Роль цифровых технологий в профилактике анемии у беременных: обзор литературы с картированием данных

Цель: Анемия остаётся серьёзной проблемой общественного здравоохранения среди беременных, в значительной степени способствуя материнской и младенческой заболеваемости и смертности. Развитие цифровых технологий, особенно методов машинного обучения (ML), создаёт возможности для совершенствования стратегий раннего выявления и профилактики. Цель обзора — обобщить имеющиеся данные о применении цифровых инструментов на основе ML для прогнозирования и профилактики анемии у беременных.

Методы: В соответствии с рекомендациями PRISMA-ScR в обзор включали статьи, опубликованные в базах данных PubMed, Scopus и Google Scholar в период с 2015 по 2024 год. Критерии включения предусматривали использование методов ML для прогнозирования анемии у беременных. Извлекали данные о популяции исследования, применённых алгоритмах ML и показателях эффективности. В связи с обзорным характером исследования оценку риска систематической ошибки не проводили.

Результаты: Критериям включения соответствовали 11 исследований, в которых использовали различные алгоритмы ML, включая деревья решений, случайный лес, метод опорных векторов, наивный байесовский классификатор, метод ближайших соседей, PART, нечёткую модель Цукамото и алгоритмы бустинга. Сравнительный анализ показателей эффективности (точности, прецизионности, полноты, F1-меры и AUC) показал, что в условиях ограниченных ресурсов наиболее эффективными моделями были алгоритмы бустинга и случайного леса. Однако неоднородность источников данных, показателей оценки и исследованных популяций ограничивает возможность обобщения результатов. KF

Выводы: Модели на основе ML демонстрируют значительный потенциал для прогнозирования анемии у беременных. Необходимы дальнейшая валидация на разнообразных наборах данных, более чёткое описание методологических преимуществ и ограничений, а также оценка осуществимости внедрения таких моделей в условиях ограниченных ресурсов.