CONTEXTE : Le soutien et la protection de l’alimentation du nourrisson et du jeune enfant en situation d’urgence (ANJE-U) est d’une importance cruciale pour la survie des enfants. L’allaitement maternel exclusif, plus que toute autre mesure, est l’intervention la plus efficace pour sauver des vies. Associé à une alimentation complémentaire optimale, il permet d’éviter jusqu’à 26 % des décès en bas âge. En situation d’urgence, les enfants âgés de moins de deux ans sont exposés à d’importants risques. Par exemple, on a observé qu’en situations d’urgence, le taux de mortalité des nourrissons de moins de 1 an était de 12 à 53 % plus élevé qu’en temps normal . Dans de tels contextes, une ANJE-U optimale permet de sauver encore davantage de vies.

Bien que presque tous les enfants vivant dans les pays d’Afrique de l’ouest et du centre soient allaités, un tiers seulement sont mis au sein dans l’heure qui suit l’accouchement, et moins d’un enfant sur quatre ne reçoit que le lait maternel pendant ses six premiers mois de vie (21% comparés à 38% dans les pays en développement . De plus, l’alimentation au-delà de six mois reste peu diversifiée, ce qui entraine des carences nutritionnelles sévères. En dehors des causes liées au manque d’éducation ainsi qu’aux pratiques et croyances traditionnelles, il est probable que les crises récurrentes qui touchent la région depuis des années ont entraîné une détérioration de ces pratiques et aggravé ainsi les risques déjà importants auxquels sont exposés les enfants de moins de 2 ans. Face à cette situation, l’ANJE-U a été reconnue comme une composante essentielle de l’apport nutritionnel minimal pour les interventions d’urgence dans cette région. L’intervention de multiples acteurs sera nécessaire pour mettre en place des interventions d’ANJE-U de qualité afin de sauver des vies.

OBJECTIFS : Cette formation vise à munir les participants des compétences, des connaissances et de la compréhension qui leur permettront de créer et de mettre en œuvre des programmes d’alimentation du nourrisson et du jeune enfant en situations d’urgence (ANJE-U) compatibles avec les approches et programmes sectoriels convenus.

PARTICIPANTS : Gestionnaires de programme, coordonnateurs des opérations de nutrition et conseillers en nutrition qui élaborent et mettent en œuvre des programmes et des services d’ANJE-U, notamment pour les personnes déplacées de l’intérieur : ONG, ONU, bailleurs de fonds, ainsi que les partenaires publics et notamment le Ministère de la Santé.

PROGRAMME GÉNÉRAL:
(Un programme plus détaillé vous sera envoyé plus près de la formation)
• Qu’est-ce que l’ANJE-U ? Séance technique portant sur la théorie et la pratique
• Comment planifier et mettre en œuvre les interventions d’ANJE-U
• Présentation et utilisation des outils opérationnels
• Planification de la capacité de préparation et d’application à plus grande échelle

N.B. : La formation se déroulera en français.

RETIREZ VOTRE DOSSIER DE CANDIDATURE EN CONTACTANT:
Charlotte d'Elloy: C.DElloy@savethechildren.org.uk
Diane Moyer: D.Moyer@savethechildren.org.uk

LQAS se réfère à une technique d'échantillonnage séquentiel qui classe plutôt que des estimations une proportion, moyenne, ou autre statistique sommaire. Surtout, nous utilisons LQAS pour classer la prévalence, la couverture, ou de l'assortiment alimentaire complet.

Le terme utilisé pour décrire le type de LQAS sont un peu arbitraire. Voici quelques définitions qui pourraient être utiles:

(A) conventionnel LQAS: Cela est généralement une méthode simple à deux classes dont les règles de classification sont décidées par l'inspection des probabilités binomiale cumulée et l'échantillon est un échantillon aléatoire simple ou un échantillon systématique. Des variantes comprennent l'utilisation de différentes distributions de probabilité (par exemple de la normale pour classer une moyenne, l'hypergéométrique pour classer une proportion dans une petite population, le Poisson pour classer un nombre ou un taux, ... et ainsi de suite).

(B) LQAS-munitions: Cela peut se référer à LQAS avec un échantillon de cluster dans lequel l'ensemble de l'échantillon est classé. Il peut également se référer à faire le classement au niveau de la grappe. Si cette dernière méthode est utilisée avec un échantillon spatiale alors une carte peut être faite.

(C) LQAS modification: Ceci est un fourre-tout pour quelque chose qui se fait un peu différent. La méthode de couverture de SLEAC (par exemple) utilise une méthode LQAS "modifié" (et simplifiée) de donner trois ou plusieurs classes et utilise des règles de-pouce simples pour le calcul des règles de décision. Tronqué LQAS utilise une règle de décision complexe pour permettre à trois classes et des économies considérables dans la taille des échantillons à des prévalences basses et hautes. Il convient de noter que, dans la santé publique, nous avons tendance à regrouper toutes les formes de l'échantillonnage séquentiel sous la LQAS terme. Parfois, nous voyons un "LQAS modifiés" qui pourraient être décrits comme (par exemple) "classification séquentielle SPRT" lorsqu'il est utilisé dans l'écologie ou de protection des cultures.

WRT votre question sur les procédures d'échantillonnage:

(A) serait utiliser des échantillons aléatoires ou systématiques simples. Certaines applications d'audit cliniques utilisent des échantillons consécutifs (par exemple le prochain patient et le patient suivant).

(B) La première variante pourrait utiliser PPS et la proximité d'échantillonnage (comme SMART fait). La seconde variante pourrait utiliser un échantillon stratifié spatiale (par exemple SCCS, S3M) et un échantillon aléatoire ou une approche carte-segment échantillon avec le PSU.

(C) SLEAC (et SQUEAC dans certaines circonstances) utiliser un échantillon entraînée actif et adaptatif / boule de neige / intimée. Échantillonnage séquentiel tronqué pour la résistance du VIH aux médicaments et la tuberculose ont utilisé un échantillonnage consécutive.

J'espère que cela aide.

Cher Mark,
Merci beaucoup pour le retour de détail. Je me demandais si vous clarifier davantage sur les questions suivantes;
1. Taille de l'échantillon - est le calcul de la taille de l'échantillon le même pour LQAS classiques et Cluster / LQAS modifiés? l'LQAS classique ou conventionnelle applique pur échantillonnage aléatoire simple alors que les munitions / LQAS modifiés parties de l'échantillonnage en grappes introduites. Selon le guide typique LQAS, la taille de l'échantillon recommandée est de 95. La taille par zone de surveillance de super diffèrent selon les zones de nombre défini (normal est 5x19). Cependant, le manuel de l'OMS sur le terrain de LQAS de cluster - (couverture de la vaccination 2012) recommande différemment, échantillon de 60 enfants. Le manuel recommande le lot doit être divisée en dix zones de chaque six enfants. En ce qui concerne LQAS modifiés (presque similaire au cluster LQAS), je lis une évaluation menée en subventions dans l'USAID à Madagascar et au Guatemala. Ce qu'ils ont fait est de modifier de chaque contrôle par regroupement en sept de chaque trois entretiens, total de 21 pour les zones de surveillance.
2. Analyse - ma question est l'analyse de munitions / LQAS modifiés. Dans LQAS typique, l'analyse (couverture, règle de décision) se fait indépendamment (par SA) et peuvent être agrégées pour obtenir globale. Que diriez-vous dans le cluster LQAS? Comme par les 30by30 munitions / guides SMART, il est recommandé de ne pas analyser par niveau de la grappe. Si tel est le cas, comment pouvons-nous savoir la couverture de chaque SA?
Merci

(1) Les techniques d'échantillonnage séquentiels se sont révélés être robuste aux écarts par rapport à l'échantillonnage idéal. Dans les applications écologiques et agricoles (par exemple), il est généralement regroupement spatial et temporel. Par exemple, une ferme piscicole pourrait utiliser des pièges pour prendre des échantillons en petits lots. Cette robustesse est une des raisons de leur popularité (l'autre étant la simplicité de l'analyse). Cluster / LQAS modifiés peuvent ou non utiliser l'échantillonnage en grappes. Le terme «modifié LQAS" est un terme fourre-tout - cela pourrait signifier presque tout. Le terme «grappe LQAS" peut se référer à un échantillon dans lequel un échantillon suffisant pour faire une classification est prélevé dans chaque unité primaire d'échantillonnage (PSU) ou quand un petit échantillon est prélevé dans chaque PSU qui, lorsqu'ils sont combinés, est assez grand pour faire une classification dans une vaste zone. Dans le premier cas, nous devrions utiliser une technique de carte-segment échantillon dans chaque UPE pour obtenir près d'un échantillon aléatoire simple. Dans le second cas, nous aurions un grand nombre de petites grappes de sorte que tout effet de la conception de l'échantillon est susceptible d'être faible. Je ne sais pas où n = 95 vient. Cela est tout à fait une grande taille de l'échantillon pour la plupart des applications de LQAS. Je l'ai utilisé tailles aussi grandes que n = 96 échantillons, mais l'échantillon le plus souvent je l'ai utilisé sur les tailles entre n = 30 et n = 50. Je pense que vous ne devez pas prendre ces directives comme loi. Il est typique pour faire vos propres plans d'échantillonnage en fonction de ce que les niveaux d'indicateurs sont importantes et les niveaux d'erreur et ce que l'équilibre des erreurs que vous êtes prêt à tolérer. Dans une application actuel de LQAS que je travaille sur le HCR (par exemple), nous constatons que n = 60 (avec un nombre de différentes règles de décision) est assez bon pour tous les indicateurs de WASH.

(2) Une approche serait de regarder l'indicateur et a décidé sur les frontières de classe et les erreurs acceptables et de travailler sur le plan d'échantillonnage (c.-à-taille de l'échantillon et la règle de décision). Si cela est (par exemple) n = 30, d = 21 alors je envisagerait de prendre n = 30 divisé entre autant UAR était possible / abordables à partir de chaque SA et le classer chaque SA séparément. Je voudrais ensuite combiner l'échantillon comme un échantillon stratifié de SA et de faire une estimation large zone. De cette façon, je voudrais obtenir une estimation dans une vaste zone et une carte indiquant (par exemple) les sociétés avec bonne et mauvaise couverture.

Peut-être que vous devriez laisser utiliser un savoir votre demande et nous pourrions travailler à travers les questions / processus.

Je espère que cela est d'une certaine utilité.

Cher Mark,
Merci. Ces différentes versions avec une terminologie différente confusion crée de problème pour les gens qui travaillent au sol. Je pense qu'il doit y avoir un système uniforme à travers le conseil d'administration. il n'y a aucun moyen de renvoi différents manuels (FANTA, l'OMS, CORE Group, HCR, etc.) est utilisée chaque approche différente. Je pense que nous devons prendre leçon de SMART, PCMA et SQUEAC où les choses sont désormais harmonisées.

Merci

Il ya une confusion de termes dans le domaine non seulement avec LQAS. Par exemple, nous pensons SMART qu'avec un «échantillonnage en grappes" approche. Je pris trois textes de référence les normes (pas de guides) de mes étagères et regardé la définition de «l'échantillonnage en grappes». J'ai trouvé:

KIRKWOOD: UPE sont sélectionnées en utilisant un échantillon aléatoire simple et un échantillon du recensement est prise dans l'UPE. Ceci est similaire à l'approche adoptée avec SCCS, SLEAC, et le stade III enquêtes SQUEAC (systématique plutôt que de hasard échantillon de premier degré est utilisé).

Moser & Kalton: Comme par KIRKWOOD.

THOMPSON: Comme par Kirkwood et Moser & Kalton mais avec une méthode similaire à celle utilisée par SMART comme une variante.

Le point que je suis en train de faire est que nous ne penser qu'à «échantillonnage en grappes» et «PPS» comme termes simples et incontestables parce que nous avons (dans la nutrition d'urgence) un répertoire plutôt limité de méthodes.

Le type d'échantillon que nous utilisons dans SMART est dérivée de la méthode d'enquête sur la couverture du PEV. EPI a un «échantillon de cluster modifié". Il utilise PPS dans la façon dont SMART fait, a un nombre fixe de grappes (m = 30), a une taille de l'échantillon fixe (n = 210) qui est recueilli que des échantillons m = 30 de quotas de n = 7 de chaque cluster en utilisant une Procédé d'échantillonnage de proximité). Des méthodes telles que SMART peuvent être correctement appelées «enquêtes en grappes échantillonnées à deux étapes de la conception du PEV modifiée".

La définition de KIRKWOOD (utilisé dans SCCS, SLEAC et SQUEAC) est une conception PPS, mais n'a pas utilisé le mécanisme PPS ou le design échantillon que nous sommes familiers avec du PEV et SMART.

Retour à LQAS ...

Une source de confusion avec LQAS vient de cette finale "S" (pour "échantillonnage"). Cela nous fait penser que LQAS est sur l'échantillonnage quand il est vraiment une approche de l'analyse des données (qui peut aller avec échantillonnage-main dans la main). Nous pouvons utiliser LQAS avec (presque) tout échantillon. Il peut faire pire ... il ya aussi (par exemple) BSS (échantillonnage séquentiel binomial) et TSS (d'échantillonnage séquentiel tronquée) qui sont liés à LQAS. Ces méthodes ont la confusion supplémentaire de "échantillonnage séquentiel" dans leurs noms qui a conduit certains utilisateurs (même dans les CDC et l'OMS) à plaider pour l'utilisation de ces méthodes qu'avec échantillons consécutifs (soit un échantillon systématique avec un intervalle d'une d'échantillonnage) lorsqu'une telle limitation sur l'échantillonnage ne se applique pas. Voici la confusion entre «analyse séquentielle" (analyse des données comme il est collecté) et l'échantillonnage consécutive.

Une autre source de confusion est que LQAS est juste une d'une famille de méthodes qui pourraient mieux être décrit comme "techniques d'analyse séquentielle". Quelques-uns de ces différentes méthodes sont utilisées pour des applications de santé publique et donné le nom "LQAS» ou obtenir appelé "-LQAS modifié". Je suppose que ce dernier est correct que LQAS était la méthode la plus ancienne. Id ne pas aider ce domaine différents ont des noms différents pour la même méthode ou d'utiliser le même nom pour différentes méthodes (ce ne sont pas seulement un problème pour LQAS).

Pourtant, une autre source de confusion provient de l'opérationnalisation des méthodes. Par exemple, certaines applications utilisent "d" (le "numéro de réception"), mais d'autres utilisent "r" (le "numéro de rejet») dans les règles de décision.

Je sais que cela a probablement pas d'aide, mais il peut vous réconcilier avec la confusion.

Il ya aussi la consolation de la religion. Voici quelque chose de pertinent à partir du mythe de la création judéo-chrétienne (Genèse 11: 1-9):
11: 1 Maintenant, le monde entier avait une seule langue et un discours commun. 11: 2 Comme les gens partis de l'orient, ils trouvèrent une plaine au pays de Schinear, et s'y installe. 11: 3 Ils dirent les uns aux autres: «Venez, nous allons faire des briques et cuisons-les ". La brique leur servit de pierre, et de goudron pour le mortier. 11: 4 Et ils dirent: "Allons, bâtissons-nous une ville, une tour dont le sommet touche au ciel, afin que nous puissions faire un nom pour nous-mêmes; sinon nous serons dispersés sur la face de toute la terre ". 11: 5 Mais l'Éternel descendit pour voir la ville et la tower les gens étaient en train de construire. 11: 6 Le Seigneur a dit, "Si un seul peuple parlant la même langue, ils ont commencé à faire cela, alors rien de ce qu'ils comptent faire sera impossible pour eux ". 11: 7 "Allons! Descendons, et là confondons leur langage de sorte qu'ils ne seront pas comprendre les uns les autres ". 11: 8 Et l'Éternel les dispersa de là sur toute la la terre, et ils cessèrent de bâtir la ville. 11: 9 Voilà pourquoi il a été appelé Babel - parce qu'il y le Seigneur confondit le langage de toute la terre. De là, le Seigneur les dispersa sur la face de toute la terre.
Je pense que nous pouvons convenir que si nous pouvions enlever toute cette confusion terminologique alors rien ne nous prévoyons serait impossible.

aimer!
merci pour me faire sourire, Mark.