Можем ли мы предсказать бремя острого недоедания в условиях кризиса?

Блог

ДомДом / Блог / Можем ли мы предсказать бремя острого недоедания в условиях кризиса?

Jul 31, 2023

Можем ли мы предсказать бремя острого недоедания в условиях кризиса?

BMC Nutrition, том 8, номер статьи: 92 (2022 г.) Ссылаться на эту статью 2262 Доступ 3 Подробности об альтернативных показателях Выборочные обследования являются основой надзора за острым недоеданием в условиях

BMC Nutrition, том 8, Номер статьи: 92 (2022 г.) Цитировать эту статью

2262 Доступа

3 Альтметрика

Подробности о метриках

Выборочные обследования являются основой надзора за острым недоеданием в условиях кризисов, но они обременительны и имеют ограниченный географический охват из-за отсутствия безопасности и других проблем доступа. В качестве возможного дополнения к исследованиям мы изучили статистический подход для прогнозирования распространенного бремени острого недоедания среди небольших слоев населения в двух затронутых кризисом странах: Сомали (2014–2018 годы) и Южном Судане (2015–2018 годы).

Для каждой страны мы собрали наборы данных, созданные гуманитарными организациями или другими организациями, об отсутствии безопасности, перемещении населения, отсутствии продовольственной безопасности, доступе к услугам, возникновении эпидемий и других факторах, вызывающих недоедание. Мы объединили их с наборами данных выборочных антропометрических обследований домохозяйств, проведенных на административном уровне 3 (район, округ) в рамках надзора за питанием, и для каждого из нескольких результатов, включая бинарные и непрерывные индексы, основанные либо на весе к росту, либо на среднем и верхнем показателях. - окружность руки, подобрана и оценена прогностическая эффективность обобщенных линейных моделей и, в качестве альтернативы, случайных лесов машинного обучения.

Мы разработали модели на основе 85 наземных исследований в Сомали и 175 в Южном Судане. Тип источников средств к существованию, интенсивность вооруженного конфликта, заболеваемость корью, индекс растительности и цена на воду были важными предикторами в Сомали, а источники существования, заболеваемость корью, количество осадков и условия торговли (покупательная способность) – в Южном Судане. Однако как обобщенные линейные модели, так и случайные леса имели низкую эффективность как для бинарных, так и для непрерывных антропометрических результатов.

Прогнозные модели показали неутешительные результаты и непригодны для практического использования. Диапазон использованных данных и их качество, вероятно, ограничивали наш анализ. Прогнозный подход остается теоретически привлекательным и заслуживает дальнейшей оценки с использованием более крупных наборов данных в различных условиях.

Отчеты экспертной оценки

В условиях кризисов, вызванных вооруженным конфликтом, насилием в обществе, перемещением населения и/или отсутствием продовольственной безопасности, острая недостаточность питания представляет собой серьезную угрозу общественному здравоохранению, которая на индивидуальном уровне представляет краткосрочный риск смертности, усугубляет эндемические и эпидемические инфекционные заболевания и ухудшает долгосрочные результаты развития. Распространенность острой недостаточности питания среди детей также является ключевым суммарным показателем серьезности кризиса, поскольку он отражает более широкую ситуацию с продовольственной безопасностью, средствами к существованию, общественным здравоохранением и социальной средой [1]. Для целей данной статьи и в соответствии с текущими рекомендациями ЮНИСЕФ мы ссылаемся на острую недостаточность питания (также широко известную как истощение) как на возникновение двух частично перекрывающихся проявлений: маразма, характеризующегося недавней и серьезной потерей веса, и более редкого но более летальна отечная форма (квашиоркор). Антропометрические показатели, включая соотношение веса к росту или длине тела, окружность средней части плеча (MUAC) и наличие двустороннего точечного отека, могут быть объединены в непрерывные показатели (например, Z-показатель веса к росту/длине тела относительно среднего значения референтная популяция с хорошим питанием: WHZ) или дихотомизированная на основе пороговых значений для классификации детей как детей с тяжелой или умеренной острой недостаточностью питания (SAM, MAM) и на уровне популяции рассчитать оценки распространенности [2]. Такая информация помогает оценить прогресс в достижении национальных и глобальных целей, определить соответствующий пакет услуг по продовольственной безопасности и питанию, оценить необходимые ресурсы (например, нагрузку на лечение), отслеживать эффективность услуг и выявлять изменения в серьезности кризиса в рамках систем раннего предупреждения, таких как как интегрированная классификация фаз продовольственной безопасности (IPC) [3,4,5].

Поперечные антропометрические исследования среди детей в возрасте от 6 до 59 месяцев (месяцев) являются важным компонентом надзора за питанием в условиях кризиса, наряду с данными учреждений и программными данными [6]. За последнее десятилетие был достигнут значительный прогресс в стандартизации методов и анализа этих обследований. В частности, проект «Стандартизированный мониторинг и оценка помощи и переходов» (SMART) [7] предоставляет общие протоколы исследований и помощники для разработки опросов, обучения и контроля качества, а также специальное программное обеспечение для экстренного питания для отбора проб, ввода данных и анализа. . Опросы SMART, обычно проводимые в небольшом географическом масштабе (например, в районах или отдельных лагерях), являются наиболее распространенным методом измерения бремени недоедания в рамках гуманитарной помощи на уровне населения. Однако опросы SMART в некоторой степени обременительны с точки зрения человеческих и финансовых ресурсов, требуют нескольких недель для планирования, реализации и составления отчетности и могут иметь ограниченный географический охват из-за отсутствия безопасности или других ограничений доступа, что приводит к потенциально предвзятым, несвоевременным и/или или недостаточно детальная информация. Иными словами, одни лишь обследования могут оказаться недостаточными для раннего выявления ухудшения ситуации и эффективного распределения ресурсов [8]. Совсем недавно ограничения, связанные с COVID-19, временно ограничили проведение опроса SMART, так же как ожидалось, что пандемия будет способствовать прогнозируемому удвоению численности населения мира, столкнувшегося с кризисом продовольственной безопасности, и, как следствие, существенному увеличению бремени острого недоедания [9]. .

 5 z-scores from the mean and/or outside the allowed age range (6-59mo). Lastly, we classified all children into severe acute malnutrition (SAM) or global acute malnutrition (GAM) according to two alternative definitions: (i) bilateral oedema and/or weight-for-height (WHZ) < 3Z (SAM) or < 2Z (GAM); (ii) bilateral oedema and/or MUAC < 115 mm (SAM) or < 125 mm (GAM) [13]. We fitted generalised linear models (binomial for SAM and GAM, gaussian otherwise) with standard errors adjusted for cluster design to verify concordance with point estimates and 95% confidence intervals (CI) contained in the survey reports./p> 0 indicate a protective effect, and vice versa. One predictor (livelihood) consistently featured in the most predictive models (displaced and pastoralist livelihoods were generally associated with better anthropometric status than for agriculturalists). Armed conflict intensity, measles occurrence over the previous trimester, terms of trade, NDVI over the previous semester and average market price of water were useful predictors for some but not all anthropometric outcomes. Generally, predictive performance was low: models yielded mostly upward-biased predictions that fell within the observed survey 95%CIs for only 17% to 80% of stratum-months, depending on the outcome; while denominators were very small, only the model for GAM (WFH + oedema) reached a moderate combination of sensitivity and specificity to classify prevalence as per the 15% threshold. Graphs of predictions versus observations support this pattern; Fig. 3 shows results for SAM (WFH + oedema), while remaining graphs are in the Additional file 1./p> 20 geospatial remotely sensed or previously estimated predictors; Mude et al. [27] predicted with reasonable accuracy MUAC across time and space in northern Kenya based on village-level data collected for food security surveillance by the Arid Lands Resource Management Project, with predictors including the characteristics of observed MUAC data themselves, cattle herd dynamics, extent of food aid, climate and season. At least one further research project is ongoing (https://www.actionagainsthunger.org/meriam). Bosco et al. [28] have used geospatial and remotely sensed covariates to map stunting prevalence, while Lentz et al. [29] have also demonstrated the potential of a GLM-based approach for predicting food insecurity in Malawi. We have previously used the same datasets as in this study to develop reasonably predictive models of population-level death rate (a farther-downstream and thus potentially even more multifactorial outcome), albeit only for retrospective estimation [10, 11]./p>