Vous êtes sur la page 1sur 35

REPUBLIQUE DEMOCRATIQUE DU CONGO

ECONOMIE DE LA SANTE
7ème Promotion

ANALYSE DES FACTEURS DE PREDICTION


DE PERENNISATION DES PROJETS DES
MEDICAMENTS DANS LES ZONES DE
SANTE EN RDC

Dr. Willy MFUNI MULUMBA 

Année
Académique
2010-2011
I. INTRODUCTION
1

I 1. ENONCE DU PROBLEME

La pérennisation des projets d’investissement dans le domaine de la santé, dont ceux


des médicaments est une préoccupation de la politique de santé de la RDC 1 car le médicament
qui intervient constamment dans le traitement des malades, se situe au cœur de la
problématique de l’accès aux soins, de la viabilité des structures de soins et de pérennité des
activités de soins, d’où entre-autres, la recommandation des Comptes Nationaux de la Santé
(CNS) de réglementer et de contrôler les marges bénéficiaires appliquées aux médicaments
aussi bien chez les prestataires publics que privés. Or, pour de nombreuses raisons, rendre le
médicament accessible, requiert une organisation, des compétences, un savoir-faire, et de
disposer d’informations actualisées dans de nombreux domaines : pharmacologie,
thérapeutique, logistique, industriel, commercial etc. Ce savoir-faire est long et coûteux à
acquérir mais en vaut la peine. Le médicament est ainsi le seul intrant qui, à brève échéance
doit être renouveler parce qu’il a une valeur marchande. Par conséquent, l’investissement en
santé ne doit pas seulement rechercher une réponse humanitaire ou sanitaire en termes
d’augmentation des indicateurs, mais aussi en termes de stratégie de développement
économique qui requiert l’utilisation des techniques et méthodes de rentabilisation des
dépenses semblables à celles adoptées dans la gestion des entreprises2.

Selon l’OMS : « Les médicaments constituent le deuxième poste de dépense des


gouvernements pour la santé publique : Pour la plupart des ministères de la santé des
économies en développement et en transition, les dépenses pharmaceutiques publiques
représentent le principal poste des dépenses de santé après les salaires. Dans certains pays, les
dépenses pharmaceutiques – en pourcentage des dépenses de soins de santé publique –
peuvent en effet atteindre 40%3. » Mais en RDC, Le médicament représente le principal poste
de dépenses des ménages (41%4), suivis de l’hospitalisation (37%), puis des soins curatifs
ambulatoires (14%), des examens de laboratoire et imagerie médicale (6%) et l’acquisition
des appareils thérapeutiques et autres biens médicaux (2%)4.

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

656 000 000 USD destinés à la lutte contre le VIH/SIDA et le Paludisme mobilisés au 8 ième


Round du Fonds Mondial, 53%, soit 346 000 000 USD sont destinés à l’approvisionnement
des produits pharmaceutiques et équipements médicaux. Ce montant est 20 fois supérieures au
chiffre d’affaire de la FEDECAME estimé à 16 000 000 USD, toutes CDR confondues. En
plus, il s’agit là d’un seul Round du Fonds Mondial. La RDC a mobilisé depuis le 3 ième Round
du Fonds Mondial jusqu’au 9ième près d’un milliard de USD sur 6 ans)3.

La progression rapide des dépenses en médicaments est particulièrement préoccupante


et fait l’objet d’une grande attention des autorités politiques, parce que ce poste de dépenses
est celui qui se prête le plus à des mesures d’économie. Ce financement de la santé de plus en
plus croissant n’a pas eu l’impact espéré au plan de la situation sanitaire des populations et
même de la pérennisation des investissements en médicaments dans les ZS qui en ont
bénéficiées. C’est ainsi par exemple, que l’augmentation seule des montants de l’APD (Aide
Public au Développement) dans le secteur de la santé a produit des résultats sans que
l’efficience du système ne soit améliorée, comme ce qui se passe dans les interventions de
type humanitaire lors des situations d’urgence. L’effet de ce type d’intervention est éphémère
et disparaît rapidement dès l’arrêt de l’aide et son impact sur le développement est très faible5.

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:

- Quelles sont les facteurs déterminants de la pérennisation des projets des


médicaments ?

- Quelle est la probabilité pour un projet des médicaments d’être pérennisé ?

- Comment peut-on à partir d’une formulation mathématique pronostiquer la


pérennisation des projets des médicaments ?

I.2. BUT ET OBJECTIFS

I.2.1. But

Contribuer à la pérennisation des projets des médicaments dans les Zones de Santé en RDC.
3

I.2.1. Objectif général

Elaborer le modèle prédictif de la pérennisation des projets des médicaments dans les
Zones de Santé en RDC.

I.2.2. Objectifs spécifiques

1) Identifier les facteurs impliqués dans la pérennisation des projets des médicaments
dans les Zones de Santé.

2) Déterminer l’importance de chaque facteur identifié.

3) Prédire la pérennisation des projets des médicaments dans les Zones de Santé en RDC.

4) Proposer des recommandations pour favoriser la pérennisation des projets des


médicaments dans les Zones de Santé.

I. METHODOLOGIE

II.1. Type d’étude

Nous nous proposons de mener une étude analytique basée sur le Raisonnement
Bayésien qui sera validé par une approche objective.

II.2. Unités statistiques

Les unités statistiques sont constituées par les Experts.

II.3. Technique de collecte des données

Nous suivrons la démarche suivante :

1. Sélection des experts


2. Formation des experts
3. Identification, regroupement et définition des facteurs
4. Elaboration du modèle
5. Validation du modèle (interne et externe)

II.3.1 Sélection des experts

La sélection des experts se fera sur base des critères ci-après :


4

a. Qualification : (Doctorat en médecine, Licencié en pharmacie, Diplôme de


graduat) ;
b. Expérience professionnelle d’au moins 5 ans dans la structure ;
c. Des aptitudes et connaissances sur les projets des médicaments ;
d. Disponibilité durant toute l’étude.

II.3.2. Interview des experts :

Cette séance a pour objectif de :

- Identifier parmi les candidats sélectionnés, ceux à maintenir pour l’étude ;

- Récolter les éléments préliminaires à l’élaboration du modèle.

A partir de :

- Briefing des experts sur l’étude 

- Administration d’un questionnaire pour citer et définir les facteurs contribuant à la


pérennisation des projets des médicaments

II.3.3. Formation des experts

Cette séance a pour objectif de :


- Renforcer les connaissances des experts sur l’activité à mener
- Briefer sur les probabilités, le théorème de Bayes, l’importance du modèle
mathématique de Bayes dans la résolution des problèmes de la communauté.
- Expliquer les objectifs de l’étude 
- Production de la liste des facteurs impliqués dans la pérennisation des projets des
médicaments dans les Zones de Santé (technique du Brainstorming).

II.3.4. Identification, regroupement et définition opérationnelle des facteurs par la technique de


groupe nominal

II.3.5. Elaboration du modèle

Déterminer les éléments suivants :


- Le quotient de la probabilité à priori (PP) ou prio odd ratio
- Les rapports de vraisemblances (RV) ou Likelihood ratio
5

- Le quotient de la probabilité a posteriori (PO)

II.3.6.Validation du modèle

Etape qui consiste à déterminer :


- Le degré d’agrément entre experts ;
- Le critère de discrimination (Cut off point : COP)
- La validation interne du modèle ;
- La validation externe du modèle

II.4. Analyse et traitement des données

Nous utiliserons les logiciels Microsoft Excel 2010 pour le modèle subjectif de Bayes (MSB) et
EVIEWS pour le modèle de régression logistique (MRL).

II. REVUE DE LA LITTERATURE

Selon l’Organisation mondiale de la santé (OMS), pour améliorer l’accessibilité des


médicaments, quatre facteurs essentiels sont à considérer : l’utilisation rationnelle, les prix
abordables, la viabilité financière, l’efficacité de la distribution 11. (PNAM. Cartographie des
systèmes d’approvisionnement et de distribution des médicaments et autres produits de sante
en RDC. 2010)
L’intérêt toujours croissant pour rendre le médicament disponible a conduit à une
étude au Bénin qui a abordé l’aspect logistique du médicament, et les résultats suivants ont été
obtenus : la distribution (score 6), le stockage (score 36) et la qualité des données (42%) sont
insatisfaisants ; la sélection (score 1), la quantification (score 6), l'acquisition-transport (score
7), l'utilisation (score 7), la tenue des outils de gestion (score 2) et la disponibilité des MEG
de « panier » (86%) sont passables ; le taux de satisfaction des commandes est satisfaisant
(99%). L'analyse du système logistique a permis d'identifier des points à améliorer qui se
rapportent au fonctionnement du système pour lesquels des suggestions ont été faites 6.
( Christian SOMDA. Evaluation du système logistique de gestion des médicaments essentiels
génériques dans la commune de Kpomassè. 2006)

Dans son document intitulé « Stratégie pharmaceutique de l’OMS : cadre d’action


pour les médicaments essentiels et politiques pharmaceutiques », l’OMS reconnaît que les
médicaments essentiels ont pour impact l’amélioration de la rentabilité des dépenses des
médicaments parce que le secteur privé constitué entre-autres par les ménages connaît une
augmentation de ces dépenses en santé. Et la stratégie proposée est l’élaboration des systèmes
de santé durables en pérennisant leur capacité gestionnaire6.( RDC. Ministère de la santé.
Plan national de développement sanitaire. 2010)

6
Christian SOMDA. Evaluation du système logistique de gestion des médicaments essentiels
génériques dans la commune de Kpomassè. 2006
6

La RDC, s’est engagée dans cinq chantiers prioritaires dont le développement et le


renforcement concerté des circuits d’approvisionnement du secteur public
(SNAME) cherchant à assurer la viabilité des CDR opérationnelles et du Bureau Central de
Coordination des Achats de la FEDECAME, dépendant encore du partenariat, par le
renforcement en capital (fonds de roulement et amélioration de la disponibilité de trésorerie)
et permettre un autofinancement de ces structures7.( RDC. Termes de référence pour la
formulation de la phase de pérennisation des acquis du projet "« CDR ». 2010)

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.

En 1993, en République Démocratique du Congo (RDC), le Professeur MUNYANGA


MUKUNGO Sylvain a utilisé l’approche subjective bayésienne pour prédire le succès du programme
des soins de santé primaires dans les zones de santé du Zaïre. Le modèle élaboré avait une spécificité
de 57 % (20).

En 1997, au Département d’Anesthésie et Réanimation des Cliniques Universitaires de


Kinshasa, le Dr BARAYIGA (21) a procédé par la même approche dans la prédiction d’une
intubation difficile. Lors de la validation interne du modèle, elle a trouvé une spécificité de 88%. Par

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 2005, SHAMAVU SIMIRE P. (23) (Fondation Femmes Plus) a élaboré un modèle de


prédiction de la létalité du VIH/SIDA chez les personnes vivant avec le VIH en utilisant le
raisonnement bayésien. Elle a trouvé que le MSB a une sensibilité de 93% et une spécificité de 92%
et qu’il prédit correctement la létalité à 83%.

En 2005, dans le cadre de son mémoire de DES en Economie de la Santé, MUDIPANU A.


(24) a élaboré un modèle d’Analyse des facteurs prédictifs de l’accessibilité aux soins de santé dans
les structures du BDOM « cas du Centre Hospitalier LIZIBA/KINGABWA ».

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%.

En 2010, dans le cadre de sa spécialisation en pédiatrie aux CUK, le Dr MONAMA F. (26) a


élaboré un modèle prédictif de la détresse respiratoire chez les enfants de moins de 5 ans dans la ville
de Kinshasa. Elle a trouvé une sensibilité du MSB de 80 % et une spécificité de 68,42% par rapport
aux cas réels. Comparé au modèle de régression logistique (MRL), le MSB est très performant avec
une sensibilité de 84,4%, une spécificité de 78 %, une Valeur Prédictive Positive (VPP) de 63,33 % et
une Valeur Prédictive Négative (VPN) de 91,76 %.

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),

En 2011, Dr A. TAMBWE MUKALAMUSI ….

.
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),

III.1. Les statistiques bayésiennes et le Théorème de Bayes

La littérature est dominée par les recherches de Gustafson.

En 1968, Gustafson et al. ont développé un Modèle Subjectif Bayésien (MSB)


pour prédire la durée d’hospitalisation.

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.

Leurs résultats étaient encourageants.

Les systèmes des ordinateurs fonctionnent mieux dans le diagnostic correct à


près de 90% de cas comparativement aux diagnostics établis par les spécialistes dans ce
domaine.
En 1992, Carl a développé un modèle subjectif pour prédire le risque de chute des
personnes âgées internées dans les homes des vieillards.
En République Démocratique du Congo (RDC), le professeur Docteur Munyanga
a utilisé l’approche subjective bayésienne dans la prédiction du succès du
programme des soins de santé primaires dans les zones de santé du Zaïre.
En 1997, au département d’anesthésie réanimation des Cliniques Universitaires de
Kinshasa (CUK), un modèle mathématique théorique pour la prédiction d’une
intubation difficile a été élaboré par Docteur BARHAYIGA suivant l’approche
subjective bayésienne. Ce modèle a été soumis à une validation externe par
Docteur MAPONDA en 1998 et le résultat du modèle de Bayes ont été confirmés.

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.

III.1.1. Origine des statistiques de bayes


10

Les Statistiques Bayésiennes tirent leur nom de « BAYES » (1702-1761), qui le


premier a posé au 18ème siècle les bases mathématiques de la détermination de la valeur
prédictive des tests dans le domaine de la médecine.
Il existe deux méthodes d’acquisition des connaissances dont les racines remontent au débat
classique entre les philosophes idéalistes et réalistes. Il s’agit de la méthode subjective et la
méthode objective.

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.

III.1.2. Caractéristiques des statistiques bayésiennes

En santé communautaire, le test n’est appliqué à la population qu’après avoir


considéré les valeurs positives et négatives attendues (évaluation) (8, 9,10).

Les Statistiques Bayésiennes sont un moyen mathématique qui permet


d’estimer les chances d’un jugement correct (valeurs prédictives d’un test) sur la base de la
validité du test utilisé (sensibilité, spécificité, probabilité d’un résultat faussement positif et
faussement négatif) et de l’ampleur du phénomène dans un milieu donné (prévalence de la
maladie, prévalence de la santé).

Les Statistiques Bayésiennes constituent une approche quantitative considérée


comme subjective car elles étudient les opinions des experts et la consistance de leur
interaction.

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)

Les Statistiques Bayésiennes sont utilisées lorsqu’un processus de


quantification est nécessaire dans une prise de décision et lorsqu’il n’y a pas un système
fiable de collecte des données.

Elles utilisent la philosophie idéaliste, c'est-à-dire, la réalité n’existe que dans


la tête de quelqu’un ; Un consensus entre experts suffit pour constituer une réalité
contrairement à la philosophie réaliste qui soutient que la réalité existe et peut être observée
dans la nature.
11

Elles trouvent des applications dans plusieurs domaines de l’activité humaine.


Les Statistiques Bayésiennes différent des statistiques conventionnelles et s’utilisent sans
contrainte étant donné qu’elles sont générées par les choix des experts. Elles tiennent compte
de l’ordre dans le choix des experts. ; Ce qui exclut le hasard dans la collecte des données.

Les statistiques traditionnelles quant à elles sont considérées comme approche


objective du fait qu’elles étudient des événements directement observables et répétitifs.

Il s’avère nécessaire dans ce cas de sélectionner un échantillon au hasard. Ces


statistiques sont indiquées par des événements observables et répétitifs.
Dans leur nature, les deux branches des statistiques ont un biais de départ à contrôler, à
savoir :
 Un biais pré expérimental dans les Statistiques Bayésiennes, car les experts spécifient
leur opinion sur l’expérience avant la mise en place de l’expérience ;
 Un biais de sélection en rapport avec le groupe expérimental et le groupe de
comparaison dans les statistiques traditionnelles.

III.1.3. Rappel sur le Théorème de Bayes

Ce théorème précise comment quelqu’un pourrait revoir son estimation, son


jugement, ou la conviction sur l’occurrence d’un événement à la lumière d’une nouvelle
information.
 Estimation, jugement, conviction = probabilité à priori (probabilité d’occurrence
ou non, sans information) ;
 Nouvelle information = rapport de vraisemblance (impact d’une nouvelle
information) ; 
 Probabilité à posteriori = probabilité d’un événement anticipé  = information sur la
chance d’un événement à se produire ou pas sans information x impact d’une
nouvelle information ;
 Théorème de Bayes : probabilité d’un événement anticipé = impact d’une
information nouvelle x probabilité d’occurrence ou non de l’événement sans
information.

Comme tout modèle mathématique, le Théorème de Bayes se base sur la


notion de probabilité.

Avant d’aborder la notion de probabilité, il est important de définir les


concepts « facteur indépendant », « facteur dépendant » et « facteur mutuellement exclusif » :
 Le facteur indépendant est celui qui, seul ou en conjonction avec d’autres facteurs, est
utilisé pour décrire un facteur dépendant.
 Le facteur dépendant est celui qui varie en fonction d’un ou d’autres facteurs.
12

 Le facteur mutuellement exclusif : Deux facteurs A et B sont dits mutuellement


exclusifs ou incompatibles s’ils ne peuvent se réaliser tous les deux simultanément,
c'est-à-dire leur conjonction est un événement impossible. (A∩B) ≠ O

Le concept de probabilité peut se définir de deux manières : D’une manière


objective ou à priori : lorsqu’une procédure en n issues est également possibles et si nA de
ces issues possèdent une caractéristique A (encore appelé issue favorable) alors cette
caractéristique a une probabilité nA /n, qui s’écrit :
P (A) = nA /n.

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.

Soit S un ensemble fondamental associé à une expérience aléatoire :


P (AUB) = P (A) + P (B) pour facteurs mutuellement exclusifs
P (A∩B) = P (A) x P (B) pour facteurs indépendants

Or le calcul d’une probabilité exige des dénombrements d’ensembles finis


dont les grands principes sont la multiplication et l’addition et permet d’évaluer les degrés de
risque attachés à chaque décision selon les circonstances.

III.1.4. Base mathématique du Théorème de Bayes

Désignons par A un événement particulier et A l’absence de cet événement


et introduisons la notion suivante :
1. P (A) = Probabilité à priori ou probabilité pré-test de la présence de
cet événement dans la population {Prior Odd. (Pr O)}
= Prévalence de cet événement dans la population.
2. P( A ) = Probabilité à priori de l’absence de l’événement dans une
population et P ( A ) = 1 - P (A)
3. B = Facteur B quelconque.
4. B = Absence du facteur B
5. P (B /A) = Probabilité de la présence de B étant donné l’événement A
(Sensibilité).
6. P ( B /A) = Probabilité de l’absence de B étant donné l’événement A
13

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

A ce niveau, il s’avère important de définir les concepts « sensibilité », 


« spécificité », « valeur prédictive positive », « valeur prédictive négative » et « prévalence » :
1. Sensibilité : probabilité pour le modèle de prédire un événement si cette situation existe
véritablement.
Sur 100 cas décédés estimés par les experts, combien le modèle détecte comme décédés
réellement.
2. Spécificité : probabilité pour le modèle de prédire l’absence de l’événement si cette
possibilité n’existe pas.
Sur 100 cas survivants estimés par les experts, combien le modèle détecte comme
réellement survivants.
3. Valeur prédictive positive : indique la manière dont un événement pourrait arriver si le
modèle prédit un résultat positif.
Sur 100 cas estimés décédés, combien sont réellement décédés.
4. Valeur prédictive négative : indique la manière dont l’absence de l’événement pourrait
arriver lorsque le modèle prédit un résultat négatif.
Sur 100 cas estimés survivants, combien sont réellement survivants.
5. Prévalence : La prévalence Pt d’une maladie ou d’un problème de santé, dans une
population de taille n, à un moment t donné, est égale au nombre d’individus malades ou
porteurs de la caractéristique étudiée « les cas » à ce moment, divisé par la population
étudiée à ce moment.

Le numérateur de ce rapport comprend tous les sujets qui présentent la


caractéristique étudiée au moment de la mesure (Ct).
14

La définition du numérateur requiert l’usage de critères uniformes pour définir


les cas et un contrôle des erreurs d’observations.

Le dénominateur comprend tous les sujets qui forment la population étudiée,


c'est-à-dire les malades et les non malades (nt = Ct + non Ct), et requiert un
dénombrement précis de la population.
On a, Pt = Ct / nt
La prévalence est une proportion, bien qu’on utilise souvent à tort l’expression « taux de
prévalence ».

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.).

III.1.5. Forme générale du Théorème de Bayes (20), (8)

Le Théorème de Bayes est une application directe de la probabilité


conditionnelle.
Soient l’événement A et le facteur B
P( A∩B)
P (A /B) = B → P (A∩B) = P (A /B) x P (B)
P( A∩B)
P (B /A) = A → P (B∩A) = P (B/A) x P (A)
Or P (A∩B) = P (B∩A)
Donc P (A /B) x P (B) = P (B/A) x P (A)
P( B/ A )×P( A )
 P (A /B) = P( B )
Or P (B) = P (B/A) x P (A) + P (B/ A ) x P ( A )  probabilité de
B = la somme des produits P (B/A) x P (A) et P (B/ A ) x P ( A )

P(B / A )×P( A )
P( A / B)=
Donc P( B/ A )×P( A )+ P( B/ Ā )×P( Ā ) (1)

Nous le lisons comme suit : probabilité de l’événement A étant donné le facteur


B est égale au quotient du produit de la probabilité B étant donné A par la probabilité A et la
probabilité B.

Dans le cadre du diagnostic médical, une probabilité conditionnelle peut se


définir de la manière suivante : Sachant que le test T positif (ou négatif), que puis-je dire sur
la probabilité de la maladie M ?
15

Pour un test positif (T) ou négatif ( T ) et une maladie présente (M) ou


absente ( M ), le théorème de Bayes s’écrit :

P(T / M )×P( M )
P( M /T )=
P(T / M )×P( M )+ P (T / M̄ )×P ( M̄ )

Nous le lisons comme suit : probabilité de la maladie M  étant donné le test


positif (T) est égale au quotient du produit de la probabilité du test positif (T) étant donné la
maladie M  par la probabilité de la maladie M  et la somme du produit de la probabilité du test
positif (T) étant donné la maladie M par la probabilité de la maladie M et du produit de la
probabilité du test positif (T) étant donné l’absence de la maladie M par la probabilité de
l’absence de la maladie M.
Ce qui s’écrit encore :

Se × Pr évalence
VPP = ( e × Pr évalence ) +(1−Sp )×( 1−Pr évalence )

Et nous le lisons comme suit :

Valeur prédictive positive est égale au quotient du produit de la sensibilité par


la prévalence sur la somme du produit de la sensibilité par la prévalence ajoutée au produit de
1 moins la spécificité et 1 moins la prévalence.

III.1.6. Forme simplifiée du Théorème de Bayes « odds form » (3)

L’utilisation de cette forme nécessite de connaître la notion de «  cote », terme


employé dans le milieu de course de chevaux, jamais en médecine où l’on emploie la
traduction anglaise « odds ».
La relation entre odds et probabilité est exprimée dans :
P
odds = 1−P
odds
P = 1+odds
PO
Sp = 1+PO

La formule (1) peut se réécrire comme suit :

odds post-test = odds pré-test x rapport de vraisemblance

Donc P.O.R = Pr.O.R x LHR


16

P( A /B ) P( B/ A )×P( A )
Où P( Ā /B ) = P( B/ Ā )×P( Ā )

S’il existe plusieurs facteurs indépendants conditionnant, nous appliquons la


loi de la multiplication :

P( A /B1 , B2 , B3 ⋯Bn ) P(B 1 / A ) P( Bn / A ) P( A )


= ×⋯× ×
P( Ā /B1 , B2 , B3 ⋯Bn ) P(B 1 / Ā ) P( Bn / Ā ) P( Ā )

L’utilisation de nomogramme rend son application plus aisée. Il permet


d’appréhender facilement l’importance de la connaissance de la probabilité à priori du facteur
recherché dans toute interprétation du résultat, positif ou négatif, d’un examen à visée
diagnostique.

III. METHODOLOGIE ET RESULTATS

Cette partie traite de la méthode utilisée dans le développement de notre modèle à


partir du modèle mathématique de Bayes.

IV.1. Méthode de construction du modèle

La démarche suivante a été suivie pour construire notre modèle:

1. Sélection des experts


2. Formation des experts
3. Identification, regroupement et définition des facteurs
4. Elaboration du modèle
5. Validation du modèle

IV.1.1 Sélection des experts

Le choix des experts s’est fait sur base des critères ci-après :

a. Qualification : (doctorat en médecine ou diplôme de licence et de graduat) ;


b. Expérience professionnelle d’au moins 5 ans dans la structure ;
c. Des aptitudes et connaissances sur les projets des médicaments ;
d. Disponibilité durant toute l’étude.

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

IV.1.2. Interview des experts :

Cette séance avait pour objectif :

- D’identifier parmi les candidats sélectionnés, ceux à maintenir pour l’étude ;


- De récolter les éléments préliminaires à l’élaboration du modèle.

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 :

a. Briefing des experts sur l’étude ;


b. Partage des connaissances sur la pérennisation des projets des médicaments ;
c. Administration d’un questionnaire individuel servant à citer et définir opérationnellement,
selon leur expérience, les facteurs intervenant dans la pérennisation des projets des
médicaments dans les ZS. Liste exploitée le jour de l’élaboration du modèle, contenant les
données de départ toute l’analyse de notre étude.

Ensuite une lettre d’invitation (voir annexes) a été minutée et envoyée aux retenus
pour participer à l’étude.

IV.1.3. Formation des experts

Les objectif de cette séance étaient de :

 Renforcer les connaissances des experts dans la tâche à exécuter ensemble;


 Briefer sur les probabilités, le théorème de Bayes, l’importance du modèle mathématique de
Bayes dans la résolution des problèmes de santé publique ;
 Expliquer les buts de l’étude
Identifier les facteurs de pérennisation des projets des médicaments dans les ZS en RDC
Déterminer l’importance de chaque facteur identifié;
Prédire la pérennisation des projets des médicaments
Proposer des recommandations pour favoriser la pérennisation des projets des médicaments.
 Produire par la technique du Brainstorming, la liste compilée de tous les facteurs énumérés par
les experts.

Le sujet de l’étude et la méthodologie explicitée par l’animateur, les suggestions émises ont été
enregistrées par un secrétaire.

IV.1.4. Identification, regroupement et définition opérationnelle des facteurs

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 :

1. Respect de la politique pharmaceutique nationale


2. Présence d’un personnel qualifié et compétent
3. Disponibilité de matériels, équipements et médicaments
4. Gestion rationnelle des médicaments
5. Accessibilité financière et culturelle de la population
6. Existence d’un plan de contingence
7. Motivation du personnel
Un niveau ou critère de classement a été déterminé pour chaque facteur

IV.1.5 Elaboration du modèle

L’élaboration du modèle était l’étape de base de notre recherche au cours de laquelle nous
avions eu à déterminer les éléments suivants :

1. Le quotient de la probabilité à priori (PP) ou prio odd ratio


2. Les rapports de vraisemblances (RV) ou Likelihood ratio
3. Le quotient de la probabilité a posteriori (PO)

IV.1.5.1. Détermination du quotient de la probabilité a priori (pp) ou Prior odd ratio

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).

Les résultats sont présentés dans le tableau n°1

IV.1.5.2. Détermination des rapports de vraisemblance (RV) ou Likelihood ratios

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.

LH Fi/p LH Fi/np RV (LHR)

P (F1/A) = a1 P (F1/I) = a3 a1 /a3 = i

P (F2/A) = b1 P (F2/I) = b3 b1/ b3 = j

P (F3/A) = c1 P (F3/I) = c3 c1 /c3 = k

P (F4/A) = d1 P (F4/I) = d3 d1/ d3 = l

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

LH F́ i/p LH F́ i/np RV (LHR)


20

P ( F́ 1/p) = a2 P ( F́ 1/np) = a4 a2 /a4 = p

P ( F́ 2/p) = b2 P ( F́ 2/np) = b4 b2/ b4 = q

P ( F́ 3/p) = c2 P ( F́ 3/np) = c4 c2 /c4 = r

P ( F́ 4/p) = d2 P ( F́ 4/np) = d4 d2/ d4 = s

P ( F́ 5/p) = e2 P ( F́ 5/np) = e4 e2/ e4 = t

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

Le rapport de vraisemblance ou Likelihood ratio (LHR) permet de déterminer l’impact


d’un facteur quelconque sur l’événement.
Si LHR >1, le facteur augmente la probabilité de pérenniser un projet, l’impact sur la
pérennisation est positif (+).
Si LHR <1, le facteur diminue la probabilité de pérenniser un projet, l’impact sur la
pérennisation est négatif (-).
Si LHR=1, le facteur est indifférent

II.1.5.3. Détermination du quotient de la probabilité à posteriori (PO)

A partir du quotient de probabilité a priori (PP) et des rapports de vraisemblance (RV), le


quotient de probabilité a posteriori (PO) a été calculé en utilisant le théorème de Bayes.

− − − − − − −
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

IV.1.5. Validation du modèle

La validation du modèle a suivi les étapes suivantes :


- Détermination du degré d’agrément entre experts ;
- Détermination du critère de discrimination (Cut off point : COP)
- Validation interne du modèle ;
- Validation externe du modèle

IV.1.5.1 Détermination du degré d’agrément entre experts


21

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 :

- K > 0,75  : agrément excellent;


- 0,4 ≤ K ≥ 0,75 : agrément bon ;
- K < 0,4  : agrément pauvre

Le tableau en annexe montre les valeurs de K calculées.

IV.1.5.2 Détermination du critère de discrimination (Cut off point : COP)

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
-

Total C = a+c D = b+d X = a+b+c+d


22

Expert 1 Total
+ 0,5 -
+

a b A = a+b
Expert 2
0,5

c d B = c+d
-

Total C = a+c D = b+d X = a+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 

VI.1.5.3 Validation interne du modèle

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.

Consensus Experts Total


+ 0,5 -

a b A = a+b
+
-
0,1

c d B = c+d
23

MSB

Total C = a+c D = b+d X = a+b+c+d

Consensus Experts Total


+ + 0,5 -

a b A = a+b
MSB
0,2

c d B = c+d
-

Total C = a+c D = b+d X = a+b+c+d

Consensus Experts Total


+ 0,5 -
+

a b A = a+b
MSB
0,9

c d B = c+d
-

Total C = a+c D = b+d X = a+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.

La performance de MSB a été évaluée en recherchant les paramètres suivants :


la sensibilité
la spécificité
la valeur prédictive positive
la valeur prédictive négative

CAS REELS Total


+ 0,5 -
+

a b A = a+b
MSB
0,5

c d B = c+d
-

Total C = a+c D = b+d X = a+b+c+d

MRL Total
+ 0,5 -
+

a b A = a+b
MSB
0,5

c d B = c+d
-

Total C = a+c D = b+d X = a+b+c+d


25

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. PRESENTATION DES RESULTATS

IV.2.1. Liste des facteurs contribuant à la pérennisation des projets des médicaments

1. Adhésion de l’ECZ à la politique pharmaceutique nationale


2. La qualité des services (distribution, dispensation)
3. Autonomie de gestion pharmaceutique des structures
4. Gestion rationnelle
5. Capacité d’autofinancement propre
6. Disponibilité des médicaments
7. Accessibilité financière de la population
8. Participation communautaire
9. Existence des mutuelles de santé
10. Expérience et niveau d’étude du MCZ (MPH)
11. Présence d’un pharmacien
12. Personnel formé en gestion, prescription rationnelle des médicaments, bonnes
pratiques de distribution, usage de la liste nationale des médicaments essentiels, SSP
13. Existence des ressources et équipements (transport, dépôt, officine, matériels de froid,
comité de sélection et acquisition)
14. Gestion transparente et communautaire
15. Appui financier (subventions, subsides)
26

16. Utilisation des services


17. Bon circuit d’approvisionnement (toutes les étapes)
18. Absence de catastrophes naturelles
19. Bonne sélection suivant le profil épidémiologique
20. Respect des commandes de la ZS (Tx satisfaction ± 80%)
21. Evaluations périodiques
22. Participations des bénéficiaires (élaboration, exécution, évaluation)
23. Disponibilité des médicaments de qualité
24. Motivation du personnel
25. Accessibilité géographique de la CDR
26. Supervision, Suivi, Inspection, Contrôle et Enquête de satisfaction/utilisation dans la
communauté par la DPS, la ZS
27. Recyclage régulier des médicaments (CMM)
28. Bonne gestion des stocks
29. Présence d’un préposé à la pharmacie
30. Bon système d’approvisionnement
31. Outils de gestion bien tenus et à jour
32. Gestion financière des médicaments à part
33. Bonne politique de tarification (Coût d’achat, marge bénéficiaire, concertation)
34. Intervention de l’Etat (réglementation)
35. Existence de CDR
36. Prescription rationnelle des médicaments
37. Importance du budget alloué au projet
38. Accessibilité culturelle
39. Montant consistant (BFR ± 2 ans)
40. Bon recouvrement des coûts (éviter détournement, vente parallèle des médicaments et
gratuité des médicaments pour le personnel ; caisse unique)
41. Répartition des rôles dans la gestion (BCZ, Communauté, Prestataires)
42. Sensibilisation de la population à l’utilisation des services
43. Mise en place d’un contrat de performance
44. Utilisation stricte des MEG (Liste nationale)
45. Disponibilité dans les FOSA des listes des MEG et ordinogrammes
46. Promotion des MEG dans la ZS
47. Evaluation financière avant réalisation du projet
48. Recyclage des recettes

IV.2.2. Listes facteurs (facteurs indépendants) retenus après regroupement :

1. Respect de la politique pharmaceutique nationale


2. Présence d’un personnel qualifié et compétent
3. Disponibilité de matériels, équipements et médicaments
4. Gestion rationnelle des médicaments
5. Accessibilité financière et culturelle de la population
27

6. Existence d’un plan de contingence


7. Motivation du personnel

IV.2.3. Elaboration du modèle

IV.2.3.1. Détermination du quotient de la probabilité à priori (PP) ou Prior Odd Ratio

Tableau n0 I : Calcul des probabilité de pérennisation

Tableau n° 1

EXPERT E1 E2 E3 E4 E5 E6 E7 E8 E9 E10 ∑ n ∑/n


S

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

Le tableau n° 1 nous donne les résultats suivants :

P (p)= 0,15  : la probabilité de pérennisation des projets des médicaments


P (np)= 1- P (p) = 0,85 : la probabilité de non pérennisation des projets des médicaments
28

Ensuite, la formule suivante : PP = P (p)/P (np), nous a permis de calculer le quotient de la


0,15
probabilité a priori (PP). D’où PP = = 0,18
0,85

IV.2.3.2 Détermination des rapports de vraisemblance (RV) ou Likelihood ratios

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

F1+ 0,2 0,1 0 0,4 0,8 1 0,2 0,5 1 0 4,2 10 0,420

F2+ 0,4 0,2 0,2 0,4 1 1 0,1 0,5 0,7 0,8 5,3 10 0,530

F3+ 1 0,2 0,2 0,1 0,9 1 0,3 1 1 1 6,7 10 0,670

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

F7+ 1 0 0,2 0,1 1 0,6 0 0,5 1 0,2 4,6 10 0,460

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

Tableau n0 4 : Calcul des rapports de vraisemblance (ABAQUE)

LH Fi/p LH Fi/np RV (LHR)

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

LH F́ i/p LH F́ i/np RV (LHR)

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.

Tableau n05 : Impact des facteurs sur l’accessibilité aux soins

FACTEURS RV (LHR) IMPACT


F4 7,29 +
F3 1,91 +
F1 1,83 +
F7 1,64 +
F5 1,63 +
F2 1,61 +
F6 0,33 -

IV.2.3.3. Détermination du quotient de la probabilité à posteriori (PO)

Disposant du quotient de probabilité a priori (PP) et des rapports de vraisemblance


(RV), le quotient de l’accessibilité a posteriori (PO) est calculée en utilisant le théorème de Bayes.

− − − − − − −
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

IV.2.4. Validation du modèle

IV.2.4.1. Détermination du degré d’agrément intra et inter experts

Tableau n0 6a : Agrément intra experts (deux à deux :annexe IV)


E1 E2 E3 E4 E5 E6 E7 E8 E9 E10

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

Tableau n0 6b : Agrément entre experts (deux à deux :annexe IV)


E1 E2 E3 E4 E5 E6 E7 E8 E9 E1
0
E1                    
E2 0,66                  
2
E3 0,62 0,96                
5 0
E4 0,51 0,84 0,88              
7 2 2
E5 0,45 0,76 0,80 0,92            
1 7 6 3
E6 0,89 0,57 0,53 0,57 0,37          
8 0 4 0 1
E7 0,96 0,63 0,59 0,48 0,42 0,93        
5 0 3 8 3 3
E8 0,51 0,84 0,88 1,00 0,92 0,43 0,48      
7 2 2 0 3 3 8
E9 0,51 0,84 0,88 1,00 0,92 0,43 0,48 1,00    
7 2 2 0 3 3 8 0
E10 0,55 0,88 0,92 0,96 0,88 0,46 0,52 0,96 0,96  
2 1 1 1 4 5 2 1 1

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.

III.2.4.2 Détermination du critère de discrimination (Cut off point : COP)

Ce critère se définit comme étant la valeur pour laquelle le modèle a une très grande sensibilité
et spécificité en même temps.

Tableau n0 7 : Evaluation de la performance du modèle


EXPERTS a b c d X Se Sp VPP VPN VEG

0,1 24 0 25 1 50 49% 100% 100% 4% 50%


0,2 24 0 17 9 50 59% 100% 100% 35% 66%
0,3 24 0 15 11 50 62% 100% 100% 42% 70%
BAYES

0,4 24 0 8 18 50 75% 100% 100% 69% 84%


0,5 15 9 3 23 50 83% 72% 63% 88% 76%
0,6 9 15 0 26 50 100% 63% 38% 100% 70%
0,7 3 21 0 26 50 100% 55% 13% 100% 58%
0,8 2 22 0 26 50 100% 54% 8% 100% 56%
33

0,9 2 22 0 26 50 100% 54% 8% 100% 56%

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.

IV.2.4.3. Validation interne du modèle

Tableau n0 8 : Performance du MSB par rapport au consensus des experts

Consensus Experts Total


+ 0,5 -
+

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

Caractéristiques générales de cas réels

Tableau n0 9 : Fréquences des facteurs ou variables étudiées


34

Variables Code Effectif %


F1 0
1
0
F2 1
0
F3 1
0
F4 1
0
F5 1
F6 0
1
0
F7 1

Légende :
0 : facteur n’existe pas
1 : facteur existe.

CONCLUSION ET SUGGESTIONS