At forudsige vaccine tøven ved hjælp af maskinlæring

I de senere år er nye teknologier som Internet of Things (IoT), Artificial Intelligence (AI) og Virtual Reality (VR) hurtigt integreret i dagligdagen. Den udbredte anvendelse af disse applikationer har ført til akkumulering af store mængder data, hvilket giver anledning til det, der ofte benævnes "big data." På grund af det store volumen er manuel behandling og analyse af disse store datasæt ikke mulige. Derfor er softwareværktøjer og biblioteker-som Python og R-biblioteker-der er udviklet til at udføre disse analyser effektivt og til at generere forudsigelser for fremtiden ved at udnytte historiske data gennem Machine Learning (ML) algoritmer.

Det primære mål med maskinlæringsalgoritmer er at opdage mønstre inden for eksisterende data og bruge disse mønstre til at foretage nøjagtige forudsigelser om nye data. Brugen af ​​maskinlæring inden for sundhedsvæsenet har fået en betydelig momentum i de senere år. Imidlertid afslører en gennemgang af litteraturen, at forskning, der specifikt adresserer tøven til børn i barndommen, forbliver begrænset.

Denne undersøgelse sigter mod at identificere de faktorer, der bidrager til vaccine tøven blandt forældre til børn i alderen 0-48 måneder og at udvikle en forudsigelig model ved hjælp af maskinlæringsteknikker baseret på disse faktorer. En sådan model kan hjælpe med at forudse sandsynligheden for vaccineafvisning blandt forældre og derved støtte udviklingen af ​​målrettede folkesundhedsstrategier for populationer i risiko.