Projekciók
Egy egyszerű előrejelzési számítás elvégzésével összehasonlítottuk az EBF-prevalenciában az elmúlt 18 évben bekövetkezett javulás becsült mértékét a WHO GNT (50%-os EBF-prevalencia)6 eléréséhez 2017 és 2025 között szükséges javulással. Először is kiszámítottuk a log-additív AROC-t minden egyes rácscellában (i) azáltal, hogy logit-transzformáltuk a 18 év utólagos átlagos prevalenciáját, \({\it{prev}}_{i,{\rm{year}}}^l\), és kiszámítottuk az AROC-t minden egyes szomszédos évpár között, 2001-től kezdve:
Ezután minden egyes pixelre kiszámítottuk a súlyozott AROC-t az évek súlyozott átlagával, ahol a frissebb AROC-k nagyobb súlyt kaptak az átlagban. A súlyokat a következőképpen határoztuk meg:
ahol γ úgy választható, hogy különböző súlyt adjon az éveknek. Ezen előrejelzésekhez γ = 1-et választottunk, ami egy olyan lineáris súlyozási sémát eredményez, amelyet az egészséggel kapcsolatos Fenntartható Fejlődési Cél előrejelzésénél teszteltek és vizsgáltak)56 . Ezután minden rácscellára kiszámítottuk a súlyozott AROC-t:
Végül kiszámítottuk az előrejelzéseket úgy, hogy a súlyozott AROC-t minden egyes rácscellában alkalmaztuk a 2017-es poszterior átlagprevalenciára:
Ugyanezt az eljárást használtuk az ország- és közigazgatási szintű AROC előrejelzésére. Ez az előrejelzési séma analóg volt az egészséggel kapcsolatos fenntartható fejlődési célok előrehaladásának és várható elérésének GBD 2017-es mérésében használt módszerekkel56.
Korlátozások
Adatok elérhetősége
Ezt a munkát az adatok és módszertani korlátok teljes elismerése mellett kell értékelni. A legfontosabb, hogy becsléseink pontossága döntően az alapul szolgáló adatok mennyiségétől és minőségétől függ. A releváns adatok elérhetősége mind térben, mind időben változott Afrikában (bővített adatok 4. ábra), és a releváns adatok hiánya a becsléseink körüli bizonytalanság egyik fő forrása (amint az az 1f. ábrán látható). Elemzésünk céljaira létrehoztunk egy nagy adatbázist a földrajzi elhelyezkedésű EBF-prevalenciaadatokból; mindazonáltal az adatok lefedettségében – mind térben, mind időben – továbbra is jelentős hiányosságok vannak. További helyi adatokra van szükség az egészségügyi eredmények nyomon követéséhez és a minőségjavítási erőfeszítések irányításához, valamint eredményeink bizonyosságának növeléséhez. A helyi adatok összegyűjtése minden évben minden közösségből megoldhatatlan feladat lenne a legtöbb ország számára; ez a tanulmány segít betölteni a jelenlegi tudáshiányt azáltal, hogy becsléseket készít az adatgyűjtés nélküli területekre a jól felmért területekről tanult minták alapján, minden területre ugyanazokat a becslési módszereket alkalmazva az egyes közösségek összehasonlítható eredményei érdekében.
Adatok pontossága
Az adatok minőségével kapcsolatban több tényezőt is el kell ismerni. Az elemzéseinkben szereplő adatokat a csecsemők gondozóitól kaptuk a születés és a 6 hónapos kor közötti bármely időpontban. Bár a csecsemők EBF-státusát egyetlen időpontra alapoztuk (a felmérést megelőző 24 óra), ami közismerten túlbecsüli az EBF-gyakorlatot a teljes 6 hónapos időszakra vonatkozóan, mivel a csecsemők a felmérés előtt vagy után más ételeket és folyadékokat is kaphatnak, ez a becslés a szokásos gyakorlat57,58 . Az EBF becslésére szolgáló, nemzetközi iránymutatásokon57,58 alapuló standard megközelítést követve, a teljes 6 hónapig kizárólag szoptatott csecsemők arányát az EBF gyakoriságának becslésével számítják ki az összes 6 hónaposnál fiatalabb gyermek esetében (bár az EBF köztudottan csökken az életkor előrehaladtával)57 . Az EBF-prevalencia becslése szempontjából releváns életkori tartomány (0-5 hónapos csecsemők) miatt a mintánk mérete viszonylag kisebb, mint a korábbi erőfeszítések, amelyek az egészségügyi állapotok, eredmények és társadalmi-gazdasági mutatók12,13,41,42 helyi becsléseit térképezték fel, ami tovább növeli a becsléseinkkel kapcsolatos viszonylag nagyfokú bizonytalanságot.
Az ezen elemzésekhez összeállított adatokhoz kapcsolódó helyadatok némi hibát tartalmaznak. A válaszadók titoktartásának védelme érdekében a legtöbb felmérés, amely GPS-koordinátákat gyűjt, valamilyen véletlenszerű elmozdítást végez ezeken a koordinátákon, mielőtt kiadná az adatokat a másodlagos elemzésekhez. Például a DHS-adatok GPS-koordinátáit a városi klaszterek esetében legfeljebb 2 km-rel, a legtöbb vidéki klaszter esetében legfeljebb 5 km-rel, a vidéki klaszterek véletlenszerű 1%-ában pedig legfeljebb 10 km-rel eltolják59. Továbbá a GPS-koordináták helyett a poligonokhoz kapcsolódó adatokat újra mintavételezték, hogy azok bekerülhessenek a geostatisztikai modellbe, de ez a folyamat alapvetően azt feltételezi, hogy az EBF előfordulása állandó a poligonon belül. A poligonadatoknak az ebben az elemzésben használthoz hasonló geostatisztikai modellekbe való jobb integrálására szolgáló skálázható módszerek kutatása jelenleg folyamatban van.
Modellezés korlátai
A modellezési stratégia tekintetében az elsődleges korlátot a modell teljesítményének a rácscellák szintjén történő értékelésének nehézsége jelenti. A modellteljesítmény értékelésére keresztellenőrzést alkalmaztunk, de a mintavételi hibának az egyes felmérési klaszterekből származó becslésekre gyakorolt jelentős hatása miatt a hiba értékelésénél mind az adatokat, mind az előrejelzéseket aggregálni kellett. Továbbá, bár megpróbáltuk a különböző forrásokból származó bizonytalanságot a különböző modellezési szakaszokon keresztül továbbítani, vannak olyan bizonytalansági források, amelyek nem kerültek továbbításra. Különösen nem volt számítási szempontból megvalósítható a részmodellekből származó bizonytalanságnak a geostatisztikai modellen keresztül történő továbbítása. Hasonlóképpen, bár a WorldPop népességi raszter is bizonyos bizonytalansággal járó becslésekből áll, ezt a bizonytalanságot nehéz számszerűsíteni, és jelenleg nem jelentik, ezért nem tudtuk átvinni ezt a bizonytalanságot az EBF előfordulására vonatkozó becsléseinkbe a közigazgatási alegységek esetében, amelyeket a rácscellák becsléseinek népességgel súlyozott átlagai alapján hoztunk létre.
A modellillesztést az R-INLA csomagban49 megvalósított integrált, egymásba ágyazott Laplace-közelítéssel végeztük a poszterior eloszlásra. Az illesztett modellekből történő előrejelzést ezt követően az inla.posterior.sample() függvény segítségével végeztük el, amely mintákat generál az illesztett modell közelített utóéletéből. Mind a modellillesztés, mind az előrejelzés tehát közelítéseket igényel, és ezek a közelítések hibát okozhatnak. Bár nehéz felmérni e közelítések hatását ebben a konkrét felhasználási esetben, a validációs elemzéseink szerint a végleges modellünk alacsony torzítással és a 95%-os előrejelzési intervallumok jó lefedettségével rendelkezik, ami némi megnyugvást nyújt arra vonatkozóan, hogy az alkalmazott közelítési módszer, valamint más lehetséges hibaforrások nem eredményeznek számottevő torzítást vagy rosszul leírt bizonytalanságot a bejelentett becsléseinkben.
Az előrejelzési módszereink továbbá a korábbi tér-időbeli történelmi trendekből származnak, és azon a feltételezésen alapulnak, hogy a közelmúltbeli trendek folytatódni fognak; így nem vetítjük előre a mögöttes mozgatórugókat (mint például a növekvő urbanizáció vagy a népesség változásai)60.
Beszámolói összefoglaló
A kutatás tervezéséről további információk a cikkhez kapcsolódó Nature Research Reporting Summary-ban találhatók.