Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Ước lượng cấp quận ở Hoa Kỳ cho các chỉ số hành vi liên quan đến sức khỏe mẹ và trẻ sơ sinh sử dụng dữ liệu hệ thống giám sát đánh giá rủi ro thai kỳ, 2016-2018
Tóm tắt
Có nhu cầu rất lớn về dữ liệu sức khỏe mẹ và trẻ em ở cấp địa phương (ví dụ, cấp quận), tuy nhiên hầu hết các quận đều thiếu nguồn lực bền vững hoặc khả năng thu thập dữ liệu ở cấp địa phương. Trong trường hợp này, ước lượng khu vực nhỏ dựa trên mô hình (SAE) có thể là một phương pháp khả thi. Chưa từng có nghiên cứu hay đánh giá nào về SAE cho các hành vi liên quan đến sức khỏe mẹ hoặc trẻ sơ sinh ở các khu vực nhỏ. Chúng tôi áp dụng phương pháp hồi quy đa mức với phân tầng sau để sản xuất các ước lượng cấp quận sử dụng dữ liệu Hệ thống Giám sát Đánh giá Rủi ro Thai kỳ (PRAMS), 2016–2018 (n = 65.803 từ 23 tiểu bang) cho 2 kết quả chính, cho con bú ở 8 tuần và tư thế ngủ không nằm ngửa ở trẻ sơ sinh. Trong số 1.471 quận, ước lượng mô hình trung vị cho tỷ lệ cho con bú ở 8 tuần là 59,8% (dao động từ 34,9 đến 87,4%), và trung vị của tư thế ngủ không nằm ngửa ở trẻ sơ sinh là 16,6% (dao động từ 10,3 đến 39,0%). Các mối tương quan mạnh được tìm thấy giữa các ước lượng mô hình và các ước lượng trực tiếp cho cả hai chỉ số ở cấp tiểu bang. Các ước lượng mô hình cho cả hai chỉ số gần với các ước lượng trực tiếp về độ lớn đối với Quận Philadelphia, Pennsylvania. Những phát hiện của chúng tôi hỗ trợ cho việc áp dụng phương pháp này vào các chỉ số sức khỏe và hành vi mẹ và trẻ sơ sinh khác trong PRAMS để hỗ trợ quyết định y tế công cộng ở cấp địa phương.
Từ khóa
#sức khỏe mẹ #sức khỏe trẻ sơ sinh #ước lượng khu vực nhỏ #hệ thống giám sát đánh giá rủi ro thai kỳ #PRAMS #hành vi sức khỏe #dữ liệu sức khỏe cộng đồngTài liệu tham khảo
Archuleta J, Chao SM. Maternal characteristics that impact postpartum weight retention: results from the 2016 Los Angeles Mommy and Baby (LAMB) follow-up study. Matern Child Health J. 2021;25:151–61.
Ghosh M, Rao JNK. Small area estimation: an appraisal. Stat Sci. 1994;9:65–93.
Pfeffermann D. New important developments in small area estimation. Stat Sci. 2013;28:40–68.
Ferreira LZ, Blumenberg C, Utazi CE, et al. Geospatial estimation of reproductive, maternal, newborn and child health indicators: a systematic review of methodological aspects of studies based on household surveys. Int J Health Geogr. 2020;19:41.
Shulman HB, D’Angelo DV, Harrison L, Smith RA, Warner L. The Pregnancy risk assessment monitoring system (PRAMS): overview of design and methodology. Am J Public Health. 2018;108:1305–13.
Congdon P. A multilevel model for cardiovascular disease prevalence in the US and its application to micro area prevalence estimates. Int J Health Geogr. 2009;8:6.
Berkowitz Z, Zhang X, Richards TB, et al. Multilevel small-area estimation of multiple cigarette smoking status categories using the 2012 behavioral risk factor surveillance system. Cancer Epidemiol Biomark Prev. 2016;25:1402–10.
Taylor J, Moon G, Twigg L. Using geocoded survey data to improve the accuracy of multilevel small area synthetic estimates. Soc Sci Res. 2016;56:108–16.
Knutson K, Zhang W, Tabnak F. Applying the small-area estimation method to estimate a population eligible for breast cancer detection services. Prev Chronic Dis. 2008;5(1):A10.
Gelman A, Little TC. Poststratification into many categories using hierarchical logistic regression. Surv Methodol. 1997;23:127–35.
Park DK, Gelman A, Bafumi J. Bayesian multilevel estimation with poststratification: state-level estimates from national polls. Polit Anal. 2004;12:375–85.
Park DK, Gelman A, Bafumi J. State-level opinions from national surveys: Poststratification using multilevel logistic regression. In: Cohen JE, editor. Public opinion in state politics. Palo Alto: Stanford University Press; 2006.
Zhang X, Holt JB, Lu H, et al. Multilevel regression and postratification for small-area estimation of population health outcomes: a case study of chronic obstructive pulmonary disease prevalence using the behavioral risk factor surveillance system. Am J Epidemiol. 2014;179:1025–33.
Zhang X, Holt JB, Yun S, et al. Validation of multilevel regression and postratification methodology for small area estimation of health indicators from the behavioral risk factor surveillance system. Am J Epidemiol. 2015;182:127–37.
Wang Y, Holt JB, Zhang X, et al. Comparison of methods for estimating prevalence of chronic diseases and health behaviors for small geographic areas: Boston validation study, 2013. Prev Chronic Dis. 2017;14:170281.
Pickering K, Scholes S, Bajekal M. Synthetic estimation of healthy lifestyles indicators: Stage 2 report. https://www.publichealth.ie/files/file/Synthetic_Estimation_Stage_2_Report.pdf. (Accessed June 29, 2021)
Pickering K, Scholes S, Bajekal M. Synthetic estimation of healthy lifestyles indicators: Stage 3 report. https://www.publichealth.ie/files/file/Synthetic_Estimation_Stage_3_Report.pdf. (Accessed June 29, 2021)
Preacher K. Advantages of Monte Carlo confidence intervals for indirect effects. Commun Methods Meas. 2012;6:77–98.
Gelman A. Struggles with survey weighting and regression modeling. Stat Sci. 2007;22:153–64.
Downes M, Carlin JB. Multilevel regression and poststratification as a modeling approach for estimating population quantities in large population health studies: a simulation study. Biom J. 2020;62:479–91.
Haslett S, Jones G. Small area estimation using surveys and censuses: some practical and statistical issues. Stat Transit. 2005;7:541–55.
Skrondal A, Rabe-Hesketh S. Prediction in multilevel generalized linear models. J R Stat Soc A. 2009;172:659–87.
Chatterjee S, Lahiri P, Li H. Parameteric bootstrap approximation to the distribution of EBLUP and related prediction intervals in linear mixed models. Ann Stat. 2008;36:1221–45.
Bajekal M, Scholes S, Pickering K, Purdon S. Synthetic estimation of healthy lifestyle indicators: Stage 1 report. https://www.publichealth.ie/files/file/Synthetic_Estimation_Stage_1_Report.pdf. (Accessed June 29, 2021).
Srebotnjak T, Mokdad AH, Murray CJL. A novel framework for validating and applying standardized small area measurement strategies. Popul Health Metr. 2010;8:26.