Cartier Philanthropy - Prédire les besoins pour mieux cibler les soins

Prédire les besoins pour mieux cibler les soins

15 Mar 2021

Est-il possible d’utiliser la modélisation de données pour exploiter les données collectées par les agents de santé communautaires et ainsi déterminer quels foyers pourraient nécessiter des soins d’urgence ? Living Goods le fait et cela marche.

Quand on parle de soins médicaux, l’on s’imagine généralement des cabinets de médecins ou des hôpitaux. Pourtant, dans la plupart des zones rurales du monde, ce sont les agents de santé communautaires (ASC) qui sont en première ligne pour prodiguer les soins.

Les ASC sont des membres clés des communautés dans lesquelles ils vivent et interviennent : ils parlent la même langue, partagent une culture commune et ont tissé des liens avec leurs membres. Ils sont donc des maillons essentiels entre leurs communautés et les systèmes de soins de santé primaires.

En Afrique, à quelques différences près selon les pays, les ASC pratiquent des soins de santé primaires variés : le conseil et l’orientation, le traitement de maladies non transmissibles chez l’adulte, la santé maternelle et infantile. Ils peuvent parfois proposer des prestations de planning familial, distribuer des médicaments et contribuer aux campagnes vaccinales. Dans le contexte actuel, ils sont aussi souvent chargés du dépistage du Covid-19.

Au Kenya et en Ouganda, Living Goods — une organisation à but non lucratif qui s’attache à mettre sur pied et à développer des systèmes de santé durables à l’échelle communautaire — soutient des réseaux d’ASC gouvernementaux pour qu’ils soient formés aux outils numériques, équipés, supervisés de manière efficace et équitablement rémunérés afin de prodiguer des soins primaires de qualité à domicile.

Aujourd’hui, ce réseau regroupe près de 8 500 ASC en Ouganda (dont ceux qui sont encadrés par notre partenaire BRAC) et plus de 3 090 ASC au Kenya. Ensemble, ils assurent la couverture médicale communautaire de plus de 8,5 millions de personnes.

L’efficacité de son réseau d’ASC étant désormais établie, Living Goods devait relever un nouveau défi : mesurer et optimiser l’efficacité et l’équité des services assurés. Les supports papier, bien qu’ils soient toujours utilisés dans les formations, ne sont adaptés ni à la prise de note lors des entretiens diagnostiques ni à la collecte de données. De plus, ils complexifient, ralentissent et entravent la standardisation et la continuité des soins. Il était donc devenu primordial d’améliorer le flux de travail des ASC afin de mieux les soutenir dans leur fonction.

En partenariat avec Medic - une organisation à but non lucratif qui se concentre sur le développement de logiciels open source au service des ASC -, Living Goods a créé Smart Health App, une application mobile qui permet de récolter des données en temps réel sur le terrain, de renforcer et d’automatiser le diagnostic et le suivi, et d’améliorer les performances. L’application Smart Health répertorie numériquement chaque consultation par un numéro de portable et des coordonnées GPS. Les superviseurs peuvent suivre les performances de leurs agents par les tableaux de bord ; quant aux ASC, ils peuvent optimiser leur emploi du temps en privilégiant les patients à haut risque grâce à des listes de tâches quotidiennes et des rappels.

Living Goods et Medic ont décidé d’aller plus loin et de déterminer si les interventions des ASC ciblaient bien, dans chacune des communautés, les foyers qui en avaient le plus besoin : l’équité des prestations de soins étant capitale. Pour la mesurer, les deux organisations ont intégré un outil d’équité à leur application afin d’évaluer et de catégoriser simplement, gratuitement et précisément les foyers en fonction de leur richesse et des données de référence nationales.

L’application Smart Health, lancée en 2015, a été constamment améliorée avec le temps pour assurer un impact toujours plus grand des paramètres sanitaires fondamentaux et identifier les populations les plus défavorisées. Living Goods a constitué sa propre équipe technique et développe à présent de nombreuses analyses en interne.

De plus, Living Goods et Medic ont recours à des algorithmes prédictifs pour mettre à profit le grand nombre de données récoltées par les ASC dans l’application, dont des informations plus récentes sur l’immunisation et le planning familial. Ces algorithmes s’appuient sur la modélisation des données pour identifier les foyers où les futures mères sont le plus à risque d’accoucher hors d’un établissement de santé et ceux qui comptent des nouveau-nés et des enfants de moins de cinq ans à risque et susceptibles de ne pas recevoir assez rapidement la visite d’un ASC.

« Nous avons utilisé différents indicateurs, dont le quintile de richesse, la distance entre les foyers et les établissements de santé, les signes de grossesse à risque et le nombre d’enfants afin de déterminer quels foyers pourraient nécessiter des soins d’urgence », explique Andrew Karlyn, Chief Impact Officer de Living Goods. « Nous avons ainsi pu réduire les facteurs de risque à trois indicateurs clés : la probabilité qu’un enfant tombe malade et reçoive des soins dans les 72 heures, la probabilité qu’un accouchement se déroule dans un établissement de soins et la probabilité qu’un nouveau-né présente des signes de complications. Nous cherchons à prédire quels enfants présentent le plus de risques afin d’avertir les ASC, qui peuvent ainsi se montrer proactifs en rendant visite et en surveillant les familles concernées.

« En matière de risques liés à la grossesse, nous cherchons à prédire quelles femmes ne pourront probablement pas accoucher dans un établissement de santé ainsi qu’à déterminer lesquelles sont les plus susceptibles d’avoir un enfant présentant des signes de complications. Nous avons développé des modèles prédictifs pour chacun de ces cas. »

La phase test a pris fin en novembre 2019. Elle aura permis de rassembler une importante somme d’informations sur l’utilisation optimale des modèles prédictifs et d’identifier plusieurs cas à risque. Living Goods s’attèle à mettre en pratique les leçons tirées de cette phase pilote : des chercheurs étudient désormais la possibilité d’exploiter les informations récoltées pour prédire les carences vaccinales.

Les autres article de la série Driven By Data:

#0Pourquoi la science des données est-elle nécessaire

#1: La puissance prédictive de l'apprentissage automatique

#2: Redonner une adresse aux réfugiés

#3: De la science du climat à la réalité du terrain

#4: Géographie de l’accès

#6: Des solutions scientifiques aux défis sociaux