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

毎年、世界中で何百万人もの子供たちが5歳の誕生日を迎える前に命を落としています。この悲劇的な現実は、「5歳未満死亡率」という単一の、突き刺さるような数字によって測定されます。この数値は、出生した赤ちゃん1,000人に対して、5歳になる前に何人の子供が亡くなったかを数えるものです。これは単なる統計ではありません。社会の健康状態を映し出す鏡であり、病院の質、水の安全性、そして経済の安定性を明らかにするものです。西アフリカでは、この負担が最も重く、同じ地域にありながら直面している課題は国ごとに大きく異なります。政府や保健機関にとって、将来何が起こるかを知ることは極めて重要です。現在の取り組みが成果を上げているのか、どこに資源が最も必要とされているのか、そしてこの地域が今後数年間でより多くの命を救うための軌道に乗っているのかを知る必要があるのです。しかし、子供の生存率の未来を予測することは困難です。傾向は、疾病、紛争、あるいは経済の変化によって突然変化することがあり、前進への道のりは決して直線ではありません。

ある研究者が、リーダーたちが即座に意思決定を行えるよう、短期的な視点に焦点を当てた新しいトレンドの見方を開発しました。あらゆる将来のシナリオを推測しようとする複雑なコンピュータモデルに頼る代わりに、彼らは直近の変化を注意深く観察する手法を作り出しました。彼らはこのアプローチを「適応的死亡率ドリフト（Adaptive Mortality Mortality Drift）モデル」と呼んでいます。その核心となるアイデアは単純かつ強力です。それは、直近1年間に見られた変化は翌年も継続するが、完璧な確実性を持って継続するわけではない、と仮定することです。このモデルは、その最近の進歩や衰退がどの程度引き継がれるかを推定し、地域の実際の歴史に基づいて予測を調整します。この手法を西アフリカの16の異なる国々に適用してテストした結果、研究者は、この明快なアプローチが、はるかに複雑な数学的システムや機械学習アルゴリズムよりも優れた性能を示すことを見出しました。彼らの研究は、近い将来において、子供の生存率を予測する最善の方法は、近年の勢いに信頼を置きつつ、その勢いが時として減速することを緩やかに考慮に入れることである、ということを示唆しています。

この研究は、ナイジェリアのような大国からカーボベルデのような小さな隣国まで、西アフリカの16カ国に焦点を当てました。研究者は、個々の事例ではなく、国レベルの滑らかな年次推計値を用いて、国連および世界保健機関（WHO）から子供の死亡率に関するデータを収集しました。彼らは、次の1年間に何が起こるかを高い精度で予測できるかどうかを確認したいと考えました。そのために、彼らは「死亡率のドリフト（漂流）」を監視するようにモデルを構築しました。川を下るボートを想像してください。もし水が安定して流れていれば、ボートはその方向に進み続けます。研究者はこう問いかけました。「川の流れは毎年同じ速度なのか、それとも加速したり減速したりするのか？」彼らのモデルは、昨年の子供の死亡率の変化が今年再びどの程度起こると予想されるかを表す特定の数値を算出します。この数値が1に近い場合、その変化は完全に継続します。数値がより低い場合は、その変化がわずかに衰退すると予想されます。この数値は推測されるものではなく、16カ国すべての歴史をまとめて見ることで計算され、モデルが地域全体の経験から学ぶことを可能にしています。

この新しい手法が本当に信頼できるものであることを確認するために、研究者は厳格なテストを行いました。彼らは「ローリング・オリジン検証（rolling-origin validation）」と呼ばれる手法を用いました。これは、ある特定の期日までの利用可能な情報のみを使用して翌年を予測することを許可され、その後、その日付を前に進めて再びテストを行う、というテストのようなものです。彼らは、自らの新しいモデルを、標準的な統計ツールや、複雑なパターンを見つけ出すように設計された人工知能システムを含む高度な機械学習プログラムと比較しました。結果は明白でした。新しい適応モデルが最も正確な予測を行いました。2018年から2024年の間に実際に発生した数値と比較した際、このモデルの誤差は最小でした。複雑な機械学習モデルは、通常、乱雑なデータの中から隠れたパターンを見つけ出すことに長けていますが、実際にはパフォーマンスが悪かったのです。これは、これらの国々の年次死亡率が驚くほど滑らかで安定しており、複雑なアルゴリズムで解きほぐす必要のある混沌としたノイズが存在しないためでした。この滑らかさを尊重したシンプルなモデルこそが、優れたツールだったのです。

研究者はまた、数千回のコンピュータ・シミュレーションを実行し、異なる困難な条件下でモデルがどのように振る舞うかを検証しました。データに突然の激しい変動が含まれている場合や、数年分のデータが欠落している場合に何が起こるかをテストしました。これらのシミュレーションにおいて、モデルは良好な結果を示し、予期せぬ障害が発生しても崩壊することなく対処できることが示されました。しかし、同時に限界も見出しました。もし、ある国が主要な紛争や新たな健康危機によって、これまでのパターンを完全に変えてしまうような、死亡率のトレンドにおける突然かつ劇的な変化を経験した場合、過去の歴史に依存しているこのモデルは、反応が遅くなります。そのような場合、モデルは古いパターンに基づいてしばらく予測を続け、その後ようやく追いつくことになります。研究者は、こうした突然の変化に対してより迅速に反応できるモデルのバリエッジ（変種）もテストしましたが、西アフリカの特定の歴史においては、標準的なシンプルなバージョンが最も正確であることを発見しました。追加の複雑さは、調査対象となった期間の予測を向上させることはありませんでした。

研究者がこのモデルを現実世界に適用したとき、その結果は希望と深刻な不平等の両方の姿を描き出しました。2024年、子供の死亡数はこの地域内で極端に差がありました。カーボベルデでは、出生1,000人あたりの死亡率は11.14と低く、著しい進歩の兆しを示していました。一方、ナイジェリアでは115.65であり、はるかに重い負担があることを示しています。モデルは、16カ国すべてにおいて、子供の死亡率は2030年まで減少し続けると予測しました。ナイジェリアについては、約109.42への低下が予測され、カーボベルデについては8.70へとさらに低下すると予測されました。これらの数値は、最近のトレンドを統計的に外挿したものであり、将来の保証ではありません。これらは将来の戦争、新しい疾病、あるいは特定の政策変更を考慮に入れたものではありません。むしろ、現在の改善のペースが維持される可能性が高いかどうかを確認するための、透明性の高いベンチマークとして機能します。

この研究は、地域全体が正しい方向に向かっている一方で、最良の国と最悪の国の間の格差が依然として膨大であることを浮き彫りにしています。セネガルやガーナは2000年以降、子供の死亡数を大幅に減少させてきましたが、ナイジェリアやニジェールなどは進展が緩やかです。モデルは、これらの格差が現実的であり、根強いものであることを裏付けています。これは、地域全体に対して単一の画一的なアプローチは通用しないことを示唆しています。負担の大きい国々は、追いつくために努力を加速させる必要があり、負担の小さい国々は、その進展が停滞しないようにしなければなりません。研究者は、自身のモデルが死の原因を解決する魔法の杖ではないことを強調しています。このモデルは、どのワクチンを購入すべきか、あるいはどの病院を建てるべきかを教えるものではありません。むしろ、最近起こったことに基づいて、地域がどこに向かっているのかという明確で正直な視点を提供するものです。信頼できる短期的な予測を提供することで、健康分野のリーダーたちが次のステップを計画するための強固な基盤を与え、若い命を救うという極めて重要な活動を継続するために、資源が最も必要とされる場所へと確実に向けられるようにするのです。