Pouvons-nous prédire le fardeau de la malnutrition aiguë en période de crise

Blog

MaisonMaison / Blog / Pouvons-nous prédire le fardeau de la malnutrition aiguë en période de crise

Jul 31, 2023

Pouvons-nous prédire le fardeau de la malnutrition aiguë en période de crise

BMC Nutrition volume 8, Numéro d'article : 92 (2022) Citer cet article 2262 Accès à 3 détails d'Altmetric Metrics Les enquêtes par sondage sont le pilier de la surveillance de la malnutrition aiguë dans les contextes

BMC Nutrition volume 8, Numéro d'article : 92 (2022) Citer cet article

2262 Accès

3 Altmétrique

Détails des métriques

Les enquêtes par sondage constituent le pilier de la surveillance de la malnutrition aiguë dans les contextes touchés par des crises, mais elles sont lourdes et ont une couverture géographique limitée en raison de l'insécurité et d'autres problèmes d'accès. En guise de complément possible aux enquêtes, nous avons exploré une approche statistique pour prédire le fardeau répandu de la malnutrition aiguë pour de petites couches de population dans deux pays touchés par la crise, la Somalie (2014-2018) et le Soudan du Sud (2015-2018).

Pour chaque pays, nous avons collecté des ensembles de données générés par des acteurs humanitaires ou d'autres entités sur l'insécurité, les déplacements, l'insécurité alimentaire, l'accès aux services, l'apparition d'épidémies et d'autres facteurs sur la voie causale vers la malnutrition. Nous les avons fusionnés avec des ensembles de données d'échantillons d'enquêtes anthropométriques sur les ménages réalisées au niveau administratif 3 (district, comté) dans le cadre de la surveillance nutritionnelle et, pour chacun des résultats, y compris des indices binaires et continus basés sur le poids pour la taille ou le poids moyen-supérieur. -tour de bras, ajustement et évaluation des performances prédictives de modèles linéaires généralisés et, comme alternative, d'apprentissage automatique de forêts aléatoires.

Nous avons développé des modèles basés sur 85 enquêtes de terrain en Somalie et 175 au Soudan du Sud. Le type de moyens de subsistance, l’intensité du conflit armé, l’incidence de la rougeole, l’indice de végétation et le prix de l’eau étaient des prédicteurs importants en Somalie, et les moyens de subsistance, l’incidence de la rougeole, les précipitations et les termes de l’échange (pouvoir d’achat) au Soudan du Sud. Cependant, les modèles linéaires généralisés et les forêts aléatoires présentaient de faibles performances pour les résultats anthropométriques binaires et continus.

Les modèles prédictifs ont des performances décevantes et ne sont pas utilisables pour l’action. L’éventail des données utilisées et leur qualité ont probablement limité notre analyse. L’approche prédictive reste théoriquement attrayante et mérite une évaluation plus approfondie avec des ensembles de données plus vastes dans plusieurs contextes.

Rapports d'examen par les pairs

Dans les contextes touchés par des crises dues à un conflit armé, à la violence communautaire, aux déplacements et/ou à l'insécurité alimentaire, la malnutrition aiguë constitue une menace majeure pour la santé publique qui, au niveau individuel, présente un risque de mortalité à court terme, exacerbe les maladies infectieuses endémiques et épidémiques et aggrave les résultats développementaux à long terme. La prévalence de la malnutrition aiguë chez les enfants est également un indicateur sommatif clé de la gravité de la crise, car elle reflète la situation plus large de la sécurité alimentaire, des moyens de subsistance, de la santé publique et de l'environnement social [1]. Pour les besoins de cet article, et conformément aux directives actuelles de l'Unicef, nous désignons la malnutrition aiguë (également connue sous le nom d'émaciation) comme la survenue de deux symptômes qui se chevauchent partiellement : le marasme, caractérisé par une perte de poids récente et sévère, et le plus rare. mais forme œdémateuse plus mortelle (kwashiorkor). Les indices anthropométriques, notamment le rapport poids/taille ou longueur, le périmètre brachial (MUAC) et la présence d'œdèmes bilatéraux par piqûres, peuvent être combinés en indicateurs continus (par exemple, score Z poids/taille/longueur, par rapport à la moyenne de une population de référence bien nourrie : WHZ) ou dichotomisée sur la base de seuils pour classer les enfants comme souffrant de malnutrition sévère ou modérément aiguë (MAS, MAM) et, au niveau de la population, calculer des estimations de prévalence [2]. Ces informations permettent d'évaluer les progrès vers la réalisation des objectifs nationaux et mondiaux, d'identifier un ensemble approprié de services de sécurité alimentaire et de nutrition, d'estimer les ressources nécessaires (par exemple le nombre de cas de traitement), de surveiller la performance des services et de détecter les changements dans la gravité de la crise dans le cadre de systèmes d'alerte précoce tels que comme la classification intégrée des phases de sécurité alimentaire (IPC) [3,4,5].

Les enquêtes anthropométriques transversales auprès des enfants âgés de 6 à 59 mois (mois) sont un élément important de la surveillance nutritionnelle dans les situations de crise, ainsi que les données basées sur les établissements et les programmes [6]. Au cours de la dernière décennie, des progrès considérables ont été réalisés pour normaliser les méthodes et l'analyse de ces enquêtes. En particulier, le projet Standardized Monitoring and Assessment of Relief and Transitions (SMART) [7] fournit des protocoles d'étude génériques et des aides pour la conception des enquêtes, la formation et le contrôle qualité, ainsi qu'un logiciel de nutrition d'urgence sur mesure pour la sélection des échantillons, la saisie et l'analyse des données. . Les enquêtes SMART, généralement mises en œuvre à une petite échelle géographique (par exemple, districts ou camps individuels), sont la méthode basée sur la population la plus courante pour mesurer le fardeau de la malnutrition dans le cadre de l'intervention humanitaire. Cependant, les enquêtes SMART sont quelque peu lourdes en termes de ressources humaines et financières, nécessitent plusieurs semaines de planification, de mise en œuvre et de reporting, et peuvent avoir une portée géographique limitée en raison de l'insécurité ou d'autres contraintes d'accès, ce qui entraîne des résultats potentiellement biaisés, inopportuns et/ou inopportuns. ou des informations insuffisamment granulaires. Autrement dit, les enquêtes à elles seules risquent de ne pas permettre une détection précoce de la détérioration des situations et une allocation efficace des ressources [8]. Plus récemment, les restrictions liées au COVID-19 ont temporairement réduit la mise en œuvre de l’enquête SMART, tout comme la pandémie devait contribuer au doublement prévu de la population mondiale confrontée à des conditions de crise d’insécurité alimentaire et, par conséquent, à une augmentation substantielle du fardeau de la malnutrition aiguë [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>