Projektioner
Vi jämförde den uppskattade förbättringen av EBF-prevalensen under de senaste 18 åren med de förbättringar som krävs mellan 2017 och 2025 för att uppfylla WHO:s GNT (50 % EBF-prevalens)6 genom att göra en enkel projektionsberäkning. Först beräknade vi log-additiv AROC vid varje rutnätscell (i) genom att logit-transformera våra 18 års efterföljande medelprevalens, \({\it{prev}}}_{i,{\rm{year}}}^l\) och beräkna AROC mellan varje par av intilliggande år med början från 2001:
Vi beräknade sedan en vägd AROC för varje pixel genom att ta ett vägt genomsnitt över åren, där nyare AROC gavs större vikt i genomsnittet. Vi definierade vikterna som:
där γ kan väljas för att ge olika stor vikt åt åren. För denna uppsättning prognoser valde vi γ = 1, vilket resulterar i ett linjärt viktningssystem som har testats och granskats för användning vid prognostisering av det hälsorelaterade målet för hållbar utveckling)56. För varje rutnätscell beräknade vi sedan den viktade AROC som följer:
Slutligt beräknade vi prognoserna genom att tillämpa den viktade AROC vid varje rutnätscell på vår efterföljande medelprevalens för 2017:
Vi använde samma process för att projicera AROC på landsnivå och administrativ nivå. Detta projektionsschema var analogt med de metoder som användes i GBD 2017:s mätning av framsteg och prognostiserat uppnående av hälsorelaterade mål för hållbar utveckling56.
Begränsningar
Datatillgänglighet
Detta arbete bör bedömas med fullt erkännande av data och metodologiska begränsningar. Viktigast av allt är att noggrannheten i våra uppskattningar är kritiskt beroende av kvantiteten och kvaliteten på de underliggande uppgifterna. Tillgången till relevanta data varierade både rumsligt och tidsmässigt över Afrika (Extended Data Fig. 4), och bristen på relevanta data är en av de viktigaste källorna till osäkerhet kring våra uppskattningar (vilket framgår av fig. 1f). Vi har konstruerat en stor databas med geolokaliserade uppgifter om EBF-prevalens för den här analysen, men det finns fortfarande stora luckor i datatäckningen – både rumsligt och tidsmässigt. Fler lokala data är nödvändiga för att övervaka hälsoutfall och vägleda kvalitetsförbättringsinsatser, och för att öka säkerheten i våra resultat. Att samla in lokala data från alla samhällen varje år skulle vara en oöverstiglig uppgift för de flesta länder; denna studie hjälper till att fylla den nuvarande kunskapsluckan genom att producera uppskattningar för områden utan datainsamling baserat på inlärda mönster från välundersökta områden, genom att använda samma uppskattningsmetoder för alla områden för jämförbara resultat i olika samhällen.
Datanoggrannhet
Det finns dessutom flera faktorer som är relaterade till datakvaliteten som bör uppmärksammas. Uppgifterna i våra analyser erhölls från vårdgivare till spädbarn vid någon tidpunkt mellan födseln och 6 månaders ålder. Även om ett spädbarns EBF-status baserades på en enda tidpunkt (24 timmar före enkätintervjun), vilket är känt för att överskatta EBF-praxis för hela sexmånadersperioden, eftersom spädbarn kan matas med andra livsmedel och vätskor antingen före eller efter undersökningen, är denna uppskattning standardpraxis57,58 . Enligt standardmetoden för att uppskatta EBF enligt internationella riktlinjer57,58 beräknas andelen spädbarn som enbart ammas under hela sex månader genom att uppskatta förekomsten av EBF för alla barn under sex månaders ålder (även om det är känt att EBF minskar med åldern)57. På grund av det åldersintervall (0 till 5 månader gamla spädbarn) som är relevant för syftet att uppskatta EBF-prevalensen är våra urvalsstorlekar relativt sett mindre än tidigare försök att kartlägga lokaliserade skattningar för hälsotillstånd, resultat och socioekonomiska indikatorer12,13,41,42, vilket ytterligare bidrar till den relativt stora graden av osäkerhet som är förknippad med våra skattningar.
Den lokaliseringsinformation som är förknippad med de uppgifter som sammanställts för dessa analyser är behäftad med vissa fel. För att skydda respondenternas konfidentialitet utför de flesta undersökningar som samlar in GPS-koordinater någon typ av slumpmässig förskjutning av dessa koordinater innan de släpper data för sekundära analyser. Exempelvis förskjuts GPS-koordinater för DHS-data med upp till 2 km för stadskluster, upp till 5 km för de flesta landsbygdskluster och upp till 10 km i en slumpmässig 1 % av landsbygdsklusterna59. Dessutom har uppgifter som är kopplade till polygoner snarare än till GPS-koordinater samplats på nytt så att de kunde inkluderas i den geostatistiska modellen, men denna process förutsätter i huvudsak att EBF-prevalensen är konstant över polygonen. Forskning om skalbara metoder för bättre integrering av polygondata i geostatistiska modeller liknande dem som används i denna analys pågår för närvarande.
Modelleringsbegränsningar
Med avseende på modelleringsstrategin är den primära begränsningen svårigheten att bedöma modellens prestanda på nätcellsnivå. Vi använde korsvalidering för att bedöma modellens prestanda, men på grund av provtagningsfelets betydande inverkan på uppskattningar som härrör från enskilda undersökningskluster var det nödvändigt att aggregera både data och förutsägelser vid bedömningen av fel. Även om vi försökte sprida osäkerheten från olika källor genom de olika modelleringsstegen finns det dessutom vissa osäkerhetskällor som inte har spridits. I synnerhet var det inte beräkningsmässigt genomförbart att sprida osäkerheten från delmodellerna i staplingen genom den geostatistiska modellen. På samma sätt är denna osäkerhet svår att kvantifiera och rapporteras för närvarande inte, även om WorldPops befolkningsraster också består av skattningar som är förknippade med viss osäkerhet, och därför kunde vi inte sprida denna osäkerhet till våra skattningar av EBF-prevalensen för administrativa underavdelningar som skapades med hjälp av befolkningsviktade medelvärden av skattningar av rutnätsceller.
Modellanpassningen utfördes med hjälp av en integrerad nested Laplace-approximation av posteriordistributionen, som implementerats i R-INLA-paketet49. Förutsägelser från anpassade modeller utfördes därefter med hjälp av funktionen inla.posterior.sample(), som genererar prover från den approximerade posteriora delen av den anpassade modellen. Både modellanpassning och prediktion kräver alltså approximationer, och dessa approximationer kan medföra fel. Även om det är svårt att bedöma effekten av dessa approximationer i detta särskilda användningsfall, visade våra valideringsanalyser att vår slutliga modell har låg bias och god täckning av de 95-procentiga prediktionsintervallen, vilket ger en viss försäkran om att den approximationsmetod som används, liksom andra potentiella felkällor, inte resulterar i märkbar bias eller dåligt beskriven osäkerhet i våra rapporterade skattningar.
För övrigt är våra prognosmetoder härledda från de tidigare spatiotemporala historiska trenderna och baserade på antagandet att de senaste trenderna kommer att fortsätta; vi prognostiserar alltså inte underliggande drivkrafter (såsom ökande urbanisering eller befolkningsförändringar)60.
Rapporteringssammanfattning
För ytterligare information om forskningsdesign finns tillgänglig i Nature Research Reporting Summary som är länkad till den här artikeln.