Podemos prever o peso da desnutrição aguda em crises

blog

LarLar / blog / Podemos prever o peso da desnutrição aguda em crises

Jul 31, 2023

Podemos prever o peso da desnutrição aguda em crises

BMC Nutrition volume 8, número do artigo: 92 (2022) Citar este artigo 2262 Acessos 3 Detalhes das métricas altmétricas Pesquisas por amostragem são a base da vigilância da desnutrição aguda em ambientes

BMC Nutrition volume 8, número do artigo: 92 (2022) Citar este artigo

2262 Acessos

3 Altmétrico

Detalhes das métricas

Os inquéritos por amostragem são a base da vigilância da desnutrição aguda em locais afectados por crises, mas são onerosos e têm uma cobertura geográfica limitada devido à insegurança e a outras questões de acesso. Como possível complemento aos inquéritos, explorámos uma abordagem estatística para prever o fardo prevalecente da desnutrição aguda em pequenos estratos populacionais em dois países afectados pela crise, a Somália (2014–2018) e o Sudão do Sul (2015–2018).

Para cada país, obtivemos conjuntos de dados gerados por intervenientes humanitários ou outras entidades sobre insegurança, deslocamento, insegurança alimentar, acesso a serviços, ocorrência de epidemias e outros factores na via causal para a subnutrição. Nós os fundimos com conjuntos de dados de amostras de inquéritos antropométricos domiciliares realizados no nível administrativo 3 (distrito, condado) como parte da vigilância nutricional e, para cada um dos vários resultados, incluindo índices binários e contínuos baseados em peso para altura ou médio-alto -circunferência do braço, ajustou e avaliou o desempenho preditivo de modelos lineares generalizados e, como alternativa, florestas aleatórias de aprendizado de máquina.

Desenvolvemos modelos baseados em 85 pesquisas no terreno na Somália e 175 no Sudão do Sul. O tipo de meios de subsistência, a intensidade dos conflitos armados, a incidência do sarampo, o índice de vegetação e o preço da água foram preditores importantes na Somália, e os meios de subsistência, a incidência do sarampo, a pluviosidade e os termos de troca (poder de compra) no Sudão do Sul. No entanto, tanto os modelos lineares generalizados como as florestas aleatórias tiveram baixo desempenho tanto para resultados antropométricos binários como contínuos.

Os modelos preditivos tiveram desempenho decepcionante e não são utilizáveis ​​para ação. A variedade de dados utilizados e a sua qualidade provavelmente limitaram a nossa análise. A abordagem preditiva permanece teoricamente atraente e merece uma avaliação mais aprofundada com conjuntos de dados maiores em vários ambientes.

Relatórios de revisão por pares

Em locais afectados por crises devido a conflitos armados, violência comunitária, deslocamento e/ou insegurança alimentar, a desnutrição aguda é uma ameaça proeminente à saúde pública que, a nível individual, apresenta um risco de mortalidade a curto prazo, agrava doenças infecciosas endémicas e epidémicas e piora os resultados de desenvolvimento a longo prazo. A prevalência da desnutrição aguda entre as crianças é também um indicador importante da gravidade da crise, uma vez que reflete a situação mais ampla da segurança alimentar, dos meios de subsistência e da saúde pública e do ambiente social [1]. Para efeitos deste artigo, e de acordo com as orientações atuais da Unicef, referimo-nos à desnutrição aguda (também conhecida como emaciação) como a ocorrência de duas apresentações parcialmente sobrepostas: marasmo, caracterizado por uma perda de peso recente e grave, e a mais rara mas forma edematosa mais letal (kwashiorkor). Índices antropométricos, incluindo peso para altura ou comprimento, circunferência média-superior do braço (MUAC) e presença de edema bilateral podem ser combinados em indicadores contínuos (por exemplo, escore Z de peso para altura/comprimento, relativo à média de uma população de referência bem nutrida: WHZ) ou dicotomizada com base em limiares para classificar as crianças como gravemente ou moderadamente desnutridas agudamente (SAM, MAM) e, ao nível da população, calcular estimativas de prevalência [2]. Essas informações ajudam a avaliar o progresso em direcção às metas nacionais e globais, a identificar um pacote apropriado de serviços nutricionais e de segurança alimentar, a estimar os recursos necessários (por exemplo, o número de casos de tratamento), a monitorizar o desempenho dos serviços e a detectar alterações na gravidade da crise como parte de sistemas de alerta precoce, tais como como a classificação integrada da fase de segurança alimentar (IPC) [3,4,5].

Pesquisas antropométricas transversais entre crianças de 6 a 59 meses de idade (mês) são um componente importante da vigilância nutricional em ambientes de crise, juntamente com dados programáticos e baseados em instalações [6]. Durante a última década, foram feitos progressos consideráveis ​​na padronização dos métodos e da análise destes inquéritos. Em particular, o projeto Padronizado Monitoramento e Avaliação de Alívio e Transições (SMART) [7] fornece protocolos de estudo genéricos e auxiliares para concepção de pesquisas, treinamento e controle de qualidade, bem como o Software de Nutrição de Emergência personalizado para seleção de amostras, entrada de dados e análise . Os inquéritos SMART, geralmente implementados numa pequena escala geográfica (por exemplo, distritos ou acampamentos individuais), são o método populacional mais comum para medir o fardo da desnutrição na resposta humanitária. No entanto, os inquéritos SMART são algo onerosos em termos de recursos humanos e financeiros, requerem várias semanas para planear, implementar e reportar, e podem ter um alcance geográfico limitado devido à insegurança ou outras restrições de acesso, resultando assim em resultados potencialmente tendenciosos, inoportunos e/ou ou informações insuficientemente granulares. Dito de outra forma, os inquéritos por si só podem não apoiar adequadamente a detecção precoce de situações de deterioração e a afectação eficiente de recursos [8]. Mais recentemente, as restrições relacionadas com a COVID-19 restringiram temporariamente a implementação do inquérito SMART, tal como se esperava que a pandemia contribuísse para uma duplicação prevista da população global que enfrenta condições de crise de insegurança alimentar e, consequentemente, um aumento substancial do fardo da desnutrição aguda [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>