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

Ogni anno, milioni di bambini in tutto il mondo non sopravvivono al loro quinto compleanno. Questa tragica realtà è misurata da un unico, netto numero: il tasso di mortalità infantile sotto i cinque anni. Questa cifra conta quanti bambini muoiono prima dei cinque anni per ogni mille neonati nati. È molto più di una semplice statistica; è uno specchio che riflette la salute di una società, rivelando la qualità dei suoi ospedali, la sicurezza della sua acqua e la stabilità della sua economia. In Africa occidentale, questo peso è più gravoso, con paesi che affrontano sfide profondamente diverse nonostante condividano la stessa regione. Per i governi e le organizzazioni sanitarie, sapere cosa riserva il futuro è fondamentale. Devono sapere se gli sforzi attuali stanno funzionando, dove le risorse sono più necessarie e se la regione è sulla buona strada per salvare più vite negli anni a venire. Tuttavia, prevedere il futuro della sopravvivenza infantile è difficile. Le tendenze possono cambiare improvvisamente a causa di malattie, conflitti o cambiamenti economici, e il percorso da seguire raramente è una linea retta.

Un ricercatore ha sviluppato un nuovo modo per osservare queste tendenze, concentrandosi sul breve termine per aiutare i leader a prendere decisioni immediate. Invece di affidarsi a complessi modelli informatici che cercano di indovinare ogni possibile scenario futuro, ha creato un metodo che ascolta attentamente i cambiamenti più recenti nei tassi di mortalità. Chiamano questo approccio il modello Adaptive Mortality Drift (Deriva Adattiva della Mortalità). L'idea centrale è semplice ma potente: assume che il cambiamento visto nell'ultimo anno continuerà nel prossimo, ma non con certezza assoluta. Stima quanto quel recente progresso o declino continuerà a manifestarsi, aggiustando la propria previsione in base alla storia effettiva della regione. Testando questo metodo su sedici paesi diversi dell'Africa occidentale, il ricercatore ha scoperto che questo approccio diretto ha superato sistemi matematici molto più complicati e algoritmi di apprendimento automatico. Il loro lavoro suggerisce che, per il prossimo futuro, il modo migliore per prevedere la sopravvivenza infantile sia fidarsi del momentum degli ultimi anni, tenendo conto con cautela del fatto che il momentum può talvolta rallentare.

Lo studio si è concentrato su sedici nazioni dell'Africa occidentale, tra cui giganti come la Nigeria e vicini più piccoli come Capo Verde. Il ricercatore ha raccolto i dati sui tassi di mortalità infantile dalle Nazioni Unite e dall'Organizzazione Mondiale della Sanità, osservando le stime nazionali annuali fluide piuttosto che i singoli casi. Voleva vedere se fosse possibile prevedere con alta precisione cosa sarebbe successo l'anno successivo. Per farlo, ha costruito il suo modello per osservare la "deriva" della mortalità. Immaginate una barca che si muove lungo un fiume: se l'acqua scorre costantemente, la barca continua in quella direzione. Il ricercatore si è chiesto: il fiume scorre alla stessa velocità ogni anno, o accelera e rallenta? Il loro modello calcola un numero specifico che rappresenta quanto del cambiamento dei decessi infantili dell'anno scorso si prevede accadrà nuovamente quest'anno. Se il numero è vicino a uno, il cambiamento continua pienamente. Se è inferiore, si prevede che il cambiamento svanisca leggermente. Questo numero non è indovinato; è calcolato osservando la storia di tutti i sedici paesi insieme, permettendo al modello di imparare dall'esperienza dell'intera regione.

Per garantire che il loro nuovo metodo fosse davvero affidabile, il ricercatore lo ha sottoposto a test rigorosi. Ha utilizzato una tecnica chiamata validazione a origine mobile (rolling-origin validation), che è simile a sostenere un esame in cui è consentito utilizzare solo le informazioni disponibili fino a una certa data per prevedere l'anno successivo, per poi spostare quella data in avanti e testare di nuovo. Ha confrontato il suo nuovo modello con gli standard statistici e con programmi avanzati di apprendimento automatico, inclusi sistemi di intelligenza artificiale progettati per trovare schemi complessi. I risultati sono stati chiari: il nuovo modello adattivo ha fornito le previsioni più accurate. Presentava gli errori più piccoli rispetto ai numeri effettivi avvenuti tra il 2018 e il 2024. I complessi modelli di apprendimento automatico, che spesso eccellono nel trovare schemi nascosti in dati disordinati, sono stati in realtà meno efficaci. Ciò è accaduto perché i tassi di mortalità annuali in questi paesi sono sorprendentemente fluidi e costanti; non presentano il rumore caotico che solitamente richiede algoritmi complessi per essere decifrato. Il modello più semplice, che rispettava questa fluidità, è stato lo strumento superiore.

Il ricercatore ha anche eseguito migliaia di simulazioni al computer per vedere come il suo modello si sarebbe comportato in diverse condizioni difficili. Ha testato cosa sarebbe successo se i dati contenessero oscillazioni improvvise e selvagge, o se mancassero alcuni anni di dati. In queste simulazioni, il modello ha retto bene, dimostrando di poter gestire imprevisti ostacoli senza andare in crisi. Tuttavia, ha anche scoperto i suoi limiti. Se un paese avesse subito un cambiamento improvviso e drammatico nelle sue tendenze di mortalità — forse a causa di un grande conflitto o di una nuova crisi sanitaria che cambiasse completamente il pattern — il modello, che si basa sulla storia passata, sarebbe stato lento a reagire. In tali casi, il modello continuerebbe a prevedere basandosi sul vecchio schema per un certo periodo prima di adeguarsi. Il ricercatore ha testato variazioni del suo modello che potevano reagire più velocemente a questi cambiamenti improvvisi, ma ha scoperto che, per la specifica storia dell'Africa occidentale, la versione standard, più semplice, rimaneva la più accurata. La complicità aggiuntiva non ha migliorato le previsioni per gli anni studiati.

Quando il ricercatore ha applicato il suo modello al mondo reale, i risultati hanno dipinto un quadro di speranza e di profonda disuguaglianza. Nel 2024, il numero di decessi infantili variava enormemente in tutta la regione. A Capo Verde, il tasso era basso come 11,14 decessi per mille nati vivi, segno di un progresso significativo. In Nigeria, il tasso era di 115,65, indicando un carico molto più pesante. Il modello ha previsto che, per tutti i sedici paesi, la mortalità infantile continuerà a diminuire fino al 2030. Per la Nigeria, la previsione suggeriva un calo a circa 109,42, mentre per Capo Verde si prevedeva una discesa ulteriore a 8,70. Questi numeri rappresentano un'estrapolazione statistica delle tendenze recenti, non una garanzia di ciò che accadrà. Non tengono conto di future guerre, nuove malattie o cambiamenti politici specifici. Al contrario, servono come parametro di riferimento, un modo trasparente per vedere se il ritmo attuale di miglioramento è probabile che si mantenga.

Lo studio evidenzia che, sebbene la regione stia procedendo nella direzione giusta, il divario tra i migliori e i peggiori performer rimane vasto. Paesi come il Senegal e il Ghana hanno visto riduzioni massicce dei decessi infantili dal 2000, mentre altri come la Nigeria e il Niger hanno visto progressi più lenti. Il modello conferma che queste disparità sono reali e persistenti. Suggerisce che un approccio unico e uniforme per salvare i bambini non funzionerà per l'intera regione. I paesi con un carico elevato devono accelerare i propri sforzi per colmare il divario, mentre i paesi con un carico inferiore devono garantire che il loro progresso non si arresti. Il ricercatore sottolinea che il suo modello non è una bacchetta magica in grado di risolvere le cause della morte. Non dice ai decisori politici quali vaccini acquistare o quali ospedali costruire. Piuttosto, fornisce una visione chiara e onesta di dove la regione stia andando in base a ciò che è accaduto di recente. Offrendo una previsione a breve termine affidabile, fornisce ai leader sanitari una solida base su cui pianificare i loro prossimi passi, assicurando che le risorse siano dirette dove sono più necessarie per continuare l'opera vitale di salvataggio di giovani vite.