Académique Documents
Professionnel Documents
Culture Documents
ECONOMIE DE LA SANTE
7ème Promotion
Année
Académique
2010-2011
I. INTRODUCTION
1
I 1. ENONCE DU PROBLEME
En RDC, les dépenses de santé ont été estimées à 7,4% du PIB en 2008 financées par
les fonds publics (15% en 2008, 12% en 2009) et les dépenses privées de la santé en ont
constitué près de 85%, financées par les ménages (43% en 2008, 42% en 2009), les
employeurs (8% en 2008, 10% enn2009) et les partenaires internationaux (34% en 2008, 36%
en 2009) en 20083,5 . Les médicaments représentent près de 16% (à titre d’exemple, dans les
1
RDC. Document de la stratégie de croissance et de réduction de la pauvreté. 2006
2
Ministère de la Santé. Comptes Nationaux de la Santé. 2008-2009
3
J. Dumoulin, Miloud Kaddar, G. Velasquez. Accès aux médicaments et Finance, Analyse économique et
financière de base. 1991.
4
Ministère de la Santé. Comptes Nationaux de la Santé. 2008-2009
5
MAFUTA, Eric. Analyse des dépenses de santé des Entreprises en République Démocratique du Congo: Cas
de l'Office National des Transports. 2007.
2
Les statistiques sur les projets des médicaments devant permettre des études objectives
souffrent d’une très faible complétude. C’est ainsi que nous avons opté pour une étude
subjective mais quantitative. Il est donc possible, à partir des opinions des prestataires des
soins et le cas échéant des bénéficiaires directs, en vue de prédire et favoriser la pérennisation
des projets des médicaments dans les ZS, de répondre à notre question de recherche
principale et les questions subsidiaires à savoir:
I.2.1. But
Contribuer à la pérennisation des projets des médicaments dans les Zones de Santé en RDC.
3
Elaborer le modèle prédictif de la pérennisation des projets des médicaments dans les
Zones de Santé en RDC.
1) Identifier les facteurs impliqués dans la pérennisation des projets des médicaments
dans les Zones de Santé.
3) Prédire la pérennisation des projets des médicaments dans les Zones de Santé en RDC.
I. METHODOLOGIE
Nous nous proposons de mener une étude analytique basée sur le Raisonnement
Bayésien qui sera validé par une approche objective.
A partir de :
II.3.6.Validation du modèle
Nous utiliserons les logiciels Microsoft Excel 2010 pour le modèle subjectif de Bayes (MSB) et
EVIEWS pour le modèle de régression logistique (MRL).
6
Christian SOMDA. Evaluation du système logistique de gestion des médicaments essentiels
génériques dans la commune de Kpomassè. 2006
6
Dans une étude menée par Médecins Sans Frontières - Belgique à N’Djamena au
Tchad, analysant le fonctionnement du système des soins et les conséquences pratiques sur la
population en termes de financement et du profit des soins dans les ZS concernée ; il a été
établi que le système de participation communautaire était un des points positifs. Cette
participation communautaire a permis une disponibilité en médicaments dans toutes les
structures par l’augmentation de la fréquentation aux soins dans les structures où aucune
source d’approvisionnement n’existait avant le lancement du système de participation
communautaire. (21) (Walter Kessler et Alergo : le financement et la qualité des soins dans le
Mayo kebbi au Tchad.)
L’algorithme bayésien informatisé a été utilisé par FREDH E., M.D. et al (9), dans le
diagnostic pré-opératoire des lésions pulmonaires d’une centaine de patients qui ont été soumis à des
explorations thoracotomiques pour une nouvelle découverte des lésions pulmonaires et ont été évalués
de façon prospective. L’algorithme bayésien avait ainsi correctement classé 96 des 100 lésions
démontrant qu’il existait un certain nombre de critères cliniques et radiologiques pouvant être utilisés
pour prédire le potentiel malin qui n’était jusque-là que l’apanage de la thoracotomie. La sensibilité
du modèle était de 98 pour cent et la spécificité était de 87 pour cent. 85 lésions malignes ont été
correctement classées et 13 sur 15 lésions bénignes ont été correctement analysées par le modèle.
La capacité de prédiction pouvait ainsi être mise à profit pour la médecine.
Rudy Gunawan (10), étudiant les inférences de chaque technique la concordance entre les
techniques a conclu dans certaines conditions, deux biopsies étaient suffisantes déterminer le niveau
d'oxygénation tumorale sur base des essais immuno-histochimique de l’Anhydrase Carbonique.
Les méthodes bayésiennes ne sont pas encore largement utilisées. Toutefois, quelques
chercheurs s’y mettent avec des résultats probants.
7
RDC. Termes de référence pour la formulation de la phase de pérennisation des acquis du projet "« CDR ».
2010
7
la suite, ce modèle a été soumis à une validation externe par Dr MAPONDA en 1998. Ce dernier a
trouvé une spécificité de 41,3%.
En 2003, dans le cadre de son mémoire de spécialisation en pédiatrie, Dr Lose Ekanga (22) a
développé un modèle prédictif de la létalité des enfants reçus en urgence aux Cliniques Universitaires
de Kinshasa (CUK). En procédant par la méthode statistique bayésienne, sur huit (8) facteurs de
prédiction de la létalité identifiés et définis par les experts, trois (3) seulement ont été retenus après
confrontation du modèle subjectif bayésien (MSB) au modèle de régression logistique (MRL). Le
MSB a donné une sensibilité de 86% et une spécificité de 33% par rapports aux cas réels.
En 2007, Dr MBO M.L. (25) a utilisé l’approche subjective bayésienne pour élaborer un
modèle de prédiction de la mortalité maternelle dans la ville de Kinshasa. Elle a trouvé une sensibilité
du MSB de 56,7% et une spécificité de 96,7% par rapport aux cas réels. Comparé au modèle de
régression logistique (MRL), le MSB est très performant avec une sensibilité de 62%, une spécificité
de 100%, une Valeur Prédictive Positive (VPP) de 73,8% et une Valeur Prédictive Négative (VPN) de
100%.
Dans une analyse prédictive de la mortalité due au paludisme grave chez les enfants de moins
de 5 ans en RDC, le modèle de BAYES a été utilisé. En comparant, la performance du Modèle
Subjectif de Bayes aux cas réels, la sensibilité ainsi que la spécificité du Modèle Subjectif de Bayes
qui en ont résulté était très significatives, respectivement de 78,5 % et 75 %, signifiant que le modèle
prédisait correctement le décès dans 78,5 % de cas ainsi que la survie dans 75 % de cas. C’est pour
dire que le modèle permet de prédire correctement la survie des enfants et détecter correctement les
vrais négatifs. Dans la même étude, le Modèle Subjectif de Bayes a été évalué avec le Modèle de
Régression Logistique pour conclure le Modèle Subjectif de Bayes performant avec la sensibilité de
70 %, la spécificité de 67 % et la valeur d’efficacité globale de 68 %. KAMWINA KEBELA J. (11),
.
R. Launois, J. Le Moine, M. Huynh, M. Boissier
8
Selon les conclusions de l’étude sur « l’efficacité et tolérance des traitements de la polyarthrite
rhumatoïde étudiés par méta-analyse hiérarchique bayésienne. Combinaison simultanée des résultats
relevés dans les essais randomisés et les études observationnelles avec groupe contrôle »,
l’analyse hiérarchique bayésienne a permis de mobiliser les données d’essais et de registres. Appliquée
aux traitements ciblés de la PR (ADA, ETN, GOL, INF, TCZ) elle met en évidence, dans les limites
de l’étude, la supériorité de l’ETN dans le profil d’efficacité mais sans en conclure en termes de
tolérance. Sur le critère ACR 50, étaner cept (ETN) + méthotrexate présente l’odd ratio le plus élevé
par rapport aux traitements de fond conventionnels au regard de tous les comparateurs retenus (odd
ratio : 9.7 [3.65 ; 22.8] ). Si les odds des registres et des essais randomisés sont analysés ensemble, le
risque relatif d’arrêt d’un traitement par ETN par rapport aux DMARD diminue de 61% (odd ratio :
0.49 [0.10 ; 1.32] ), l’analyse limitée à l’INF montre une réduction de 12% (odd ratio : 0.88 [0.43 ;
1.6] ). La situation est similaire sur le nombre d’infections totales (odd ratio ETN 1.34 [0.51 ; 2.77] vs
odd ratio INF 1.9 [0.74 ; 4.08] ). Le nombre d’infections est plus faible avec ADA (odd ratio ADA
1.04 [0.39 ; 2.27] ). Sur les deux critères retenus, les différences sont non significatives.
Une étude ayant pour objectif d'examiner l'efficacité de la détection aux ultrasons d'un
aplatissement de la région pariétale avec pointage de l'os frontal (bulletshaped = tête en forme de
balle) pour prédire les défauts de la moelle épinière, a trouvé que la sensibilité était de 75% et la
spécificité de 98,3%. Ainsi, lorsqu’ un clinicien utilise les ultrasons pour détecter une tête en forme de
balle chez le fœtus, les valeurs ci-dessus seront utilisés pour estimer la probabilité de défauts de la
colonne vertébrale étant donné un résultat positif ou négatif. Si le test est positif, la probabilité de
défauts de la moelle épinière est de 0.757 (VPP). Et lorsque le test est négatif, la probabilité d'absence
de défaut est de 0.982 (VPN). D’où un résultat de test positif augmente le risque de maladie par
rapport à la prévalence et le test négatif en réduit le risque. OKEH U., M.1 et UGWU A., C.2 (12),
Ils ont comparé leurs résultats avec ceux d’un modèle construit à partir des
données objectives et ont trouvé que le modèle est aussi précis que le modèle objectif.
Ils ont trouvé que leur modèle était à 28% plus précis que l’actuel et 8%
plus précis que celui d’un chirurgien.
En 1973, cette même équipe utilisa un Modèle Subjectif Bayésien (MSB) dans
une étude sur la fonction thyroïdienne, développé à partir des estimations de
résidents expérimentés en endocrinologie. Il a été utilisé pour classer 200 cas de
dysfonctionnement thyroïdien repartis en hypothyroïdie, euthyroïdie et
hyperthyroïdie.
9
En 1977, ils conçurent un autre MSB pour détecter les patients se plaignant
d’envie suicidaire dans l’idée de les classer en 2 catégories : ceux qui courent un
risque sérieux de suicide et les autres.
Les résultats obtenus ont été comparés aux évolutions observées et prédictions des
psychiatres. Le MSB a identifié plus d’affectés dans 73% des cas que les psychiatres
(38%).
D’autres chercheurs : Nugent et al. (1964), Rinaldo et al. (1963), Pietrantonj et al.
(1969) Gorry et al. (1973) ont mis au point un modèle diagnostique par ordinateur
en utilisant le MSB. Dans leurs travaux, le rapport de vraisemblance (Subjectif
Likelihood Ratio : SLR) était utilisé pour diagnostiquer respectivement :
La maladie de Cushing,
L’épigastralgie,
L’insuffisance rénale aiguë,
Les tumeurs.
En 2004, Lose a développé un modèle subjectif pour prédire la létalité des enfants
âgés de 0 à 5 ans aux Cliniques Universitaires de Kinshasa (CUK).
Ce modèle a été soumis à une validation externe aux CUK, à l’Hôpital pédiatrique de
Kalembelembe, et à l’Hôpital Général de Kinshasa.
Pour les idéalistes, la réalité existe dans l’esprit des observateurs, un consensus entre
les observateurs s’avère nécessaire.
Pour les réalistes, la réalité existe indépendamment de l’observateur.
Dans une approche subjective, l’accent est mis sur l’analyse des opinions des experts qui sont
les unités statistiques.
Dans une approche objective, l’accent est mis sur l’observation directe qui est l’unité
statistique.
Selon De Finetti, dans ce cas, l’ordre dans la sélection d’un échantillon n’est
pas jugé important surtout pour les événements rares non répétitifs. (7)
La fréquence relative est également utilisée pour fournir une définition « à
posteriori » de la probabilité : lorsqu’un processus est répété en grand nombre de fois, nA et si
un événement, avec une caractéristique E se produit m fois, la fréquence relative de E, soit m/
nA sera approximativement égale à la probabilité E.
P (E) = m/ n
D’une manière subjective : si les données réelles (observables) n’existent pas ou sont peu
fiables, on peut utiliser les experts pour générer les probabilités.
Dans ce cas, la probabilité de E est la chance avec laquelle les experts ont la conviction que
l’événement va se produire.
et P ( B /A) = 1 - P (B /A)
7. P ( B / A ) = Probabilité de B étant donné A (Spécificité).
8. P (B / A ) = Probabilité de B, étant donné A et P (B / A ) = 1 - P ( B / A )
9. P (A /B) = Probabilité à posteriori ou probabilité post-test que
l’événement A soit, étant donné B (Postérior Odd. P.O)
= Valeur prédictive positive (VPP).
10.P( A / B ) = Probabilité à posteriori que l’événement A ne soit pas, étant
donné l’absence de B. = Valeur prédictive négative (VPN).
(B / A )
11. P (B / Ā ) = Rapport de vraisemblance (RV) = le quotient de la présence
de B, étant donné A, et la présence de ce même facteur
Sensibilité
étant donné A (Likelihood ratio ou LHR) = 1−Spécificité
(B / A ) 1−Sensibilité
Et pour P (B / Ā ) = Spécificité
En tant que proportion, elle est une quantité finie dont la valeur est comprise
entre 0 et 1. Elle s’exprime sans unité particulière, sinon une unité de taille (pour 100,
pour1000, etc.).
P(B / A )×P( A )
P( A / B)=
Donc P( B/ A )×P( A )+ P( B/ Ā )×P( Ā ) (1)
P(T / M )×P( M )
P( M /T )=
P(T / M )×P( M )+ P (T / M̄ )×P ( M̄ )
Se × Pr évalence
VPP = ( e × Pr évalence ) +(1−Sp )×( 1−Pr évalence )
P( A /B ) P( B/ A )×P( A )
Où P( Ā /B ) = P( B/ Ā )×P( Ā )
Le choix des experts s’est fait sur base des critères ci-après :
Les experts ont été recrutés dans la ville de Kinshasa., Ils étaient au nombre 10 dont 2
(pharmaciens) résidant à Kinshasa et 10 (MCZ et AG) en formation et ayant rempli les critères de
sélection.
17
12 jours les étapes suivantes, nous avions rencontré les experts et discuté avec eux sur les facteurs
qui assurent la pérennisation des projets des médicaments, selon le canevas suivant :
Ensuite une lettre d’invitation (voir annexes) a été minutée et envoyée aux retenus
pour participer à l’étude.
Le sujet de l’étude et la méthodologie explicitée par l’animateur, les suggestions émises ont été
enregistrées par un secrétaire.
Cette étape a consisté à identifier (par la technique de groupe nominal), regrouper (par la
technique de brainstorming) les facteurs en facteurs indépendants en leur donnant une définition
opérationnelle aux facteurs retenus.
18
Le consensus a été très nécessaire par grouper les facteurs selon leur ressemblance et leur
donner à chacun une définition opérationnelle.
De la liste compilée en annexe dont 48 facteurs, issue du consensus ci-haut cité, 7 facteurs
indépendants suivants ont été retenus :
L’élaboration du modèle était l’étape de base de notre recherche au cours de laquelle nous
avions eu à déterminer les éléments suivants :
Pour déterminer la probabilité de pérennisation P (p), la question suivante a été posée aux
experts, à savoir : « Sur 10 projets des médicaments que vous connaissez, combien ont été
pérennisés ? »
Les réponses obtenues à cette question, ont permis de calculer les moyennes arithmétiques
des estimations des probabilités de pérennisation des projets des médicaments.
La probabilité de non pérennisation P (np), a été déduite de la P (p), soit P (np) = 1- P (p).
Pour déterminer les Rapports de vraisemblance, la démarche exigeait que nous posions à
chaque expert les deux questions d’estimation auxquelles ils ont répondu en fonction de leur
expérience, à savoir :
1. Sur 10 projets qui ont été pérennisés, combien avaient un ou les facteurs retenus 1, 2, 3, 4, 5,
6, 7, successivement ?
2.
19
3. Sur 10 projets qui n’ont pas été pérennisés, combien avaient quand même un ou les
facteurs retenus ?
A la première question, nous devrions obtenir les probabilité de pérennisation des projets étant
donné que les facteurs existent ou les probabilités d’avoir les facteurs étant donné que le projet a été
pérennisé P (F1/p), P (F2/p), P (F3/p), P(F4/p), P(F5/p), P(F6/p), P(F7/p) ; desquelles nous avons déduit
les probabilités de ne pas avoir les facteurs de pérennisation étant donné que le projet a été pérennisé
ou ceux qui ont été pérennisés sans avoir les facteurs P ( F 1/p), P ( F 2/p), P ( F 3 /p), P ( F
4/p), P( F 5 /p), P ( F 6 /p), P( F 7/p) qui sont égales à 1- P ( F n /p).
Le principe étant le même pour la deuxième question P (F 1/np), P (F2/np), P (F3/np), P(F4/np),
P(F5/np), P(F6/np), P(F7/np) ; desquelles nous avons aussi déduit les probabilités de ne pas avoir les
facteurs de pérennisation étant donné que le projet n’a pas été pérennisé ou ceux qui n’ont pas été
pérennisés sans avoir les facteurs P ( F 1/np), P ( F 2 /np), P ( F 3 /np), P ( F 4 /np), P(
F /np), P (
5
F 6 /np), P( F 7/np) qui sont égales à 1- P ( F n/np).
Les résultats obtenus à partir des réponses des experts sont repris dans le tableau n°2.
P (F5/A) = e1 P (F5I) = e3 e 1/ e 3 = m
P (F6A) = f2 P (F6I) = f4 e 2/ e 4 = n
P (F7/A) = g2 P (F7/I) = g4 e 2/ e 4 = o
P ( F́ 6/p) = f2 P ( F́ 6/np) = f4 e 2/ e 4 = u
P ( F́ 7/p) = g2 P ( F́ 7/np) = g4 e 2/ e 4 = v
− − − − − − −
P( F1 ou F1 / p ) P( F 2 ou F 2 / p) P( F 3 ou F 3 / p ) P ( F 4 ou F 4 / p ) P( F 5 ou F 5 / p) P( F 6 ou F 6 / p ) P( F 7 ou F 7 / p ) P(p)
Po= × × × × × × ×
− − − − − − − P( np)
P( F1 ou F 1 / np) P( F2 ou F2 / np ) P( F 3 ou F 3 /np ) P( F 4 ou F 4 / np) P( F5 ou F5 / np ) P( F 6 ou F 6 / np) P( F7 ou F7 / np )
Lorsque la PO obtenue, la probabilité pour un projet d’être pérennisé est obtenue avec la
PO
P=
formule suivante : 1+PO
Nous avons demandé aux experts de construire chacun 5 cas hypothétiques des projets avec les
facteurs qui contribuent à la pérennisation des projets des médicaments pour établir le degré
d’agrément entre experts deux à deux. Des 50 cas collectés, chaque expert avait prédit la
pérennisation ou non d’un projet des médicaments.
La mesure du degré d’agrément s’est faite au moyen des statistiques Kappa à l’aide de la
P o −P e
formule suivante : K = 1−Pe
Po représente la probabilité de concordance observée
Pe représente la probabilité de concordance attendue
Pour juger de la perfection de l’agrément, les critères suivants ont été utilisés :
Le critère de discrimination représente la valeur de 0,1 à 0,9 pour laquelle le modèle a une très
grande sensibilité et une très grande spécificité.
Pour chaque valeur de 0,1 à 0,9 la sensibilité, la spécificité, la valeur prédictive positive, la
valeur prédictive négative est calculée pour retenir le critère de discrimination qui a en même temps
une haute sensibilité et spécificité.
Pour réaliser la détermination du critère de discrimination, des matrices sont élaborées entre
les probabilités générées par les experts (opinions des experts) sur les cas hypothétiques et celles
obtenues par le MSB (0,1 0,9). A titre d’exemple :
Expert 1 Total
+ 0,5 -
+
a b A = a+b
Expert 1
0,5
c d B = c+d
-
Expert 1 Total
+ 0,5 -
+
a b A = a+b
Expert 2
0,5
c d B = c+d
-
Nous avons déterminé les probabilités à posteriori (PO) pour les cas conçus par les experts
pour construire le modèle de Bayes sur les cas hypothétique.
Les tableaux calculs en annexe 5.1 et 5.2 nous montrent les calculs réalisés permettant d’avoir tous les
éléments utiles à la détermination du Cut Off Point (COP).
Les résultats sont consignés au tableau n0 7
La validation interne du modèle a été faite à partir du consensus des experts sur les
cas hypothétiques en calculant les indicateurs suivants :
- Sensibilité (Se)
- Spécificité (Sp)
- Valeur Prédictive Positive (VPP)
- Valeur Prédictive Négative (VPN)
La table de contingence suivante a été construite pour chaque valeur allant de 0,1 à 0,9.
a b A = a+b
+
-
0,1
c d B = c+d
23
MSB
a b A = a+b
MSB
0,2
c d B = c+d
-
a b A = a+b
MSB
0,9
c d B = c+d
-
a a
Se= VPP=
a+b a+b
d d
Sp= VPN =
b+d c+d
a+d
Valeur d ' efficacité globale=
a+ b+c +d
C’est seulement quand le cut off point est sélectionné que le modèle est utilisé pour
classer les cas dans la pérennisation et la non pérennisation.
24
II.1.5.4.Validation externe
La validation externe nous permettra de confronter le MSB aux cas réels pour confirmer sa
performance.
Nous avons identifié 35 cas réels (projets des médicaments) à raison des 35 ZS de la ville
province de Kinshasa ; et cherché la présence ou l’absence des facteurs indépendants retenus dans
notre étude dans ces projets.
a b A = a+b
MSB
0,5
c d B = c+d
-
MRL Total
+ 0,5 -
+
a b A = a+b
MSB
0,5
c d B = c+d
-
a = vrai positif = MSB prédit accessibilité, nous avons accessibilité sur le terrain.
b = faux positif = MSB prédit accessibilité, MSB prédit inaccessibilité sur le terrain.
c = faux négatif = MSB prédit inaccessibilité, nous avons accessibilité sur terrain.
d = vrai négatif = MSB prédit inaccessibilité, nous avons inaccessibilité sur le terrain
a a
Se= VPP=
a+b a+b
d d
Sp= VPN =
b+d c+d
a+d
Valeur d ' efficacité globale=
a+ b+c +d
Pour mieux confirmer la performance du MSB, nous avons aussi élaboré un modèle de
régression linéaire (MRL) de la forme suivante :
ln (
p
1− p
)= β + β X + β X + β X + β X +β X +β X + β X +ε
0 1 1 2 2 3 3 4 4 5 5 6 6 7 7
Analyses statistiques
Le MSB a été analysé avec le logiciel MS Excel pour le calcul des moyennes et le MRL à l’aide
de logiciel EVIEWS.
IV.2.1. Liste des facteurs contribuant à la pérennisation des projets des médicaments
Tableau n° 1
P (p) 0,1 0,2 0,2 0,1 0,1 0,2 0,1 0,1 0,1 0,3 1,5 10 0,1
5
P (np) 0,9 0,8 0,8 0,9 0,9 0,8 0,9 0,9 0,9 0,7 8,5 10 0,8
5
Tableau n0 2 : Calcul des probabilités de pérennisation étant donné les facteurs
Experts E1 E2 E3 E4 E5 E6 E7 E8 E9 E10 ∑ N ∑/N
F2+ 0,4 0,2 0,2 0,4 1 1 0,1 0,5 0,7 0,8 5,3 10 0,530
F4+ 1 0,1 0,2 0,1 1 0,7 0,1 1 0,8 0,1 5,1 10 0,510
F5+ 0,8 0,1 0,1 0,4 0,6 0,8 0,1 0,7 0,7 0,6 4,9 10 0,490
F6+ 0 0 0 0 0 0 0 0 0 0 0 10 0,000
Tableau n0 3 : Calcul des probabilités de non pérennisation étant donné les facteurs
Experts E1 E2 E3 E4 E5 E6 E7 E8 E9 E10 ∑ N ∑/N
F1+
0,1 0,6 0,3 0,4 0,2 0 0 0 0,7 0 2,3 10 0,230
F2+
0,3 0,1 0,5 0,3 0 0,6 0 0,5 0,7 0,3 3,3 10 0,330
F3+
0,1 0,1 0,6 0,4 0,1 0,2 0,4 1 0,5 0,1 3,5 10 0,350
F4+
0 0 0,4 0 0 0,1 0 0 0,2 0 0,7 10 0,070
F5+
0,3 0,3 0,4 0 0,4 0,3 0,2 0,4 0,3 0,4 3 10 0,300
F6+
0 0 0 0 0 0 0 0 0 0 0 10 0,000
F7+
1 0,2 0,4 0,4 0 0 0 0,5 0,3 0 2,8 10 0,280
Nous avons calculé les moyennes arithmétiques des estimations obtenues des experts pour
obtenir le rapport de vraisemblance (Likelihood ratio) dans un abaque.
29
1,83 +
P (F1/p) = 0,420 P (F1/np) = 0,230
1,61 +
P (F2/p) = 0,530 P (F2/np) = 0,330
1,91 +
P (F3/p) = 0,670 P (F3/np) = 0,350
7,29 +
P (F4/p) = 0,510 P (F4/np) = 0,07
1,63 +
P (F5/p) = 0,490 P (F5/np) = 0,300
0,33 -
P (F6/p) = 0 P (F6/np) = 0
1,64 +
P (F7/p) = 0,460 P (F7/np) = 0,380
0,75 -
P ( F́ 1/p) = 0,580 P ( F́ 1/np) = 0,770
0,70 -
P ( F́ 2/p) = 0,470 P ( F́ 2/np) = 0,670
0,51 -
P ( F́ 3/p) = 0,330 P ( F́ 3/np) = 0,650
30
0,53 -
P ( F́ 4/p) = 0,490 P ( F́ 4/np) = 0,930
0,73 -
P ( F́ 5/p) = 0,510 P ( F́ 5/np) = 0,700
1,02 +
P ( F́ 6/p) = 0 P ( F́ 6/np) = 1
-
P ( F́ 7/p) = 0,540 P ( F́ 7/np) = 0,720 0,75
Les résultats obtenus dans ce tableau montrent que tous les facteurs (F 1, F2, F3, F4, F5, F7) à l’exception
du F6 ont un impact très positif (c’est-à-dire augmentent la chance de pérennisation des projets des
médicaments) étant donné que leur RV sont supérieurs à 1.
Dans le petit tableau ci - après les facteurs sont repris par ordre d’impact décroissant.
− − − − − − −
P( F1 ou F 1 / A ) P (F 2 ou F 2 / A ) P (F 3 ou F 3 / A ) P(F 4 ou F 4 / A ) P( F5 ou F5 / A ) P( F 6 ou F 6 / A ) P( F 7 ou F 7 / A ) P( A )
Po= × × × × × × ×
− − − − − − − P( I )
P( F 1 ou F1 / I ) P( F2 ou F2 / I ) P( F3 ou F3 / I ) P( F 4 ou F 4 / I ) P( F 5 ou F 5 / I ) P( F 6 ou F 6 /I ) P( F7 ou F7 / I )
A titre illustratif, pour un cas ou touts les facteurs sont présents le PO est donnée par la formule ci
après :
P( F 1 / A ) P( F 2 / A ) P( F 3 / A ) P( F 4 / A ) P( F5 / A ) P( F6 / A ) P( F 7 / A ) P( A )
× × × × × × ×
P( F1 /I ) P (F 2 /I ) P (F 3 /I ) P (F 4 / I ) P( F 5 / I ) P( F 6 /I ) P (F 7 /I ) P (I )
31
0 ,15
7,29∗1,91∗1, 83∗1,64∗1,63∗1, 61∗0 ,33 × =
D’où PO = 0,85 6,51
Comme nous avons PO, la probabilité pour projet qui connaît touts ces facteurs
d’accéder aux soins est donnée par la formule suivante :
PO 6 ,51
P= P= =0, 87
1+PO 1+6 ,51
E1 1,00
0
E2 0,33
3
E3 1,00
0
E4 1,00
0
E5 1,00
0
E6 0,66
7
E7 0,66
7
E8 0,66
7
E9 0,61
5
E10 1,00
0
Le tableau nous montre que 9 agréments intra experts (par rapport à eux-mêmes) sur 10 (soit
90%) ont un K supérieur à 0,4 démontrant une forte cohérence dans le raisonnement des experts. Par
conséquent nous estimons que le seul agrément faible (0,333) n’influence pas la cohérence des autres
experts.
32
Sur 45 agréments, 44 (soit environ 98%) ont un K supérieur à 0,4. Nous considérons que le
groupe est homogène. Ainsi, la moyenne arithmétique de leurs estimations de probabilité peut être
utilisée pour évaluer le MSB.
Ce critère se définit comme étant la valeur pour laquelle le modèle a une très grande sensibilité
et spécificité en même temps.
Le tableau nous montre que le Cut Off Point ( COP) de notre étude équivaut à 0.5 car c’est à
cette valeur centrale que nous avons la sensibilité et la spécificité les plus grandes en même temps en
dehors des extrêmes qui ne peuvent pas être pris en compte.
15 9 24
MSB
0,5
3 23 26
-
Total 18 32 50
a 15 a 15
Se= = =83 , 33 % VPP=
= =62, 5 %
a+c 18 a+b 24
d 23 d 23
Sp= = =71 , 86 % VPN = = =88 , 46 %
b+d 32 c+ d 26
a+ d 38
Valeur d ' efficacité globale= = =76 %
a+ b+c +d 50
En observant les différents paramètres ci-haut calculés, le MSB a donné une proportion de
83,33 % des projets correctement identifiés comme ayant connu la pérennisation (Se) et une
proportion de 71,86 % des projets correctement identifiés comme n’ayant pas connu la pérennisation
(Sp). En plus, le MSB a donné une probabilité de 0,63 qu’un projet identifié comme ayant connu la
pérennisation soit effectivement pérennisé (VPP) et une probabilité de 0,88 qu’un projet identifié
comme n’ayant pas connu la pérennisation ne soit effectivement pérennisé (VPN). Ainsi, le MSB a été
considéré comme performant et sa validité interne a été établie étant donné que tous ces différents
paramètres calculés sont très élevés.
III.2.4.4.Validation externe
Légende :
0 : facteur n’existe pas
1 : facteur existe.
CONCLUSION ET SUGGESTIONS