[논문 리뷰] Predicting Anemia Among Under-Five Children in Nepal Using Machine Learning and Deep Learning

Deepak Bastola, Pitambar Acharya외 3명|arXiv (Cornell University)|2026. 02. 01.

Iron Metabolism and Disorders인용 수 0

한 줄 요약

이 연구는 NDHS 2022 데이터를 사용하여 네팔 아동(6-59개월)에서 빈혈 예측을 위해 10개 ML/DL 모델을 벤치마킹하고, 13 개의 사회인구학적 특징과 클래스 불균형 처리를 위한 SMOTE를 사용합니다.

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.

연구 동기 및 목표

• 네팔의 NDHS 2022 데이터를 사용하여 6-59개월 아동의 빈혈 상태(모든 심각도 포함)를 예측할 수 있는지 머신러닝 및 딥러닝 모델로 평가한다.
• 다양한 특징 선택 기법과 방법 간 합의를 적용하여 강건한 특징 서브셋을 식별한다.
• 클래스 불균형 하에서 적절한 지표로 모델 성능을 평가하고 자원이 제한된 환경에서의 실용적 선별 가능성을 결정한다.
• 해석 가능한 모델(예: 로지스틱 회귀)과 신경망 접근법의 상대적 강점을 이 맥락에서 검토한다.

제안 방법

• NDHS 2022 데이터를 누락된 대상 및 고누락 변수와 함께 제거하고 남은 누락치를 보정한다.
• 특성을 범주형 표현으로 변환하고 80/20 학습-테스트 분할을 계층화 샘플링으로 적용한다.
• 카이제곱, 상호정보, 포인트-바리에이블, 보루타 등 네 가지 특징 선택 방법을 사용하고 다중 방법 합의를 통해 지원되는 특징을 선택한다.
• 학습 데이터를 SMOTE로 균형화하고 데이터 누출을 피하기 위해 모델링 파이프라인에 통합한다.
• LR, KNN, DT, RF, XGBoost, SVM, NB, LDA, DNN, TabNet의 열 가지 모델을 반복적 계층화 교차검증과 그리드 서치를 사용해 학습하고 최적화한다.
• 정확도, 정밀도, 재현율, F1-스코어, 평균 정밀도, AUC, Cohen’s κ를 사용해 모델을 평가하고 클래스 불균형으로 인한 재현율과 F1을 강조한다.

Figure 1: Normalized features importance across methods

실험 결과

연구 질문

• RQ1 ML/DL 모델이 NDHS 2022의 사회인구학적 특징을 사용해 네팔의 아동 빈혈 상태를 예측할 수 있는가?
• RQ2 여러 특징 선택 방법에서 가장 일관되게 정보를 제공하는 특징은 무엇인가?
• RQ3 이 설정에서 SMOTE로 균형된 학습에서 다른 ML/DL 알고리즘의 성능은 어떠한가?
• RQ4 로지스틱 회귀가 이 표 형식의 소규모 샘플이 많고 불균형이 심한 문제에서 신경망과 경쟁할 수 있는가?
• RQ5 모델 성능이 네팔의 비침습적 선별 및 공중보건 선별 프로그램에 어떤 시사점을 가지는가?

주요 결과

• 로지스틱 회귀가 재현율(70.1%)과 가장 높은 F1-점수(64.9%)를 달성하여 빈혈 사례를 식별하는 데 강한 능력을 보여주었다.
• SVM이 가장 높은 AUC(0.736)를 제공하여 빈혈 아동과 비빈혈 아동 간의 구분이 강하다는 것을 보여주었다.
• DNN은 가장 높은 정확도(70.9%)와 정밀도(66.4%)를 달성했지만 재현율은 LR보다 낮은 60.4%에 머물렀다.
• 전반적으로 모든 지표에서 모델 성능이 60-70% 범위로 나타나 사회인구학적 대리 변수의 예측 한계와 직접적인 임상 지표 간의 차를 반영한다.
• 주요 예측 특징으로 아동 연령, 발열, 가구 규모, 산모 빈혈, 기생충 구충이 포함되며 다수의 민족 및 도 지표도 정보적이다.
• SMOTE를 통해 클래스 불균형 문제를 해결하는 데 모델이 일관되게 이점을 보였고, 교차검증은 강건한 일반화를 시사했다.

Figure 3: Train and test ROC curves