Chapitre 7 - Modèles fondés sur les connaissances : exemple d’un outil d’évaluation multicritère pour la santé publique
p. 99-108
Texte intégral
1Pour réduire l’impact d’une maladie pour les individus, la prise en charge adéquate des cas est fondamentale. Cependant, les actions de santé publique humaine et animale visant à prévenir les risques de diffusion des maladies sont indispensables pour réduire leur impact à l’échelle de la population. Les maladies infectieuses affectant les humains et les animaux surviennent à la suite de leur exposition à des agents infectieux présents dans leur environnement direct ou indirect. Ces agents infectieux, ainsi que leurs arthropodes vecteurs (organismes vivants transmettant l’agent infectieux), sont eux-mêmes sous l’influence de déterminants environnementaux dont les paramètres varient en fonction des conditions physiques, chimiques, climatiques et des pressions anthropiques exercées sur leur habitat naturel. La compréhension de ces déterminants dans l’épidémiologie de ces maladies et la surveillance de leur évolution sont donc indispensables pour détecter des changements dans l’environnement et appréhender les risques d’émergence d’une épidémie.
2Lors de la survenue d’épidémies ou de pandémies, surtout avec l’émergence d’un agent pathogène inconnu, le recours à la modélisation est devenu une pratique courante en santé publique. La modélisation descriptive d’un phénomène de santé est habituelle (elle permet notamment d’estimer l’incidence et la prévalence de la maladie), mais la modélisation peut également viser à comprendre les mécanismes de transmission ou à prédire l’ampleur d’une épidémie ou l’impact de mesures de lutte (Dubois, 2005). Les modèles apportent des informations permettant d’estimer les moyens techniques et financiers nécessaires pour faire face à une éventuelle situation critique en santé publique. Ils jouent un rôle essentiel dans l’aide à la décision. L’introduction de la dimension spatiale dans un modèle est aussi essentielle pour la compréhension du phénomène d’initialisation d’une épidémie. La plus ancienne cartographie thématique de la distribution des cas de choléra de Londres en 1854 a montré que l’intégration des informations spatiales dans une démarche d’épidémiologie explicative a permis de comprendre le mécanisme de diffusion de la maladie et de contrôler l’épidémie (Snow, 1855).
3Un grand nombre de modèles reposent sur l’analyse de données (cf. chapitre 6). D’ailleurs, des initiatives et des plateformes de collecte et de gestion de données existent à l’échelle mondiale ou continentale, avec création de tableaux de bord de surveillance des maladies à potentiel épidémique. Cependant, de nombreuses contraintes pèsent sur l’acquisition de données robustes, complètes, temporellement et spatialement en adéquation avec la problématique. Par exemple, depuis 2019 le ministère de la Santé publique de Madagascar s’appuie sur le Système de gestion d’information sanitaire (SGIS) proposé par la plateforme DHIS243, utilisée par plus de 100 pays dans le monde. En 2021, les taux de complétude et de promptitude de rapportage des données restent inférieurs à 80 % pour le système national de surveillance intégrée opérationnel du paludisme, ce qui constitue une des faiblesses dans la gestion et mise en œuvre des réponses aux épidémies de paludisme (PNLP, 2021). De plus, les données concernant les facteurs de risques environnementaux font également souvent défaut dans les pays à ressources limitées comme Madagascar, mais aussi globalement lors de l’émergence de nouveaux pathogènes. Pourtant ces données sont indispensables dans les stratégies de lutte contre les maladies à potentiel épidémique comme le paludisme (WHO, 2001).
4Ce chapitre traite des modèles fondés sur les connaissances, qui peuvent être mis en œuvre en l’absence de données épidémiologiques, avec l’exemple de l’analyse multicritère spatialisée. Cette méthode aide à contourner les besoins en importants jeux de données épidémiologiques, nécessaires pour développer des modèles basés sur les données (cf. chapitre 6). Ce chapitre montre un exemple de modèle fondé sur les connaissances utilisé dans la détermination des zones à risques prioritaires pour la campagne de lutte antivectorielle contre le paludisme à Madagascar. Enfin, ce chapitre illustre l’outil Full MCE for public Health développé à l’Institut Pasteur de Madagascar (IPM), qui permet d’appliquer cette méthode par une extension (plug-in) pour le logiciel de système d’information géographique (SIG) QGIS.
L’approche multicritère spatialisée, une approche fondée sur les connaissances
5Les logiciels de SIG sont adaptés pour gérer des données environnementales multi-sources et offrir un outil d’aide à la décision. L’approche d’analyse multicritère (AMC) combinée au SIG est de plus en plus adoptée dans différents domaines. Elle est fondée sur les connaissances des experts. Quelques exemples ont montré que l’AMC combinée au SIG, également appelée analyse multicritère spatialisée (AMCS), est très puissante pour répondre aux problèmes liés à la santé humaine ou animale. Par exemple, Bell et al. (2007) ont construit des indices de privation, qui sont des indicateurs liés à la santé des populations, en proposant aux décideurs des gradients socio-économiques basés sur une approche AMCS. En l’absence de données précises sur les foyers de peste porcine africaine (PPA), l’AMCS a permis de cartographier les risques de transmission de la PPA en Afrique et à Madagascar, ce qui permet de compenser le manque d’études quantitatives sur l’épidémiologie de la maladie en Afrique (Glanville de et al., 2014). La modélisation fondée sur les connaissances a également été utilisée pour la détermination des zones à risques d’amplification et de propagation de la fièvre de la vallée du Rift (FVR) dans quatre pays de l’Afrique de l’Est : le Kenya, la Tanzanie, l’Ouganda et l’Éthiopie (Tran et al., 2016).
6L’AMCS est constituée de cinq principales étapes, considérées comme des éléments constitutifs des procédures spatiales d’aide à la décision :
1. La définition du risque à cartographier (risque d’introduction, d’amplification, de diffusion, etc.) et du territoire concerné selon l’objectif nécessitant un (des) choix pour une prise de décision. La bonne connaissance des risques aide à identifier les facteurs à prendre en compte dans l’étape suivante.
2. L’identification des critères pour l’analyse : les données qui vont servir comme facteurs sont identifiées avec l’avis des experts et collectées à partir de différentes sources (instituts nationaux de géographie ou autres portails d’information géographique). Les critères peuvent se décliner en deux types : les contraintes (un masque qui limite les zones à prendre ou ne pas prendre en considération) et les facteurs (critères définissant un certain degré d’aptitude pour une zone donnée) [Rakotoarisonet al., 2020 ; Rakotomananaet al., 2007]. Les facteurs (p. ex. la température, qui impacte la dynamique de population des moustiques et le cycle biologique du plasmodium chez les moustiques) et les contraintes (p. ex. les zones habitées, cibles des interventions de lutte antivectorielle : il n’est pas utile de prédire le risque en dehors de ces zones) sont donc traités et combinés de manière différente. Les experts comme les épidémiologistes, entomologistes, climatologues, écologues ou spécialistes en santé humaine et animale interviennent à ce stade d’identification des critères. Leurs avis sont appuyés par la revue de littérature résultant d’une recherche bibliographique préalable. Les données de télédétection constituent une source particulièrement utile pour acquérir des informations spatialisées sur des facteurs ou contraintes climatiques et environnementales. L’utilisation des données satellitaires pour appréhender les différents types d’occupation du sol et leur évolution dans le temps est devenue l’application la plus utile dans un SIG pour disposer de données récentes sur une zone d’étude (cf. chapitre 1).
3. La standardisation des facteurs : elle consiste à transformer les facteurs d’évaluation originaux en unités comparables afin d’obtenir des aptitudes à un événement (p. ex. aptitude à la survenue d’une maladie) sur une échelle continue (0 à 1 ou 0 à 255 selon le choix). Une valeur de zéro correspond à une aptitude nulle tandis qu’une valeur de 1 ou 255 (selon le choix de l’échelle utilisée) représente une aptitude maximale à l’événement étudié. La standardisation peut se faire en utilisant des seuils (au-delà ou en deçà d’un seuil, le risque est présent ou absent) ou en s’appuyant sur la logique floue, approche la plus commune en analyse multicritère pour l’aide à la décision. Avec cette technique, la transition entre l’aptitude ou non d’un facteur à engendrer un risque se fait de manière progressive d’une zone à une autre, selon la relation entre le facteur et le risque (croissante, décroissante, symétrique, etc.). La figure 7.1 montre deux exemples de fonctions de relation entre les facteurs et les risques à évaluer.
Figure 7.1. Exemples de fonctions d’appartenance pour la standardisation des facteurs : (a) fonction croissante ; (b) fonction symétrique avec plateau.
4. La pondération des facteurs : cette étape traite de l’attribution d’un poids (entre 0 et 1) à chaque facteur selon son importance par rapport aux autres facteurs considérés. Plus le poids est proche de 1, plus la contribution du facteur à l’événement est importante. Plusieurs méthodes, dont la comparaison par paires, ont été suggérées pour pondérer les facteurs selon les contextes. La méthode de comparaison par paires a été développée par Saaty dans le cadre d’un processus d’analyse hiérarchique (AHP pour Analytic Hierarchy Process) [Saaty, 1977]. Elle repose sur la construction d’une matrice où les facteurs sont comparés par paires en attribuant des notes à partir d’une échelle de comparaison (tableau 7.1). À partir de cette matrice, la méthode AHP permet de calculer le poids de chaque facteur. La comparaison par paire peut, néanmoins, présenter des relations incohérentes. Ces incohérences peuvent être mesurées par le calcul du ratio de cohérence RC. Des comparaisons par paires jugées cohérentes ont un RC < 0,1. Une valeur de RC ≥ 0,1 indique des jugements incohérents et une comparaison qui devra être réévaluée.
Tableau 7.1. Exemple d’une échelle de comparaison de deux facteurs de risque.
Importance du facteur A par rapport au facteur B |
||||||||
Extrêmement |
Très fortement |
Fortement |
Modérément |
D’importance égale |
Modérément |
Fortement |
Très fortement |
Extrêmement |
Moins important |
Plus important |
|||||||
1/9 |
1/7 |
1/5 |
1/3 |
1 |
3 |
5 |
7 |
9 |
5. La dernière étape consiste en la combinaison des indices de risque (facteurs standardisés et pondérés) et en leur intégration dans un système d’information géographique produisant une carte de risque. La carte obtenue traduit le niveau de risque par unité géographique élémentaire. Avec un choix d’échelle continue allant de 0 à 255, le risque faible est traduit par la valeur 0 tandis que la valeur 255 est interprétée comme un risque élevé. La variation des poids selon l’estimation et l’avis des experts permet d’estimer l’incertitude au niveau d’une unité géographique donnée. Une carte d’incertitude peut être associée à la carte de risque. Le modèle est considéré comme stable s’il ne varie pas significativement, quelle que soit la variation de poids attribuée aux facteurs par les différents experts. Une validation de la carte de risque peut être effectuée selon la disponibilité des données épidémiologiques.
Exemple d’application sur le risque de paludisme dans les Hautes Terres centrales de Madagascar
Contexte
7La lutte contre le paludisme demeure un défi mondial pour la santé publique, mais également pour l’économie. L’objectif de la lutte contre le paludisme à l’échéance 2030 est de réduire de 90 % l’incidence et la mortalité liées au paludisme dans le monde, par rapport aux données de références de 2015. En 2019, le nombre de cas de paludisme a été de 227 millions dans 85 pays où la maladie est endémique ; 14 millions de plus ont été estimés en 2020, soit 241 millions (WHO, 2021). Pour les pays à ressources limitées, la lutte contre ce fléau dépend principalement des partenaires financiers à travers le fonds mondial destiné aux grandes épidémies, telles que le paludisme, le sida et la tuberculose (PNLP, 2017 ; WHO/GMP, 2021). À Madagascar, le paludisme constitue la quatrième cause de morbidité dans les centres de santé et de mortalité hospitalière (PNLP, 2017). Le paludisme est caractérisé par quatre faciès selon la durée et l’intensité de la transmission : Est, Ouest, subdésertique et Hautes Terres centrales (HTC).
Application de la méthode AMCS à l’aide de l’outil Full MCE for Public Health
8Rakotoarison et al. (2020) ont appliqué la méthode AMCS sur les HTC afin de déterminer les zones à risques prioritaires pour les campagnes d’aspersion intra-domiciliaire d’insecticide (AID). Le modèle a été développé avec l’outil Full MCE for Public Health.
9En effet, pour des utilisateurs non spécialistes en géomatique, l’IPM a créé une extension au logiciel libre QGIS pour permettre aux acteurs de santé de s’approprier un outil interactif et semi-automatique. L’extension Full MCE for public Health a été développée pour QGIS version 2.x avec le langage Python 2 et une interface conviviale44 (figure 7.2). Des formations à son utilisation ont été dispensées par l’équipe de l’IPM à l’échelle nationale et internationale pour faciliter la prise en main par les personnels de santé humaine ou animale.
10Les étapes de la méthode AMCS décrites dans le paragraphe précédent sont détaillées ci-après, avec des illustrations de l’interface de l’outil Full MCE for Public Health.
Figure 7.2. Interface d’accueil de l’extension Full MCE for public health dans QGIS 2.x.
1. Définition des risques et des zones prioritaires
11En premier lieu, les HTC ont été identifiées comme zone prioritaire, car il s’agit d’une zone à paludisme instable, à risque épidémique. La stratégie de lutte antivectorielle contre le paludisme y est basée sur les campagnes d’AID. Le choix des zones d’intervention dépend de la disponibilité des moyens de lutte et la cartographie des zones les plus à risque doit permettre de mieux cibler les zones prioritaires.
2. Identification des critères
12Les différents critères qui interviennent dans le risque de transmission du paludisme dans les HTC ont été identifiés dans le cadre d’une collaboration avec des spécialistes en entomologie médicale, des acteurs de santé au niveau du programme national de lutte contre le paludisme (PNLP) et d’autres experts locaux. Cette étape repose sur les connaissances sur le paludisme en général et les HTC de Madagascar en particulier.
13Le chapitre 1 a traité du rôle de l’environnement dans la transmission des maladies dues aux moustiques et de l’intérêt de l’utilisation de la télédétection. En ce qui concerne le paludisme sur les HTC, les rizières sont les gîtes larvaires de prédilection du moustique Anopheles funestus, vecteur principal dans cette région. Pour différentes raisons (variations des précipitations, possibilité d’irrigation, insécurité), les surfaces cultivées peuvent varier d’une année à l’autre. Pendant une période de repos d’une rizière, elle peut rester humide ou sèche selon le système d’irrigation. Parfois les parcelles changent complètement de vocation en devenant des lieux de prélèvement de terre pour la fabrication de briques. Les trous humides laissés par ces activités anthropiques constituent également des gîtes larvaires idéaux pour les moustiques vecteurs du paludisme. Aussi, quand les surfaces rizicoles diminuent, on assiste au développement, dans les espaces naturels, d’autres espèces vectrices, telles qu’An. gambiae. Les zones humides, constituant de potentiels gîtes larvaires des anophèles vecteurs du paludisme, sont donc un des principaux critères retenus pour l’AMCS. La télédétection (images Landsat) permet de cartographier la superficie rizicole ainsi que celle des zones humides naturelles à une fréquence annuelle (Rakotoarison et al., 2020).
14L’altitude, la température, la précipitation, la densité de la population humaine (qui peut avoir un impact sur la distribution des gîtes larvaires), les zones habitées (qui sont les cibles des AID) ont également été retenues comme critères (figure 7.3) (Rakotoarison et al., 2020).
15Des prétraitements (p. ex. classification d’images satellite) sont nécessaires pour préparer les données correspondantes pour l’analyse (figure 7.3). L’interface du plug-in Full MCE for Public Health permet d’intégrer ces différents critères comme contraintes ou facteurs, au format raster (figure 7.4).
Figure 7.3. Données en entrée et flux de traitement des données pour l’obtention des cartes de risque de paludisme sur les Hautes Terres centrales de Madagascar. Adapté de Rakotoarison et al. (2020).
Figure 7.4. Illustration de l’interface du plug-in Full MCE for Public Health correspondant à la prise en compte (a) des contraintes et (b) des facteurs à considérer dans l’analyse multicritère spatialisée.
3. Standardisation
16L’interface du plug-in permet ensuite de standardiser les facteurs. Selon les choix des experts, la forme des fonctions de standardisation (linéaire, sigmoïde, etc.) et leur sens de variation (croissant, décroissant, symétrique) peuvent être paramétrés, ainsi que les seuils (figure 7.5a).
4. Pondération des facteurs
17Dans l’étape de pondération, l’utilisateur doit comparer les différents facteurs deux à deux. La saisie des valeurs de la matrice de comparaison par paires (tableau 7.1) est facilitée par l’interface du plug-in (figure 7.5b). Le poids attribué à chaque facteur est calculé automatiquement selon la méthode AHP et résumé dans l’interface de calcul final (figure 7.6).
18Dans l’étude de Rakotoarison et al. (2020), la densité de population a été considérée comme le facteur le plus important par les experts, avec une valeur de pondération calculée selon la méthode AHP la plus élevée (poids : 0,50), suivi de la distance par rapport aux rizières et zones humides (plus la distance est importante, moins le risque est élevé ; poids : 0,18), suivi de la température (poids : 0,17), de l’altitude (poids : 0,09) et de la précipitation (poids : 0,06).
Figure 7.5. Illustration de l’interface du plug-in Full MCE for Public Health correspondant aux étapes (a) de standardisation et (b) de création de la matrice de comparaison par paires pour la pondération des facteurs.
5. Combinaison des indices de risque
19Les facteurs (densité de population, distance aux zones humides, température, altitude, précipitation), standardisés et pondérés, ainsi que les contraintes (zones habitées, altitude, densité de population) sont finalement combinés pour obtenir les cartes des zones à risques prioritaires pour l’AID pour différentes années (2014, 2015 et 2016) par la mise à jour annuelle des cartes d’occupation du sol, de température et de précipitations. Les zones à risques identifiées ont été classées selon un gradient allant de très faible à très élevé et mettent en évidence des variations spatiales et interannuelles de risque de transmission importantes (figure 7.6).
Figure 7.6. Cartes de risque de paludisme dans les Hautes Terres centrales malgaches. Adapté de Rakotoarison et al. (2020).
Conclusion
20L’influence de la localisation géographique et le rôle de l’environnement sur la distribution des maladies sont des concepts très anciens dans le domaine de la santé. L’utilisation des données satellites pour appréhender les différents types d’occupation du sol et leur évolution dans le temps est cruciale pour disposer de données récentes et mettre à jour les cartes de risque. Le recours aux modèles basés sur les connaissances favorise l’approche participative et l’implication des experts dans l’appréciation des risques. L’outil développé à partir de cette méthode est libre d’utilisation. Il peut être utilisé dans d’autres domaines, tels l’agriculture, la protection de l’environnement proprement dite ou l’aménagement du territoire.
Bibliographie
Bell N., Schuurman N., Hayes M.V., 2007. Using GIS-based methods of multicriteria analysis to construct socio-economic deprivation indices. International Journal of Health Geographics, 6, 17.
Dubois M., 2005. Modélisation en epidemiologie : objectifs et methodes. Epidémiologie et santé animale, 47, 1-13.
Glanville W.A de., Vial L., Costard S., Wieland B., Pfeiffer D.U., 2014. Spatial multi-criteria decision analysis to predict suitability for African swine fever endemicity in Africa. BMC Veterinary Research, 10, 9.
PNLP, 2017. Plan stratégique national de lutte contre le paludisme 2018-2022. Programme national de lutte contre le paludisme, Antananarivo, Madagascar.
PNLP, 2021. Plan de réponse aux épidémies et aux recrudescences de paludisme à Madagascar. Programme national de lutte contre le paludisme, Antananarivo, Madagascar.
Rakotoarison H.A., Rasamimalala M., Rakotondramanga J.M., Ramiranirina B., Franchard T., Kapesa L., Razafindrakoto J., Guis H., Tantely L.M., Girod R., Rakotoniaina S., Baril L., Piola P., Rakotomanana F., 2020. Remote Sensing and Multi-Criteria Evaluation for Malaria Risk Mapping to Support Indoor Residual Spraying Prioritization in the Central Highlands of Madagascar. Remote Sensing, 12 (10), 1585.
Rakotomanana F., Randremanana R.V., Rabarijaona L.P., Duchemin J.-B., Ratovonjato J., Ariey F., Rudant J.-P., Jeanne I., 2007. Determining areas that require indoor insecticide spraying using Multi Criteria Evaluation, a decision-support tool for malaria vector control programmes in the Central Highlands of Madagascar. International Journal of Health Geographics, 6, 2.
Saaty T., 1977. A scaling method for priorities in hierarchical structures. Journal of Mathematical Psychology, 15, 234–281.
Snow J., 1855. On the Mode of Communication of Cholera, London, John Churchill,.
Tran A., Trevennec C., Lutwama J., Sserugga J., Gely M., Pittiglio C., Pinto J., Chevalier V., 2016. Development and Assessment of a Geographic Knowledge-Based Model for Mapping Suitable Areas for Rift Valley Fever Transmission in Eastern Africa. PLOS Neglected Tropical Diseases, 10 (9), e0004999.
WHO, 2001. Le Paludisme, Systemes de Pré-Alerte - Cadre pour la recherche de terrain en Afrique, Genève, Faire reculer le paludisme – Organisation mondiale de la Santé, 88 p. https://apps.who.int/iris/bitstream/handle/10665/67392/WHO_CDS_RBM_2001.32_fre.pdf?sequence=1&isAllowed=y .
WHO, 2021. World Malaria Report 2021. Geneva, World Health Organization, 263 p. https://www.who.int/teams/global-malaria-programme/reports/world-malaria-report-2021 .
WHO/GMP, 2021. 2021 African Union Malaria Progress Report.
Notes de bas de page
Auteurs
Chargée de recherche au sein de l’Institut Pasteur de Madagascar, dans l’unité d’Épidémiologie et de recherche clinique (EPI-RC). Elle est responsable du groupe Santé et géomatique (SaGEO) et ses travaux de recherche concernent l’épidémiologie spatiale, en particulier sur les maladies vectorielles comme le paludisme à Madagascar.
Ingénieur de recherche à l’Institut Pasteur de Madagascar (IPM), unité d’Épidémiologie et de recherche clinique (EPI-RC) et enseignant au sein de la mention Sciences de la Terre et de l’environnement (STE) à l’université d’Antananarivo. Ses travaux portent sur l’application de la géomatique en santé publique et il s’intéresse particulièrement à la modélisation spatiale des maladies à transmission vectorielle.
Le texte seul est utilisable sous licence Creative Commons - Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International - CC BY-NC-ND 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.
Paroles de chercheurs
Environnement et interdisciplinarité
Évelyne Brun, Jean-François Ponge et Jean-Claude Lefeuvre
2017
La question des échelles en sciences humaines et sociales
Sébastien Boulay et Sylvie Fanchette (dir.)
2019
Systèmes agraires et changement climatique au Sud
Les chemins de l'adaptation
Hubert Cochet, Olivier Ducourtieux et Nadège Garambois (dir.)
2019
Les terres agricoles face à l’urbanisation
De la donnée à l’action, quels rôles pour l’information ?
Roel Plant, Pierre Maurel, Éric Barbe et al. (dir.)
2018
Sociologie des changements de pratiques en agriculture
L’apport de l’étude des réseaux de dialogues entre pairs
Claude Compagnone
2019
Construire des politiques alimentaires urbaines
Concepts et démarches
Caroline Brand, Nicolas Bricas, Damien Conaré et al. (dir.)
2017
Services écosystémiques et protection des sols
Analyses juridiques et éclairages agronomiques
Carole Hermon (dir.)
2018
Manger en ville
Regards socio-anthropologiques d’Afrique, d’Amérique latine et d’Asie
Nicolas Bricas, Olivier Lepiller, Audrey Soula et al. (dir.)
2020
La santé globale au prisme de l'analyse des politiques publiques
Sébastien Gardon, Amandine Gautier et Gwenola Le Naour
2020
Agroforesterie et services écosystémiques en zone tropicale
Recherche de compromis entre services d’approvisionnement et autres services écosystémiques
Josiane Seghieri et Jean-Michel Harmand (dir.)
2019
Méthodes d'investigation de l'alimentation et des mangeurs
MIAM
Olivier Lepiller, Tristan Fournier, Nicolas Bricas et al. (dir.)
2021
Télédétection et modélisation spatiale
Applications à la surveillance et au contrôle des maladies liées aux moustiques
Annelise Tran, Eric Daudé et Thibault Catry (dir.)
2022