Predicting malaria in a highly endemic country using clinical and environmental data

Avec ses 154 à 289 millions de victimes en 2011, dont 80% provenaient de la partie subsaharienne d'Afrique, la malaria est un problème majeur de santé publique. Les agences internationales ont privilégié le contrôle de la malaria, en investissant un montant estimé à 1,84$ milliard en 2012 dans les programmes de prévention et de lutte contre la malaria et dans les pays où la malaria est endémique. Il y a eu une forte augmentation des ressources consacrées à la prévention et au contrôle de la malaria au cours de la dernière décennie. La malaria se développe dans les pays tropicaux et subtropicaux pauvres où les ressources sont limitées. Des prévisions précises de l'occurrence de la malaria et des alertes précoces permettant de détecter son augmentation peuvent fournir des outils aux cliniques de santé publique et de l'information essentielle pour cibler efficacement son contrôle et certaines mesures de prévention. Plusieurs études ont développé des modèles de prévision de la malaria mais la majorité de ces études comprennent des limites telles que leur focalisation sur des facteurs prédictifs de l'environnement seulement et sur des mesures de précision qui sont influencées par l'échelle utilisée. Des mesures de précision qui sont indépendantes de l'échelle et des mesures communes sont indispensables dans ce contexte, car elles faciliteront la comparaison des résultats entre les études et entre les méthodes et permettront d'améliorer les prévisions de la malaria. Le but de ce travail de thèse était de développer et d'évaluer des modèles statistiques qui intègrent des données cliniques et environnementales afin de prévoir la malaria dans les différents contextes d'un pays où la maladie est fortement endémique.Plus précisément, le premier objectif était d'examiner systématiquement et de résumer la littérature scientifique sur les modèles de prévision de la malaria. Une revue exploratoire de la littérature a été menée et les résultats de cette étude ont guidé le choix des méthodes et des prédicteurs inclus dans les modèles de prévision. Le deuxième objectif était d'évaluer la manière de définir les circonscriptions des services de santé. Cette recherche nous a permis d'estimer les régions géographiques desservies par les services de santé et les populations étudiées. Le troisième et dernier objectif était d'identifier les prédicteurs significatifs de la malaria dans les différents contextes et dans les différents horizons de prévisions. Deux modèles de prévision, un à court terme (4 semaines) et un à long terme (52 semaines), ont été élaborés pour chacun des six sites du projet de surveillance de la malaria en Ouganda (PSMO) totalisant 12 modèles. Des données de télédétection ont été obtenues pour les prédicteurs environnementaux et des données cliniques de PSMO ont été obtenus pour les prédicteurs sanitaires (dispensaires et patients). Les modèles ont été évalués en fonction de l'erreur de prévision sur des données qui n'ont pas été utilisées pour l'élaboration du modèle. La plupart des modèles avec l'erreur de prévision la plus faible incluaient à la fois des prédicteurs environnementaux et non environnementaux, et les paramètres des modèles variaient souvent au sein d'un site et entre les sites. Les résultats de cette thèse devraient faire progresser le domaine de la prévision de la malaria de plusieurs façons: en fournissant des lignes directrices méthodologiques pour de futures études prévisionnelles, en fournissant une méthode simple pour définir les circonscriptions des services de santé applicable pour définir les limites géographiques d'un modèle de prévision, en démontrant l'importance des prédicteurs cliniques pour la prévision de la malaria, en fournissant un exemple de modèle de prévision avec une résolution spatiale et temporelle, et finalement, en soulevant des points importants à prendre en considération pour de futurs travaux de prévision.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.