EXPLORATION OF MACHINE LEARNING TECHNIQUES IN PREDICTING THE CHILDHOOD ANEMIA

Abstract

ABSTRACT

Anemia is the most common disease among children under school age, especially in developing countries, due to a lack of understanding about its causes and preventive measures. In most cases, anemia refers to malnutrition and is closely related to demographic and social factors. Previously, statistical methods were used to predict anemia among children and identify associated factors. It was concluded that this is not a good way. Following the success of machine learning (ML) techniques in exploring knowledge from clinical data in healthcare, it was a good chance to explore the knowledge of social factors associated with childhood anemia. In this study, we compared the performance of eight different ML techniques for predicting anemia in children using social factors to find the most appropriate method. ML techniques achieved promising results in predicting and identifying factors associated with childhood anemia. Multilayer perceptron (MLP) has the best accuracy of 81.67% with all features, while Decision Tree (DT) has the best accuracy of 82.50% when we applied feature selection methods. The explored knowledge of the social factors associated with anemia can guide nutritional practices and factors essential to child health. Additionally, identified factors can help prevent anemia outbreaks for appropriate intervention by governments and healthcare organizations.

ÖZET

Anemi, nedenlerinin ve önleyici tedbirlerin bilinmemesi nedeniyle, özellikle gelişmekte olan ülkelerde okul çağının altındaki çocuklar arasında en sık görülen hastalıklardan birisidir. Anemi birçok vakada yetersiz beslenme nedenli olup demografik ve sosyal faktörlerle de yakından ilişkilidir. Önceleri, çocuklarda anemiyi tahmin etmek ve ilişkili faktörleri belirlemek için istatistiksel yöntemler kullanılmıştır. Fakat bu çalışmalar sonucunda bu yöntemler başarılı olamamıştır. Sağlık hizmetlerinde klinik verilerden elde edilen bilgileri keşfetmede makine öğrenmesi (ML) tekniklerinin başarısını takiben, çocuk anemisi ile ilişkili sosyal faktörlerin bilgisini keşfetmek için bu yöntemlerin faydalı olabileceği yönünde bir fikir oluşmuştur. Bu çalışmada, en uygun yöntemi bulmak için sosyal faktörleri kullanarak çocuklarda anemiyi öngörmek için sekiz farklı ML tekniğinin performansını karşılaştırdık. Bu teknikler, çocukluk çağı anemisi ile ilişkili faktörleri tahmin etme ve tanımlamada umut verici sonuçlar elde etmiştir. Öznitelik seçim yöntemlerini uyguladığımızda çok katmanlı algılayıcı (MLP) tüm öznitelikler ile %81,67, Karar Ağacı (DT) ise %82,50 doğruluk elde etmiştir. Sonuç olarak anemi ile ilişkili sosyal faktörler, beslenme uygulamalarına ve çocuk sağlığı için gerekli olan faktörlere rehberlik edebilir. Ek olarak, belirlenen faktörler, hükümetler ve sağlık kuruluşları tarafından uygun müdahale için anemi salgınlarının önlenmesine yardımcı olabilir.