Menu ENN Search
Changer la langue : English Français

Interprétation des asessment MUAC rapide

Cette question a été affichée dans le forum de discussion Évaluation et Surveillance et a des réponses 9.

» Publier une réponse

Tamsin

Forum Moderator, ENN

Modérateur

5 janv. 2011, 20:36

Ceci a été traduit automatiquement.

De Caroline Muthiga:

Nous avons effectué une évaluation rapide récemment en utilisant MUAC et mesuré 120 enfants. Nous avons trouvé 13 enfants avec un PB de <11cm, 35 entre 11.0- 11.9, 31 avec un PB de 12-12,5 tandis que 41 avaient un PB de> 12,5.

Y at-il un moyen d'obtenir une procuration sur les taux de malnutrition aiguë globale et SAM probables avec cette information. Toute formule?

Pascale Delchevalerie

Nutrition Advisor MSF Belgium

Utilisateur régulier

6 janv. 2011, 09:34

Ceci a été traduit automatiquement.

Chère Caroline,

Je ne ai pas un moyen d'obtenir une procuration sur les résultats globaux, mais ce que nous faisons depuis 2 ans dans notre évaluation de la MUAC est de diviser la feuille de pointage entre les enfants <85 cm et> = 85 cm, car nous avons vu que la corrélation entre PB et W / H est meilleure chez les petits enfants.
Dans l'analyse de nos enquêtes nutritionnelles, je me rendis compte que, souvent, le GAM et SAM exprimée par MUAC pour le groupe de la hauteur <85cm était assez similaire à la GAM et SAM exprimée par W / H pour le tout échantillon.

Donc, pour avoir une approximation de GAM prévu et SAM en W / H, quand je fais une évaluation rapide MUAC, je prends la prévalence du groupe <85cm.

Espérons que cela aide

Pascale

Mark Myatt

Utilisateur fréquent

6 janv. 2011, 09:56

Ceci a été traduit automatiquement.

Premier avertissement ... malheureusement "évaluation rapide" signifie souvent "évaluation mal fait" en utilisant un échantillon de commodité comme un appel à un emplacement central dans un village choisi parce qu'il est pas trop loin pour voyager. Une autre approche est d'un échantillon "de manière optimale sollicité" où l'échantillon est prélevé à un endroit où vous pensez qu'il pourrait y avoir un problème. Ces échantillons sont soumis à toutes sortes de préjugés qui les rendent moins idéal pour faire des inférences au sujet de la population générale. Cela dit ...

Puisque vous citez 110 mm et 125 mm Je vais utiliser ces seuils. Il ya seuil raisonnable pour SAM et le GAM fondée sur le risque de mortalité à court terme.

Il existe plusieurs approches à ce problème. Le plus simple est d'estimer une proportion généralement dans le chemin. Cela est d'appliquer les définitions de cas et de calculer:

la prévalence (%) = (nombre de cas / Taille de l'échantillon) * 100

L'application de la SAM définition de cas:

PB <110 mm

Nous obtenons:

(13/120) * 100 = 10,8%

L'application de la GAM définition de cas:

PB <= 125 mm (doit être <125 mm, mais vous ne donnez pas que)

Nous obtenons:

(79/120) * 100 = 65,8%

Vous pouvez calculer un IC à 95% en utilisant la formule:

p +/- 1,96 * sqrt ((p * (1 - p)) / n)

I'l montrer un exemple travaillé pour SAM:

0,1083 +/- 1,96 * sqrt ((0,1083 * (1 - 0,1083)) / 120)

0,1083 +/- 0,556 = 0,053; 0,164 ou 5,3%; 16,4%

Une autre approche consiste à utiliser la moyenne et l'écart de toutes les données MUAC puis utilisez la fonction PROBIT pour estimer la prévalence. Cela peut se faire assez facilement dans une feuille de calcul. Je ne vais pas montrer ici, mais si quelqu'un est intéressé, je vais poster ce dans un second message. Faites le moi savoir.

Maintenant, un deuxième avertissement ... Ces chiffres (c.-à-GAM de 65,8% avec 10,8% SAM .. ce sont extrêmement élevée) suggère à moi que vous avez un échantillon biaisé qui a favorisé les malades sur la santé. Comment ces données ont été recueillies?

MAIS ATTENDEZ ...

La réponse de Pascale me fait penser que je l'ai mal compris la question. Traduire entre la prévalence du MUAC et W / H prévalence est difficile puisque W / H est fortement influencée par le corps-forme et cela varie avec le régime, le climat, l'altitude, la génétique et c. Je voudrais coller avec MUAC définition de cas et le rapport prévalence de les utiliser. Vous pouvez déduire une formule de conversion de données de l'enquête locale, avec le MUAC et W / H et de l'appliquer.

Il est utile de la suggestion de Pascale de l'utilisation que les enfants plus jeunes puisque l'effet de la forme du corps survient après l'âge d'environ 2 ans (qui correspond à environ 85 cm). Le problème est que vous ne pourrez avoir une taille d'environ 40 de l'échantillon.

PASCALE: Quelle est la nature de la différence entre la prévalence par MUAC et la prévalence par W / H que vous voyez dans le groupe d'âge plus vieux? Mon travail suggère que cela devrait aller dans les deux sens. Dans agraire montagne folk / il devrait y avoir peu de différence soit ou MUAC MUAC. Est-ce ce que vous voyez?

Jennifer

Utilisateur régulier

14 nov. 2013, 09:51

Ceci a été traduit automatiquement.

Salut Marc,

Je suis intéressé à en apprendre plus sur l'utilisation de la fonction PROBIT pour estimer GAM et SAM taux de prévalence. L'ONG je travaille pour les plans à mettre en œuvre un programme de PCMA dans deux districts. Nous obtenons des estimations du taux de prévalence du GAM très contradictoires - extrêmement faible, selon les données SIMD (bien que les travailleurs de la santé font prétendument dépistage de routine) et relativement élevé pour un cadre de non-urgence selon une enquête auprès des ménages fait il ya quelques années. Nous prévoyons de faire une enquête SMART dans la zone cible, mais avant d'investir des ressources importantes dans une enquête, je pense que nous devons obtenir des estimations approximatives du taux de prévalence, peut-être d'un dépistage de masse en utilisant MUAC dans les villages choisis au hasard.

Tous les conseils que vous pourriez fournir sur la fonction PROBIT serait très apprécié.

Merci!

Mark Myatt

Utilisateur fréquent

15 nov. 2013, 10:50

Ceci a été traduit automatiquement.

Je ne sais pas combien de détails dont vous avez besoin si je vais commencer avec un "écrous et boulons" l'introduction.

Pour utiliser la technique PROBIT nous devons généralement des données qui peuvent se rapprocher d'une distribution de probabilité standard (nous pouvons utiliser rééchantillonnage si nous savons comment le faire). Nous utilisons le plus souvent la distribution normale. Si nos données ne sont pas normale, alors nous pouvons souvent transformons ensuite vers la normale. Dans le cas de petits écarts par rapport à la normale (par exemple légère asymétrie, queues lourdes) nous pourrions utiliser des estimateurs robustes de la moyenne et l'écart type. nous pouvons le faire avec les données du périmètre brachial à condition qu'il ne soit pas tronqué (comme il serait en utilisant MUAC à l'admission à ANP qui est tronquée au PB = 115mm). utilisation d'estimateurs robustes pour la moyenne et l'écart devrait également être utilisée avec de petits échantillons.

Je l'utilise la médiane (plutôt que la moyenne) et:

    SD = Interquartile de gamme / 1,34989

autres estimateurs robustes peuvent être utilisés, mais ceux-ci fonctionnent assez bien.

Ayant obtenu votre estimation de la moyenne et SD, vous pouvez calculer la probabilité qu'un enfant choisi au hasard volonté (par exemple) ont un MUAC <125 mm. Ceci est la même que la prévalence du MUAC <125 mm. Vous pouvez le faire en standardisant et en utilisant un ensemble de tableau statistique ou en utilisant un ordinateur. La plupart des paquets et des tableurs stats seront en mesure de le faire. Dans OpenOffice Calc (par exemple), nous pouvons poser la question "Quelle est l'estimation de la prévalence pour MUAC <125 mm donnée moyenne = 145mm et SD = 12 mm" avec:

    = LOI.NORMALE (125; 145; 12)

qui retourne:
    0,0477903523

qui est d'environ 4,8%.

Faire cela dans Excel est similaire - il suffit d'utiliser "," au lieu de ";" dans la formule de la cellule.

Diffusez revenir ici si vous avez besoin de plus de détails ou besoin de faire plus.

J'espère que cela aide.

Jennifer

Utilisateur régulier

27 nov. 2013, 06:51

Ceci a été traduit automatiquement.

Salut Marc,

Merci pour votre reply-- utile tout cela fait sens.

Comme je le disais, notre plan est de faire une enquête SMART dans la zone cible, mais avant d'investir des ressources importantes dans un sondage que nous avons l'espoir d'obtenir des estimations approximatives de la prévalence de la malnutrition aiguë à partir des données du périmètre brachial de projections de masse dans les villages choisis au hasard.

Y at-il des indications sur le nombre d'enfants devraient être inclus dans le dépistage de masse pour obtenir une estimation de la prévalence raisonnable? En d'autres termes, quelle est la taille de l'échantillon requis serait?

Fazal

Utilisateur régulier

27 nov. 2013, 07:58

Ceci a été traduit automatiquement.

Cher Jennifer

Va voir la vue technique Mark et recommandations plus tard, mais ce que je pense et en suggérant un dépistage de masse de connaître la situation exacte de la malnutrition par MUAC sans mène l'enquête SMART est, vous aurez tout l'écran de moins de 5 enfants (6-59 mois) du village ciblé / communauté dans le village plutôt que de calculer la taille de l'échantillon pour avoir une image claire de la prévalence de la malnutrition.

Récemment, nous avions fait la même procédure pour estimer la prévalence de la malnutrition parmi les personnes déplacées et la communauté d'accueil.

Espérons que cela fera un certain sens

Merci

Mark Myatt

Utilisateur fréquent

27 nov. 2013, 11:32

Ceci a été traduit automatiquement.

Ceci est, je pense, une très bonne idée, surtout si votre programme utilise la masse de dépistage de toute façon. De cette façon, vous combinez «service» par «enquête» et serez très probablement trouver et consulter et (espérons-le) guérir beaucoup plus de cas que vous le feriez avec une enquête SMART.

Il ya certaines choses à prendre en considération ...

(1) Le dépistage doit être de toutes les personnes admissibles dans les communautés grillagées. Dans certains contextes dépistage emplacement central ne trouvera pas tous les cas où ils ne peuvent pas assister raison de la stigmatisation ou de honte. En outre, les enfants malades ont tendance à être à la fois léthargique et irritable et les soignants peuvent être réticents à y assister. Si vous obtenez ce mal alors vous aurez votre biais prévalence estimation à la baisse. Si le contraire est le cas et que des enfants malades se apporté pour le dépistage, alors vous aurez biais prévalence vous estimez vers le haut. Vous pouvez éviter cela. Soit aller de maison en maison pour le dépistage ou «ratissage» après un emplacement central criblage en utilisant quelque chose comme le dépistage actif et adaptatif (éviter le double comptage). Dans certains contextes, les gens sont réticents à se déplacer en dehors de leurs alentours immédiats. Si vous utilisez le dépistage de emplacement central puis assurez-vous que vous utilisez plusieurs endroits «centrales».

(2) Assurez-vous que votre échantillon de communautés ne sont pas un échantillon de convenance (par exemple, les villages proches de centres ou les routes). Ce serait également introduire un biais (probablement vers le bas). Je voudrais utiliser un échantillon spatialement représentant ainsi l'échantillon provient de partout dans votre domaine d'activité.

(3) Vous devez avoir un bon nombre de communautés pour être sûr que vous avez un échantillon représentatif des communautés. La règle générale est "plus est mieux" mais il ya peu d'intérêt à aller au-dessus d'environ 24 communautés. Je pense que 12 ou 16 devrait être suffisant. Si vous faites cela tous les mois ou dans un petit échantillon des collectivités (modification de l'échantillon chaque tour) alors vous avez l'étoffe d'un système de surveillance nutritionnelle.

(4) L'analyse des données devrait traiter l'échantillon comme un échantillon stratifié et une analyse pondérée doit être effectué. Dans le cas de la masse-détection qui est conforme (1) ci-dessus les poids spécifiques à la communauté serait le nombre d'enfants dépistés dans chaque communauté.

Si vous obtenez ce droit (et il est pas trop dur) alors vous aurez pas besoin d'une enquête SMART.

La référence SQUEAC / SLEAC technique a matériel sur échantillonnage spatial (pages 93, 94, 95, 96, 100, 101, 102) et l'analyse des données à partir d'échantillons stratifiés (pages 127, 128, 129).

Je souhaite que cela est utile.

Jennifer

Utilisateur régulier

2 déc. 2013, 09:08

Ceci a été traduit automatiquement.

Merci pour la réponse utile, Mark. Cette information est très utile. En termes d'échantillonnage, je pense que la meilleure approche dans notre cas sera de stratifier par la clinique zone de chalandise et sélectionnez villages systématiquement à partir d'une liste complète des villages classés par zone de chalandise de la clinique (de l'information que nous avons déjà disponibles). Puis filtrer tous les enfants de 6 à 59 mois dans les villages de l'échantillon, en utilisant un dépistage actif et adaptatif.

Vous avez mentionné que l'échantillonnage de 12 à 16 villages / communautés devrait être suffisante. Devrais-je calculer une taille de l'échantillon cible (en utilisant le taux de prévalence estimé pour la région et la précision souhaitée) afin de déterminer le nombre de villages à échantillonner?

Mark Myatt

Utilisateur fréquent

2 déc. 2013, 10:15

Ceci a été traduit automatiquement.

Cette approche semble bien, mais ... juste pour être clair ... si vous utilisez actif et adaptatif cas trouver seul, vous biais vers l'échantillon des cas de trouver et de toute estimation de la prévalence serez une surestimation. Une autre façon de décrire ces types de la méthode est "biaisée de manière optimale". Je suppose que vous voulez dire que vous allez faire le dépistage de masse à un ou plusieurs «lieux centraux», puis faites active des cas et adaptative trouver ti "éponger" les cas qui peuvent avoir été "caché". Si vous utilisez uniquement le dépistage actif et adaptatif de trouver des cas que vous estimer la prévalence si vous avez une bonne estimation des populations des villages de l'échantillon.

WRT taille de l'échantillon ... il ya deux approches pour estimer la prévalence.

(1) L'approche classique consiste à recoder les données MUAC à variables binaires (par exemple GAM pas GAM, MAM pas MAM. SAM pas SAM), puis estimer en divisant le nombre de cas par la taille de l'échantillon. Pour obtenir une précision utile, vous avez souvent besoin d'une grande taille de l'échantillon parce que (a) vous devez assez fine précision et (b) vous aurez un effet de conception en raison de la nature de votre échantillon. Ce besoin d'une taille de l'échantillon n = environ 500 ou plus. Vous pouvez utiliser le calculateur de taille de l'échantillon dans le logiciel ENA. Le principal problème avec cette approche est que l'estimation SAM manquer de précision.

(2) L'approche PROBIT fait plus de l'utilisation des données MUAC et n'a pas besoin d'une telle grande taille de l'échantillon. Une taille de n = 192 de l'échantillon est généralement suffisante pour donner une précision similaire à une approche classique, avec une taille d'échantillon 3 ou 4 fois plus grande pour GAM. Les estimations pour les SAM sont plus précis que d'un estimateur classique avec un échantillon de taille 3 ou 4 fois plus grand. Pour illustrer ... un estimateur classique avec n = 544 (la plus grande taille de l'échantillon dans le manuel SMART) a précisions relative d'environ 27% et 65% pour GAM et SAM respectivement alors une estimation PROBIT avec n = 192 a précisions relatives d'environ 24 % et 34% respectivement (voir ici et ici pour plus de détails).

Je ne pense pas que la taille de l'échantillon sera un problème car vous serez le dépistage tous les enfants dans vos communautés de l'échantillon. Vous devez être sûr que vous gardez une trace du nombre d'enfants dans les communautés de l'échantillon.

J'espère que cela aide.

Si vous rencontrez des problèmes pour poster une réponse, veuillez contacter le modérateur à post@en-net.org.

Retour en haut de page

» Publier une réponse