📄 public and global health

Small-area estimation of district-level fertility in 36 countries in sub-Saharan Africa 2000-2025

Este estudio utiliza un modelo jerárquico bayesiano espaciotemporal para generar estimaciones de la fecundidad a nivel de distrito en 36 países del África subsahariana desde 2000 hasta 2025, revelando una heterogeneidad subnacional significativa que las tendencias nacionales no logran captar y destacando la necesidad crítica de datos localizados para guiar la gestión eficaz de los recursos de salud pública.

Autores originales: Stevens, O., Imai-Eaton, J. W.

Publicado 2026-07-20

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Stevens, O., Imai-Eaton, J. W.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Imagina intentar comprender el latido de una ciudad masiva y bulliciosa escuchando únicamente el nivel de ruido promedio de toda la metrópolis. Podrías escuchar un zumbido general, pero te perderías el frenético jazz del distrito del centro, el tranquilo letargo de los suburbios o el silencio repentino de un barrio en construcción. Este es el desafío que enfrentan los demógrafos al estudiar las poblaciones en el África subsahariana. Durante mucho tiempo, los científicos han observado las tasas de fecundidad "nacionales": el promedio de hijos que tiene una mujer en todo un país. Es como mirar una foto borrosa y de baja resolución de una multitud; puedes ver la forma general, pero no puedes distinguir quién sostiene a un bebé o quién está bailando. Para comprender verdaderamente cómo las poblaciones crecen, disminuyen o cambian, se necesita un lente de zoom de alta definición que muestre lo que está sucediendo en cada uno de los vecindarios, o "distritos", y para cada grupo de edad específico. Este artículo se sumerge en ese mundo granular, utilizando una enorme cantidad de datos de encuestas para mapear exactamente cuántos bebés están naciendo, dónde y cuándo, en 36 países. No se trata solo de contar cabezas; se trata de comprender el ritmo único de la vida en cada rincón de la región, lo cual es crucial para la planificación de escuelas, hospitales y servicios de apoyo familiar.

Los investigadores detrás de este estudio decidieron dejar de adivinar y empezar a mapear. Recopilaron datos de 194 encuestas de hogares diferentes —piensa en ellas como miles de conversaciones con familias en 36 naciones del África subsahariana, cubriendo los años 2000 al 2025. En lugar de simplemente tomar el promedio nacional y extenderlo como mantequilla sobre una tostada, construyeron una sofisticada "máquina del tiempo" matemática (un modelo bayesiano espacio-temporal) que podía unir estas piezas dispersas de información. Este modelo era lo suficientemente inteligente como para manejar datos desordenados, como cuando las personas olvidan exactamente cuándo nació un bebé o cuando las encuestas solo preguntan sobre los últimos pocos años. Corrigió estos "contratiempos" de memoria y de reporte para revelar la imagen real de la fecundidad a nivel de distrito.

Lo que encontraron fue una historia de increíble diversidad. Mientras que los promedios nacionales sugerían un descenso lento y constante en el número de hijos por mujer en toda la región, el mapa a nivel de distrito contaba un relato mucho más complejo. En muchos países, la diferencia en las tasas de fecundidad entre distritos vecinos era en realidad mayor que la diferencia entre los propios países. Por ejemplo, en Etiopía, el número de hijos por mujer variaba drásticamente de un distrito a otro, oscilando desde tan solo 0.91 hasta tan alto como 7.42. Esto significa que, si solo miraras el promedio nacional, estarías completamente equivocado sobre lo que está sucediendo en pueblos específicos. De hecho, en 29 de los 36 países estudiados, el promedio nacional era inferior a la mediana de los distritos, debido principalmente a que las ciudades grandes y populosas (que tienden a tener menos hijos) arrastraron el número nacional hacia abajo, ocultando las tasas de fecundidad más altas en las zonas rurales.

El estudio también reveló que el "cuándo" de tener hijos está cambiando, pero no de una manera uniforme. Si bien el número total de nacimientos está cayendo en la mayoría de los lugares, el descenso no está ocurriendo de igual manera para todas las edades. Los mayores descensos se observan entre las mujeres de mayor edad (40-49 años), mientras que la fecundidad adolescente (15-19 años) se ha mantenido obstinadamente sin cambios en varios países, incluyendo Ruanda, Tanzania y Zimbabue. Esto sugiere que la "transición de la fecundidad" —el cambio de tener muchos hijos a tener menos— está ocurriendo a diferentes velocidades y de diferentes maneras dependiendo de exactamente dónde te encuentres y de qué edad sea la madre.

Quizás lo más importante es que los autores argumentan que confiar en los promedios nacionales para planificar el futuro es una receta para el desastre. Si un gobierno utiliza un único número nacional para decidir cuántas escuelas construir o cuánto medicamento estocar en un distrito, es probable que se equivoque. En algunas áreas, podrían construir demasiados recursos para una población en disminución, mientras que en otras podrían estar peligrosamente mal preparados para un auge. El artículo sugiere que estos "estancamientos de la fecundidad", donde un país parece dejar de tener menos hijos, podrían ser en realidad una mezcla de algunos distritos en declive mientras otros permanecen iguales, un matiz que se pierde en las estadísticas nacionales. Al utilizar estos nuevos mapas de alta resolución, los planificadores pueden finalmente ver el paisaje real de la vida familiar en el África subsahariana, asegurando que los recursos vayan exactamente a donde más se necesitan.

Resumen Técnico: Estimación de áreas pequeñas de la fertilidad a nivel de distrito en 36 países del África subsahariana 2000-2025

Planteamiento del problema
Los responsables de la formulación de políticas y los planificadores de programas en el África subsahariana (ASS) requieren estimaciones de la fertilidad a nivel de distrito para orientar la toma de decisiones locales, la asignación de recursos y la programación de salud (por ejemplo, servicios maternos, prevención del VIH). Sin embargo, los enfoques existentes suelen basarse en tendencias a nivel nacional o en estructuras de edad de niveles administrativos superiores (por ejemplo, provincias), que no logran capturar la heterogeneidad a nivel de distrito. Además, las estimaciones directas de las encuestas de hogares a nivel de distrito sufren una gran variabilidad de muestreo debido a los pequeños tamaños de muestra. Asimismo, los datos de las encuestas suelen contener sesgos de notificación sistemáticos, como el desplazamiento de nacimientos (desplazamiento de los nacimientos hacia el umbral de los cinco años) y la agrupación o "heaping" (notificación de nacimientos en años específicos como 2000 o el año de la encuesta), que distorsionan las tendencias de la fertilidad. Existe una falta de estimaciones de la fertilidad a nivel de distrito para el ASS que analicen los datos de natalidad a nivel de distrito mientras corrigen estos sesgos.

Metodología
Los autores desarrollaron un modelo jerárquico bayesiano espaciotemporal para estimar las tasas de fecundidad específicas por edad (ASFR) y las tasas totales de fecundidad (TFR) para 36 países del ASS entre 2000 y 2025. El análisis consistió en tres pasos principales:

Extracción y preparación de datos:
- Se extrajeron datos de 194 encuestas de hogares representativas a nivel nacional (incluyendo DHS, MICS, MIS, AIS y PHIA) realizadas desde 1995.
- El conjunto de datos incluyó 17,7 millones de años-persona y 3,3 millones de nacimientos de mujeres de 15 a 49 años.
- Los conglomerados de las encuestas se asignaron a los distritos administrativos utilizando coordenadas geográficas (con un desfase de 2 a 10 km por confidencialidad) o estratos administrativos.
- Los datos de nacimientos y años-persona se agregaron por distrito, grupo de edad de cinco años, año calendario único y "tiempo precedente a la encuesta" (TIPS, por sus siglas en inglés) para tener en cuenta los periodos de recuerdo.
- Los denominadores de población se derivaron de los datos de cuadrícula de WorldPop, calibrados con los totales nacionales de las Proyecciones de Población Mundial de la ONU.
Modelo de proceso (Fertilidad real):
- La tasa de fertilidad real ( $\lambda_{ait}$ $λ_{ai t}$ ) se modeló como una función log-lineal que comprende:
  - Un intercepto y un patrón de edad típico ( $\alpha_a$ ) modelado mediante un paseo aleatorio de primer orden.
  - Una tendencia nacional lineal ( $\beta_1 t$ ) y una variación nacional estocástica ( $\gamma_t$ ) modeladas mediante B-splines cúbicos con penalización ARIMA(1,1,0).
  - Variación a nivel de distrito ( $\delta_i$ ) modelada mediante un modelo de autorregresión condicional intrínseca (ICAR).
  - Interacciones de dos vías ( $\eta$ ) que permiten la variación de las tendencias por edad/tiempo, distrito/tiempo y distrito/edad, modeladas mediante productos de Kronecker separables de prioris AR1 e ICAR.
- Se incluyeron efectos fijos para capturar choques específicos a nivel de país (por ejemplo, la hambruna en Malaui, el auge de la fertilidad en Zimbabue) y restricciones urbanas/rurales en Etiopía.
Modelo de observación (Corrección de sesgos):
- El modelo ajustó explícitamente los sesgos de notificación sistemáticos relacionando los datos observados de las encuestas con la tasa de fertilidad real.
- Desplazamiento de nacimientos: Se aplicaron efectos fijos e interacciones específicas de la encuesta para TIPS = 5 y 6 para corregir el desplazamiento de los nacimientos más allá del umbral de recuerdo de cinco años.
- Agrupación (Heaping): Se aplicaron efectos fijos para TIPS = 0 (año de la encuesta) y TIPS = 10 (recuerdo de diez años) para corregir la agrupación. Se incluyeron efectos de tiempo adicionales para los años 1999, 2000 y 2001 para abordar la agrupación específica alrededor del milenio.
- Un efecto aleatorio a nivel de observación dio cuenta de la sobredispersión debida a errores no modelados.
Implementación:
- El modelo se implementó en C++ utilizando el paquete TMB en R.
- Se muestrearon las distribuciones posteriores para generar la media, la mediana y los intervalos de credibilidad del 95% para ASFR y TFR.

Contribuciones clave

Estimación granular: Produjo las primeras estimaciones a nivel de distrito de ASFR y TFR para 36 países del ASS, yendo más allá de las limitaciones de la agregación a nivel de provincia o nacional.
Corrección de sesgos: Integró un modelo de observación robusto que corrige explícitamente el desplazamiento de nacimientos y la agrupación, que son deficiencias sistemáticas conocidas en los datos de encuestas retrospectivas.
Reconciliación espaciotemporal: Desarrolló un marco que reconcilia los datos puntuales (conglomerados de encuestas) y los datos de áreas (distritos) mientras toma prestada fuerza a través del espacio, el tiempo y los grupos de edad para estabilizar las estimaciones en áreas con pocos datos.
Caracterización de la heterogeneidad: Cuantificó el alcance en que la dinámica a nivel de distrito se desvía de las tendencias y patrones de edad nacionales.

Resultos

Tendencias de la TFR: Entre 2000 y 2020, la TFR nacional disminuyó en la mayoría de los países (mediana -22%). Sin embargo, los descensos se estancaron en países específicos (Mozambique, Namibia, Rwanda, Zimbabue) durante ciertos períodos.
Heterogeneidad subnacional: Se observó una heterogeneidad significativa en la TFR dentro de la mayoría de los países, a menudo superando la variación entre los promedios nacionales. En Etiopía, la TFR a nivel de distrito osciló entre 0,91 y 7,42. En 29 de los 36 países, la TFR nacional fue inferior a la mediana de la TFR a nivel de distrito, debido principalmente a que los distritos urbanos populosos tienen una fertilidad más baja.
Patrones de edad: Aunque la fertilidad total disminuyó, el descenso no fue uniforme en todos los grupos de edad. La fertilidad disminuyó más drásticamente entre las mujeres de 40 a 49 años. Por el contrario, la fertilidad adolescente (15–19 años) se mantuvo sin cambios o disminuyó mínimamente en varios países de África Oriental y Austral.
Variación espacial: El pico de la fertilidad se desplazó de los 20–24 años en África Oriental/Austral a los 25–29 años en África Occidental/Central. Las zonas urbanas generalmente exhibieron edades medias de procreación más avanzadas en comparación con las provincias rurales circundantes.
Estimaciones de sesgo: El modelo de observación confirmó sesgos de notificación sustanciales: la fertilidad del año de la encuesta se estimó un 3% superior a la fertilidad real, el desplazamiento en TIPS=6 fue un 5% superior y la agrupación de diez años fue un 5% superior.

Significancia y afirmaciones
El artículo afirma que la dinámica de la fertilidad a nivel de distrito a menudo difiere significativamente de las tendencias de la TFR y los patrones de edad nacionales. En consecuencia, utilizar las tasas de fertilidad nacionales para estimar los nacimientos a nivel de distrito producirá resultados inexactos en la mayoría de los distritos del ASS. Esta inexactitud conduce a una gestión de recursos inapropiada para objetivos clave de salud pública mundial, incluyendo la planificación familiar, la salud materna y la prevención de enfermedades. Los autores sostienen que sus estimaciones de alta resolución y corregidas de sesgos proporcionan una base necesaria para la toma de decisiones locales y el seguimiento del progreso hacia el Objetivo de Desarrollo Sostenible 3.7. Además, sugieren que los "estancamientos de la fertilidad" identificados a nivel nacional pueden enmascarar dinámicas subnacionales divergentes, lo que requiere un análisis subnacional para distinguir entre estancamientos reales y dinámicas enmascaradas.

Más como este