Délimitation du champ et échelle géographique d’analyse 

Télécharger le fichier pdf d’un mémoire de fin d’études

Enjeux et cible de la CPS

Le paludisme occupe la tête du peloton des pathologies infectieuses les plus morbides et les plus nécrophiles et dont, l’Afrique en supporte les 90 % des décès particulièrement au sud du Sahara, et où, dans l’immense majorité, ce sont jeunes enfants qui en paient le lourd tribut car ils sont parmi les plus vulnérables au paludisme et susceptibles de succomber à une infection sévère. (3). Aussi, leur croissance et leur développement sont particulièrement affectés par les attaques de paludisme à répétition et par le développement de l’anémie. Ce qui explique que, l’intervention se focalise sur eux. En outre, dans toute la sous-région du Sahel, la morbidité et la mortalité dues au paludisme chez l’enfant possède une tendance et une saisonnalité rythmé par la saison des pluies, qui est brève en général (2-4mois).
Dans ces conditions, il ne sert à rien de perdre des energies et des ressources pour mettre en oeuvre des interventions tout azimuth ou faire du sous-poudrage programmatique. Ceci impose donc, de passser à des stratégies de lutte ciblées pour rationaliser l’allocation des ressources pour plus d’efficacité. C’est alors que l’on a aussi montré que, l’administration régulière d’un traitement antipaludique efficace au cours de cette période prévenait la morbidité et la mortalité dues au paludisme chez le jeune l’enfant. C’est alors que, le traitement préventif intermittent de l’enfant a été recommandé par l’OMS. (19, 19–24). La Chimioprévention du Paludisme Saisonnier (CPS), auparavant appelée traitement préventif intermittent de l’enfant (TPIe), se définit comme l’administration intermittente de traitements complets par un médicament antipaludique au cours de la saison du paludisme pour éviter la maladie, l’objectif étant de maintenir des concentrations thérapeutiques en médicament antipaludique dans le sang pendant toute la période ou le risque palustre est le plus élevé. (25). La stratégie CPS consiste à administrer au maximum quatre de cycles de traitements complets à base de sulfadoxine pyrimethamine (SP) et d’amodiaquine (AQ) à intervalles d’un mois à des enfants âgés de 3 à 59 mois pendant la saison de forte transmission du paludisme. La posologie de la combinaison SPAQ est la suivante : l faut aussi 3 prises consécutives de SPAQ sous Thérapie Directement Observée (TDO) à chaque cycle. Le comprimé de l’Amodiaquine (AQ) est donné pendant les 3jours consécutifs alors que celui de la Sulfadoxine -Pyriméthamine (SP) est donné seulement au 1er jour du cycle.
La CPS est recommandée pour les régions à transmission saisonnière ou au moins 60% de l’ensemble des épisodes enregistrés au cours de l’année surviennent sur une période de quatre mois. Dans ces régions l’incidence du paludisme chez les enfants de 3-59 mois doit est être supérieur à 0,1 épisode par enfant par an ou supérieur à 10 épisodes pour 100 enfants pendant la saison de transmission. En plus, l’efficacité de la SP+AQ dans la clearance parasitaire à Plasmodium falciparum doit être est préservée. (20). Le choix de SP+AQ a été guidé par de meilleurs résultats observés en termes d’efficacité pendant les phases d’évaluation de la stratégie et du coût relativement faible de ces médicaments.(10–12, 25, 26)

Implémentation de la Chimio Prévention du Paludisme Saisonnier (CPS) au Tchad

Aussitôt recommandé par le Comité consultatif de l’OMS pour les politiques relatives au paludisme (MPAC), en janvier 2012, le Gouvernement du Tchad a adopté la Chimio Prévention du Paludisme Saisonnier (CPS) comme stratégie nationale de lutte contre le paludisme pour réduire la charge de morbidité et de mortalité chez les enfants de moins de cinq (5) ans.
Le déploiement de cette stratégie au Tchad a débuté en l’an 2012 avec l’appui des « Médecins Sans Frontières (MSF-France) dans le District de Moïssala (8° 20′ 16″ Nord, 17° 46′ 05″ Est). Puis en l’an 2013, le Ministère de la Santé Publique l’a mise en oeuvre avec le financement de l’Unicef dans le District de Mongo et sur fonds propre dans les Districts sanitaires de Bol, Bongor et Léré (figure 4). Plus tard, de nouveaux partenaires en l’occurrence « Malaria Consortium » (MC), la « Croix Rouge Française » et le Fonds Mondial (FM) se sont engagés à soutenir les efforts du Ministère de la Santé dans la mise à échelle de la CPS dans les zones éligibles. Ainsi en l’an 2015, L’Unicef a soutenu techniquement et financièrement la mise en oeuvre de la CPS dans la Délégation Sanitaire Régionale du Guera, en particulier dans les Districts Sanitaires de Mangalme, Mongo et Bitkine tandis que Malaria Consortium a couvert six (6) autres Districts. (Figure 4). Pour la campagne de distribution des médicaments de la CPS en 2016 (figure 7), le Fonds Mondial a consenti un financement pour la mise en oeuvre de la CPS dans les DS de Bagassola, Chaddra et Moussoro. L’Unicef a poursuivi ses efforts dans les 3 DS de la DSR de Guera et a même étendu cet appui à un district supplémentaire (Baro).
Malaria Consortium a par la suite, financé la mise en oeuvre de la CPS dans les 14 DS ciblés comme prévu tandis que MSF-France a continué à mettre en oeuvre la CPS dans le DS de Moissala. (Figure 8).

Délimitation du champ et échelle géographique d’analyse

Délimitation du champ de l’évaluation

Le champ de l’évaluation étant vaste et le choix d’une échelle géographique d’analyse étant déterminante pour la mise en oeuvre des méthodes économétriques d’évaluation y compris le panel spatial, il est donc indispensable de définir précisément l’étendue de ce champ et le niveau d’agrégation des données.
Notre étude ne traite pas de l’impact de la CPS sur la prévalence de l’anémie, ni l’incidence des cas sévères, ni la prévalence du paludisme -infection. Elle couvre le champ de l’impact sur l’incidence du paludisme -maladie notifiée par les formations sanitaires des deux provinces d’étude à savoir le Chari-Baguirmi et le Hadje- Lamis. Cette setion fixe les limites du champ que couvre notre modélisation d’impact en fonction de la structure des données disponibles et définie par ailleurs, l’échelle géographique d’analyse.

Choix de l’échelle géographique d’analyse

Le choix de l’échelle géographique pour la représentation cartographique d’indicateurs sanitaires dépend en premier lieu du type de données disponibles. Vu qu’en pratique au Tchad, il n’est pas possible en routine, de disposer dans le domaine sanitaire, de données ponctuelles ou agrégées à une échelle géographique très fine telle que les carreaux qui nécessite qu’un géocodage fiable des adresses de résidence des individus puisse être réalisé en amont, les données sanitaires de routine sont donc, des données médico-administratives issues de la base des données du « Rapport Mensuel Paludisme » (RMP), du « Rapport Mensuel d’Activité » (RMA) et du Système de Surveillance Epidémiologique Intégré (SSEI).
Par ailleurs, même si certains appèlent à de la prudence dans l’utilisation de tels type de données (15), la stratégie globale pour le paludisme 2016-2030 recommande de consentir d’investissement suffisant dans ces types de données compte tenu de leur importance dans l’évaluation des progrès accompli dans la lutte contre le paludisme à travers les interventions.(16).
Ces données sont le plus souvent disponibles à l’échelle de zones administratives telles que les provinces, les Districts Sanitaires et les Centres de santé qui sont le premier échelon de soins de santé en charge du Paquet Minimum d’Activité (PMA). Ainsi, dans le cadre de notre travail, nous avons retenu deux niveaux d’analyse qui sont respectivement :
➢ le district sanitaire.
➢ les zones de responsabilité couvertes par les centres de santé.

Cadre et durée de l’étude

Pour des raisons de choix politique et du positionnement des bailleurs de fonds, la mise en oeuvre de la Chimioprévention du Paludisme Saisonnier (CPS) n’est pas continue et homogène sur l’ensemble de la zone éligible. Ainsi, nous avons fait un choix délibéré pour réaliser notre étude dans deux provinces sanitaires éligibles selon les critères de l’OMS et où cette stratégie de prévention a été mise en oeuvre de façon continue et suivie rigoureusement par l’ONG « Malaria Consortium » depuis 2015. Notre étude couvre donc, deux provinces administratives (figure 5) qui sont : le Chari-Baguirmi et le Hadjer-Lamis.
Le Chari-Baguirmi couvre une superficie de 45.432 km2 avec une population estimée en 2017 à 802.564 habitants soit une densité de 18,69 hab./km2. La Province du Hadjer-Lamis, quant à elle, a une superficie de 31.426 km2 pour une population de 849.421 habitants soit une densité de 18 hab./km2. La population des deux provinces représente environ 10% de la population totale du Tchad. Ces deux provinces contiguës, appartiennent à la bande sahélienne avec une succession du Climat chaud du désert et du climat chaud semi-aride.

Schéma d’étude, critères de jugement et variables d’intérêt

Type et schéma d’étude

II s’agit d’une étude quasi-expérimentale du type « Ici-Ailleurs » et « Avant –Après » non randomisée multicentrique sur 86 zones de responsabilité (centres de santé) réparties sur 12 districts sanitaires appartenant à nos deux provinces d’étude (Chari-Baguirmi et Hadjer-Lamis). (figure 6). L’étude s’est étendue sur une durée de cinq ans (2013 -2017) dont deux correspondent à la période avant implémentation de la stratégie et trois autres années de suivi post introduction. Entre le 1er Janvier 2013 et le 31 décembre 2017, des données de morbidité et de mortalité ont été collectées de façon passive à travers le système de collecte des données du Programme National de Lutte contre le Paludisme (PNLP).

Critères de jugement

Selon l’OMS, une couverture d’au moins 90% des enfants lors de 3 à 4 passages de la CPS au cours d’une campagne annuelle permettra d’impacter significativement la prévalence parasitaire, la prévalence de l’anémie d’origine palustre, les taux d’incidence et de mortalité due au paludisme chez les enfants de moins de cinq (5) ans par rapport aux niveaux antérieurs au déploiement de la stratégie. Dans notre travail, nous avons retenu comme critère principal de jugement, l’existence d’une différence statistique significative des taux d’incidence clinique, respectivement, de mortalité due au paludisme chez les enfants de moins de 5 ans, respectivement chez les enfants de 5 à 14 ans avant et après le déploiement de la stratégie et les valeurs de Risque Relatif (RR) inférieures à 1 traduisant la proportion des cas de paludisme évités par la présence du facteur (Fraction Préventive).

Hypothèses de travail

Sur la base des évidences scientifiques rapportées par 7 essais cliniques relatifs à la CPS (11, 26, 31–33), l’OMS postule que, sa mise en oeuvre dans des zones de forte transmission saisonnière du paludisme avec l’administration mensuelle d’AQ+SP jusqu’à quatre mois pendant la saison de transmission chez les enfants de moins de 5 ans avec une couverture de 90% :
➢ Prévient environ 75 % de tous les accès palustres .
➢ Prévient environ 75% des accès palustres sévères .
➢ Pourrait entraîner une diminution de la mortalité de l’enfant d’environ 1 pour 1000 .
➢ Diminue probablement l’incidence de l’anémie de gravité modérée .
➢ N’entraîne pas une recrudescence du paludisme clinique au cours de la saison suivante de transmission, un an après l’administration, mais on n’a pas encore évalué les conséquences de l’administration de la CPS pendant plusieurs années.(10, 19, 34).

Définition opérationnelle des variables d’intérêt et d’indicateurs d’impact

Les variables opérationnalisées dans les différentes étapes de l’évaluation et de la modélisation sont : le taux d’incidence palustre, le taux de mortalité palustre, la température moyenne, la pluviométrie moyenne, le taux d’incidence palustre standardisé, le statut CPS, le nombre de cycle de participation à la CPS et le nombre de campagne CPS.
➢ Température ambiante moyenne mensuelle:
La température est selon le dictionnaire Larousse, un « Ensemble des conditions atmosphériques, variables, traduites subjectivement en sensations relatives de chaud et de froid, et dont l’appréciation exacte est fournie par le thermomètre. ». L’unité de mesure de la température utilisée est le degré Celsius. La température ambiante a été retenue du fait de son influence sur le degré d’agressivité d’anophèle vecteur de parasite.(35–38). Nous avons utilisé pour nos analyses, la température ambiante moyenne mensuelle
➢ Pluviométrie moyenne mensuelle:
C’est l’évaluation quantitative des précipitations et de leur distribution dans le temps et l’espace. Cette mesure concerne aussi bien les pluies, les neiges et le brouillard. Au Tchad, les paramètres mesurés ne concernent que la pluie et le brouillard. Dans le cadre de ce travail, la pluviométrie désigne la quantité moyenne de pluie enregistrée en millimètre par mois. La pluviométrie est un des indicateurs déterminants pour l’éligibilité des zones à la CPS donc de la saisonnalité dans la transmission palustre.(5, 39, 39–41)
➢ Le statut participant ou non à la Chimioprévention du Paludisme Saisonnier (CPS):
C’est le fait qu’une zone de responsabilité sanitaire bénéficie ou non de la campagne de traitement à base de la sulfadoxine -pyriméthamine -Amodiaquine (SPAQ) utilisée dans le cadre de la chimioprévention du paludisme saisonnier (CPS). Cette variable permet de capter l’effet direct de l’intervention.
➢ Nombre de cycle mensuel:
Un cycle ou tour est l’administration d’un traitement complet à base de SPAQ à intervalle d’un mois aux enfants cibles et éligibles. Le nombre de cycle est donc le nombre de fois qu’un enfant éligible participe au programme de 3 jours de traitement consécutifs à un mois d’intervalle au moins, lors d’une campagne de distribution de masse. Le nombre de cycle se devrait être calqué au nombre de mois de forte transmission (saisonnalité). Ainsi, des auteurs (42) ont montré l’efficacité de la CPS au-delà de 3-4 cycles recommandés initialement par l’OMS.
➢ Nombre de campagne (nombre d’années de mise en oeuvre de la CPS):
Une campagne est l’organisation consécutive de 3 à 4 cycles de distributions des médicaments par an. Le nombre de campagne indique alors, le nombre d’années de mise en oeuvre de la stratégie au bénéfice des enfants cibles. Le nombre de campagne CPS semble jouer en faveur de l’immunité des enfants vis-à-vis du paludisme, mais cette protection est perdue systématiquement même après plusieurs années d’exposition à la CPS.(33, 43).
L’introduction de cette variable dans nos modèles permettra de tester l’hypothèse d’une perte d’immunité au paludisme après la rupture de la CPS chez les enfants âgés de 5 à 14 ans.
➢ Taux d’incidence pour 1.000 et taux de mortalité pour 100.000:
Le taux d’incidence est notre variable principale ou d’intérêt. Par définition, le taux d’incidence (TI) du paludisme est la « vitesse de production » de nouveaux cas. (44). Il est égal, au nombre de nouveaux cas de paludisme confirmés par unité de temps, divisé par la taille de la population. Comme on compte le nombre de nouveaux cas par unité de temps, la taille de la population ne peut pas se réduire à un nombre de sujets. Il faut aussi considérer la durée pendant laquelle, chaque sujet a appartenu à la population. Plus un sujet a appartenu longtemps à la population cible, plus sa probabilité est grande d’avoir été enregistré comme un nouveau cas de paludisme simple.
Par contre cette probabilité diminue si le sujet a appartenu longtemps (> 3 mois) à une population d’une zone de forte endémicité du fait de l’acquisition de la prémunition consécutive aux piqures récurrentes des moustiques vecteurs de la maladie. Vu qu’en pratique, la date précise de l’évènement étudié (maladie ou décès) ainsi que la durée exacte de suivi de chaque sujet ne sont pas connues et, considérant qu’il s’agit d’une population ouverte, il n’est donc pas possible de calculer directement le taux d’incidence puisque les informations indispensables pour le calcul des personnes-années sont manquantes.
Nous avons donc fait l’hypothèse que les dates de survenue de chaque évènement (maladie ou décès, entrée ou sortie de la population) sont réparties uniformément sur la période de suivi, correspondant à la période de rapportage par les formations sanitaires du 1er et 2e échelon.

Données épidémiologiques

Pour des raisons de commodité et de disponibilité des données à l’échelle des formations sanitaires, nous avons opté pour les données issues de la Base des données nationales du PNLP. Cette base de données a été conçue par le PNLP, avec l’appui technique du Projet d’Appui à la Lutte Anti Paludique au Tchad (PALAT) qui est un projet du Programme des Nations Unies pour le Développement (PNUD) sur financement du Fonds Mondial Paludisme -Tuberculose et VIH. Elle a été mise en place en l’an 2013 et fournit régulièrement des données mensuelles validées semestriellement par l’ensemble des acteurs de lutte contre le paludisme au Tchad. Ces données servent à évaluer les progrès réalisés, dans le contrôle de la maladie à l’échelle nationale grâce aux indicateurs de couverture des interventions de lutte antipaludique (distribution des moustiquaires imprégnées d’insecticide à longue durée d’action, traitement préventif intermittent chez les femmes enceintes), disponibilité des intrants dans les formations sanitaires (nombre de jours sans rupture et proportion des formations sanitaires n’ayant pas connu de rupture de plus 7 jours, de stock de médicaments recommandés et des tests de diagnostic rapide) et la qualité des soins dans les formations sanitaires. Les données de morbidité palustre utilisées dans le cadre de cette étude ont été collectées de façon passive du 1er janvier 2013 au 31 décembre 2017 inclusivement.
Les données manquantes ont fait l’objet d’imputation multiple pour celles qui ne dépassent pas le seuil de 5%. En revanche, trois zones de responsabilité sanitaire dont les données sont manquantes à plus de 5% ont été supprimées de la base. Avant d’effectuer l’imputation multiple, les autres sources de données citées ci-dessus ont servi à l’imputation des données manquantes pour certaines variables et périodes.

Données climatologiques

Plusiers études ont permis une compréhension plus approfondie des facteurs écologiques locaux influençant le paludisme. (36, 39, 39–41, 41, 45–50). Ces travaux ont rapporté une corrélation positive significative entre la pluviométrie, la température et la transmission du paludisme. Cette compréhension pourrait non seulement permettre de développer un programme de contrôle du paludisme adapté au contexte local mais également être bénéfique pour rationaliser les efforts dans une visée de développement durable.(51)
Pour notre travail, les données climatologiques ont été obtenues auprès de la Direction de la Météorologie Nationale. Elles ont été collectées mensuellement à travers le réseau national des stations synoptiques et /ou pluviométriques.

Données environnementales

Les données environnementales et l’ensemble de plans d’information descriptifs et explicatifs de l’évolution paysagère retracée (habitats, voies de communication, …) ont été obtenues par interprétation des images satellitaires, et cartographie de terrain. Les données satellitaires ont été téléchargées sur le site https://earthexplorer.usgs.gov. Un filtre a été appliqué pour télécharger les images LANDSAT 8 répondant aux critères prédéfinis. Ces données mensuelles collectées ont été traitées grâce au logiciel ENVI 5.1 (version compatible 64-bit Setup Launcher for IDL 8.3).

Système d’information géographique (SIG)

Les systèmes d’information géographique (SIG), la télédétection (imagerie satellitaire) et les techniques géo spatiales sont généralement utilisées pour analyser le contexte de l’incidence et de la mortalité du paludisme et d’autres maladies infectieuses. Les progrès récents dans les statistiques spatiales ont conduit à un intérêt croissant pour la détection des Clusters et pour améliorer la compréhension de l’étiologie et la pathogénie des épidémies telles que celle du paludisme, surtout avec l’avènement de la cartographie numérique et la télédétection.
Ainsi, la géomatique appliquée à l’épidémiologie met à disposition, des outils utiles pour la compréhension de la répartition spatiale et temporelle des cas et décès dus au paludisme. Il permet, en outre, l’évaluation des changements dans la transmission de la maladie, l’identification des zones d’épidémies ou à risque épidémique et des périodes avec un risque plus élevé à différentes échelles.(52–56). Dans le cadre de notre thèse, nous avons combiné, la collecte des données par levée topographique sur le terrain en utilisant le récepteur GPSMAP ®64 du système de positionnement global (GPS) avec une précision de 3 mètres et la télédétection avec une haute résolution pour les données environnementales. Le récepteur Garmin doté d’une antenne Quad Helxi a été utilisé pour marquer les way-points des formations sanitaires de nos provinces d’étude. Dans le processus de traitement des données SIG, nous avions requis successivement :
➢ Le logiciel Quantum GIS version 1.0.8 puis le logiciel R (version 3.6.1 (2019-07-05) –Copyright (C) 2019 pour la cartographie thématique et la visualisation des hotspots.
➢ The R Foundation for Statistical Computing Platform: x86_64-w64-mingw32/x64 (64-bit)), et STATA 12 pour les statistiques spatiales et les différentes modélisations .
➢ SaTScan v9.6 (en libre accès sur le Web site at: http://www.satscan.org) pour détecter des clusters temporels, spatiaux et spatio-temporels des cas incidents et des décès dus au paludisme.

Collecte, stratégie traitement et analyse des données

En fonction de la disponibilité et complétude des données épidémiologiques, nous sommes partis d’une analyse à l’échelle du district sanitaire, en palliant les limites d’analyse du premier niveau (district de santé), nous avons effectué une analyse à l’échelle zone de responsabilité. Ainsi, à l’échelle du district sanitaire où les données de mortalité sont collectées et rapportées par les hôpitaux des districts sanitaires qui sont le 1er échelon de référence dans la pyramide sanitaire du Tchad et qui offrent le Paquet Complémentaire d’Activité (PCA). Elles ont servi à la modélisation en double différence à effets fixes de l’impact de la CPS sur la mortalité et la morbidité palustre chez les enfants de moins de cinq ans. Au deuxième niveau d’analyse, à l’échelle des zones de responsabilité (ZR) qui sont le premier niveau à la base de la pyramide sanitaire et qui offrent le Paquet Minimum d’Activité (PMA), les données ne renseignent que sur la morbidité et non, la mortalité. Elles ont servi dans le panel spatial et la détection des clusters temporels et spatiaux temporels de l’incidence du paludisme. Les données météorologiques et environnementales collectées respectivement à travers le réseau des stations synoptiques et météorologiques de la Direction Nationale de la Météorologie, par photogrammétrie et interprétation des images satellitaires, ont constitué des covariables dans nos différents modèles.

Algorithme de choix d’un modèle d’évaluation d’impact

Les types et méthodes d’évaluation sont fonction, du choix des individus participant au programme (sélection aléatoire et à priori). Ils sont aussi tributaires du moment de la planification (à priori, à postériori ou concomitante) par rapport au programme/politique ou intervention à mettre en oeuvre, de la couverture, du ciblage et enfin, des ressources disponibles et mobilisables. Le choix de la méthode d’évaluation est donc effectué sur la base d’une contingence de critères tels que la taille de l’échantillon, la qualité et la structure des données à collecter ou disponibles, la complexité de l’analyse statistique et surtout, le coût de la mise en oeuvre (figure 8). Il existe deux façons de procéder au choix des unités bénéficiaires du programme. Ce cas ne s’applique qu’au programme où toute la population est éligible alors que les moyens limités imposent de n’en donner qu’à un nombre limité d’individus. Et donc, pour des questions éthiques et de gestion, il peut s’avérer important d’accorder une même chance aux unités de participer au programme. Dans le cadre de notre travail, nous avons mobilisé dans un premier temps, la méthode de la double différence en passant par la modélisation en séries temporelles. En second ressort, nous avons requis le panel spatial et enfin, la méthode de scan spatiotemporel pour détecter les éventuels hotspots.

Modèle linéaire et ajustement par les Moindres Carrés Ordinaires (MCO)

De fois, on se trouve dans une situation particulière avec suffisamment d’information sur l’évolution théorique de la série pour pouvoir postuler sur son appartenance à une famille précise de fonctions du temps. Pour cela, on cherche la fonction précise de cette famille qui s’ajuste mieux aux observations.
La forme générale du modèle est: X g t t t = +  ( )  (Equation 10) avec E t t ( ) = 0 ; V t Cov t t t t t ( ) ; ( , ) ‘ ‘  =     =   2 0 (  t est sous ces hypothèses est appelé « bruit blanc ») g t  ( ) est une fonction du temps appartenant à une certaine famille de fonctions (polynomiale, exponentielle, logarithmique,…).
Cette fonction est partiellement inconnue ; on note  le vecteur des paramètres inconnus permettant d’identifier complètement la fonction dans sa famille. Le modèle ordinaire a pour caractéristique un bruit  t sans mémoire et de variance constante. La stratégie d’estimation est fondée sur l’idée que les résidus du modèle doivent être très petits, si le modèle est bon.
Pour estimer la fonction g, on prendra celle qui est la mieux ajustée aux observations, c’est à dire celle qui minimise les résidus. On choisit donc la courbe qui minimise l’écart global aux observations mesuré par la somme des carrés des écarts .

La modélisation en double différence à effets fixes

La méthode de la double différence très utilisée en économétrie d’évaluation, permet d’estimer la différence dans le temps entre les témoins qui sont non-bénéficiaires de la CPS à une période T et les bénéficiaires du programme. Elle estime donc, le contrefactuel pour le changement du résultat dans le groupe en utilisant le changement du résultat dans le groupe de témoin. (57, 80, 81) L’objectif de la CPS étant de diminuer le taux d’incidence du paludisme chez les enfants de moins de cinq (5) ans, nous ne pouvons pas nous contenter d’observer ces paramètres simplement avant et après l’implantation du programme car, plusieurs facteurs externes peuvent influencer son impact.
De même, une simple comparaison entre les unités géographiques (zones de responsabilité) bénéficiaires et non bénéficiaires est problématique car d’autres facteurs liés à la sélection ou non, des individus participants peuvent influencer le programme. Pour cela, une combinaison de ces deux différences s’avère appropriée.

Principe de l’estimateur des doubles différences

Le principe de l’estimateur dit « différence de différences » est de combiner l’estimateur en coupe, soit la différence des situations des bénéficiaires et des non-bénéficiaires après le déploiement de la stratégie, et l’estimateur « avant – après », qui évalue la différence des situations des bénéficiaires avant et après son implémentation et sa mise à échelle dans les deux provinces. Nous insistons ici sur le fait que nous travaillons sur des données agrégées et faisons l’hypothèse que, dans les zones bénéficiaires de la CPS, il y a des enfants qui sont éligibles mais pour des raisons quelconques n’ont pas été traités alors que dans le groupe témoin (zones de responsabilité du District Sanitaire de Bokoro/Province du Hadjer Lamis), il y a des enfants qui en ont bénéficié du fait de la contiguïté ou proximité géographique avec une zone participante à la CPS au cours de cette même année. Du coup, les enfants du groupe traité n’ayant pas bénéficié du traitement auront un risque constant de faire la maladie. Toutes choses étant égales par ailleurs, les enfants des ZR non participant à la CPS en 2015 constituant des contrefactuels, mais éligibles et ayant bénéficié du traitement au cours du déplacement dans les zones traitées seront protégés par l’effet du médicament même s’ils sont de retour dans leurs zones de résidence habituelle ne bénéficiant pas du programme.
L’estimateur dans les résultats « avant-après » pour le groupe participant (la première différence) contrôle les facteurs invariables dans le temps, pour la simple raison que, nous comparons le groupe à lui-même et la différence « avant-après » sans toutefois, tenir compte des facteurs externes variables dans le temps. Si nous épurons la première différence des effets des autres facteurs variables dans le temps qui, influencent les résultats en soustrayant la deuxième différence, nous éliminons la principale source de biais qui posait problème dans la simple comparaison avant-après. Une manière de prendre en compte ces facteurs externes variables dans le temps est de mesurer la différence de résultats « avant-après » pour un groupe qui n’a pas participé au programme, mais qui a été exposé aux mêmes conditions externes (la deuxième différence). Ainsi, l’alternative de la combinaison des deux estimateurs (avant-après et Ici- Ailleurs) s’avère être l’option la plus appropriée pour discriminer l’effet propre au programme de la chimio prévention du paludisme saisonnier () dans nos provinces d’étude au Tchad. La double différence combine donc les deux contrefactuels contrefaits (comparaisons avant-après et comparaisons avec-sans entre les participants et les non participants) pour produire une meilleure estimation du contrefactuel.

Modélisation sur données de panel spatial

Les modèles utilisant à la fois la dimension spatiale et panel nous offrent la possibilité de saisir la relation qu’entretiennent les variables dans le temps et l’espace. Ainsi, pour la mise en oeuvre de tels modèles, il nous est nécessaire de définir une matrice de voisinage appropriée. En effet, la matrice de voisinage est utilisée pour définir et implémenter la notion de voisinage et de dépendance entre les unités spatiales. Certes, dans la littérature, il existe diverses matrices de voisinage construites soit à partir des notions de seuil de distance, soit de k plus proches voisins ou de contiguïté. (82–86).
Dans cette section, nous présentons successivement la codification de la structure de voisinage des zones de responsabilité et districts sanitaires, les principales spécifications des panels spatiaux, en partant des spécifications standard en données de panel, les méthodes d’estimation, les principaux tests de spécifications spécifiques aux panels spatiaux et enfin, nous proposons une application empirique à l’évaluation de l’impact de la CPS au Tchad.

Spécification du panel spatial de l’incidence du paludisme

Dans les modèles économétriques lorsque les données sont auto – corrélées dans l’espace, il s’avère nécessaire d’utiliser les modèles prenant en compte la dimension spatiale. Ce qui résout en partie, le problème d’autocorrélation spatiale. Compte tenu de la spécificité de la variable principale utilisée dans le cadre de cette étude (incidence du paludisme), il est peu probable qu’il y ait d’influence mutuelle entre l’incidence dans des Zones de responsabilité. De plus, les facteurs explicatifs potentiels de l’incidence dans les centres de santé voisins ne peuvent pas influencer l’incidence d’un autre centre de santé. Par contre, d’autres facteurs explicatifs (accueil, plateau technique, disponibilité du personnel, suivi du patient, etc.) n’ont pas pu être intégrés aux modèles du fait de la difficulté à les mesurer. De ce fait, nous avons retiré de notre stratégie de modélisation (figure 12) des modèles expliqués par la variable principale et les variables explicatives des unités voisines. Ainsi, nous avons effectué une modélisation de type SEM (80, 87–92) qui prend en compte les potentielles variables explicatives, des unités voisines non mesurées dans le terme d’erreurs. Pour cette famille de modèle, nous avons testé l’influence des effets fixes et aléatoire en utilisant le test de Haussman. (89, 93). Dans la stratégie de modélisation ci-dessous, est une matrice de pondération spatiale . Pour chaque période , est un vecteur colonne de variable dépendant et est une matrice de variables explicatives.

Interprétation des coefficients

Comme dans les modèles de régression en coupe transversale, on peut, à partir des spécifications précédentes, donner l’expression des effets marginaux des variables explicatives ainsi que celle des impacts directs, indirects et totaux qui facilitent l’interprétation des coefficients des modèle estimés.
En effet, à la différence des modèles a-spatiaux, l’effet marginal d’une variation d’une variable explicative peut être différent d’un individu à l’autre. Bien évidemment, par le fait des interactions spatiales, la variation d’une unité de la pluviométrie, de la température, du statut de participation à la CPS ou du nombre cycle de traitement, pourrait affecter directement son taux d’incidence et indirectement les taux d’incidence de toutes les autres zones de responsabilité.
Quelle que soit la nature des données prises en compte, du fait des interactions spatiales, toute variation d’une variable explicative Xi pour une zone de responsabilité entraîne une variation de la variable dépendante qui est le taux d’incidence du paludisme pour cette même zone (effet direct) mais également pour les autres (effet indirect). Pour une même variation unitaire, ces effets peuvent être différents d’une zone à l’autre.

Méthodes d’estimation

Deux grandes catégories de méthodes d’estimation des modèles spatiaux sur données de panel sont principalement utilisées : les méthodes fondées sur le principe du maximum de vraisemblance et les méthodes fondées sur la méthode des moments généralisée (incluant variables instrumentales). (82, 90, 94). Comme précédemment, nous nous restreignons ici au cas standard d’un panel cylindré et d’une matrice de pondération spatiale fixe dans le temps. Généralement, les estimateurs par le maximum de vraisemblance (MV) sont plus efficaces, mais reposent sur des conditions plus fortes, sur la distribution du terme d’erreur.
La méthode des moments généralisée (MMG) est souvent privilégiée car moins coûteuse en temps de calcul et est plus facile à mettre en oeuvre.(87, 95). D’autre part, dans la majorité des cas, comme ces estimateurs ne reposent pas sur l’hypothèse de normalité, les estimateurs que cette méthode permet d’obtenir sont plus robustes à l’hétéroscédasticité.
Enfin, la flexibilité que permet la définition des conditions sur les moments, permet également d’estimer les modèles spatiaux en présence d’une variable explicative endogène. Nous décrivons ici, les estimateurs des modèles à effets fixes.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela rapport-gratuit.com propose le téléchargement des modèles complet de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

INTRODUCTION GENERALE
Chapitre 1 : Le Paludisme au Tchad : Epidémiologie, Organisation et Stratégies de lutte antipaludique 
Introduction
Section 1 : Prévalence et incidence annuelle du paludisme et des épisodes févriles au Tchad
Section 2 : Organisation de la lutte antipaludique
Section 3 : Stratégies nationales de lutte antipaludique
Section 4 : Chimioprévention du Paludisme Saisonnier (CPS) : Enjeux, cibles et implémentation au Tchad
Conclusion
Chapitre 2 : Cadre et matériels de l’étude 
Introduction
Section 1 : Délimitation du champ et échelle géographique d’analyse
Section 2. Schéma d’étude, critères de jugement et variables d’intérêt
Section 3 : Données
Section 4 : Collecte, stratégie traitement et analyse des données
Conclusion
Chapitre 3 : Méthodes d’évaluation d’impact et modèlisation 
Introduction
Section 1. Evaluation d’impact en santé : enjeux et modèles théoriques
Section 3 : Modélisation en série temporelle
Section 4 : La modélisation en double différence à effets fixes
Section 5 : Modélisation sur données de panel spatial
Section 6 : Détection des clusters temporels et spatiotemporels de l’incidence clinique du paludisme chez les enfants de moins de cinq (5) ans.
Conclusion
Chapitre 4 : Résultats des modèles 
Introduction
Section 1: Lissage exponentiel Versus Modèle Autoprojectif de l’incidence et de la mortalité palustre chez les enfants de moins 5 ans
Section 2: Modèle en double différence à effets fixes
Section 3: « Spatial Error Model » (SEM)
Section 4: Détection des clusters temporels et spatiotemporels de l’incidence du paludisme chez les enfants de moins de 5 ans dans 2 provinces du Tchad
Conclusion
Chapitre 5 : Discussions
Section 1: Modélisation en double différence à effets fixes de l’impact de la CPS 95
Section 2 : Modèles à erreurs spatiales
Section 3 : Détection des clusters temporels et spatiotemporels de l’incidence du paludisme chez les enfants de moins de 5 ans
Conclusion
Chapitre 6 : Perspectives applicatives de la modélisation géomatique à l’évaluation d’impact de la CPS
Introduction
Section 1 : Fondements et enjeux de la géomatique en santé publique
Section 2 : Usages de la géomatique en santé
Conclusion
Chapitre 7. Recommandations pratiques 
Conclusion générale
BIBLIOGRAPHIE 

Télécharger le rapport complet

Télécharger aussi :

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *