Les determinants de l'infection palustre chez les enfants de moins de 5 ans dans la région du nord Cameroun

CHAPITRE 3

ASPECTS MÉTHODOLOGIQUES

Dans la recherche en sciences sociales, la collecte et l'analyse des données sont des opérations déterminantes. En effet, elles permettent de vérifier les hypothèses formulées. Toutefois la collecte des données est une opération couteuse tant en terme de temps qu'en terme de finance. C'est pour cette raison que nous utiliserons dans le cadre de notre étude des données déjà existantes. Il s'agit précisément des données du projet «Impact résistance 2012» collectées par le Programme Nationale de Lutte contre le Paludisme (PNLP) dans la région du Nord Cameroun. Après avoir présenté et évalué les données, nous définirons les variables opérationnelles et enfin nous présenterons les différentes méthodes d'analyses qui nous permettront d'atteindre nos objectifs en vérifiant les hypothèses.

3.1 Données utilisées

Les données que nous utiliserons sont celles du projet «Impact résistance dans le Nord Cameroun» mené par le Programme National de Lutte contre le Paludisme(PNLP) du Ministère de la santé (MINSANTE). Il s'agit des données longitudinales qui ont été collectées entre Aout 2012 et Décembre 2012 dans trois districts de santé de la région du Nord Cameroun(PITOA, GAROUA, MAYO OULO).

3.1.1 Enquête sur «L'impact résistance dans la région du Nord Cameroun 2012»

L'objectif de l'enquête était de déterminer l'impact de la Moustiquaire imprégnée sur la transmission du paludisme en zone de résistance.

3.1 Données utilisées Aspects Méthodologiques

SANDIE Arsène Brunelle c~IFORD 2013-2014

55

Plus spécifiquement il s'agissait de :

- déterminer l'impact des MILDA sur l'incidence et la transmission du paludisme en présence de la résistance métabolique des vecteurs aux insecticides;

- mieux comprendre la résistance aux insecticides et son mécanisme dans la principale espèce d'anophèle (An gambiae) responsable du paludisme;

- d'étudier la répartition des gènes de résistance et de mieux comprendre la tendance général de flux de gènes entre la population des vecteurs et contrôler les changements de structure dans la population des vecteurs;

- de mieux comprendre la réponse des vecteurs en relation avec l'intervention et étudier les possibles changements induits par la résistance.

3.1.2 Plan d'échantillonnage

De toutes les 10 régions administratives du Cameroun, la région du Nord a été choisie du fait que la résistance métabolique de la population des An. gambiae s.l aux insecticides a été démontrée dans le district de Pitoa (Etang et al, 2007). La région du Nord Cameroun est constituée de 13 districts de santé, un district de santé est constitué de 2 ou plusieurs aires de santé (clusters ou localités). L'aire de santé comprend 5 à 10 000 habitants et regroupe un ou plusieurs villages ou quartiers déservis par un centre de santé. De ces 13 districts de Santé, 3 districts de santé ont été sélectionnés (PITOA, GAROUA, MAYO OULO). Les critères de sélection de ces 03 district étaient essentiellement basés sur la représentativité des 03 niveaux de résistance. Des clusters ont été sélectionnés dans chacun des districts de santé pour ainsi constituer 28 clusters et 60 enfants de moins de 5 ans ont été sélectionnés par cluster soit un total de 1680 enfants au début de l'étude dont 51.81% de sexe masculin et 48.18% de sexe féminin. Il s'agissait précisément d'une étude de cohorte, où chaque enfant sélectionné était régulièrement suivi toutes les 2 semaines.

3.1.3 Informations collectées

Avant d'être introduit dans la cohorte au début de l'étude, chaque enfant a été diagnostiqué du paludisme par des examens médicaux de Test de Diagnostique Rapide (TDR) ou par microscopie. Les enfants diagnostiqués positifs ont été traités, de façon à ce que au début de l'étude, les 1680 enfants soient tous idem du paludisme. Une équipe spécialisée de collecte de données

3.1 Données utilisées Aspects Méthodologiques

SANDIE Arsène Brunelle c~IFORD 2013-2014

56

constituée des agents enquêteurs et des personnels médico-sanitaires y passaient toutes les deux semaines pour un suivi pour chaque enfant introduit dans l'étude. Chaque enfant ayant un maximum de 8 suivis, soit 112 jours pour la durée maximale du suivi. Lors des différents suivis, des TDRs et des prises de température étaient effectués par enfant. Si au cours de ces suivis, un enfant est diagnostiqué positif du paludisme, il est complètement pris en charge et il sort de l'étude. Si entre deux visites, un enfant manifeste des symptômes du paludisme (fièvre, vomissement, etc.) son chef de ménage ou tout autre personne du ménage se charge de contacter un relai communau-taire¹ qui a été mis en place dans chaque cluster, l'enfant est alors diagnostiqué, s'il est positif, il est également pris en charge et il sort de l'étude. Tout enfant qui sort de l'étude pour toutes autres raisons autre que le paludisme, est systématiquement remplacé par un autre enfant ayant des caractéristiques sociodémographiques (Age et sexe) similaires. Quelques caractéristiques de l'enfant (Age, sexe), ceux de son ménage (taille du ménage, nombre de MILDA disponible dans le ménage, niveau d'instruction du CM, etc.) ont été notés au début de l'étude.

Outre les données collectées au niveau micro et au niveau méso, les données entomologiques ont été collectées au niveau de chaque localité. Précisément, une équipe d'entomologistes ont collecté les données sur le niveau de résistance de chaque localité selon le protocole de l'OMS définie dans la section 2.1.7. Ainsi les données que nous disposons sont d'ordre sociodémogra-phique, socioéconomique, épidémiologique et entomologique.

1. Personnel médical en charge des cas déclarés entre deux visites.

3.1 Données utilisées Aspects Méthodologiques

13"35'E 13"5

13"1'_I20"E 13"18'10"E

18°E

9"E 13°30'E

Mogode

Hine

9"E

13^.10'E 18`E

3"E

5"E

14"E

13"E

14"E

Guider

L^, mbou

ilga

O Lawan

15"E

Légende

Localité

District d'étude

La région du Nord dans le Cameroun

Exh-me- ord

200 Km

Le département de la Benoué dans la région du Nord

*Bala Dorbeye

Mayo Oulo

Mayo Oulo

Gaschiga

Fi
· uil

Boussa

Mayo Lebri

Boula !bib

*

Pitoa

Boul. u

G izigare

Garoua urbain 2

Lounderou

Djamboutou 2PlateauKolle

^°.4lfhadi

Ouro Hourso 1Kanadⁱ

20Km

l I

aroua urbai

Ngon^,

Mbolom

^*Be Centre Nassarao

* *

Bibemi Source: Découpage administratif du cameroun édition 2007 (INC)

Référence spatiale: WGS 84 Juillet 2013

SANDIE Arsine Brunelle (c)IFORD 2013-2014

57

13"1'20"E

3"18'17'E

13'.5E

13^.51'50"E

FIGURE 3.1 -- Carte des localités ou clusters de l'étude

3.2 Evaluation de la qualité des données Aspects Méthodologiques

SANDIE Arsène Brunelle c~IFORD 2013-2014

58

3.2 Evaluation de la qualité des données

3.2.1 Taux de non-réponse des variables

Les non-réponses ou données manquantes proviennent soit de l'enquêté(e) qui refuse de répondre à une question, soit de l'enquêteur par omission ou par erreur de remplissage ou de l'agent de saisie qui peut commettre une erreur de saisie. Nous présentons dans le tableau 3.1, le taux de non-réponse correspondant à chaque variable. Il ressort que toute les variables ont un taux de non-réponse négligeable car ces taux sont tous inférieurs au seuil autorisé de 10%.

Tableau 3.1 - Taux de non-réponses des différentes variables

Variables	Données manquantes (en %)
Infection palustre	0.00
Durée de l'infection	0.00
Sexe de l'enfant	0.00
Age de l'enfant	0.00
Niveau d'instruction du CM	1.14
Matériel de construction de l'habitat	1.88
Taille du ménage	0.00
Nombre de MILDA dans le ménage	0.00
Utilisation de MILDA	0.87
Milieu de résidence	0.00
Niveau de résistance	0.00

3.2.2 Données sur l'âge et le sexe de l'enfant

Le sexe et l'âge constituent des variables de vérification de la qualité des données. En effet, ces deux variables ont le plus souvent des distributions standards et connues qui permettent de faire les comparaisons afin de détecter d'éventuels décalages. Dans notre étude, les enfants sont repartis selon le sexe ainsi qu'il suit: 51.81% enfants sont de sexe masculin et 48.18% enfants sont de sexe

3.2 Evaluation de la qualité des données Aspects Méthodologiques

SANDIE Arsène Brunelle c~IFORD 2013-2014

59

féminin. Ce qui est conforme à la règle générale d'un plus grand nombre de naissances masculines par rapport aux naissances féminines.

L'âge est une variable cruciale tant dans l'analyse des phénomènes démographiques qu'en épidémiologie. Nonobstant, il n'est pas toujours aisé de collecter ou d'observer cette variable en Afrique. Dans le cadre de notre étude, nous utiliserons la méthode graphique pour évaluer les données sur l'age des enfants. La figure 3.2 donne la distribution des enfants en fonction de leur âge. On observe sur cette figure des grands pics d'effectifs aux âges ronds 12 mois, 24 mois, 36 mois et 48 mois. Cette répartition n'est guère satisfaisante. En effet, les pics d'effectifs observés aux âges ronds (1 ans, 2 ans, 3 ans et 4 ans) seraient dus aux mauvaises déclarations de l'âge des enfants par leurs parents qui ont tendance à arrondir l'âge des enfants. Pour tenter de résoudre ce problème d'effectif, nous allons regrouper selon les grands groupes comme le montre la figure 3.3

FIGURE 3.2 - Effectif des enfants en fonction de l'âge (en mois)

FIGURE 3.3 - Effectif des enfants en fonction des groupes d'âges (en mois)

3.3 Distributions des fréquences des variables Aspects Méthodologiques

SANDIE Arsène Brunelle c~IFORD 2013-2014

60

3.3 Distributions des fréquences des variables

3.3.1 Variable à expliquer

Nous cherchons à expliquer la transmission ou l'infection palustre. Pour cela, nous utilisons les données de survie sur les enfants de moins de 5 ans. Chaque enfant étant suivi 8 fois avec des espacements de 2 semaines, si un enfant est diagnostiqué malade de paludisme au cours de l'étude, alors on dira que cet enfant aura réalisé l'évènement d'intérêt qu'on notera E ; dans ce cas on note alors la durée de temps nécessaire (différence entre la date d'inclusion et la date de début de maladie) à la réalisation de E. Si à contrario un enfant subsiste à la maladie (paludisme) à la fin de l'étude on dira alors qu'il est censuré et on notera F l'évènement de censure, on note également le temps nécessaire à la réalisation de F. Ainsi pour chaque enfant nous disposons à la fin de l'étude d'un couple de variable (Yi, Ti), où

?

?

?

Yi =

1 Si l'individu i réalise E 0 Si l'individu i réalise F

et Ti est la durée de temps nécessaire pour l'individu i pour réaliser E ou F. Dans toute la suite, de notre étude, nous appellerons temps ou durée d'infection palustre le temps qui s'est écoulé entre l'inclusion d'un enfant dans la cohorte et le moment où il est diagnostiqué du paludisme. Compte tenu de la portée et la pertinence des données que nous disposons, notre variable à expliquer sera construite à partir du couple aléatoire (Y, T). Cette construction dépendra selon que nous effectuons l'analyse descriptive ou explicative. Pour l'analyse descriptive, nous utiliserons les estimations de Kaplan Meir pour construire la probabilité d'échapper à la maladie avant un certain temps, et pour l'analyse explicative, nous utiliserons les estimations de Nelson-Aleen pour construire la variable à expliquer qui sera le risque instantané de réaliser la maladie. Ces différentes méthodes seront plus détaillées dans les sections suivantes.

Comme nous le montre la figure 3.4, 58,67% d'enfants sont restés indemnes du paludisme contre 41,33% qui ont contracté la maladie. Pour ce qui est de la durée de la réalisation de E ou F, les moyennes de la durée de réalisation de ces évènements sont respectivement de 92.87 et 88.73 jours. Toutefois, la figure 3.5 montre que cette variable semble avoir la même répartition dans les deux sous populations (E et F).

3.3 Distributions des fréquences des variables Aspects Méthodologiques

SANDIE Arsène Brunelle c~IFORD 2013-2014 61

FIGURE 3.4 - Répartition des enfants de l'étude selon le statut d'infection

FIGURE 3.5 - Densité empirique de la durée de réalisation des évènements E et F

3.3.2 Variables explicatives

a) Milieu de résidence

Cette variable est appréhendée par trois modalités : le milieu Urbain, le milieu Semi urbain et le milieu Rural. La différence entre ces trois milieux provient non seulement de la forte concentration des infrastructures socio-sanitaires en milieu urbain, mais aussi et surtout de part l'aménagement et l'assainissement du milieu. Le milieu urbain étant mieux aménagé et assaini que les deux autres milieux. Le milieu semi urbain étant un milieu en transition du rural

3.3 Distributions des fréquences des variables Aspects Méthodologiques

SANDIE Arsène Brunelle c~IFORD 2013-2014 62

vers l'urbain. Le graphique 3.6 donne la répartition des enfants inclus dans l'étude par milieu de résidence. La majorité (677 enfants, soit 45.5%) des enfants inclus dans l'étude réside en milieu rural, en milieu semi-urbain, 417 enfants ont été sélectionnés, le milieu urbain est celui qui a le plus petit nombre d'enfants (394 enfants).

FIGURE 3.6 - Répartition des enfants inclus dans l'étude selon le milieu de résidence

b) Variables socioculturelles

Niveau d'instruction du CM : Désigne le plus haut niveau d'études atteint par le chef de ménage dans un système éducatif formel. Cette variable peut être saisie soit par la dernière classe atteinte, soit par le diplôme le plus élevé obtenu, voire par le nombre d'années passées dans le système éducatif formel. Dans le cadre de notre travail, le niveau d'instruction du CM sera mesuré en distinguant les modalités suivantes: Sans niveau, Primaire, Secondaire, Supérieur. La plupart (692 enfants) d'enfant ont un CM qui est sans niveau d'instruction, 545 enfants ont un CM qui est sans niveau, 208 enfants ont un CM de niveau primaire et seulement 26 ont un CM de niveau supérieur.

c) Caractéristiques du ménage

Taille du ménage : Représente le nombre total d'individus qui résident dans un ménage. Elle est pertinente pour l'étude. En effet par rapport au nombre de moustiquaires disponibles dans le ménage, certains membres du ménage peuvent être privés de l'utilisation des moustiquaires au

3.3 Distributions des fréquences des variables Aspects Méthodologiques

SANDIE Arsène Brunelle c~IFORD 2013-2014

63

FIGURE 3.7 - Répartition des enfants inclus dans l'étude selon le niveau d'instruction du CM

profit d'autres. Il s'agit d'une variable quantitative discrète, nous avons en moyenne 9.7 personnes par ménage, et la médiane est de 8 personnes.

Type d'habitation du ménage : Il s'agit du type de matériaux de construction du mur de l'ha-bitat du ménage. Les modalités sont les suivantes : béton/parpaing, Brique de terre simple, Bosse de terre battue, Natte chaume.

d) Variables liées à l'enfant

Sexe de l'enfant : Le sexe désigne l'ensemble des caractères qui permettent de distinguer chez la population des êtres vivants le genre mâle et le genre femelle (le Petit Larousse, 1998). Il comporte deux modalités : Masculin et Féminin. Le graphique 3.8 donne la répartition des enfants de l'étude selon le sexe, on a un peu plus de garçons que de filles.

L'âge de l'enfant : L'âge dont il est question ici est celui de l'enfant au début de l'étude. Les mo-dalités sont les suivantes :0-15 mois, 16-24 mois, 25-36 mois, 37-60 mois et 48-59 mois.

3.3 Distributions des fréquences des variables Aspects Méthodologiques

FIGURE 3.8 - Répartition des enfants inclus dans l'étude selon le sexe

e) Variable intermédiaire

Dans le cas de notre étude, la seule variable intermédiaire est la variable Utilisation de moustiquaire pour les enfants de moins de 5 ans, elle sera contrôlée par le nombre de moustiquaires disponibles dans le ménage. L'enquête étant longitudinale, lors du passage de l'agent enquêteur à chaque visite, il était posé la question de savoir si l'enfant a dormi sous moustiquaire la nuit précédente. Ainsi, pour chaque enfant sera noté un certain nombre de fois la réalisation de la variable a dormi sous moustiquaire la nuit précédente. Pour définir la variable Utilisation de moustiquaire, pour chaque enfant, nous rapporterons le nombre total de fois où l'enfant a dormi sous moustiquaire sur le nombre total de ces visites avant la réalisation de l'évènement d'intérêt E ou de censure F. De cette façon, notre variable Utilisation de moustiquaire aura deux modalités: Bonne utilisation et Mauvaise utilisation. On dira qu'un enfant a eu Bonne utilisation si le rapport dé-fini relativement à la variable à dormir sous moustiquaire la nuit précédente est supérieur à 0.8 et dans le cas contraire, nous dirons que l'enfant a eu une Mauvaise utilisation. Ainsi construite, la figure 3.9 donne la répartition des enfants selon l'utilisation de la moustiquaire imprégnée. Il en ressort que, 995 enfants sur 1488 (soit 66.87%) ont une «mauvaise utilisation» de la moustiquaire et 493 enfants ont une «bonne utilisation» de la moustiquaire.

SANDIE Arsène Brunelle c~IFORD 2013-2014 64

3.3 Distributions des fréquences des variables Aspects Méthodologiques

SANDIE Arsène Brunelle c~IFORD 2013-2014

65

FIGURE 3.9 - Répartition des enfants selon l'utilisation de la moustiquaire imprégnée

Résistance des anophèles femelles : Cette variable est observée au niveau de chaque localité. Elle est définie à partir du taux de mortalité des anophèles soumises aux insecticides (Pour notre étude il s'agissait de la delthamétrine). La méthodologie de calcul de ce taux est détaillée dans la section 2.1.7. Le taux de mortalité calculé est ensuite catégorisé en 3 modalités:

- Résistante : Une localité ayant cette modalité est une localité où les anophèles femelles résistent aux insecticides présentent sur les moustiquaires imprégnées. Dans cette localité, le taux de mortalité des anophèles femelles est faible (inférieur à 90%). Au total, 1019 enfants résident dans cette zone, ce qui correspond à 68.48% de l'ensemble des enfants inclus dans l'étude.

- Sensible : Il s'agit des localités où les anophèles sont sensibles au insecticides et n'y résistent pas lorsqu'elles sont en contact avec les moustiquaires imprégnées. Dans ce cas le taux de mortalité des anophèles est élevé (supérieur à 98%). Pour cette zone, 215 enfants ont été sélectionnés ce qui correspond à 14.44% de l'ensemble total des enfants

- Probable Résistante : Il s'agit des zones intermédiaires entre la sensibilité et la résistance, où le taux de mortalité des anophèles est modéré (compris entre 90 et 97%). Dans cette zone, 254 enfants ont été inclus dans l'étude, soit 17.07% d'enfants.

3.4 Méthodes d'analyse Aspects Méthodologiques

SANDIE Arsène Brunelle c~IFORD 2013-2014

66

FIGURE 3.10 - Répartition des enfants selon l'utilisation de la moustiquaire imprégnée

3.4 Méthodes d'analyse

3.4.1 Méthode statistique d'analyse descriptive bivariée

Les données dont nous disposons sont des données de survie. Chaque individu réalise l'évè-nement d'intérêt E ou l'évènement de censure F à des instants différents. Ces données nous permettent de savoir la durée de temps T pour la réalisation de l'évènement E ou F. Au regard de ces données, la courbe de survie de Kaplan-Meier semble être la plus adaptée pour l'analyse descriptive du risque d'infection palustre; en effet, elle tient compte non seulement de la réalisation de l'évènement d'intérêt mais aussi et surtout du temps nécessaire pour la réalisation de cet évènement.

La fonction de survie de Kaplan-Meier est définie par: ST(t) = P(T > t), c'est la probabilité de survivre (au paludisme) ou de ne pas réaliser l'évènement d'intérêt E avant le temps t. Si on souhaite étudier la liaison entre une variable qualitative X à k modalités, et le phénomène étudié E (paludisme), on fait alors recours au test du Log - rank. Ce test compare la fonction de survie entre les k sous-populations ayant réalisées respectivement les k modalités de la variable X. Les hypothèses de ce test sont:

- H0 : ST1 = ST2 = · · · = STk ;

- H1 : il existe i et j tel que i =6 j et STi =6STj ;

Accepter l'hypothèse nulle H0, revient à dire qu'il n'y pas de différence entre les courbes de survie

3.4 Méthodes d'analyse Aspects Méthodologiques

SANDIE Arsène Brunelle c~IFORD 2013-2014 67

3.4 Méthodes d'analyse Aspects Méthodologiques

des k sous-populations issues des k modalités de la variable X. Ainsi accepter H0, revient à dire qu'il y a indépendance entre X et le risque d'infection palustre.

3.4.2 Régression semi-paramétrique de Cox

a) Pertinence et principe de la méthode

Étant donnée que nous disposons des données de survie, où la réalisation ou non de l'évè-nement d'intérêt s'est faite à des instants différents, nous utiliserons le modèle sémi-paramétrique à risque proportionnel de Cox. L'idée de base est d'écrire le risque comme le produit de deux éléments, le premier est un risque de base alors que le second est fonction des seules variables explicatives. Ce modèle permet d'exprimer un effet multiplicatif des diverses covariables sur le risque instantané de connaitre l'évènement d'intérêt. La spécification du modèle est la suivante:

ë(t, X, Z) = ë0(t)e^{X1â1+···+Xpâp} (3.1)

Où

- ë(t, X, Z) est la fonction de risque instantané de connaitre l'évènement d'intérêt E par unité de temps, en fonction de X et du temps t;

- ë0(t) est le risque instantané de base;

- X = (X1,··· , X_p) le vecteur des covariables et 9 = (91,··· , 9_p) son vecteur coefficient associé.

On utilise alors la maximisation de la vraisemblance conditionnelle à l'ensemble des instants où il y a eu réalisation de l'évènement, pour estimer le vecteur des coefficients 9 = (91, · · · ,9_p). Ensuite le test de Wald est utilisé pour tester la significativité des coefficients. On utilise enfin les estimations de Breslow ou Nelson-Aalen pour estimer le risque instantané de base.

b) Hypothèse de proportionnalité

Le modèle de Cox est un modèle à risque proportionnel, ce qui veut dire que ce modèle n'est applicable que si l'hypothèse de proportionnalité est vérifiée. Avant d'interpréter les résultats de la régression de Cox, il est nécessaire de tester les hypothèses suivantes:

- H0 L'hypothèse de proportionnalité est vérifiée;

SANDIE Arsène Brunelle c~IFORD 2013-2014

68

- H1 : L'hypothèse de proportionnalité n'est pas vérifiée.

NB : Si H0 est rejetée, il faudra alors stratifier suivant la covariable où l'hypothèse n'est pas vérifiée, on parle alors de modèle de Cox stratifié. Mais lorsqu'on stratifie selon une covariable, elle n'est plus exprimée dans le modèle de régression comme variable explicative. Dès lors, il n'est plus possible de savoir si cette covariable est significativement associée ou pas au phénomène étudié.

c) Interprétation des coefficients du modèle de Cox

L'interprétation des coefficients dépend de la nature de la variable associée. Soit âj, le coefficient associé à une variable explicative Xj

- Si la variable Xj est quantitative, alors exp(âj) s'interprète comme le risque relatif par unité de temps pour une augmentation d'une unité de la variable.

- Si la variable Xj est une variable ayant deux classes 0 ou 1, alors exp(âj) s'interprète comme le risque relatif par unité pour les individus de la classe «1» de connaitre l'évè-nement par rapport à ceux de la classe «0».

3.4.3 Modèle de durée de vie accélérée

a) Pertinence et principe de la méthode

Nous avons vu que le modèle de Cox n'est applicable que si toutes les variables satisfont à l'hypothèse de proportionnalité. Une variable qui ne vérifie pas cette hypothèse est stratifiée et n'apparait plus dans les résultats de l'estimation du modèle de Cox. Mais il peut se trouver que des variables clés qui apparaissent dans nos objectifs ne vérifient pas l'hypothèse de proportionnalité dans le modèle de Cox. Dans ce cas, l'application du modèle de Cox ne peut nous permettre de vérifier nos hypothèses et devient ainsi moins pertinente. Pour contourner cette difficulté, nous utiliserons le modèle de durée de vie accélérée².

Ce modèle considère les variables indépendantes comme «accélérateurs» ou «décélérateur» du temps de réalisation de l'évènement d'intérêt (infection palustre). Précisément, ce modèle per-

2. Chez les anglo-saxon est appelé Accelerated Failure-Time models (AFT)

3.4 Méthodes d'analyse Aspects Méthodologiques

SANDIE Arsène Brunelle c~IFORD 2013-2014

69

met de voir si les variables indépendantes allongent ou rétrécissent le temps d'infection palustre. La spécification du modèle est la suivante:

ln(T) = X1â1 + · · · + Xpâp + u (3.2)

Où, X = (X1,··· , X_p) est le vecteur des variables explicatives, T représente le temps de réalisation de l'évènement d'intérêt (infection palustre) ou l'évènement de censure(ne pas être tombé malade jusqu'à la fin de l'étude) et u représente le terme d'erreur.

b) Interprétation des coefficients du modèle de durée de vie accéléré

Une fois spécifiée, on utilise la méthode de maximisation de la vraisemblance pour estimer les paramètres du modèle 3.2. Ensuite on utilise le test de Wald pour tester la significativité des variables. l'interprétation des coefficients dépend de la nature de la variable Xj :

- Si Xj est quantitative, alors âj représente l'élasticité de T. En d'autre terme, l'augmen-tation de Xj d'une unité entraine un effet multiplicatif sur T en moyenne de exp(âj).

- Si Xj est qualitative avec deux classes «0» et «1», alors exp(âj) représente le taux de croissance de T, lorsqu'on passe de la classe «0» à la classe «1».

Si âj < 0 alors exp(âj) < 1 et dans ce cas, la variable Xj a pour effet de diminuer le temps de réalisation de l'évènement d'intérêt et donc favorise plus vite sa réalisation. On dit alors que Xj est un accélérateur du temps de réalisation de l'évènement d'intérêt. Par contre Si âj > 0 alors exp(âj) > 1 et dans ce cas, la variable Xj a pour effet d'augmenter le temps de réalisation de l'évènement d'intérêt et donc de ralentir sa réalisation. On dit alors que Xj est un «ralentisseur» ou un «décélérateur» de l'événement d'intérêt.

3.4.4 Hiérarchisation des facteurs explicatifs du risque d'infection palustre

Dans la recherche des facteurs explicatifs d'un phénomène, il est important de hiérarchiser ces facteurs. En effet, dans le cas d'une éventuelle intervention des gouvernements ou des organismes, il est important de savoir les variables les plus prioritaires. Variables sur lesquelles une action entraînerait la baisse du risque d'infection palustre chez les enfants de moins de 5 ans. Ainsi nous utiliserons la contribution relative de chaque variable qui est donné par la formule:

mi

C_v = ÷2 sat - ÷2 (3.3)

÷2 sat

3.4 Méthodes d'analyse Aspects Méthodologiques

SANDIE Arsène Brunelle c~IFORD 2013-2014 70

où

- C_v contribution de la variable;

- ÷2 sat Chi deux du modèle saturé;

- ÷2 m. Chi deux du modèle sans la variable.

Après avoir calculé la contribution de chaque variable, la hiérarchisation des facteurs explicatifs du risque d'infection palustre chez les enfants de moins de 5 ans se fera de la variable dont la contribution est la plus grande à celle dont la contribution est la plus petite.

Ce chapitre a globalement consisté à présenter les données utilisées et les méthodes statistiques que nous appliquerons dans le chapitre suivant pour effectivement tenter de vérifier nos hypothèses. Les données utilisées dans notre travail sont celles du projet «Impact résistance dans la région du Nord Cameroun» mené par le PNLP en 2012. Pour ce qui est de l'analyse des données; Au niveau descriptif, nous avons présenté les courbes de survie de Kaplan-Meier et au niveau explicatif, nous avons présenté dans un premier temps le modèle semi paramétrique de Cox dont l'application nécessite la vérification de l'hypothèse de proportionnalité pour chaque variable. Or cette hypothèse n'est pas toujours vérifiée, nous avons alors présenté le modèle de durée de vie accélérée qui constitue un palliatif. Enfin, nous avons présenté la formule du calcul de la contribution relative des variables explicatives, ce qui nous permettra par la suite de hiérarchiser les facteurs associé à l'infection palustre chez les enfants de moins de 5 ans dans la région du Nord Cameroun.

La suite de notre travail consistera à appliquer les différentes méthodes statistiques que nous avons présenté. Ceci dans le but de vérifier nos hypothèses de travail.

SANDIE Arsène Brunelle c~IFORD 2013-2014 71