Menee conjointement par UAC et UP1, cette recherche explore la modélisation de la morbidité liée au paludisme à Tori-Bossito.
L'Essentiel : Menee conjointement par UAC et UP1, cette recherche explore la modélisation de la morbidité liée au paludisme à Tori-Bossito.
Bienvenue Kouwaye, chercheur·e au sein de SAMM (Université d’Abomey-Calavi = University of Abomey Calavi [Cotonou, Bénin]).
Thèse soutenue en 2018.
Cette recherche s'inscrit dans le cadre d'une cotutelle franco-béninoise, garantissant un ancrage simultané sur le terrain local et dans les standards académiques internationaux.
Contexte et Problématique
Le paludisme demeure une préoccupation majeure de santé publique, particulièrement en Afrique de l'Ouest, où il continue d'engendrer des taux élevés de morbidité et de mortalité. La région de Tori-Bossito, au Bénin, présente des caractéristiques environnementales variées qui influencent la densité des anophèles, vecteurs de la maladie. La compréhension des facteurs environnementaux qui affectent cette densité est indispensable pour prédire le risque d'exposition au paludisme et orienter les interventions de santé publique.
La recherche menée par Bienvenue Kouwaye se concentre sur l'identification des variables environnementales pertinentes pour modéliser le risque d'exposition au paludisme. Elle aborde ce problème sous l'angle de la sélection de variables et de la prédiction, en utilisant des approches statistiques modernes. L'objectif principal est de déterminer un sous-ensemble optimal de variables pouvant expliquer la variabilité de la densité anophélienne et de prédire efficacement le risque au niveau des villages et des maisons.
Méthodologie
La thèse adopte une approche méthodologique en deux parties pour aborder les défis posés par la modélisation du risque de paludisme. Dans la première partie, une méthode basée sur des modèles linéaires généralisés mixtes (GLMM) est mise en œuvre. Cette approche intègre une sélection de variables de type backward et prend en compte les effets aléatoires pour tenir compte de la structure hiérarchique des données. Cette méthode permet d'identifier un sous-ensemble optimal de variables pertinentes pour la prédiction du risque d'exposition au paludisme.
Cependant, les limitations de cette méthode, notamment les problèmes de convergence et les corrélations entre les données, ont conduit à l'exploration d'approches d'apprentissage automatique. Dans la seconde partie, une méthode combinant le modèle linéaire généralisé (GLM), le Lasso et une validation croisée stratifiée à deux niveaux est proposée. Cette méthode permet de générer automatiquement des interactions entre les variables et d'effectuer une sélection de variables plus robuste. Les variables ainsi sélectionnées sont ensuite débiaisées par le GLM pour améliorer la qualité des prédictions.
Résultats Principaux
Les résultats de cette recherche indiquent que des interactions significatives existent entre plusieurs variables environnementales et le risque de paludisme. Les facteurs identifiés comme les plus déterminants incluent la saison, la quantité moyenne de pluie, la densité de population et la végétation. L'application des algorithmes de sélection de variables a permis de surmonter les limitations des pré-traitements effectués par des experts, conduisant à une amélioration notable de la qualité des prédictions.
L'intégration de méthodes d'apprentissage automatique a également permis d'optimiser la sparsité du sous-ensemble de variables sélectionné. Les résultats montrent une diminution du temps de calcul CPU, ce qui renforce l'efficacité des méthodes statistiques appliquées. De plus, la validation croisée stratifiée à deux niveaux a permis de garantir la robustesse des prédictions en épidémiologie.
Discussion et Perspectives
La thèse de Bienvenue Kouwaye met en avant l'importance de l'apprentissage statistique dans la lutte contre le paludisme, en fournissant des outils méthodologiques adaptés à des contextes spécifiques comme celui de Tori-Bossito. En identifiant les interactions entre les variables environnementales et le risque de paludisme, cette recherche ouvre la voie à des interventions ciblées et fondées sur des données empiriques.
Les résultats obtenus soulignent la nécessité d'intégrer ces modèles dans les stratégies de santé publique existantes. L'application des techniques de modélisation avancée pourrait également être étendue à d'autres régions à risque, permettant ainsi de renforcer les efforts de prévention et de contrôle du paludisme. La collaboration entre chercheurs et décideurs est essentielle pour traduire ces résultats en actions concrètes sur le terrain, améliorant ainsi la capacité de réponse face à cette maladie persistante.
Les prochaines étapes de recherche pourraient explorer l'intégration d'autres types de données, telles que celles relatives aux comportements humains ou à d'autres facteurs environnementaux, afin d'enrichir encore les modèles prédictifs. Ces avancées pourraient contribuer à une meilleure compréhension des dynamiques du paludisme et à des interventions plus ciblées et efficaces.
Accéder à l'étude complète
Sources et accès
Bienvenue Kouwaye. Contributions de l'apprentissage statistique aux méthodes GLMM et LASSO: Application à la modélisation statistique de la morbidité liée au paludisme à Tori-Bossito (Bénin). Statistiques [math.ST]. Université d'Abomey-Calavi (Bénin), 2018. Français. ⟨NNT : ⟩. ⟨tel-01736933⟩