Proiezioni
Abbiamo confrontato i nostri tassi stimati di miglioramento della prevalenza di EBF negli ultimi 18 anni con i miglioramenti necessari tra il 2017 e il 2025 per soddisfare il GNT dell’OMS (50% di prevalenza EBF)6 eseguendo un semplice calcolo di proiezione. In primo luogo, abbiamo calcolato l’AROC log-additivo in ogni cella della griglia (i) trasformando logit-trasformando i nostri 18 anni di prevalenza media posteriore, \({\it{prev}}_{i,{\rm{anno}}}^l}) e calcolando l’AROC tra ogni coppia di anni adiacenti a partire dal 2001:
Abbiamo poi calcolato un AROC ponderato per ogni pixel prendendo una media ponderata tra gli anni, dove agli AROC più recenti è stato dato più peso nella media. Abbiamo definito i pesi come segue:
dove γ può essere scelto per dare diverse quantità di peso tra gli anni. Per questa serie di proiezioni, abbiamo scelto γ = 1, ottenendo uno schema di ponderazione lineare che è stato testato e verificato per l’uso nella proiezione dell’Obiettivo di Sviluppo Sostenibile relativo alla salute)56. Per ogni cella della griglia, abbiamo quindi calcolato l’AROC ponderato per essere:
Infine, abbiamo calcolato le proiezioni applicando l’AROC pesato in ogni cella della griglia alla nostra prevalenza media posteriore del 2017:
Abbiamo usato lo stesso processo per proiettare l’AROC a livello nazionale e amministrativo. Questo schema di proiezione era analogo ai metodi utilizzati nella misurazione del GBD 2017 dei progressi e delle proiezioni sul raggiungimento degli obiettivi di sviluppo sostenibile relativi alla salute56.
Limitazioni
Data availability
Questo lavoro dovrebbe essere valutato riconoscendo pienamente i dati e le limitazioni metodologiche. La cosa più importante è che l’accuratezza delle nostre stime dipende in modo critico dalla quantità e dalla qualità dei dati sottostanti. La disponibilità di dati rilevanti varia sia spazialmente che temporalmente in tutta l’Africa (dati estesi Fig. 4), e la mancanza di dati rilevanti è una delle principali fonti di incertezza intorno alle nostre stime (come visto in Fig. 1f). Abbiamo costruito un ampio database di dati geo-localizzati sulla prevalenza di EBF ai fini di questa analisi; tuttavia, rimangono importanti lacune nella copertura dei dati, sia spaziale che temporale. Sono necessari più dati locali per monitorare i risultati di salute e guidare gli sforzi di miglioramento della qualità, e per aumentare la certezza dei nostri risultati. Raccogliere dati locali da tutte le comunità ogni anno sarebbe un compito insormontabile per la maggior parte dei paesi; questo studio aiuta a colmare l’attuale lacuna di conoscenza producendo stime per le aree senza raccolta di dati sulla base di modelli appresi da aree ben indagate, utilizzando gli stessi metodi di stima per tutte le aree per risultati comparabili tra le comunità.
Accuratezza dei dati
Inoltre, ci sono diversi fattori relativi alla qualità dei dati che dovrebbero essere riconosciuti. I dati nelle nostre analisi sono stati ottenuti dai caregiver dei neonati in qualsiasi momento tra la nascita e i 6 mesi di età. Sebbene lo stato di EBF di un neonato fosse basato su un singolo punto temporale (le 24 ore precedenti l’intervista), che è noto per sovrastimare la pratica EBF per l’intero periodo di 6 mesi, poiché i neonati possono essere alimentati con altri cibi e liquidi sia prima che dopo l’indagine, questa stima è una pratica standard57,58. Seguendo l’approccio standard per la stima dell’EBF basato sulle linee guida internazionali57,58, la proporzione di bambini allattati esclusivamente al seno per tutti i 6 mesi viene calcolata stimando la prevalenza dell’EBF per tutti i bambini sotto i 6 mesi di età (anche se è noto che l’EBF diminuisce con l’età)57. A causa dell’intervallo di età (da 0 a 5 mesi) rilevante ai fini della stima della prevalenza dell’EBF, le dimensioni del nostro campione sono relativamente più piccole rispetto ai precedenti sforzi di mappatura delle stime localizzate per condizioni di salute, esiti e indicatori socioeconomici12,13,41,42, contribuendo ulteriormente al grado relativamente elevato di incertezza associato alle nostre stime.
Le informazioni sulla localizzazione associate ai dati compilati per queste analisi sono soggette ad alcuni errori. Per proteggere la riservatezza degli intervistati, la maggior parte delle indagini che raccolgono le coordinate GPS eseguono qualche tipo di spostamento casuale su tali coordinate prima di rilasciare i dati per le analisi secondarie. Ad esempio, le coordinate GPS per i dati DHS sono spostate fino a 2 km per i cluster urbani, fino a 5 km per la maggior parte dei cluster rurali e fino a 10 km in un 1% casuale di cluster rurali59. Inoltre, i dati associati ai poligoni piuttosto che alle coordinate GPS sono stati ricampionati in modo da poterli includere nel modello geostatistico, ma questo processo presuppone essenzialmente che la prevalenza dell’EBF sia costante nel poligono. La ricerca su metodi scalabili per una migliore integrazione dei dati poligonali in modelli geostatistici simili a quelli utilizzati in questa analisi è attualmente in corso.
Limitazioni della modellazione
Per quanto riguarda la strategia di modellazione, la limitazione principale è la difficoltà di valutare le prestazioni del modello a livello di cella della griglia. Abbiamo usato la convalida incrociata per valutare le prestazioni del modello ma, a causa dell’impatto sostanziale dell’errore di campionamento sulle stime derivate da singoli cluster di indagine, è stato necessario aggregare sia i dati che le previsioni per valutare l’errore. Inoltre, mentre abbiamo cercato di propagare l’incertezza da varie fonti attraverso le diverse fasi di modellazione, ci sono alcune fonti di incertezza che non sono state propagate. In particolare, non era computazionalmente fattibile propagare l’incertezza dai sottomodelli di impilamento attraverso il modello geostatistico. Allo stesso modo, anche se il raster della popolazione WorldPop è composto da stime associate ad una certa incertezza, questa incertezza è difficile da quantificare e non è attualmente riportata, e quindi non siamo stati in grado di propagare questa incertezza nelle nostre stime di prevalenza di EBF per le suddivisioni amministrative che sono state create utilizzando le medie ponderate per la popolazione delle stime delle celle della griglia.
Il fitting del modello è stato effettuato utilizzando un’approssimazione di Laplace integrata annidata alla distribuzione posteriore, come implementato nel pacchetto R-INLA49. La predizione dai modelli adattati è stata successivamente effettuata utilizzando la funzione inla.posterior.sample(), che genera campioni dal posteriore approssimato del modello adattato. Sia l’adattamento del modello che la predizione richiedono quindi delle approssimazioni, e queste approssimazioni possono introdurre degli errori. Mentre è difficile valutare l’impatto di queste approssimazioni in questo particolare caso d’uso, le nostre analisi di convalida hanno trovato che il nostro modello finale ha un basso bias e una buona copertura degli intervalli di previsione al 95%, il che fornisce una certa rassicurazione che il metodo di approssimazione utilizzato, così come altre potenziali fonti di errore, non stanno causando bias apprezzabili o incertezza mal descritta nelle nostre stime riportate.
Inoltre, i nostri metodi di proiezione sono derivati dalle tendenze storiche spazio-temporali precedenti e si basano sul presupposto che le tendenze recenti continueranno; quindi, non stiamo proiettando i driver sottostanti (come la crescente urbanizzazione o i cambiamenti nella popolazione)60.
Reporting Summary
Più informazioni sul disegno della ricerca sono disponibili nel Nature Research Reporting Summary collegato a questo articolo.