dontbemed

Hướng dẫn lâm sàng theo y học chứng cứ

Y tế thế giới

Suy dinh dưỡng ở trẻ em Kenya: Mô hình AI có thể dự báo tỷ lệ này sáu tháng trước khi chúng trở nên nguy kịch

Child malnutrition in Kenya: AI model can forecast rates six months before they become critical

Suy dinh dưỡng ở trẻ em Kenya: Mô hình AI có thể dự báo tỷ lệ này sáu tháng trước khi chúng trở nên nguy kịch
Show
Hide
EN – VI
VI – EN

Globally, nearly half of the deaths of children under five years are linked to malnutrition. In Kenya, it’s the leading cause of illness and death among children.

Toàn cầu, gần một nửa số ca tử vong ở trẻ em dưới năm tuổi có liên quan đến suy dinh dưỡng. Tại Kenya, đây là nguyên nhân hàng đầu gây bệnh và tử vong ở trẻ em.

Children with malnutrition typically show signs of recent and severe weight loss. They may also have swollen ankles and feet. Acute malnutrition among children is usually the result of eating insufficient food or having infectious diseases, especially diarrhoea.

Trẻ em bị suy dinh dưỡng thường có các dấu hiệu sụt cân nghiêm trọng và gần đây. Chúng cũng có thể bị sưng mắt cá chân và bàn chân. Suy dinh dưỡng cấp tính ở trẻ em thường là kết quả của việc ăn uống không đủ hoặc mắc các bệnh truyền nhiễm, đặc biệt là tiêu chảy.

Acute malnutrition weakens a child’s immune system. This can lead to increased susceptibility to infectious diseases like pneumonia. It can also cause more severe illness and an increased risk of death.

Suy dinh dưỡng cấp tính làm suy yếu hệ miễn dịch của trẻ. Điều này có thể dẫn đến tăng tính nhạy cảm với các bệnh truyền nhiễm như viêm phổi. Nó cũng có thể gây ra bệnh nặng hơn và tăng nguy cơ tử vong.

Currently, the Kenyan national response to malnutrition, implemented by the ministry of health, is based on historical trends of malnutrition. This means that if cases of malnutrition have been reported in a certain month, the ministry anticipates a repeat during a similar month in subsequent years. Currently, no statistical modelling guides responses, which has limited their accuracy.

Hiện tại, phản ứng quốc gia của Kenya đối với suy dinh dưỡng, được Bộ Y tế thực hiện, dựa trên các xu hướng lịch sử về suy dinh dưỡng. Điều này có nghĩa là nếu các trường hợp suy dinh dưỡng được báo cáo trong một tháng nhất định, bộ sẽ dự đoán sự tái diễn trong một tháng tương tự vào các năm tiếp theo. Hiện tại, không có mô hình thống kê nào hướng dẫn các phản ứng này, điều này đã hạn chế độ chính xác của chúng.

The health ministry has collected monthly data on nutrition-related indicators and other health conditions for many years.

Bộ Y tế đã thu thập dữ liệu hàng tháng về các chỉ số liên quan đến dinh dưỡng và các tình trạng sức khỏe khác trong nhiều năm.

Our multi-disciplinary team set out to explore whether we could use this data to help forecast where, geographically, child malnutrition was likely to occur in the near future. We were aiming for a more accurate forecast than the existing method.

Nhóm đa ngành của chúng tôi đã tìm cách khám phá xem liệu chúng tôi có thể sử dụng dữ liệu này để giúp dự báo về vị trí địa lý có khả năng xảy ra suy dinh dưỡng ở trẻ em trong tương lai gần hay không. Chúng tôi hướng tới một dự báo chính xác hơn so với phương pháp hiện có.

We developed a machine learning model to forecast acute malnutrition among children in Kenya. A machine learning model is a type of mathematical model that, once “trained” on an existing data set, can make predictions of future outcomes. We used existing data and improved forecasting capabilities by including complementary data sources, such as satellite imagery that provides an indicator of crop health.

Chúng tôi đã phát triển một mô hình học máy để dự báo tình trạng suy dinh dưỡng cấp tính ở trẻ em tại Kenya. Mô hình học máy là một loại mô hình toán học, sau khi được “huấn luyện” trên một bộ dữ liệu hiện có, có thể đưa ra dự đoán về các kết quả trong tương lai. Chúng tôi đã sử dụng dữ liệu hiện có và cải thiện khả năng dự báo bằng cách bao gồm các nguồn dữ liệu bổ sung, chẳng hạn như hình ảnh vệ tinh cung cấp chỉ số sức khỏe cây trồng.

We found that machine learning-based models consistently outperformed existing platforms used to forecast malnutrition rates in Kenya. And we found that models with satellite-based features worked even better.

Chúng tôi nhận thấy rằng các mô hình dựa trên học máy liên tục hoạt động tốt hơn các nền tảng hiện có được sử dụng để dự báo tỷ lệ suy dinh dưỡng ở Kenya. Và chúng tôi nhận thấy rằng các mô hình có tính năng dựa trên vệ tinh hoạt động thậm chí còn tốt hơn.

Our results demonstrate the ability of machine learning models to more accurately forecast malnutrition in Kenya up to six months ahead of time from a variety of indicators.

Kết quả của chúng tôi chứng minh khả năng của các mô hình học máy trong việc dự báo suy dinh dưỡng ở Kenya một cách chính xác hơn, lên đến sáu tháng trước từ nhiều chỉ số khác nhau.

If we have advance knowledge of where malnutrition is likely to be high, scarce resources can be allocated to these high-risk areas in a timely manner to try to prevent children from becoming malnourished.

Nếu chúng ta có kiến thức trước về nơi nào có khả năng suy dinh dưỡng cao, các nguồn lực khan hiếm có thể được phân bổ đến các khu vực rủi ro cao này một cách kịp thời để cố gắng ngăn ngừa trẻ em bị suy dinh dưỡng.

How we did it

Cách chúng tôi thực hiện

We used clinical data from the Kenya Health Information System. This included data on diarrhoea treatment and low birth weight. We collected data on children who visited a health facility who met the definition of being acutely malnourished, among other relevant clinical indicators.

Chúng tôi đã sử dụng dữ liệu lâm sàng từ Hệ thống Thông tin Y tế Kenya. Dữ liệu này bao gồm thông tin về điều trị tiêu chảy và cân nặng khi sinh thấp. Chúng tôi đã thu thập dữ liệu về trẻ em đến cơ sở y tế và đáp ứng tiêu chuẩn suy dinh dưỡng cấp tính, cùng với các chỉ số lâm sàng liên quan khác.

Given that food insecurity is a key driver of acute malnutrition, we also incorporated data reflecting crop activity into our models. We used a NASA satellite to look at gross primary productivity, which measures the rate at which plants convert solar energy into chemical energy. This provides a coarse indicator of crop health and productivity. Lower average rates can be an early indication of food scarcity.

Do mất an ninh lương thực là nguyên nhân chính gây suy dinh dưỡng cấp tính, chúng tôi cũng tích hợp dữ liệu phản ánh hoạt động cây trồng vào các mô hình của mình. Chúng tôi đã sử dụng vệ tinh NASA để xem xét năng suất sơ cấp thô (gross primary productivity) , chỉ số đo tốc độ thực vật chuyển đổi năng lượng mặt trời thành năng lượng hóa học. Điều này cung cấp một chỉ số thô về sức khỏe và năng suất cây trồng. Tỷ lệ trung bình thấp có thể là dấu hiệu sớm của tình trạng khan hiếm lương thực.

We tested several methods and models for forecasting malnutrition risk among children in Kenya using data collected from January 2019 to February 2024.

Chúng tôi đã thử nghiệm nhiều phương pháp và mô hình để dự báo nguy cơ suy dinh dưỡng ở trẻ em tại Kenya bằng cách sử dụng dữ liệu được thu thập từ tháng 1 năm 2019 đến tháng 2 năm 2024.

The gradient boosting machine learning model – trained on previous acute malnutrition outcomes and gross primary productivity measurements – turned out to be the most effective model for forecasting acute malnutrition among children.

Mô hình học máy tăng cường gradient (gradient boosting machine learning model) – được huấn luyện trên các kết quả suy dinh dưỡng cấp tính trước đây và các số liệu đo năng suất sơ cấp thô – hóa ra là mô hình hiệu quả nhất để dự báo tình trạng suy dinh dưỡng cấp tính ở trẻ em.

This model can forecast where and at what prevalence level acute malnutrition among children is likely to occur in one month’s time with 89% accuracy.

Mô hình này có thể dự báo nơi và mức độ phổ biến mà tình trạng suy dinh dưỡng cấp tính ở trẻ em có khả năng xảy ra trong vòng một tháng tới với độ chính xác 89%.

All the models we developed performed well where the prevalence of acute child malnutrition was expected to be at more than 30%, for instance in northern and eastern Kenya, which have dry climates. However, when the prevalence was less than 15%, for instance in western and central Kenya, only the machine learning models were able to forecast with good accuracy.

Tất cả các mô hình chúng tôi phát triển đều hoạt động tốt ở những nơi dự kiến tỷ lệ suy dinh dưỡng cấp tính ở trẻ em trên 30%, ví dụ như ở miền bắc và miền đông Kenya, nơi có khí hậu khô hạn. Tuy nhiên, khi tỷ lệ này dưới 15%, ví dụ ở miền tây và miền trung Kenya, chỉ các mô hình học máy mới có thể dự báo với độ chính xác tốt.

This higher accuracy is achieved because the models use additional information on multiple clinical factors. They can, therefore, find more complex relationships.

Độ chính xác cao hơn này đạt được là do các mô hình sử dụng thông tin bổ sung về nhiều yếu tố lâm sàng. Do đó, chúng có thể tìm ra các mối quan hệ phức tạp hơn.

Implications

Hàm ý

Current efforts to predict acute malnutrition among children rely only on historical knowledge of malnutrition patterns. We found these forecasts were less accurate than our models.

Các nỗ lực hiện tại để dự đoán suy dinh dưỡng cấp tính ở trẻ em chỉ dựa vào kiến thức lịch sử về các mô hình suy dinh dưỡng. Chúng tôi nhận thấy các dự báo này kém chính xác hơn các mô hình của chúng tôi.

Our models leverage historical malnutrition patterns, as well as clinical indicators and satellite-based indicators.

Các mô hình của chúng tôi tận dụng các mô hình suy dinh dưỡng lịch sử, cũng như các chỉ số lâm sàng và các chỉ số dựa trên vệ tinh.

The forecasting performance of our models is also better than other similar data-based modelling efforts published by other researchers.

Hiệu suất dự báo của các mô hình của chúng tôi cũng tốt hơn các nỗ lực mô hình hóa tương tự dựa trên dữ liệu được các nhà nghiên cứu khác công bố.

As resources for health and nutrition shrink, improved targeting to the areas of highest need is critical. Treating acute malnutrition can save a child’s life.

Khi nguồn lực y tế và dinh dưỡng ngày càng eo hẹp, việc nhắm mục tiêu cải thiện đến các khu vực có nhu cầu cao nhất là rất quan trọng. Điều trị suy dinh dưỡng cấp tính có thể cứu sống một đứa trẻ.

Prevention of malnutrition promotes children’s full psychological and physical development.

Phòng ngừa suy dinh dưỡng thúc đẩy sự phát triển tâm lý và thể chất toàn diện của trẻ em.

What needs to happen next

Những bước tiếp theo cần thực hiện

Making these data from diverse sources available through a dashboard could inform decision-making. Responders could get six months to intervene where they are most needed.

Việc cung cấp các dữ liệu này từ nhiều nguồn khác nhau thông qua một bảng điều khiển (dashboard) có thể hỗ trợ việc ra quyết định. Các nhân viên phản ứng có thể có sáu tháng để can thiệp vào những nơi cần thiết nhất.

We have developed a prototype dashboard to create visualisations of what responders would be able to see based on our model’s subcounty-level forecasts. We are currently working with the Kenyan ministry of health and Amref Health Africa, a health development NGO, to ensure that the dashboard is available to local decision-makers and stakeholders. It is regularly updated with the most current data and new forecasts.

Chúng tôi đã phát triển một bảng điều khiển mẫu (prototype dashboard) để tạo ra các hình ảnh trực quan về những gì các nhân viên phản ứng có thể thấy dựa trên dự báo cấp tiểu quận của mô hình của chúng tôi. Hiện tại, chúng tôi đang hợp tác với Bộ Y tế Kenya và Amref Health Africa, một tổ chức phi chính phủ phát triển y tế, để đảm bảo rằng bảng điều khiển này có sẵn cho các nhà hoạch định chính sách và các bên liên quan tại địa phương. Nó được cập nhật thường xuyên với dữ liệu mới nhất và các dự báo mới.

We are also working with our partners to refine the dashboard to meet the needs of the end users and promote its use in national decision-making on responses to acute malnutrition among children. We’re tracking the impacts of this work.

Chúng tôi cũng đang làm việc với các đối tác để tinh chỉnh bảng điều khiển nhằm đáp ứng nhu cầu của người dùng cuối và thúc đẩy việc sử dụng nó trong việc ra quyết định cấp quốc gia về các biện pháp ứng phó với tình trạng suy dinh dưỡng cấp tính ở trẻ em. Chúng tôi đang theo dõi những tác động của công việc này.

Throughout this process, it will be important to strengthen the capacity of our partners to manage, update and use the model and dashboard. This will promote local responsiveness, ownership and sustainability.

Trong suốt quá trình này, việc tăng cường năng lực cho các đối tác của chúng tôi trong việc quản lý, cập nhật và sử dụng mô hình và bảng điều khiển sẽ rất quan trọng. Điều này sẽ thúc đẩy khả năng phản ứng ở cấp địa phương, tính sở hữu và tính bền vững.

Scaling up

Mở rộng quy mô

The Kenya Health Information System relies on the District Health Information System 2 (DHIS2) . This is an open source software platform. It is currently used by over 80 low- and middle-income countries. The satellite data that we used in our models is also available in all of these countries.

Hệ thống Thông tin Y tế Kenya dựa vào Hệ thống Thông tin Y tế Quận 2 (DHIS2) . Đây là một nền tảng phần mềm mã nguồn mở. Hiện tại, nó được hơn 80 quốc gia có thu nhập thấp và trung bình sử dụng. Dữ liệu vệ tinh mà chúng tôi sử dụng trong các mô hình của mình cũng có sẵn ở tất cả các quốc gia này.

If we can secure additional funding, we plan to expand our work geographically and to other areas of health. We’ve also made our code publicly available, which allows anyone to use it and replicate our work in other countries where child malnutrition is a public health challenge.

Nếu chúng tôi có thể đảm bảo nguồn tài trợ bổ sung, chúng tôi dự định mở rộng công việc về mặt địa lý và sang các lĩnh vực y tế khác. Chúng tôi cũng đã công khai mã nguồn của mình, cho phép bất kỳ ai sử dụng và tái tạo công việc của chúng tôi ở các quốc gia khác nơi suy dinh dưỡng trẻ em là một thách thức sức khỏe cộng đồng.

Furthermore, our model proves that DHIS2 data, despite challenges with its completeness and quality, can be used in machine learning models to inform public health responses. This work could be adapted to address public health issues beyond malnutrition, like changes in patterns of infectious diseases due to climate change.

Hơn nữa, mô hình của chúng tôi chứng minh rằng dữ liệu DHIS2, mặc dù có những thách thức về tính đầy đủ và chất lượng, vẫn có thể được sử dụng trong các mô hình học máy để cung cấp thông tin cho các phản ứng y tế công cộng. Công việc này có thể được điều chỉnh để giải quyết các vấn đề sức khỏe cộng đồng ngoài suy dinh dưỡng, chẳng hạn như những thay đổi trong mô hình bệnh truyền nhiễm do biến đổi khí hậu.

This work was a collaboration between the University of Southern California’s Institute on Inequalities in Global Health and Center for Artificial Intelligence in Society, Microsoft, Amref Health Africa and the Kenyan ministry of health.

Công trình này là sự hợp tác giữa Viện Bất bình đẳng trong Y tế Toàn cầu thuộc Đại học Nam California và Trung tâm Trí tuệ Nhân tạo trong Xã hội, Microsoft, Amref Health Africa và Bộ Y tế Kenya.

This work was supported, in part, by the Microsoft Corporation.

Công trình này được hỗ trợ một phần bởi Tập đoàn Microsoft.

Bistra Dilkina received in-kind support from Microsoft AI for Good for this work.

Bistra Dilkina đã nhận được sự hỗ trợ hiện vật từ Microsoft AI for Good cho công trình này.