Calcul du nombre de cas de MAS et MAM pour les programmes de traitement

Nous avons (par exemple) des enquêtes SMART dans presque tous les contextes dans lesquels il existe des programmes de traitement de la MAS et de la MAM. Les données d'enquête peuvent être utilisées pour calculer le chevauchement. Le processus consiste à appliquer les définitions de cas pour le PB et le Poids/Taille séparément, puis de créer un tableau 2x2. Le chevauchement est la cellule contenant les enfants qui répondent aux deux définitions de cas. Vous devez faire cela avec chaque paramètre, car le chevauchement change d'un endroit à l'autre en raison, en partie, de l'effet de la forme du corps sur les données Poids/Taille.

Votre prévision de charge de travail sera basée sur des chiffres:

    PB seulement + P/T seulement + intersection

Obtenir une couverture spatiale et temporelle élevée des cas, à l'aide du critère P/T peut s'avérer difficile et coûteux. Cela signifie que vous devrez peut-être utiliser différentes valeurs pour les termes de couverture pour (1) les PB et les cas de chevauchement (i..e, tous les cas de PB indépendamment du P/T) et (2) les cas de P/T uniquement, pour les projections de charge de travail.

N'oubliez pas d'inclure l'œdème dans toute prévision de charge de travail. Cela peut constituer une composante importante de la charge de travail dans certains contextes.

J'espère que cela vous sera utile.

La plupart des programmes avec lesquels je travaille utilisent le PB et les œdèmes comme critères d'admission principaux. Il peut y avoir quelques admissions basées sur le critère Poids/Taille exclusivement en provenance, par ex., de programmes de de surveillance de la croissance, des environnements cliniques et des programmes tels que le SFP, qui utilisent peut-être encore P / T. J'ai choisi de ne pas travailler avec le Poids/Taille dans les programmes de PCMA pour plusieurs raisons. La plupart du temps, je trouve qu'il est peu pratique d'utiliser une couverture spatiale et temporelle élevée, et que le coût de l'utilisation de P / T détourne des ressources dirigées pour la sensibilisation de la communauté, sa mobilisation, et les efforts de recherche de cas et de recrutement basés communauté (voir cet article ), ce qui porte tord à la réussite de couverture du programme. Le vieil adage 'la route de l'enfer est pavée de bonnes intentions' s'applique ici. Nous essayons d'inclure plus de cas en ajoutant des cas uniquement Poids/Taille, ce qui réduit le nombre de cas traités. Une définition de cas avec PB et P / A est susceptible de détecter tous (ou presque) tous les cas d’enfants présentant des déficits anthropométriques et présentant un risque élevé de mortalité à court terme, y compris ceux ayant une score Z Poids/Taille  < -3 (voir cet article ). Cela dit ...

J'ai du mal à imaginer mettre en place ou gérer un programme sans avoir accès aux données d'enquête. Je suppose que cela peut arriver. Toute personne chargée de mettre en place ou de gérer un programme devrait pouvoir accéder aux données de l’enquête. Une bonne solution consiste peut-être à ce que les enquêtes signalent systématiquement les chevauchements. Cela devrait être facile à ajouter au logiciel SMART.

Dans le cas d'un programme en cours d'exécution ... vous pouvez utiliser les données du programme pour évaluer le degré de chevauchement. L'admission, le poids et la taille sont des éléments standard enregistrés sur les fiches des bénéficiaires des traitements, ce qui permet une analyse des chevauchements. Certains programmes sont fortement en faveur du critère Poids/Taille, et peuvent n’avoir que très peu d’admissions exclusivement réservées à un PB. Dans ce cas, vous ne pourrez voir que les admissions basées P/T-uniquement et PB et P / T (chevauchement) avec les admissions de cas PB-uniquement sous-représentés.

UNICEF Nigeria a mis au point un outil de prévision du nombre de cas à utiliser dans les programmes en cours. Voici une description de la méthode. Ils utilisent une approche différente. Voir cet article pour plus de détails. Cela pourrait être adapté à votre cas d'application.

Dans le cas d'un nouveau programme ... Parfois, nous n'avons peut-être pas d'autre choix que d'utiliser un facteur arbitraire (comme vous le suggérez ci-dessus). C'est généralement le cas lorsque nous avons besoin de quelque chose qui n'est pas souvent mesuré et généralement mal mesuré. L'exemple pertinent ici est la prévalence du facteur de correction d'incidence pour obtenir une estimation de l'incidence que nous utilisons pour la prédiction de la charge de travail. Ajouter un facteur arbitraire de "prédiction aléatoire devinée" mène à plus d'incertitude dans les prévisions (déjà incertaines) du nombre de cas.

Nous mesurons régulièrement la prévalence et je pense que nous pouvons faire mieux que donner dans la "prédiction aléatoire devinée". Si nous ne pouvons pas obtenir de données SMART récentes et locales, nous pourrions (par exemple, utiliser les données DHS, MICS ou nationales de l'enquête SMART nationale). Un facteur d'incidence du facteur de l'aléatoire pour le chevauchement devrait être mis à la disposition des organisations qui établissent ou gèrent un programme par l’intermédiaire de l’ONU / OCHA, de l’UNICEF ou de l’OMS.

J'espère que cela vous sera utile.

Content d'être si utile.

Mon souci principal avec le travail de Golden et Grellety auquel vous faites référence (et d'autres travaux de leur part) est qu'il est basé sur des données cliniques. De telles données sont sujettes à des biais de sélection (souvent graves). Avec les données cliniques, ces biais de sélection donnent souvent lieu à une "erreur de Berkson" dans laquelle des associations fortes et claires trouvées dans les données cliniques sont souvent absentes (parfois inversées) dans les données communautaires. Nous devons être très prudents en extrapolant des données cliniques à la population en général. Un échantillon de patients n'est généralement pas représentatif d'une population. Les demandes sont formulées sur la base d’échantillons grossièrement biaisés. Un article de 2015 de Grellety (par exemple) avance un argument de mortalité en faveur de la conservation du score Z P/T en utilisant les données d'une cohorte de patients en PCMA avec 99% des personnes admises utilisant un score Z P/T. Les études de cohorte basées sur la population sont toujours meilleures et ne fournissent aucune preuve en faveur du maintien du score Z P/T dans les programmes de PCMA.

En ce qui concerne les directives de l'UNICEF ... leur équipe MICS (et DHS) ont un angle mort niveau PB. Ceci est plutôt idiot puisque le PB est utilisé dans les définitions de cas pour TFP et SFP. Leur ignorance du périmètre brachial rend ces enquêtes pratiquement inutiles, ce qui permet d'estimer les charges de travail / le nombre de cas pour la PTF / SFP. Ce n'est pas tout pour l'UNICEF. D’autres documents d’autres parties de l’UNICEF (c’est-à-dire autres que le MICS) prennent en charge le PB dans les enquêtes. Avez-vous remarqué, avec tout le respect qui s'impose, que la ligne directrice à laquelle vous faites référence est également un peu étrange au niveau de l'œdème également ?

Juste pour aider à la compréhension ... voici un exemple du paradoxe de Berkson qui montre les mécanismes du biais.

Voici ce que l'on trouve dans la population:

Résultat + - Exposition + 22 171 - 201 2389 RR = 1,47 (IC 95% = 0,97, 2,22) p = 0,0725

Dans la clinique (même provenance géographiqiue que la population), on constate:

Résultat + - Exposition + 7 36 - 13 208 RR = 2,77 (IC 95% = 1,17, 6,53) p = 0,01841

Nous voyons une association significative dans la clinique mais pas dans la population. Cela est dû à un biais de sélection.

La fraction de la population dans la clinique est de 264/2783 = 0,09486166.

Pour que l'échantillon clinique représente la population en tenant en considération l'association de la population entre l'exposition et le résultat obtenu, nous nous attendons à ce que l'échantillon clinique ressemble à ceci:

Résultat + - Exposition + 2 16 - 19 226 RR = 1,43 (IC 95% = 0,36, 5,67) p = 0,6122

Ce que nous voyons dans l'échantillon clinique est le résultat de biais de sélection. Dans cet exemple, nous voyons des taux de participation de:

Résultat + - Exposition + 7/22 = 32,8% 29/171 = 17,0% - 13/201 = 6,4% 208/2389 = 8,7%

quand chaque cellule doit contenir environ 9,49% de la valeur de la cellule de la population.

Nous devons être très prudents en extrapolant des données cliniques à la population en général. Un échantillon de patients n'est généralement pas représentatif d'une population. Le problème, dans l'exemple ci-dessus, est le taux de fréquentation des cliniques. Le biais de sélection dans l'exemple est faible comparé à ce que nous constatons dans certains ensembles de données cliniques publiés par Golden et Grellety dans lesquels les cas de Score Z P/T sont nettement plus nombreux que les cas de PB.

Si nous examinons la recherche de cas dans la communauté, nous devons travailler avec les données de la communauté (c'est-à-dire la population). C'est ce dont nous avons besoin pour décider des critères d'admission.

Je pense que Golden et Grellety utilisent par erreur des données cliniques pour répondre à des questions de la population.

Si tout ce qui nous intéresse est de savoir ce qui se passe dans une cohorte de patients (et que cela puisse légitimement nous intéresser), nous devrions utiliser les données cliniques, mais nous ne devons jamais confondre avec les données de population et extrapoler les résultats cliniques à la population.

Le paradoxe de Berkson est une pratique épidémiologique classique connue et déconseillée depuis c. 80 ans. Voir l'article d'origine [url = https: //academic.oup.com/ije/article/43/2/511/680126] [url]. Ceci est une réimpression de 2014 de l'article original de 1946. Il est réimprimé de temps en temps parce que le paradoxe de Berkson est quelque chose dont nous oublions souvent de nous souvenir.

J'espère que cela pourra être utile à quelqu'un.