[论文解读] Infant Mortality Prediction using Birth Certificate Data

Antonia Saravanou, Clemens Noelke+3 more|arXiv (Cornell University)|Jul 21, 2019

Data-Driven Disease Surveillance参考文献 13被引用 4

一句话总结

本文提出一种机器学习方法，利用出生证明数据预测婴儿死亡率，通过整合社会经济和临床特征以提高预测准确性。通过使用XGBoost训练种族特异性模型，AUC最高达到0.84，显著优于标准流行病学方法，凸显了母亲教育程度、种族和出生体重在死亡率预测中的关键作用。

ABSTRACT

The Infant Mortality Rate (IMR) is the number of infants per 1000 that do not survive until their first birthday. It is an important metric providing information about infant health but it also measures the society's general health status. Despite the high level of prosperity in the U.S.A., the country's IMR is higher than that of many other developed countries. Additionally, the U.S.A. exhibits persistent inequalities in the IMR across different racial and ethnic groups. In this paper, we study the infant mortality prediction using features extracted from birth certificates. We are interested in training classification models to decide whether an infant will survive or not. We focus on exploring and understanding the importance of features in subsets of the population; we compare models trained for individual races to general models. Our evaluation shows that our methodology outperforms standard classification methods used by epidemiology researchers.

研究动机与目标

• 利用包含社会经济和临床因素的全面出生证明数据，提高婴儿死亡率预测的准确性。
• 探究按种族建模是否相较于一般人群模型能提升预测性能。
• 利用可解释的机器学习技术，识别预测婴儿死亡率中最具影响力的特征。
• 在不同类别不平衡情景（1:1、1:10、1:145）下评估模型性能，以检验其鲁棒性。
• 通过识别高风险亚群体和关键风险因素，为公共卫生政策提供可操作的见解。

提出的方法

• 使用包含1200万份美国出生证明（2000–2002年）的数据集，包含128个特征，涵盖母亲、婴儿和产科特征。
• 采用XGBoost进行婴儿存活（是/否）的二分类任务，通过超参数调优以优化性能。
• 为每种种族群体（白人、黑人、美洲原住民）分别训练模型，以评估人群特异性建模的影响。
• 使用AUC评估模型性能，并通过梯度提升决策树中的信息增益分析特征重要性。
• 在不同类别不平衡分布（1:1、1:10、1:145）下测试模型，以模拟现实世界中的数据偏斜并评估泛化能力。
• 引入外部社会经济特征（如母亲教育程度、婚姻状况和居住地）以增强预测能力。

实验结果

研究问题

• RQ1 基于出生证明数据训练的机器学习模型是否能优于传统流行病学方法来预测婴儿死亡率？
• RQ2 与单一通用模型相比，训练种族特异性模型是否能提高预测准确性？
• RQ3 根据模型结果，哪些社会经济和临床特征对婴儿死亡率最具预测力？
• RQ4 类别不平衡（1:145）如何影响模型性能，以及哪些策略可减轻其影响？
• RQ5 母亲特征（如教育程度、年龄和种族）在预测婴儿死亡率方面的作用有多大？

主要发现

• XGBoost模型在白人群体中AUC达到0.84，在总体人群（1:145不平衡）中AUC为0.82，显著优于标准流行病学方法。
• 种族特异性模型提升了预测准确性，黑人群体AUC达0.83，美洲原住民为0.75，表明子群建模可增强性能。
• 最重要的两个特征为出生体重（单位：克）和Apgar评分，其次为母亲教育程度、年龄和种族，凸显社会经济因素的作用。
• 前20大特征中有9个与母亲相关，包括婚姻状况、居住地和产前检查次数，强调母亲背景的重要性。
• 模型在不同不平衡水平下均保持良好性能，AUC仅从1:1时的0.84略微下降至1:145时的0.82，表明其具有鲁棒性。
• 特征重要性分析显示，临床因素（如妊娠周数、先天性异常）和社会经济指标（如母亲教育程度、吸烟状况）对准确预测至关重要。