A partir de los datos de la Encuesta Demográfica y de Salud y de la Encuesta de Indicadores Múltiples por Conglomerados, se puede utilizar un análisis de tendencias para estimar la tasa media anual de reducción del retraso en el crecimiento (consulte la sección 3.6). El mismo método se puede aplicar a otros indicadores concretos.
Con este método, se pueden responder las siguientes preguntas:

• ¿Cuál es la tendencia actual en la reducción del retraso en el crecimiento?
• ¿La reducción del retraso en el crecimiento se aceleró durante el período de ejecución del último Plan de Acción Multisectorial sobre Nutrición?
• ¿La tendencia actual en la reducción del retraso en el crecimiento es suficiente para lograr la meta?

TASA MEDIA ANUAL DE REDUCCIÓN DEL RETRASO EN EL CRECIMIENTO

(Fuente: Plan de Acción sobre Nutrición de la Unión Europea)
Este análisis llevado a cabo a escala mundial demuestra que la TMAR actual no es suficiente para alcanzar la meta de 2025.

Puede ser muy útil hacer un análisis de partes interesadas en relación con el público general del sector de la nutrición para comprender mejor qué actor tiene determinada actitud hacia el proyecto y cuán influyente es esa persona.

Una persona que es muy positiva e influyente podría convertirse en una defensora del proyecto en el enfoque de comunicación, mientras que una persona que es muy negativa acerca del enfoque del proyecto, pero también es influyente debe tratarse con cuidado y la comunicación con dicha persona debería apuntar a que adopte una actitud neutral.

Si una persona con una actitud negativa no tiene casi ninguna influencia, se deben hacer menos esfuerzos para comunicarse con ella.

Por lo general, el mapeo de partes interesadas se realiza teniendo en cuenta 2 dimensiones: el nivel de interés en el tema/proyecto (negativo a positivo) y el nivel de influencia o el poder que tiene la parte interesada en la comunidad particular (en el caso de la PNIN, el sistema multisectorial de nutrición).

REALIZAR EL MAPEO DE PARTES INTERESADAS DE ACUERDO CON EL NIVEL DE INTERÉS E INFLUENCIA

TV Show

Radio show

Campaña en las redes sociales

La visibilidad de una organización, un proyecto o una iniciativa específicos se puede crear utilizando su logotipo y reconociendo su contribución en diferentes eventos de comunicación que se están organizando.

Por ejemplo, durante el lanzamiento de la PNIN en un país, se debería exhibir el logotipo de las organizaciones encargadas de la ejecución y los donantes y, de estar disponible, el logotipo de la PNIN (ya sea el logotipo mundial de la PNIN o el que haya diseñado específicamente la PNIN del país).

Los países de la PNIN que reciben fondos de la Unión Europea deben trazar un plan de visibilidad de acuerdo con las directrices específicas de la UE.

La comunicación y la visibilidad no son lo mismo. La comunicació se trata de los mensajes específicos que uno desea comunicar, para lograr objetivos bien definidos, a un público puntual mediante el uso de canales y herramientas de comunicación apropiados. Un plan de comunicación es más elaborado, pero puede incluir una sección concreta sobre cómo se pretende crear visibilidad para la PNIN.

Crear una identidad y marca determinada para la PNIN, incluidos el diseño de un logotipo y el uso de formatos o plantillas coherentes para los informes y las presentaciones, es parte del plan de visibilidad.

Los parámetros del TEAM de UNICEF y la OMS de 2017 se emplean actualmente como referencia.

• 2007: UNICEF elaboró la technical nota técnica 185 para calcular la TMAR de la prevalencia de peso inferior al normal.
• 2012: Se aprobaron las metas de nutrición de la Asamblea Mundial de la Salud para 2025.
• 2013: La Comisión Europea trazó el Plan de Acción sobre Nutrición 2014-2020 de la Unión Europea. En colaboración con la OMS, la Comisión Europea desarrolló una herramienta en Excel y un método para generar la TMAR.
• 2013: La OMS modificó la herramienta en Excel con la metodología descrita porDe Onis et al. para crear la herramienta de seguimiento de metas mundiales de nutrición (de Onis, G. Dewey, Borghi, W. Onyango, Blössner, Daelmans, Piwoz and Branca, 2013. The World Health Organization’s global target for reducing childhood stunting by 2025: rationale and proposed actions).
• 2014: Se publica el Informe de la Nutrición Mundial (GNR), incluida la estimación de la TMAR obtenida con la metodología descrita por De Onis et al. in 2013.
• 2015-2016: Se publican los GNR de 2015 y 2016 con otros indicadores de seguimiento del progreso que en el GNR de 2014.
• 2017: El Grupo Consultivo de Expertos Técnicos sobre Vigilancia de la Nutrición (TEAM) de UNICEF y la OMS publicó un informe técnico importante donde recomienda una metodología actualizada para vigilar la TMAR.
• 2017:La Comisión Europea publicó una nota metodológica para explicar por qué mantiene su metodología inicial.
• 2017: Se publica el GNR de 2017, donde se incorporan las recomendaciones brindadas por el TEAM en junio de 2017.
• 2017: La herramienta de seguimiento de la OMS, versión 2.3, genera una nota técnica para garantizar la coherencia con las recomendaciones proporcionadas por el TEAM.

Special Note: there seem to be a missing data point in the example provided. The example to generate the AARR seems to be based on 8 data points (including 2005) while the table provides only 7 data points. When using the 7 data points, the coefficient equals -0.0669 (and not -0.06613) and AARR is still 6.4%.

Link:
http://apps.who.int/nutrition/landscape/report.aspx

Características principales del panorama de nutrición (NLiS de la OMS):

• Subsecciones claras.
• Incluye el año de recolección del indicador
• Incluye un enlace directo a la fuente de la información (bueno para quienes leen desde la Web, no tanto para quienes leen el tablero impreso)
• Información muy clara sobre el significado y la interpretación de cada indicador (clic en la ventana)
• Incluye una sección sobre políticas y programas enumerados en la base de datos de la GINA

Incluye las siguientes secciones:

• Malnutrición infantil
• Malnutrición en mujeres
• Deficiencias de vitaminas y minerales
• Servicios de salud
• Seguridad alimentaria
• Prácticas de cuidado
• Compromiso
• Capacidad
• Indicadores
• Políticas y acciones en la base de datos mundial sobre la aplicación de medidas nutricionales (GINA)

EJEMPLO

Extracto tomado del tablero del Guatemala

Link:
http://countdown2030.org/country-and-regional-networks/country-profiles

Características principales del tablero del Countdown 2030:

• Subsecciones claras.
• Diseño visual simple con variedad de colores, pero densos.
• Perfil interactivo basado en la web con mucho potencial.
• Incluye secciones sobre igualdad muy fáciles de interpretar.
• Incluye fuente de los datos con enlace.

Incluye las siguientes secciones:

• Demografía
• Cobertura ininterrumpida de cuidados
• Igualdad
• Salud materna y de recién nacidos
• Nutrición de mujeres y niños
• Salud infantil
• Políticas, sistema, finanzas
• Ambiental

EJEMPLO

Extracto tomado del tablero del RCI

Link:
https://globalnutritionreport.org/

Características principales del tablero de nutrición GNR:

• Subsecciones claras.
• Diseño visual simple con variedad de colores, pero densos.
• Algunos gráficos son difíciles de interpretar rápidamente.
• Incluye fuente de los datos.
• Incluye un análisis de desigualdades por quintiles de riqueza.
• Incluye una sección sobre progreso en comparación con las metas mundiales de nutrición.
• Dos páginas en total para los tableros nacionales.

Incluye las siguientes secciones:

• Economía y demografía
• Antropometría en niños
• Estado nutricional de adolescentes y adultos
• Progreso comparado con las metas mundiales de nutrición
• Cobertura de intervención y prácticas de alimentación infantil
• Determinantes subyacentes
• Recursos financieros y acuerdos sobre políticas, legislación e institucionales

EJEMPLO

Extracto tomado del tablero del Uganda

Link:
http://poshan.ifpri.info/category/publications/district-nutrition-profiles/

Características principales del tablero de nutrición de distrito de las POSHAN:

• Tablero de nivel de distrito.
• Subsecciones claras.
• Gráfico de barras muy claro y simple con el promedio del distrito y el del estado. Un problema con este tipo de gráfico de barras es la escala, ya que es difícil comparar los indicadores que oscilan entre el 10 % y el 20 % con aquellos que oscilan entre el 40 % y el 50 %.
• Los indicadores con la leyenda “sin datos” aparecen claramente.
• Incluye fuente de los datos.
• Incluye también una sección con “posibles puntos de discusión”.
• Una página describe los determinantes de malnutrición y las fuentes de información.
• Cuatro páginas en total para los tableros subnacionales.

Incluye las siguientes secciones:

• Perfil demográfico
• Estado de la nutrición
• Determinantes inmediatos de la nutrición
• Cobertura de intervenciones específicas en nutrición
• Determinantes de nutrición subyacentes y básicos
• Intervenciones que afectan a los determinantes básicos y subyacentes

EJEMPLO

Extracto tomado del tablero del distrito de Bokaro

Link:
https://scalingupnutrition.org/progress-impact/monitoring-evaluation-accountability-and-learning-meal/

Se generaron tableros nacionales para los países SUN. Los tableros subnacionales están actualmente en producción; son levemente diferentes y están diseñados para comparar datos entre distritos.

Características principales del tablero de nutrición SUN MEAL:

• Subsecciones claras que corresponden directamente a la teoría de cambio de SUN y también se alinean en muchos sentidos con los marcos de nutrición de UNICEF y Lancet.
• Los indicadores con la leyenda “sin datos” aparecen claramente (si bien no se muestran en este ejemplo).
• Incluye el año más reciente de recolección del indicador.
• Incluye fuente de los datos.
• El uso de color para la codificación muestra el rendimiento en comparación con la media de rendimiento de otros países (o con la media nacional para el tablero subnacional).
• Los tableros subnacionales que aún no estén del todo completos tienen códigos de color para comparar una región con otra.
• Se incluye además un resumen descriptivo.
• Se incluye una página para explicar la clasificación por color.
• Seis páginas en total para tableros nacionales, ocho páginas para tableros subnacionales iniciales en borrador (sin publicar aún).

Incluye las siguientes secciones:

• Entorno propicio
• Finanzas para gestionar iniciativas de nutrición
• Intervenciones y cadena de alimentos
• Leyes promulgadas
• Impulsores de nutrición de los ODS
• La alimentación de lactantes y niños pequeños y la ingesta alimentaria
• Estado nutricional
• ODS asociados a la nutrición

EJEMPLO

Extracto tomado del tablero nacional de país A

Las subdivisiones administrativas varían según el país. A los fines de esta herramienta, se adoptan las siguientes definiciones:

• El término genérico “región” es equivalente al “nivel administrativo subnacional N-1”, que, generalmente, divide al país en 10 a 20 subdivisiones.
• El término genérico “distrito” es equivalente al “nivel subnacional N-2”, que, generalmente, divide al país en 30 a 100 subdivisiones.

El término “región” se usa como un término genérico en la herramienta para “nivel subnacional 1”. La excepción es Côte d’Ivoire, donde la “región” hace referencia en realidad al “distrito”.

LAS DIVISIONES “SUBNACIONALES” EN LOS PAÍSES DE LA PNIN

El objetivo subyacente de esta pregunta es mejorar la orientación de la intervención.

Este ensayo controlado aleatorio midió el impacto de una intervención que se diseñó para reducir el retraso en el crecimiento.
Entre el 2010 y el 2014, se observó lo siguiente:

• en el grupo de control (sin la intervención), los niveles de retraso en el crecimiento se incrementaron del 68.2 % al 74.8 %;
• los niveles de retraso en el crecimiento del grupo de intervención se mantuvieron casi estables.

Resultados de un análisis secundario de Tubaramure, un programa integrado de salud y nutrición con asistencia alimentaria en Burundi

(Fuente: Leroy J.L., Olney D., Ruel M., 2016. Tubaramure, a Food-Assisted Integrated Health and Nutrition Program in Burundi, Increases Maternal and Child Hemoglobin Concentrations and Reduces Anemia: A Theory-Based Cluster-Randomized Controlled Intervention Trial. The Journal of Nutrition, 146(8), 1601-1608, https://doi.org/10.3945/jn.115.227462.)

• Solo se puede llegar a una conclusión contundente si se comparan los valores delta de las intervenciones anteriores y posteriores del grupo de control y el grupo de tratamiento: la intervención redujo 6.4 puntos porcentuales los niveles de retraso en el crecimiento (74.8-68.2) – (64.3-64.1).
• Sin un grupo de control, se pudieron comparar las mediciones «antes y después de las intervenciones» del grupo de tratamiento, lo que lleva a la conclusión de que la intervención no tuvo ningún impacto (aumento de 0.2 puntos porcentuales).
• Sin mediciones de referencia, se pudieron comparar las poblaciones «con y sin» intervenciones, lo que permite concluir que la intervención tuvo un gran impacto (reducción de 10.5 puntos porcentuales).

En los últimos dos casos, se llegó a una conclusión incorrecta.

Las características de un posible factor de confusión son las siguientes:

• Se debe asociar con el resultado.
• Se debe asociar con la exposición del interés.
• No debe ser un paso intermedio en la relación causal entre la exposición de interés del estudio y el resultado.

Ejemplo: ¿Las inversiones efectuadas en el programa A permitieron reducir los niveles de anemia?
Por ejemplo, los factores que pueden conducir a una conclusión confusa sobre el impacto de una intervención en los niveles de anemia podrían ser:

• la coexistencia de otro programa con un posible efecto en la reducción de los niveles de anemia, la focalización en los mismos grupos de población,
• una menor incidencia del paludismo en el área de intervención debido a la disminución de las lluvias durante la medición de referencia.

Si no se controla el análisis de los datos de todos los factores de confusión, no es posible atribuir la reducción de los niveles de anemia a la intervención nutricional.

• Si bien medir una asociación y verificar la temporalidad es bastante sencillo, controlar todos los factores de confusión (conocidos y desconocidos) es muy difícil, dado que los datos sobre todos los factores de confusión no suelen estar disponibles en las encuestas de población. Por lo general, se debe realizar un ensayo controlado aleatorio en el contexto de una investigación para medir y comparar las tasas de anemia y los múltiples posibles factores de confusión entre el grupo de intervención y un grupo de control (no expuesto a la intervención) antes y después de la intervención.
• Las encuestas nacionales de población y los datos rutinarios de vigilancia comúnmente no tienen un grupo de control.
• Sin un grupo de control, intentar interpretar una asociación como una relación causal puede inducir a errores. Existe un gran riesgo de arribar a la conclusión incorrecta, como en el ejemplo mencionado, donde la conclusión fue que la intervención nutricional repercute en los niveles de anemia cuando, en realidad, el cambio en las tasas de anemia se debió a un factor de confusión y no a la intervención en sí.
  El análisis de datos de este tipo de datos de encuestas no es adecuado para analizar una relación causal y podría llevar a tomar medidas políticas incorrectas.

Este análisis de equidad de las prácticas de alimentación infantil demuestra que algunas prácticas son más dependientes de los niveles de ingresos (diversidad mínima de la dieta) que otras (iniciación temprana de la lactancia materna exclusiva).
El análisis de equidad es útil para determinar si los avances logrados benefician a todas las personas y, en particular, a las más vulnerables.
Si la mayoría de los avances se observan solo en las familias de mayores ingresos, esto indica que existe un problema con la orientación o el diseño de las intervenciones.

PRÁCTICAS DE ALIMENTACIÓN INFANTIL POR QUINTILES DE RIQUEZA EN UN PAÍS DE ÁFRICA

(Fuente: Global Nutrition Report)

Los suplementos de hierro y ácido fólico se entregan a través de los servicios de salud. Estos datos combinados señalan que la mayoría de los distritos con niveles bajos de suplementos de hierro y ácido fólico también tienen escasa cobertura de visitas de cuidado prenatal, lo que sugiere un problema de acceso a los servicios de salud.
Por otra parte, el análisis también revela que varios distritos con alta cobertura de visitas de cuidado prenatal también tienen baja cobertura de suplementos de hierro y ácido fólico, lo que plantea problemas con la entrega.
Se debe seguir investigando para tener una mejor comprensión de lo hace falta para aumentar la cobertura de suplementos de hierro y ácido fólico.

COBERTURA DE LAS INTERVENCIONES

Fuente: POSHAN

Un análisis descriptivo de las disparidades entre las regiones muestra que las tres regiones con altos niveles de retraso en el crecimiento también tienen elevadas tasas de defecación al aire libre.
Este puede ser un punto de partida para seguir investigando por qué estas tres regiones registran altas tasas de defecación al aire libre y si otros determinantes también son elevados.

TASAS DE DEFECACIÓN AL AIRE LIBRE Y RETRASO EN EL CRECIMIENTO POR REGIÓN

(Fuente: REACH, Example of Ghana MICS, 2011)

En México se ha implementado durante décadas un Programa Nacional de Asistencia Alimentaria.
En 1994 un análisis descriptivo de los niveles de ingresos de las personas beneficiarias del programa demostró que este no abarcaba con mucha eficacia a las familias más pobres.
Después de tomar medidas enérgicas, el mismo análisis reveló que en el 2000 una proporción mucho mayor de las personas beneficiarias del programa eran, de hecho, aquellas con los ingresos más bajos.

INCIDENCIA DE LOS BENEFICIOS DE LA ASISTENCIA ALIMENTARIA, POR DECIL DE INGRESOS, 1994–2000

Fuente: Levy, S. (2006). Progress against Poverty. Sustaining Mexico’s POP Programme. Washington, DC: Brookings Institution Press.
Entre 1994 y el 2000, el Gobierno de México mejoró la orientación del Programa Nacional de Asistencia Alimentaria:

• En 1994 menos del 10 % de las personas beneficiarias pertenecían al decil de ingresos más bajo.
• En el 2000 más del 30 % de las personas beneficiarias pertenecían al decil de ingresos más bajo.

Este diagrama de Venn muestra que la población se ve afectada por una o más formas de malnutrición.
Fue tomado del Informe de la Nutrición Mundial, donde se analizaron datos a nivel nacional.
Se pueden realizar análisis similares a nivel subnacional para mostrar las formas de malnutrición que existen en cada región y las medidas que se deben adoptar.
Permite resaltar el problema de la doble carga de malnutrición.
El mismo gráfico con el número real de niños y niñas afectados por región puede indicar dónde faltan inversiones.

COEXISTENCIA DE MÚLTIPLES FORMAS DE MALNUTRICIÓN EN UN PAÍS DE ÁFRICA

(Fuente: Global Nutrition Report)

1. ¿Por qué es necesario un plan de análisis de datos?
“Un plan de análisis de datos lo ayuda a reflexionar sobre los datos que recopilará, para qué los utilizará y cómo los analizará. La planificación del análisis puede ser una inversión de tiempo muy valiosa(Centros para el Control y la Prevención de Enfermedades, 2013)
El método para elaborar un plan de análisis de datos en el contexto de una PNIN no es muy diferente del método empleado en un contexto de investigación.
En el contexto de la PNIN, el proceso debería ser más sencillo por las siguientes razones:

• Ya se creó un marco de análisis de datos (paso 3 del proceso de formulación de preguntas), que constituye la base para diseñar el plan de análisis de datos más detallado (después del paso 4 del proceso de formulación de preguntas).
• En la sección 3.4, páginas 7 a 9, se describen las metodologías de análisis de datos.
• La PNIN se trata de emplear los datos existentes, no de crear un protocolo de recopilación de nuevos datos.

En la siguiente sección, se describe brevemente el contenido de un plan de análisis de datos, centrándose en lo que es un poco más específico para la PNIN.

Recomendaciones generales:

• ¡No se alarme!
• Recurra a los consejos y las experiencias de los colegas y los expertos.
• Comuníquese a la brevedad con un experto cuando sea necesario.

Lecturas recomendadas:
Centros para el Control y la Prevención de Enfermedades (2013) Creating an analysis plan, Atlanta.
Simpson, S.H. Creating a data analysis plan: what to consider when choosing statistics for a study (2015).

2. ¿Qué es un plan de análisis de datos?
Secciones principales de un plan de análisis de datos (basado en el módulo de los CDC):

• Preguntas principal y secundarias
• Conjuntos de datos que se emplearán
• Criterios de inclusión/exclusión
• Variables que se utilizarán en el análisis principal
• Métodos y software estadísticos que se emplearán
• Tablas sin datos
  => Estimación del tiempo y los recursos necesarios

3. Preguntas principal y secundarias
En este punto, ya se formuló la pregunta relevante sobre las políticas (y, en algunos casos, sus preguntas secundarias) (sección 3.4, página 11).
Responder todas las preguntas secundarias permitirá obtener la respuesta completa a la pregunta principal.

4. Conjuntos de datos que se emplearán
Se detallan los conjuntos de datos necesarios. En el contexto de la PNIN, se debe prestar especial atención a la gestión de los datos. Debido a que los conjuntos de datos pueden provenir de distintas fuentes, o bien es posible que no se hayan generado para la pregunta principal, podría haber mucho trabajo por hacer para unificar, agregar y depurar los conjuntos de datos sin procesar.

• ¿Los conjuntos de datos son comparables?
• ¿Los indicadores están unificados?
• ¿Se deben transformar los datos para el análisis?
  Para responder a estas preguntas, es necesario acceder a los conjuntos de datos en cuestión.

5. Criterios de inclusión/exclusión
En esta sección, los subgrupos de población, el alcance geográfico, los plazos, entre otros criterios, se definen de forma muy precisa.
También es necesario definir el nivel de calidad de los datos para el análisis.
De hecho, en función del análisis, podría necesitarse un nivel más o menos estricto de calidad de los datos.
Este punto se detalla en el módulo de capacitación «Calidad de los datos» (sección 3.3).

6. Variables que se utilizarán en el análisis principal
En esta sección, se deben definir las variables o indicadores exactos que se utilizarán en el análisis.
Por ejemplo, para analizar la «obesidad», se debe determinar si el indicador es el índice de masa corporal (IMC) y si se emplearán diferentes categorías del IMC, el valor medio del IMC o ambos.
En el contexto de la PNIN, será importante unificar la definición de los indicadores en todos los conjuntos de datos.

7. Métodos y software estadísticos que se emplearán
Asegurar la coherencia con la sección 4 de las notas orientativas sobre el análisis de datos.
Además, para brindar solo un análisis indiscutible (principio 3, sección 3.4, página 4), cerciórese de que el método estadístico empleado sea coherente con los conjuntos de datos disponibles y su calidad. La elección del método estadístico es clave para evitar la interpretación excesiva de los datos que podría llevar a conclusiones erróneas.
¿El equipo de la PNIN tiene la capacidad técnica para gestionar el método estadístico y el software identificados?

8. Tablas sin datos
Nada específico en relación con la PNIN.

9. Estimación del tiempo y los recursos necesarios
En este punto, se debe realizar una estimación precisa del tiempo y los recursos necesarios para llevar adelante el análisis.
Si esta estimación lleva más tiempo que la estimación inicial hecha durante el marco de análisis de datos, primero puede adaptar la o las preguntas que se responderán.

La PNIN es única porque reúne y evalúa múltiples fuentes de datos compartidas por los distintos sectores que influyen en la nutrición: salud, agricultura, agua, saneamiento e higiene, protección social y educación, entre otros.
Los datos típicos que la PNIN emplea provienen de las siguientes fuentes:

• Encuestas nacionales de población (que pueden ser representativas a nivel subnacional)
  • Encuestas Demográficas y de Salud (DHS), Encuesta de Indicadores Múltiples por Conglomerados (MICS), Encuestas Nacionales de Nutrición (NNS), Encuestas de Ingresos y Gastos de los Hogares (HIES), Encuestas de Gastos en Salud y Nutrición (HNES), Evaluación de la Disponibilidad y Preparación de los Servicios (SARA), etc.
• Encuestas locales de población (representativas de un distrito o región)
  • Encuestas de Nutrición (SMART), encuestas de hogares, encuestas de cobertura de las intervenciones, etc.
• Datos de los programas
  • Datos rutinarios recopilados por cada sector
  • Datos de vigilancia recopilados por cada sector
• Datos del sistema de alerta temprana
• Datos financieros
  • Evaluación del presupuesto necesario (Plan de Acción sobre Nutrición)
  • Compromisos oficiales relativos a las inversiones financieras
  • Asignación presupuestaria a nivel central y subnacional
• Datos de modelos
  • Iniciativas mundiales que emplean técnicas de modelos para proporcionar datos a nivel nacional y subnacional: NCD Risc (http://www.ncdrisc.org/index.html) o IHME para África (https://vizhub.healthdata.org/lbd/cgf#)

Esta lista no pretende ser exhaustiva. Cada país debería examinar la abundante información disponible. El ejercicio sobre panorama de datos es útil para este fin (consulte la sección 3.1).

Para calcular la coherencia de los datos demográficos, es importante contar con una adecuada estimación del denominador empleado para calcular un indicador de los datos rutinarios. Para evaluar los datos demográficos, se comparan con una fuente externa.
La herramienta DQR brinda un ejemplo comparando una estimación del tamaño de la población mediante datos oficiales del Gobierno con una estimación de las Naciones Unidas.

La coherencia externa del indicador se puede evaluar comparando los datos rutinarios y los datos de las encuestas del mismo período y a nivel geográfico.

La herramienta también se puede emplear para evaluar la coherencia entre los indicadores relacionados.
La coherencia en el tiempo de los datos rutinarios (dominio 2: Coherencia interna de los datos informados) se puede evaluar con la herramienta DQR. Utiliza el valor medio de los tres años anteriores del indicador y lo compara con el valor del indicador del presente año.

La coherencia en el tiempo de los datos rutinarios (dominio 2: Coherencia interna de los datos informados) se puede evaluar con la herramienta DQR. Utiliza el valor medio de los tres años anteriores del indicador y lo compara con el valor del indicador del presente año.

La coherencia en el tiempo de los datos rutinarios se evalúa como parte del dominio Coherencia interna. Utiliza el valor medio de los tres años anteriores del indicador y lo compara con el valor del indicador del presente año.

La utilización de este valor para los indicadores de nutrición se debe estudiar con detenimiento, dado que los países están actualmente haciendo esfuerzos para lograr lo siguiente:

• mejorar la cobertura de los indicadores de nutrición, y esto puede aumentar el valor medio de los casos con el transcurso de los años;
• invertir para prevenir y atender los casos de malnutrición que pueden disminuir la cantidad de casos con los años y reducir el valor medio;
• los indicadores, como la emaciación, pueden cambiar rápidamente con el tiempo debido a las crisis o la mejora de la situación.
  Se debe evaluar con atención la interpretación de este valor para los indicadores de nutrición (p. ej., retraso en el crecimiento, emaciación o sobrepeso).

La identificación de los valores atípicos es parte del parámetro Coherencia interna. Para calcular los valores atípicos, la herramienta compara, para un determinado año, el porcentaje del valor medio de los tres años anteriores. Cuando el valor es mayor a 3 desviaciones estándares de la media, se considera un valor atípico.

La herramienta DQR de 2017 de la OMS ofrece diferentes maneras de mostrar la completitud de la información a nivel nacional o de distrito, ya sea en una tabla o en un gráfico.

En la siguiente tabla, se presentan algunos parámetros incluidos en la herramienta de control de la calidad de los datos de Measure Evaluation (Data Quality Assurance Tool for Program-Level Indicators, Measure Evaluation, 2007), que no se incorporan explícitamente en la herramienta DQR de la OMS.
El uso de los parámetros depende del objetivo de la herramienta y, por consiguiente, de la evaluación.

La herramienta DQR de la OMS propone cuatro dominios de la calidad de los datos que categorizan los parámetros. Algunos autores denominan a estos parámetros atributos o dimensiones para describir los datos. En la siguiente tabla, se detallan los cuatro dominios y sus parámetros de la herramienta DQR de 2017 de la OMS.

Herramienta DQR de la OMS integrada en el software DHIS2 para los países que implementan el DHIS2, 2019

Ventajas:

• Brinda acceso a los datos del centro de salud registrados en el software DHIS2
• Se puede emplear para evaluar la calidad del indicador de interés disponible en el software DHIS2

Desventajas:

• No incluye ejemplos de los indicadores de datos nutricionales
• Se necesitan conocimientos para utilizar el software DHIS2

---

Herramienta DQR de la OMS, 2017

Ventajas:

• Se deben incorporar los datos que se evaluarán

Desventajas:

• No incluye ejemplos de los indicadores de datos nutricionales

---

Herramienta de evaluación de la calidad de los datos de Measure Evaluation, 2008, protocolo 2: verificación de los datos

Ventajas:

• Más adecuada para la evaluación de los datos de supervisión sobre el terreno
• Brinda recomendaciones y medidas para mejorar la calidad de los datos

Desventajas:

• No incluye ejemplos de los indicadores de datos nutricionales
• Se necesitan conocimientos para utilizar el software DHIS2

---

Herramienta de evaluación de la calidad de los datos rutinarios de Measure Evaluation, 2009. Lista de comprobación para evaluar la calidad de los datos de los programas o proyectos

Ventajas:

• Más adecuada para la evaluación de los datos de supervisión sobre el terreno
• Brinda recomendaciones y medidas para mejorar la calidad de los datos

Desventajas:

• No incluye ejemplos de los indicadores de datos nutricionales
• Se necesitan conocimientos para utilizar el software DHIS2

---

Herramienta de evaluación de la calidad de los datos rutinarios de Measure Evaluation, 2010. Lista de comprobación para evaluar la calidad de los datos de los programas o proyectos

Ventajas:

• Más adecuada para la evaluación de los datos de supervisión sobre el terreno
• Brinda recomendaciones y medidas para mejorar la calidad de los datos

Desventajas:

• No incluye ejemplos de los indicadores de datos nutricionales
• Se necesitan conocimientos para utilizar el software DHIS2

---

Herramienta de evaluación de la calidad de los datos rutinarios de Measure Evaluation, 2015

Ventajas:

• Más adecuada para la evaluación de los datos de supervisión sobre el terreno
• Brinda recomendaciones y medidas para mejorar la calidad de los datos

Desventajas:

• No incluye ejemplos de los indicadores de datos nutricionales
• Se necesitan conocimientos para utilizar el software DHIS2

Sistema de Información sobre Gestión de la Salud

• Definición: un sistema de información diseñado especialmente para ayudar a gestionar y planificar los programas de salud, a diferencia de prestar asistencia (OMS, 1993).
• Ventajas: una vez que se puso en marcha, cuesta menos y permite la vigilancia de los indicadores y resultados de salud.
• Desventajas: solo recopila información de los usuarios del sistema de salud, por lo que no es representativa de toda la población; se debe estimar el denominador para el cálculo de los indicadores.

---

Sistema Integrado de Vigilancia y Respuesta de Enfermedades

• Definición: este sistema asegura la disponibilidad de las directrices para la vigilancia y respuesta integradas de las enfermedades. Brinda la asistencia técnica necesaria para fortalecer los sistemas nacionales de vigilancia de las enfermedades transmisibles a través de la aplicación de la Estrategia Regional sobre Vigilancia Integrada de las Enfermedades y el Reglamento Sanitario Internacional.
• Ventajas: es útil y relevante para la vigilancia de las enfermedades transmisibles; tiene la ventaja de alertar sobre aumentos repentinos de los casos y muertes por malnutrición aguda moderada (MAM) y malnutrición aguda grave (MAG), lo que ofrece alertas en el caso de deterioro del contexto.
• Desventajas: no es relevante desde el punto de vista de la nutrición.

---

Sistema de Vigilancia Centinela

• Definición: área limitada de determinación de casos, por lo general, incluye a los hospitales más grandes del área geográfica; se debería hacer una preevaluación para seleccionar los sitios centinela apropiados.
• Ventajas: puede recopilar con facilidad datos individuales de los pacientes, menos costoso y no consume muchos recursos, diseño flexible del sistema, útil para documentar tendencias, permite el control rutinario de la ausencia de susceptibilidad a los antibióticos.
• Desventajas: si bien es menos costoso que los sistemas de vigilancia basados en la población, puede conllevar la realización de grandes inversiones financieras en personal y recursos; los datos pueden estar sesgados o distorsionados; los datos no son generalizables a la población geográfica; este método no recopila datos de incidencia.

---

Sistemas de datos sectoriales

• Definición: los sectores recopilan datos rutinarios en función de un conjunto de indicadores definidos para hacer un seguimiento de las actividades.
• Ventajas: fuente de información variada (clima, cambio climático, contaminación, agua, saneamiento, educación, cadena alimentaria, datos sobre agricultura, datos sobre presupuesto/finanzas, etc.).
• Desventajas: no suelen estar bien organizados ni unificados entre sí en términos de representatividad.

Fuentes:

• OMS, Developing Health Management Information System
• Measure Evaluation – Health Information System Facilitator Guide of training of trainers
• Centros para el Control y la Prevención de Enfermedades (CDC), Sentinel Surveillance method

La PNIN puede tener el objetivo de utilizar los datos de una Encuesta de Indicadores Múltiples por Conglomerados (MICS) para estudiar una región particular. Una encuesta nacional, al igual que una MICS, tiene el objetivo principal de obtener cifras nacionales. Un estudio (1) concluyó que la “calidad de los datos antropométricos era muy variable tanto entre las fuentes de las encuestas como dentro de ellas y con el paso del tiempo”. Esta información se confirma con las entrevistas de profesionales experimentados (2) Por lo general, los datos procedentes de una región de difícil acceso por razones logísticas o de seguridad pueden ser de menor calidad. La calidad de los datos de dicha región puede servir para contribuir a la elaboración de una cifra nacional, pero es posible que la PNIN quiera aplicar criterios de calidad de datos más estrictos para estudiar de manera específica esa región.
Referencias:

1. Corsi, D. J., J. M. Perkins and S. V. Subramanian (2017). Child anthropometry data quality from Demographic and Health Surveys, Multiple Indicator Cluster Surveys, and National Nutrition Surveys in the West Central Africa region: are we comparing apples and oranges? Global Health Action 10(1): 1328185.
2. Entrevistas de 5 analistas superiores de datos nutricionales llevadas a cabo por el GSF a principios de 2019.

Los datos rutinarios sobre salud suelen recopilarse con el objetivo de detectar epidemias. En los entornos de bajos recursos, los datos rutinarios pueden ser incompletos y tener errores de medición. Sin embargo, si se analizan con cuidado, los datos rutinarios pueden ser lo suficientemente buenos para observar las tendencias a medio plazo o las tendencias estacionales de una condición particular.

15/11/2018

• Issiak Balarabé Mahamane, Asistente del Secretario General, INS
• Guillaume Poirel, Jefe de Misión para la Asistencia Técnica de la PNIN, SOFRECO

Resumen
El equipo de la PNIN de Níger realizó un estudio de mapeo de datos entre noviembre de 2017 y mayo de 2018, durante la fase de puesta en marcha del proyecto, utilizando un consultor externo. El objetivo del estudio era realizar “un inventario y análisis de los sistemas de información y datos para la nutrición en Níger”. El estudio fue realizado por la INS (Oficina Nacional de Estadística), bajo la dirección estratégica del Alto Comisionado para la iniciativa 3N, “Nigeriens Nourish Nigeriens” (Nigerianos que alimentan a nigerianos). Esta entrevista destaca:

1. Cómo el equipo de Níger ha utilizado los resultados para desarrollar un plan de desarrollo de capacidades para los sectores,
2. Cómo el equipo de Níger ha tratado la falta de definición oficial de los indicadores clave para la nutrición,
3. Recomendaciones metodológicas para la recopilación de la información.

¿Cómo resultó el estudio? ¿Cuáles fueron los principales desafíos encontrados?
Se identificaron las estructuras que investigar sobre la base de las instituciones nombradas como “responsables” o “colaboradoras” en los ocho compromisos de la Política Nacional de Seguridad Alimentaria (PNSN).
Se entregaron cuestionarios a los sectores, lo que dio como resultado una gran pérdida de tiempo. El mejor método es reunirse directamente con las instituciones y realizar este trabajo de mapeo con ellas. Se obtuvo la información necesaria después de solo dos o tres visitas a cada institución, y solo se investigaron las instituciones del nivel central. Esto constituyó una limitante, porque cierta información, especialmente acerca del mecanismo de monitoreo de la calidad de los datos, está disponible a nivel subnacional.
Debido al gran volumen de información recopilada, hubo una enorme cantidad de trabajo de simplificación y reestructuración pendiente que movilizó a los equipos de la PNIN. Se crearon sistemáticamente “fichas de sector”, para consolidar los distintos elementos.
Esto llevó a demoras considerables: en lugar de finalizar a finales de diciembre de 2017, el estudio fue terminado en mayo de 2018, y se ha extendido hasta febrero de 2019.

¿Cómo usó los resultados del estudio?
En primer lugar, el estudio proporcionó información objetiva sobre los datos multisectoriales disponibles.
Los resultados nos permitieron elaborar una primera lista de indicadores disponibles en cada sector en un archivo de Excel.
El estudio también produjo “fichas de sector” que describen:

1. el marco institucional;
2. el marco organizativo;
3. el mecanismo de recopilación;
4. el mecanismo de validación y garantía de la calidad de los datos;
5. el mecanismo de gestión de los datos;
6. la producción;
7. la difusión y explotación de la información;
8. los indicadores y los datos disponibles;
9. los indicadores orientados a la nutrición;
10. los indicadores seleccionados para la PNIN.

Después del mapeo de datos, se hizo evidente la urgente necesidad de crear una base de datos de referencia de indicadores de la PNIN. De hecho, en Níger no hay un marco que proporcione una lista oficial de los indicadores multisectoriales para la nutrición. Estamos trabajando para adoptar indicadores orientados a la nutrición en cada sector. Estos indicadores servirán de base para la plataforma PNIN.

Tomando en cuenta las capacidades de las instituciones, decidimos reclutar a “responsables de estudios sectoriales” durante cuatro meses.

Los responsables de apoyo sectorial tienen acceso a indicadores claramente identificados y tendrán que asegurarse de que se recojan los valores de cada indicador (15 de octubre de 2018 – 15 de febrero de 2019), un requisito previo necesario para organizar los datos y crear el módulo «Información sobre nutrición». El trabajo de los responsables de apoyo sectorial nos permitirá:

1. Consolidar la base de datos de indicadores de nutrición. Como resultado de esto, hemos determinado, por ejemplo, que en el sector de salud faltaban 27 indicadores de nutrición en el mapeo inicial. Hasta la fecha, hay varias etapas para la consolidación: 1) Verificar la exhaustividad de los indicadores, 2) Clasificar los indicadores en función de su relación con la nutrición o de su «orientación» a ella, 3) Completar los 23 campos de cada indicador (definición, frecuencia, método de cálculo, etc.) y 4. Validar los grupos de campos de los indicadores seleccionados para la PNIN. Además, se han seleccionado 239 indicadores para los 3 sectores actualmente cubiertos (123 indicadores de salud, 23 indicadores de educación, 93 indicadores de agricultura y ganadería);
2. Analizar la situación de las estadísticas nutricionales en los sectores beneficiados;
3. Crear y validar fichas de datos para cada indicador;
4. Recopilar información y documentos;
5. Actualizar la lista de contactos.

Los “responsables de estudios sectoriales” también posibilitan el fortalecimiento de las capacidades en cada sector y desarrollan relaciones que facilitarán el acceso a datos multisectoriales en una etapa posterior.

Opción 1: Limitar el ejercicio al nivel de los grupos de datos (excluir la matriz de indicadores)

El ejercicio sigue siendo vasto y su alcance puede reducirse aún más si se tiene en cuenta lo siguiente:
1) El rango de grupos de datos a investigar
Por ejemplo, Côte d’Ivoire decidió investigar los grupos de datos gestionados por los sectores clave que participan en nutrición (salud, educación, género, asuntos sociales, agricultura, recursos animales, agua, economía, finanzas y planificación) y otras agencias conocidas por gestionar bases de datos (Agencia Nacional de Desarrollo Rural, Oficinas Nacionales del Agua, etc.).
Los “sectores clave” son los que participan en el Plan multisectorial de acción para la nutrición. En algunos países esta lista puede ser mucho más amplia e incluir más de diez ministerios. En favor del ejercicio de panorama de datos, se recomienda reducir la lista de proveedores de datos a investigar para mantener la viabilidad del ejercicio. Se podrán investigar otros sectores en una segunda etapa, utilizando la experiencia del primer ejercicio.

2) El nivel de detalle de la información que se debe recopilar para cada grupo de datos
Los equipos de las PNIN pueden decidir el nivel de detalle que necesitan recopilar para cada conjunto de datos. Una opción es solicitar una descripción detallada de los grupos de datos solo para algunos sectores priorizados.

Opción 2: Incluir los grupos de datos y la matriz de indicadores en el ejercicio de panorama de datos

El alcance del ejercicio de panorama de datos se puede reducir observando:
1) La cantidad y el rango de indicadores que investigar
Hay varias formas de decidir la cantidad y el rango de indicadores para incluir en la matriz:

• Seleccionar proveedores de datos. Por ejemplo, el equipo de país de la PNIN en Côte d’Ivoire decidió investigar todos los datos disponibles en ministerios clave (salud, educación, género, asuntos sociales, agricultura, recursos animales, agua, economía, finanzas y planificación) y otras agencias conocidas por gestionar bases de datos (Agencia Nacional de Desarrollo Rural, Oficinas Nacionales del Agua, etc.).
• Remitirse al plan de monitoreo y evaluación y a la lista de indicadores multisectoriales que se adjunta a un plan nacional multisectorial de acción para la nutrición. Si esta lista continúa siendo demasiado larga, se pueden identificar y seleccionar indicadores clave. Por ejemplo, el equipo de país de la PNIN en Guatemala seleccionó 70 indicadores clave del plan de monitoreo y evaluación. Esto significaría que la matriz de indicadores se limita a esos 70 indicadores, pero la descripción de los grupos de datos debería tener un alcance más amplio.
• Adaptar el sistema SUN MEAL que incluye una lista de indicadores multisectoriales (alrededor de 300) y una subselección de indicadores clave (alrededor de 70) para la nutrición.

2) El nivel de detalle de la información que se debe recopilar para cada indicador
Existen varias opciones a considerar cuando se decide el nivel de detalle para cada indicador, estas incluyen:

• Completar una matriz de indicadores en su totalidad. La matriz de indicadores disponible aquí es un ejemplo de una evaluación exhaustiva para cada indicador seleccionado.
• Recabar solo información básica para cada indicador. Por ejemplo, la PNIN en Burkina Faso solo armó una lista de todos los indicadores disponibles en los grupos de datos junto con su definición.
• Completar la matriz de indicadores en su totalidad solo para sectores clave (salud, agricultura, educación, etc.) y recopilar información menos detallada para los sectores de menor prioridad. Por ejemplo, la PNIN en Etiopía decidió concentrarse en nutrición y WASH en la primera fase. Esto significa que se puede completar una matriz de indicadores detallada para estos dos dominios con información menos detallada para los otros dominios.

Un sistema de información es un sistema de componentes interrelacionados que trabajan en conjunto para recopilar, procesar, almacenar y difundir información entre partes interesadas/beneficiarios para apoyar la toma de decisiones, coordinación, control, análisis y visualización (por ejemplo, DHIS2; repositorio de la ONE; plataforma de la Encuesta Demográfica y de Salud).

Un grupo de datos es un archivo que contiene todos los registros individuales de una encuesta específica (por ejemplo, Encuesta Demográfica y de Salud en el país “X” del año 2005). Un grupo de datos puede estar disponible en uno o más sistemas de información. Por ejemplo, la Encuesta Demográfica y de Salud de Níger en 2012 se puede encontrar en el sistema de información STATcompiler (la plataforma oficial de Encuestas Demográficas y de Salud) y en el sistema de información de la Oficina Nacional de Estadística de Níger.

Un indicador se calcula a partir de una o más variables tomadas de un grupo de datos.
Se puede encontrar el mismo indicador en distintos grupos de datos pero puede o no ser comparable porque:

• La definición del indicador no es exactamente la misma. Por ejemplo, la definición de algunos indicadores de las Encuestas Demográficas y de Salud han evolucionado con el tiempo.
• La metodología para tomar muestras para la encuesta es diferente.