Food insecurity, caloric intake and nutritional status among children under 5 years old: a predictive modelling analysis of the MAL-ED multi-country cohort

Énoncé du problème
Dans les contextes humanitaires et de crise, la prise de décision concernant l'allocation des ressources et la conception des services de prévention de la malnutrition aiguë infantile repose sur des estimations robustes de la prévalence et des tendances de la malnutrition. Bien que des modèles mécanistes existent pour projeter les trajectoires de poids et l'évolution de la malnutrition, ils nécessitent de manière critique l'apport calorique comme variable d'entrée. Or, l'apport calorique est notoirement difficile à mesurer dans les environnements à ressources limitées en temps réel, nécessitant souvent de longs rappels de consommation alimentaire sur 24 heures. Les auteurs ont cherché à savoir si des modèles prédictifs statistiques pourraient servir de « raccourci », en prévoyant avec précision l'apport calorique ou les changements anthropométriques (spécifiquement le score Z poids-pour-taille, ou WHZ) à partir de prédicteurs plus facilement disponibles tels que l'insécurité alimentaire des ménages, la prévalence des maladies infectieuses et les facteurs démographiques. La question centrale était de savoir si les modèles statistiques pouvaient offrir des prédictions précises le long du chemin causal allant de l'insécurité alimentaire à l'apport calorique, puis au statut nutritionnel, remplaçant ou complétant potentiellement la collecte de données de terrain.

Méthodologie
L'étude a réalisé une analyse secondaire de la cohorte de naissance multi-pays MAL-ED (Malnutrition and Enteric Disease) (2009–2014), qui comprenait des enfants du Bangladesh, du Brésil, de l'Inde, du Népal, du Pakistan, du Pérou, de l'Afrique du Sud et de la Tanzanie. L'ensemble de données fournissait des données longitudinales sur l'insécurité alimentaire des ménages (utilisant un questionnaire de 9 items aligné sur l'échelle de l'expérience de l'insécurité alimentaire de la FAO), la consommation alimentaire (rappels de 24 heures), l'anthropométrie et les symptômes de maladies infectieuses pour des enfants âgés de 9 à 35 mois.

Les auteurs ont prétraité les données pour aligner les variables autour des instances de mesure anthropométrique, calculant le changement moyen quotidien absolu du WHZ. Ils ont exclu les observations présentant des données manquantes pour les covariables clés (pays, résidence, poids à la naissance, statut d'allaitement, prévalence des maladies) ainsi que celles où les mesures se situaient en dehors de fenêtres temporelles spécifiques (par exemple, l'apport calorique ou les données d'insécurité alimentaire à plus de 7 jours de la mesure anthropométrique).

Trois modèles prédictifs ont été testés :

• M1 : Prédire le changement de WHZ en fonction de l'insécurité alimentaire des ménages.
• M2 : Prédire le changement de WHZ en fonction de l'apport calorique.
• M3 : Prédire l'apport calorique en fonction de l'insécurité alimentaire des ménages.

Tous les modèles incluaient des prédicteurs supplémentaires : l'âge, le sexe, le poids à la naissance, la résidence urbaine/rurale, le statut d'allaitement, ainsi que la prévalence longitudinale de la diarrhée, de l'infection respiratoire aiguë (IRA) et de la fièvre. Quatre méthodes statistiques et d'apprentissage automatique ont été évaluées pour chaque modèle : les forêts aléatoires (Random Forests), la régression Lasso, les modèles additifs généralisés (GAM) et la régression boostée généralisée (GBM). La performance a été évaluée par validation croisée à 100 plis, utilisant des métriques telles que l'erreur quadratique moyenne (RMSE), le biais absolu et la dilution de la ligne de régression (dilution de la régression). Des analyses de sensibilité ont été réalisées en ajustant les modèles sur les jeux de données de pays individuels.

Résultats clés
L'analyse a produit des résultats négatifs concernant la faisabilité de la prédiction statistique dans ce contexte :

• Faible corrélation : Il y avait une faible corrélation entre les variables clés d'intérêt (insécurité alimentaire, apport calorique et WHZ) tant au niveau national qu'individuel.
• Faible performance des modèles : Les trois modèles (M1, M2 et M3) ont démontré une faible performance prédictive à travers toutes les méthodes testées.
  • M1 (Insécurité alimentaire → changement de WHZ) : A montré une dilution de la régression extrême (pentes proches de zéro) et un biais relatif élevé (par exemple, de -87,3 % à -58,4 % selon la méthode).
  • M2 (Apport calorique → changement de WHZ) : A également présenté une dilution de la régression significative (71,4 % à 95,0 %) et un biais variable.
  • M3 (Insécurité alimentaire → apport calorique) : Bien que ce modèle ait montré la performance la plus prometteuse avec une erreur relative plus faible (5,3 % à 11,6 %), il souffrait tout de même d'une dilution de la régression substantielle (48,9 % à 66,3 %), indiquant que l'insécurité alimentaire était un faible prédicteur de l'apport calorique réel.
• Importance des prédicteurs : L'analyse de l'importance des variables a révélé que l'insécurité alimentaire était moins importante que le poids à la naissance et l'âge pour prédire les changements de WHZ (M1) et nettement moins importante que le statut d'allaitement pour prédire l'apport calorique (M3). Inversement, l'apport calorique était le prédicteur le plus important pour les changements de WHZ (M2), bien que le modèle n'ait pas réussi à prédire le résultat avec précision.
• Sensibilité : La faible performance a persisté même lorsque les modèles étaient ajustés à des cohortes de pays individuels ou en excluant certains pays comme le Bangladesh.

Signification et conclusions
L'article conclut que la prédiction statistique des variables clés le long du chemin causal menant à la malnutrition aiguë infantile — spécifiquement la prédiction des changements anthropométriques à partir de l'insécurité alimentaire ou de l'apport calorique à partir de l'insécurité alimentaire — est probablement irréalisable en utilisant les approches et les ensembles de données testés. Les auteurs attribuent ces résultats négatifs à plusieurs facteurs :

1. Erreur de mesure : Les inexactitudes dans la mesure des prédicteurs (par exemple, les rapports des soignants sur les maladies, les limites des rappels alimentaires de 24 heures, les biais du questionnaire FIES) ont probablement causé une dilution de la régression significative.
2. Étendue des données : La cohorte MAL-ED, bien que rigoureuse, n'englobait pas les scénarios extrêmes d'insécurité alimentaire et de famine courants dans les contextes de crise aiguë. La plage étroite des valeurs des prédicteurs et des résultats dans l'étude limite la capacité du modèle à capturer les dynamiques sévères observées dans les urgences humanitaires.
3. Complexité : La relation entre l'insécurité alimentaire, les mécanismes d'adaptation et la malnutrition est probablement non linéaire et complexe, défiant la modélisation statistique simple.

Les auteurs affirment que ces résultats impliquent que les modèles mécanistes nécessitant l'apport calorique comme variable d'entrée ne peuvent pas s'appuyer sur des raccourcis statistiques dérivés des données d'insécurité alimentaire. Au lieu de cela, ces modèles doivent dépendre de données empiriques (rappels alimentaires gourmands en ressources) ou d'hypothèses de scénarios. L'article suggère que les efforts futurs pour améliorer la prédiction nécessiteraient une collecte de données prospectives ad hoc dans des contextes de grande variabilité, accompagnée de mesures répétées pour corriger la dilution de la régression. D'ici là, les modèles mécanistes ou l'élucidation par des experts, potentiellement combinés à une collecte limitée de données de terrain, restent les approches les plus prometteuses pour anticiper l'évolution de la malnutrition dans les contextes de crise.