위기 상황에서 급성 영양실조의 부담을 예측할 수 있습니까?

블로그

홈페이지홈페이지 / 블로그 / 위기 상황에서 급성 영양실조의 부담을 예측할 수 있습니까?

Jul 31, 2023

위기 상황에서 급성 영양실조의 부담을 예측할 수 있습니까?

BMC Nutrition 8권, 기사 번호: 92(2022) 이 기사 인용 2262 3 Altmetric Metrics 세부 정보 액세스 샘플 설문조사는 환경 내 급성 영양실조 감시의 중심입니다.

BMC Nutrition 8권, 기사 번호: 92(2022) 이 기사 인용

2262 액세스

3 알트메트릭

측정항목 세부정보

표본 조사는 위기의 영향을 받는 환경에서 급성 영양실조를 감시하는 주요 수단이지만 부담이 크며 불안전함 및 기타 접근 문제로 인해 지리적 범위가 제한되어 있습니다. 설문조사를 보완하기 위해 우리는 위기에 처한 두 국가인 소말리아(2014~2018)와 남수단(2015~2018)의 소규모 인구 계층에 널리 퍼져 있는 급성 영양실조 부담을 예측하기 위한 통계적 접근 방식을 모색했습니다.

각 국가에 대해 우리는 불안, 이주, 식량 불안, 서비스 접근, 전염병 발생 및 영양실조의 원인 경로에 대한 기타 요인에 관해 인도주의 행위자 또는 기타 단체가 생성한 데이터 세트를 소싱했습니다. 우리는 이를 영양 감시의 일환으로 행정 수준 3(구, 카운티)에서 수행한 샘플 가구 인체 측정 조사의 데이터 세트와 병합했으며, 키 대비 체중 또는 중간 이상을 기반으로 한 이진 및 연속 지수를 포함한 여러 결과 각각에 대해 병합했습니다. -팔 둘레, 일반화 선형 모델의 예측 성능을 피팅하고 평가했으며 대안으로 기계 학습 랜덤 포레스트를 사용했습니다.

우리는 소말리아의 85개 지상 조사와 남수단의 175개 지상 조사를 기반으로 모델을 개발했습니다. 소말리아에서는 생계 유형, 무력 충돌 강도, 홍역 발생률, 식생 지수 및 물 가격이 중요한 예측 변수였으며, 남수단에서는 생계, 홍역 발생률, 강수량 및 교역 조건(구매력)이 중요한 예측 변수였습니다. 그러나 일반화 선형 모델과 랜덤 포레스트 모두 이진 및 연속 인체 측정 결과 모두에서 성능이 낮았습니다.

예측 모델은 실망스러운 성능을 보여 실행에 사용할 수 없습니다. 사용된 데이터의 범위와 품질로 인해 분석이 제한되었을 수 있습니다. 예측 접근 방식은 이론적으로 여전히 매력적이며 여러 설정에 걸쳐 더 큰 데이터 세트를 사용하여 추가 평가가 필요합니다.

동료 검토 보고서

무력 충돌, 지역 사회 폭력, 이주 및/또는 식량 불안으로 인한 위기의 영향을 받는 환경에서 급성 영양실조는 개인 수준에서 단기적인 사망 위험을 제시하고 풍토병 및 유행성 전염병을 악화시키는 두드러진 공중 보건 위협입니다. 장기적인 발달 결과를 악화시킵니다. 어린이의 급성 영양실조 유병률은 식량 안보, 생계, 공중 보건 및 사회 환경 등 광범위한 상황을 반영하므로 위기 심각도를 나타내는 주요 종합 지표이기도 합니다[1]. 이 문서의 목적과 현재 유니세프 지침에 따라 우리는 급성 영양실조(소모라고도 함)를 두 가지 부분적으로 겹치는 증상의 발생으로 지칭합니다. 그러나 더 치명적인 부종성 형태(kwashiorkor). 신장 또는 신장에 따른 체중, 팔 중간-상완 둘레(MUAC) 및 양측 함요부종의 존재를 포함한 인체 측정 지표는 연속 지표(예: 신장/길이 대비 체중 Z-점수)로 결합될 수 있습니다. 영양이 풍부한 기준 집단: WHZ) 또는 어린이를 중증 또는 중등도 급성 영양실조(SAM, MAM)로 분류하기 위해 임계값을 기반으로 이분화하고, 인구 수준에서 유병률 추정치를 계산합니다[2]. 이러한 정보는 국가 및 글로벌 목표에 대한 진행 상황을 평가하고, 식량 안보 및 영양 서비스의 적절한 패키지를 식별하고, 필요한 자원(예: 치료 사례량)을 추정하고, 서비스 성과를 모니터링하고, 조기 경보 시스템의 일부로 위기 심각도의 변화를 감지하는 데 도움이 됩니다. 통합 식량 안보 단계 분류(IPC)로 [3,4,5].

6개월에서 59개월 사이의 어린이를 대상으로 한 단면적 인체 측정 조사는 시설 기반 및 프로그램 데이터와 함께 위기 상황에서 영양 감시의 중요한 구성 요소입니다[6]. 지난 10년 동안 이러한 조사의 방법과 분석을 표준화하는 데 상당한 진전이 있었습니다. 특히, SMART(Standardised Monitoring and Assessment of Relief and Transitions) 프로젝트[7]는 설문 조사 설계, 교육 및 품질 관리를 위한 일반 연구 프로토콜과 보조 도구는 물론 샘플 선택, 데이터 입력 및 분석을 위한 맞춤형 응급 영양 소프트웨어를 제공합니다. . 일반적으로 소규모 지리적 규모(예: 지구 또는 개별 캠프)에서 시행되는 SMART 조사는 인도주의적 대응에서 영양실조 부담을 측정하는 가장 일반적인 인구 기반 방법입니다. 그러나 SMART 설문조사는 인적, 재정적 자원 측면에서 다소 부담이 되고, 계획, 실행 및 보고하는 데 몇 주가 걸리고, 불안정성 또는 기타 접근 제약으로 인해 지리적 범위가 제한될 수 있으므로 잠재적으로 편향되고 시기적절하지 않으며/ 또는 세부적인 정보가 충분하지 않습니다. 그렇지 않으면 설문조사만으로는 악화되는 상황을 조기에 발견하고 효율적인 자원 배분을 적절하게 지원하지 못할 수 있습니다[8]. 최근에는 코로나19 관련 규제로 인해 SMART 설문 조사 실시가 일시적으로 축소되었습니다. 이는 팬데믹으로 인해 식량 불안 위기 상황에 직면한 전 세계 인구가 두 배로 늘어나 결과적으로 급성 영양실조 부담이 크게 증가할 것으로 예상되었기 때문입니다[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>