Adaptive Mortality Drift for Short-Horizon Forecasting of Under-Five Mortality in West Africa: Model Development, Monte Carlo Validation, Robustness, and a 16-Country Application

في كل عام، لا ينجو ملايين الأطفال حول العالم حتى بلوغهم سن الخامسة. هذا الواقع المأساوي يُقاس برقم واحد صارخ: معدل وفيات الأطفال دون سن الخامسة. يحصي هذا الرقم عدد الأطفال الذين يموتون قبل سن الخامسة لكل ألف مولود حي. إنه أكثر من مجرد إحصائية؛ إنه مرآة تعكس صحة المجتمع، وتكشف عن جودة مستشفياته، وسلامة مياهه، واستقرار اقتصاده. وفي غرب أفريقيا، يرزح هذا العبء بأثقل حِمله، حيث تواجه البلدان تحديات متفاوتة للغاية رغم اشتراكها في المنطقة. وبالنسبة للحكومات والمنظمات الصحية، فإن معرفة ما يخبئه المستقبل أمر بالغ الأهمية؛ فهم بحاجة لمعرفة ما إذا كانت الجهود الحالية تؤتي ثمارها، وأين تشتد الحاجة إلى الموارد، وما إذا كانت المنطقة تسير على المسار الصحيح لإنقاذ المزيد من الأرواح في السنوات القادمة. ومع ذلك، فإن التنبؤ بمستقبل بقاء الأطفال على قيد الحياة أمر صعب؛ إذ يمكن للاتجاهات أن تتغير فجأة بسبب الأمراض أو النزاعات أو التغيرات الاقتصادية، والمسار نحو الأمام نادراً ما يكون خطاً مستقيماً.

لقد طور باحث طريقة جديدة للنظر في هذه الاتجاهات، مع التركيز على المدى القصير لمساعدة القادة في اتخاذ قرارات فورية. وبدلاً من الاعتماد على نماذج حاسوبية معقدة تحاول تخمين كل سيناريو مستقبلي محتمل، ابتكر طريقة تنصت بدقة إلى التغيرات الأخيرة في معدلات الوفيات. وقد أطلقوا على هذا النهج اسم نموذج "الانجراف التكيفي للوفيات" (Adaptive Mortality Drift). الفكرة الجوهرية بسيطة لكنها قوية: فهي تفترض أن التغيير المشهود في العام الماضي سيستمر في العام التالي، ولكن ليس بيقين تام. يقوم النموذج بتقدير مقدار التقدم أو التراجع الأخير الذي سيستمر في المضي قدماً، مع تعديل تنبؤه بناءً على التاريخ الفعلي للمنطقة. ومن خلال اختبار هذه الطريقة على ستة عشر بلداً مختلفاً في غرب أفريقيا، وجد الباحث أن هذا النهج المباشر قد تفوق على أنظمة رياضية أكثر تعقيداً وخوارزميات تعلم آلي. ويشير عملهم إلى أنه بالنسبة للمستقبل القريب، فإن أفضل طريقة للتنبؤ ببقاء الأطفال على قيد الحياة هي الثقة في زخم السنوات الأخيرة، مع مراعاة حقيقة أن هذا الزخم قد يتباطأ أحياناً بشكل طفيف.

ركزت الدراسة على ستة عشر دولة في غرب أفريقيا، بما في ذلك دول كبرى مثل نيجيريا وجيران أصغر مثل الرأس الأخضر. وجمع الباحث بيانات معدلات وفيات الأطفال من الأمم المتحدة ومنظمة الصحة العالمية، معتمداً على التقديرات الوطنية السنوية المستمرة بدلاً من الحالات الفردية. أراد الباحث معرفة ما إذا كان بإمكانه التنبؤ بما سيحدث في العام التالي بدقة عالية. ولتحقيق ذلك، صمم نموذجه ليراقب "انجراف" الوفيات. تخيل قارباً يتحرك في نهر؛ إذا كان الماء يتدفق بثبات، فإن القارب يستمر في ذلك الاتجاه. سأل الباحث: هل يتدفق النهر بنفس السرعة كل عام، أم أنه يتسارع ويتباطأ؟ يحسب نموذجهم رقماً محدداً يمثل مقدار التغيير في وفيات الأطفال الذي حدث في العام الماضي والمتوقع حدوثه مرة أخرى هذا العام. إذا كان الرقم قريباً من الواحد، فإن التغيير يستمر بالكامل. وإذا كان أقل من ذلك، فمن المتوقع أن يتلاشى التغيير قليلاً. هذا الرقم ليس تخميناً؛ بل يتم حسابه من خلال النظر في تاريخ جميع الدول الست عشرة معاً، مما يسمح للنموذج بالتعلم من تجربة المنطقة بأكملها.

ولضمان موثوقية طريقتهم الجديدة، أخضعها الباحث لاختبارات صارمة. استخدموا تقنية تسمى "التحقق من الأصل المتدحرج" (rolling-origin validation)، وهي تشبه خوض اختبار لا يُسمح لك فيه باستخدام سوى المعلومات المتاحة حتى تاريخ معين للتنبؤ بالسنة التالية، ثم تحريك ذلك التاريخ للأمام والاختبار مرة أخرى. وقارنوا نموذجهم الجديد بالأدوات الإحصائية القياسية وبرامج التعلم الآلي المتقدمة، بما في ذلك أنظمة الذكاء الاصطناعي المصممة لإيجاد أنماط معقدة. وكانت النتائج واضحة: حقق النموذج التكيفي الجديد أدق التنبؤات، حيث سجل أقل الأخطاء عند مقارنته بالأرقام الفعلية التي حدثت بين عامي 2018 و2024. أما نماذج التعلم الآلي المعقدة، التي غالباً ما تتفوق في إيجاد أنماط خفية في البيانات الفوضوية، فقد كان أداؤها أسوأ في الواقع. حدث هذا لأن معدلات الوفاة السنوية في هذه البلدان تتسم بسلاسة وثبات مفاجئين؛ فهي لا تحتوي على الضجيج الفوضوي الذي تتطلبه الخوارزميات المعقدة عادةً لفك شفراته. لذا، كان النموذج الأبسط، الذي احترم هذه السلاسة، هو الأداة الأفضل.

كما أجرى الباحث آلاف عمليات المحاكاة الحاسوبية لمعرفة كيف سيتصرف نموذجه تحت ظروف مختلفة وصعبة. اختبروا ما سيحدث إذا احتوت البيانات على تقلبات حادة ومفاجئة، أو إذا كانت بعض سنوات البيانات مفقودة. وفي هذه المحاكاة، صمد النموذج جيداً، مما أظهر قدرته على التعامل مع العقبات غير المتوقعة دون الانهيار. ومع ذلك، اكتشفوا أيضاً حدوده؛ فإذا شهد بلد ما تحولاً دراماتيكياً مفاجئاً في اتجاهات الوفيات لديه — ربما بسبب نزاع كبير أو أزمة صحية جديدة غيرت النمط تماماً — فإن النموذج، الذي يعتمد على التاريخ الماضي، سيكون بطيئاً في الاستجابة. في مثل هذه الحالات، سيستمر النموذج في التنبؤ بناءً على النمط القديم لفترة من الوقت قبل أن يواكب الواقع. اختبر الباحث تنويعات على نموذجه يمكنها الاستجابة بشكل أسرع لهذه التغييرات المفاجئة، لكنه وجد أن النسخة الأبسط والمعيارية ظلت هي الأكثر دقة بالنسبة لتاريخ غرب أفريقيا المحدد. فالتعقيد الإضافي لم يؤدِ إلى تحسين التنبؤات للسنوات التي درسوها.

وعندما طبق الباحث نموذجه على أرض الواقع، رسمت النتائج صورة من الأمل وعدم المساواة العميق. في عام 2024، تباين عدد وفيات الأطفال بشكل هائل عبر المنطقة. ففي الرأس الأخضر، كان المعدل منخفضاً عند 11.14 حالة وفاة لكل ألف مولود حي، وهو علامة على تقدم ملموس. وفي نيجيريا، بلغ المعدل 115.65، مما يشير إلى عبء أثقل بكثير. ويتوقع النموذج أنه لجميع الدول الست عشرة، ستستمر وفيات الأطفال في الانخفاض حتى عام 2030. وبالنسبة لنيجيريا، توقع التنبؤ انخفاضاً إلى حوالي 109.42، بينما من المتوقع أن ينخفض المعدل في الرأس الأخمل إلى 8.70. تمثل هذه الأرقام استقراءً إحصائياً للاتجاهات الأخيرة، وليس ضماناً لما سيحدث؛ فهي لا تأخذ في الاعتبار الحروب المستقبلية، أو الأمراض الجديدة، أو التغييرات السياسية المحددة. بدلاً من ذلك، تعمل هذه الأرقام كمعيار مرجعي، وطريقة شفافة لمعرفة ما إذا كان وتيرة التحسن الحالية من المرجح أن تستمر.

توضح الدراسة أنه بينما تتحرك المنطقة في الاتجاه الصحيح، فإن الفجوة بين أفضل المؤدين وأسوأهم تظل شاسعة. فقد شهدت دول مثل السنغال وغانا انخفاضات هائلة في وفيات الأطفال منذ عام 2000، بينما شهدت دول أخرى مثل نيجيريا والنيجر تقدماً أبطأ. ويؤكد النموذج أن هذه التفاوتات حقيقية ومستمرة. كما يشير إلى أن نهجاً واحداً موحداً لإنقاذ الأطفال لن ينجح في المنطقة بأكملها؛ فالدول ذات العبء المرتفع تحتاج إلى تسريع جهودها للحاق بالركب، بينما يجب على الدول ذات العبء المنخفض ضمان عدم توقف تقدمها. ويؤكد الباحث أن نموذجه ليس عصا سحرية يمكنها حل أسباب الوفاة، فهو لا يخبر صناع السياسات أي اللقاحات يشترون أو أي المستشفيات يبنون. بل يوفر رؤية واضحة وصادقة للمسار الذي تتجه إليه المنطقة بناءً على ما حدث مؤخراً. ومن خلال تقديم توقعات قصيرة المدى موثوقة، فإنه يمنح القادة الصحيين أساساً متيناً للتخطيط لخطواتهم التالية، مما يضمن توجيه الموارد إلى حيث تشتد الحاجة إليها لمواصلة العمل الحيوي في إنقاذ حياة الصغار.