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

Dichiarazione del Problema
In contesti umanitari e di crisi, il processo decisionale relativo all'allocazione delle risorse e alla progettazione dei servizi per la prevenzione della malnutrizione acuta infantile dipende da stime robuste della prevalenza e delle tenda della malnutrizione. Sebbene esistano modelli meccanicistici per proiettare le traiettorie del peso e l'evoluzione della malnutrizione, essi richiedono criticamente l'apporto calorico come input. Tuttavia, l'apporto calorico è notoriamente difficile da misurare in tempo reale in ambienti con scarse risorse, richiedendo spesso prolungati richiami dietetici delle 24 ore. Gli autori hanno indagato se i modelli predittivi statistici potessero servire come una "scorciatoia", prevedendo accuratamente l'apporto calorico o i cambiamenti antropometrici (specificamente lo Z-score peso-altezza, WHZ) basandosi su predittori più facilmente reperibili come l'insicurezza alimentare delle famiglie, la prevalenza di malattie infettive e i fattori demografici. La domanda centrale era se i modelli statistici potessero offrire previsioni accurate lungo il percorso causale dall'insicurezza alimentare all'apporto calorico, all'integrità nutrizionale, potenzialmente sostituendo o integrando la raccolta di dati sul campo.

Metodologia
Lo studio ha condotto un'analisi secondaria della coorte di nascita multi-paese Malnutrition and Enteric Disease (MAL-ED) (2009–2014), che includeva bambini provenienti da Bangladesh, Brasile, India, Nepal, Pakistan, Perù, Sud Africa e Tanzania. Il dataset forniva dati longitudinali sull'insicurezza alimentare delle famiglie (utilizzando un questionario a 9 item allineato alla FAO Food Insecurity Experience Scale), l'apporto dietetico (richiami delle 24 ore), l'antropometria e i sintomi di malattie infettive per bambini di età compresa tra 9 e 35 mesi.

Gli autori hanno pre-elaborato i dati per allineare le variabili attorno alle istanze di misurazione antropometrica, calcolando la variazione media giornaliera assoluta del WHZ. Sono state escluse le osservazioni con variabili chiave mancanti (paese, residenza, peso alla nascita, stato dell'allattamento al seno, prevalenza di malattie) e quelle in cui le misurazioni cadevano al di fuori di specifici intervalli temporali (ad esempio, l'apporto calorico o i dati sull'insicurezza alimentare a più di 7 giorni dalla misurazione antropometrica).

Sono stati testati tre modelli predittivi:

• M1: Prevedere la variazione del WHZ in funzione dell'insicurezza alimentare familiare.
• M2: Prevedere la variazione del WHZ in funzione dell'apporto calorico.
• M3: Prevedere l'apporto calorico in funzione dell'insicurezza alimentare familiare.

Tutti i modelli includevano predittori aggiuntivi: età, sesso, peso alla nascita, residenza urbana/rurale, stato dell'allattamento al seno e la prevalenza longitudinale di diarrea, infezione acuta delle vie respiratorie (ARI) e febbre. Per ogni modello sono state valutate quattro metodologie statistiche e di machine learning: Random Forests, regressione Lasso, Modelli Additivi Generalizzati (GAMs) e Regressione Generalizzata Potenziata (GBM). Le prestazioni sono state valutate utilizzando una validazione incrociata a 100 pieghe (100-fold cross-validation), con metriche che includevano l'Errore Quadratico Medio (RMSE), il bias assoluto e la diluizione della linea di regressione (regression dilution). Sono state eseguite analisi di sensibilità adattando i modelli ai singoli dataset nazionali.

Risultati Chiave
L'analisi ha prodotto risultati negativi riguardo la fattibilità della previsione statistica in questo contesto:

• Bassa Correlazione: È stata riscontrata una bassa correlazione tra le principali variabili di interesse (insicurezza alimentare, apporto calorico e WHZ) sia a livello nazionale che individuale.
• Scarse Prestazioni dei Modelli: Tutti e tre i modelli (M1, M2 e M3) hanno dimostrato basse prestazioni predittive in tutti i metodi testati.
  • M1 (Insicurezza alimentare → variazione WHZ): Ha mostrato un'estrema diluizione della regressione (pendenze vicine allo zero) e un alto bias relativo (ad esempio, da -87,3% a -58,4% a seconda del metodo).
  • M2 (Apporto calorico → variazione WHZ): Ha anch'esso esibito una significativa diluizione della regressione (71,4% a 95,0%) e un bias variabile.
  • M3 (Insicurezza alimentare → Apporto calorico): Sebbene questo modello abbia mostrato le prestazioni più promettenti con un errore relativo inferiore (5,3% a 11,6%), ha comunque sofferto di una sostanziale diluizione della regressione (48,9% a 66,3%), indicando che l'insicurezza alimentare era un debole predittore dell'effettivo apporto calorico.
• Importanza dei Predittori: L'analisi dell'importanza delle caratteristiche ha rivelato che l'insicurezza alimentare era meno importante del peso alla nascita e dell'età per prevedere le variazioni del WHZ (M1) e significativamente meno importante dello stato dell'allattamento al seno per prevedere l'apporto calorico (M3). Al contrario, l'apporto calorico era il predittore più importante per le variazioni del WHZ (M2), sebbene il modello non sia riuscito a prevedere l'esito con precisione.
• Sensibilità: La bassa prestazione è persistita anche quando i modelli sono stati adattati a singole coorti nazionali o escludendo paesi specifici come il Bangladesh.

Significato e Conclusioni
L'articolo conclude che la previsione statistica delle variabili chiave lungo il percorso causale della malnutrizione acuta infantile — specificamente la previsione delle variazioni antropometriche dall'insicurezza alimentare o dell'apporto calorico dall'insicurezza alimentare — è probabilmente non fattibile utilizzando gli approcci e i dataset testati. Gli autori attribuiscono questi risultati negativi a diversi fattori:

1. Errore di Misurazione: Le imprecisioni nella misurazione dei predittori (ad esempio, l'insorgenza di malattie riportata dai caregiver, i limiti dei richiami dietetici delle 24 ore, i bias del questionario FIES) hanno probabilmente causato una significativa diluizione della regressione.
2. Intervallo dei Dati: La coorte MAL-ED, pur essendo rigorosa, non comprendeva gli scenari estremi di insicurezza alimentare e carestia comuni negli scenari di crisi acuta. Il range ristretto dei valori dei predittori e degli esiti nello studio limita la capacità del modello di catturare le dinamiche severe osservate nelle emergenze umanitarie.
3. Complessità: La relazione tra insicurezza alimentare, meccanismi di adattamento e malnutrizione è probabilmente non lineare e complessa, sfidando la semplice modellazione statistica.

Gli autori affermano che questi risultati implicano che i modelli meccanicistici che richiedono l'apporto calorico come input non possono fare affidamento su scorciatoie statistiche derivate dai dati sull'insicurezza alimentare. Al contrario, tali modelli devono dipendere da dati empirici (richiami dietetici che richiedono molte risorse) o assunzioni di scenario. L'articolo suggerisce che gli sforzi futuri per migliorare la previsione richiederebbero una raccolta dati prospettica ad hoc in contesti con estrema variabilità, accompagnata da misurazioni ripetute per correggere la diluizione della regressione. Fino ad allora, i modelli meccanicistici o l'elicitazione di esperti, potenzialmente combinati con una limitata misurazione sul campo, rimangono gli approcci più promettenti per anticipare l'evoluzione della malnutrizione in contesti di crisi.