Projektioner
Vi sammenlignede vores estimerede forbedring af EBF-prævalensen i løbet af de seneste 18 år med de forbedringer, der er nødvendige mellem 2017 og 2025 for at opfylde WHO’s GNT (50 % EBF-prævalens)6 ved at foretage en simpel fremskrivningsberegning. Først beregnede vi log-additiv AROC på hver gittercelle (i) ved at logit-transformere vores 18 års posteriore gennemsnitlige prævalens, \({\it{prev}}}_{i,{\rm{year}}}^l\) og beregne AROC mellem hvert par af tilstødende år begyndende med 2001:
Vi beregnede derefter en vægtet AROC for hver pixel ved at tage et vægtet gennemsnit på tværs af årene, hvor nyere AROC fik større vægt i gennemsnittet. Vi definerede vægtene til at være:
hvor γ kan vælges for at give varierende vægt på tværs af årene. For dette sæt fremskrivninger valgte vi γ = 1, hvilket resulterer i et lineært vægtningsskema, som er blevet testet og godkendt til brug ved fremskrivning af det sundhedsrelaterede mål for bæredygtig udvikling)56. For enhver gittercelle beregnede vi derefter den vægtede AROC til at være:
Slutteligt beregnede vi fremskrivningerne ved at anvende den vægtede AROC på hver gittercelle på vores efterfølgende gennemsnitlige prævalens for 2017:
Vi brugte den samme proces til at fremskrive AROC på lande- og administrativt niveau. Dette fremskrivningsskema var analogt med de metoder, der blev anvendt i GBD 2017-måling af fremskridt og forventet opnåelse af sundhedsrelaterede mål for bæredygtig udvikling56.
Begrænsninger
Datatilgængelighed
Dette arbejde bør vurderes i fuld anerkendelse af data og metodologiske begrænsninger. Vigtigst er det, at nøjagtigheden af vores skøn i høj grad afhænger af mængden og kvaliteten af de underliggende data. Tilgængeligheden af relevante data varierede både rumligt og tidsmæssigt på tværs af Afrika (Extended Data Fig. 4), og manglen på relevante data er en af de vigtigste kilder til usikkerhed omkring vores skøn (som det fremgår af Fig. 1f). Vi har opbygget en stor database med geo-lokaliserede EBF-prævalensdata til brug for denne analyse; ikke desto mindre er der fortsat store huller i datadækningen – både rumligt og tidsmæssigt. Der er behov for flere lokale data for at overvåge sundhedsresultater og vejlede kvalitetsforbedringsindsatsen og for at øge sikkerheden i vores resultater. Indsamling af lokale data fra alle samfund hvert år ville være en uoverkommelig opgave for de fleste lande; denne undersøgelse hjælper med at udfylde det nuværende videnshul ved at udarbejde estimater for områder uden dataindsamling baseret på lærte mønstre fra velundersøgte områder, idet der anvendes de samme estimationsmetoder for alle områder med henblik på sammenlignelige resultater på tværs af samfund.
Datas nøjagtighed
Der er desuden flere faktorer i forbindelse med datakvalitet, som bør anerkendes. Data i vores analyser blev indhentet fra omsorgspersoner for spædbørn på et hvilket som helst tidspunkt mellem fødslen og 6 måneders alderen. Selv om et spædbarns EBF-status var baseret på et enkelt tidspunkt (24 timer før undersøgelsesinterviewet), hvilket er kendt for at overvurdere EBF-praksis for hele 6-månedersperioden, da spædbørn kan få andre fødevarer og væsker enten før eller efter undersøgelsen, er dette skøn standardpraksis57,58. I overensstemmelse med standardmetoden til vurdering af EBF baseret på internationale retningslinjer57,58 beregnes andelen af spædbørn, der udelukkende ammes i de fulde 6 måneder, ved at estimere prævalensen af EBF for alle børn under 6 måneder (selv om det er kendt, at EBF falder med alderen)57. På grund af det aldersinterval (0-5 måneder gamle spædbørn), der er relevant for formålet med at estimere EBF-prævalensen, er vores stikprøvestørrelser relativt mindre end tidligere forsøg på at kortlægge lokaliserede estimater for sundhedsforhold, resultater og socioøkonomiske indikatorer12,13,41,42, hvilket yderligere bidrager til den relativt store grad af usikkerhed forbundet med vores estimater.
Lokalitetsoplysningerne i forbindelse med de data, der er indsamlet til disse analyser, er behæftet med en vis fejl. For at beskytte respondenternes fortrolighed foretager de fleste undersøgelser, der indsamler GPS-koordinater, en eller anden form for tilfældig forskydning af disse koordinater, før de frigiver data til sekundære analyser. F.eks. forskydes GPS-koordinaterne for DHS-data med op til 2 km for byklynger, op til 5 km for de fleste landklynger og op til 10 km i en tilfældig 1 % af landklyngerne59. Desuden blev data, der var forbundet med polygoner i stedet for GPS-koordinater, genudtaget, så de kunne indgå i den geostatistiske model, men denne proces forudsætter i det væsentlige, at EBF-prævalensen er konstant i polygonen. Forskning i skalerbare metoder til bedre integration af polygondata i geostatistiske modeller svarende til dem, der er anvendt i denne analyse, er i øjeblikket i gang.
Modelleringsbegrænsninger
Med hensyn til modelleringsstrategien er den primære begrænsning vanskeligheden ved at vurdere modellens ydeevne på gridcelleniveau. Vi anvendte krydsvalidering til at vurdere modellens ydeevne, men på grund af den betydelige indvirkning af stikprøvefejl på estimater, der er afledt af enkelte undersøgelsesklynger, var det nødvendigt at aggregere både data og forudsigelser ved vurderingen af fejl. Selv om vi forsøgte at overføre usikkerhed fra forskellige kilder gennem de forskellige modelleringsfaser, er der desuden nogle usikkerhedskilder, som ikke er blevet overført. Især var det ikke beregningsmæssigt muligt at overføre usikkerheden fra delmodellerne i stabling gennem den geostatistiske model. På samme måde, selv om WorldPop-befolkningsrasteret også består af estimater, der er forbundet med en vis usikkerhed, er denne usikkerhed vanskelig at kvantificere og rapporteres ikke i øjeblikket, og derfor var vi ikke i stand til at propagere denne usikkerhed til vores estimater af EBF-prævalens for administrative underinddelinger, der blev oprettet ved hjælp af befolkningsvægtede gennemsnit af estimater for gitterceller.
Modeltilpasning blev udført ved hjælp af en integreret nested Laplace-approximation til den efterfølgende fordeling, som implementeret i R-INLA-pakken49. Forudsigelser fra tilpassede modeller blev efterfølgende udført ved hjælp af funktionen inla.posterior.sample(), som genererer stikprøver fra den tilnærmede posterior af den tilpassede model. Både tilpasning af modeller og forudsigelse kræver således tilnærmelser, og disse tilnærmelser kan medføre fejl. Selv om det er vanskeligt at vurdere virkningen af disse tilnærmelser i dette særlige tilfælde, viste vores valideringsanalyser, at vores endelige model har en lav bias og en god dækning af 95%-prædiktionsintervallerne, hvilket giver en vis sikkerhed for, at den anvendte tilnærmelsesmetode samt andre potentielle fejlkilder ikke resulterer i en mærkbar bias eller dårligt beskrevet usikkerhed i vores rapporterede estimater.
Dertil kommer, at vores fremskrivningsmetoder er afledt af de tidligere rumtemporale historiske tendenser og er baseret på den antagelse, at de seneste tendenser vil fortsætte; vi fremskriver således ikke underliggende drivkræfter (såsom stigende urbanisering eller ændringer i befolkningen)60.
Rapporteringsresumé
Der findes yderligere oplysninger om forskningsdesignet i Nature Research Reporting Summary, der er knyttet til denne artikel.