EUVIMEDEUVIMED entdecken
Crossref

Exploring Risk Factors and Predictive Modeling of Child Malnutrition in Pakistan Using Machine Learning

Erkundung von Risikofaktoren und prädiktiver Modellierung von Kindesunterernährung in Pakistan mit Machine Learning

Muhammad Usman Saleem iD, Muhammad Usman Aslam iD, Abdul Ghani Khatir, Quanbao Jiang

American Journal of Human Biology · 2025-09 · 37 (9)

DOI: 10.1002/ajhb.70124 ↗

Auf einen Blick

Bei Kindern unter 5 Jahren in Pakistan wurden Risikofaktoren für Stunting, Wasting und Untergewicht untersucht. Random Forest zeigte die höchste Genauigkeit und Spezifität, SVM die höhere Sensitivität für Wasting und Untergewicht.

Fragestellung

Welche Risikofaktoren sind mit Kindesunterernährung in Pakistan verbunden, und wie gut sagen Machine-Learning-Modelle diese aus?

Methode

Querschnittsstudie mit Daten aus der Pakistan Demographic and Health Survey 2017–2018; logistische Regression und 4 Machine-Learning-Modelle; Validierung mit 10-fold Cross-Validation und 80:20 Train-Test-Split.

Ergebnisse

Als Risikofaktoren wurden Blutsverwandtenehen, niedrigerer Wohlstand, geringe mütterliche Bildung und regionale Unterschiede in Sindh und Baluchistan identifiziert. Random Forest hatte die höchste Genauigkeit und Spezifität; SVM die höhere Sensitivität für Wasting und Untergewicht.

Schlussfolgerung der Autor:innen

Die Studie zeigt den komplexen Zusammenhang soziodemografischer Faktoren mit Kindesunterernährung und das Potenzial von Machine-Learning-Modellen zur Vorhersage dieser Zustände.

Kernaussagen

  • Blutsverwandtenehen, Armut und geringe mütterliche Bildung waren relevante Risikofaktoren.
  • Random Forest war insgesamt am genauesten und spezifischsten.
  • SVM war sensitiver für Wasting und Untergewicht.

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Fachartikel in der Zeitschrift American Journal of Human Biology, online erschienen am 04.09.2025. Verfasst von Muhammad Usman Saleem und 3 weiteren Autor:innen. Beteiligte Einrichtung: School of Public Policy and Administration, Xi'an Jiaotong University, Xi'an, China. Hauptthemen laut MEDLINE: Machine Learning, Child Nutrition Disorders. Die Arbeit wurde bisher 5-mal zitiert (Crossref) und nennt 43 Literaturangaben.

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Objective

This study aims to identify risk factors and develop predictive models of child malnutrition (stunting, wasting, and underweight) in Pakistani children under five using machine learning approaches. Study Design This cross‐sectional design utilized data from the Pakistan Demographic and Health Survey 2017–2018 (PDHS).

Methods

Logistic regression was employed to identify significant socio‐demographic and health‐related risk factors. Four machine learning models—Random Forest (RF), Support Vector Machine (SVM), Naïve Bayes (NB), and AdaBoost—were applied to predict malnutrition indicators, with performance evaluated based on accuracy, sensitivity, specificity, and F‐measure using a two‐stage validation strategy (10‐fold cross‐validation and 80:20 train‐test split).

Results

Key risk factors identified included consanguineous marriages, lower wealth status, low maternal education, and geographic disparities in Sindh and Baluchistan. Among the machine learning models, Random Forest demonstrated the highest overall accuracy and specificity across all indicators, while SVM showed higher sensitivity for wasted and underweight children.

Conclusion

The study highlights the complex interplay of socio‐demographic factors in child malnutrition and the potential of machine learning models to effectively predict these conditions, underscoring the need for targeted interventions focusing on maternal education, access to clean water and sanitation, and poverty alleviation, particularly in high‐risk regions.

Schlagwörter

MeSH-Schlagwörter (MEDLINE)

Machine LearningChild Nutrition DisordersHumansPakistanRisk FactorsChild, PreschoolCross-Sectional StudiesInfantFemaleMaleInfant, NewbornSocioeconomic FactorsThinness

Stichwörter der Autor:innen

machine learningmalnutritionstuntingunderweightwasting

Autor:innen und Institutionen

  • School of Public Policy and Administration, Xi'an Jiaotong University, Xi'an, China.
  • School of Mathematics and Statistics, Xi'an Jiaotong University, Xi'an, China.
  • School of Labor Economics Capital University of Economics and Business, Xian, China.

ORCID-Profile: Muhammad Usman Saleem, Muhammad Usman Aslam

Zitieren

APA

Saleem, M. U., Aslam, M. U., Khatir, A. G., & Jiang, Q. (2025). Exploring Risk Factors and Predictive Modeling of Child Malnutrition in Pakistan Using Machine Learning. American Journal of Human Biology, 37(9). https://doi.org/10.1002/ajhb.70124

Vancouver

Saleem MU, Aslam MU, Khatir AG, Jiang Q. Exploring Risk Factors and Predictive Modeling of Child Malnutrition in Pakistan Using Machine Learning. American Journal of Human Biology. 2025;37(9). doi:10.1002/ajhb.70124

BibTeX
@article{Saleem2025,
  author = {Saleem, Muhammad Usman and Aslam, Muhammad Usman and Khatir, Abdul Ghani and Jiang, Quanbao},
  title = {Exploring Risk Factors and Predictive Modeling of Child Malnutrition in Pakistan Using Machine Learning},
  journal = {American Journal of Human Biology},
  year = {2025},
  volume = {37},
  number = {9},
  doi = {10.1002/ajhb.70124}
}
Kostenlos starten →