| الوصف: |
Introduction Mettre en œuvre des strategies de lutte contre les maladies transmissibles necessite la comprehension des dynamiques epidemiques a une echelle geographique precise et des facteurs environnementaux associes. Dans cette etude de geo-epidemiologie, l’objectif etait de determiner les facteurs environnementaux associes a la dynamique du paludisme ainsi que les « hotspots », en fonction des periodes de risques differents, pour optimiser l’acces aux soins et aux mesures de prevention. Methodes L’etude s’est deroulee dans 27 villages (7408 habitants) du district sanitaire de Diebougou au sud-ouest du Burkina Faso (13 centres de sante). Une detection passive des cas en centres de sante a ete realisee de janvier 2016 a debut septembre 2017. Les donnees meteorologiques ont ete collectees par teledetection (ERA-5). Les clusters a haut risque ont ete detectes avec la methode de balayage de Kulldorf. L’incidence des cas de paludisme a ete modelise a l’aide d’un modele additif generalise mixte multi-niveaux (GAMM) (villages imbriques dans les centres de sante). Un champ gaussien et une structure AR 1 ont ete mis en œuvre pour prendre en compte les autocorrelations spatiale et temporelle. Les relations non-lineaires avec les facteurs meteorologiques ont ete modelisees a l’aide de fonctions splines. Des ratios standardises d’incidence (RSI) ont ete estimes par parties, sur la base des predicteurs non-lineaires. Enfin, ce modele a ete teste par prediction des cas sur 2016 et 2017. Resultats Au total, 3179 cas de paludisme ont ete enregistres correspondant a une incidence de 429,13 cas pour 1000 personnes-annee avec en moyenne 61,13 cas par semaine. Nous avons detecte 4 clusters a haut risque qui cumulent 1685 cas pour 1973 habitants soit un taux d’incidence moyen de 854,02 cas pour 1000 habitants-annee. Ces clusters etaient localises au sud et au centre de la zone d’etude. La modelisation GAMM a mis en evidence une variabilite des cas plus forte entre centres de sante (ecart-type Sd = 5,74) qu’entre les villages dependant d’un meme centre de sante (ecart-type Sd = 0,69). La relation entre le nombre de cas et les predicteurs associes aux precipitations etait positive et presque lineaire avec un RSI variant de 1,07 (IC95 % = [1,03–1,10]) a 1,14 (IC95 % = [1,14–1,16]). Pour les predicteurs associes aux temperatures, une relation positive non lineaire a ete estimee, avec une augmentation des cas uniquement pour les valeurs positives et un RSI d’abord constant puis augmentant, variant de 0,99 (IC95 % = [0,93–1,05]) a 1,37 (IC95 % = [1,36–1,37]). La distance des villages aux centres de sante n’etait pas associee aux cas de paludisme (p = 0,78). Le modele predisait ainsi avec un retard de trois semaines le demarrage du pic epidemique de l’annee suivante. Conclusion Dans cette etude nous avons pu montrer l’heterogeneite spatiale des cas et mis en evidence des hotspots de paludisme, meme a une echelle precise (village). Outre la mise en evidence de zone geographique plus touchees que d’autres, notre approche peut etre utilisee en routine pour identifier les zones ou les strategies de lutte doivent etre priorisees. |
