Blog

Jul 31, 2023

Können wir die Belastung durch akute Unterernährung in einer Krise vorhersagen?

BMC Nutrition Band 8, Artikelnummer: 92 (2022) Diesen Artikel zitieren 2262 Zugriffe auf 3 Altmetric Metrics-Details Stichprobenerhebungen sind die Hauptstütze der Überwachung akuter Unterernährung in Einrichtungen

BMC Nutrition Band 8, Artikelnummer: 92 (2022) Diesen Artikel zitieren

2262 Zugriffe

3 Altmetrisch

Details zu den Metriken

Stichprobenerhebungen sind die Hauptstütze der Überwachung akuter Unterernährung in Krisengebieten, sind jedoch aufwändig und haben aufgrund von Unsicherheit und anderen Zugangsproblemen nur eine begrenzte geografische Abdeckung. Als mögliche Ergänzung zu Umfragen haben wir einen statistischen Ansatz untersucht, um die vorherrschende Belastung durch akute Unterernährung für kleine Bevölkerungsschichten in zwei von der Krise betroffenen Ländern, Somalia (2014–2018) und Südsudan (2015–2018), vorherzusagen.

Für jedes Land haben wir von humanitären Akteuren oder anderen Einrichtungen erstellte Datensätze zu Unsicherheit, Vertreibung, Ernährungsunsicherheit, Zugang zu Dienstleistungen, dem Auftreten von Epidemien und anderen Faktoren auf dem ursächlichen Weg zur Unterernährung herangezogen. Wir haben diese mit Datensätzen von stichprobenartigen anthropometrischen Haushaltserhebungen zusammengeführt, die auf Verwaltungsebene 3 (Bezirk, Landkreis) im Rahmen der Ernährungsüberwachung durchgeführt wurden, und für jedes von mehreren Ergebnissen einschließlich binärer und kontinuierlicher Indizes, die entweder auf Gewicht für Körpergröße oder mittlerem Oberkörper basieren -Armumfang, angepasst und bewertete die Vorhersageleistung verallgemeinerter linearer Modelle und alternativ maschinell lernender Zufallswälder.

Wir haben Modelle entwickelt, die auf 85 Bodenuntersuchungen in Somalia und 175 im Südsudan basieren. Art des Lebensunterhalts, Intensität des bewaffneten Konflikts, Maserninzidenz, Vegetationsindex und Wasserpreis waren wichtige Prädiktoren in Somalia und Lebensunterhalt, Maserninzidenz, Niederschlag und Handelsbedingungen (Kaufkraft) im Südsudan. Allerdings zeigten sowohl verallgemeinerte lineare Modelle als auch Zufallswälder eine geringe Leistung sowohl bei binären als auch bei kontinuierlichen anthropometrischen Ergebnissen.

Vorhersagemodelle zeigten eine enttäuschende Leistung und sind nicht für Maßnahmen geeignet. Die Bandbreite der verwendeten Daten und deren Qualität haben unsere Analyse wahrscheinlich eingeschränkt. Der prädiktive Ansatz bleibt theoretisch attraktiv und verdient eine weitere Auswertung mit größeren Datensätzen über mehrere Umgebungen hinweg.

Peer-Review-Berichte

In Gebieten, die von Krisen aufgrund bewaffneter Konflikte, gemeinschaftlicher Gewalt, Vertreibung und/oder Ernährungsunsicherheit betroffen sind, stellt akute Unterernährung eine große Bedrohung für die öffentliche Gesundheit dar, die auf individueller Ebene ein kurzfristiges Sterblichkeitsrisiko darstellt, endemische und epidemische Infektionskrankheiten verschlimmert und verschlechtert die langfristigen Entwicklungsergebnisse. Die Prävalenz akuter Unterernährung bei Kindern ist auch ein wichtiger summativer Indikator für die Schwere der Krise, da sie die allgemeinere Situation der Ernährungssicherheit, der Lebensgrundlagen sowie der öffentlichen Gesundheit und des sozialen Umfelds widerspiegelt [1]. Für die Zwecke dieses Artikels und in Übereinstimmung mit den aktuellen Unicef-Leitlinien beziehen wir uns auf akute Unterernährung (auch allgemein als Auszehrung bekannt) als das Auftreten von zwei sich teilweise überschneidenden Erscheinungsformen: Marasmus, gekennzeichnet durch einen kürzlich erfolgten und schweren Gewichtsverlust, und die seltenere aber tödlichere ödematöse Form (Kwashiorkor). Anthropometrische Indizes, einschließlich Gewicht-für-Größe oder -Länge, mittlerer Oberarmumfang (MUAC) und Vorhandensein eines bilateralen Lochfraßödems, können zu kontinuierlichen Indikatoren kombiniert werden (z. B. Gewicht-für-Größe/Länge-Z-Score, relativ zum Mittelwert von). eine gut ernährte Referenzpopulation: WHZ) oder dichotomisiert auf der Grundlage von Schwellenwerten, um Kinder als stark oder mäßig akut unterernährt (SAM, MAM) zu klassifizieren und auf Bevölkerungsebene Prävalenzschätzungen zu berechnen [2]. Solche Informationen helfen dabei, Fortschritte bei der Erreichung nationaler und globaler Ziele zu bewerten, ein geeignetes Paket an Nahrungsmittelsicherheits- und Ernährungsdiensten zu ermitteln, benötigte Ressourcen abzuschätzen (z. B. Behandlungsfälle), die Leistung von Diensten zu überwachen und Änderungen in der Krisenschwere im Rahmen von Frühwarnsystemen wie z. B. zu erkennen B. die integrierte Klassifizierung der Lebensmittelsicherheitsphase (IPC) [3,4,5].

Anthropometrische Querschnittsumfragen bei Kindern im Alter von 6 bis 59 Monaten (Monat) sind neben einrichtungsbasierten und programmatischen Daten ein wichtiger Bestandteil der Ernährungsüberwachung in Krisensituationen [6]. Im letzten Jahrzehnt wurden erhebliche Fortschritte bei der Standardisierung der Methoden und Analysen dieser Umfragen erzielt. Insbesondere das Standardized Monitoring and Assessment of Relief and Transitions (SMART)-Projekt [7] stellt generische Studienprotokolle und Hilfsmittel für Umfragedesign, Schulung und Qualitätskontrolle sowie die maßgeschneiderte Emergency Nutrition Software für Probenauswahl, Dateneingabe und Analyse bereit . SMART-Umfragen, die üblicherweise in einem kleinen geografischen Maßstab (z. B. in Bezirken oder einzelnen Lagern) durchgeführt werden, sind die häufigste bevölkerungsbasierte Methode zur Messung der Unterernährungslast im Rahmen humanitärer Hilfe. Allerdings sind SMART-Umfragen in Bezug auf personelle und finanzielle Ressourcen etwas belastend, erfordern mehrere Wochen für die Planung, Durchführung und Berichterstattung und können aufgrund von Unsicherheit oder anderen Zugangsbeschränkungen eine begrenzte geografische Reichweite haben, was zu potenziell voreingenommenen, unzeitgemäßen und/oder unzeitgemäßen Umfragen führt. oder unzureichend detaillierte Informationen. Anders ausgedrückt: Umfragen allein unterstützen möglicherweise nicht ausreichend die Früherkennung sich verschlechternder Situationen und eine effiziente Ressourcenallokation [8]. In jüngerer Zeit schränkten Einschränkungen im Zusammenhang mit COVID-19 die Durchführung der SMART-Umfrage vorübergehend ein, gerade als erwartet wurde, dass die Pandemie zu einer prognostizierten Verdoppelung der Weltbevölkerung, die unter Ernährungsunsicherheitskrisen leidet, und infolgedessen zu einem erheblichen Anstieg der Belastung durch akute Unterernährung beitragen wird [9] .

Um kleine Ernährungserhebungen und andere Überwachungsdaten zu ergänzen und die Belastung durch wiederholte Erhebungen zu verringern und gleichzeitig zeitnahe Informationen auf regelmäßigerer Basis mit operativ nützlicher geografischer Auflösung zu generieren, haben wir die Leistung prädiktiver statistischer Modelle der Belastung durch akute Unterernährung untersucht in Somalia und Südsudan, zwei Krisenländern, die vor allem unter Einschränkungen beim Zugang zu Dienstleistungen, Ernährungsunsicherheit und Unterernährung leiden.

Wir haben eine Kombination bestehender Datensätze, die für programmatische Zwecke von humanitären und staatlichen Akteuren gesammelt wurden (siehe unten), verwendet, um länderspezifische Modelle zu entwickeln und zu bewerten, um verschiedene anthropometrische Indikatoren mit der Auflösung eines Monats und einer einzelnen Verwaltungseinheit der Ebene 2 (Bezirk in Somalia) vorherzusagen , Kreis im Südsudan), im Folgenden als „Schicht“ bezeichnet.

Ausgehend von einem a priori-kausalen Rahmen von Faktoren, die zu akuter Unterernährung führen (Zusatzdatei 1, Abbildung S5), identifizierten wir potenzielle Prädiktorvariablen, die mit der gewünschten Auflösung erfasst wurden, und führten diese mit Daten auf individueller Kinderebene aus SMART-Umfragen zusammen, die repräsentativ für einzelne Kinder sein sollten Schichten. Wir haben verschiedene Kandidatenmodelle an eine Teilmenge von Trainingsdaten angepasst und ihre Vorhersagegenauigkeit anhand einer Teilmenge von Validierungsdaten sowie einer Kreuzvalidierung bewertet.

Für Somalia (einschließlich Somaliland und Puntland) haben wir Prädiktor- und anthropometrische Umfragedaten von Januar 2014 bis einschließlich Dezember 2018 bezogen. In diesem Zeitraum stieg die Bevölkerung Somalias von etwa 12,8 Millionen auf 14,5 Millionen [10]. Umfragen wurden in 22 (29 %) der 75 Bezirke Somalias durchgeführt. Für Südsudan erstreckte sich die Analyse von Januar 2015 bis April 2018 und umfasste Umfragen aus 63 (80 %) der 79 Landkreise des Landes, basierend auf den Verwaltungsgrenzen von 2013. Die Bevölkerung Südsudans ging in diesem Zeitraum von 10,2 Millionen auf 9,7 Millionen zurück, was auf Flüchtlingsbewegungen in die Nachbarländer zurückzuführen ist [11].

Wir haben auf Berichte und Rohdatensätze von 177 SMART-Umfragen aus dem Südsudan zugegriffen (zwei wurden aufgrund sehr ungewöhnlicher Werte ausgeschlossen, so dass 175 für die Analyse in Frage kamen) und 167 aus Somalia (82 wurden ausgeschlossen: 76, hauptsächlich vor 2016 durchgeführt, waren repräsentativ für den Lebensunterhalt). Zonen und nicht Bezirke und konnten daher nicht mit Prädiktordaten gekoppelt werden; fünf schienen einem nicht repräsentativen Stichprobendesign gefolgt zu sein; für einen war kein Datensatz verfügbar, so dass 85 für die Analyse infrage kamen. Für jede Umfrage haben wir den Bericht untersucht, um mögliche Verzerrungsquellen und insbesondere jede gemeldete Einschränkung des effektiven Stichprobenrahmens aufgrund von Unsicherheit oder Unzugänglichkeit zu identifizieren (z. B. wenn in einem Bericht angegeben wurde, dass zwei von zwölf Boma, der Verwaltungsebene 3 des Südsudan, Einheit, konnte nicht in die Stichprobe einbezogen werden, wir schätzten die Stichprobenabdeckung auf 10/12 ≈ 83 %. Wir haben auch den von der ENA-Software gemeldeten Qualitätsfaktor für die Umfrage neu skaliert (ein Verbund aus mehreren Indikatoren, einschließlich Anteil der Ausreißerwerte, Ziffernpräferenz und Eigenschaften der Verteilung der beobachteten Werte, im Bereich von 0 % = am besten bis 50 % = am schlechtesten [12] ) auf einen Bereich von 0–100 %, wobei am besten = 100 % ist. Wir haben alle Umfragen erneut analysiert, indem wir die rohen anthropometrischen Messwerte (Gewicht, Größe oder Länge, Alter, MUAC) in Z-Score-Indizes gemäß den standardisierten anthropometrischen Verteilungen der Weltgesundheitsorganisation 2006 unter Verwendung des Anthro-Pakets in R umgewandelt und alle Beobachtungen als fehlend markiert und ausgeschlossen haben Werte, < > 5 Z-Scores vom Mittelwert und/oder außerhalb des zulässigen Altersbereichs (6–59 Monate). Schließlich haben wir alle Kinder gemäß zwei alternativen Definitionen in schwere akute Unterernährung (SAM) oder globale akute Unterernährung (GAM) eingeteilt: (i) bilaterales Ödem und/oder Gewichtsverhältnis (WHZ) < 3Z (SAM) oder < 2Z (GAM); (ii) bilaterales Ödem und/oder MUAC < 115 mm (SAM) oder < 125 mm (GAM) [13]. Wir haben verallgemeinerte lineare Modelle (binomial für SAM und GAM, ansonsten Gaußsche Modelle) mit an das Clusterdesign angepassten Standardfehlern angepasst, um die Übereinstimmung mit den in den Umfrageberichten enthaltenen Punktschätzungen und 95 %-Konfidenzintervallen (CI) zu überprüfen.

Wir haben einen Kausalrahmen für akute Unterernährung (Zusatzdatei 1, Abbildung S5) entwickelt, der auf vorhandenen Beweisen und Plausibilitätsbegründungen basiert. Wir haben diesen Rahmen verwendet, um Faktoren zu identifizieren, die möglicherweise die gewünschten Ergebnisse vorhersagen. Wir haben online und durch Kontakte mit humanitären Akteuren in Somalia und im Südsudan nach potenziellen Prädiktordaten gesucht, die diese Faktoren repräsentieren. Die wichtigsten wünschenswerten Merkmale der Datensätze sind die Stratifizierung nach Stratum und Monat sowie die routinemäßige Generierung der Daten für programmatische Zwecke, d. h. die realistische Verfügbarkeit ohne weitere Primärdatenerhebung. Die meisten Datensätze wurden bereits im Rahmen ähnlicher Projekte zur retrospektiven Schätzung der Mortalität in beiden Ländern beschafft [10, 11]. Mögliche Prädiktoren für Somalia und Südsudan sind in den Tabellen 1 bzw. 2 aufgeführt. Jeder Prädiktordatensatz wurde einer Datenbereinigung unterzogen, um offensichtliche Fehler zu beseitigen. Wir haben Prädiktoren ausgeschlossen, die für ≥ 30 % der Schichten oder ≥ 30 % der Monate fehlten. Verbleibende Vollständigkeitsprobleme wurden durch Interpolation (humanitäre Präsenz), manuelle Imputation (fehlende Marktdatenpunkte wurden einem gewichteten Durchschnitt des Werts des geografisch nächstgelegenen Marktes und des Mittelwerts aller anderen nicht fehlenden Märkte mit 0,7 bzw. 0,3 Gewichtungen zugeordnet) und automatisch gelöst Imputation unter Verwendung des Mäuse-R-Pakets [14] (Wasserpreis, SAM- und MAM-Behandlungsqualität). Um stochastisches Rauschen in der Zeitreihe zu reduzieren, haben wir für alle zeitvariablen Prädiktoren dreimonatige Fenstermittelwerte berechnet und eine moderate lokale Spline-Glättung auf Handelsbedingungen oder Marktpreisvariablen angewendet. Gegebenenfalls haben wir die Pro-Bevölkerungsraten anhand der Bevölkerungszahlen pro Schichtmonat berechnet, die zuvor im Rahmen von Sterblichkeitsschätzungsprojekten für jedes Land geschätzt wurden. Kurz gesagt kombinieren diese verfügbare Basisschätzungen (Volkszählungsprognosen im Südsudan; qualitätsgewichtete Durchschnittswerte aus vier alternativen Quellen in Somalia), Annahmen zum natürlichen Wachstum und Daten zu Flüchtlingen sowie Binnenvertreibungen in und aus jeder Schicht pro Monat.

Während für beide Länder Daten zur Ernährungssicherheit und zu ernährungstherapeutischen Dienstleistungen verfügbar waren (Tabellen 1 und 2) und mäßig prädiktiv waren (Daten nicht gezeigt), haben wir uns letztendlich aus zwei Gründen entschieden, sie als mögliche Prädiktoren auszuschließen: (i) Wir waren davon überzeugt, dass die Vorhersage besser war könnte plausibel zu einer gezielteren Ausrichtung dieser humanitären Dienste führen, was wiederum zu einer verbesserten Ernährung führen würde, ein umgekehrter Kausaleffekt, dessen zukünftige Größe das Modell möglicherweise nicht vorhersagen kann; und (ii) wir gingen davon aus, dass Endnutzer von einem Modell profitieren würden, das zur Vorhersage der Unterernährungsbelastung verwendet werden könnte, selbst wenn keine dieser Dienste verfügbar wäre, z. B. aufgrund von Zugangsbeschränkungen.

Wir haben zwei Vorhersageansätze wie folgt untersucht.

Wir teilen die Daten zunächst nach Zeitraum in einen Trainingssatz (der ungefähr aus den chronologisch ersten 70 % der Daten besteht) und einen „Holdout“-Satz (d. h. Validierung) (die aktuellsten 30 %) auf. Für jeden anthropometrischen Indikator haben wir verallgemeinerte lineare Modelle (GLM) an einzelne Kinderbeobachtungen im Trainingsdatensatz angepasst, mit robusten Standardfehlern, um das Cluster-Stichprobendesign der meisten Umfragen zu berücksichtigen, eine quasi-binomiale Verteilung für binäre Ergebnisse (SAM, GAM). und eine Gaußverteilung für kontinuierliche Ergebnisse (WHZ, MUAC), die wir nicht transformiert haben, da sie normalverteilt waren. Wir haben die Modellgewichte als Produkt aus dem Qualitätsfaktor der Umfrage und der Stichprobenabdeckung der Umfrage angegeben.

Nach der visuellen Inspektion haben wir kontinuierliche Prädiktoren kategorisiert und kategorische gegenüber kontinuierlichen Versionen davon basierend auf der Linearität der Assoziation und dem kleinstmöglichen Chi-Quadrat-Test (für binäre Ergebnisse) oder dem F-Test (kontinuierliche Ergebnisse) p-Wert-Test ausgewählt, ob die Das univariate Modell lieferte eine bessere Anpassung als ein Nullmodell. Wir haben diesen p-Wert auch verwendet, um für jeden Prädiktor zwischen möglichen Verzögerungen auszuwählen. Allerdings haben wir die Klimavariablen (Niederschlag, Normalized Difference Vegetation Index oder NDVI) entweder als Mittelwert der beiden Trimester oder als Mittelwert über das Semester vor jeder Umfragebeobachtung modelliert. Anschließend haben wir Modelle angepasst, die aus allen möglichen Kombinationen von Prädiktoren bestehen, und die besten 10 % basierend auf der Vorhersagegenauigkeit (niedrigster mittlerer quadratischer Fehler, MSE) der Modellvorhersagen im Verhältnis zu Beobachtungen im Holdout-Datensatz in die engere Wahl gezogen. Die Vorhersagen wurden mit den Beobachtungen verglichen, indem zunächst alle von den Modellen gelieferten Vorhersagen für einzelne Kinder auf der Ebene des Stratum-Monats aggregiert wurden (als mittlere SAM- oder GAM-Prävalenz oder Mittelwert der kontinuierlichen anthropometrischen Ergebnisse in diesem Stratum-Monat).

Wir haben unter diesen manuell das beste Modell mit festen Effekten ausgewählt, basierend auf der relativen Genauigkeit der Holdout-Daten, der Genauigkeit der durch Leave-One-Out-Kreuzvalidierung (LOOCV) simulierten externen Daten [18], der Plausibilität der beobachteten Assoziationen und der Modellsparsamkeit (während Das letztere Merkmal ist für die Vorhersage relativ unwichtig. In der Praxis wollten wir vermeiden, dass Benutzer des Modells eine große Menge an Prädiktordaten sammeln müssen. Abschließend untersuchten wir plausible wechselseitige Interaktionen.

Wir haben auch gemischte Modelle angepasst (mit Stratum als Zufallseffekt, da in beiden Ländern die Umfragen in vielen Bezirken/Landkreisen wiederholt wurden). Letzteres bot jedoch inkonsistente Genauigkeitsvorteile gegenüber Modellen mit festen Effekten, sowohl bei Kreuzvalidierungs- als auch bei Holdout-Datensätzen. Darüber hinaus gingen wir davon aus, dass Endnutzer am meisten daran interessiert wären, die Prävalenz von Unterernährung in schwer zu erfassenden Bezirken/Landkreisen vorherzusagen, d. h. dort, wo keine a priori zufälligen Effekte abschätzbar wären. Aus diesen Gründen haben wir gemischte Modelle insgesamt verworfen.

Nach der Aufteilung der Daten wie oben haben wir das Ranger-Paket [19] verwendet, um Random Forest (RF)-Regressionsmodelle auf dem Trainingsdatensatz zu entwickeln, aggregiert auf Stratum-Monats-Ebene: Dieser Ansatz geht von minimalen Annahmen über die Datenstruktur aus; Kurz gesagt: Es unterteilt die Daten in verschiedene zufällig generierte „Bäume“, wobei jeder Knoten durch einen bestimmten Wert einer der Prädiktorvariablen definiert wird und Zweige die resultierende Aufteilung der Daten darstellen. Die „Tiefe“ jedes Baums wird durch die Anzahl der Variablen definiert, die zum Erstellen von Knoten verwendet werden. Zufälligkeit wird durch die Auswahl der Variablen zum Aufbau eines bestimmten Baums, durch Werte, bei denen Teilungen auftreten, und durch die Reihenfolge der Variablen in der Baumstruktur eingeführt. Die Verteilung des Ergebnisses, das sich aus den Partitionen in jedem Baum ergibt, wird mit den beobachteten Daten verglichen, um die Genauigkeit zu bestimmen. RF mittelt Vorhersagen über ein großes Baumensemble. Wir haben RFs mit 1000 Bäumen gezüchtet, alle möglichen Prädiktoren wie oben verwendet und Vorhersage-CIs mit einem Jack-Knife-Schätzer berechnet [20].

Sowohl für den GLM- als auch für den RF-Ansatz stellen wir verschiedene Metriken der Vorhersagegenauigkeit zur Schätzung vor: (i) effektive Abdeckung, hier definiert als der Anteil der Stratum-Monate, für die die vorhergesagte Punktschätzung innerhalb der 95 %- oder 80 %-KIs von lag die beobachteten Daten; (ii) relative Tendenz, definiert als \(\frac{1}{n}\sum_{i=1}^{i=n}\frac{{\widehat{y}}_{i}-{y}_ {i}}{{y}_{i}}\), wobei \(n\) die Anzahl der Stratum-Monate ist, \({\widehat{y}}_{i}\) die Vorhersage und \( {y}_{i}\) die Beobachtung für den Stratum-Monat \(i\); und (iii) relative Präzision, nämlich das mittlere Verhältnis der vorhergesagten einseitigen 95 %-KIs für den Stratum-Monat zur Punktschätzung; und zur Klassifizierung: (iv) Sensitivität und (v) Spezifität der Vorhersagen gegenüber SAM- oder GAM-Prävalenzschwellenwerten, die üblicherweise bei humanitären Hilfsmaßnahmen verwendet werden, und Annahme beobachteter Punktschätzungen als Goldstandard. Während empfohlen wird, eine übermäßige Abhängigkeit von Schwellenwerten zu vermeiden und stattdessen Veränderungen der Unterernährungslast im Laufe der Zeit vor dem Hintergrund kontextueller Faktoren zu untersuchen [6], werden in der Praxis diese willkürlichen Schwellenwerte, die vor etwa zwei Jahrzehnten eingeführt wurden [21], bei der Festlegung der Ausgangswerte berücksichtigt Es ist unklar, ob erste Entscheidungen über das am besten geeignete Interventionspaket für Ernährung und Ernährungssicherheit getroffen werden können (z. B. Verwaltung nur von SAM im Vergleich zu SAM und MAM; zielgerichtet im Vergleich zu einer „Pauschale“ allgemeiner Lebensmittelverteilungen/Geldtransfers).

Der Kürze halber präsentieren wir nur die besten Modelle für das „Now-Casting“ (dh die Vorhersage von Unterernährung auf der Grundlage der bisher gesammelten Daten). Wir untersuchten auch Modelle zur Vorhersage von Unterernährung für drei Monate in der Zukunft (d. h. eine Vorhersage basierend auf Daten, die bis zu drei Monate zuvor gesammelt wurden), stellten jedoch fest, dass diese eine geringe Leistung aufwiesen (Daten nicht gezeigt). Die gesamte Analyse wurde mit R-Software [22] über die RStudio-Plattform [23] durchgeführt.

Einzelheiten zu förderfähigen Umfragen aus Somalia sind in Tabelle 3 und Abb. 1 aufgeführt. Die meisten Umfragen wurden in den Jahren 2016 und 2018 durchgeführt und die Mehrheit stützte sich auf mehrstufige Cluster-Stichproben mit einem über die Zeit relativ konstanten Stichprobengrößenbereich. Die höchste SAM- und GAM-Prävalenz, aber auch die niedrigsten Qualitätswerte wurden im Jahr 2017 während einer durch Dürre ausgelösten Ernährungsunsicherheitskrise festgestellt. Im Südsudan stützten sich alle Erhebungen auf Cluster-Stichproben, und die durchschnittliche SAM- und GAM-Prävalenz veränderte sich im Laufe der Zeit nur minimal; Qualitätswerte und der Anteil der gemeldeten Beobachtungen deuteten darauf hin, dass die Umfragequalität im Südsudan höher war als in Somalia (Tabelle 4, Abb. 2).

Trends bei wichtigen Umfrageindikatoren, Somalia. Jeder Punkt stellt die Punktschätzung einer einzelnen Umfrage dar. Boxplots geben den Median- und Interquartilbereich an, Whiskers den 95 %-Perzentilbereich

Trends bei wichtigen Umfrageindikatoren, Südsudan. Jeder Punkt stellt die Punktschätzung einer einzelnen Umfrage dar. Boxplots geben den Median- und Interquartilbereich an, Whiskers den 95 %-Perzentilbereich

GLM-Modellkoeffizienten und Leistungsmetriken für Somalia sind in Tabelle 5 aufgeführt: Quotenverhältnisse, OR < 1 und lineare Koeffizienten > 0 weisen auf eine Schutzwirkung hin und umgekehrt. Ein Prädiktor (Lebensunterhalt) kam in den aussagekräftigsten Modellen durchweg vor (der Lebensunterhalt von Vertriebenen und Hirten war im Allgemeinen mit einem besseren anthropometrischen Status verbunden als der von Landwirten). Die Intensität bewaffneter Konflikte, das Auftreten von Masern im vorangegangenen Trimester, die Handelsbedingungen, der NDVI im vorangegangenen Semester und der durchschnittliche Marktpreis für Wasser waren nützliche Prädiktoren für einige, aber nicht alle anthropometrischen Ergebnisse. Im Allgemeinen war die Vorhersageleistung gering: Die Modelle lieferten größtenteils nach oben gerichtete Vorhersagen, die je nach Ergebnis nur für 17 bis 80 % der Stratum-Monate innerhalb der beobachteten 95 %-Konfidenzintervalle der Umfrage lagen; Während die Nenner sehr klein waren, erreichte nur das Modell für GAM (WFH + Ödem) eine moderate Kombination aus Sensitivität und Spezifität, um die Prävalenz gemäß der 15 %-Schwelle zu klassifizieren. Diagramme von Vorhersagen im Vergleich zu Beobachtungen unterstützen dieses Muster; Abb. 3 zeigt die Ergebnisse für SAM (WFH + Ödem), während sich die restlichen Diagramme in der Zusatzdatei 1 befinden.

GLM-vorhergesagte versus beobachtete SAM-Prävalenz (WFH + Ödeme), Somalia, nach Distriktmonat, anhand von Trainingsdaten, LOOCV und Holdout-Daten. Schattierte Kanäle zeigen eine absolute Abweichung der Vorhersagen von bis zu ±1 % (dunkelster Farbton), ±2 % und ±3 % (hellster Farbton). Vertikale gestrichelte Linien kennzeichnen häufig verwendete Schwellenwerte für die SAM-Prävalenz

RF-Modelle hatten eine ähnliche Leistung wie der GLM-Ansatz. Für GAM (WFH + Ödem: binäres Ergebnis) betrugen die relative Verzerrung, die relative Präzision und die 95 %-KI-Abdeckung +10,1 % und + 31,6 %, ± 23,0 % und ± 17,7 % und 59,6 % und 56,7 % bei LOOCV- und Holdout-Daten. mit einer Sensitivität und Spezifität für LOOCV von 72,0 % bzw. 59,1 % für die Prävalenzschwelle von 15 %. Die wichtigsten Variablen für die Vorhersage waren Maserninzidenz, NDVI, Handelsbedingungen und Wasserpreis (Zusatzdatei 1). Für WFH (kontinuierliches Ergebnis) betrugen die relative Verzerrung, die relative Präzision und die 95 %-KI-Abdeckung + 7,1 % und + 29,5 %, ± 19,1 % und ± 13,1 % sowie 57,4 % und 30,0 % für LOOCV- bzw. Holdout-Daten (zusätzliche Datei). 1).

Tabelle 6 zeigt GLM-Vorhersagen für Südsudan. Hier bestanden die wichtigsten Zusammenhänge mit der Art des Lebensunterhalts, der Gesamtniederschlagsmenge und den Handelsbedingungen. Die Vorhersageleistung war ebenfalls gering (Abb. 4), mit einer Abdeckung von nicht mehr als 82 % über alle Endpunkte und keinem Fall einer hohen Sensitivität und Spezifität bei der Klassifizierung.

GLM-vorhergesagte versus beobachtete SAM-Prävalenz (WFH + Ödeme), Südsudan, nach Distriktmonat, anhand von Trainingsdaten, LOOCV und Holdout-Daten. Schattierte Kanäle zeigen eine absolute Abweichung der Vorhersagen von bis zu ±1 % (dunkelster Farbton), ±2 % und ±3 % (hellster Farbton). Vertikale gestrichelte Linien kennzeichnen häufig verwendete Schwellenwerte für die SAM-Prävalenz

RF-Modelle passten weitaus besser zu den Trainingsdaten als GLMs, schnitten aber bei Kreuzvalidierung und Holdout-Daten ähnlich ab. Die wichtigsten Variablen waren Lebensunterhalt, Handelsbedingungen, Inanspruchnahme der Masernimpfung und Gesamtniederschlag (Zusatzdatei 1).

In dieser Studie haben wir eine Reihe zuvor gesammelter anthropometrischer Haushaltsbefragungsdaten mit einer Reihe potenzieller Prädiktordatensätze auf Bevölkerungsebene kombiniert, die theoretische Faktoren quantifizieren, die ursächlich mit der akuten Unterernährungsbelastung in Krisensituationen verbunden sind, um zu untersuchen, ob Schlüsselgrößen wie die SAM- oder GAM-Prävalenz dies könnten durch Vorhersage als Ergänzung zu Bodenuntersuchungen geschätzt werden. Die daraus resultierenden Vorhersagemodelle, die entweder auf GLM- oder maschinellen Lernansätzen basieren, zeigten in Somalia und im Südsudan bei mehreren anthropometrischen Ergebnissen eine enttäuschende Leistung. Im Allgemeinen war die Vorhersagegenauigkeit für Ergebnisse, die auf WFH basierten, besser als für Ergebnisse, die auf MUAC basierten, aber selbst für ersteres würden unsere Modelle unserer Meinung nach keine umsetzbaren Informationen liefern.

Es gibt Modelle zur Vorhersage des akuten Mangelernährungsrisikos auf individueller oder Haushaltsebene [24, 25]. Obwohl wir die Literatur aufgrund unzureichender Ressourcen nicht systematisch durchsucht haben, sind uns nur zwei weitere prädiktive Studien auf Bevölkerungsebene bekannt. Osgood-Zimmerman et al. [26] erstellten Rasterkarten verschiedener anthropometrischer Indikatoren für das gesamte Afrika südlich der Sahara auf der Grundlage regelmäßiger landesweiter Erhebungen (z. B. Demografie- und Gesundheitserhebungen) und > 20 georäumliche Fernerkundungs- oder zuvor geschätzte Prädiktoren; Mude et al. [27] prognostizierte mit angemessener Genauigkeit MUAC über Zeit und Raum im Norden Kenias auf der Grundlage von Daten auf Dorfebene, die vom Arid Lands Resource Management Project zur Überwachung der Ernährungssicherheit gesammelt wurden, wobei Prädiktoren die Merkmale der beobachteten MUAC-Daten selbst, die Dynamik der Rinderherden und das Ausmaß umfassten von Nahrungsmittelhilfe, Klima und Jahreszeit. Mindestens ein weiteres Forschungsprojekt läuft (https://www.actionagainsthunger.org/meriam). Bosco et al. [28] haben Geodaten und Fernerkundungskovariaten verwendet, um die Stunting-Prävalenz abzubilden, während Lentz et al. [29] haben auch das Potenzial eines GLM-basierten Ansatzes zur Vorhersage der Ernährungsunsicherheit in Malawi gezeigt. Wir haben zuvor dieselben Datensätze wie in dieser Studie verwendet, um einigermaßen prädiktive Modelle der Sterblichkeitsrate auf Bevölkerungsebene zu entwickeln (ein weiter stromabwärts gelegenes und damit möglicherweise noch multifaktorielleres Ergebnis), wenn auch nur für retrospektive Schätzungen (10, 11).

Angesichts des oben Gesagten erwarteten wir eine bessere Vorhersageleistung. Es ist plausibel, dass zusätzliche Daten zu Faktoren, die ursächlich mit akuter Unterernährung in Zusammenhang stehen, einschließlich Ernährungspraktiken bei Säuglingen und Kleinkindern, Einsatz von Strategien zur Bewältigung der Ernährungssicherheit, Ernährungsvielfalt, Zugang zu Wasser, Sanitär- und Hygienediensten sowie Inanspruchnahme von Gesundheitsdiensten, die Vorhersage verbessert hätten: Diese Daten werden manchmal in Krisensituationen durch Querschnittsumfragen generiert, sind aber unseres Wissens nach normalerweise nicht auf der für unser Vorhersageproblem erforderlichen granularen Ebene verfügbar. Es ist auch wahrscheinlich, dass Probleme mit der Qualität der verfügbaren Daten die Modellgenauigkeit beeinträchtigten. Nicht differenzielle Fehler oder Fehlklassifizierungen aufgrund von Messproblemen (z. B. ungenaue anthropometrische Messungen bei Kindern) und Dateneingabefehlern würden im Allgemeinen die Anpassungsgüte des Modells verringern und die geschätzten Assoziationen in Richtung Null verzerren: Beobachtete versus vorhergesagte Diagramme deuten im Allgemeinen auf eine „Regressionsverdünnung“ hin. [30], ein Phänomen, bei dem sich Vorhersagen um eine unterschätzte lineare Steigung ausrichten, was mit einem hohen Rauschen in den Prädiktorvariablen vereinbar ist. Differenzialfehler können sich auch auf verschiedene Weise auf die Modellgenauigkeit ausgewirkt haben. Beispielsweise wäre der Vorhersagewert bestimmter Variablen gedämpft worden, wenn anthropometrische Erhebungen die akute Unterernährung genau an den Orten systematisch unterschätzt hätten, an denen diese Prädiktoren ihre extremsten Werte aufwiesen, was bei Erhebungen, die an sehr abgelegenen, unsicheren und daher eingeschränkten Orten durchgeführt wurden, plausibel sein könnte B. nach Zeit, Kompetenz des örtlichen Personals oder der Notwendigkeit, unerreichbare Gemeinden aus dem effektiven Stichprobenrahmen auszuschließen. Wir haben versucht, diese Verzerrung abzuschwächen, indem wir Umfragen mit geringerer Qualität und Hinweisen auf eine Verzerrung bei der Auswahl des Stichprobenrahmens herabgewichtet haben. Modelle ohne diese Gewichtung unterschieden sich jedoch nicht wesentlich (Daten nicht gezeigt). Pragmatisch veranschaulichen diese Einschränkungen der Datenqualität die Herausforderungen der Vorhersage auf der Grundlage von Daten, die nicht für Forschungszwecke gesammelt wurden.

Unser Studienziel bestand nicht darin, Zusammenhänge zu untersuchen. Daher konzentrierten wir uns auf die Genauigkeit und ignorierten beispielsweise signifikante Effektmodifikationen, die die Vorhersage nicht verbesserten. Beobachtete GLM-Assoziationen und variable Wichtigkeitsmetriken für RF sind dennoch informativ. Maserninzidenz und Niederschlag oder NDVI hatten in beiden Ländern einen plausiblen Zusammenhang mit den meisten Ergebnissen, während der Wasserpreis in Somalia einen sehr starken Zusammenhang hatte. Allerdings waren die Handelsbedingungen im Südsudan wichtig, in Somalia jedoch marginal. Wir sahen inkonsistente Zusammenhänge mit Zwangsvertreibungen oder der Intensität bewaffneter Konflikte, obwohl diese an anderer Stelle dokumentiert wurden [31], und entscheidend ist, dass Niederschlagsanomalien (im Gegensatz zum Gesamtniederschlag) in keinem Modell ein wichtiger Prädiktor waren. Eine aktuelle Überprüfung von 90 Studien kommt zu dem Schluss, dass akute Unterernährung im Vergleich zu chronischer Unterernährung (Stunting) zu wenig untersucht wird; Die Überprüfung kommt außerdem zu dem Schluss, dass ausreichende Niederschläge während der Vegetationsperiode zwar mit weniger akuter Unterernährung in Verbindung gebracht werden, Zusammenhänge mit Dürre und bewaffneten Konflikten jedoch nicht eindeutig sind [32]. Tatsächlich hat sich das Zusammenspiel ungewöhnlicher Klimaereignisse und bewaffneter Konflikte als Herausforderung für die Vorhersage der Ernährungssicherheit erwiesen [33]. Generell unterstreichen unsere und die Ergebnisse anderer die kontextspezifische Komplexität der Kausalpfade, die zu akuter Unterernährung führen. Sie können auch das relative Rauschen verschiedener Datensätze, also deren Genauigkeit, widerspiegeln.

Abgesehen von Datenbeschränkungen untersucht unsere Analyse die verfügbaren Vorhersagemethoden nicht gründlich. Bei GLM-basierten Ansätzen ist es möglich, dass unterschiedliche Transformationen von Ergebnissen oder Prädiktoren sowie Methoden zur Identifizierung der aussagekräftigsten Variablen, wie z. B. die Lasso-Regression, zu einer verbesserten Leistung hätten führen können. Unter den Methoden des maschinellen Lernens könnten verstärkte Regressionsbäume die Verzerrung verringert haben. Wir stellen jedoch fest, dass diese Methoden gegenüber den von uns verwendeten Methoden erhebliche Verbesserungen bringen müssten, um nützliche Vorhersagen zu treffen.

Diese Analyse legt nahe, dass die prädiktive Modellierung der akuten Unterernährungsbelastung in Krisensituationen zumindest in den untersuchten Ländern möglicherweise keine unmittelbar praktikable Alternative zu Bodenuntersuchungen darstellt. Angesichts des potenziellen Nutzens eines solchen Ansatzes [5] empfehlen wir dennoch weitere Untersuchungen, möglicherweise in anderen Umgebungen, unter Verwendung größerer Datensätze und fortschrittlicherer Methoden des maschinellen Lernens (verstärkte Regressionsbäume, Unterstützungsvektoren, neuronale Netze) und/oder Bayes'sche Frameworks. Um diese Forschung sowie andere für die Öffentlichkeit nützliche Analysen zu erleichtern, sollten humanitäre Akteure systematisch wichtige Datensätze, einschließlich, aber nicht beschränkt auf anthropometrische Umfragen, in kuratierter, zugänglicher Form öffentlich zugänglich machen [34]. Dazu gehören unter anderem Leistungsdaten aus verschiedenen Bereichen (z. B. ambulante Konsultationen; Durchimpfungsrate; anthropometrische Screening-Daten bei ambulanten Kindern und schwangeren Frauen; Aufnahme- und Entlassungsergebnisse für die Behandlung akuter Mangelernährung; Wasserverfügbarkeit und -qualität; Abdeckung von Ausscheidungen). Entsorgung; Begünstigte des Ernährungssicherheitsdienstes und Kcal-Äquivalente); Marktdaten (z. B. Grundnahrungsmittelpreise); Überwachungsdaten zur Morbidität und Mortalität; Querschnittserhebungen zur Messung der Ernährungssicherheit, der Ernährungsvielfalt sowie der Ernährungspraktiken von Säuglingen und Kleinkindern; Schutzbewertungen; Umfragen zur Wahrnehmung der betroffenen Bevölkerungsgruppen; humanitäre Präsenz und Aktivität Wer-macht-was-wo-Matrizen; und alternative Daten zur Unsicherheit (z. B. vom UN-Landesteam überwachte Vorfälle) oder zum humanitären Zugang (z. B. Verkehrssicherheit). Ein einfacher Grundsatz könnte darin bestehen, alle Daten zu veröffentlichen, mit Ausnahme derjenigen, deren öffentliche Verfügbarkeit humanitäre Akteure oder betroffene Menschen einem inakzeptablen Risiko aussetzen könnte; Aggregation und Anonymisierung können solche Risiken mindern. Schließlich sollten alle bisherigen Studien zur Vorhersage der Ernährungsbelastung auf Bevölkerungsebene zusammengefasst werden, um verwertbare Beweise zu ermitteln und als Leitfaden für weitere Analysen zu dienen.

Die Daten, die die Ergebnisse dieser Studie stützen, sind von verschiedenen Vereinten Nationen und Nichtregierungsorganisationen erhältlich. Es gelten jedoch Einschränkungen für die Verfügbarkeit dieser Daten, die für die aktuelle Studie unter Lizenz verwendet wurden und daher nicht alle öffentlich verfügbar sind. Daten sind jedoch auf begründete Anfrage und mit Genehmigung der oben genannten Agenturen bei den Autoren erhältlich. Wir haben kuratierte R-Skripte und alle Somalia-Daten auf https://github.com/francescochecchi/acute_malnutrition_predictive_models hochgeladen.

Projekt zu Standort- und Ereignisdaten für bewaffnete Konflikte

Sicherheitsdatenbank für Helfer

Konfidenzintervall

Software zur Notfall-Ernährungsbewertung

Netzwerk für Frühwarnsysteme für Hungersnöte

Abteilung für Ernährungssicherheit und Ernährungsanalyse – Somalia

Weltweite akute Unterernährung

Verallgemeinertes lineares Modell

Integrierte Klassifizierung der Ernährungssicherheitsphase

Weglassen einer einmaligen Kreuzvalidierung

Mäßige akute Unterernährung

Monate alt

Mittlerer Oberarmumfang

Mittlerer quadratischer Fehler

Normalisierter Differenzvegetationsindex

Zufälliger Wald

Schwere akute Unterernährung

Standardisierte Überwachung und Bewertung von Erleichterungen und Übergängen

Vereinte Nationen

Gewicht-für-Größe-Z-Score

Young H, Borrel A, Holland D, Salama P. Öffentliche Ernährung in komplexen Notfällen. Lanzette. 2004;364:1899–909.

Artikel Google Scholar

Young H, Jaspars S. Die Bedeutung und Messung akuter Unterernährung in Notfällen. Netzwerk für humanitäre Praxis. 2006;44:1–60.

Google Scholar

Tuffrey, V. Eine Perspektive auf die Entwicklung und Nachhaltigkeit der Ernährungsüberwachung in Ländern mit niedrigem Einkommen. BMC Nutr. 2016;2(15): 1–18. https://doi.org/10.1186/s40795-016-0054-x.

Tuffrey V, Halle A. Methoden der Ernährungsüberwachung in Ländern mit niedrigem Einkommen. Neue Themen Epidemiol. 2016;13:4.

Artikel Google Scholar

Maxwell D, Hailey P. Auf dem Weg zu vorausschauenden Informationssystemen und Maßnahmen. Büschel – Feinstein International Center.

Checchi F, Warsame A, Treacy-Wong V, Polonsky J, van Ommeren M, Prudhon C. Informationen zur öffentlichen Gesundheit in von Krisen betroffenen Bevölkerungsgruppen: eine Überprüfung der Methoden und ihrer Verwendung für Interessenvertretung und Maßnahmen. Lanzette. 2017;390:2297–313.

Artikel Google Scholar

Standardisierte Überwachung und Bewertung von Erleichterungen und Übergängen (SMART). Messung von Mortalität, Ernährungsstatus und Ernährungssicherheit in Krisensituationen: SMART-Methodik. https://smartmethodology.org/. Zugriff am 14. Februar 2021.

Maxwell D, Hailey P, Spainhour Baker L, Kim JJ. Einschränkungen und Komplexität von Informationen und Analysen in humanitären Notfällen: Beweise aus dem Jemen. Feinstein International Center: Tufts University und Center for Humanitarian Change; 2019.

Google Scholar

Globaler Bericht über Lebensmittelkrisen 2021. Globales Netzwerk gegen Lebensmittelkrisen, Food Security Information Network. 2021.

Google Scholar

Warsame A, Frison, Severine, Gimma A, Checchi F. Retrospektive Schätzung der Sterblichkeit in Somalia, 2014–2018: eine statistische Analyse – Somalia. ReliefWeb. 2020. https://reliefweb.int/report/somalia/retrospective-estimation-mortality-somalia-2014-2018-statistical-analysis. Zugriff am 11. Januar 2021.

Checchi F, Testa, Adrienne, Warsame, Abdihamid, Quach, Le, Burns, Rachel. Schätzungen der krisenbedingten Sterblichkeit im Südsudan, Dezember 2013 – April 2018: Eine statistische Analyse – Südsudan. ReliefWeb. 2018. https://reliefweb.int/report/south-sudan/estimates-crisis-attributable-mortality-south-sudan-december-2013-april-2018. Zugriff am 11. Januar 2021.

Erhardt J. Emergency Nutrition Assessment (ENA) Software für SMART. 2020.

Google Scholar

Frison S, Kerac M, Checchi F, Prudhon C. Anthropometrische Indizes und Maßnahmen zur Bewertung von Veränderungen im Ernährungszustand einer Bevölkerung: eine systematische Literaturrecherche. BMC-Ernährung. 2016;2:76.

Artikel Google Scholar

van Buuren S, Groothuis-Oudshoorn K. Mäuse: Multivariate Imputation durch verkettete Gleichungen in R. J Stat Softw. 2011;45:1–67.

Artikel Google Scholar

Funk C, Peterson P, Landsfeld M, Pedreros D, Verdin J, Shukla S, et al. Das Klima gefährdet Infrarot-Niederschläge mit Stationen – ein neuer Umweltrekord für die Überwachung von Extremen. Wissenschaftliche Daten. 2015;2:150066.

Artikel Google Scholar

Raleigh C, Linke A, Hegre H, Karlsen J. Wir stellen ACLED vor: einen Orts- und Ereignisdatensatz für bewaffnete Konflikte: besondere Datenfunktion. J Friedensres. 2010;47:651–60.

Artikel Google Scholar

Lebensunterhaltszonen und Beschreibungen im Südsudan. Washington, DC: Netzwerk für Frühwarnsysteme für Hungersnöte. https://fews.net/sites/default/files/documents/reports/Livelihoods%20Zone%20Map%20and%20Descriptions%20for%20South%20Sudan.pdf. Zugriff am 13. September 2021.

Molinaro AM, Simon R, Pfeiffer RM. Vorhersagefehlerschätzung: ein Vergleich von Resampling-Methoden. Bioinformatik. 2005;21:3301–7.

Artikel CAS Google Scholar

Wright MN, Ziegler A. Ranger: eine schnelle Implementierung von Zufallswäldern für hochdimensionale Daten in C++ und RJ Stat Soft. 2017;77:1.

Artikel Google Scholar

Wager S, Hastie T, Efron B. Konfidenzintervalle für zufällige Wälder: Das Jackknife und das Infinitesimal Jackknife. J Mach Learn Res. 2014;15:1625–51.

PubMed PubMed Central Google Scholar

Weltgesundheitsorganisation. Das Management der Ernährung in größeren Notfällen. Genf: WHO; 2000.

Google Scholar

R-Kernteam. Eine Sprache und Umgebung für statistische Berechnungen. Wien: R Foundation for Statistical Computing; 2020.

Google Scholar

RStudio-Team. RStudio: Integrierte Entwicklungsumgebung für R. Boston: RStudio, PBC; 2020.

Google Scholar

[PubMed] [Querverweis] Mukuku O, Mutombo AM, Kamona LK, Lubala TK, Mawaw PM, Aloni MN, et al. Vorhersagemodell für das Risiko schwerer akuter Mangelernährung bei Kindern. J Nutr Metab. 2019;2019:1–7

Artikel Google Scholar

Islam MM, Alam M, Tariquzaman M, Kabir MA, Pervin R, Begum M, et al. Prädiktoren für die Anzahl unterernährter Kinder unter fünf Jahren in Bangladesch: Anwendung des generalisierten Poisson-Regressionsmodells. BMC öffentliche Gesundheit. 2013;13:11.

Artikel Google Scholar

Osgood-Zimmerman A, Millear AI, Stubbs RW, Shields C, Pickering BV, Earl L, et al. Kartierung von Wachstumsstörungen bei Kindern in Afrika zwischen 2000 und 2015. Natur. 2018;555:41–7.

Artikel CAS Google Scholar

Mude AG, Barrett CB, McPeak JG, Kaitho R, Kristjanson P. Empirische Vorhersage langsam einsetzender Katastrophen für eine verbesserte Notfallreaktion: Eine Anwendung im trockenen Norden Kenias. Lebensmittelpolitik. 2009;34:329–39.

Artikel Google Scholar

Bosco C, Alegana V, Bird T, Pezzulo C, Bengtsson L, Sorichetta A, et al. Erkundung der hochauflösenden Kartierung von nach Geschlecht aufgeschlüsselten Entwicklungsindikatoren. JR Soc-Schnittstelle. 2017;14:20160825.

Artikel Google Scholar

Lentz EC, Michelson H, Baylis K, Zhou Y. Ein datengesteuerter Ansatz verbessert die Vorhersage von Ernährungsunsicherheitskrisen. Weltentwickler. 2019;122:399–409.

Artikel Google Scholar

Hutcheon JA, Chiolero A, Hanley JA. Zufälliger Messfehler und Regressionsverdünnungsfehler. BMJ. 2010;340:c2289–c2289.

Artikel Google Scholar

Iacoella F, Tirivayi N. Kinderernährung während Konflikten und Vertreibung: Beweise aus Gebieten, die vom Boko-Haram-Aufstand in Nigeria betroffen sind. Gesundheitswesen. 2020;183:132–7.

Artikel CAS Google Scholar

Brown ME, Backer D, Billing T, White P, Grace K, Doocy S, et al. Empirische Studien zu Faktoren im Zusammenhang mit Unterernährung bei Kindern: Hervorhebung der Beweise für Klima- und Konfliktschocks. Lebensmittelsek. 2020;12:1241–52.

Artikel Google Scholar

Krishnamurthy PK, Choularton RJ, Kareiva P. Umgang mit Unsicherheit bei Hungersnotvorhersagen: Wie komplexe Ereignisse die Frühwarnfähigkeiten für die Ernährungssicherheit am Großen Horn von Afrika beeinflussen. Glob Food Sec. 2020;26:100374.

Artikel Google Scholar

Maxwell D, Gottlieb G, Coates J, Radday A, Kim J, Venkat A, et al. Humanitäre Informationssysteme: Antizipieren, Analysieren und Handeln in der Krise. Büschel – Feinstein International Center. https://fic.tufts.edu/research-item/the-constraints-and-complexities-of-information-and-analysis/. Zugriff am 14. Februar 2021.

Referenzen herunterladen

Wir danken Anna Carnegie für die Unterstützung beim Projektmanagement, Adrienne Testa für die Sammlung von Südsudan-Datensätzen, die für eine separate Studie verwendet wurden, und Claire Dooley für die Überprüfung des Analyseskripts und die Entdeckung eines wichtigen Fehlers. In beiden Ländern bedanken wir uns bei den Regierungsbehörden und Partnern, die die für diese Analyse verwendeten Daten gesammelt und/oder beigesteuert haben.

Die in diesem Bericht dargestellten geografischen Namen und Grenzen dienen ausschließlich der Erstellung wissenschaftlicher Schätzungen und geben nicht unbedingt die Ansichten oder offiziellen Positionen der Autoren, der London School of Hygiene and Tropical Medicine oder einer der Agenturen wieder, die Daten bereitgestellt haben für diese Analyse, oder der Spender. Für die hier präsentierten Analysen sind ausschließlich die Autoren verantwortlich. Die Nennung von Datenquellen bedeutet nicht, dass die Agenturen oder Einzelpersonen, die Daten bereitstellen, die Ergebnisse der Analyse gutheißen.

Die Analyse wurde vom Kinderhilfswerk der Vereinten Nationen finanziert. SF, AW und FC wurden auch teilweise von UK Research and Innovation im Rahmen des Global Challenges Research Fund finanziert, Fördernummer ES/P010873/1. Die Sammlung von Prädiktordaten wurde vom United States Institute of Peace (Südsudan) und dem britischen Foreign, Commonwealth and Development Office (FCDO; ehemals Department for International Development) über die Research for Evidence Division (RED) zum Nutzen von Entwicklungsländern finanziert (Somalia). Die in seinem Artikel geäußerten Ansichten und Informationen stammen ausschließlich von den Autoren und sind nicht notwendigerweise diejenigen von UNICEF, FCDO und USIP oder werden von diesen unterstützt. Keiner von ihnen kann die Verantwortung für solche Ansichten oder Informationen oder für das Vertrauen, das auf sie gesetzt wird, übernehmen .

Abteilung für Epidemiologie von Infektionskrankheiten, Fakultät für Epidemiologie und Bevölkerungsgesundheit, London School of Hygiene and Tropical Medicine, London, Großbritannien

Francesco Checchi, Séverine Frison und Abdihamid Warsame

Kinderhilfswerk der Vereinten Nationen, Landesbüro Südsudan, Juba, Südsudan

Klicken Sie auf „Herunterladen“, um Kiross Tefera Abebe – Kiross Tefera Abebe mp3 youtube com zu speichern

Kinderhilfswerk der Vereinten Nationen, Landesbüro Somalia, Mogadischu, Somalia

Jasinta Achen, Mohamed Ag Ayoya und Biram Ndiaye

Regionalbüro Ost- und Südafrika, Kinderhilfswerk der Vereinten Nationen, Nairobi, Kenia

Mara-Wörter

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

FC hat die Methoden entworfen, Daten verwaltet, statistische Analysen durchgeführt und dieses Papier geschrieben. SF hat Daten gesammelt und verwaltet und diesen Artikel geschrieben. MN half bei der Konzeption der Studie und koordinierte die Datenerhebung. Alle anderen Autoren sammelten und verwalteten Daten. Alle Autoren haben das endgültige Manuskript überprüft, bearbeitet und genehmigt.

Korrespondenz mit Francesco Checchi.

Alle Daten wurden zuvor für routinemäßige humanitäre Hilfe und/oder Zwecke der Bereitstellung öffentlicher Gesundheitsdienste gesammelt und waren entweder öffentlich zugänglich oder wurden in vollständig anonymisiertem Format weitergegeben. Betreuer der Teilnehmer der anthropometrischen Umfrage gaben gemäß den Standardverfahren des SMART-Protokolls eine mündliche Einverständniserklärung ab. Die Studie wurde von der Ethikkommission der London School of Hygiene & Tropical Medicine (Ref. 15334/RR/14437) und der Forschungs- und Ethikkommission des somalischen Ministeriums für Gesundheit und menschliche Dienste (Ref. MOH&HS/DGO/0701/May) genehmigt /2019). Auf einen diesbezüglichen Antrag an die Ethikkommission des südsudanesischen Gesundheitsministeriums wurde keine Antwort erhalten. Alle Analysen wurden in Übereinstimmung mit den einschlägigen Richtlinien und Vorschriften, einschließlich der Deklaration von Helsinki, durchgeführt.

Unzutreffend.

Die Autoren erklären, dass sie keine konkurrierenden Interessen haben.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Abbildung S5. Kausaler Rahmen für akute Unterernährung bei Kindern, der zur Identifizierung potenzieller Prädiktoren verwendet wird. Abbildung S6. GLM-vorhergesagte versus beobachtete SAM-Prävalenz (MUAC + Ödeme), Somalia, nach Distriktmonat, anhand von Trainingsdaten, LOOCV und Holdout-Daten. Schattierte Kanäle zeigen unterschiedliche absolute Abweichungen der Vorhersagen an. Vertikale gestrichelte Linien kennzeichnen häufig verwendete Schwellenwerte für die SAM-Prävalenz. Abbildung S7. GLM-vorhergesagte versus beobachtete GAM-Prävalenz (WFH + Ödeme), Somalia, nach Distriktmonat, anhand von Trainingsdaten, LOOCV und Holdout-Daten. Schattierte Kanäle zeigen unterschiedliche absolute Abweichungen der Vorhersagen an. Vertikale gepunktete Linien kennzeichnen häufig verwendete GAM-Prävalenzschwellenwerte. Abbildung S8. GLM-vorhergesagte versus beobachtete GAM-Prävalenz (MUAC + Ödeme), Somalia, nach Distriktmonat, anhand von Trainingsdaten, LOOCV und Holdout-Daten. Schattierte Kanäle zeigen unterschiedliche absolute Abweichungen der Vorhersagen an. Vertikale gepunktete Linien kennzeichnen häufig verwendete GAM-Prävalenzschwellenwerte. Abbildung S9. GLM-vorhergesagte versus beobachtete mittlere WFH, Somalia, nach Distriktmonat, anhand von Trainingsdaten, LOOCV und Holdout-Daten. Schattierte Kanäle zeigen unterschiedliche absolute Abweichungen der Vorhersagen an. Vertikale gepunktete Linien kennzeichnen potenziell nützliche Schwellenwerte. Abbildung S10. GLM-vorhergesagter versus beobachteter mittlerer MUAC, Somalia, nach Distriktmonat, anhand von Trainingsdaten, LOOCV und Holdout-Daten. Schattierte Kanäle zeigen unterschiedliche absolute Abweichungen der Vorhersagen an. Vertikale gepunktete Linien kennzeichnen potenziell nützliche Schwellenwerte. Tabelle S7. Leistung zufälliger Waldmodelle in Somalia nach akuter Unterernährung. Abbildung S11. RF-vorhergesagte versus beobachtete GAM-Prävalenz (WFH + Ödeme), Somalia, nach Distriktmonat, anhand von Trainingsdaten, LOOCV und Holdout-Daten. Schattierte Kanäle zeigen unterschiedliche absolute Abweichungen der Vorhersagen an. Vertikale gepunktete Linien kennzeichnen häufig verwendete GAM-Prävalenzschwellenwerte. Abbildung S12. RF-vorhergesagter versus beobachteter mittlerer WFH, Somalia, nach Distriktmonat, anhand von Trainingsdaten, LOOCV und Holdout-Daten. Schattierte Kanäle zeigen unterschiedliche absolute Abweichungen der Vorhersagen an. Vertikale gepunktete Linien kennzeichnen potenziell nützliche Schwellenwerte. Abbildung S13. GLM-vorhergesagte versus beobachtete SAM-Prävalenz (MUAC + Ödeme), Südsudan, nach Distriktmonat, anhand von Trainingsdaten, LOOCV und Holdout-Daten. Schattierte Kanäle zeigen unterschiedliche absolute Abweichungen der Vorhersagen an. Vertikale gestrichelte Linien kennzeichnen häufig verwendete Schwellenwerte für die SAM-Prävalenz. Abbildung S14. GLM-vorhergesagte versus beobachtete GAM-Prävalenz (WFH + Ödeme), Südsudan, nach Distriktmonat, anhand von Trainingsdaten, LOOCV und Holdout-Daten. Schattierte Kanäle zeigen unterschiedliche absolute Abweichungen der Vorhersagen an. Vertikale gepunktete Linien kennzeichnen häufig verwendete GAM-Prävalenzschwellenwerte. Abbildung S15. GLM-vorhergesagte versus beobachtete GAM-Prävalenz (MUAC + Ödeme), Südsudan, nach Distriktmonat, anhand von Trainingsdaten, LOOCV und Holdout-Daten. Schattierte Kanäle zeigen unterschiedliche absolute Abweichungen der Vorhersagen an. Vertikale gepunktete Linien kennzeichnen häufig verwendete GAM-Prävalenzschwellenwerte. Abbildung S16. GLM-vorhergesagte versus beobachtete mittlere WFH, Südsudan, nach Distriktmonat, anhand von Trainingsdaten, LOOCV und Holdout-Daten. Schattierte Kanäle zeigen unterschiedliche absolute Abweichungen der Vorhersagen an. Vertikale gepunktete Linien kennzeichnen potenziell nützliche Schwellenwerte. Abbildung S17. GLM-vorhergesagter versus beobachteter mittlerer MUAC, Südsudan, nach Distriktmonat, anhand von Trainingsdaten, LOOCV und Holdout-Daten. Schattierte Kanäle zeigen unterschiedliche absolute Abweichungen der Vorhersagen an. Vertikale gepunktete Linien kennzeichnen potenziell nützliche Schwellenwerte. Tabelle S8. Leistung zufälliger Waldmodelle im Südsudan, nach akuter Unterernährung. Abbildung S18. RF-vorhergesagte versus beobachtete GAM-Prävalenz (WFH + Ödeme), Südsudan, nach Distriktmonat, anhand von Trainingsdaten, LOOCV und Holdout-Daten. Schattierte Kanäle zeigen unterschiedliche absolute Abweichungen der Vorhersagen an. Vertikale gepunktete Linien kennzeichnen häufig verwendete GAM-Prävalenzschwellenwerte. Abbildung S19. RF-vorhergesagter versus beobachteter mittlerer WFH, Südsudan, nach Distriktmonat, anhand von Trainingsdaten, LOOCV und Holdout-Daten. Schattierte Kanäle zeigen unterschiedliche absolute Abweichungen der Vorhersagen an. Vertikale gepunktete Linien kennzeichnen potenziell nützliche Schwellenwerte.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/. Der Creative Commons Public Domain Dedication-Verzicht (http://creativecommons.org/publicdomain/zero/1.0/) gilt für die in diesem Artikel zur Verfügung gestellten Daten, sofern in einer Quellenangabe für die Daten nichts anderes angegeben ist.

Nachdrucke und Genehmigungen

Checchi, F., Frison, S., Warsame, A. et al. Können wir die Belastung durch akute Unterernährung in Krisenländern vorhersagen? Funde aus Somalia und Südsudan. BMC Nutr 8, 92 (2022). https://doi.org/10.1186/s40795-022-00563-2

Zitat herunterladen

Eingegangen: 11. Januar 2022

Angenommen: 11. Juli 2022

Veröffentlicht: 29. August 2022

DOI: https://doi.org/10.1186/s40795-022-00563-2

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt