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

Cada año, millones de niños en todo el mundo no sobreviven hasta su quinto cumpleaños. Esta trágica realidad se mide con un número único y crudo: la tasa de mortalidad de menores de cinco años. Esta cifra cuenta cuántos niños mueren antes de los cinco años por cada mil bebés nacidos. Es más que un simple estadística; es un espejo que refleja la salud de una sociedad, revelando la calidad de sus hospitales, la seguridad de su agua y la estabilidad de su economía. En África Occidental, esta carga es más pesada, con países que enfrentan desafíos muy diferentes a pesar de compartir una región. Para los gobiernos y las organizaciones de salud, saber qué depara el futuro es crítico. Necesitan saber si los esfuerzos actuales están funcionando, dónde se necesitan más recursos y si la región está en camino de salvar más vidas en los próximos años. Sin embargo, predecir el futuro de la supervivencia infantil es difícil. Las tendencias pueden cambiar repentinamente debido a enfermedades, conflictos o cambios económicos, y el camino a seguir rara vez es una línea recta.

Un investigador ha desarrollado una nueva forma de observar estas tendencias, centrándose en el corto plazo para ayudar a los líderes a tomar decisiones inmediates. En lugar de depender de complejos modelos computacionales que intentan adivinar cada posible escenario futuro, creó un método que escucha atentamente los cambios más recientes en las tasas de mortalidad. Llaman a este enfoque el modelo de Deriva de Mortalidad Adaptativa (Adaptive Mortality Drift). La idea central es simple pero poderosa: asume que el cambio visto en el último año continuará en el siguiente, pero no con una certeza perfecta. Estima cuánto de ese progreso o declive reciente se llevará adelante, ajustando su predicción basándose en la historia real de la región. Al probar este método contra dieciséis países diferentes de África Occidental, el investigador encontró que este enfoque sencillo superó a sistemas matemáticos mucho más complicados y algoritmos de aprendizaje automático. Su trabajo sugiere que, para el futuro cercano, la mejor manera de pronosticar la supervivencia infantil es confiar en el impulso de los últimos años, contabilizando suavemente el hecho de que el impulso a veces puede frenarse.

El estudio se centró en dieciséis naciones de África Occidental, incluyendo gigantes como Nigeria y vecinos más pequeños como Cabo Verde. El investigador recopiló datos sobre las tasas de mortalidad infantil de las Naciones Unidas y la Organización Mundial de la Salud, observando las estimaciones nacionales anuales suavizadas en lugar de casos individuales. Quería ver si podía predecir qué pasaría en el próximo año con alta precisión. Para hacer esto, construyó su modelo para observar la "deriva" de la mortalidad. Imagine un bote moviéndose por un río; si el agua fluye constantemente, el bote continúa en esa dirección. El investigador se preguntó: ¿el río fluye a la misma velocidad cada año, o acelera y desacelera? Su modelo calcula un número específico que representa cuánto del cambio en las muertes infantiles del año pasado se espera que ocurra nuevamente este año. Si el número es cercano a uno, el cambio continúa plenamente. Si es menor, se espera que el cambio se desvanezca ligeramente. Este número no es una suposición; se calcula observando la historia de los dieciséis países juntos, permitiendo que el modelo aprenda de la experiencia de toda la región.

Para asegurar que su nuevo método fuera verdaderamente confiable, el investigador lo sometió a pruebas rigurosas. Utilizó una técnica llamada validación de origen rodante (rolling-origin validation), que es como realizar un examen donde solo se te permite usar la información disponible hasta una cierta fecha para predecir el año siguiente, luego mover esa fecha hacia adelante y probar de nuevo. Comparó su nuevo modelo contra herramientas estadísticas estándar y programas avanzados de aprendizaje automático, incluyendo sistemas de inteligencia artificial diseñados para encontrar patrones complejos. Los resultados fueron claros: el nuevo modelo adaptativo realizó las predicciones más precisas. Tuvo los errores más pequeños cuando se comparó con los números reales que ocurrieron entre 2018 y 2024. Los modelos de aprendizaje automático complejos, que a menudo sobresalen al encontrar patrones ocultos en datos desordenados, en realidad funcionaron peor. Esto sucedió porque las tasas de mortalidad anual en estos países son sorprendentemente suaves y constantes; no tienen el ruido caótico que usualmente requiere algoritmos complejos para desenredar. El modelo más simple, que respetaba esta suavidad, fue la herramienta superior.

El investigador también realizó miles de simulaciones computacionales para ver cómo se comportaría su modelo bajo diferentes condiciones difíciles. Probó qué pasaría si los datos contuvieran cambios bruscos y salvajes, o si faltaran algunos años de datos. En estas simulaciones, el modelo se mantuvo firme, demostrando que podía manejar baches inesperados en el camino sin desmoronarse. Sin embargo, también descubrió sus límites. Si un país experimentaba un cambio repentino y dramático en sus tendencias de mortalidad —quizás debido a un conflicto importante o una nueva crisis de salud que cambiara completamente el patrón— el modelo, que depende de la historia pasada, sería lento para reaccionar. En tales casos, el modelo continuaría prediciendo basándose en el patrón antiguo durante un tiempo antes de ponerse al día. El investigador probó variaciones de su modelo que pudieran reaccionar más rápido a estos cambios repentinos, pero encontró que, para la historia específica de África Occidental, la versión más simple y estándar seguía siendo la más precisa. La complejidad adicional no mejoró las predicciones para los años estudiados.

Cuando el investigador aplicó su modelo al mundo real, los resultados pintaron un panorama de esperanza y de profunda desigualdad. En 2024, el número de muertes infantiles variaba drásticamente en la región. En Cabo Verde, la tasa era tan baja como 11.14 muertes por cada mil nacidos vivos, una señal de progreso significativo. En Nigeria, la tasa era de 115.65, indicando una carga mucho más pesada. El modelo predijo que, para los dieciséis países, la mortalidad infantil continuaría disminuyendo a través de 2030. Para Nigeria, el pronóstico sugirió una caída a alrededor de 109.42, mientras que para Cabo Verde se esperaba que cayera aún más hasta 8.70. Estos números representan una extrapolación estadística de las tendencias recientes, no una garantía de lo que sucederá. No tienen en cuenta guerras futuras, nuevas enfermedades o cambios de política específicos. En cambio, sirven como un punto de referencia, una forma transparente de ver si el ritmo actual de mejora es probable que se mantenga.

El estudio destaca que, si bien la región se mueve en la dirección correcta, la brecha entre los mejores y los peores actores sigue siendo vasta. Países como Senegal y Ghana han visto reducciones masivas en las muertes infantiles desde el año 2000, mientras que otros como Nigeria y Níger han visto un progreso más lento. El modelo confirma que estas disparidades son reales y persistentes. Sugiere que un enfoque único y uniforme para salvar niños no funcionará para toda la región. Los países con mayor carga necesitan acelerar sus esfuerzos para alcanzar a los demás, mientras que los países con menor carga deben asegurar que su progreso no se estanque. El investigador enfatiza que su modelo no es una varita mágica que pueda resolver las causas de muerte. No le dice a los responsables de políticas qué vacunas comprar o qué hospitales construir. Más bien, proporciona una visión clara y honesta de hacia dónde se dirige la región basándose en lo que ha sucedido recientemente. Al ofrecer un pronóstico a corto plazo confiable, brinda a los líderes de salud una base sólida para planificar sus próximos pasos, asegurando que los recursos se dirijan donde más se necesitan para continuar la labor vital de salvar vidas jóvenes.