Projektiot
Vertailimme arvioitua viimeisten 18 vuoden aikana tapahtunutta yksinomaisen imetyksen esiintyvyyden paranemista niihin parannuksiin, joita tarvitaan vuosina 2017-2025 WHO:n bruttokansantulotavoitteen (50 prosentin yksinomaisen imetyksen esiintyvyys)6 saavuttamiseksi tekemällä yksinkertaisen projektiolaskelman. Ensin laskimme log-additiivisen AROC:n kussakin ruudukkosolussa (i) muuttamalla logit-muunnoksella 18 vuoden jälkikäteisen keskimääräisen esiintyvyyden \({\it{prev}}_{i,{\rm{year}}}^l\) ja laskemalla AROC:n kunkin vierekkäisen vuosiparin välillä vuodesta 2001 alkaen:
Laskimme sitten painotetun AROC:n kullekin pikselille ottamalla painotetun keskiarvon kaikista vuosista, jolloin tuoreemmille AROC:ille annettiin keskiarvossa suurempi painoarvo. Määritimme painotukset seuraavasti:
jossa γ voidaan valita siten, että se antaa vaihtelevan painoarvon eri vuosille. Tässä ennustejoukossa valitsimme γ = 1, mikä johtaa lineaariseen painotusjärjestelmään, jota on testattu ja tarkastettu käytettäväksi terveyteen liittyvien kestävän kehityksen tavoitteiden ennustamisessa56. Tämän jälkeen laskimme mille tahansa ruutusolulle painotetun AROC:n seuraavasti:
Laskimme lopuksi ennusteet soveltamalla painotettua AROC:ia kussakin ruudukkosolussa vuoden 2017 posterioriseen keskimääräiseen prevalenssiin:
Käytimme samaa prosessia ennustaaksemme maa- ja hallintotason AROC:n. Tämä ennustejärjestelmä oli analoginen niiden menetelmien kanssa, joita käytettiin GBD 2017 -raportissa, jossa mitattiin terveyteen liittyvien kestävän kehityksen tavoitteiden edistymistä ja ennustettua saavuttamista56.
Limitations
Data availability
Tämän työn arvioinnissa on tunnustettava täysimääräisesti tiedot ja metodologiset rajoitukset. Tärkeintä on, että arvioidemme tarkkuus riippuu ratkaisevasti taustalla olevien tietojen määrästä ja laadusta. Asiaankuuluvien tietojen saatavuus vaihteli sekä alueellisesti että ajallisesti eri puolilla Afrikkaa (laajennettu aineisto, kuva 4), ja asiaankuuluvien tietojen puute on yksi tärkeimmistä epävarmuustekijöistä arvioissamme (kuten kuvasta 1f nähdään). Tätä analyysia varten olemme luoneet laajan tietokannan maantieteellisesti paikannetuista EBF:n esiintyvyyttä koskevista tiedoista, mutta tietojen kattavuudessa – sekä alueellisessa että ajallisessa – on edelleen merkittäviä puutteita. Tarvitaan lisää paikallisia tietoja, jotta voidaan seurata terveystuloksia ja ohjata laadun parantamiseen tähtääviä toimia sekä lisätä tulostemme varmuutta. Paikallisten tietojen kerääminen kaikista yhteisöistä joka vuosi olisi useimmille maille ylitsepääsemätön tehtävä; tämä tutkimus auttaa täyttämään tämänhetkisen tietovajeen tuottamalla estimaatteja alueille, joilla ei ole tiedonkeruuta ja jotka perustuvat hyvin tutkituilta alueilta opittuihin malleihin, käyttäen samoja estimointimenetelmiä kaikilla alueilla, jotta tulokset olisivat vertailukelpoisia eri yhteisöissä.
Tietojen tarkkuus
Tietojen laatuun liittyy lisäksi useita tekijöitä, jotka on syytä ottaa huomioon. Analyyseissämme käytetyt tiedot saatiin imeväisikäisten hoitajilta mihin tahansa ajankohtaan syntymän ja 6 kuukauden iän välillä. Vaikka imeväisen ruokailutilanne perustui yhteen ainoaan ajankohtaan (tutkimushaastattelua edeltävät 24 tuntia), jonka tiedetään yliarvioivan ruokailukäytäntöä koko 6 kuukauden jakson ajalta, koska imeväisiä saatetaan ruokkia muilla elintarvikkeilla ja nesteillä joko ennen tutkimusta tai sen jälkeen, tämä arvio on vakiokäytäntö57,58 . Kansainvälisiin ohjeisiin57,58 perustuvan EBF-käytännön arvioinnissa käytettävän tavanomaisen lähestymistavan mukaisesti niiden imeväisten osuus, joita imetetään yksinomaan koko kuuden kuukauden ajan, lasketaan arvioimalla EBF-käytännön yleisyys kaikkien alle 6 kuukauden ikäisten lasten osalta (vaikka EBF-käytännön tiedetään vähenevän iän myötä)57. EBF:n esiintyvyyden arvioinnin kannalta merkityksellisen ikähaarukan (0-5 kuukauden ikäiset imeväiset) vuoksi otoskokomme ovat suhteellisen pienempiä kuin aiemmat pyrkimykset kartoittaa paikallisia estimaatteja terveysolosuhteista, lopputuloksista ja sosioekonomisista indikaattoreista12,13,41,42, mikä osaltaan vaikuttaa arvioihimme liittyvään suhteellisen suureen epävarmuuteen.
Näihin analyyseihin koottuihin tietoihin liittyviin sijaintitietoihin liittyy jonkin verran virheitä. Vastaajien luottamuksellisuuden suojaamiseksi useimmat GPS-koordinaatteja keräävät tutkimukset suorittavat jonkinlaisen satunnaissiirron näille koordinaateille ennen tietojen luovuttamista toissijaisia analyysejä varten. Esimerkiksi DHS-tietojen GPS-koordinaatteja siirretään enintään 2 kilometrin verran kaupunkiklustereissa, enintään 5 kilometrin verran useimmissa maaseutuklustereissa ja enintään 10 kilometrin verran satunnaisessa 1 prosentissa maaseutuklustereista59. Lisäksi GPS-koordinaattien sijaan monikulmioihin liittyvät tiedot poimittiin uudelleen, jotta ne voitiin sisällyttää geostatistiseen malliin, mutta tässä prosessissa oletetaan pohjimmiltaan, että EBF:n esiintyvyys on vakio monikulmion alueella. Parhaillaan tutkitaan skaalautuvia menetelmiä, joilla monikulmiotiedot voidaan integroida paremmin tässä analyysissä käytetyn kaltaisiin geostatistisiin malleihin.
Mallinnuksen rajoitukset
Mallinnusstrategian osalta ensisijainen rajoitus on vaikeus arvioida mallin suorituskykyä rasterisolutasolla. Käytimme ristiinvalidointia mallin suorituskyvyn arvioimiseksi, mutta koska otantavirheellä on huomattava vaikutus yksittäisistä tutkimusryppäistä johdettuihin estimaatteihin, oli tarpeen aggregoida sekä tiedot että ennusteet virhettä arvioitaessa. Lisäksi, vaikka pyrimme levittämään eri lähteistä peräisin olevaa epävarmuutta mallintamisen eri vaiheissa, on joitakin epävarmuuden lähteitä, joita ei ole levitetty. Erityisesti ei ollut laskennallisesti toteuttamiskelpoista levittää epävarmuutta pinoamisvaiheessa olevista osamalleista geostatistisen mallin kautta. Vastaavasti, vaikka WorldPopin väestörasteri koostuu myös estimaateista, joihin liittyy jonkin verran epävarmuutta, tätä epävarmuutta on vaikea kvantifioida, eikä sitä ole tällä hetkellä raportoitu, joten emme pystyneet siirtämään tätä epävarmuutta EBF:n esiintyvyyden estimaatteihimme hallinnollisissa alajaotteluissa, jotka luotiin käyttämällä rasterisolujen estimaattien populaatiopainotettuja keskiarvoja.
Mallien sovittaminen tehtiin käyttämällä integroitua sisäkkäistä Laplace-approksimaatiota jälkijakaumalle, joka on toteutettu R-INLA-paketissa49. Ennustaminen sovitetuista malleista tehtiin tämän jälkeen käyttämällä inla.posterior.sample()-funktiota, joka tuottaa näytteitä sovitetun mallin approksimoidusta posteriorista. Sekä mallin sovittaminen että ennustaminen edellyttävät siis approksimaatioita, ja nämä approksimaatiot voivat aiheuttaa virheitä. Vaikka näiden approksimaatioiden vaikutusta on vaikea arvioida tässä nimenomaisessa käyttötapauksessa, validointianalyyseissämme havaittiin, että lopullisen mallin harha on vähäinen ja 95 prosentin ennustevälit kattavat hyvin, mikä antaa jonkinlaisen varmuuden siitä, että käytetty approksimaatiomenetelmä ja muut mahdolliset virhelähteet eivät aiheuta merkittävää harhaa tai huonosti kuvattua epävarmuutta raportoiduissa estimaateissa.
Lisäksi ennustemenetelmämme on johdettu aiemmista spatiotemporaalisista historiallisista trendeistä ja perustuu oletukseen, että viimeaikaiset trendit jatkuvat; emme siis ennusta taustalla vaikuttavia tekijöitä (kuten lisääntyvää kaupungistumista tai väestömäärän muutoksia)60.
Raportointiyhteenveto
Lisätietoa tutkimussuunnitelmasta on saatavissa tämän artikkelin yhteydessä linkitetystä Nature Research Reporting Summary -julkaisusta.