Å forutsi vaksine nøling ved bruk av maskinlæring

De siste årene har nye teknologier som Internet of Things (IoT), kunstig intelligens (AI) og virtual reality (VR) raskt blitt integrert i dagliglivet. Den utbredte bruken av disse applikasjonene har ført til akkumulering av enorme datamengder, noe som gir opphav til det som ofte blir referert til som "big data." På grunn av det rene volumet er manuell behandling og analyse av disse store datasettene ikke mulig. Derfor har programvareverktøy og biblioteker som Python og R-biblioteker blitt utviklet for å utføre disse analysene effektivt og for å generere spådommer for fremtiden ved å utnytte historiske data gjennom maskinlæring (ML) algoritmer.

Det primære målet med maskinlæringsalgoritmer er å oppdage mønstre i eksisterende data og bruke disse mønstrene for å lage nøyaktige spådommer om nye data. Bruken av maskinlæring innen helsevesenet har fått betydelig fart de siste årene. En gjennomgang av litteraturen avslører imidlertid at forskning som spesifikt tar opp vaksinevaksine nøling, fortsatt er begrenset.

Denne studien tar sikte på å identifisere faktorene som bidrar til vaksine nøling blant foreldre til barn i alderen 0-48 måneder og å utvikle en prediktiv modell ved bruk av maskinlæringsteknikker basert på disse faktorene. En slik modell kan bidra til å forutse sannsynligheten for vaksineavslag blant foreldre og derved støtte utviklingen av målrettede folkehelsestrategier for utsatte populasjoner.