Jul 31, 2023
危機における急性栄養失調の負担を予測できるか
BMC Nutrition volume 8、記事番号: 92 (2022) この記事を引用 2262 アクセス 3 Altmetric Metrics の詳細 サンプル調査は、環境における急性栄養失調の監視の主力です
BMC Nutrition volume 8、記事番号: 92 (2022) この記事を引用
2262 アクセス
3 オルトメトリック
メトリクスの詳細
サンプル調査は、危機の影響を受けた環境における急性栄養失調の監視の主力であるが、負担が大きく、治安の悪さやその他のアクセスの問題により、対象範囲が地理的に限られている。 調査を補完する可能性として、私たちは危機の影響を受けた 2 か国、ソマリア (2014 ~ 2018 年) と南スーダン (2015 ~ 2018 年) において、少数の人口層における急性栄養失調の蔓延を予測するための統計的アプローチを検討しました。
私たちは各国ごとに、治安の悪化、避難民、食料不安、サービスへのアクセス、伝染病の発生、その他栄養失調の原因経路に関する要因に関して人道支援活動家やその他の団体が生成したデータセットを入手しました。 私たちはこれらを、栄養監視の一環として行政レベル 3 (地区、郡) で実施されたサンプルの世帯人体計測調査のデータセットと統合し、身長に対する体重または中上位のいずれかに基づく二値および連続指数を含むいくつかの結果のそれぞれについて統合しました。 - 腕周囲長、一般化線形モデル、および代替として機械学習ランダム フォレストの予測パフォーマンスをフィッティングおよび評価しました。
私たちはソマリアで 85 件、南スーダンで 175 件の地上調査に基づいてモデルを開発しました。 ソマリアでは生計の種類、武力紛争の激しさ、麻疹の発生率、植生指数、水道価格が重要な予測因子であり、南スーダンでは生計、麻疹の発生率、降雨量、交易条件(購買力)が重要な予測因子であった。 ただし、一般化線形モデルとランダム フォレストはどちらも、バイナリおよび連続的な人体計測結果のパフォーマンスが低かった。
予測モデルのパフォーマンスは期待外れであり、アクションには使用できません。 使用されたデータの範囲とその品質により、おそらく分析が制限されていました。 予測アプローチは依然として理論的に魅力的であり、複数の設定にわたる大規模なデータセットを使用してさらに評価する価値があります。
査読レポート
武力紛争、地域社会の暴力、避難や食糧不安による危機の影響を受ける状況では、急性栄養失調は顕著な公衆衛生上の脅威であり、個人レベルでは短期的な死亡リスクをもたらし、風土病や流行性の感染症を悪化させ、長期的な発達転帰を悪化させます。 子どもの急性栄養失調の有病率は、食糧安全保障、生計、公衆衛生と社会環境の広範な状況を反映しているため、危機の深刻度を示す重要な総括指標でもあります[1]。 この論文の目的上、現在のユニセフのガイダンスに従って、急性栄養失調(一般に消耗症としても知られています)を、部分的に重複する 2 つの症状の発生と呼んでいます。1 つは最近の重度の体重減少を特徴とするマラスムス、もう 1 つはまれです。しかし、より致命的な浮腫性形態(クワシオルコル)。 身長または身長に対する体重、中上腕周囲(MUAC)、および両側の穴あき浮腫の存在を含む人体計測指標を組み合わせて、連続的な指標を作成することができます(たとえば、身長に対する体重/長さの平均に対するZスコア)栄養状態の良い参照集団:WHZ)、または子供を重度または中等度の急性栄養失調(SAM、MAM)として分類するための閾値に基づいて二分化し、人口レベルで有病率推定値を計算します[2]。 このような情報は、国家的および世界的な目標に向けた進捗状況の評価、食料安全保障と栄養サービスの適切なパッケージの特定、必要なリソース(治療症例数など)の推定、サービスのパフォーマンスの監視、および次のような早期警告システムの一部としての危機の深刻度の変化の検出に役立ちます。統合食品安全保障段階分類 (IPC) として定義されています [3,4,5]。
生後 6 か月から 59 か月(月)の小児を対象とした横断的な身体計測調査は、施設ベースのプログラムによるデータとともに、危機的状況における栄養監視の重要な要素です [6]。 過去 10 年間で、これらの調査の方法と分析の標準化にかなりの進歩が見られました。 特に、標準化された救済と移行のモニタリングと評価 (SMART) プロジェクト [7] は、一般的な研究プロトコルと調査設計、トレーニング、品質管理の補助手段、およびサンプルの選択、データ入力、分析のための特注の緊急栄養ソフトウェアを提供します。 。 SMART 調査は通常、小規模な地理的規模 (地区や個々のキャンプなど) で実施され、人道的対応における栄養失調の負担を測定する人口ベースの最も一般的な方法です。 ただし、SMART 調査は、人的および財政的リソースの点でやや負担がかかり、計画、実施、報告に数週間を要し、治安の悪さまたはその他のアクセス制限により地理的な範囲が限られている可能性があるため、潜在的に偏った調査や適時でない調査が行われる可能性があります。または詳細な情報が不十分です。 別の言い方をすれば、調査だけでは悪化する状況の早期発見と効率的なリソース割り当てを適切にサポートできない可能性があります[8]。 最近では、パンデミックにより食料不安の危機的状況に直面する世界人口が倍増すると予想され、その結果、急性栄養失調の負担が大幅に増加すると予想されていた矢先、新型コロナウイルス感染症関連の制限によりSMART調査の実施が一時的に抑制された[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>