Ujifunzaji wa mashine kwa ajili ya uainishaji wa hatari za matatizo ya shinikizo la damu wakati wa ujauzito:

Ujifunzaji wa Mashine kwa ajili ya Uainishaji wa Hatari za Matatizo ya Shinikizo la Damu Wakati wa Ujauzito: Kuboresha Ufanisi wa Kikliniki katika Huduma za ANC Zenye Rasilimali Ndogo Tanzania

Tazama makala kamili

Muhtasari wa Utafiti

Utafiti huu ulichunguza jinsi ujifunzaji wa mashine (ML) unavyoweza kuboresha utambuzi wa mapema wa Matatizo ya Shinikizo la Damu Wakati wa Ujauzito (HDP) kwa kutumia data za kawaida za ANC zilizokusanywa kupitia Mfumo Unganishi wa Jamii wa Tanzania (UCS). HDP inachangia takriban 34% ya vifo vya moja kwa moja vya afya ya uzazi nchini Tanzania, hata hivyo huduma za ANC za kawaida katika vituo vingi vya afya hutegemea vipimo vimoja vya shinikizo la damu ambavyo vinaweza kukosa kubaini wanawake walio katika hatari kubwa.

Watafiti walichambua rekodi 337,027 za ANC za kawaida zilizokusanywa kati ya 2020 na 2024, zikiwakilisha wanawake wajawazito 187,438 wa kipekee katika mikoa 23 ya Tanzania. Algorithimu tano za ujifunzaji wa mashine zilitathminiwa, huku XGBoost ikionyesha utendaji bora zaidi katika kubaini wanawake wanaohitaji tathmini zaidi ya kikliniki.

Badala ya kuchukua nafasi ya uchunguzi wa kikliniki, muundo huo uliundwa kama chombo cha upangaji wa vipaumbele vya kikliniki (triage) kusaidia watoa huduma za afya kuweka kipaumbele kwa wanawake wanaohitaji tathmini zaidi katika kliniki za ANC zenye shughuli nyingi na rasilimali chache.

Matokeo Muhimu

Muundo wa XGBoost ulifikia usahihi wa jumla wa 90.9% ukiwa na Eneo Chini ya Mkondo (AUC) la 0.95, ukionyesha uwezo bora wa kutofautisha wanawake walio katika hatari ya matatizo ya shinikizo la damu.

Muhimu zaidi, muundo huo ulifikia usikivu wa 100%, ikimaanisha ulifanikiwa kubaini kila mwanamke aliyeainishwa kuwa na HDP katika seti ya data ya uthibitishaji. Mkabala huu wa "usalama kwanza" unapunguza hatari ya kukosa kubaini mimba zenye hatari kubwa, ingawa kimakusudi unazalisha tahadhari zaidi za uongo (false-positive) zinazohitaji tathmini ya ufuatiliaji.

Vipimo vya shinikizo la damu (systolic na diastolic) vilikuwa vibashiri imara zaidi vya HDP, wakati vigezo vya ziada—ikiwemo uzito uliolinganishwa na urefu (BMI), protini kwenye mkojo, sukari ya damu, joto la mwili, na hali ya kaswende—viliboresha uainishaji wa hatari kwa ujumla kwa kunasa taswira pana zaidi za afya ya uzazi.

Utafiti pia ulibainisha changamoto muhimu za mfumo wa afya. Data za kawaida za afya zilikuwa na taarifa nyingi zilizokosekana za maabara, huku sukari ya damu ikikosekana katika 76% ya rekodi na vigezo kadhaa vya uchunguzi vikiwa havijaandikwa vizuri. Licha ya vikwazo hivi, ujifunzaji wa mashine uliendelea kuwa na ufanisi ulipofunzwa kwa kutumia data halisi za afya za serikali.

Watafiti waligundua kuwa wanawake wengi walihudhuria ziara moja tu ya ANC, jambo linalofanya ufuatiliaji wa kikliniki wa muda mrefu kuwa mgumu. Hivyo, muundo wa ML unatoa fursa ya kuboresha maamuzi ya kikliniki hata pale ambapo taarifa chache tu za mgonjwa zinapatikana.

Hitimisho

Utafiti huu unaonyesha kuwa data za kidijitali za kawaida za afya zilizokusanywa kupitia Mfumo Unganishi wa Jamii wa Tanzania zinaweza kusaidia kwa ufanisi miundo ya ujifunzaji wa mashine kwa ajili ya uainishaji wa hatari za afya ya uzazi katika mazingira yenye rasilimali chache.

Badala ya kuchukua nafasi ya watoa huduma za afya, muundo huo unatumika kama chombo mahiri cha uchunguzi kinachosaidia kuweka kipaumbele kwa wanawake wanaohitaji tathmini zaidi ya kikliniki, hivyo kuwezesha matumizi bora zaidi ya rasilimali chache za afya huku ukipunguza uwezekano wa kukosa kubaini matatizo ya shinikizo la damu wakati wa ujauzito.

Kabla ya utekelezaji wa kitaifa, waandishi wanapendekeza kuimarisha miundombinu ya afya ya kidijitali, kuboresha ubora wa data, kuunganisha muundo huo katika mifumo ya kawaida ya kazi za kikliniki, na kufanya tafiti za majaribio kwa awamu ili kutathmini athari za kiutendaji, madhara kwa mzigo wa kazi, ufanisi wa gharama, na usawa. Kwa utekelezaji sahihi, ujifunzaji wa mashine una uwezo wa kuboresha matokeo ya afya ya uzazi kwa kusaidia utambuzi wa mapema na usimamizi wa mimba zenye hatari kubwa kote Tanzania.

Makala hii ilichapishwa mwaka 2026. Ilichapishwa katika jarida la PLOS Digital Health na ilichunguza matumizi ya ujifunzaji wa mashine katika kubaini matatizo ya shinikizo la damu wakati wa ujauzito kwa kutumia data za kawaida za ANC zilizokusanywa kupitia Mfumo Unganishi wa Jamii wa Tanzania.