Projeções
Comparamos as nossas taxas estimadas de melhoria na prevalência da EBF nos últimos 18 anos com as melhorias necessárias entre 2017 e 2025 para cumprir a OMS GNT (prevalência de 50% EBF)6 através da realização de um simples cálculo de projeção. Primeiro, calculamos o AROC logo-aditivo em cada quadrícula (i) através da transformação logito-transformação dos nossos 18 anos de prevalência média posterior, (i,{\i,{\i,{\rm{ano}}^l) e calculamos o AROC entre cada par de anos adjacentes a partir de 2001:
Calculamos então uma AROC ponderada para cada pixel, tomando uma média ponderada ao longo dos anos, onde as AROC mais recentes receberam mais peso na média. \esquerda(- 2000) – direita)^gamma$$
onde γ pode ser escolhido para dar quantidades variáveis de peso ao longo dos anos. Para este conjunto de projeções, selecionamos γ = 1, resultando em um esquema de ponderação linear que foi testado e vetado para uso na projeção do Objetivo de Desenvolvimento Sustentável relacionado à saúde)56. Para qualquer quadrícula, calculamos então o AROC ponderado para ser:
Finalmente, calculamos as projecções aplicando a AROC ponderada em cada quadrícula da grelha à nossa prevalência média posterior de 2017:
Usamos o mesmo processo para projetar AROC a nível de país e administrativo. Este esquema de projeção foi análogo aos métodos usados no GBD 2017 para medir o progresso e o alcance projetado dos Objetivos de Desenvolvimento Sustentável relacionados à saúde56.
Limitações
Disponibilidade de dados
Este trabalho deve ser avaliado em pleno reconhecimento dos dados e das limitações metodológicas. Mais importante ainda, a precisão das nossas estimativas depende criticamente da quantidade e qualidade dos dados subjacentes. A disponibilidade de dados relevantes variou espacialmente e temporalmente em toda a África (Dados Alargados Fig. 4), e a falta de dados relevantes é uma das principais fontes de incerteza em torno das nossas estimativas (como visto na Fig. 1f). Para efeitos desta análise, construímos uma grande base de dados de prevalência de FEB geo-localizada; no entanto, lacunas importantes na cobertura de dados – tanto espaciais como temporais. Mais dados locais são necessários para monitorar os resultados de saúde e orientar os esforços de melhoria da qualidade, e para aumentar a certeza dos nossos resultados. A coleta de dados locais de todas as comunidades a cada ano seria uma tarefa intransponível para a maioria dos países; este estudo ajuda a preencher a lacuna de conhecimento atual, produzindo estimativas para áreas sem coleta de dados baseadas em padrões aprendidos de áreas bem pesquisadas, usando os mesmos métodos de estimativa para todas as áreas para resultados comparáveis entre comunidades.
Precisão dos dados
Além disso, há vários fatores relacionados à qualidade dos dados que devem ser reconhecidos. Os dados em nossas análises foram obtidos de cuidadores de bebês em qualquer momento entre o nascimento e os 6 meses de idade. Embora o estatuto de EBF de uma criança tenha sido baseado num único ponto de tempo (as 24 h anteriores à entrevista da pesquisa), que é conhecido por sobrestimar a prática EBF durante todo o período de 6 meses, uma vez que os bebés podem ser alimentados com outros alimentos e líquidos antes ou depois da pesquisa, esta estimativa é uma prática padrão57,58. Seguindo a abordagem padrão para estimar a EBF com base em diretrizes internacionais57,58, a proporção de bebês que são exclusivamente amamentados durante os 6 meses completos é calculada através da estimativa da prevalência da EBF para todas as crianças com menos de 6 meses de idade (embora se saiba que a EBF diminui com a idade)57. Devido à faixa etária (0 a 5 meses de idade) relevante para o propósito de estimar a prevalência de EBF, nossa amostra é relativamente menor do que os esforços anteriores de mapeamento de estimativas localizadas para condições de saúde, resultados e indicadores socioeconômicos12,13,41,42, contribuindo ainda mais para o grau relativamente grande de incerteza associado às nossas estimativas.
As informações de localização associadas aos dados compilados para essas análises estão sujeitas a algum erro. Para proteger a confidencialidade dos entrevistados, a maioria das pesquisas que coletam coordenadas GPS realiza algum tipo de deslocamento aleatório sobre essas coordenadas antes de liberar os dados para análises secundárias. Por exemplo, as coordenadas GPS para dados DHS são deslocadas em até 2 km para conjuntos urbanos, até 5 km para a maioria dos conjuntos rurais, e até 10 km em um 1% aleatório de conjuntos rurais59. Além disso, os dados associados aos polígonos em vez das coordenadas GPS foram novamente amostrados para que pudessem ser incluídos no modelo geoestatístico, mas este processo assume essencialmente que a prevalência da EBF é constante sobre o polígono. Pesquisas sobre métodos escaláveis para melhor integração dos dados dos polígonos em modelos geoestatísticos similares aos usados nesta análise estão atualmente em andamento.
Limitações da modelagem
No que diz respeito à estratégia de modelagem, a principal limitação é a dificuldade em avaliar o desempenho do modelo ao nível da célula da grade. Usamos a validação cruzada para avaliar o desempenho do modelo mas, devido ao impacto substancial do erro de amostragem sobre as estimativas derivadas de clusters de levantamento único, foi necessário agregar tanto os dados quanto as previsões ao avaliar o erro. Além disso, embora tenhamos tentado propagar a incerteza de várias fontes através dos diferentes estágios de modelagem, existem algumas fontes de incerteza que não foram propagadas. Em particular, não foi computacionalmente viável propagar a incerteza dos submodelos em empilhamento através do modelo geoestatístico. Da mesma forma, embora o raster populacional do WorldPop também seja composto de estimativas associadas a alguma incerteza, esta incerteza é difícil de quantificar e não é atualmente relatada, e por isso não conseguimos propagar esta incerteza em nossas estimativas de prevalência da EBF para subdivisões administrativas que foram criadas usando médias ponderadas pela população de estimativas de células da grade.
O ajuste do modelo foi feito usando uma aproximação Laplace aninhada integrada à distribuição posterior, conforme implementado no pacote R-INLA49. A previsão a partir de modelos encaixados foi posteriormente realizada utilizando a função inla.posterior.sample(), que gera amostras a partir do posterior aproximado do modelo encaixado. Tanto a adaptação do modelo como a previsão requerem assim aproximações, e estas aproximações podem introduzir erros. Embora seja difícil avaliar o impacto dessas aproximações neste caso particular de uso, nossas análises de validação constataram que nosso modelo final tem baixo viés e boa cobertura dos intervalos de predição de 95%, o que fornece alguma segurança de que o método de aproximação usado, assim como outras fontes potenciais de erro, não estão resultando em viés apreciável ou incerteza mal descrita em nossas estimativas reportadas.
Outras vezes, nossos métodos de projeção são derivados das tendências históricas espaciotemporais anteriores e baseados na suposição de que as tendências recentes continuarão; assim, não estamos projetando os vetores subjacentes (como o aumento da urbanização ou mudanças na população)60.
Reporting Summary
Outras informações sobre o desenho da pesquisa estão disponíveis no Nature Research Reporting Summary ligado a este artigo.