Analyse prédictive de la mortalité due au paludisme grave chez les enfants de moins de 5 ans en utilisant le modèle de bayes (cas des CUK, HGK et hopital st joseph)

UNIVERSITÉ DE KINSHASA
FACULTÉ DE MÉDECINE

KAMWINA KEBELA John

Licencié en Sciences Informatiques.

DIRECTEURS :

- Prof. Dr. MAPATANO MALA ALI. (ESP) -Prof. Dr. Jacques KAZADI N'DUBA (FASEG)

Adresse: [e-mail]

Année académique 2007-2008

ECOLE DE SANTE PUBLIQUE
Programme Économie de la Santé

ANALYSE PRÉDICTIVE DE LA MORTALITÉ DUE AU PALUDISME
GRAVE CHEZ LES ENFANTS DE MOINS DE 5 ANS EN UTILISANT
LE MODÈLE DE BAYES (Cas des CUK, HGK et H St Joseph).
Par

PLAN DE PRESENTATION

I. INTRODUCTION

II. METHODOLOGIE

III. RESULTATS

IV. DISCUSSION

V. CONCLUSION

VI. RECOMMANDATION.

I. INTRODUCTION. U Le paludisme est l'une des maladies les plus courantes et les plus graves du monde, potentiellement mortelle ; U Transmise à l'homme par un moustique : l'anophèle femelle; U Cette maladie constitue aujourd'hui un fléau pour lequel les nations du monde entier adoptent diverses stratégies pour le combattre.
UPour la moitié de la population mondiale, le paludisme constitue un énorme problème de santé publique, Uavec des ramifications sociales et économiques, alimentant le cycle de la pauvreté et freinant le développement ainsi que les investissements UChaque année, le paludisme est à l'origine de plus d'un million de décès et de 300 à 500 millions de cas cliniques.
U Sur le nombre de décès dus au paludisme, 90% surviennent en Afrique subsaharienne. U Tous les jours, environ 3000 personnes meurent du paludisme dans cette région, dont la plupart sont des enfants. UEn R.D.C, le paludisme figure parmi les principales causes de morbidité et de mortalité.
U A Kinshasa, les études menées en 2000 par le PNLP ont montré que 86% des cas reçus à la salle d'urgence pédiatrique de l'HGK étaient consécutifs à une anémie palustre. U Parmi les groupes à haut risque, on trouve les enfants de moins de 5 ans, les femmes enceintes, les voyageurs, les réfugiés, les personnes déplacées et les travailleurs arrivant dans des zones endémiques.
Le principe de base de prise en charge des personnes atteintes du paludisme veut que: Ucelle-ci soit précoce, Ucorrecte et Uavec des médicaments efficaces Tant au niveau de la communauté que des formations sanitaires et au niveau de tous les échelons de la pyramide sanitaire.
UNul n'ignore que l'incertitude est un compagnon permanent de l'activité médicale, UDans le quotidien du médecin, nombreuses sont les décisions qui doivent être prises malgré l'insuffisance des informations disponibles. ULes médecins expérimentés se distinguent par leur capacité à évaluer correctement, souvent de manière tout à fait intuitive, la probabilité de certaines maladies à l'aide de l'anamnèse, des symptômes et des signes cliniques.
Les inconvénients de la méthode intuitive sont: U une reproductibilité insuffisante, U la difficulté de la transmission didactique, U et surtout la fiabilité incertaine de notre mémoire. Nous mémorisons en effet mieux les événements récemment vécus que d'autres plus anciens
U Ainsi nous avions montré dans ce travail comment l'application conséquente d'un concept mathématique simple permet un diagnostic plus rationnel. UDeux conditions préalables jouent un rôle prépondérant en matière de précision d'un diagnostic.
Il s'agit de: 1. la capacité d'évaluer la probabilité de la maladie présumée (prévalence ou probabilité avant test) 2. et la connaissance du potentiel de performance (sensibilité et spécificité) du test utilisé.
ULe théorème de Bayes exprime ces relations de manière reproductible sous la forme d'un principe mathématique. U D'où la mise en place d'un modèle mathématique de prédiction sera indispensable pour : v' permettre au corps médical de détecter rapidement les différents facteurs du paludisme grave chez les enfants de moins de 5 ans v' et prédire d'avance ceux qui peuvent arriver si le soin approprié n'est pas donné à l'enfant.
LJAinsi le modèle de Bayes nous aidera à mettre sur pied cet instrument de prédiction pour un bon diagnostic de détection rapide des cas de paludisme chez les enfants de moins de 5 ans. LJLe but de ce travail est de contribuer à l'amélioration de la prise en charge des enfants de moins de 5 ans souffrant du paludisme.
OBJECTIF 1.OBJECTIF GENERAL. Élaborer le modèle prédictif de la mortalité due au paludisme grave chez les enfants de moins de 5 ans.
2. OBJECTIFS SPECIFIQUES 1) Identifier les facteurs conduisant à la mortalité due au paludisme grave chez les enfants de moins de 5 ans aux cliniques universitaire de Kinshasa. 2) Déterminer l'impact de chaque facteur sur la mort de l'enfant qui a souffert du paludisme grave.			3) Estimer la probabilité de mourir d'un enfant soufrant du paludisme grave reçu aux cliniques universitaire de Kinshasa. 4) Proposer des recommandations pour maximiser la survie des enfants souffrants du paludisme grave aux cliniques universitaire de Kinshasa. 5) Proposer des recommandations au PNLP pour le meilleur diagnostic des enfants souffrants du paludisme grave.
II. METHODOLOGIE II.1. POPULATION D'ÉTUDE. Notre population d'étude est constituée des enfants de moins de 5 ans qui souffrent du paludisme grave II.2. TYPE D'ÉTUDE Il s'agit d'une étude transversale descriptive.				II.3. L'ECHANTILLONNAGE II.3.1. Unités statistiques Nos unités statistiques sont les enfants de moins de 5 ans qui souffrent du paludisme grave et les opinions des experts en pédiatrie. II.3.2. Taille de l'échantillon Cette étude porte sur 50 enfants de moins de 5 ans souffrant du paludisme grave et de l'opinion de 10 experts en pédiatrie.
II.4. TECHNIQUES DE COLLECTES DES DONNEES Dans notre étude, nous avions utilisé des données existantes et consulté les experts (Médecins spécialistes en pédiatrie, les infirmiers ayant fait au moins 5 ans dans le service de pédiatrie et les parents). Nous avions aussi utilisé le questionnaire écrit pour collecter les données réelles qui nous a permis à valider notre modèle de prédiction.
II.5. PLAN D'ANALYSE DES DONNEES. >Le masque de saisie de notre questionnaire d'enquête a été élaboré à l'aide du logiciel EPI DATA. > Après avoir saisie nos données sous Epi Data, nous avions exporté nos données sur l'SPSS 12.0 for Windows et sur Eviews 3.0. > Et pour la validation externe de notre modèle nous avions appliqué la régression logistique.

III. PRESENTATION DES

RESULTATS

III. 1. LA LISTE DES VARIABLES OU FACTEURS (SYMPTOMES) DU PALUDISME GRAVE.

Sur les 12 facteurs identifiés dans la fiche technique du PNLP, les experts
sélectionnés ont ajouté 6 autres facteurs. et les 18 facteurs sont :

1. l'incapacité de prendre le médicament par voie orale (F1),

2. l'incapacité de boire ou de téter (F2),

3. la difficulté de parler, de s'asseoir, de se tenir debout ou de marcher (F3),

4. le saignement au niveau des gencives, du nez ou de la peau (F4),

5. l'élimination d'urines en petite quantité et de couleur noire (F5),

6. le changement de comportement (F6),

7. la confusion ou la fatigue (F7),

8. la perte de conscience ou le coma (F8),

9. les convulsions (F9),

10. la jaunisse et/ou la pâleur (F10),

11. la respiration anormale ou inhabituelle ; les extrémités froides (F11),

12. les vomissements à répétition (F12),

13. la diarrhée (F13),

14. l'hypoglycémie (F14),

15.décérébration (F15),

16.absence de splénomégalie (F16), 17.hyperthermie (F17),

18.fièvre >=39 (F18).

Mais pour notre étude nous avions retenu les 12 facteurs qui se trouvent dans la fiche technique du PNLP

III.2. LA DETERMINATION DU QUOTIENT DE
PROBABILITE A PRIORI (QAPRI)

	EXP 1	EXP 2	EXP 3	EXP 4	EXP 5	EXP 6	MOY	MOY/20
Probabilité de mourir du palu grave P (M)	14	11	11	12	5	10	10,5	0,55
Probabilité de survivre du palu grave P (S)	6	9	9	8	15	10	9,5	0,45

P (M)= 0,55 et

P(S)= 1- P (M)= 1- 0,55 = 0,45

le QAPRI est obtenu par le rapport de la P(M) et la P(S).

P(M )

= = =

P(S) 0,45

0,5 5

1,2

QAPRI

III.3. . LA DÉTERMINATION DU RAPPORT DE
VRAISEMBLANCE (LIKELIHOOD RATIO).

LH FACTEUR/M						LH FACTEUR/S				RAPPORT= LHR
P F M a = / = = 4/20 0,2 1 1 ( ) P F M a ( ) = = = 2 / 3/ 20 0,1 5 2 P F M a = / = = 6/ 20 0,3 3 3 ( ) / = = = P F M a 1/20 0,05 4 4 ( ) / = = = P F M a 1/ 20 0,05 5 5 ( ) = / = = 4/20 0,2 P F M a 6 6 ( ) P F M a = / = = 6/20 0,3 7 7 ( ) = = = / 4/20 0,2 P F M a 8 8 ( ) P F M a = / = = 5 /20 0,2 5 ( ) 9 9 P F M a = / = = 8/20 0,4 10 10 ( ) = / = = 8/20 0,4 P F M a 11 11 ( ) = = = P F M a ( / ) 4/20 0,2 12 12						= / = = 3 /20 0,1 5 P F S b 1 1 ( ) P F S b ( ) = = = 2 / 3 / 20 0,1 5 2 P F S b = / = = 4/20 0,2 3 3 ( ) = / = = 0,2/20 0,0 1 P F S b 4 4 ( ) P F S b = / = = 1/20 0,05 5 5 ( ) P F S b ( ) = = = 6 / 6/ 20 0,3 6 P F S b = / = = 6/20 0,3 7 7 ( ) = / = = 3 /20 0,1 5 P F S b 8 8 ( ) P F S b = / = = 4/ 20 0,2 ( ) 9 9 P F S b = / = = 8/20 0,4 10 10 ( ) = / = = 7 /20 0,3 5 P F S b 11 11 ( ) = = = P F S b ( / ) 4/ 20 0,2 12 12				= = / 0 , 2 / 0 , 1 5 1 ,3 a b 1 1 a b = = / 0 , 1 5 / 0 ,1 5 1 2 2 = / = 0 , 3 / 0 , 2 1, 5 a b 3 3 = / = 0 , 05 / 0 , 0 1 5 a b 4 4 = / = 0 , 05 / 0 , 05 1 a b 5 5 = a b = 0 ,2 / 0 ,3 0 , 66 / 6 6 a b = / = 0 , 3 / 0 ,3 1 7 7 a b = = / 0 , 2 / 0 ,1 5 1 ,3 8 8 / = = a b 0 , 25 / 0 ,2 1 , 25 9 9 = = / 0 ,4 / 0 , 4 1 a b 10 10 = / = 0 ,4 / 0 ,3 5 1 ,1 4 a b 11 11 = / = 0 ,2 / 0 , 2 1 a b 12 12
									RAPPORT= LHR
LH FACTEUR / M					LH FACTEUR / S
P F M c = / = = 1 6/ 20 0,8 1 1 ( ) P( F 2/ M) = c2 = 1 7/ 20 = 0,8 5 P( F 3/ M)= c3 =1 4/ 20 = 0,7 P( F 4/ M)= c4 =1 9/ 20 = 0,95 P( F 5 / M)= c5 = 1 9/ 20 = 0,95 P( F 6 / M)= c6 =1 6/ 20 = 0,8 P( F 8/ M)= c8 =1 6/ 20 = 0,8 P( F 9 / M) = c9 =1 5/ 20 = 0,75 P F M c = 10 / = = 1 2/ 20 0,6 ( ) 10 P( F 1 1 / M) = c11 =1 2/ 20 = 0,6 12 = = = P F M c ( / ) 1 6/ 20 0,8 12					P( F 7 / M)= c7 =1 4/ 20 = 0,7 P F S d = 1 / 1 ( ) = = 1 7/20 0,85 P( F 2/S )= d2 =1 7/20 = 0,85 P( F 3/ S )= d3 = 1 6/20 = 0,80 P( F 4 / S )= d4 = 1 9,9/20 = 0,99 P( F 5/ S )= d5 =1 9/ 20 = 0,9 5 P( F 6/ S ) = d6 = 1 4/ 20 =0,70 P( F 7 / S )= d7 =1 4/20 = 0,70 P( F 8 /S )= d8 =1 7/ 20 = 0,8 5 P( F 9 /S )= d9 =1 6/20 = 0,80 10 = = = P F S d / 1 2/20 0,6 ( ) 10 P( F 1 1 / S) = d11 =1 3/20 =0,65 = = = P F S d ( / ) 1 6/20 0,80 12 12				c d = = / 0,8 0/ 0,8 5 0,94 1 1 c2 / d 2 = 0,8 5/ 0,8 5 = 1 c3 / d 3 = 0,7 / 0,8 = 0,8 7 5 c4 / d4 = 0,9 5/ 0,99 = 0,96 c5 / d 5 = 0,9 5/ 0,9 5 =1 c6 / d 6 = 0,8 / 0,7 0 =1,1 4 c7 / d7 = 0,7 / 0,7 0 = 1 c8 / d8 = 0,8 / 0,8 5 = 0,94 c9 / d9 = 0,7 5/ 0,8 0 = 0,93 7 c d = / = 0,6 / 0,6 1 10 10 c11 / d11 = 0,6 / 0,6 5 = 0,92 / 0,8 / 0,8 1 c d 12 12 = =
P	1 4,3 1		=	1 4,3 1			0,93 = 93%
	1+1 4,3 1			1 5,3 1

III.4. LA DÉTERMINATION DU QUOTIENT DE
PROBABILITÉ A POSTERIORI (QAPO)

III.4.1. QAPO avec tous les douze facteurs du paludisme grave présents.

×

P(M )

P( S)

P F M

( / ) P F M

( ) P F M

( ) ( )

/ P F M P F M

( )

1 2 / 3 4 / 12 /

QAPO = × × × × ×

P F S

( )

/ P F S

( )

/ P F S

( / ) P F M

( )

/ P F S

( )

/

2

1 3 12

4

QAPO = 1,3 × 1 × 1,5 × 5 × 1 × 0, 66 × 1× 1,3 × 1, 2 5 × 1× 1,1 4 × 1× 1, 2 =1 4,3 1

P	QAPO

1+ QAPO

III.4.2.QAPO avec tous les douze facteurs du paludisme grave absents.

P F M

( ) ( )

P F M

/ P F M

( )

/ P F M

( )

4 / P F M

( ) P M

( )

1 / 2 3 12 /

QAPO = ×

P F S P F S

( ) × P F S

( ) × P F S

( ) × × P F S

( ) ×

( / ) / / / / P ( S)

2

1 3 4 12

QAPO = 0,94 × 1 × 0,875 × 0,96 × 1 × 1,1 4 × 1 × 0,94 × 0,93 7 × 1 × 0,92 × 1 × 1,2 = 0,8 8

P	QAPO

1+ QAPO

P	0,8 8	=	0,8 8	0,46 8	?	47%
	1+0,8 8		1,8 8

III.4.3.QAPO avec les facteurs qui ont un impact positif sur la mortalité du paludisme grave chez l'enfant.

P F M ( ) / P F M ( ) P F M ( ) / P F M ( ) P F M ( ) P F M ( ) / 1 3 / 4 8 / 9 / 11 QAPO = × × × × × × P F S ( ) / P F S ( ) / P F S ( ) / P F S ( ) / P F S ( ) / P F S ( ) / 1 3 4 8 9 11

P( M) P( S)

QAPO = 1,3 × 1,5 × 5 × 1,3 × 1,25 × 1,1 4 × 1,2 = 2 1 , 67

P		QAPO
	=

1+ QAPO

2 1

2 1

67

67

,

,

P

=

22

67

67

,

,

0, 96 ? 96%

1+2 1

III.5. L'ÉVALUATION DU MODÈLE DE PRÉDICTION
DE BAYES.
III.5.1. La détermination du critère de discrimination (Cut
off Point= c.o.p.)

Probabilité	>0,5	<0,5	>0,5	<0,5	//////////////////////////////
	.a	.b	.c	.d	Se	Sp
0,1	27	3	0	0	1	0
0,2	27	3	0	0	1	0
0,3	27	3	0	0	1	0
0,4	22	1	4	3	0,85	0,75
0,5	24	1	2	3	0,92	0,75
0,6	15	0	12	3	0,56	1
0,7	12	0	15	3	0,44	1
0,8	1	0	26	3	0,04	1
0,9	1	0	26	3	0,04	1

III.5.2. La détermination du degré d'agrément intra
et inter experts.

Prédiction	14	11	11	12	5	10
Experts	EXP1	EXP2	EXP3	EXP4	EXP5	EXP6
EXP1
EXP2	0,63
EXP3	0,63	0,55
EXP4	0,65	0,58	0,58
EXP5	0,48	0,40	0,40	0,43
EXP6	0,60	0,53	0,53	0,55	0,38

Nous mesurons maintenant le degré d'agrément des experts en utilisant les statistiques KAPPA.

Partant du tableau des critères de discrimination, nous dégageons le tableau de contingence en fonction du critère de discrimination 0,5.

	+	-	Total
+	24	1	25
-	2	3	5
Total	26	4	30

b + d

1 + 3 4

b

= =

2 =

a+b+c+ d 30

30

a + b

a+b+c+d

0,1 3

+

24

25

=

1

=

=

30

0, 8 3

30

=

a₁

a

+ ca+b + c + d

a₂ = = 24+ 2 = 26 = 0,8 66 ? 0,8 7

30 30

c+d

a+b + c +d

2+3

5

b1

30

30

= = = 0,1 66 ? 0,1 7

27

3

P_o

=

=

=

30

30

24 +

0,90

a+b +c +d

a+d

1

Pe

P_e = a × b + a × b =

( 1 1 ) ( 2 2 ) ( 0, 83 × 0,1 7 ) + ( 0,8 7 × 0,1 3 ) = 0, 1411 + 0, 1131 = 0, 2 5

Po-Pe

0,90-0,2 5

= =

1-0,2 5

0,65

0,75

K

0,8 66 ? 0,8 7

>Comme K>0,75 c'est-à-dire l'agrément entre experts est parfait (très bon ou fort) et acceptable d'où Nous considérons ce groupe d'experts comme étant une seule personne.

> et donc, nous pouvons utiliser la moyenne arithmétique de leurs estimations comme une image d'agrément pour évaluer le modèle subjectif de Bayes.

III.5.3. La validation interne du modèle.

La performance du MSB par rapport au Consensus des

experts

Modèle Subjectif Bayésien (0,5)	Consensus Experts (>0,5 ou <0,5)
	/////////	M	S	Total
	M	24	1	25
	S	2	3	5
	Total	26	4	30

× 100 = 24

× 100= 0,92 × 100 = 92%

24+ 2

a

S_e

a+c

d

S p

%

b + d

3

×100 = 1 + ₃× 100 = 0, 7 5 × 100 = 75

V .E .G

a+b +c +d

a+d

× 100 = 24+3 × 100= 0,90 × 100=90%

30

+

a

d

.

VPP

VPN

Sur le plan interne, le modèle est performant

× 100 = ²⁴× 100 = 0, 9 6 × 100 = 96%

24 +1

100 = ³× 100= 0,60 × 100=60% 2 + 3

b

×

c+d

a

=

III.5.4. La validation externe du modèle

III.5.4.1. Caractéristiques générales de la population d'Étude.

Selon âge de l'enfant (en mois).
VOIR TABLEAU DIA SUIVANT

Age en Mois	Fréquence	Pour cent	Pourcentage valide	Pourcentage cumulé
Valide 2 3 4 5 6 7 9 12 15 16 20 23 24 30 36 42 48 58 59 T t l	2 1 1 1 3 2 3 8 1 1 1 1 4 2 4 3 1 2 9 ^50	4,0 2,0 2,0 2,0 6,0 4,0 6,0 16,0 2,0 2,0 2,0 2,0 8,0 4,0 8,0 6,0 2,0 4,0 18,0 ^1000	4,0 2,0 2,0 2,0 6,0 4,0 6,0 16,0 2,0 2,0 2,0 2,0 8,0 4,0 8,0 6,0 2,0 4,0 18,0 ^1000	4,0 6,0 8,0 10,0 16,0 20,0 26,0 42,0 44,0 46,0 48,0 50,0 58,0 62,0 70,0 76,0 78,0 82,0 100,0

Selon le sexe de l'Enfant

1=Masculin 2=Féminin		Fréquence	Pour cent	Pourcentage valide	Pourcentage cumulé
Valide 1
		23	46,0	46,0	46,0
	2
		27	54,0	54,0	100,0
	Total
		50	100,0	100,0

Enfants décédés et survécus du paludisme.

1= Décédé 2= survécu			Fréquence	Pour cent		Pourcentage valide	Pourcentage cumulé
Valide		1 2 Total	14 36 50	28,0 72,0 100,0		28,0 72,0 100,0	28,0 100,0
Comparaison des paramètres Se, Sp.,
	VPP, VPN
	CONSENSUS DES EXPERTS				MSB et CAS RÉEL			MSB et MRL
Se	92%				78,5%			70%
Sp	75%				75%			67,5%
VPP	76%				55%			35%
VPN	60%				90%			90%
V.E.G	90%				76%			68%
IV.DISCUSSION IV.1. La performance du MSB en comparaison avec les cas réels. Notre modèle prédit correctement le décès dans 78,5% de cas et prédit aussi correctement la survie dans 75% de cas c'està-dire le modèle nous permet de nous prononcer valablement sur la survie des enfants.
Notre modèle a une bonne performance, d'autant plus que la sensibilité, la spécificité et la valeur d'efficacités globales sont élevées. Les études réalisées en République Démocratique du Congo sur les statistiques de Bayes dans le domaine médical ont également démontré que ces modèles est aussi performant pour la prédiction des événements aléatoires.
IV.2. La performance du MSB en comparaison avec le MRL. Le MSB est jugé très performant avec la Sensibilité de 70% ; la spécificité de 67,5% ; la V.E.G de 68%. Nos résultats sont comparables à ceux de: > MUNYANGA au Zaïre (RDC) en 1993 avec la Se de 88% et Sp de 76% dans son étude de la « Prédiction du succès du programme des soins de santé primaires dans les zones de santé »
>De même MAPONDA, dans son étude sur « La Prédiction d'une intubation difficile » a trouvé la Sensibilité égale à 100% et la Spécificité à 91,7%. >LOSE a aussi trouvé dans son étude intitulée « La Prédiction de la létalité des enfants reçus en urgence aux Cliniques Universitaires de Kinshasa », la Sensibilité étant de 87% et la Spécificité de 95%.
V. CONCLUSION Notre étude avait comme objectif d'élaborer un modèle de la prédiction de la mortalité due au paludisme grave chez les enfants de moins de 5 ans. Partant de ces résultats, nous constatons que parmi les 12 facteurs du paludisme grave énumérés dans la fiche technique du PNLP, il y a des ces facteurs qui ne sont pas liés directement au paludisme grave.
Notre étude a retenu 6 facteurs comme les plus dangereux, dont la prise en charge rapide est vraiment souhaitée en cas du paludisme grave chez l'enfant. Ces facteurs sont: 1. le saignement au niveau des gencives, du nez ou de la peau (F4) avec RV de 5 2. la difficulté de parler, de s'asseoir, de se tenir debout ou de marcher (F3) avec RV de 1,5
3. l'incapacité de prendre le médicament par voie orale (F1) avec RV de 1,3 ; 4. la perte de conscience ou le coma (F8) avec RV de 1,3 ; 5. les convulsions (F9) avec RV de 1,25 6. la respiration anormale ou inhabituelle ; les extrémités froides (F11) avec RV de 1,14.
VI. RECOMMANDATION. A. RECOMMANDATIONS À L'ENDROIT DU GOUVERNEMENT. >Que ce modèle de Bayes soit utilisé pour toutes prises de décisions rationnelle, car ce modèle permet de prédire le succès ou l'échec d'une décision en subdivisant le problème en plusieurs autres, plus faciles à maîtriser; chaque élément peut ainsi être considéré isolément, sans qu'aucun facteur « confondant » ne vienne gêner son interprétation.
>Que ce modèle soit utilisé avant toute action car ce modèle rend explicite l'ensemble des données utilisées dans la décision et en particulier fait apparaître les secteurs où celles-ci sont défaillantes
B. RECOMMANDATIONS À L'ENDROIT DU PNLP. >Que ce modèle de Bayes soit exploité avant toutes signatures avec les bailleurs des fonds, car ce modèle permet d'expliciter tous les choix et leurs conséquences. >Développer un modèle de Bayes qui sert de base à une analyse coût/efficacité pouvant analyser l'impact éventuel de décisions sur la politique de santé, lorsqu'un essai prospectif ne peut être pratiqué pour des raisons de durée trop longue et de coût trop élevé.
C. RECOMMANDATION À L'ECOLE DE SANTÉ PUBLIQUE. >Que l'École de Santé Publique vulgarise ce modèle de prédiction de Bayes à tous les niveaux de prise de décision rationnelle du Ministère de la Santé Publique.
D. RECOMMANDATION AUX HÔPITAUX. >Utiliser le modèle de Bayes pour certaine prise de décisions cliniques car il permet d'inclure directement les préférences des patients dans le processus de décision médicale >Utiliser ce modèle de Bayes pour éviter des erreurs de logique, en particulier lors de l'interprétation des données du test diagnostique.
Utiliser ce modèle de Bayes car ^iipermet aux décideurs à considérer des options non prises en compte au départ, telles qu'un traitement symptomatique. fin