Among all models, logistic regression attained the best recall (0.701) and the highest F1-score (0.649), while DNN achieved the highest accuracy (0.709), and SVM yielded the strongest discrimination with the highest AUC (0.736). Overall, the results indicate that both machine learning and deep learning models can provide competitive anemia prediction and the interpretable features such as child age, infection proxy, maternal anemia, and deworming history are central for risk stratification and public health screening in Nepal.

研究の動機と目的

• 機械学習および深層学習モデルが NDHS 2022 データを用いてネパールの6-59か月の子どもの貧血状態（いずれの重症度も）を予測できるかを評価する。
• 複数の特徴選択手法と方法間のコンセンサスを適用して、堅牢な特徴Subsetを識別する。
• クラス不均衡の下で適切な指標を用いてモデル性能を評価し、資源制限がある現場での実用的なスクリーニング可能性を判断する。
• この文脈における解釈性のあるモデル（例：ロジスティック回帰）とニューラルネットワークの相対的な強みを検討する。

提案手法

• 欠損ターゲットおよび高欠搾変数を含むエントリを削除して NDHS 2022 データを前処理する；残りの欠損を補完する。
• 特徴をカテゴリ表現に変換し、層別抽出を用いた80/20の訓練-テスト分割を適用する。
• 4つの特徴選択法（Chi-square、Mutual Information、Point-Biserial、Boruta）を使用し、複数手法のコンセンサスによって支持される特徴を選択する。
• データ漏洩を避けるために、SMOTEで訓練データをバランスさせ、モデリングパイプラインに統合する。
• LR、KNN、DT、RF、XGBoost、SVM、NB、LDA、DNN、TabNetの10モデルを、層別交差検証とグリッドサーチで訓練・最適化する。
• クラス不均衡のため、正確さ、適合率、再現率、F1スコア、平均精度、AUC、Cohen’s kappaでモデルを評価する；特に再現率とF1に重点を置く。

Figure 1: Normalized features importance across methods

実験結果

リサーチクエスチョン

• RQ1 ML/DLモデルは NDHS 2022 の社会人口統計特徴を用いてネパールの子どもの貧血状態を予測できるか？
• RQ2 複数の特徴選択法を跨いで、どの特徴が最も一貫して貧血リスクに有用であったか？
• RQ3 この設定で SMOTE バランス訓練下の異なる ML/DL アルゴリズムの性能はどうなるか？
• RQ4 このような表形式の、小さいサンプル数と高度に不均衡な問題において、ロジスティック回帰はニューラルネットワークと競合し得るか？
• RQ5 モデル性能はネパールにおける非侵襲的スクリーニングや公衆衛生スクリーニングプログラムにどのような示唆を与えるか？

主な発見

• ロジスティック回帰は最高の再現率（70.1%）と最高のF1スコア（64.9%）を達成し、貧血症例を同定する能力が高いことを示した。
• SVMは最高のAUC（0.736）を提供し、貧血児と非貧血児を強く識別することを示した。
• DNNは最高の精度（70.9%）と適合率（66.4%）を達成したが、 LR より再現率は低かった（60.4%）。
• 全体的なモデル性能は指標間で60〜70%の範囲であり、社会人口統計的代替指標と直接的な臨床指標の予測限界を反映している。
• 予測力の高い特徴として、子どもの年齢、発熱、世帯人数、母体貧血、寄生虫駆虫が挙げられ、いくつかの民族および州の指標も有用である。
• モデルは不均衡問題に対処するためにSMOTEの恩恵を一貫して受け、交差検証は堅牢な一般化を示唆した。

Figure 3: Train and test ROC curves