Projections
We vergeleken onze geschatte verbeteringspercentages in EBF-prevalentie over de afgelopen 18 jaar met de verbeteringen die tussen 2017 en 2025 nodig zijn om aan de WHO GNT (50% EBF-prevalentie)6 te voldoen door een eenvoudige projectieberekening uit te voeren. Eerst hebben we de log-additieve AROC in elke rastercel (i) berekend door onze 18 jaar posterior gemiddelde prevalentie, {{prev}}_{i,{\rm{year}}}^l}) te logit-transformeren en de AROC tussen elk paar aangrenzende jaren te berekenen, te beginnen met 2001:
Wij berekenden vervolgens een gewogen AROC voor elke pixel door een gewogen gemiddelde over de jaren te nemen, waarbij recentere AROC meer gewicht kregen in het gemiddelde. We bepaalden de gewichten als volgt:
waarbij γ kan worden gekozen om aan de verschillende jaren een verschillend gewicht toe te kennen. Voor deze reeks prognoses hebben wij γ = 1 gekozen, hetgeen resulteert in een lineair wegingssysteem dat is getest en doorgelicht voor gebruik bij prognoses van de gezondheidsgerelateerde duurzame-ontwikkelingsdoelstelling)56. Voor elke rastercel berekenden we vervolgens de gewogen AROC als volgt:
Ten slotte berekenden we de projecties door de gewogen AROC in elke rastercel toe te passen op onze posterieure gemiddelde prevalentie voor 2017:
We hebben hetzelfde proces gebruikt om AROC op land- en bestuursniveau te projecteren. Dit projectieschema was analoog aan de methoden die werden gebruikt in de GBD 2017-meting van de vooruitgang en de verwachte verwezenlijking van gezondheidsgerelateerde Duurzame Ontwikkelingsdoelen56.
Limitaties
Beschikbaarheid van gegevens
Dit werk moet worden beoordeeld met volledige erkenning van de gegevens en methodologische beperkingen. Het belangrijkste is dat de nauwkeurigheid van onze ramingen kritisch afhangt van de hoeveelheid en de kwaliteit van de onderliggende gegevens. De beschikbaarheid van relevante gegevens varieerde zowel ruimtelijk als temporeel in Afrika (uitgebreide gegevens Fig. 4), en het gebrek aan relevante gegevens is een van de belangrijkste bronnen van onzekerheid rond onze schattingen (zoals te zien in Fig. 1f). Voor deze analyse hebben we een grote databank van geografisch gelokaliseerde gegevens over de prevalentie van EBF aangelegd; niettemin zijn er nog belangrijke lacunes in de gegevensdekking, zowel ruimtelijk als temporeel. Er zijn meer lokale gegevens nodig om de gezondheidsuitkomsten te monitoren en de kwaliteitsverbetering te sturen, en om de zekerheid van onze resultaten te vergroten. Het verzamelen van lokale gegevens van alle gemeenschappen elk jaar zou een onoverkomelijke taak zijn voor de meeste landen; deze studie helpt bij het vullen van de huidige leemte in kennis door het produceren van schattingen voor gebieden zonder gegevensverzameling op basis van geleerde patronen van goed onderzochte gebieden, met behulp van dezelfde schattingsmethoden voor alle gebieden voor vergelijkbare resultaten tussen gemeenschappen.
Nauwkeurigheid van gegevens
Bovendien zijn er verschillende factoren met betrekking tot gegevenskwaliteit die moeten worden erkend. De gegevens in onze analyses zijn verkregen van verzorgers van zuigelingen op elk tijdstip tussen geboorte en 6 maanden leeftijd. Hoewel de EBF-status van een zuigeling gebaseerd was op een enkel tijdstip (de 24 uur voorafgaand aan het interview), waarvan bekend is dat het een overschatting geeft van de EBF-praktijk voor de volledige periode van 6 maanden, omdat zuigelingen voor of na het onderzoek andere voeding en vloeistoffen kunnen krijgen, is deze schatting een standaardpraktijk57,58. Volgens de standaardmethode voor het schatten van EBF op basis van internationale richtlijnen57,58 wordt het aandeel zuigelingen dat de volle zes maanden uitsluitend borstvoeding krijgt, berekend door de prevalentie van EBF voor alle kinderen onder de zes maanden te schatten (hoewel bekend is dat EBF met de leeftijd afneemt)57. Vanwege het leeftijdsbereik (zuigelingen van 0 tot 5 maanden) dat relevant is voor het doel van het schatten van de prevalentie van EBF, zijn onze steekproefgroottes relatief kleiner dan eerdere pogingen om lokale schattingen voor gezondheidsaandoeningen, uitkomsten en sociaaleconomische indicatoren12,13,41,42 in kaart te brengen, wat verder bijdraagt aan de relatief grote mate van onzekerheid die met onze schattingen samenhangt.
De locatie-informatie die samenhangt met de gegevens die voor deze analyses zijn verzameld, is onderhevig aan enige fouten. Om de vertrouwelijkheid van de respondenten te beschermen, voeren de meeste enquêtes die GPS-coördinaten verzamelen een soort willekeurige verplaatsing van die coördinaten uit voordat gegevens voor secundaire analyses worden vrijgegeven. GPS-coördinaten voor DHS-gegevens worden bijvoorbeeld tot 2 km verschoven voor stedelijke clusters, tot 5 km voor de meeste clusters op het platteland, en tot 10 km in 1% van de clusters op het platteland59. Verder zijn gegevens die betrekking hebben op polygonen in plaats van op GPS-coördinaten opnieuw bemonsterd, zodat ze in het geostatistische model konden worden opgenomen, maar dit proces gaat er in wezen van uit dat de prevalentie van EBF constant is over de polygoon. Er wordt momenteel onderzoek gedaan naar schaalbare methoden voor een betere integratie van polygoongegevens in geostatistische modellen zoals die in deze analyse zijn gebruikt.
Beperkingen van het modelleren
Met betrekking tot de modelleringstrategie is de belangrijkste beperking de moeilijkheid om de modelprestaties op rastercelniveau te beoordelen. Wij hebben kruisvalidatie gebruikt om de modelprestaties te beoordelen, maar wegens de aanzienlijke invloed van steekproeffouten op schattingen die van afzonderlijke onderzoekclusters worden afgeleid, was het noodzakelijk om zowel de gegevens als de voorspellingen samen te voegen bij de beoordeling van de fouten. Bovendien zijn er, hoewel wij hebben getracht de onzekerheid uit verschillende bronnen door de verschillende modelleringsfasen te propageren, enkele bronnen van onzekerheid die niet zijn gepropageerd. Het was met name rekenkundig niet haalbaar om de onzekerheid van de submodellen bij het stapelen via het geostatistische model te propageren. Hoewel het WorldPop bevolkingsraster ook is samengesteld uit schattingen die met enige onzekerheid gepaard gaan, is deze onzekerheid moeilijk te kwantificeren en wordt zij momenteel niet gerapporteerd, zodat wij niet in staat waren deze onzekerheid door te berekenen in onze schattingen van EBF-prevalentie voor administratieve onderverdelingen die werden gecreëerd met behulp van bevolkingsgewogen gemiddelden van schattingen van rastercellen.
De aanpassing van modellen werd uitgevoerd met behulp van een geïntegreerde geneste Laplace-benadering van de posterior verdeling, zoals geïmplementeerd in het R-INLA-pakket49. Voorspelling van passende modellen werd vervolgens uitgevoerd met behulp van de inla.posterior.sample() functie, die monsters genereert van de benaderde posterior van het passende model. Zowel modelaanpassing als voorspelling vereisen dus benaderingen, en deze benaderingen kunnen fouten introduceren. Hoewel het moeilijk is om het effect van deze benaderingen in dit specifieke geval te beoordelen, bleek uit onze validatieanalyses dat ons uiteindelijke model een lage bias en een goede dekking van de 95%-voorspellingsintervallen heeft, wat enige geruststelling geeft dat de gebruikte benaderingsmethode, evenals andere potentiële bronnen van fouten, niet leiden tot een aanzienlijke bias of een slecht beschreven onzekerheid in onze gerapporteerde schattingen.
Verder zijn onze projectiemethoden afgeleid van de eerdere spatiotemporele historische trends en gebaseerd op de aanname dat de recente trends zich zullen voortzetten; we projecteren dus geen onderliggende drijvende krachten (zoals toenemende verstedelijking of veranderingen in de bevolking)60.
Rapportage Summary
Meer informatie over de onderzoeksopzet is beschikbaar in de Nature Research Reporting Summary die aan dit artikel is gekoppeld.