HomeKomputerMenggunakan ML untuk Meningkatkan Keterlibatan dengan Program Kesehatan Ibu dan Anak di...

Menggunakan ML untuk Meningkatkan Keterlibatan dengan Program Kesehatan Ibu dan Anak di India – Blog Google AI

Facebook
Twitter
Pinterest
WhatsApp

[ad_1]

Ketersediaan ponsel yang tersebar luas telah memungkinkan organisasi nirlaba untuk menyampaikan informasi kesehatan penting kepada penerima manfaat mereka secara tepat waktu. Sementara aplikasi canggih pada smartphone memungkinkan konten multimedia yang lebih kaya dan komunikasi dua arah antara penerima manfaat dan pelatih kesehatan, layanan pesan teks dan suara yang lebih sederhana dapat efektif dalam menyebarkan informasi ke komunitas besar, terutama mereka yang kurang terlayani dengan akses terbatas ke informasi dan smartphone. ORANG MISKIN1salah satu organisasi nirlaba yang melakukan hal ini, berbasis di India dengan misi meningkatkan hasil kesehatan ibu dan anak di masyarakat yang kurang terlayani.

Sekilas tentang ARMMAN

Salah satu program yang dijalankan oleh mereka adalah mMitra, yang menggunakan pesan suara otomatis untuk menyampaikan informasi perawatan pencegahan tepat waktu kepada ibu hamil dan ibu baru selama kehamilan dan hingga satu tahun setelah kelahiran. Pesan-pesan ini disesuaikan dengan usia kehamilan penerima manfaat. Mendengarkan secara teratur pesan-pesan ini telah terbukti memiliki korelasi tinggi dengan peningkatan hasil perilaku dan kesehatan, seperti peningkatan 17% pada bayi dengan berat lahir tiga kali lipat pada akhir tahun dan peningkatan 36% pada wanita yang mengetahui pentingnya mengonsumsi tablet zat besi. .

Namun, tantangan utama yang dihadapi ARMMAN adalah bahwa sekitar 40% wanita secara bertahap berhenti terlibat dengan program tersebut. Meskipun mungkin untuk mengurangi ini dengan panggilan layanan langsung kepada wanita untuk menjelaskan keuntungan mendengarkan pesan, tidak mungkin untuk memanggil semua pendengar rendah dalam program karena staf pendukung yang terbatas — ini menyoroti pentingnya memprioritaskan secara efektif siapa yang menerima pesan tersebut. panggilan layanan.

Di “Studi Lapangan dalam Pengerahan Bandit Bersenjata Gelisah: Membantu Nirlaba dalam Meningkatkan Kesehatan Ibu dan Anak”, diterbitkan dalam AAI 2022, kami menjelaskan solusi berbasis ML yang menggunakan data historis dari LSM untuk memprediksi penerima manfaat mana yang paling diuntungkan dari panggilan layanan. Kami mengatasi tantangan yang datang dengan penerapan sistem semacam itu di dunia nyata dan menunjukkan kegunaan penerapan model ini dalam studi nyata yang melibatkan lebih dari 23.000 peserta. Model menunjukkan peningkatan pendengar sebesar 30% dibandingkan dengan standar kelompok perawatan saat ini.

Latar belakang

Kami memodelkan masalah pengoptimalan sumber daya ini menggunakan bandit multi-senjata yang gelisah (RMAB), yang telah dipelajari dengan baik untuk diterapkan pada masalah seperti itu di berbagai domain, termasuk perawatan kesehatan. Sebuah RAB terdiri dari n lengan di mana setiap lengan (mewakili penerima manfaat) dikaitkan dengan dua negara Proses keputusan Markov (MDP). Setiap MDP dimodelkan sebagai dua keadaan (keadaan baik atau buruk, di mana keadaan baik sesuai dengan pendengar yang tinggi pada minggu sebelumnya), dua tindakan (sesuai dengan apakah penerima dipilih untuk menerima panggilan layanan atau tidak) masalah. Selanjutnya, setiap MDP memiliki fungsi hadiah terkait (yaitu, hadiah yang terakumulasi pada keadaan dan tindakan tertentu) dan fungsi transisi yang menunjukkan kemungkinan perpindahan dari satu keadaan ke keadaan berikutnya di bawah tindakan yang diberikan, di bawah kondisi Markov bahwa keadaan berikutnya hanya bergantung pada keadaan sebelumnya dan tindakan yang diambil pada lengan itu dalam langkah waktu itu. Syarat gelisah menunjukkan bahwa semua senjata dapat mengubah keadaan terlepas dari tindakannya.

See also  AMD RDNA 3 GPU Mengungkap Blog Langsung "bersama kita memajukan_gaming" (1pm PT/20:00 UTC)

Keadaan penerima manfaat dapat bertransisi dari baik (keterlibatan tinggi) menjadi buruk (keterlibatan rendah) dengan contoh probabilitas transisi pasif dan aktif yang ditunjukkan dalam matriks transisi.

Pengembangan Model

Akhirnya, masalah RAB dimodelkan sedemikian rupa sehingga pada setiap langkah waktu, diberikan n total lengan, yang k lengan harus ditindaklanjuti (yaitu, dipilih untuk menerima panggilan layanan), untuk memaksimalkan imbalan (keterlibatan dengan program).

Probabilitas transisi dari satu keadaan ke keadaan lain dengan (probabilitas aktif) atau tanpa (probabilitas pasif) menerima panggilan layanan oleh karena itu merupakan parameter model yang mendasari yang sangat penting untuk menyelesaikan optimasi di atas. Untuk memperkirakan parameter ini, kami menggunakan data demografi penerima manfaat yang dikumpulkan pada saat pendaftaran oleh LSM, seperti usia, pendapatan, pendidikan, jumlah anak, dll., serta data pendengar masa lalu, semuanya sejalan dengan Standar privasi data LSM (selengkapnya di bawah).

Namun, volume panggilan layanan yang terbatas membatasi data yang terkait dengan penerimaan panggilan layanan. Untuk mengurangi ini, kami menggunakan teknik pengelompokan untuk belajar dari pengamatan kolektif penerima manfaat dalam sebuah klaster dan memungkinkan mengatasi tantangan sampel terbatas per penerima manfaat individu.

Secara khusus, kami melakukan pengelompokan pada perilaku pendengar, dan kemudian menghitung pemetaan dari fitur demografis ke setiap cluster.

Pengelompokan pada data pendengar masa lalu mengungkapkan kelompok dengan penerima manfaat yang berperilaku serupa. Kami kemudian menyimpulkan pemetaan dari fitur demografis ke cluster.

Pemetaan ini berguna karena ketika penerima baru terdaftar, kami hanya memiliki akses ke informasi demografis mereka dan tidak memiliki pengetahuan tentang pola pendengar mereka, karena mereka belum memiliki kesempatan untuk mendengarkan. Dengan menggunakan pemetaan, kami dapat menyimpulkan probabilitas transisi untuk setiap penerima manfaat baru yang mendaftar ke dalam sistem.

See also  TensorStore untuk Penyimpanan Array Berperforma Tinggi dan Dapat Diskalakan – Blog Google AI

Kami menggunakan beberapa metrik kualitatif dan kuantitatif untuk menyimpulkan kumpulan cluster yang optimal dan mengeksplorasi berbagai kombinasi data pelatihan (hanya fitur demografis, fitur plus probabilitas pasif, fitur plus semua probabilitas, hanya probabilitas pasif) untuk mencapai cluster yang paling bermakna, yaitu perwakilan dari distribusi data yang mendasari dan memiliki varians rendah dalam ukuran cluster individu.

Perbandingan probabilitas transisi pasif yang diperoleh dari metode clustering yang berbeda dengan jumlah cluster s = 20 (titik merah) dan 40 (titik hijau), menggunakan probabilitas transisi pasif kebenaran dasar (titik biru). Pengelompokan berdasarkan fitur+probabilitas pasif (PPF) menangkap perilaku penerima manfaat yang lebih berbeda di seluruh ruang probabilitas.

Pengelompokan memiliki keuntungan tambahan dalam mengurangi biaya komputasi untuk LSM dengan sumber daya terbatas, karena pengoptimalan perlu diselesaikan pada tingkat klaster daripada tingkat individu. Akhirnya, penyelesaian RAB diketahui sebagai P-space kerasjadi kami memilih untuk menyelesaikan pengoptimalan menggunakan yang populer Pendekatan indeks kecilyang pada akhirnya memberikan peringkat penerima manfaat berdasarkan kemungkinan manfaat mereka menerima panggilan layanan.

Hasil

Kami mengevaluasi model dalam studi dunia nyata yang terdiri dari sekitar 23.000 penerima manfaat yang dibagi menjadi tiga kelompok: kelompok standar perawatan (CSOC) saat ini, kelompok “round robin” (RR), dan kelompok RAB. Penerima manfaat dalam kelompok CSOC mengikuti standar perawatan asli, di mana tidak ada panggilan layanan yang diprakarsai oleh LSM. Kelompok RR mewakili skenario di mana LSM sering melakukan panggilan layanan menggunakan beberapa urutan yang sistematis — idenya di sini adalah untuk memiliki kebijakan yang mudah dijalankan yang melayani cukup banyak bagian penerima manfaat dan dapat ditingkatkan atau diturunkan per minggu berdasarkan sumber daya yang tersedia (ini adalah pendekatan yang digunakan oleh LSM dalam kasus khusus ini, tetapi pendekatannya mungkin berbeda untuk LSM yang berbeda). Grup RAB menerima panggilan layanan seperti yang diprediksi oleh model RAB. Semua penerima manfaat di ketiga kelompok terus menerima pesan suara otomatis terlepas dari panggilan layanan.

Distribusi cluster yang dipilih untuk panggilan layanan oleh RAB dan RR di minggu 1 (kiri) dan 2 (Baik) berbeda secara signifikan. RAB sangat strategis dalam memilih hanya beberapa cluster dengan probabilitas keberhasilan yang menjanjikan (biru tinggi dan merah rendah), RR tidak menampilkan pemilihan strategis seperti itu.

Pada akhir tujuh minggu, panggilan layanan berbasis RAB menghasilkan penurunan tertinggi (dan signifikan secara statistik) dalam penurunan keterlibatan kumulatif (32%) dibandingkan dengan grup CSOC.

Plot menunjukkan penurunan keterlibatan kumulatif dicegah dibandingkan dengan kelompok kontrol.
See also  Mempercepat Pergerakan Visual yang Dipelajari Evolusi dengan Representasi Informasi Prediktif – Blog Google AI
RAB vs CSOC RR vs CSOC RAB vs RR
% pengurangan penurunan keterlibatan kumulatif 32,0% 5,2% 28,3%
nilai-p 0,044 0,740 0,098

Pertimbangan Etis

Sebuah dewan etika di LSM meninjau penelitian ini. Kami mengambil langkah-langkah signifikan untuk memastikan persetujuan peserta dipahami dan dicatat dalam bahasa pilihan masyarakat di setiap tahap program. Penatagunaan data berada di tangan LSM, dan hanya LSM yang boleh berbagi data. Kode akan segera tersedia untuk umum. Pipeline hanya menggunakan data yang dianonimkan dan tidak ada informasi identitas pribadi (PII) yang tersedia untuk model. Data sensitif, seperti kasta, agama, dll., tidak dikumpulkan oleh ARMMAN untuk mMitra. Oleh karena itu, dalam upaya memastikan keadilan model, kami bekerja dengan kesehatan masyarakat dan ahli lapangan untuk memastikan indikator status sosial ekonomi lainnya diukur dan dievaluasi secara memadai seperti yang ditunjukkan di bawah ini.

Distribusi pendidikan tertinggi yang diterima (atas) dan pendapatan keluarga bulanan dalam Rupee India (bawah) di seluruh kelompok yang menerima panggilan layanan dibandingkan dengan seluruh populasi.

Proporsi penerima manfaat yang menerima panggilan layanan langsung dalam setiap kelompok pendapatan cukup sesuai dengan proporsi populasi secara keseluruhan. Namun, perbedaan diamati pada kategori berpenghasilan rendah, di mana model RAB lebih menyukai penerima manfaat dengan pendapatan lebih rendah dan penerima manfaat tanpa pendidikan formal. Terakhir, pakar domain di ARMMAN telah terlibat secara mendalam dalam pengembangan dan pengujian sistem ini dan telah memberikan masukan dan pengawasan berkelanjutan dalam interpretasi data, konsumsi data, dan desain model.

Kesimpulan

Setelah pengujian menyeluruh, LSM saat ini telah menerapkan sistem ini untuk penjadwalan panggilan layanan setiap minggu. Kami berharap ini akan membuka jalan bagi lebih banyak penerapan algoritme ML untuk dampak sosial dalam kemitraan dengan lembaga nonprofit dalam melayani populasi yang sejauh ini kurang diuntungkan dari ML. Karya ini juga ditampilkan di Google untuk India 2021.

Ucapan Terima Kasih

Pekerjaan ini adalah bagian dari kami AI untuk Kebaikan Sosial upaya dan dipimpin oleh Google Research, India. Terima kasih kepada semua kolaborator kami di ARMMAN, Google Research India, Google.org, dan University Relations: Aparna Hegde, Neha MadhiwallaSuresh Chaudhary, Aditya Mate, Madaan sayang, Shrestha Verma, Gargi Singh, Divya Thakkar.


ORANG MISKIN menjalankan berbagai program untuk memberikan informasi perawatan pencegahan kepada wanita melalui kehamilan dan masa bayi yang memungkinkan mereka untuk mencari perawatan, serta program untuk melatih dan mendukung petugas kesehatan untuk deteksi dan pengelolaan kondisi berisiko tinggi secara tepat waktu.

[ad_2]

Facebook
Twitter
Pinterest
WhatsApp
RELATED ARTICLES

LEAVE A REPLY

Please enter your comment!
Please enter your name here

Most Popular

Recent Comments