DOI: https://doi.org/10.1371/journal.pone.0350923
PMID: https://pubmed.ncbi.nlm.nih.gov/42268871
تاريخ النشر: 2026-06-10
المؤلف: Andualem Addisu Birlie وآخرون
الموضوع الرئيسي: تغذية الأطفال والوصول إلى المياه
نظرة عامة
تستكشف الدراسة انتشار وتنبؤات التغوط في العراء في زامبيا، مع تسليط الضوء على تداعياته الكبيرة على الصحة العامة، بما في ذلك انتشار الأمراض والتلوث البيئي. باستخدام بيانات ثانوية من المسح الديموغرافي والصحي في زامبيا لعام 2024 (ZMDHS)، تستخدم البحث التحليل الجغرافي وتقنيات التعلم الآلي لتحديد الأنماط المكانية والعوامل الرئيسية المرتبطة بممارسات التغوط في العراء. تكشف التحليلات عن معدل انتشار يبلغ 12.1%، مع تفاوتات إقليمية ملحوظة تتأثر بالعوامل الاجتماعية والاقتصادية، والبنية التحتية، ومبادرات الصرف الصحي.
تشير النتائج الرئيسية إلى أن مؤشر الثروة، والوصول إلى المياه المعالجة، والكهرباء، ومستوى التعليم، وعمر رب الأسرة، والوصول إلى وسائل الإعلام، والمنطقة الجغرافية هي عوامل حاسمة تحدد ممارسات التغوط في العراء. نماذج التعلم الآلي في الدراسة، وخاصة نموذج تعزيز التدرج الخفيف، صنفت هذه الممارسات بفعالية وحددت المتنبئين المهمين. تؤكد النتائج على ضرورة التدخلات المستهدفة والمبنية على المعلومات الجغرافية من قبل الحكومات والمنظمات غير الحكومية لمعالجة التفاوتات المحددة. علاوة على ذلك، يدعو المؤلفون إلى اتباع أساليب مختلطة في الأبحاث المستقبلية لتضمين الأبعاد الثقافية والدراسات الطولية لتقييم تأثير تغير المناخ على البنية التحتية للصرف الصحي، بهدف تعزيز نتائج الصحة العامة والتقدم نحو الهدف السادس من أهداف التنمية المستدامة 6.2 بحلول عام 2030.
مقدمة
تسلط المقدمة الضوء على القضية الحرجة للصحة العامة المتعلقة بالتغوط في العراء، خاصة في المناطق النامية مثل آسيا وأفريقيا جنوب الصحراء، حيث يسهم بشكل كبير في تلوث البيئة وانتشار الأمراض. في عام 2020، أفادت منظمة الصحة العالمية واليونيسف أن أكثر من 673 مليون شخص يمارسون التغوط في العراء، مع وجود ما يقرب من نصفهم في أفريقيا جنوب الصحراء، وخاصة في المناطق الريفية. ترتبط هذه الممارسة بعواقب صحية خطيرة، بما في ذلك سوء التغذية وزيادة حالات الأمراض الإسهالية، التي تسببت في أكثر من 297,000 وفاة بين الأطفال دون سن الخامسة في عام 2019. تشمل العوامل المؤثرة في التغوط في العراء الفقر، ونقص الدعم الحكومي، وعناصر سكانية اجتماعية متنوعة مثل التعليم وتركيبة الأسرة.
تهدف الدراسة إلى استخدام التباين الجغرافي وتقنيات التعلم الآلي للتنبؤ بممارسات التغوط في العراء في زامبيا، مع معالجة فجوة في الأدلة على المستوى الوطني بشأن العوامل المساهمة. من خلال استخدام تحليل SHAP، تسعى الدراسة إلى كشف العلاقات المعقدة التي غالبًا ما يتم تجاهلها بواسطة الطرق التقليدية، وبالتالي توفير رؤى قابلة للتنفيذ لتحسين إدارة الصرف الصحي. من المتوقع أن تُعلم النتائج صانعي السياسات وتعزز تخصيص الموارد لبرامج المياه والصرف الصحي والنظافة (WASH) المقاومة للمناخ، مما يساعد في النهاية على تقليل الفجوات في الصرف الصحي والمخاطر الصحية ذات الصلة.
الطرق
توضح قسم “الطرق” تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث نفذوا تجارب محكومة لجمع البيانات حول المتغيرات المحددة. شملت المنهجيات الرئيسية التحليلات الإحصائية، التي تم تنفيذها باستخدام أدوات برمجية لضمان دقة وموثوقية النتائج.
بالإضافة إلى ذلك، يوضح القسم تقنيات أخذ العينات والمعايير لاختيار المشاركين، مع التأكيد على أهمية العينات التمثيلية لتعزيز قابلية تعميم النتائج. تصف الطرق أيضًا القياسات والأدوات المحددة المستخدمة لجمع البيانات، مما يضمن أن الدراسة تلتزم بالمعايير العلمية الصارمة. بشكل عام، تم تصميم الإطار المنهجي لتسهيل فهم شامل للأسئلة البحثية المطروحة.
النتائج
حللت الدراسة بيانات من 12,808 أسرة في زامبيا، كاشفة أن 12.1% من هذه الأسر تمارس التغوط في العراء. أشار التحليل المكاني إلى وجود تجمعات كبيرة لممارسات التغوط في العراء، مع وجود نقاط ساخنة تقع بشكل رئيسي في المناطق الجنوبية والغربية والشرقية، مما يبرز الحاجة إلى تدخلات مستهدفة في هذه المناطق.
للمزيد من التحقيق في المتنبئين بالتغوط في العراء، تم استخدام نماذج التعلم الآلي، حيث حقق نموذج تعزيز التدرج الخفيف أعلى أداء، محققًا منطقة تحت المنحنى (AUC) تبلغ 83.83%. نجح النموذج في تحديد 198 إيجابية حقيقية، مصنفًا بدقة الأسر التي أفادت بممارستها للتغوط في العراء. تسلط هذه النتائج الضوء على كل من انتشار التغوط في العراء في مناطق معينة وإمكانات تقنيات التعلم الآلي لإبلاغ استراتيجيات الصحة العامة.
المناقشة
استخدمت الدراسة بيانات ثانوية من المسح الديموغرافي والصحي في زامبيا لعام 2024 (ZMDHS) لتحليل ممارسات التغوط في العراء عبر عشر مناطق في زامبيا. تم أخذ عينة من 12,808 أسرة باستخدام طريقة أخذ العينات العنقودية ذات المرحلتين. تم تصنيف المتغير التابع بناءً على وجود أو عدم وجود مرافق الصرف الصحي، بينما كانت خصائص الأسرة المختلفة بمثابة متغيرات تفسيرية. استخدم التحليل تقنيات مكانية، بما في ذلك Moran’s I العالمي للاكتشاف الذاتي المكاني وتحليل النقاط الساخنة باستخدام Getis-Ord Gi*، مما كشف عن تجمعات كبيرة لممارسات التغوط في العراء، خاصة في المناطق الغربية والجنوبية والشرقية.
تم تطبيق طرق التعلم الآلي للتنبؤ بممارسات التغوط في العراء، حيث تم تقييم سبعة خوارزميات لأدائها. ظهر نموذج تعزيز التدرج الخفيف كالأكثر فعالية على مجموعة بيانات متوازنة، محققًا AUC قدره 0.8383 ودقة قدرها 82.05%. تشمل المتنبئين الرئيسيين الذين تم تحديدهم مؤشر الثروة، والوصول إلى المياه المعالجة، ومستوى التعليم، وعمر رب الأسرة. تؤكد النتائج على أهمية العوامل الاجتماعية والاقتصادية والوصول إلى الموارد في التأثير على ممارسات الصرف الصحي، مما يبرز المجالات التي تتطلب تدخلات مستهدفة لتقليل التغوط في العراء في زامبيا.
القيود
تقدم الدراسة نقاط قوة ملحوظة، خاصة في الجمع المبتكر بين التعلم الآلي والتحليل الجغرافي، مما سهل النمذجة التنبؤية لممارسات التغوط في العراء في زامبيا وكشف عن رؤى حول التجمعات المكانية. يوفر تحديد النقاط الساخنة الإقليمية أدلة قوية للتدخلات المستهدفة. ومع ذلك، فإن البحث مقيد بتصميمه العرضي، مما يحد من الاستنتاجات السببية، والاعتماد على بيانات الاستطلاع التي قد تُدخل تحيزًا. بالإضافة إلى ذلك، قد تؤثر الاختلافات في العينات الإقليمية على دقة التنبؤات. كما أن الدراسة لا تعالج بشكل كافٍ المعايير الثقافية وجودة البنية التحتية للصرف الصحي. هذه النقاط القوة والقيود تبرز إمكانية الدراسة في إبلاغ السياسات الصحية القائمة على الأدلة مع الإشارة إلى الحاجة إلى مزيد من البحث في مجالات محددة.
DOI: https://doi.org/10.1371/journal.pone.0350923
PMID: https://pubmed.ncbi.nlm.nih.gov/42268871
Publication Date: 2026-06-10
Author(s): Andualem Addisu Birlie et al.
Primary Topic: Child Nutrition and Water Access
Overview
The study investigates the prevalence and predictors of open defecation in Zambia, highlighting its significant public health implications, including the spread of diseases and environmental contamination. Utilizing secondary data from the 2024 Zambia Demographic and Health Survey (ZMDHS), the research employs geospatial analysis and machine learning techniques to identify spatial patterns and key factors associated with open defecation practices. The analysis reveals a prevalence rate of 12.1%, with notable regional disparities influenced by socioeconomic factors, infrastructure, and sanitation initiatives.
Key findings indicate that the wealth index, access to treated water, electricity, educational level, age of the household head, access to media, and geographic region are critical determinants of open defecation practices. The study’s machine learning models, particularly the light gradient boosting model, effectively classified these practices and identified significant predictors. The results underscore the necessity for targeted, geographically-informed interventions by governments and NGOs to address the identified disparities. Furthermore, the authors advocate for mixed-methods approaches in future research to incorporate cultural dimensions and longitudinal studies to assess the impact of climate change on sanitation infrastructure, ultimately aiming to enhance public health outcomes and progress toward Sustainable Development Goal 6.2 by 2030.
Introduction
The introduction highlights the critical public health issue of open defecation, particularly in developing regions such as Asia and Sub-Saharan Africa, where it significantly contributes to environmental pollution and the spread of diseases. In 2020, the WHO and UNICEF reported that over 673 million people engage in open defecation, with nearly half of them residing in Sub-Saharan Africa, predominantly in rural areas. The practice is linked to severe health consequences, including malnutrition and increased incidence of diarrheal diseases, which accounted for over 297,000 deaths among children under five in 2019. Factors influencing open defecation include poverty, lack of government support, and various sociodemographic elements such as education and household composition.
The study aims to utilize geospatial variation and machine learning techniques to predict open defecation practices in Zambia, addressing a gap in national-level evidence regarding its contributing factors. By employing SHAP analysis, the research seeks to uncover complex relationships often overlooked by traditional methods, thereby providing actionable insights for improving sanitation management. The findings are expected to inform policymakers and enhance resource allocation for climate-resilient Water, Sanitation, and Hygiene (WASH) programs, ultimately aiding in the reduction of sanitation disparities and related health risks.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, implementing controlled experiments to gather data on the specified variables. Key methodologies included statistical analyses, which were performed using software tools to ensure accuracy and reliability of the results.
Additionally, the section details the sampling techniques and criteria for participant selection, emphasizing the importance of representative samples to enhance the generalizability of the findings. The methods also describe the specific measurements and instruments used to collect data, ensuring that the study adheres to rigorous scientific standards. Overall, the methodological framework is designed to facilitate a comprehensive understanding of the research questions posed.
Results
The study analyzed data from 12,808 households in Zambia, revealing that 12.1% of these households practiced open defecation. Spatial analysis indicated significant clustering of open defecation practices, with hot spots primarily located in the Southern, Western, and Eastern regions, underscoring the need for targeted interventions in these areas.
To further investigate the predictors of open defecation, machine learning models were employed, with the light gradient boost model yielding the highest performance, achieving an area under the curve (AUC) of 83.83%. The model successfully identified 198 true positives, accurately classifying households that reported engaging in open defecation practices. These findings highlight both the prevalence of open defecation in specific regions and the potential of machine learning techniques to inform public health strategies.
Discussion
The study utilized secondary data from the 2024 Zambia Demographic and Health Survey (ZMDHS) to analyze open defecation practices across Zambia’s ten regions. A total of 12,808 households were sampled using a two-stage stratified cluster sampling method. The dependent variable was categorized based on the presence or absence of sanitation facilities, while various household characteristics served as explanatory variables. The analysis employed spatial techniques, including Global Moran’s I for spatial autocorrelation and hot spot analysis using Getis-Ord Gi*, revealing significant clustering of open defecation practices, particularly in the Western, Southern, and Eastern regions.
Machine learning methods were applied to predict open defecation practices, with seven algorithms evaluated for performance. The Light Gradient Boosting model emerged as the most effective on a balanced dataset, achieving an AUC of 0.8383 and an accuracy of 82.05%. Key predictors identified included wealth index, access to treated water, educational level, and age of the household head. The findings underscore the importance of socioeconomic factors and access to resources in influencing sanitation practices, highlighting areas for targeted interventions to reduce open defecation in Zambia.
Limitations
The study presents notable strengths, particularly in its innovative combination of machine learning and geospatial analysis, which facilitated the predictive modeling of open defecation practices in Zambia and revealed insights into spatial clustering. The identification of regional hot spots provides compelling evidence for targeted interventions. However, the research is constrained by its cross-sectional design, which limits causal inferences, and the reliance on survey data that may introduce bias. Additionally, variations in regional samples could impact the accuracy of predictions. The study also falls short in adequately addressing cultural norms and the quality of sanitation infrastructure. These strengths and limitations underscore the study’s potential to inform evidence-based sanitation policies while indicating the need for further research in specific areas.