Module 6: Les grands débats sur les statistiques sanitaires

Présentation au sujet: "Module 6: Les grands débats sur les statistiques sanitaires"— Transcription de la présentation:

1 Module 6: Les grands débats sur les statistiques sanitaires
BURKINA FASO Programme d’appui au renforcement des finances publiques et des statistiques (PAR-GS) Projet financé par le Fonds européen de développement UNION EUROPEENNE Atelier de formation des utilisateurs des statistiques « Statistiques sanitaires et santé des populations » Module 6: Les grands débats sur les statistiques sanitaires

2 Plan de la présentation
Quelques exemples de statistiques sanitaires prêtant à débat: Comparabilité de taux issus de différentes sources La difficulté du suivi régulier de grands indicateurs (ex: taux de mortalité maternelle – indicateur OMD) Qualité des données de routine du SNIS Disponibilité de données fiables de population (pour alimenter le dénominateur de nombreux indicateurs sanitaires) Commentaires

3 Comparabilité de taux issus de différentes sources
Termes du débat: Pour une même année, les valeurs de plusieurs indicateurs sanitaires (taux de couverture vaccinale, prévalence du paludisme, …) peuvent apparaître différentes dans diverses publications statistiques : Statistiques de routine Données de suivi/évaluation de programme sanitaire Rapports des institutions internationales Enquêtes auprès des ménages

4 Comparabilité de taux issus de différentes sources (2)
Premiers éléments d’explication: C’est un phénomène effectivement observé principalement dû au fait que les données nécessaires pour le calcul des différents taux de diverses publications utilisent des méthodes de collecte différentes Dans un système de routine le dénominateur n’est pas maitrisé. Il dépend de la qualité et de la qualité du recensement puis des extrapolations ultérieures Le numérateur manque, parfois de fiabilité. La limite entre les tranches d’âge n’est pas bien maitrisée. Il existe des situations de chevauchement En outre, la collecte n’est pas vraiment exhaustive. C’est pourquoi, il n’est pas indiqué de comparer l’indicateur à celui de la source externe (recensement, EDS, PEV)

5 Comparabilité de taux issus de différentes sources (3)
Premiers éléments d’explication: (suite) Toutefois, on peut admettre des différences selon les sources de données Mais la question est vraiment de savoir, si la différence est grande ou non (?) Les enquêtes (spécifiques relativement importantes), si elles ont suivi une rigueur méthodologique, peuvent permettre une bonne représentativité et une meilleure fiabilité car le numérateur et le dénominateur des taux ou ratios calculés sont maîtrisés simultanément (les biais peuvent aller dans le même sens et se neutraliser)

6 La difficulté du suivi régulier de grands indicateurs (ex: taux de mortalité maternelle – indicateur OMD) Termes du débat: Le suivi du taux de mortalité maternelle est particulièrement utile pour l’élaboration des politiques et la prise de décisions concernant l’accès aux soins prénatals et obstétriques et la qualité de ces soins La mortalité maternelle, quoique toujours trop élevée dans un pays comme le Burkina Faso, reste un événement relativement rare, qui n’est donc pas commode à observer en l’absence d’un dispositif d’observation adapté car souvent couteux Et pourtant, il est très dommageable de devoir attendre les résultats d’un nouveau RGPH, qui intervient en général tous les 10 ans, pour avoir une nouvelle estimation de la mortalité maternelle Mais, il faut signaler au Burkina Faso, l’existence d’un indicateur voisin ou proxy « décès maternels pour parturientes vues en formation sanitaire ». Cet indicateur est notamment tributaire de la plus ou moins grande utilisation des formations sanitaires par les parturientes.

7 La difficulté du suivi régulier de grands indicateurs (ex: taux de mortalité maternelle – indicateur OMD) (2) Premiers éléments d’explication: Dans la classification des enquêtes, on distingue des indicateurs: de ressources, de processus, de résultats et d’impact. L’impact du programme sur la population se fera dans le long terme, c’est pourquoi ces indicateurs se mesurent après un long délai entre deux enquêtes (5 ans) La mortalité est un événement relativement rare. Sa mesure fait appel à une méthodologie rigoureuse, une échantillon de taille importante. C’est pourquoi une telle mesure est intégrée au RGPH. Mais le coût du RGPH est très élevé pour un passage à une périodicité quinquennale. Et du fait de la rareté de l’événement, cette mesure n’est pas intégrée systématiquement à l’EDS L’alternative à cette situation serait de disposer d’un état civil réellement fiable, qui enregistre les décès et les causes de décès avec une qualité acceptable.

8 Qualité des données de routine du SNIS
Termes du débat: Le SNIS collecte systématiquement et de manière exhaustive un grand nombre de données sanitaires à travers le (sous-) système de routine, données qui pour un grand nombre d’entre elles ne sont pas fournies par d’autres (sous-) systèmes d’information du SNIS Du ce fait, il est très important que les données sanitaires uniquement collectées par le (sous-) système de routine du SNIS soient de bonne qualité continue dans le temps car il n’existe pas de solution de remplacement L’amélioration de la qualité des données du (sous-) système de routine du SNIS devient ainsi un enjeu important pour l’amélioration régulière des données sanitaires et la fiabilité des indicateurs sanitaires qui en découlent

9 Qualité des données de routine du SNIS (2)
Premiers éléments d’explication: La qualité des données correspond à un certain nombre de « dimensions », notamment Les données sont-elles précises ou valides Les données mesurent-elles ce qu'elles sont censées mesurer ? Exemple : Est-ce que travailler à des niveaux de plus en plus fin augmente la précision ou/et la validité des données ? Pourquoi? Les données sont-elles fiables ? Les données sont-elles mesurées de façon constante? Exemple : Un programme change la définition d'une variable et les formulaires de rapportage. Est-ce que cela peut poser un problème de fiabilité ? Comment ? Les données sont-elles précises ? La marge de l'erreur dans les données est elle inférieure au changement que le projet a est censé apporter ?

10 Qualité des données de routine du SNIS (3)
Premiers éléments d’explication: (suite) La qualité des données a un certain nombre de "dimensions," notamment, Les données sont-elles complètes ? Les données représentent-elles la liste complète des personnes ou unités éligibles ? Exemple : Que peut on dire sur l'exhaustivité si un indicateur est mesuré en se basant sur des données de 3 sur 4 zones éligibles ? Les données sont-elles disponibles rapidement ? Les données sont-elles à jour et disponibles à temps afin d'être reportées ? Exemple : La date-limite pour soumettre un rapport à un bailleur est le 30 avril, et les données de la moitié des points de service sont reçues le 5 mai. Les données sont-elles promptes ? Les données sont-elles intègres ? Les données sont-elles protégées contre les distorsions ou la manipulation délibérée pour des raisons politiques ou personnelles ? Exemple : Un supérieur au ministère a demandé à l'équipe d'analyse de données de changer un chiffre rapporté parce qu'il "sait que le chiffre communiqué ne saurait être correct, mais serait plus élevé. Les données sont-elles intègres ?

11 Disponibilité de données fiables de population (utiles au dénominateur de nombreux indicateurs sanitaires) Termes du débat: De nombreux indicateurs sanitaires correspondent à des taux ou des ratios où figurent au dénominateur des données de population Ces données de population ne sont normalement pas élaborées par la DGISS (Ministère Santé) mais par l’INSD suite au RGPH (dernier en 2006) Si pour l’année du RGPH, les données de population sont disponibles à un niveau très fin (communauté ou village), il n’en va pas de même pour les années intercensitaires (…/…)

12 Disponibilité de données fiables de population (utiles au dénominateur de nombreux indicateurs sanitaires) (2) Termes du débat: (suite) Pour les années intercensitaires, l’INSD effectue des projections par sexe et âge au niveau national et provincial sur la base de jeux d’hypothèses d’évolution démographique (natalité, mortalité, migrations,…). Il n’existe donc pas de données de population projetées au niveau infra-provincial. Quelle donnée de population utiliser dès que les indicateurs sanitaires doivent être calculés à un niveau plus fin que le niveau national ou provincial seuls disponibles ? Quelle donnée de population utiliser pour calculer des indicateurs sanitaires au niveau national ou provincial dès lors qu’elles correspondent à des sous-populations (*) pour lesquelles n’existent pas de données démographiques projetées ? ____________________________ (*) Des sous-populations décrites par d’autres critères que le sexe et l’âge.

13 Premiers éléments d’explication:
Disponibilité de données fiables de population (utiles au dénominateur de nombreux indicateurs sanitaires) (3) Premiers éléments d’explication: Données de population par sexe et âge pour indicateurs infra-provinciaux Les solutions (qui peuvent être) employées consistent à appliquer aux niveaux infra-provinciaux des taux de croissance démographique identiques à ceux de la province d’appartenance, mais cela peut conduire à des estimations de population au dénominateur des taux ou des ratios, relativement déconnectés des phénomènes sanitaires effectivement décrits au numérateur des taux ou des ratios Il est fort probable que les mouvements migratoires infra- provinciaux souvent importants dans des périodes caractérisées par la poursuite de l’exode rural, impactent les populations cibles au niveau infra-provincial, renforçant ainsi le découplage de la mesure au sein même de l’indicateur sanitaire souhaité Cela peut constituer un "compromis acceptable" avant le RGPH suivant

14 Disponibilité de données fiables de population (utiles au dénominateur de nombreux indicateurs sanitaires) (4) Premiers éléments d’explication: (suite) Autres données (*) de population pour indicateurs nationaux/provinciaux Concernant les indicateurs sanitaires de niveau national ou provincial relatifs à des sous-populations (*), il est toujours possible d’utiliser les clefs de répartition du dernier RGPH si elles sont disponibles pour les variables de description utilisées, mais là encore il est peu probable que la forte croissance démographique et l’exode rural qui continuent de caractériser un pays comme le Burkina Faso n’affecte pas sensiblement ces clefs de répartition au fil des années d’ici le RGPH suivant. Le risque est donc grand là encore d’un découplage entre la mesure du phénomène sanitaire au numérateur et la donnée de population cible estimée ainsi pour le dénominateur. Souvent ce constat de déconnexion reste délicat à faire, mais il devient patent quand dans certains cas, des indicateurs sanitaires dépassent durablement 100% (ex: taux de couverture vaccinale) (*) Sous-populations décrites par d’autres variables que le sexe et l’âge.

15 Supports du module Documents de travail Exemple de graphiques UNICEF
Méthode de projection des données cibles de la santé pour les districts sanitaires Travaux pratiques Exercices module 6 Ensemble des exercices corrigés