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

Elk jaar overlijden miljoenen kinderen wereldwijd voordat ze hun vijfde verjaardag bereiken. Deze tragische realiteit wordt gemeten aan de hand van één enkel, rauw getal: het sterftecijfer onder vijfjarigen. Dit cijfer telt hoeveel kinderen sterven vóór de leeftijd van vijf jaar voor elke duizend levend geborenen. Het is meer dan alleen een statistiek; het is een spiegel die de gezondheid van een samenleving reflecteert, die de kwaliteit van haar ziekenhuizen, de veiligheid van haar water en de stabiliteit van haar economie onthult. In West-Afrika is deze last het zwaarst, waarbij landen zeer verschillende uitdagingen ervaren ondanks het delen van een regio. Voor overheden en gezondheidsorganisaties is weten wat de toekomst brengt cruciaal. Zij moeten weten of de huidige inspanningen werken, waar middelen het hardst nodig zijn, en of de regio op koers staat om in de komende jaren meer levens te redden. Het voorspellen van de toekomst van de overleving van kinderen is echter moeilijk. Trends kunnen plotseling verschuiven door ziekte, conflict of economische veranderingen, en het pad vooruit is zelden een rechte lijn.

Een onderzoeker heeft een nieuwe manier ontwikkeld om naar deze trends te kijken, met een focus op de korte termijn om leiders te helpen bij onmiddellijke besluitvorming. In plaats van te vertrouwen op complexe computermodellen die proberen elk mogelijk toekomstig scenario te raden, heeft zij een methode ontwikkeld die nauw luistert naar de meest recente veranderingen in sterftecijfers. Ze noemen deze benadering het Adaptive Mortality Drift-model. De kern van het idee is simpel maar krachtig: het gaat ervan uit dat de verandering die in het afgelopen jaar werd gezien, zal voortduren in het volgende jaar, maar niet met absolute zekerheid. Het schat in hoeveel van die recente vooruitgang of achteruitgang zal voortvloeien, waarbij de voorspelling wordt aangepast op basis van de werkelijke geschiedenis van de regio. Door deze methode te testen tegen zestien verschillende landen in West-Afrika, ontdekte de onderzoeker dat deze eenvoudige benadering veel complexere wiskundige systemen en machine learning-algoritmen overtrof. Haar werk suggereert dat voor de nabije toekomst de beste manier om de overleving van kinderen te voorspellen, het vertrouwen op de momentum van de recente jaren is, terwijl er voorzichtig rekening wordt gehouden met het feit dat momentum soms kan afnemen.

De studie richtte zich op zestien landen in West-Afrika, waaronder reuzen als Nigeria en kleinere buren zoals Cabo Verde. De onderzoeker verzamelde gegevens over kindersterftecijfers van de Verenigde Naties en de Wereldgezondheidsorganisatie, waarbij zij keek naar de vloeiende, jaarlijkse nationale schattingen in plaats van individuele gevallen. Zij wilde zien of zij met hoge nauwkeurigheid kon voorspellen wat er in het volgende jaar zou gebeuren. Om dit te doen, bouwde zij haar model om de "drift" van de mortaliteit te observeren. Stel je een boot voor die een rivier afvaart; als het water gestaag stroomt, vaart de boot in die richting verder. De onderzoeker vroeg: stroomt de rivier elk jaar met dezelfde snelheid, of versnelt en vertraagt deze? Hun model berekent een specifnummer dat vertegenwoordigt hoeveel van de verandering in kindersterfte van vorig jaar naar verwachting dit jaar opnieuw zal plaatsvinden. Als het getal dicht bij één ligt, zet de verandering zich volledig voort. Als het lager is, wordt verwacht dat de verandering licht zal afnemen. Dit getal wordt niet gegokt; het wordt berekend door naar de geschiedenis van alle zestien landen samen te kijken, waardoor het model kan leren van de ervaring van de gehele regio.

Om ervoor te zorgen dat hun nieuwe methode werkelijk betrouwbaar was, onderwierp de onderzoeker het aan rigoureuze tests. Zij gebruikte een techniek genaamd rolling-origin validatie, wat vergelijkbaar is met een toets waarbij je alleen informatie mag gebruiken die beschikbaar was tot een bepaalde datum om het volgende jaar te voorspellen, om vervolgens die datum naar voren te schuiven en opnieuw te testen. Zij vergeleken hun nieuwe model met standaard statistische instrumenten en geavanceerde machine learning-programma's, inclusief kunstmatige intelligentie-systemen die ontworpen zijn om complexe patronen te vinden. De resultaten waren duidelijk: het nieuwe adaptieve model maakte de meest nauwkeurige voorspellingen. Het vertoonde de kleinste fouten wanneer het werd vergeleken met de werkelijke cijfers die plaatsvonden tussen 2018 en 2024. De complexe machine learning-modellen, die vaak uitblinken in het vinden van verborgen patronen in rommelige data, presteerden in feite slechter. Dit kwam doordat de jaarlijkse sterftecijfers in deze landen verrassend vloeiend en stabiel zijn; ze hebben niet de chaotische ruis die meestal complexe algoritmen vereist om te ontwarren. Het eenvoudigere model, dat deze vloeiendheid respecteerde, was het superieure instrument.

De onderzoeker voerde ook duizenden computersimulaties uit om te zien hoe hun model zou reageren onder verschillende, moeilijke omstandigheden. Zij testte wat er zou gebeuren als de gegevens plotselinge, wilde schommelingen bevatten, of als er gegevens van bepaalde jaren ontbraken. In deze simulaties hield het model stand en toonde het aan dat het onverwachte hindernissen kon opvangen zonder uit elkaar te vallen. Zij ontdekte echter ook de beperkingen ervan. Als een land een plotselinge, dramatische verschuiving in zijn mortaliteitstrends ervoer — bijvoorbeeld door een grote oorlog of een nieuwe gezondheidscrisis die het patroon volledig veranderde — zou het model traag reageren, omdat het steunt op de geschiedenis. In dergelijke gevallen zou het model nog een tijdje blijven voorspellen op basis van het oude patroon voordat het inhaalde. De onderzoeker testte variaties van hun model die sneller op deze plotselinge veranderingen zouden reageren, maar stelde vast dat voor de specifieke geschiedenis van West-Afrika de standaard, eenvoudigere versie het meest accuraat bleef. De extra complexiteit verbeterde de voorspellingen voor de onderzochte jaren niet.

Toen de onderzoeker haar model toepaste op de echte wereld, schetsen de resultaten een beeld van zowel hoop als diepe ongelijkheid. In 2024 varieerde het aantal kindersterfgevallen enorm binnen de regio. In Cabo Verde was het cijfer zo laag als 11,14 sterfgevallen per duizend levend geborenen, een teken van significante vooruitgang. In Nigeria was het cijfer 115,65, wat wijst op een veel zwaardere last. Het model voorspelde dat voor alle zestien landen de kindersterfte tot 2030 zal blijven dalen. Voor Nigeria suggereerde de prognose een daling naar ongeveer 109,42, terwijl Cabo Verde naar verwachting verder zou dalen naar 8,70. Deze cijfers vertegenwoordigen een statistische extrapolatie van recente trends, geen garantie van wat er zal gebeuren. Ze houden geen rekening met toekomstige oorlogen, nieuwe ziekten of specifieke beleidswijzigingen. In plaats daarvan dienen ze als een ijkpunt, een transparante manier om te zien of het huidige tempo van verbetering waarschijnlijk zal aanhouden.

De studie benadrukt dat hoewel de regio de goede kant op beweegt, de kloof tussen de beste en slechtste presteerders enorm blijft. Landen als Senegal en Ghana hebben sinds het jaar 2000 enorme reducties in kindersterfte gezien, terwijl anderen zoals Nigeria en Niger een tragere vooruitgang hebben gezien. Het model bevestigt dat deze verschillen echt en hardnekkig zijn. Het suggereert dat een enkele, uniforme aanpak om kinderen te redden niet zal werken voor de hele regio. Landen met een hoge last moeten hun inspanningen versnellen om in te halen, terwijl landen met een lagere last moeten voorkomen dat hun vooruitgang stagneert. De onderzoeker benadrukt dat haar model geen toverstaf is die de doodsoorzaken kan oplossen. Het vertelt beleidsmakers niet welke vaccins ze moeten kopen of welke ziekenhuizen ze moeten bouwen. In plaats daarvan biedt het een helder, eerlijk beeld van waar de regio naartoe gaat op basis van wat er onlangs is gebeurd. Door een betrouwbare kortetermijnvoorspelling te bieden, geeft het gezondheidsleiders een solide fundament om hun volgende stappen te plannen, zodat middelen worden gericht waar ze het hardst nodig zijn om het vitale werk van het redden van jonge levens voort te zetten.