Markov-Switching Regime Dynamics of Maternal Mortality in Kenya: A State-Dependent Analysis of Health System Transitions with Bootstrap Uncertainty Quantification (2000-2023

Sintesi Tecnica: Dinamiche di Regime Markoviano della Mortalità Materna in Kenya (2000-2023)

Problematica
La mortalità materna rimane una sfida critica per la salute pubblica in Kenya, dove le analisi statistiche tradizionali spesso non riescono a catturare i cambiamenti non lineari e strutturali inerenti alle prestazioni del sistema sanitario. I metodi convenzionali, come le regressioni lineari o joinpoint, assumono tipicamente la stabilità dei parametri all'interno dei segmenti identificati o trattano i punti di cambiamento come eventi deterministici. Tali approcci possono oscurare dinamiche critiche, come gli stati nascosti di "crisi" o "ripresa", e non tengono conto della natura probabilistica delle transizioni tra diversi regimi sanitari. Inoltre, la letteratura esistente spesso assume una varianza costante, ignorando l'accentuata volatilità che può caratterizzare i periodi di crisi sistemica. Lo studio affronta il vuoto nella comprensione se la traiettoria della mortalità materna (MMR) in Kenya presenti regimi distinti e persistenti e come tali regimi si transizioni nel tempo, in particolare nel contesto dei cambiamenti politici e politici tra il 2000 e il 2023.

Metodologia
Lo studio impiega un modello a commutazione di stato Markoviano a due stati per analizzare i dati annuali della MMR in Kenya dal 2000 al 2023 ($T=24$). I dati, estratti dalle stime WHO/UNICEF/UNFPA/World Bank e UNPD (MMEIG), sono trattati come una serie temporale in cui lo stato sottostante (regime) è latente e non osservato.

• Specificazione del Modello: Gli autori specificano un modello di media con commutazione di regime in cui $y_t = \mu_{s_t} + \epsilon_t$, con $\epsilon_t \sim N(0, \sigma^2_{s_t})$. Lo stato nascosto $s_t$ segue una catena di Markov del primo ordine con probabilità di transizione invarianti nel tempo. Il modello consente medie specifiche per regime ($\mu_j$) e varianze ($\sigma^2_j$).
• Stima: I parametri sono stimati utilizzando la Stima di Massima Verosimiglianza (MLE) tramite l'algoritmo di Expectation-Maximization (EM), incorporando il filtro di Hamilton per calcolare le probabilità di occupazione del regime smussate (smoothed).
• Gestione dei Piccoli Campioni: Dato il campione limitato ($T=24$), viene utilizzato un metodo bootstrap parametrico con 5 so 500 replicazioni per quantificare l'incertezza nelle stime dei parametri, affrontando specificamente la variabilità delle probabilità di transizione e della durata attesa dei regimi.
• Selezione del Modello: Il numero ottimale di regimi ($K$) è determinato tramite l'Akaike Information Criterion (AIC) e il Bayesian Information Criterion (BIC), insieme ai test del rapporto di verosimiglianza.
• Validazione: La stazionarietà è valutata tramite i test Augmented Dickey-Fuller (ADF) e KPSS, e le rotture strutturali sono esaminate tramite i test di Chow. I controlli di robustezza includono l'analisi dei residui per normalità, autocorrelazione ed eteroschedasticità.

Risultati Chiave

1. Rilevamento dei Regimi: Il modello a due regimi è selezionato come ottimale (AIC = 224.37, BIC = 231.44), superando significativamente le specifiche a uno o tre regimi. Sono stati identificati due regimi distinti:
   • Regime ad Alta Mortalità (Regime 1): Media MMR = 488.7 (95% CI [431.6, 497.5]), Deviazione Standard = 10.6. Questo regime ha dominato dal 2007 al 2014.
   • Regime a Bassa Mortalità (Regime 2): Media MMR = 428.2 (95% CI [410.1, 468.3]), Deviazione Standard = 19.9. Questo regime ha prevalso dal 2000 al 2006 e dal 2015 al 2023.
2. Persistenza e Transizioni di Regime: Il sistema esibisce un'alta persistenza. La probabilità di rimanere nel regime alto è dell'87,5%, e in quello basso è del 93,3%. Di conseguenza, la durata attesa del regime alto è di 8 anni, mentre il regime basso si prevede duri 15 anni.
   • Sono state rilevate solo due transizioni di regime durante il periodo di 24 anni: un passaggio da basso ad alto nel 2006–2007 e un ritorno da alto a basso nel 2014–2015.
   • I risultati del bootstrap indicano un'alta precisione nella stima delle medie dei regimi, ma una considerevole incertezza riguardo alle probabilità di transizione (95% CI [0.300, 0.950]), attribuita al piccolo numero di transizioni osservate.
3. Dinamiche Temporali:
   • 2000–2006: Periodo stabile a bassa mortalità.
   • 2007–2014: Periodo di crisi coincidente con la violenza post-elettorale e l'implementazione della devoluzione sanitaria.
   • 2015–2023: Periodo di ripresa. Notevolmente, il sistema ha mantenuto il regime a bassa mortalità con una probabilità >95% anche durante la pandemia di COVID-19 (2020–2021), dimostrando resilienza del sistema.
4. Confronto con i Modelli Tradizionali: Il modello Markov-switching supera un modello standard ARIMA(0,1,0) in termini di AIC e BIC, confermando che la natura non lineare e dipendente dallo stato dei dati è meglio catturata dalle dinamiche di commutazione di regime.

Significatività e Rivendicazioni
L'articolo sostiene che la mortalità materna in Kenya segue un percorso imprevedibile caratterizzato da cambiamenti strutturali di regime piuttosto che da un declino continuo e lineare. L'applicazione del modello Markov-switching fornisce intuizioni cruciali che gli approcci tradizionali non possono offrire:

• Identificazione di Stati Nascosti: Il modello distingue con successo tra stati di "crisi" e di "ripresa", rivelando che il sistema sanitario opera sotto due realtà statistiche distinte con medie e varianze differenti.
• Correlazione Politica: Le transizioni di regime identificate si allineano temporalmente con i principali eventi nazionali. Il passaggio al regime ad alta mortalità coincide con la violenza post-elettorale del 2007–2008, mentre la transizione verso il regime a bassa mortalità si allinea con l'attuazione della Costituzione del 2010 (devoluzione) e della politica di maternità gratuita del 2013.
• Resilienza e Sostenibilità: L'alta persistenza del regime a bassa mortalità (durata attesa di 15 anni) suggerisce che gli interventi politici, una volta efficaci, possono produrre una stabilità duratura. La capacità del sistema di rimanere nello stato di bassa mortalità durante la pandemia sottolinea la sua resilienza.
• Implicazioni per l'SDG 3.1: Nonostante la transizione di successo verso un regime a bassa mortalità, l'attuale tasso di declino all'interno di questo regime è insufficiente per raggiungere l'obiettivo dell'Obiettivo di Sviluppo Sostenibile 3.1 (<70 decessi per 100.000 nati vivi) entro il 2030. Gli autori osservano che, al ritmo attuale, l'obiettivo potrebbe non essere raggiunto fino al 2060, rendendo necessari interventi accelerati.

Lo studio conclude che, sebbene l'approccio Markov-switching riveli le rotture strutturali e la persistenza delle tendenze della mortalità materna in Kenya, gli ampi intervalli di confidenza nelle probabilità di transizione (dovuti al piccolo campione) richiedono un'interpretazione cauta. I risultati sottolineano la necessità di sforzi politici sostenuti per mantenere il regime a bassa mortalità e accelerare i progressi verso i target sanitari globali.