📊 statistics

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

Deze studie maakt gebruik van een tweetoestands Markov-switchmodel met bootstrap-onzekerheidskwantificering op de Keniaanse moedersterftegegevens van 2000–2023 om onderscheidende regimes van hoge en lage mortaliteit te onthullen die worden gedreven door structurele veranderingen in het gezondheidssysteem, waarmee wordt aangetoond dat het traject van de moederlijke gezondheid in het land wordt gekenmerkt door persistente regimeverschuivingen in plaats van een continue lineaire trend.

Oorspronkelijke auteurs: ROBERT NYABWANGA

Gepubliceerd 2026-07-09

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: ROBERT NYABWANGA

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je het Keniaanse systeem voor de moederlijke gezondheidszorg niet voor als een rechte weg waar de zaken langzaam beter of slechter worden, maar als een weersysteem dat vast komt te zitten in verschillende "seizoenen". Soms is er een kalm, zonnig seizoen (lage sterfte), en soms is er een stormachtig, chaotisch seizoen (hoge sterfte).

Dit artikel van Robert Nyabwanga gebruikt een speciaal wiskundig instrument genaamd een Markov-Switching Model om te achterhalen in welk "seizoen" Kenia elk jaar zat van 2000 tot 2023. In plaats van alleen een rechte lijn door de data te trekken, vraagt deze methode: "Zit het systeem momenteel in een 'goede' staat of in een 'slechte' staat, en hoe waarschijnlijk is het dat het zo blijft?"

Hier is het verhaal van wat de studie heeft gevonden, onderverdeeld in eenvoudige delen:

1. Het probleem met "rechte lijnen"

Traditioneel kijken wetenschappers naar data en proberen ze een enkele lijn te trekken om de trend aan te geven. Ze zeggen misschien: "Gemiddeld genomen gaat het iets beter."

De fout: Dit is alsof je zegt dat het weer "mild" is omdat je een hittegolf en een sneeuwstorm hebt gemiddeld. Het verbergt het feit dat het systeem soms in een crisis stort en soms stabiliseert.
De oplossing: Deze studie behandelt het gezondheidssysteem als een lichtschakelaar. Het staat ofwel "AAN" (Regime met hoge mortaliteit) of "UIT" (Regime met lage mortaliteit). Het doel was om te zien wanneer de schakelaar omging en hoe lang hij in één positie bleef staan.

2. De twee "seizoenen" (regimes)

De studie vond dat Kenia in de afgelopen 24 jaar inderdaad in twee verschillende staten heeft geleefd:

Het "Stormachtige Seizoen" (Regime met hoge mortaliteit):
- Wanneer: Ongeveer 2007 tot 2014.
- Wat er gebeurde: Het gemiddelde aantal sterfgevallen van moeders was hoog (ongeveer 489 sterfgevallen per 100.000 geboorten).
- De sfeer: Zodra het systeem in deze storm vast kwam te zitten, was het moeilijk om eruit te komen. Het bleef daar ongeveer 8 jaar hangen.
- Waarom: De studie koppelt het begin van deze storm aan het geweld na de verkiezingen in 2007-2008, wat de gezondheidszorg verstoorde.
Het "Zonnige Seizoen" (Regime met lage mortaliteit):
- Wanneer: 2000–2006 en opnieuw van 2015 tot 2023.
- Wat er gebeurde: Het gemiddelde aantal sterfgevallen was lager (ongeveer 428 sterfgevallen per 100.000 geboorten).
- De sfeer: Deze staat is erg "plakkerig". Zodra het systeem in deze zonnige periode terechtkwam, bleef het daar een lange tijd—ongeveer 15 jaar.
- Waarom: De overgang terug naar dit zonnige seizoen vond plaats rond 2014-2015, samenvallend met belangrijke overheidsveranderingen zoals de nieuwe Grondwet (die de macht gaf aan lokale districten/counties) en een beleid om kraamzorg gratis te maken.

3. De "plakkerige" schakelaar (persistentie)

Het meest interessante aspect is hoe "plakkerig" deze seizoenen zijn.

Als Kenia in het Hoge Mortaliteit-seizoen zit, is er een kans van 87,5% dat het het volgende jaar nog steeds in die staat verkeert.
Als Kenia in het Lage Mortaliteit-seizoen zit, is er een kans van 93,3% dat het het volgende jaar nog steeds in die staat verkeert.

De analogie: Stel je een bal voor in een diep dal (Lage Mortaliteit) en een bal op een steile heuvel (Hoge Mortaliteit). Het kost een enorme duw om de bal uit het dal te krijgen, maar eenmaal daar, is het heel moeilijk om hem weer de heuvel op te duwen. Omgekeerd: zodra de bal de heuvel afrolt, is het moeilijk om hem te stoppen met blijven liggen.

Het goede nieuws: Het "Zonnige Seizoen" is zelfs plakkeriger dan het "Stormachtige Seizoen". Dit betekent dat zodra Kenia in 2015 begon te verbeteren, de verbeteringen zeer stabiel waren en niet gemakkelijk terugvielen in een crisis.

4. De "Pandemie-test"

De studie controleerde wat er gebeurde tijdens de COVID-19-pandemie (2020–2021).

Het resultaat: Ondanks dat de pandemie de gezondheidszorg wereldwijd verstoorde, is Kenia niet teruggekeerd naar het "Stormachtige Seizoen". De waarschijnlijkheid om in het "Lage Mortaliteit"-seizoen te blijven, bleef boven de 95%.
De les: Het gezondheidssysteem toonde veerkracht. Het stortte niet terug in de oude crisismodus ondanks de wereldwijde chaos.

5. De adder onder het bestaan: "Plakkerig" is niet "Snel genoeg"

Hoewel het systeem stabiel is in het "Lage Mortaliteit"-seizoen, wijst het artikel op een nuchtere realiteit:

Het doel: De wereld wil het aantal moedersterfgevallen verminderen tot minder dan 70 per 100.000 geboorten tegen 2030 (SDG 3.1).
De realiteit: Kenia zit momenteel op 379. Hoewel het systeem stabiel is in het "goede" seizoen, verbetert het slechts zeer traag (ongeveer 2-3% per jaar).
De wiskunde: Met de huidige snelheid zal Kenia het doel van 2030 pas rond 2060 bereiken. Het "Zonnige Seizoen" is stabiel, maar het is niet snel genoeg zonnig.

6. Het "mistige" deel (onzekerheid)

Omdat de studie slechts 24 jaar aan data heeft (een kleine steekproef), hebben de onderzoekers een techniek genaamd Bootstrap gebruikt (in feite de berekening 500 keer uitvoeren met lichte variaties) om te zien hoe zeker ze kunnen zijn.

Waar ze wel over zeker zijn: Het gemiddelde aantal sterfgevallen in de "Hoge" en "Lage" seizoenen is vrij nauwkeurig.
Wat mistig is: Ze zijn minder zeker over de exacte kansen dat het systeem van het ene naar het andere seizoen springt. Omdat de overgang in 24 jaar slechts twee keer heeft plaatsgevonden, heeft de "voorspelling" voor wanneer de volgende overgang zou plaatsvinden een grote foutmarge.

Samenvatting

De reis van de moederlijke gezondheidszorg in Kenia is geen gladde, rechte lijn. Het is een verhaal van twee duidelijke tijdperken: een chaotisch tijdperk (2007–2014) en een stabiel, verbeterend tijdperk (2015–heden).

De winst: Het systeem is erin geslaagd om van het slechte tijdperk naar het goede tijdperk over te schakelen en is daar gebleven, zelfs tijdens de pandemie.
De uitdaging: Hoewel het systeem stabiel is, beweegt het te traag om het wereldwijde doel van 2030 te halen. Het "zonnige seizoen" is hier om te blijven, maar het heeft een turbo-boost nodig om het werk op tijd af te krijgen.

Technische Samenvatting: Markov-switching Regime Dynamiek van Moedersterfte in Kenia (2000-2023)

Probleemstelling
Moedersterfte blijft een kritieke uitdaging voor de volksgezondheid, waarbij traditionele statistische analyses er vaak niet in slagen de niet-lineaire en structurele verschuivingen die inherent zijn aan de prestaties van het gezondheidssysteem te vatten. Conventionele methoden, zoals lineaire of joinpoint-regressies, gaan doorgaans uit van parametrische stabiliteit binnen geïdentificeerde segmenten of behandelen breukpunten als deterministische gebeurtenissen. Deze benaderingen kunnen kritieke dynamieken, zoals verborgen "crisis"- of "herstel"-staten, maskeren en falen om rekening te houden met de probabilistische aard van transities tussen verschillende gezondheidsregimes. Bovendien gaan bestaande literatuur vaak uit van een constante variantie, waarbij de verhoogde volatiliteit die perioden van systemische crisis kan karakteriseren, wordt genegeerd. De studie adresseert de kloof in het begrip van de vraag of de trajectorie van de moedersterfte (MMR) in Kenia onderscheidende, persistente regimes vertoont en hoe deze regimes in de loop van de tijd transiteren, met name in de context van politieke en beleidsmatige verschuivingen tussen 2000 en 2023.

Methodologie
De studie maakt gebruik van een twee-staat Markov-switching model om de jaarlijkse MMR-data voor Kenia van 2000 tot 2023 ( $T=24$ ) te analyseren. De data, afkomstig van WHO/UNICEF/UNFPA/World Bank en UNPD (MMEIG) schattingen, worden behandeld als een tijdreeks waarbij de onderliggende staat (regime) latent en onwaargenomen is.

Modelspecificatie: De auteurs specificeren een regime-switching gemiddelde model waarbij $y_t = \mu_{s_t} + \epsilon_t$ , met $\epsilon_t \sim N(0, \sigma^2_{s_t})$ . De verborgen staat $s_t$ volgt een eerste-orde Markovketen met tijd-invariante transitie- waarschijnlijkheden. Het model staat regime-specifieke gemiddelden ( $\mu_j$ ) en varianties ( $\sigma^2_j$ ) toe.
Schatting: Parameters worden geschat met behulp van Maximum Likelihood Estimation (MLE) via het Expectation-Maximization (EM) algoritme, waarbij de Hamilton-filter wordt geïntegreerd om de gesmoothde waarschijnlijkheden van regime-occupatie te berekenen.
Omgang met kleine steekproeven: Gezien de beperkte steekproefomvang ( $T=24$ ) wordt een parametrische bootstrap-methode met 500 replicaties gebruikt om de onzekerheid in parameter-schattingen te kwantificeren, specifiek gericht op de variabiliteit van transitie- waarschijnlijkheden en de verwachte duur van regimes.
Modelselectie: Het optimale aantal regimes ( $K$ ) wordt bepaald met behulp van de Akaike Information Criterion (AIC) en de Bayesian Information Criterion (BIC), naast likelihood ratio tests.
Validatie: Stationariteit wordt beoordeeld via Augmented Dickey-Fuller (ADF) en KPSS tests, en structurele breuken worden onderzocht met Chow-tests. Robuustheidscontroles omvatten residu-analyse voor normaliteit, seriële correlatie en heteroscedasticiteit.

Belangrijkste Resultaten

Regime Detectie: Het twee-regime model wordt gekozen als optimaal (AIC = 224.37, BIC = 231.44), wat significant beter presteert dan één- of drie-regime specificaties. Twee onderscheidende regimes zijn geïdentificeerd:
- Hoge Sterfte Regime (Regime 1): Gemiddelde MMR = 488.7 (95% CI [431.6, 497.5]), Standaarddeviatie = 10.6. Dit regime domineerde van 2007 tot 2014.
- Lage Sterfte Regime (Regime 2): Gemiddelde MMR = 428.2 (95% CI [410.1, 468.3]), Standaarddeviatie = 19.9. Dit regime heerste van 2000–2006 en 2015–2023.
Regime Persistentie en Transities: Het systeem vertoont een hoge persistentie. De waarschijnlijkheid om in het hoge regime te blijven is 87,5%, en in het lage regime is 93,3%. Bijgevolg is de verwachte duur van het hoge regime 8 jaar, terwijl het lage regime naar verwachting 15 jaar duurt.
- Slechts twee regime-transities werden gedetecteerd over de 24-jarige periode: een verschuiving van laag naar hoog in 2006–2007 en een terugkeer van hoog naar laag in 2014–2015.
- Bootstrap-resultaten wijzen op een hoge precisie bij het schatten van regime-gemiddelden, maar op aanzienlijke onzekerheid met betrekking tot transitie- waarschijnlijkheden (95% CI [0.300, 0.950]), toegeschreven aan het kleine aantal geobserveerde transities.
Temporele Dynamiek:
- 2000–2006: Stabiele periode met lage mortaliteit.
- 2007–2014: Crisisperiode die samenvalt met het geweld na de verkiezingen en de implementatie van de deconcentratie (devolution) van de gezondheidszorg.
- 2015–2023: Herstelperiode. Opvallend genoeg behield het systeem het regime met lage mortaliteit met een waarschijnlijkheid van >95%, zelfs tijdens de COVID-19 pandemie (2020–2021), wat de veerkracht van het systeem aantoont.
Vergelijking met Traditionele Modellen: Het Markov-switching model presteert beter dan een standaard ARIMA(0,1,0) model in termen van AIC en BIC, wat bevestigt dat de niet-lineaire, staat-afhankelijke aard van de data beter wordt gevangen door regime-switching dynamiek.

Significantie en Claims
Het artikel claimt dat de moedersterfte in Kenia een onvoorspelbaar pad volgt dat wordt gekenmerkt door structurele regime-verschuivingen in plaats van een continue, lineaire daling. De toepassing van het Markov-switching model biedt cruciale inzichten die traditionele benaderingen niet kunnen bieden:

Identificatie van Verborgen Staten: Het model slaagt erin onderscheid te maken tussen "crisis"- en "herstel"-staten, en onthult dat het gezondheidssysteem opereert onder twee verschillende statistische realiteiten met verschillende gemiddelden en varianties.
Beleidscorrelatie: De geïdentificeerde regime-transities komen temporeel overeen met belangrijke nationale gebeurtenissen. De verschuiving naar het hoge sterfte regime valt samen met het geweld na de verkiezingen van 2007–2008, terwijl de transitie terug naar het lage sterfte regime samenvalt met de implementatie van de 2010 Grondwet (devolution) en het gratis kraamzorgbeleid van 2013.
Veerkracht en Duurzaamheid: De hoge persistentie van het regime met lage mortaliteit (verwachte duur van 15 jaar) suggereert dat beleidsinterventies, eenmaal succesvol, langdurige stabiliteit kunnen opleveren. Het vermogen van het systeem om in de staat met lage mortaliteit te blijven tijdens de pandemie onderstreept de veerkracht.
Implicaties voor SDG 3.1: Ondanks de succesvolle transitie naar een regime met lage mortaliteit, is de huidige snelheid van daling binnen dit regime onvoldoende om de doelstelling van SDG 3.1 (<70 sterfgevallen per 100.000 levend geborenen) tegen 2030 te halen. De auteurs merken op dat bij het huidige tempo het doel mogelijk pas rond 2060 zal worden bereikt, wat versnelde interventies noodzakelijk maakt.

De studie concludeert dat hoewel de Markov-switching benadering de structurele breuken en persistentie van de trends in moedersterfte in Kenia onthult, de brede betrouwbaarheidsintervallen in transitie- waarschijnlijkheden (als gevolg van de kleine steekproefomvang) een voorzichtige interpretatie rechtvaardigen. De bevindingen onderstrepen de noodzaak van aanhoudende beleidsinspanningen om het regime met lage mortaliteit te handhaven en de voortgang richting wereldwijde gezondheidsdoelstellingen te versnellen.