III.4.1. QAPO avec tous les douze facteurs du paludisme
grave présents.
×
P(M )
P( S)
P F M
( / ) P F M
( ) P F M
( ) ( )
/ P F M P F M
( )
1 2 / 3 4 / 12 /
QAPO = × × × × ×
P F S
( )
/ P F S
( )
/ P F S
( / ) P F M
( )
/ P F S
( )
/
2
1 3 12
4
QAPO = 1,3 × 1 × 1,5 × 5 × 1 ×
0, 66 × 1× 1,3 × 1, 2 5 × 1× 1,1 4 × 1× 1, 2
=1 4,3 1
1+ QAPO
III.4.2.QAPO avec tous les douze facteurs du
paludisme grave absents.
P F M
( ) ( )
P F M
/ P F M
( )
/ P F M
( )
4 / P F M
( ) P M
( )
1 / 2 3 12 /
QAPO = ×
P F S P F S
( ) × P F S
( ) × P F S
( ) × × P F S
( ) ×
( / ) / / / / P ( S)
2
1 3 4 12
QAPO = 0,94 × 1 × 0,875 × 0,96 × 1
× 1,1 4 × 1 × 0,94 × 0,93 7 × 1 × 0,92 × 1
× 1,2 = 0,8 8
1+ QAPO
|
P
|
0,8 8
|
=
|
0,8 8
|
0,46 8
|
?
|
47%
|
|
1+0,8 8
|
1,8 8
|
III.4.3.QAPO avec les facteurs qui ont un impact
positif sur la mortalité du paludisme grave chez
l'enfant.
|
P F M
( )
/ P F M
( ) P F M
( )
/ P F M
( ) P F M
( ) P F M
( )
/
1 3 / 4 8 / 9 / 11
QAPO = × × × × × ×
P F S
( )
/ P F S
( )
/ P F S
( )
/ P F S
( )
/ P F S
( )
/ P F S
( )
/
1 3 4 8 9 11
|
P( M)
P(
S)
|
QAPO = 1,3 × 1,5 × 5 × 1,3 × 1,25
× 1,1 4 × 1,2 = 2 1 , 67
1+ QAPO
2 1
2 1
67
67
,
,
P
=
22
67
67
,
,
0, 96 ? 96%
1+2 1
III.5. L'ÉVALUATION DU MODÈLE DE
PRÉDICTION
DE BAYES.
III.5.1. La détermination du
critère de discrimination (Cut
off Point= c.o.p.)
|
Probabilité
|
>0,5
|
<0,5
|
>0,5
|
<0,5
|
//////////////////////////////
|
|
.a
|
.b
|
.c
|
.d
|
Se
|
Sp
|
|
0,1
|
27
|
3
|
0
|
0
|
1
|
0
|
|
0,2
|
27
|
3
|
0
|
0
|
1
|
0
|
|
0,3
|
27
|
3
|
0
|
0
|
1
|
0
|
|
0,4
|
22
|
1
|
4
|
3
|
0,85
|
0,75
|
|
0,5
|
24
|
1
|
2
|
3
|
0,92
|
0,75
|
|
0,6
|
15
|
0
|
12
|
3
|
0,56
|
1
|
|
0,7
|
12
|
0
|
15
|
3
|
0,44
|
1
|
|
0,8
|
1
|
0
|
26
|
3
|
0,04
|
1
|
|
0,9
|
1
|
0
|
26
|
3
|
0,04
|
1
|
III.5.2. La détermination du degré
d'agrément intra
et inter experts.
|
Prédiction
|
14
|
11
|
11
|
12
|
5
|
10
|
|
Experts
|
EXP1
|
EXP2
|
EXP3
|
EXP4
|
EXP5
|
EXP6
|
|
EXP1
|
|
|
|
|
|
|
|
EXP2
|
0,63
|
|
|
|
|
|
|
EXP3
|
0,63
|
0,55
|
|
|
|
|
|
EXP4
|
0,65
|
0,58
|
0,58
|
|
|
|
|
EXP5
|
0,48
|
0,40
|
0,40
|
0,43
|
|
|
|
EXP6
|
0,60
|
0,53
|
0,53
|
0,55
|
0,38
|
|
Nous mesurons maintenant le degré
d'agrément des experts en utilisant les statistiques KAPPA.
Partant du tableau des critères de
discrimination, nous dégageons le tableau de contingence en fonction du
critère de discrimination 0,5.
|
+
|
-
|
Total
|
|
+
|
24
|
1
|
25
|
|
-
|
2
|
3
|
5
|
|
Total
|
26
|
4
|
30
|
b + d
1 + 3 4
b
= =
2 =
a+b+c+ d 30
30
a + b
a+b+c+d
0,1 3
+
24
25
=
1
=
=
30
0, 8 3
30
=
a1
a
+ ca+b + c + d
a2 = = 24+ 2 = 26 = 0,8 66 ? 0,8 7
30 30
c+d
a+b + c +d
2+3
5
b1
30
30
= = = 0,1 66 ? 0,1 7
27
3
Po
=
=
=
30
30
24 +
0,90
a+b +c +d
a+d
1
Pe
Pe = a × b + a
× b =
( 1 1 ) ( 2 2 ) ( 0, 83 × 0,1 7 ) + ( 0,8 7 × 0,1 3 ) =
0, 1411 + 0, 1131 = 0, 2 5
Po-Pe
0,90-0,2 5
= =
1-0,2 5
0,65
0,75
K
0,8 66 ? 0,8 7
|
>Comme K>0,75 c'est-à-dire
l'agrément entre experts est parfait (très bon ou fort) et
acceptable d'où Nous considérons ce groupe d'experts comme
étant une seule personne.
> et donc, nous pouvons utiliser la moyenne
arithmétique de leurs estimations comme une image d'agrément pour
évaluer le modèle subjectif de Bayes.
|
III.5.3. La validation interne du
modèle.
La performance du MSB par rapport au Consensus
des
experts
|
Modèle Subjectif Bayésien (0,5)
|
Consensus Experts (>0,5 ou
<0,5)
|
|
/////////
|
M
|
S
|
Total
|
|
M
|
24
|
1
|
25
|
|
S
|
2
|
3
|
5
|
|
Total
|
26
|
4
|
30
|
× 100 = 24
× 100= 0,92 × 100 = 92%
24+ 2
a
Se
a+c
d
S p
%
b + d
3
×100 = 1 + 3× 100 = 0, 7 5 × 100 =
75
V .E .G
a+b +c +d
a+d
× 100 = 24+3 × 100= 0,90 × 100=90%
30
+
a
d
.
VPP
VPN
Sur le plan interne, le modèle est
performant
× 100 = 24× 100 = 0, 9 6 × 100 = 96%
24 +1
100 = 3× 100= 0,60 × 100=60% 2 + 3
b
×
c+d
a
=
III.5.4. La validation externe du
modèle
III.5.4.1. Caractéristiques générales de la
population d'Étude.
Selon âge de l'enfant (en mois).
VOIR TABLEAU DIA SUIVANT
|
Age en Mois
|
Fréquence
|
Pour cent
|
Pourcentage valide
|
Pourcentage cumulé
|
|
Valide 2
3
4
5
6
7 9 12
15
16
20
23
24 30 36 42 48
58
59
T t l
|
2
1
1
1
3
2
3
8 1 1 1
1
4
2
4
3
1
2
9
50
|
4,0 2,0 2,0 2,0 6,0 4,0 6,0 16,0 2,0 2,0 2,0 2,0 8,0
4,0 8,0 6,0 2,0 4,0 18,0
1000
|
4,0 2,0 2,0 2,0 6,0 4,0 6,0 16,0 2,0 2,0 2,0 2,0 8,0
4,0 8,0 6,0 2,0 4,0 18,0
1000
|
4,0 6,0 8,0 10,0 16,0 20,0 26,0 42,0 44,0 46,0 48,0
50,0 58,0 62,0 70,0 76,0 78,0 82,0 100,0
|
Selon le sexe de l'Enfant
|
1=Masculin 2=Féminin
|
Fréquence
|
Pour cent
|
Pourcentage
valide
|
Pourcentage
cumulé
|
|
Valide 1
|
|
|
|
|
|
23
|
46,0
|
46,0
|
46,0
|
|
2
|
|
|
|
|
|
|
27
|
54,0
|
54,0
|
100,0
|
|
Total
|
|
|
|
|
|
50
|
100,0
|
100,0
|
|
Enfants décédés et
survécus du paludisme.
|
1= Décédé 2=
survécu
|
Fréquence
|
Pour cent
|
Pourcentage
valide
|
Pourcentage
cumulé
|
|
Valide
|
1
2
Total
|
14
36
50
|
28,0 72,0 100,0
|
28,0 72,0 100,0
|
28,0
100,0
|
|
Comparaison des paramètres Se, Sp.,
|
|
VPP, VPN
|
|
|
|
CONSENSUS DES EXPERTS
|
MSB et CAS RÉEL
|
MSB et MRL
|
|
Se
|
92%
|
78,5%
|
70%
|
|
Sp
|
75%
|
75%
|
67,5%
|
|
VPP
|
76%
|
55%
|
35%
|
|
VPN
|
60%
|
90%
|
90%
|
|
V.E.G
|
90%
|
76%
|
68%
|
IV.DISCUSSION
IV.1. La performance du MSB en comparaison avec les
cas réels.
Notre modèle prédit correctement le
décès dans 78,5% de cas et prédit aussi correctement la
survie dans 75% de cas c'està-dire le modèle nous permet de nous
prononcer valablement sur la survie des enfants.
|
|
Notre modèle a une bonne performance, d'autant
plus que la sensibilité, la spécificité et la valeur
d'efficacités globales sont élevées.
Les études réalisées en
République Démocratique du Congo sur les statistiques de Bayes
dans le domaine médical ont également démontré que
ces modèles est aussi performant pour la prédiction des
événements aléatoires.
|
|
IV.2. La performance du MSB en comparaison
avec
le MRL.
Le MSB est jugé très performant avec la
Sensibilité de 70% ; la spécificité de 67,5% ; la V.E.G de
68%.
Nos résultats sont comparables à ceux
de:
> MUNYANGA au Zaïre (RDC) en 1993 avec la Se
de 88% et Sp de 76% dans son étude de la « Prédiction du
succès du programme des soins de santé primaires dans les zones
de santé »
|
|
>De même MAPONDA, dans son étude sur
« La Prédiction d'une intubation difficile » a trouvé
la Sensibilité égale à 100% et la
Spécificité à 91,7%.
>LOSE a aussi trouvé dans son étude
intitulée « La Prédiction de la létalité des
enfants reçus en urgence aux Cliniques Universitaires de Kinshasa
», la Sensibilité étant de 87% et la
Spécificité de 95%.
|
|
V. CONCLUSION
Notre étude avait comme objectif
d'élaborer un modèle de la prédiction de la
mortalité due au paludisme grave chez les enfants de moins de 5
ans.
Partant de ces résultats, nous constatons que
parmi les 12 facteurs du paludisme grave énumérés dans la
fiche technique du PNLP, il y a des ces facteurs qui ne sont pas liés
directement au paludisme grave.
|
|
Notre étude a retenu 6 facteurs comme les plus
dangereux, dont la prise en charge rapide est vraiment souhaitée en cas
du paludisme grave chez l'enfant.
Ces facteurs sont:
1. le saignement au niveau des gencives, du nez ou de la
peau (F4) avec RV de 5
2. la difficulté de parler, de s'asseoir, de se
tenir debout ou de marcher (F3) avec RV de 1,5
|
3. l'incapacité de prendre le médicament
par voie orale (F1) avec RV de 1,3 ;
4. la perte de conscience ou le coma (F8) avec RV de 1,3
;
5. les convulsions (F9) avec RV de 1,25
6. la respiration anormale ou inhabituelle ; les
extrémités froides (F11) avec RV de 1,14.
|
|
VI. RECOMMANDATION.
A. RECOMMANDATIONS À L'ENDROIT
DU
GOUVERNEMENT.
>Que ce modèle de Bayes soit utilisé
pour toutes prises de décisions rationnelle, car ce modèle permet
de prédire le succès ou l'échec d'une décision en
subdivisant le problème en plusieurs autres, plus faciles à
maîtriser; chaque élément peut ainsi être
considéré isolément, sans qu'aucun facteur «
confondant » ne vienne gêner son interprétation.
|
|
>Que ce modèle soit utilisé avant
toute action car ce modèle rend explicite l'ensemble des données
utilisées dans la décision et en particulier fait
apparaître les secteurs où celles-ci sont
défaillantes
|
B. RECOMMANDATIONS À L'ENDROIT
DU PNLP.
>Que ce modèle de Bayes soit exploité
avant toutes signatures avec les bailleurs des fonds, car ce modèle
permet d'expliciter tous les choix et leurs conséquences.
>Développer un modèle de Bayes qui
sert de base à une analyse coût/efficacité pouvant analyser
l'impact éventuel de décisions sur la politique de santé,
lorsqu'un essai prospectif ne peut être pratiqué pour des raisons
de durée trop longue et de coût trop
élevé.
|
|
C. RECOMMANDATION À L'ECOLE DE SANTÉ
PUBLIQUE.
>Que l'École de Santé Publique
vulgarise ce modèle de prédiction de Bayes à tous les
niveaux de prise de décision rationnelle du Ministère de la
Santé Publique.
|
|
D. RECOMMANDATION AUX
HÔPITAUX.
>Utiliser le modèle de Bayes pour certaine
prise de décisions cliniques car il permet d'inclure directement les
préférences des patients dans le processus de décision
médicale
>Utiliser ce modèle de Bayes pour
éviter des erreurs de logique, en particulier lors de
l'interprétation des données du test diagnostique.
|
|
Utiliser ce modèle de Bayes car
iipermet aux décideurs à considérer
des
options non prises en compte au
départ, telles qu'un traitement
symptomatique.
fin
|
|
|
