Je ne peux pas parler au nom de l'Initiative SMART et ont peu d'expérience de leur logiciel, mais je vais tenter de répondre à cette question.

Je ne suis pas sûr de ce que vous entendez par «gamme moyenne de -3 à +3". Si cela est la gamme en dehors de laquelle un WHZ calculée est réputée ne pas être fiables, alors il est trop restrictif car WHZ <-3 est un seuil pour SAM cas la définition et le logiciel ne serait que des cas d'utilisation de œdèmes bilatéraux lors de l'estimation de la prévalence de SAM. Si cela est un WHZ moyenne pour l'ensemble des données de l'enquête alors ceci est sensible (pour le travail d'enquête standard - voir ci-dessous) comme un moyen de -3 WHZ correspondrait à un taux de prévalence de 50% de la SAM.

Le module de EpiNut EpiInfo v6.xx utilise ces seuils pour identifier les cas individuels qui peuvent avoir des données erronées. Cela est logique puisque cette seuils sont probablement incompatible avec la vie.

Je pense que vous devriez vérifier ce que SMART entend par «gamme moyenne de -3 à +3".

Si des cas sont simplement marqués alors il n'y a pas de conséquences à cela. Si elles sont automatiquement exclus de rapports, puis il vous cesser d'utiliser le logiciel SMART pour effectuer de telles analyses dans l'enquête de la gamme de WHZ des enfants admis à un programme d'alimentation thérapeutique depuis le WHZ moyenne dans cette application sera presque toujours en dessous de -3.

Je pense que vous devez être prudent lors de l'interprétation des contrôles de plausibilité automatiques. Ils sont utiles, mais peuvent induire en erreur. Comme exemple, je vais regarder la répartition par âge. Les contrôles de plausibilité sur ces données sont un peu limité parce que, après environ deux ans les âges sont souvent déclarés comme des années entières. L'approche standard consiste à recoder données dans les groupes d'âge-année centrée puis vérifier une déviation par rapport à l'uniformité dans la distribution. Ceci est une approche raisonnable, mais si il y avait un choc grave dans le passé récent qui a causé beaucoup de mortalité infantile alors la distribution d'âge aura une fente où les enfants morts auraient été si elles ne sont pas décédées. Les données peuvent être bonne, mais le contrôle de plausibilité vont penser qu'ils ne sont pas. Une situation similaire pourrait se produire si la mortalité infantile diffère entre sexes ou (par exemple) les enfants de sexe féminin sont préférentiellement avortés comme cela a été rapporté de la Chine et de l'Inde. Les contrôles peuvent également fournir des résultats peu fiables si il ya plus âgés (rabougris) enfants dans les données causant le test pour être basé sur de petits nombres dans certaines strates ou, si les enfants plus âgés sont traités comme des enfants de 5 ans, de rapports un excès d'enfants plus âgés.

Il n'y a rien de mal avec des contrôles de plausibilité et je vous encourage à les utiliser, mais vous avez à les traiter avec prudence et vérifier si il existe d'autres (c.-à la mauvaise qualité de données) des explications sur les motifs «suspects» dans les données.

La question de la préférence de chiffres a été discuté sur un fil précédent sur ce forum.

Quant à "totalement inutile" ... les données devraient être de très mauvaise qualité pour être "totalement inutile". Je pense que la préférence de chiffres est beaucoup moins grave que d'un échantillon pauvres.

Le champ FLAG dans Epi Info 6 est utilisé pour identifier les dossiers où il ya des données manquantes ou une forte probabilité que les données sont incorrectes sur la base de Z-scores extrêmes. Basé sur la référence OMS précédente (CDC de référence / NCHS), les suivantes ont été signalées:

Indice Minimum Maximum
HAZ -6,0 6,0
WHZ -4,0 6,0
WAZ -6,0 6,0

Deux autres critères sont les suivants:

HAZ> 3,09 et WHZ <-3,09 (très grand et maigre)
HAZ <-3,09 et WHZ> 3,09 (très court et lourd)

Toutes les valeurs de z sont fournis dans Epi Info et il appartient à l'utilisateur de décider d'accepter ou non l'approche de Epi Info à signalant valeurs extrêmes ou utiliser une méthode différente. Les utilisateurs doivent écrire leur propre code Epi Info pour éliminer les valeurs extrêmes et le code d'exemple est fourni qui peut être utilisé dans le module d'analyse de Epi Info (de amiss1.pgm et amiss2.pgm).

Dans ma propre expérience, je l'ai trouvé occasionnellement les enfants qui ont été signalées, mais les mesures ont été correcte - souvent des enfants soit une maladie chronique grave et / ou de malnutrition sévère.

Ce ne sont pas une science exacte - ce un équilibre délicat de retirer les enfants avec des mesures inexactes tout en essayant de retenir les enfants avec des mesures correctes mais extrêmes.

Avec un personnel correctement formé en utilisant un bon équipement de mesure et l'enregistrement minutieux des résultats, il devrait être quelques mesures incorrectes.