Aller au contenu

FASTR SRMNIA-N surveillance de l'utilisation des services : Documentation méthodologique

Introduction à FASTR

Le Mécanisme de financement mondial (GFF) soutient les efforts menés par les pays pour améliorer l'utilisation opportune des données pour la prise de décision, conduisant finalement à des systèmes de soins de santé primaires (SSP) plus forts et à de meilleurs résultats en matière de santé reproductive, maternelle, néonatale, infantile et adolescente et de nutrition (SRMNIA-N). Cet ensemble d'initiatives et de soutien technique est appelé Frequent Assessments and Health System Tools for Resilience (FASTR).

FASTR englobe quatre approches techniques : (1) le suivi de l'utilisation des services du SRMNIA-N à l'aide des données du système d'information sur la gestion de la santé (SIGS), (2) des enquêtes téléphoniques à cycle rapide auprès des établissements de santé, (3) des enquêtes téléphoniques à haute fréquence auprès des ménages, et (4) des analyses de suivi. Cette documentation méthodologique se concentre spécifiquement sur la première approche : Le suivi de l'utilisation des services du SRMNIA-N

Suivi de l'utilisation des services du SRMNIA-N

Le GFF collabore avec les ministères de la santé pour effectuer des analyses de cycle rapide des données SIGS de routine. Cette approche répond à trois objectifs principaux :

  1. Évaluer la qualité des données aux niveaux national et sous-national afin d'identifier et de résoudre les problèmes d'exhaustivité, d'exactitude et de cohérence
  2. Suivre l'évolution de l'utilisation des services en mesurant les changements mensuels dans les volumes de services de santé prioritaires du SRMNIA-N
  3. Suivre les progrès de la couverture en comparant les tendances de la prestation de services avec les objectifs et les points de référence spécifiques au pays

Ces analyses se concentrent sur les indicateurs prioritaires liés aux réformes nationales en matière de santé et aux investissements de la Banque mondiale, et les résultats informent les processus de planification nationale et les cycles de mise en œuvre des projets. Pendant la pandémie de COVID-19, le GFF a aidé les ministères de la santé de plus de 20 pays à surveiller l'impact de la pandémie sur les services de santé essentiels en utilisant cette approche.

Étapes de mise en œuvre du SRMNIA-N

Figure 1. Étapes de la mise en œuvre du contrôle de l'utilisation des services du SRMNIA-N

Pourquoi l'analyse en cycle rapide ?

Les sources de données des systèmes de santé existants sont essentielles, mais elles présentent souvent des difficultés qui limitent leur utilisation. Les données du SIGS peuvent ne pas être analysées rapidement ou être perçues comme étant de trop mauvaise qualité pour être utilisées dans le cadre d'une prise de décision. Les enquêtes traditionnelles sur les ménages et les établissements exigent beaucoup de ressources et de temps, avec de longs délais entre la conception de l'enquête, la collecte des données et la disponibilité des résultats. Cela empêche les décideurs d'utiliser les données pour améliorer de manière significative les résultats en matière de santé. Pour combler cette lacune, le GFF aide les pays à développer et à utiliser des approches analytiques à cycle rapide.

Comment cela fonctionne-t-il ?

Les approches analytiques à cycle rapide fournissent des données opportunes, rigoureuses et prioritaires qui répondent aux priorités spécifiques de chaque pays et aux besoins en matière d'utilisation des données. Ce cycle continu d'analyse-apprentissage-renforcement-action vise à améliorer l'utilisation systématique des données pour la prise de décision en vue d'améliorer les résultats du SRMNIA-N.

Cadre analytique à cycle rapide FASTR

Figure 2. L'approche analytique à cycle rapide de la FASTR : Analyser, apprendre, renforcer, agir

Approches techniques

Les quatre approches techniques du FASTR, étayées par le renforcement des capacités et le soutien à l'utilisation des données, permettent aux pays d'utiliser l'analyse en cycle rapide pour renforcer les systèmes de soins de santé primaires et améliorer les résultats du SRMNIA-N grâce à l'analyse et à l'utilisation opportunes et fréquentes des données.

  1. L'analyse des données SIGS de routine permet d'évaluer la qualité des données, de quantifier les changements dans les volumes de services de santé prioritaires et de comparer les tendances de la couverture des services aux objectifs nationaux pour les indicateurs prioritaires du SRMNIA-N.

  2. Les enquêtes téléphoniques à cycle rapide sur les établissements de santé évaluent la performance des établissements de soins de santé primaires, surveillent la mise en œuvre des réformes, identifient l'impact des chocs et suivent les changements au fil du temps. L'enquête téléphonique est menée auprès d'un échantillon représentatif de SSP au cours de quatre contacts trimestriels par an.

  3. Les enquêtes téléphoniques à haute fréquence auprès des ménages fournissent un aperçu des comportements de recherche de soins, du renoncement aux soins, de la protection financière, de la couverture des services et de l'expérience des patients en matière de soins. Les enquêtes auprès des ménages sont actuellement réalisées en partenariat avec l'étude de mesure des niveaux de vie de la Banque mondiale.

  4. Les analyses de suivi utilisent des approches d'analyse des causes profondes et de recherche sur la mise en œuvre afin de mieux comprendre les problèmes mis en évidence par les analyses à cycle rapide (par exemple, expliquer les variations de performance au niveau du district, contextualiser l'impact des réformes des systèmes de santé, ou étudier les causes sous-jacentes des problèmes de qualité des données et des interruptions de la prestation de services).

Parmi les activités de renforcement des capacités, on peut citer le soutien à l'automatisation de l'extraction, du nettoyage et de l'analyse des données de routine, ainsi que le soutien à l'institutionnalisation des méthodes de collecte et d'analyse des données issues des enquêtes téléphoniques rapides. Le soutien à l'utilisation des données donne la priorité à l'intégration de l'analyse en cycle rapide dans les mécanismes existants d'examen des données et de retour d'information aux niveaux national et infranational, afin de renforcer l'utilisation systématique des données pour la prise de décision.

Analyse en cycle rapide FASTR

Figure 3. Analyse en cycle rapide dans le cadre de l'initiative FASTR (Frequent Assessments and System Tools for Resilience)

Acronymes et abréviations

Français English Définition
Programmes et organisations
EDS DHS Enquêtes démographiques et de santé
FASTR FASTR Évaluations fréquentes et outils du système de santé pour la résilience
GFF GFF Mécanisme de financement mondial
MICS MICS Enquêtes en grappes à indicateurs multiples
MS MoH Ministère de la santé
ONU UN Organisation des Nations Unies
Systèmes de données et sources
DHIS2 DHIS2 District Health Information Software 2
SIGS HMIS Système d'information de gestion de la santé
WPP WPP Perspectives de la population mondiale
Indicateurs et services de santé
CPN ANC Consultation prénatale
BCG BCG Bacillus Calmette-Guérin (vaccin contre la tuberculose)
VAR MCV Vaccin anti-rougeoleux
CE OPD Consultations externes
Penta Penta Vaccin pentavalent
SSP PHC Soins de santé primaires
SRMNIA-N RMNCAH-N Santé reproductive, maternelle, néonatale, infantile et adolescente et nutrition
AA SBA Accouchement assisté
Termes techniques et statistiques
EQD DQA Évaluation de la qualité des données
EAM MAD Écart absolu médian
Géographique
PRFI LMIC Pays à revenu faible et intermédiaire
ASS SSA Afrique subsaharienne

Utilisation des données du système d'information sur la gestion de la santé de routine dans les PRFM

Les données sur les établissements de santé collectées par le biais du système d'information sur la gestion de la santé (SIGS) constituent une source de données primaire pour évaluer la performance du secteur de la santé. Les données du SIGS sont largement utilisées à diverses fins, notamment pour l'examen du secteur de la santé, la planification et l'allocation des ressources, le suivi des programmes, l'amélioration de la qualité des soins de santé et l'établissement de rapports. Les ministères de la santé des pays à revenu faible et intermédiaire (PRFI) s'efforcent d'assurer un accès équitable à des services de santé et à des soins de qualité en vue d'atteindre la couverture sanitaire universelle et d'autres stratégies nationales. Ces efforts peuvent être plus fructueux si la prise de décision à tous les niveaux du secteur est bien informée par des données opportunes, fiables et complètes recueillies par le biais d'un système d'information sanitaire bien établi. Des décisions judicieuses reposent sur des données fiables ; il est donc essentiel de veiller à ce que les données soient de bonne qualité.

Des données de mauvaise qualité ont un impact différent sur les différents niveaux du système de santé. Pour les gestionnaires de programmes, des données inexactes peuvent conduire à de mauvaises décisions qui nuisent aux opérations du programme et, en fin de compte, à la santé de la population. Au niveau de la planification, des données de mauvaise qualité peuvent fausser les preuves des progrès accomplis dans la réalisation des objectifs du secteur de la santé et entraver les processus de planification annuelle en fournissant des résultats trompeurs. En outre, lors de la détermination des investissements dans le secteur de la santé, des données de mauvaise qualité peuvent conduire à un mauvais ciblage des ressources. Bien que les données du SIGS soient essentielles à la solidité des systèmes de santé, des études menées en Afrique subsaharienne (ASS) ont fait état de problèmes liés à la qualité des données, notamment en ce qui concerne l'exhaustivité, l'actualité, l'exactitude et la cohérence (AbouZahr & Boerma, 2005 ; Mavimbe et al., 2005 ; Sychareun et al., 2014 ; Mutale et al., 2013 ; Amoakoh-Coleman et al., 2015 ; Gimbel et al., 2011 ; Teklegiorgis et al., 2016 ; Rowe, 2009 ; Belay & Lippeveld, 2013 ; Moukénet et al., 2021)1 2 3 4 5 6 7 8 9 10. Ces préoccupations concernant la qualité des informations de routine ont compromis leur utilisation dans la prise de décision au sein du secteur de la santé (Mutale et al., 2013 ; Belay & Lippeveld, 2013 ; Xiao et al., 2017 ; O'Hagan et al., 2017 ; Chen et al., 2014 ; Glèlè Ahanhanzo et al., 2014 ; Bhattacharya et al., 2019 ; Nshimyiryo et al., 2020 ; Ouedraogo et al., 2019 ; Endriyas et al., 2019 ; Mwangu, 2005 ; Rowe et al., 2009)4 9 11 12 13 14 15 16 17 18 19 20. Toutefois, ces dernières années, les pays ont considérablement amélioré la qualité des données du SIGS, qui a été renforcée par un système d'évaluation de la qualité des données, d'amélioration de la qualité des données et d'utilisation des données pour une prise de décision fondée sur des données probantes (Nisingizwe et al., 2014 ; Wagenaar et al., 2015 ; Mphatswe et al., 2012)21 22 23.

Définir la qualité des données

La définition de la qualité des données est complexe, et bien qu'il n'existe pas de définition unique de la qualité des données, quatre dimensions sont le plus souvent utilisées pour la décrire : l'exhaustivité, l'actualité, la cohérence et l'exactitude (World Health Organization, 2017)24.

Dimensions et évaluation de la qualité des données

Domaine de la qualité des données Que mesure-t-elle ? Comment est-elle évaluée ?
Exhaustivité Les données sont-elles toutes présentes ? Les informations disponibles sont-elles suffisantes pour prendre des décisions sur la santé de la population et pour cibler les ressources afin d'améliorer la couverture, l'efficacité et la qualité du système de santé ? • Évaluée en mesurant si toutes les unités censées faire un rapport le font effectivement (complétude des rapports)

• Évaluée en mesurant la complétude des données des indicateurs (pas de valeurs manquantes) ; elle diffère de la complétude globale des rapports en ce sens qu'elle examine la complétude d'éléments de données spécifiques et pas seulement la réception du formulaire de rapport mensuel (complétude des indicateurs)
Ponctualité Les données sont-elles régulièrement soumises dans les délais ? • Évaluée en mesurant si les unités qui ont soumis des rapports l'ont fait avant une date limite définie (ponctualité)
Cohérence Les données sont-elles plausibles au regard de ce qui a été rapporté précédemment ? • Les tendances sont évaluées afin de déterminer si les valeurs rapportées sont extrêmes par rapport à d'autres valeurs rapportées au cours de l'année ou sur plusieurs années (présence de valeurs aberrantes)

• Évaluer les tendances des indicateurs du programme afin de déterminer si les valeurs rapportées sont extrêmes par rapport à d'autres valeurs rapportées au cours de l'année ou sur plusieurs années (cohérence dans le temps)

• Évaluer les indicateurs du programme qui ont une relation prévisible afin de déterminer si la relation attendue existe entre ces 2 indicateurs (cohérence entre les indicateurs connexes)

• Évaluer le niveau de concordance entre deux sources de données mesurant le même indicateur de santé ; les deux sources de données habituellement comparées sont les données provenant du système d'information sur la santé et les données d'une enquête périodique auprès de la population (comparaison externe avec d'autres sources de données)

• Déterminer l'adéquation des données démographiques utilisées pour évaluer la performance des indicateurs de santé en comparant deux sources différentes d'estimations démographiques connexes pour vérifier leur concordance (cohérence des données démographiques)
Exactitude Les données reflètent-elles fidèlement le niveau réel de prestation de services dans l'établissement de santé ? • Évaluer l'exactitude des indicateurs sélectionnés en examinant les documents sources dans les établissements de santé et en les comparant aux rapports mensuels et aux valeurs SIGS (cohérence des données rapportées et des enregistrements originaux, facteur de vérification des données)

Approche FASTR de l'analyse des données de routine

L'approche FASTR de l'analyse des données de routine comporte trois volets :

  1. Identifier les problèmes de qualité des données
  2. Ajuster les problèmes de qualité des données pour améliorer la précision de l'analyse
  3. Analyser les données pour répondre aux questions politiques urgentes spécifiques au pays, y compris l'identification des changements dans les volumes de services prioritaires et les tendances dans la couverture des services par rapport aux priorités et aux objectifs du pays

Cette approche permet d'identifier les problèmes de qualité des données les plus prioritaires et de procéder aux ajustements analytiques nécessaires afin d'améliorer continuellement les données tout en menant les analyses appropriées. L'évaluation de la qualité des données est effectuée par indicateur et peut être désagrégée au niveau sous-national étant donné que les données au niveau de l'établissement sont utilisées pour l'analyse. Ceci est important pour générer des rapports réguliers et pertinents sur la qualité des données, le volume des services et les estimations de couverture qui fournissent un instantané continu de l'utilisation des services du SRMNIA-N.

Se concentrer sur un ensemble d'indicateurs de base

L'approche FASTR de l'analyse des données de routine se concentre sur un ensemble d'indicateurs SRMNIA-N qui caractérisent le continuum des soins de santé reproductive, maternelle et infantile, les domaines de santé prioritaires dans les PRFM. Ces indicateurs capturent les événements clés de la prestation de services, qui ont des taux d'exhaustivité plus élevés et un volume plus important. En outre, ces indicateurs servent d'indicateurs de substitution pour d'autres services et interventions fournis lors du même contact. En outre, les consultations externes (OPD) sont utilisées comme indicateur de l'utilisation générale des services de santé. Des indicateurs supplémentaires, spécifiques à un pays ou à un programme, peuvent être ajoutés à l'analyse pour répondre aux priorités nationales.

Se concentrer sur un ensemble de mesures de qualité des données de base

L'approche FASTR de l'analyse de routine des données se concentre sur un ensemble de mesures de base de la qualité des données, ce qui permet d'identifier les problèmes de qualité des données les plus prioritaires pour lesquels des ajustements de la qualité des données peuvent être effectués. En plus des mesures de base de la qualité des données, l'approche FASTR génère un score global de qualité des données qui combine les mesures de base en une seule mesure récapitulative.

Communication des résultats et utilisation des données

Pendant la pandémie de COVID-19, le GFF a aidé les ministères de la santé de plus de 20 pays à surveiller l'impact de la pandémie sur les services de santé essentiels.

D'autres résultats et rapports sont disponibles dans le Référentiel de ressources du FASTR.

Ce que couvre cette documentation

Cette documentation méthodologique décrit l'approche complète de la FASTR pour l'analyse de routine des données SIGS, de la planification initiale à la communication des résultats.

Planification et préparation

Modules d'analyse (plate-forme FASTR)

La plate-forme d'analyse FASTR comprend quatre modules automatisés :

  • Évaluation de la qualité des données - module 1 de la plateforme. Évaluation de la qualité des données SIGS par le biais de l'exhaustivité, de la détection des valeurs aberrantes et de la mesure de la cohérence
  • Ajustement de la qualité des données - module 2 de la plate-forme. Techniques pour améliorer la précision des données en ajustant les valeurs aberrantes et les rapports incomplets
  • Analyse de l'utilisation des services - module 3 de la plateforme. Analyse des schémas d'utilisation des services de santé pour détecter et quantifier les perturbations
  • Estimation de la couverture - module 4 de la plateforme. Méthodes d'estimation de la couverture des services et comparaison des tendances avec les objectifs nationaux

Références

Dernière mise à jour : 03-02-2026 Contact : Équipe du projet FASTR

  1. AbouZahr, C., & Boerma, T. (2005). Health information systems: The foundations of public health. Bulletin of the World Health Organization, 83(8), 578--583. ↩

  2. Mavimbe, J. C., Braa, J., & Bjune, G. (2005). Assessing immunization data quality from routine reports in Mozambique. BMC Public Health, 5, 108. https://doi.org/10.1186/1471-2458-5-108 ↩

  3. Sychareun, V., Hansana, V., Phengsavanh, A., Chaleunvong, K., Eunyoung, K., & Durham, J. (2014). Data verification at health centers and district health offices in Xiengkhouang and Houaphanh Provinces, Lao PDR. BMC Health Services Research, 14, 255. https://doi.org/10.1186/1472-6963-14-255 ↩

  4. Mutale, W. et al. (2013). Improving health information systems for decision making across five sub-Saharan African countries: Implementation strategies from the African Health Initiative. BMC Health Services Research, 13(2), S9. https://doi.org/10.1186/1472-6963-13-S2-S9 ↩↩

  5. Amoakoh-Coleman, M. et al. (2015). Completeness and accuracy of data transfer of routine maternal health services data in the greater Accra region. BMC Research Notes, 8, 114. https://doi.org/10.1186/s13104-015-1058-3 ↩

  6. Gimbel, S. et al. (2011). An assessment of routine primary care health information system data quality in Sofala Province, Mozambique. Population Health Metrics, 9, 12. https://doi.org/10.1186/1478-7954-9-12 ↩

  7. Teklegiorgis, K., Tadesse, K., Terefe, W., & Mirutse, G. (2016). Level of data quality from Health Management Information Systems in a resources limited setting and its associated factors, eastern Ethiopia. South African Journal of Information Management, 18(1), 1--8. https://doi.org/10.4102/sajim.v18i1.612 ↩

  8. Rowe, A. K. (2009). Potential of integrated continuous surveys and quality management to support monitoring, evaluation, and the scale-up of health interventions in developing countries. American Journal of Tropical Medicine and Hygiene, 80(6), 971. https://doi.org/10.4269/ajtmh.2009.80.971 ↩

  9. Belay, H., & Lippeveld, T. (2013). Inventory of PRISM framework and tools: Application of PRISM tools and interventions for strengthening routine health information system performance (Working Paper Series WP-13-138). MEASURE Evaluation, Carolina Population Center. https://www.measureevaluation.org/resources/publications/wp-13-138/at\_download/document ↩↩

  10. Moukénet, A. et al. (2021). Health management information system (HMIS) data quality and associated factors in Massaguet district, Chad. BMC Medical Informatics and Decision Making, 21(1), 326. https://doi.org/10.1186/s12911-021-01684-7 ↩

  11. Xiao, Y. et al. (2017). Challenges in data quality: The influence of data quality assessments on data availability and completeness in a voluntary medical male circumcision programme in Zimbabwe. BMJ Open, 7(1), e013562. ↩

  12. O'Hagan, R. et al. (2017). National assessment of data quality and associated systems-level factors in Malawi. Global Health Science and Practice, 5(3), 367--381. https://doi.org/10.9745/GHSP-D-17-00177 ↩

  13. Chen, H., Hailey, D., Wang, N., & Yu, P. (2014). A review of data quality assessment methods for public health information systems. International Journal of Environmental Research and Public Health, 11(5), 5170--5207. https://doi.org/10.3390/ijerph110505170 ↩

  14. Glèlè Ahanhanzo, Y., Ouedraogo, L. T., Kpozèhouen, A., Coppieters, Y., Makoutodé, M., & Wilmet-Dramaix, M. (2014). Factors associated with data quality in the routine health information system of Benin. Archives of Public Health, 72(1), 25. https://doi.org/10.1186/2049-3258-72-25 ↩

  15. Bhattacharya, A. A. et al. (2019). Quality of routine facility data for monitoring priority maternal and newborn indicators in DHIS2: A case study from Gombe State, Nigeria. PLoS ONE, 14(1), e0211265. https://doi.org/10.1371/journal.pone.0211265 ↩

  16. Nshimyiryo, A. et al. (2020). Health management information system (HMIS) data verification: A case study in four districts in Rwanda. PLoS ONE, 15(7), e0235823. https://doi.org/10.1371/journal.pone.0235823 ↩

  17. Ouedraogo, M. et al. (2019). A quality assessment of Health Management Information System (HMIS) data for maternal and child health in Jimma Zone, Ethiopia. PLoS ONE, 14(3), e0213600. https://doi.org/10.1371/journal.pone.0213600 ↩

  18. Endriyas, M. et al. (2019). Understanding performance data: Health management information system data accuracy in Southern Nations Nationalities and People's Region, Ethiopia. BMC Health Services Research, 19, 1--6. https://doi.org/10.1186/s12913-019-3991-7 ↩

  19. Mwangu, M. (2005). Quality of a routine data collection system for health: Case of Kinondoni district in the Dar es Salaam region, Tanzania. South African Journal of Information Management, 7(2). ↩

  20. Rowe, A. K., Kachur, S. P., Yoon, S. S., Lynch, M., Slutsker, L., & Steketee, R. W. (2009). Caution is required when using health facility-based data to evaluate the health impact of malaria control efforts in Africa. Malaria Journal, 8(1), 209. https://doi.org/10.1186/1475-2875-8-209 ↩

  21. Nisingizwe, M. P. et al. (2014). Toward utilization of data for program management and evaluation: Quality assessment of five years of health management information system data in Rwanda. Global Health Action, 7(1), 25829. https://doi.org/10.3402/gha.v7.25829 ↩

  22. Wagenaar, B. H., Sherr, K., Fernandes, Q., & Wagenaar, A. C. (2015). Using routine health information systems for well-designed health evaluations in low- and middle-income countries. Health Policy and Planning, czv029. https://doi.org/10.1093/heapol/czv029 ↩

  23. Mphatswe, W. et al. (2012). Improving public health information: A data quality intervention in KwaZulu-Natal, South Africa. Bulletin of the World Health Organization, 90(3), 176--182. https://doi.org/10.2471/blt.11.092759 ↩

  24. World Health Organization. (2017). Data quality assurance: A toolkit for facility data quality assessment: Module 1: Framework and metrics. World Health Organization. https://iris.who.int/bitstream/handle/10665/366086/9789240047358-eng.pdf?sequence=1 ↩