Estimations de la couverture¶

Contexte et objectif¶

Objectif du module¶

Le module Estimations de la couverture quantifie la couverture des services de santé en intégrant les volumes de services administratifs ajustés du Système d'information sur la gestion de la santé (SIGS), les projections démographiques des Perspectives de la population mondiale des Nations unies (UN WPP) et les données d'enquêtes auprès des ménages. Le module s'appuie actuellement sur les enquêtes démographiques et de santé (EDS) et les enquêtes en grappes à indicateurs multiples (MICS), mais il est conçu pour intégrer d'autres sources d'enquêtes représentatives au niveau national dès qu'elles seront disponibles. Le module estime la part de la population cible qui a bénéficié d'un service de santé donné, fournissant ainsi une mesure standardisée de la portée des services à des fins de suivi, de comparaison et d'analyse en aval. Le module est structuré en deux composantes.

La partie 1 construit les dénominateurs de la population cible en utilisant plusieurs approches méthodologiques et évalue leur performance en comparant les estimations de couverture obtenues avec les valeurs de référence des enquêtes disponibles pour chaque indicateur de santé.

La partie 2 permet aux utilisateurs de revoir et d'ajuster les choix de dénominateurs en fonction de considérations programmatiques et d'étendre dans le temps les estimations de couverture basées sur des enquêtes en utilisant les tendances dérivées des données administratives, lorsque les données d'enquête ne sont pas disponibles.

Ensemble, ces composantes convertissent les volumes de services administratifs en estimations de couverture standardisées qui peuvent être examinées dans le temps et à différents niveaux géographiques, et utilisées dans des contextes d'analyse et de suivi.

Raison d'être de l'analyse¶

La couverture des services de santé est une mesure essentielle pour évaluer la performance et l'équité du système de santé. Bien que le module 2 produise des volumes de services ajustés, ces chiffres n'indiquent pas à eux seuls dans quelle mesure les services atteignent les populations qu'ils sont censés desservir. Les estimations de la couverture placent la prestation de services dans son contexte en établissant un lien entre les volumes de services et les besoins de la population.

Ce module aborde les principaux défis liés à l'estimation de la couverture, notamment :

• Multiples sources de données : Intégration des données SIGS avec les données d'enquête

• L'incertitude du denominateur : Differentes methodes d'estimation des populations cibles peuvent donner des resultats differents ; le module evalue systematiquement les options

• Lacunes temporelles : Les enquêtes ont lieu tous les 3 à 5 ans ; le module projette des estimations pour les années intermédiaires en utilisant les tendances administratives

• Analyse infranationale : Permet le suivi de la couverture au niveau national, provincial et du district

Points clés¶

Partie 1 et partie 2 expliquées¶

Partie 1 : Calcul et sélection du dénominateur

• Calcule les populations cibles (dénominateurs) à l'aide de plusieurs approches : SIGS (à partir de CPN1, accouchement, BCG, Penta1) et population (UN WPP)

• Comparaison des estimations de couverture de chaque dénominateur avec les données de l'enquête

• Sélectionne automatiquement le "meilleur" dénominateur pour chaque indicateur en minimisant l'erreur

• Résultats : Ensembles de données sur les dénominateurs et résultats combinés montrant toutes les options

Partie 2 : Sélection du dénominateur et projection de l'enquête

• Permet aux utilisateurs d'ignorer les sélections automatiques et de choisir des dénominateurs spécifiques

• Calcul des tendances de couverture d'une année sur l'autre à partir des données administratives

• Projette les estimations de l'enquête vers l'avant en utilisant les tendances du SIGS pour combler les lacunes temporelles

• Résultats : Estimations finales de la couverture combinant les données du SIGS, de l'enquête et les valeurs projetées

Flux de travail analytique¶

Aperçu des étapes analytiques¶

Partie 1 : Calcul et sélection du dénominateur¶

Étape 1 : Chargement et préparation des sources de données Le module commence par le chargement de trois sources de données et la vérification de leur compatibilité. Les données SIGS sont agrégées des totaux mensuels aux totaux annuels. Les données d'enquête sont harmonisées (priorité aux EDS par rapport aux MICS) et complétées pour créer des séries temporelles continues. Les données sur la population sont filtrées en fonction du pays cible.

Étape 2 : Calculer les options de dénominateurs multiples Pour chaque indicateur de santé, le module calcule plusieurs populations cibles possibles :

• Dénominateurs basés sur les services : Utilisation des volumes SIGS divisés par la couverture de l'enquête (par exemple, si 10 000 femmes ont reçu des soins prénatals1 et que l'enquête indique que la couverture est de 80 %, le nombre estimé de grossesses est de 10 000/0,80 = 12 500)

• Dénominateurs basés sur la population : Utilisation des projections démographiques et des taux de natalité de l'ONU

• Chaque dénominateur est ajusté en fonction de facteurs démographiques (perte de grossesse, mortinatalité, taux de mortalité) pour correspondre au groupe d'âge cible de l'indicateur

Étape 3 : Calculer la couverture pour chaque dénominateur Le module calcule la couverture en divisant le volume de services par chaque option de dénominateur. Il en résulte plusieurs estimations de couverture par indicateur, chacune basée sur une hypothèse de population différente.

Étape 4 : Comparaison avec les données de référence de l'enquête Chaque estimation de couverture est comparée aux données de l'enquête en utilisant le calcul de l'erreur quadratique. L'enquête sert de référence puisqu'elle est basée sur un échantillonnage représentatif des ménages.

Étape 5 : Sélection du meilleur dénominateur Le dénominateur produisant l'erreur la plus faible (la plus proche de l'enquête) est automatiquement sélectionné comme "meilleur" La sélection donne la priorité aux dénominateurs basés sur le SIGS plutôt qu'aux projections démographiques afin de s'assurer que les données sont basées sur la prestation de services observée.

Étape 6 : Générer des résultats Le module enregistre les ensembles de données des dénominateurs pour la transparence et les fichiers de résultats combinés montrant la couverture de tous les dénominateurs plus la meilleure option sélectionnée.

Étape 7 : Répéter pour les niveaux sous-nationaux Si des données infranationales sont disponibles, le processus se répète pour les niveaux administratifs 2 (par exemple, les provinces) et 3 (par exemple, les districts), avec des mécanismes de repli pour gérer les données d'enquête locales manquantes.

Partie 2 : Sélection du dénominateur et projection de l'enquête¶

Étape 1 : Configuration par l'utilisateur Les utilisateurs examinent les résultats de la partie 1 et configurent la sélection des dénominateurs pour chaque indicateur. Les options comprennent l'utilisation de la "meilleure" sélection automatique ou l'utilisation d'un dénominateur spécifique basé sur la connaissance du programme.

Étape 2 : Filtrer sur les dénominateurs sélectionnés Le module filtre les résultats combinés de la partie 1 pour n'inclure que les dénominateurs sélectionnés par l'utilisateur, créant ainsi un ensemble de données ciblé pour l'analyse.

Étape 3 : Calculer les tendances de la couverture Les changements d'une année sur l'autre (deltas) dans la couverture basée sur le SIGS sont calculés. Cela permet de savoir si la couverture augmente, diminue ou est stable dans le temps.

Étape 4 : Identifier les données de référence de l'enquête Pour chaque zone géographique et chaque indicateur, l'observation la plus récente de l'enquête est identifiée comme le point d'ancrage de référence pour les projections.

Étape 5 : Projeter les estimations de l'enquête dans l'avenir Le module étend les estimations de la couverture de l'enquête aux années sans enquête en appliquant les tendances du système d'information sur les ménages. La projection utilise : La valeur de la dernière enquête + (couverture SIGS de l'année en cours - couverture SIGS de l'année de l'enquête). Cela permet de préserver le calibrage de l'enquête tout en incorporant les tendances observées.

Étape 6 : Combiner toutes les estimations Le résultat final fusionne trois types d'estimations :

• Couverture basée sur le SIMMT : Calcul direct à partir des volumes de services et des dénominateurs sélectionnés

• Valeurs originales de l'enquête : Observations réelles de l'enquête auprès des ménages

• Couverture projetée de l'enquête : Estimations de l'enquête étendues à l'aide des tendances du système d'information sur les ménages

Etape 7 : Sauvegarde des resultats finaux Les resultats sont sauvegardes avec des structures de colonnes standardisées pour chaque niveau administratif, prêts pour la visualisation et les rapports.

Diagramme de flux de travail¶

Points de décision clés¶

1. Sélection des dénominateurs

Dans la partie 1, le module sélectionne automatiquement les options de dénominateur en fonction de leur alignement sur les valeurs de référence disponibles pour l'enquête. Dans la partie 2, les utilisateurs peuvent revoir et remplacer ces sélections en fonction de leurs connaissances programmatiques ou de leurs priorités analytiques. Le choix du dénominateur détermine si les estimations de couverture sont principalement ancrées dans les modèles de prestation de services observés (dénominateurs basés sur le SIGS) ou dans les projections démographiques (dénominateurs basés sur la population).

2. Traitement des écarts entre les enquêtes

Les enquêtes auprès des ménages sont menées à intervalles irréguliers, généralement tous les trois à cinq ans. Dans la partie 1, les valeurs de l'enquête sont reportées entre les années d'enquête, ce qui suppose implicitement une couverture constante jusqu'à la prochaine observation de l'enquête. Dans la partie 2, la couverture est projetée vers l'avant en utilisant les tendances dérivées des données SIGS, ce qui permet de refléter les changements dans la prestation de services au cours des périodes sans données d'enquête.

3. Utilisation de données d'enquête nationales ou infranationales

Pour les indicateurs de vaccination uniquement, lorsque les estimations de l'enquête infranationale ne sont pas disponibles, le module applique les valeurs de l'enquête nationale aux unités infranationales comme solution de repli. Cette approche suppose que les taux de couverture vaccinale nationaux sont largement représentatifs au niveau infranational, ce qui n'est pas forcément le cas dans tous les contextes. Ce mécanisme de repli n'est pas appliqué à d'autres indicateurs, tels que les services de santé maternelle ou infantile, pour lesquels l'analyse infranationale nécessite des données d'enquête observées localement.

4. Ajustement des dénominateurs pour les populations cibles

Chaque indicateur de santé correspond à une population cible spécifique (par exemple, les femmes enceintes pour les soins prénatals ou les nourrissons pour la vaccination des enfants). Le module applique des ajustements démographiques séquentiels - tels que la perte de grossesse, la mortinatalité et la mortalité - afin d'aligner les dénominateurs sur la population cible pertinente pour chaque indicateur.

Traitement des données et résultats¶

Intégration des données

Le module intègre trois sources de données primaires : les volumes annualisés de services SIGS agrégés par unité géographique ; les estimations de la couverture de l'enquête sur les ménages harmonisées entre les cycles d'enquête et complétées pour créer des séries temporelles continues ; et les projections démographiques filtrées pour extraire les populations spécifiques à l'âge et au sexe pertinentes pour chaque indicateur de santé.

Construction du denominateur

En utilisant la relation entre les volumes de services SIGS déclarés et les estimations de couverture basées sur l'enquête, le module dérive des dénominateurs implicites SIGS représentant la taille de la population cohérente avec la prestation de services observée et les niveaux de couverture de l'enquête. Ces dénominateurs sont ensuite ajustés pour refléter les populations cibles spécifiques à l'indicateur par le biais de corrections démographiques séquentielles, y compris la perte de grossesse, la mortinatalité et la mortalité.

Calcul de la couverture

Les estimations de couverture multiples sont calculées en divisant les volumes de services par des options de dénominateur alternatives, y compris des approches basées sur la population, des approches implicites SIGS et des approches hybrides. Chaque estimation de couverture est évaluée par rapport aux valeurs de référence de l'enquête afin d'évaluer la plausibilité et d'informer la sélection du dénominateur pour chaque indicateur.

Projection temporelle

Pour les annees au-dela de l'observation la plus récente de l'enquête, les estimations de couverture sont projetées en combinant la dernière valeur observée de l'enquête avec les tendances dérivées des données SIGS.

Résultats de l'analyse et visualisation¶

L'analyse FASTR génère des visualisations d'estimations de couverture à plusieurs niveaux géographiques :

1. Couverture calculée à partir des données SIGS (national)

Tendances de la couverture au niveau national comparant les estimations dérivées du SIGS aux références de l'enquête.

2. Couverture calculée à partir des données SIGS (zone administrative 2)

Modèles de couverture à un niveau infranational intermédiaire (admin_area_2), mettant en évidence les variations géographiques dans la prestation de services entre les régions.

3. Couverture calculée à partir des données SIGS (zone administrative 3)

Estimations de la couverture à un niveau infranational plus fin (admin_area_3), permettant un suivi plus local et l'identification des disparités infranationales.

Guide d'interprétation

Pour tous les graphiques de couverture (sorties 1-3) :

• Ligne/points noirs : Couverture basée sur des enquêtes (EDS/MICS) - la norme de référence
• Ligne/points gris : Couverture basée sur le SIGS calculée à partir des données de l'établissement
• Ligne/points rouges : Ligne/points rouges** : Couverture projetée étendant les estimations de l'enquête en utilisant les tendances du SIGS
• Axe Y : Pourcentage de couverture (0-100%)
• Axe X : pourcentage de couverture (0-100%) Période (années)

Niveaux géographiques :

• Sortie 1 : Tendances au niveau national
• Sortie 2 : Ventilation de la zone administrative 2 (régionale/provinciale)
• Résultat 3 : Ventilation du domaine administratif 3 (district) pour le ciblage local

Référence détaillée¶

Partie 1 : Calcul du dénominateur (détails techniques)¶

Paramètres de configuration¶

Le module commence par plusieurs paramètres configurables qui contrôlent l'analyse :

COUNTRY_ISO3 <- "ISO3"                         # ISO3 country code (e.g., "RWA", "UGA", "ZMB")
SELECTED_COUNT_VARIABLE <- "count_final_both"  # Which adjusted count to use
ANALYSIS_LEVEL <- "NATIONAL_PLUS_AA2"          # Geographic scope

Options de niveau d'analyse:

• cODE_BLOCK_25__ : Analyse au niveau national uniquement
• cODE_BLOCK_26__ : National + zone administrative 2 (par exemple, provinces)
• cODE_BLOCK_27__ : National + zone administrative 2 + zone administrative 3 (par exemple, districts)

Taux d'ajustement démographique: cODE_BLOC_1__ : NATIONAL + ZONE ADMINISTRATIVE 2 + ZONE ADMINISTRATIVE 3 (PAR EXEMPLE, LES districtS)

Options de la variable de comptage:

• count_final_none : Aucun ajustement (données brutes déclarées)
• cODE_BLOCK_29__ : Ajustement des valeurs aberrantes uniquement
• cODE_BLOC_30__ : Ajustement de l'exhaustivité uniquement
• cODE_BLOC_31__ : Les deux ajustements (recommandé)

Sources des données d'entrée¶

La partie 1 intègre trois sources de données primaires :

1. Données ajustées SIGS (du module 2)

• Nationales : M2_adjusted_data_national.csv
• Sous-national : M2_adjusted_data_admin_area.csv
• Contient les volumes de services par indicateur, zone et période

2. Données d'enquête (EDS/MICS)

• Source : Dépôt GitHub (ensemble de données d'enquête unifiées) Dépôt GitHub (ensemble de données d'enquête unifiées)
• Fournit des repères de couverture pour la comparaison
• Les données de l'EDS sont privilégiées par rapport à celles des MICS lorsque les deux sont disponibles

3. Données sur la population (UN WPP)

• Source : GitHub Dépôt GitHub
• Fournit des dénominateurs basés sur la population
• Inclut la population totale, les naissances, les populations de moins de 1 an et de moins de 5 ans

Contexte de données supplémentaires:

Projections démographiques (UN WPP) Issues des Perspectives de la population mondiale des Nations unies, ces estimations fournissent des chiffres de population par âge et de population totale utilisés pour calculer les dénominateurs des estimations de couverture. Ces projections tiennent compte des tendances démographiques, notamment de la fécondité, de la mortalité et des migrations.

Données d'enquête - MICS Les MICS, menées par l'UNICEF, fournissent des estimations basées sur des enquêtes auprès des ménages pour les principaux indicateurs de santé, y compris la couverture des services de santé maternelle et infantile.

Données d'enquête - EDS Les EDS, menées par l'USAID, fournissent des données d'enquête sur l'utilisation des services de santé, y compris les taux de vaccination et la couverture des soins maternels.

Documentation sur les fonctions principales¶

admin_area_1  admin_area_2  year  countANC1  countdelivery  ...  nummonth
Country_Name  Province_A    2020  12500      10200          ...  12
Country_Name  Province_A    2021  13000      10500          ...  11

dénominateur_adjusted = dénominateur × (nummonth / 12)

Priority 1: Independent dénominateurs (non-reference, non-UNWPP) → lowest error
Priority 2: Reference-based dénominateurs (only if no independent available)
Priority 3: UNWPP dénominateurs (last resort fallback)

admin_area_1  year  indicateur_common_id  dénominateur_best_or_survey  value
Country_Name  2020  CPN1                 best                        85.3
Country_Name  2020  CPN1                 survey                      84.2
Country_Name  2020  CPN1                 d'anc1_pregnancy             85.3
Country_Name  2020  CPN1                 dwpp_pregnancy              82.1

Méthodes statistiques et algorithmes¶

na.locf(survey_value, na.rm = FALSE)

Year:   2015  2016  2017  2018  2019  2020
Raw:    85.3  NA    NA    NA    87.2  NA
Filled: 85.3  85.3  85.3  85.3  87.2  87.2

Cadre conceptuel : Cascades démographiques¶

Avant de présenter les formules spécifiques, il est important de comprendre le flux conceptuel des calculs des dénominateurs. Les dénominateurs sont dérivés d'ajustements démographiques séquentiels qui reflètent la cascade biologique de la grossesse aux populations cibles des services de santé spécifiques.

Exemple illustratif : De la grossesse à la population éligible au DTC

Considérons comment une estimation de 10 000 grossesses se traduit en population éligible à la vaccination DTC :

Starting point (pregnancies):           10,000
→ After pregnancy loss (3%):            10,000 × (1 - 0.03) = 9,700 deliveries
→ After twin adjustment (1.5% rate):    9,700 × (1 - 0.015/2) = 9,627 births
→ After stillbirths (2%):               9,627 × (1 - 0.02) = 9,435 live births
→ After neonatal deaths (3.9%):         9,435 × (1 - 0.039) = 9,067 DTC-eligible children

Cette cascade montre comment chaque facteur démographique réduit séquentiellement la taille de la population au fur et à mesure que l'on passe d'un stade de vie à l'autre. Les formules mathématiques détaillées dans les sections suivantes suivent la même logique, mais fonctionnent dans les deux sens :

• Cascade ascendante : En partant des indicateurs antérieurs (CPN1, accouchement) et en les ajustant en fonction des populations cibles ultérieures
• Cascade rétrospective : En partant d'indicateurs plus récents (BCG, Penta1) et en revenant en arrière pour estimer les populations plus anciennes

Les taux spécifiques et les formules pour chaque source de dénominateur sont détaillés ci-dessous.

Calculs du dénominateur basés sur le SIGS¶

Dénominateurs dérivés de l'CPN1

A partir du nombre de services CPN1 et de la couverture de l'enquête, nous calculons :

Grossesses estimées (calcul de base) :

Accouchements estimés (ajustés pour les pertes de grossesse) :

Naissances estimées (ajustées pour les naissances gémellaires) :

Naissances vivantes estimées (ajustées pour les mort-nés) :

Population éligible pour les vaccins DTC/Penta (ajusté pour la mortalité néonatale) :

Population éligible pour le MCV1 (ajusté pour la mortalité post-néonatale) :

Population éligible pour le MCV2 (ajusté pour la mortalité post-néonatale supplémentaire) :

Dénominateurs dérivés de l'accouchement

À partir du nombre de livraisons institutionnelles et de la couverture de l'enquête :

Naissances vivantes estimées (calcul de base) :

Naissances estimées (ajustées pour la mortinatalité) :

Grossesses estimées (ajustées pour les naissances gémellaires et les pertes de grossesse) :

Population éligible pour les vaccins DTC/Penta :

Population éligible pour le MCV1 :

Population éligible pour le MCV2 :

Note : Les dénominateurs dérivés du accouchement assisté par un personnel qualifié (SBA) suivent les mêmes formules que les dénominateurs d'accouchement.

Dénominateurs dérivés du BCG (analyse nationale uniquement)

À partir des chiffres de la vaccination BCG et de la couverture de l'enquête :

Naissances vivantes estimées (calcul de base) :

Grossesses estimées (en remontant les ajustements démographiques) :

Population éligible pour les vaccins DTC/Penta :

Dénominateurs dérivés de Penta1

À partir des chiffres de vaccination de Penta1 et de la couverture de l'enquête :

Population éligible pour les vaccins DTC/Penta (calcul de base) :

Population éligible pour le MCV1 :

Population éligible pour le MCV2 :

Dénominateurs dérivés du nombre de naissances vivantes

Lorsque les données sur les naissances vivantes sont directement déclarées dans le système SIGS :

Naissances vivantes estimées (calcul de base) :

Grossesses estimées (à rebours) :

Accouchements estimés :

Naissances estimées :

Population éligible pour les vaccins DTC/Penta :

Population éligible pour le MCV1 :

Population éligible pour le MCV2 :

Calculs du dénominateur basés sur le PPNU¶

Dénominateurs dérivés des PPNU (analyse nationale uniquement)

Au lieu d'utiliser les volumes de services, ces dénominateurs sont calculés directement à partir des projections de population et des taux démographiques :

Grossesses estimées (à partir du taux brut de natalité et de la population totale) :

Naissances vivantes estimées (à partir du taux brut de natalité) :

Population éligible pour les vaccins DTC/Penta (population de moins de 1 an) :

Population éligible pour le MCV1 (ajusté pour la mortalité néonatale) :

Population éligible pour le MCV2 (ajusté pour la mortalité post-néonatale) :

Ajustement pour les rapports incomplets:

Lorsque les données SIGS contiennent moins de 12 mois de données rapportées dans une année, tous les dénominateurs de l'UNWPP sont mis à l'échelle pour correspondre à la période de rapport :

Cet ajustement garantit que les dénominateurs sont comparables aux volumes de services qui peuvent ne représenter qu'une partie de l'année.

Dénominateurs dérivés des estimations de naissances vivantes (calculs secondaires)

Une fois que tous les dénominateurs primaires des naissances vivantes ont été calculés (à partir des CPN1, des accouchements, du BCG, du Penta1, du nombre de naissances vivantes et du WPP), le module génère des estimations supplémentaires de la population cible pour des interventions spécifiques en appliquant des ajustements de la mortalité en fonction de l'âge :

Enfants âgés de 6 à 59 mois (population cible pour la supplémentation en vitamine A)

Pour chaque source de dénominateur de naissances vivantes, le nombre estimé d'enfants âgés de 6 à 59 mois est calculé :

Où :

• source représente l'un des éléments suivants : CPN1, delivery, BCG, Penta1, livebirths ou wpp
• Le facteur 4,5 représente la durée approximative (en années) de la tranche d'âge cible pour la vitamine A (6-59 mois ≈ 4,5 ans)
• Le taux de mortalité des moins de 5 ans tient compte de la survie de l'enfant pour atteindre la tranche d'âge de 6 à 59 mois
• Résultat : Population estimée d'enfants âgés de 6 à 59 mois éligibles à une supplémentation en vitamine A

Nourrissons de moins de 12 mois (population cible d'enfants complètement vaccinés)

Pour chaque source de dénominateur de naissances vivantes, le nombre estimé de nourrissons de moins de 12 mois est calculé :

Où :

• source représente l'un des éléments suivants : CPN1, accouchement, BCG, Penta1, naissances vivantes ou wpp
• Le taux de mortalité infantile est ajusté pour tenir compte de la survie jusqu'à l'âge de 12 mois
• Résultat : Population estimée de nourrissons de moins d'un an pouvant bénéficier d'une évaluation complète de la vaccination

Ces estimations de la population cible sont calculées automatiquement pour tous les dénominateurs de naissances vivantes disponibles, ce qui garantit une méthodologie cohérente entre les différents indicateurs sources.

Étapes d'exécution du flux de travail¶

La partie 1 exécute le flux de travail suivant pour chaque niveau administratif (national, admin2, admin3) :

Étape 1 : Chargement et validation des données d'entrée

• Charger les données ajustées du module 2 du SIGS (fichiers nationaux et infranationaux)
• Charger les données d'enquête à partir du dépôt GitHub (ensemble de données EDS/MICS unifiées)
• Charger les données de population du WPP de l'ONU à partir du dépôt GitHub
• Valider la correspondance des codes ISO3 entre les ensembles de données
• Agréger les données mensuelles du SIGS en totaux annuels
• Harmoniser les données d'enquête (priorité à l'EDS par rapport à l'enquête MICS)
• Remplir les valeurs de l'enquête pour créer des séries temporelles continues

Étape 2 : Calculer les dénominateurs basés sur l'enquête SIGS

• Pour chaque indicateur de santé avec des données de couverture d'enquête :
• Calculer le dénominateur de base : count ÷ survey_couverture
• Appliquer les cascades démographiques pour dériver les dénominateurs correspondants
• Générer des dénominateurs à partir de tous les indicateurs sources disponibles (CPN1, accouchement, BCG, Penta1, naissances vivantes)

Étape 3 : Calculer les dénominateurs basés sur le WPP

• Extraire les projections démographiques pour le pays cible
• Calculer les estimations de grossesses à partir du taux brut de natalité
• Calculer les estimations de naissances vivantes
• Générer des dénominateurs pour la population de moins de 1 an
• Appliquer les ajustements de mortalité pour les populations éligibles à la vaccination
• Ajuster pour les périodes de déclaration incomplètes (mois déclarés < 12)

Étape 4 : Calcul des dénominateurs secondaires

• Pour chaque dénominateur *_livebirth :
• Calculer le dénominateur de la vitamine A : CODE_BLOC_113
• Calculer le dénominateur de la vaccination complète : CODE_BLOC_114

Étape 5 : Calculer les estimations de couverture

• Diviser le volume de services SIGS par chaque option de dénominateur
• Créer des estimations de couverture pour toutes les combinaisons indicateur-dénominateur
• Conserver la couverture basée sur l'enquête comme référence

Étape 6 : Sélectionner le meilleur dénominateur

• Pour chaque indicateur, comparer toutes les estimations de couverture basées sur le dénominateur aux données de l'enquête
• Calculer l'erreur quadratique : Σ(couverture_d,t - survey_t)²
• Sélectionner le dénominateur avec l'erreur minimale comme "meilleur"
• Appliquer les règles de préférence (préférer le SIGS au WPP)
• Marquer les dénominateurs comme "référence" s'ils proviennent du même service

Étape 7 : Formatage et enregistrement des résultats

• Sauvegarder les fichiers de dénominateurs avec les métadonnées de la source et de la cible
• Enregistrer les résultats combinés avec toutes les estimations de couverture
• Marquer le meilleur dénominateur pour faciliter le filtrage
• Inclure les valeurs de l'enquête dans les résultats
• Créer des fichiers séparés pour les niveaux national, admin2 et admin3
• Générer des fichiers vides avec la structure correcte pour les niveaux d'administration non disponibles

admin_area_1, [admin_area_2/3], year, dénominateur, source_indicateur, target_population, value

admin_area_1, admin_area_3, year, indicateur_common_id, dénominateur_best_or_survey, value

indicateur_common_id, dénominateur_national, dénominateur_admin2, dénominateur_admin3

Partie 2 : Sélection du dénominateur et projection de l'enquête (détails techniques)¶

But et objectifs¶

La partie 2 a trois objectifs principaux :

1. Sélection du dénominateur par l'utilisateur : Alors que la partie 1 sélectionne automatiquement le "meilleur" dénominateur en minimisant l'erreur par rapport aux données de l'enquête, la partie 2 permet aux utilisateurs d'outrepasser cette sélection et de choisir des dénominateurs spécifiques sur la base de leurs connaissances programmatiques ou de leurs priorités politiques

2. Analyse des tendances temporelles : Analyse des tendances temporelles** : calcule les changements d'une année sur l'autre (deltas) dans la couverture pour comprendre les tendances de la prestation de services au fil du temps

3. Projection de l'enquête : Projette les estimations de couverture basées sur l'enquête dans le temps en utilisant les tendances observées dans les données administratives (SIGS), en comblant les lacunes lorsque les données de l'enquête ne sont pas disponibles

Configuration de l'utilisateur¶

Les utilisateurs configurent la partie 2 à l'aide de deux ensembles de paramètres clés :

dénominateur_SELECTION <- list(
  # PREGNANCY-RELATED indicateurS
  CPN1 = "best",                    # Options: "best", "d'anc1_pregnancy", "ddelivery_pregnancy", "dBCG_pregnancy", "dlivebirths_pregnancy", "dwpp_pregnancy"
  CPN4 = "best",

  # LIVE BIRTH-RELATED indicateurS
  delivery = "best",                # Options: "best", "d'anc1_livebirth", "ddelivery_livebirth", "dBCG_livebirth", "dlivebirths_livebirth", "dwpp_livebirth"
  BCG = "best",
  sba = "best",
  pnc1_mother = "best",
  pnc1 = "best",

  # DTC-ELIGIBLE AGE GROUP indicateurS
  Penta1 = "best",                  # Options: "best", "d'anc1_DTC", "ddelivery_DTC", "dPenta1_DTC", "dBCG_DTC", "dlivebirths_DTC", "dwpp_DTC"
  Penta2 = "best",
  Penta3 = "best",
  VPO1 = "best",
  VPO2 = "best",
  VPO3 = "best",

  # rougeole-ELIGIBLE AGE GROUP indicateurS
  rougeole1 = "best",                # Options: "best", "d'anc1_rougeole1", "ddelivery_rougeole1", "dPenta1_rougeole1", "dBCG_rougeole1", "dlivebirths_rougeole1", "dwpp_rougeole1"
  rougeole2 = "best",

  # ADDITIONAL indicateurS
  vitaminA = "best",                # Options: "best", "d'anc1_vitaminA", "dBCG_vitaminA", "ddelivery_vitaminA", "dwpp_vitaminA"
  fully_immunized = "best"          # Options: "best", "d'anc1_fully_immunized", "dBCG_fully_immunized", "ddelivery_fully_immunized", "dwpp_fully_immunized"
)

RUN_NATIONAL <- TRUE  # Always TRUE - national analysis is mandatory
RUN_ADMIN2 <- TRUE    # Enable/disable admin level 2 analysis
RUN_ADMIN3 <- TRUE    # Enable/disable admin level 3 analysis

Fonctions et méthodes principales¶

couverture_deltas <- function(couverture_df, lag_n = 1, complete_years = TRUE)

project_survey_from_deltas <- function(deltas_df, survey_raw_long)

build_final_results <- function(couverture_df, proj_df, survey_raw_df = NULL)

Fonctions d'aide¶

Étapes d'exécution du flux de travail¶

La partie 2 exécute le flux de travail suivant pour chaque niveau administratif (national, admin2, admin3) :

Étape 1 : Chargement des données

• Charger les résultats combinés de la partie 1 pour tous les niveaux administratifs
• Vérifier quels niveaux administratifs disposent de données
• Extraire les données de l'enquête pour les utiliser comme base de projection
• Afficher des messages sur la disponibilité des données

Étape 2 : Pour chaque niveau d'administration

Sous-étape 1 : filtrer par sélection du dénominateur

• Appliquer les choix de dénominateur de l'utilisateur en utilisant filter_by_dénominateur_selection()
• Message : Nombre d'enregistrements sélectionnés

Sous-étape 2 : Calcul des deltas

• Calculer les changements de couverture d'une année sur l'autre en utilisant couverture_deltas()
• Crée des séries chronologiques complètes avec des lacunes comblées

Sous-étape 3 : projeter les valeurs de l'enquête

• Utiliser project_survey_from_deltas() pour étendre les estimations de l'enquête
• La base est ancrée dans l'enquête la plus récente
• Les projections utilisent les deltas cumulés des tendances SIGS

Sous-étape 4 : Construire les résultats finaux

• Combiner la couverture SIGS, les projections et les enquêtes initiales
• Calculer les estimations finales projetées à l'aide d'une formule additive
• Conserver toutes les métadonnées

Étape 3 : Normaliser et sauvegarder les résultats

• Définir les colonnes requises pour chaque niveau administratif
• S'assurer que toutes les colonnes requises existent (ajouter NA si elles sont manquantes)
• Ordonner les colonnes correctement
• Supprimer les colonnes inappropriées au niveau de l'administrateur
• Sauvegarder au format CSV avec l'encodage UTF-8
• Créer des fichiers vides pour les niveaux d'administration sans données

Spécifications de sortie¶

La partie 2 produit trois fichiers de sortie :

1. Sortie nationale : M5_couverture_estimation_national.csv¶

Colonnes :

• admin_area_1 : Nom du pays
• cODE_BLOCK_200__ : Année d'estimation
• cODE_BLOC_201__ : Code de l'indicateur standardisé
• cODE_BLOC_202__ : Source du dénominateur sélectionné
• cODE_BLOC_203__ : Couverture initiale basée sur l'enquête (NA pour les années sans enquête)
• cODE_BLOC_204__ : Projection de la couverture de l'enquête à l'aide des tendances SIGS
• cODE_BLOC_205__ : Estimation de la couverture basée sur le SIGS
• cODE_BLOC_206__ : Source de l'enquête (par exemple, "EDS 2018")
• survey_raw_source_detail : Détails supplémentaires sur la source

2. Résultats du niveau 2 de l'administration : M5_couverture_estimation_admin2.csv¶

Colonnes :

Identique à la colonne nationale, plus :

• admin_area_2 : Nom de la division administrative de deuxième niveau (par exemple, province, région)

3. Niveau administratif 3 Sortie : M5_couverture_estimation_admin3.csv¶

Colonnes :

• admin_area_1 : Nom du pays
• cODE_BLOC_212__ : Nom de la division administrative de troisième niveau (par exemple, district)
• cODE_BLOC_213__ : Année d'estimation
• cODE_BLOC_214__ : Code de l'indicateur standardisé
• cODE_BLOC_215__ : Source du dénominateur sélectionné
• cODE_BLOC_216__ : Couverture de l'enquête initiale
• cODE_BLOC_217__ : Couverture projetée de l'enquête
• cODE_BLOC_218__ : Couverture basée sur le SIGS
• cODE_BLOC_219__ : Source de l'enquête
• cODE_BLOC_220__ : Détails de la source

Considérations méthodologiques¶

Exemples de codes¶

# Set working directory
setwd("/path/to/module/directory")

# Load required libraries
library(dplyr)
library(tidyr)
library(zoo)
library(stringr)
library(purrr)

# Configure country
COUNTRY_ISO3 <- "KEN"  # Replace with your country code

# Use default analysis level (national + admin2)
ANALYSIS_LEVEL <- "NATIONAL_PLUS_AA2"

# Run Part 1
source("05_module_couverture_estimates_part1.R")

# Use country-specific mortality rates from EDS or other sources
PREGNANCY_LOSS_RATE <- 0.04      # Default: 0.03
TWIN_RATE <- 0.02                # Default: 0.015
STILLBIRTH_RATE <- 0.025         # Default: 0.02
P1_NMR <- 0.045                  # Default: 0.039
P2_PNMR <- 0.030                 # Default: 0.028
INFANT_MORTALITY_RATE <- 0.070   # Default: 0.063
UNDER5_MORTALITY_RATE <- 0.110   # Default: 0.103

# These parameters affect survival-adjusted dénominateurs
source("05_module_couverture_estimates_part1.R")

# Override automatic "best" selection for specific indicateurs
DENOM_CPN1 <- "d'anc1_pregnancy"      # Use CPN1-based dénominateur
DENOM_Penta3 <- "dwpp_DTC"           # Use WPP population estimate
DENOM_rougeole1 <- "best"             # Keep automatic selection

# Run Part 2
source("06_module_couverture_estimates_part2.R")

# Part 1: Run national level only (faster)
ANALYSIS_LEVEL <- "NATIONAL_ONLY"
source("05_module_couverture_estimates_part1.R")

# Part 2: Will automatically skip infranational levels
source("06_module_couverture_estimates_part2.R")

# Part 1: Include admin3 level
ANALYSIS_LEVEL <- "NATIONAL_PLUS_AA2_AA3"
source("05_module_couverture_estimates_part1.R")

# Part 2: Will process all available levels
source("06_module_couverture_estimates_part2.R")

# Load couverture outputs
couverture_national <- read.csv("M5_couverture_estimation_national.csv")
couverture_admin2 <- read.csv("M5_couverture_estimation_admin2.csv")

# Filter to specific indicateur
Penta3_national <- couverture_national %>%
  filter(indicateur_common_id == "Penta3")

# Compare SIGS-based and survey-projected couverture
couverture_comparison <- Penta3_national %>%
  select(year, couverture_cov, couverture_avgsurveyprojection, couverture_original_estimate) %>%
  mutate(
    SIGS_survey_gap = couverture_cov - couverture_avgsurveyprojection,
    data_source = case_when(
      !is.na(couverture_original_estimate) ~ "Survey",
      !is.na(couverture_avgsurveyprojection) ~ "Projected",
      TRUE ~ "SIGS only"
    )
  )

# Identify admin2 areas with couverture below threshold
low_couverture_areas <- couverture_admin2 %>%
  filter(indicateur_common_id == "Penta3", year == max(year)) %>%
  filter(couverture_avgsurveyprojection < 80) %>%
  arrange(couverture_avgsurveyprojection)

Notes d'utilisation¶

Dernière mise à jour : 17-01-2026 Contact : Équipe du projet FASTR