06-chap6.Rmd

# Articles n°3 et 4 - Etudes complémentaires : contributions à des travaux de modélisation liés à la transmission du paludisme {#complementary-studies}

Ce chapitre présente deux travaux complémentaires, auxquels nous avons contribué dans le cadre de la thèse, de modélisation du risque de transmission (article n°3) ou de la transmission à proprement parler (article n°4) du paludisme dans la zone d'étude de Diébougou. Ces deux études ont fait l'objet de publications scientifiques que nous résumons ci-après.

  <!-- , en précisant la contribution personnelle. -->

## Article n°3 - Modélisation de l'exposition humaine à la piqûre d'anophèle

#### Introduction à l'article 

Le risque de transmission résiduelle du paludisme, à savoir la probabilité de contact homme-vecteur, dépend du comportement d'une part anophélien - ses horaires et sites d'activités de recherche de repas de sang - et d'autre part humain - ses horaires d'utilisation des moustiquaires et habitudes nocturnes. Le contact se produit quand les humains ne sont pas protégés par les moustiquaires et que simultanément, les anophèles sont à la recherche d'un repas de sang. Aussi, avant de concevoir et déployer des mesures de LAV complémentaires aux MIILDA, il est important de mesurer le niveau de protection conféré par les moustiquaires (quantifier la transmission résiduelle) et de comprendre où (intérieur ou extérieur des habitations) et quand (à quels horaires de la nuit) les populations sont exposées à la piqûre (caractériser la transmission résiduelle). Cette connaissance permet d'élaborer des outils complémentaires de LAV efficaces, qui ciblent la part résiduelle de la transmission. L'étude présentée dans ce chapitre avait ainsi pour objectif de quantifier et caractériser le risque de transmission résiduelle du paludisme dans la zone d'étude de Diébougou, à l'aide des données de comportements humains et anophéliens et de modèles mathématiques éprouvés d'exposition à la piqûre. Cette étude a fait l'objet d'une publication scientifique, que nous résumons ci-dessous. Le texte intégral est disponible en annexe \@ref(full-article-soma) et à l'adresse suivante : <https://doi.org/10.1186/s12889-021-10304-y>.\

<!-- ***Contribution personnelle à l'article*** :  -->

```{r couv-art0, fig.cap="Couverture de la publication n°3", fig.scap="Couverture de la publication n°3", out.width="1\\linewidth", fig.align="center", echo=F}
knitr::include_graphics(path = "figure/article0_couverture.png")
```

### Résumé de l'article {#summary-article-1}

Cette étude avait pour objectif de caractériser et quantifier la transmission résiduelle dans la zone d'étude de Diébougou (avant la mise en place de l'intervention dans le cadre de l'ERC) : mesurer le taux de protection conféré par les MIILDA, caractériser les sites et horaires où la population humaine est exposée à la piqûre d'anophèle, mesurer l'hétérogénéité spatio-temporelle de l'exposition au sein de la zone.\

Nous avons utilisé une méthode permettant l'étude des intéractions comportementales entre les moustiques et les humains, décrite par @killeen_quantifying_2006 puis améliorée par @geissbuhler_interdependence_2007. Cette approche mathématique consiste à croiser des données de comportements nocturnes horaires des anophèles (densités agressives horaires à l'intérieur et à l'extérieur des habitations) et des personnes (horaires d'entrée et sortie des habitations, horaires de sommeil et utilisation ou non de moustiquaire). En sortie, les modèles procurent des informations sur l'exposition des humains aux piqûres d'anophèles, à chaque heure de la nuit. Nous avons ainsi utilisé les données horaires de comportement humain^[issues des enquêtes de comportement humain relatif à l'utilisation des moustiquaires et aux habitudes horaires nocturnes, voir annexe \@ref(humbehav-data)] et d'agressivité des anophèles collectées dans la zone de Diébougou en entrée de ce modèle mathématique. Nous avons stratifié l'étude par village, saison et classe d'âge de la population, afin d'affiner la connaissance sur les populations les plus à risque et les éventuelles hétérogénéités spatio-temporelles de l'exposition à la piqûre. Nous avons finalement judicieusement agrégé les sorties des modèles pour calculer les indicateurs de transmission résiduelle suivants : 

- efficacité moyenne réelle de la protection personnelle offerte par l'utilisation d'une MIILDA (proportion de l'exposition aux piqûres qui est évitée par l'utilisation d'une MIILDA),
- proportion de l'exposition se produisant à l'intérieur des habitations,
- proportion de l'exposition se produisant avant 20 h ou après 5 h, correspondant aux horaires respectivement précédant et succédant les périodes ou la majorité (> 50 %) des utilisateurs de MIILDA sont protégés.\

Le taux moyen déclaré d'utilisation des MIILDA était très élevé, quelle que soit la saison ou la tranche d'âge (minimum : 92.45% pour les + de 18 ans en saison sèche-chaude ; maximum : 100% pour les 0 à 5 ans en saison pluvieuse). Nous avons noté de légères variations dans les taux d'utilisation des MIILDA selon les saisons (taux légèrement inférieurs en saison sèche par rapport à la saison humide), les tranches d'âge (taux légèrement inférieurs chez les adultes par rapport aux enfants), et les villages.
Les populations humaines étaient exposées quasiment exclusivement à l'intérieur de leurs habitations (94 % de l'exposition se déroulait en intérieur); cependant, les MIILDA protégaient très efficacement de cette exposition (efficacité moyenne réelle comprise entre 80% et 85% selon les saisons). Le pic d'exposition résiduelle avait lieu à l'intérieur entre 5h et 6h du matin (33% à 57% de l'exposition résiduelle pour les utilisateurs de MIILDA), entre la sortie de l'espace de sommeil protégé par la moustiquaire et la sortie de l'habitation. Les piqûres précoces (avant 20h) représentaient moins de 12% de l'exposition résiduelle.\

```{r human-exposure-bf, fig.cap="Comportement horaire humain et anophélien (A, B, C) et exposition humaine horaire aux piqûres des utilisateurs de MIILDA (D, E, F)", fig.scap="Comportement horaire humain et anophélien et exposition humaine horaire aux piqûres des utilisateurs de MIILDA", out.width=".9\\linewidth", fig.align="center", echo=F}
knitr::include_graphics(path = "figure/human_exposure_bf.png")
```

Cette étude a mis en évidence l'importance des MIILDA dans la lutte contre la transmission du paludisme dans la zone de Diébougou. Elle a notamment montré que les populations les plus à risque (enfants de moins de 5 ans) étaient aussi les plus protégées. Les taux déclarés d'utilisation des MIILDA étaient supérieurs à ceux rapportés par l'OMS, ce qui pourrait être dû au fait que les enquêtes de comportement humain ont été effectuées peu de temps après la dernière distribution universelle de moustiquaires. L'exposition résiduelle à la piqûre d'anophèle s'effectuant en majorité à l'intérieur des habitations, les outils ou mesures de LAV complémentaires devraient cibler prioritairement les vecteurs endophages (mesures telles que peintures insecticides, fermeture des avant-toits, fermeture des plafonds, ou encore grillage/moustiquaires aux fenêtres).\

Dans la zone de Diébougou, les MIILDA protègent à priori considérablement des piqûres des vecteurs du paludisme. Cependant, les utilisateurs de moustiquaires restent exposés principalement à l'intérieur de leurs habitations, le matin. Aussi, la combinaison MIILDA + outil complémentaire de LAV visant les vecteurs endophages est probablement la plus efficace pour lutter contre la transmission résiduelle du paludisme dans cette zone.

## Article n°4 - Modélisation des dynamiques spatio-temporelles des cas de paludisme

#### Introduction à l'article 

Les travaux des chapitres 4 et 5 ont montré comment les images satellitaires et les modèles statistiques peuvent aider à comprendre et prédire les dynamiques entomologiques spatio-temporelles sur nos territoires d'étude ; ces éléments permettant d'optimiser la conception et le déploiement des outils de LAV. Mais ces mêmes outils peuvent également être utilisés en épidémiologie, pour expliquer ou prédire la distribution spatio-temporelle d'indicateurs épidémiologiques tels que la prévalence du paludisme. Une telle prédiction permet alors d'optimiser le déploiement de mesures de prévention, diagnostic et de traitement de la maladie. Dans cette dernière étude, nous avons étudié les dynamiques spatio-temporelles des cas de paludisme dans la zone de Diébougou. Nous montrons i) que la distribution spatiale des cas de paludisme est hétérogènes au sein du district sanitaire ; et ii) que nous pouvons y anticiper les pics épidémiques plusieurs semaines à l'avance grâce aux données satellitaires et aux modèles statistiques. Cette étude a fait l'objet d'une publication scientifique, que nous résumons ci-dessous. Le texte intégral est disponible en annexe \@ref(full-article-bationo) et à l'adresse suivante : <https://doi.org/10.1038/s41598-021-99457-9>.\

<!-- ***Contribution personnelle à l'article*** : -->

<!-- Nous avons appuyé l'auteur principal dans l'extraction des données satellitaires ou issues de modèles météorologiques développé les scripts R permettant d'extraire les  depuis les serveurs source où elles étaient stockées.  -->

```{r couv-art2, fig.cap="Couverture de la publication n°4", fig.scap="Couverture de la publication n°4", out.width="1\\linewidth", fig.align="center", echo=F}
knitr::include_graphics(path = "figure/article2_couverture.png")
```

### Résumé de l'article

Les objectifs de cette étude étaient i) d'étudier la dynamique spatiale de l'épidémiologie du paludisme dans la zone de Diébougou, en détectant d'éventuels 'points chauds' spatiaux de cas de paludisme et ii) de modéliser les dynamiques temporelles des cas de paludisme dans la zone d'étude en utilisant des données météorologiques satellitaires, afin d'appréhender la capacité à anticiper les épidémies de la maladie dans le district sanitaire.\

Les données hebdomadaires de cas de paludisme en 2016 et 2017 ont été collectées dans 13 centres de santé de la zone. Les points chauds spatiaux de cas de paludisme ont été détectés en utilisant des méthodes d'analyse statistique spatiale. Les cas reportés de paludisme ont été comparés à la distance euclidienne du village au centre de santé et à la densité agressive des vecteurs afin de tenter d'expliquer les différences observées entre les villages. Pour l'analyse temporelle, les données météorologiques ont été extraites de produits satellitaires ou issues de modèles météorologiques, disponibles à l'échelle mondiale. Ces données sont produites en routine par le Centre Européen pour les Prévisions Météorologiques à Moyen Terme. Deux variables statistiques synthétisant les données météorologiques à l'échelle hebdomadaire (*Synthetic Meteorological Indicator* ou SMI) ont été construites par analyse en composantes principales. Dans une première analyse bivariée, des modèles additifs généralisés (*Generalized Additive Model* ou GAM) ont été entrainés pour modéliser le nombre de cas de paludisme à l'échelle de la zone d'étude entière et au pas de temps hebdomadaire en fonction de chacune des deux variables météorologiques, utilisées tour à tour sur chacune des 30 semaines précédant les cas de paludisme à expliquer/prédire. Les variables dont les 'lags' temporels conduisaient à la plus petite erreur dans ces analyses bivariées ont ensuite été utilisées en tant que variables indépendantes dans un GAM mixte multivarié, entrainé sur les données d'une année entière. La capacité prédictive de ce modèle multivarié a finalement été évaluée en prédisant le nombre de cas de paludisme sur une période de 17 semaines non utilisées pour entrainer le modèle (correspondant au pic épidémique suivant, en 2017) et en évaluant graphiquement la superposition des courbes épidémiologiques observées et prédites par le modèle statistique.\

Nous avons observé que la distribution des cas de paludisme était hétérogène à l'échelle du district sanitaire, à la fois spatialement et temporellement. Quatre points chauds spatiaux ont été identifiés, regroupant chacun entre un et trois villages (figure \@ref(fig:map-malaria-cases)). La distribution spatiale des cas de paludisme n'était corrélée ni à la distance euclidienne au centre de santé, ni aux densités agressives des anophèles. Aussi, l'hétérogénéité spatiale de la densité des vecteurs n'explique à priori pas, dans cette zone, celle de la prévalence des cas. Pour l'accès aux centres de santé, des variables plus réalistes pourraient être testées (par exemple, distance réelle au centre, ou encore accessibilité pendant la saison pluvieuse). D'autres facteurs, restants à explorer, pourraient expliquer l'hétérogénéité spatiale des cas de paludisme dans notre zone (différences dans les niveaux d'éducation, revenus, activités profesionnelles, possession et utilisation des MIILDA, etc.).\

```{r map-malaria-cases, fig.cap="Distribution spatiale des cas de paludisme reportés dans les 27 villages de la zone de Diébougou pour l'année épidémique 2016-2017. Les cercles rouges représentent les point chauds", fig.scap="Distribution spatiale des cas de paludisme reportés dans les 27 villages de la zone de Diébougou pour l'année épidémique 2016-2017", out.width="0.9\\linewidth", fig.align="center", echo=F}
knitr::include_graphics(path = "figure/map_malaria_cases.png")
```

Au niveau temporel, un pic épidémique a été relevé entre les mois d'août et novembre 2016. Les SMI présentant les meilleurs capacités prédictives (c.a.d. les plus faibles erreurs) étaient situés respectivement 9 et 16 semaines avant les cas prédits, pour chacun des deux SMI. Le modèle multivarié généré avec ces deux SMI prédisait correctement le départ de la prochaine épidémie, 9 semaines à l'avance, avec cependant un décalage (retard) de 3 semaines environ sur la courbe épidémiologique prédite (figure \@ref(fig:prediction-malaria-cases)).\

```{r prediction-malaria-cases, fig.cap="Nombre cumulé de cas reportés (courbe noire) et prédits par le modèle statistique basé sur des données météorologiques (courbe orange) dans les 27 villages de la zone de Diébougou", fig.scap="Nombre cumulé de cas reportés et prédits par le modèle statistique basé sur des données météorologiques dans les 27 villages de la zone de Diébougou", out.width="1\\linewidth", fig.align="center", echo=F}
knitr::include_graphics(path = "figure/prediction_malaria_cases.png")
```

Cette étude a ainsi montré que la distribution spatio-temporelle des cas de paludisme était hétérogène à l'échelle du district sanitaire, justifiant ainsi de cibler les interventions de prévention, diagnostic, et traitement. Nous avons également montré qu'il est possible d'anticiper la prévalence du paludisme plusieurs semaines à l'avance dans la zone de Diébougou grâce aux données météorologiques issues des images satellitaires et aux modèles statistiques. Ces données et méthodes pourraient être utilisées pour mettre en place un système d'alerte précoce qui identifierait les zones (villages ou points chauds) et périodes prioritaires pour les campagnes de lutte contre le paludisme. Un tel système d'alerte précoce gagnerait à être alimenté en continu par les données épidémiologiques des centres de santé, afin d'améliorer les prédictions.