Extraction des données¶
Note: Le contenu de cette section s'appuie sur les documents de présentation existants du FASTR et est susceptible d'être révisé.
Vue d'ensemble¶
Cette section décrit la raison d'être, les exigences et les pratiques recommandées pour l'extraction des données sur la prestation des services de routine du DHIS2 en vue de leur utilisation dans le pipeline analytique de la FASTR.
Pourquoi extraire des données du DHIS2 ?¶
Ajustement de la qualité des données
L'approche FASTR donne la priorité à l'ajustement systématique de la qualité des données afin de permettre une utilisation plus rigoureuse des données de routine du DHIS2 et de générer des estimations analytiquement robustes et pertinentes pour les politiques. La méthodologie comprend des procédures standardisées pour :
- Identifier et corriger les valeurs aberrantes
- Ajuster les rapports incomplets
- Appliquer des mesures de qualité des données cohérentes entre les indicateurs et les établissements
Ces procédures nécessitent un traitement des données et des opérations statistiques qui ne peuvent être mis en œuvre dans l'environnement analytique natif de DHIS2.
Complexité de l'analyse
FASTR applique des méthodes analytiques - notamment des techniques de régression - qui vont au-delà de l'analyse descriptive des tendances disponible dans DHIS2. Alors que DHIS2 permet de visualiser les tendances brutes de la prestation de services, FASTR offre des capacités analytiques supplémentaires, notamment :
- L'identification d'augmentations ou de diminutions statistiquement significatives des volumes de services
- L'ajustement des limites de la qualité des données
- La prise en compte explicite des variations saisonnières attendues
- La comparaison de la prestation de services sur des périodes clés, par exemple avant et après des réformes politiques, des chocs ou des perturbations
Le choix entre l'utilisation exclusive des données analytiques du DHIS2 et l'application de l'approche FASTR doit être guidé par l'objectif analytique visé. L'approche FASTR est conçue pour les analyses qui nécessitent une plus grande rigueur statistique, une comparabilité dans le temps et une cohérence entre les différents niveaux géographiques.
Extraire des volumes, pas des pourcentages
Le pipeline FASTR exige des volumes bruts de services — le nombre réel d'événements déclarés par chaque établissement chaque mois (par exemple, « 152 enfants ont reçu Penta1 dans cet établissement en mars 2024 »). Il n'accepte pas de pourcentages, de proportions, de taux ou de chiffres de couverture pré-calculés.
Pourquoi cela compte :
- La détection des valeurs aberrantes repose sur l'ampleur. Un établissement déclarant 850 visites CPN1 alors que sa fourchette habituelle est de 100 à 200 est manifestement aberrant. Le même établissement déclarant « 92 % de couverture » ne nous apprend rien — le pourcentage est plafonné à 100, masque le volume sous-jacent et efface le signal qui sert à détecter les erreurs de déclaration.
- On peut additionner des volumes entre établissements ; pas des pourcentages. Pour obtenir un total régional ou national, la plateforme additionne les volumes des établissements. Faire une moyenne des pourcentages entre établissements de tailles différentes donne le mauvais résultat (un hôpital de 100 lits et un poste de santé de 5 lits pèseraient à parts égales).
- La plateforme construit elle-même le dénominateur. Le module Dénominateurs de couverture dérive la population cible (femmes enceintes, nourrissons, etc.) à partir des données SIGS, des enquêtes et des projections de l'ONU. Le module Estimations de couverture calcule ensuite la couverture comme
volume ÷ dénominateur. Si vous fournissez directement un % de couverture, il n'y a plus de volume à diviser ni de comparaison à faire. - L'ajustement impute des volumes. Les modules d'évaluation et d'ajustements de la qualité des données détectent les valeurs aberrantes au moyen de seuils statistiques sur les valeurs brutes et comblent les mois manquants par moyennes mobiles des volumes passés. Ces deux méthodes sont statistiquement dénuées de sens sur des pourcentages.
Que faut-il extraire : uniquement le numérateur — nombre de services rendus, doses administrées, visites enregistrées, décès déclarés, etc. La plateforme se charge de l'agrégation, de l'ajustement et du calcul de la couverture.
Pièges courants à éviter :
- Les « data elements » DHIS2 qui stockent directement la couverture en % (par exemple
Taux de couverture CPN1) — extraire plutôt le volume sous-jacent (par exempleVisites CPN1 — premier contact). - Les indicateurs pré-agrégés par mois ou par trimestre au niveau du district — extraire plutôt des lignes établissement-mois.
- Les indicateurs calculés comme « % d'enfants complètement vaccinés » — fournir séparément les composants sous-jacents (BCG, Penta1, Rougeole 1, etc.).
Quel est le format et la granularité requis ?¶
Les données doivent être extraites pour chaque indicateur d'intérêt, au niveau de l'établissement, et à un pas de temps mensuel pour la période d'analyse.
- Les données doivent être stockées au format long, avec une ligne par observation
- Les données doivent être enregistrées au format .csv
- Les données peuvent être stockées dans un seul fichier ou réparties dans plusieurs fichiers, qui peuvent être combinés lors du téléchargement vers la plateforme d'analyse
Pourquoi des données mensuelles au niveau de l'établissement ?
L'utilisation des données les plus granulaires disponibles permet une évaluation plus précise des modèles de déclaration et des problèmes de qualité des données. Les données mensuelles au niveau de l'établissement permettent un ajustement solide de l'exhaustivité de la déclaration, l'identification des anomalies spécifiques à l'établissement et l'estimation des tendances dans le temps tout en tenant compte des variations saisonnières. Ce niveau de granularité permet une mise en œuvre complète de la méthodologie FASTR.
Variables clés¶
L'ensemble de données extraites doit comprendre au minimum les variables suivantes :
| Élément | Description |
|---|---|
| Unités org. | Identifiant de l'unité organisationnelle |
| Période | Période de l'observation |
| Nom de l'indicateur | Nom de l'indicateur |
| Total / compte | Valeur agrégée de l'indicateur |
Termes de l'unité organisationnelle
| Terme | Description |
|---|---|
orgunitlevel1 | Niveau administratif le plus élevé (par exemple, pays) |
orgunitlevel2 | Niveau administratif intermédiaire (par exemple, état ou province) |
orgunitlevel3 | District ou équivalent |
orgunitlevel4 | Sous-district ou établissement de santé |
orgunitlevel5 | Unité ou département au sein d'un établissement |
organisationunitid | Identifiant DHIS2 unique pour l'unité organisationnelle |
organisationunitname | Nom de l'unité organisationnelle |
organisationunitcode | Code normalisé de l'unité organisationnelle |
organisationunitdescription | Description de l'unité organisationnelle |
Termes de la période
| Terme | Description |
|---|---|
periodid | Identifiant unique pour la période de déclaration |
periodname | Libellé de la période lisible (par exemple, janvier 2024, T1 2024) |
periodcode | Code de période normalisé (par exemple, 202401) |
perioddescription | Description incluant les dates de début et de fin de la période |
Termes de l'élément de données
| Terme | Description |
|---|---|
dataid | Identifiant unique de l'élément de données |
dataname | Nom de l'élément de données |
datacode | Code normalisé de l'élément de données |
datadescription | Description de l'élément de données |
Autres termes
| Terme | Description |
|---|---|
total | Valeur agrégée de l'élément de données par unité organisationnelle et période |
date_downloaded | Date d'extraction des données, pour audit et contrôle de version |
Combien de données ?¶
Analyse FASTR initiale
Pour la mise en œuvre initiale, il est généralement recommandé d'extraire environ cinq ans de données historiques. La fenêtre temporelle appropriée doit être déterminée en fonction de :
- La disponibilité et l'exhaustivité des données
- La cohérence des définitions des indicateurs dans le temps
- Les caractéristiques du système national de données de routine
Une série chronologique pluriannuelle améliore la fiabilité de l'estimation des tendances et de la correction des variations saisonnières.
Mise à jour régulière de l'analyse FASTR
Pour les mises à jour de routine (par exemple, mise en œuvre trimestrielle) :
- Commencez par la base de données FASTR existante et extrayez les données pour les mois les plus récents non encore inclus (généralement une période de trois mois)
- Extraire à nouveau les trois mois précédents pour tenir compte des déclarations tardives ou des révisions des données récentes
- Si l'on soupçonne des révisions substantielles des données historiques, envisager d'extraire à nouveau une période historique plus longue
Outils d'extraction de données¶
Le contenu de la documentation complète doit être développé.
Cette section couvrira : - Les options d'exportation des données DHIS2 - Les méthodes d'extraction basées sur l'API - Les exigences en matière de transformation des données - Les contrôles d'assurance qualité des données extraites
Importer les données dans la plateforme FASTR¶
Le Data Downloader décrit ci-dessus produit des fichiers. Sur une instance pays de la plateforme FASTR, les mêmes données sont tirées directement de DHIS2 par la plateforme elle-même, sans fichier intermédiaire. Trois choses doivent exister, dans cet ordre : une connexion DHIS2 enregistrée, une liste d'indicateurs, et une importation.
La connexion DHIS2¶
Un administrateur enregistre une connexion DHIS2 par instance, sur la page Données, carte Connexion DHIS2 : l'URL de DHIS2 et les identifiants d'un utilisateur DHIS2 qui peut lire les données et les métadonnées. La connexion est enregistrée chiffrée et sert à chaque recherche et à chaque importation ; personne ne retape d'identifiants.
La liste des indicateurs¶
Tous les indicateurs de l'instance vivent dans une seule table (Données → SNIS → Indicateurs). Chaque ligne a un ID de l'indicateur (lettres minuscules, chiffres et tirets bas, par exemple anc1), un libellé affiché sur les graphiques, et un type :
| Type | Ce que c'est | Comment il reçoit ses données |
|---|---|---|
| Élément DHIS2 | Un élément de données ou un indicateur DHIS2, avec au besoin une combinaison d'options de catégorie | Récupéré par une importation DHIS2 |
| Téléversé | Des valeurs fournies dans un fichier CSV | Téléversé sur la page Importations |
| Somme | La somme d'autres indicateurs | Calculé à partir de ses membres |
| Calculé | Une formule sur d'autres indicateurs et des chiffres de population | Calculé par le module Valeurs des indicateurs à la génération d'un paquet de résultats |
Les lignes marquées Spécial sont les indicateurs que les modules d'analyse lisent par leur ID (anc1, delivery, bcg, penta1 et les autres). On les remplit avec le bon code DHIS2 plutôt que de les recréer.
Pour ajouter des éléments DHIS2 : cliquez sur Ajouter depuis DHIS2, cherchez dans DHIS2 par nom ou par ID, cliquez sur Ajouter à côté de chaque élément, puis Suivant : nommer les indicateurs, donnez à chacun un ID et un libellé, et Enregistrer. Un sous-groupe, comme une tranche d'âge, s'ajoute depuis la ligne de combinaison d'options de catégorie de l'élément, pas depuis la ligne principale.
L'importation¶
Données → SNIS → Données → Importations a trois onglets, En cours, À venir et Historique, et le bouton Nouvelle importation DHIS2. L'assistant a quatre étapes :
- Indicateurs : cochez les indicateurs à récupérer. Les indicateurs calculés, sommes et téléversés ne sont pas récupérés, parce qu'une importation DHIS2 ne peut pas le faire ; l'assistant le signale.
- Heure : Maintenant, Une fois, à une heure donnée, ou Récurrente (chaque jour, semaine, mois ou tous les trois mois, avec une heure de début et un fuseau horaire). Une importation récurrente est ce qui garde une instance à jour sans que personne ait à y penser.
- Configuration : la plage de périodes, sous la forme d'une année et d'un mois de départ et d'un nombre de mois.
- Vérifier et lancer : la connexion, les indicateurs, la fenêtre et le nombre de paires (élément DHIS2, mois) à récupérer. Depuis la version 1.76, cette étape interroge aussi DHIS2 sur la sélection avant le lancement et avertit des ID qui pointent vers une formule DHIS2 plutôt qu'un élément de données, et des ID que DHIS2 ne connaît plus. Cliquez sur Lancer l'importation.
L'importation tourne sur le serveur. L'onglet En cours montre la progression, Historique garde le résultat, et l'importation conserve toutes les paires réussies même si certaines ont échoué. L'onglet Registre de la page Données SNIS liste, par indicateur, les mois qui ont des données, la dernière importation et les mois en échec, et permet de relancer seulement ceux-là.
Une importation change les données de l'instance, pas ce que voient les projets. Les projets lisent un paquet de résultats ; après une importation, un administrateur génère donc un nouveau paquet (Résultats → Générer un nouveau paquet de résultats) et l'épingle ou le rattache. La séquence importer, générer, épingler est la routine mensuelle d'une instance.
Dernière mise à jour : 06-05-2026 Contact : fastr@worldbank.org