En utilisant les données d’enquêtes nationales issues d’EDS et de MICS, une analyse des tendances peut servir à estimer le taux de réduction annuel moyen du retard de croissance (voir section 3.6). La même méthode peut être appliquée à d’autres indicateurs cibles.
Avec cette méthode, la PNIN peut répondre aux question suivantes :

• Quelle est la tendance actuelle de la réduction du retard de croissance ?
• La réduction du retard de croissance s’est-elle accélérée au cours de la période de mise en œuvre du dernier plan d’action multisectoriel pour la nutrition ?
• La tendance actuelle de la réduction du retard de croissance est-elle suffisante pour atteindre l’objectif ?

TAUX DE RÉDUCTION DU RETARD DE CROISSANCE ANNUEL MOYEN MONDIAL

(Source : EU Action Plan on Nutrition)
Cette analyse effectuée au niveau mondial montre que le taux de réduction annuel moyen actuel n’est pas suffisant pour atteindre l’objectif prévu pour 2025.

Il peut être très utile de faire une analyse des parties prenantes de l’ensemble du public concerné par la nutrition pour mieux comprendre quel acteur a quelle attitude envers le projet et quelle influence cette personne a.

Quelqu’un qui est très positif et influent pourrait devenir un champion pour le projet dans l’approche de communication, alors qu’une personne qui est largement négative au sujet de l’approche du projet, mais aussi influente, doit être gérée avec soin et la communication avec cette personne doit être axée sur le changement de son attitude, de négative à neutre.

Si une personne ayant une attitude négative est perçue comme ayant très peu ou pas d’influence, moins d’efforts doivent être faits pour communiquer avec elle.

Une cartographie des parties prenantes est généralement effectuée selon deux dimensions : le niveau d’intérêt pour le sujet/projet (négatif à positif) et le niveau d’influence ou de pouvoir que la partie prenante a dans la communauté cible (dans le cas de la PNIN, le système multisectoriel de la nutrition).

CARTOGRAPHIER LES PARTIES PRENANTES EN FONCTION DE LEUR NIVEAU D’INTÉRÊT ET D’INFLUENCE

Émissions de télévision

Émissions de radio

Campagne sur les médias sociaux

La visibilité d’une organisation, d’un projet ou d’une initiative spécifiques peut être créée en utilisant leur logo et en reconnaissant leur contribution dans les différents événements de communication qui sont organisés.

Par exemple, lors d’un événement de lancement de la PNIN dans un pays, le logo des organisations chargées de la mise en œuvre et des donateurs doit être affiché, et si disponible, le logo de la PNIN (soit le logo mondial de la PNIN, soit celui qui a été créé spécifiquement par la PNIN du pays).

Les pays PNIN qui reçoivent un financement de l’Union européenne sont invités à élaborer un plan de visibilité suivant les lignes directrices spécifiques de l’UE. La communication et la visibilité ne sont pas la même chose.

La communication et la visibilité ne sont pas la même chose. La communication concerne des messages spécifiques que l’on souhaite transmettre, pour réaliser des objectifs bien définis, atteindre des publics cibles spécifiques, en utilisant des canaux et des outils de communication appropriés. Un plan de communication est plus élaboré, mais il peut inclure un chapitre spécifique sur la façon dont il entend créer de la visibilité pour la PNIN.

La création d’une identité et d’une image de marque spécifiques pour la PNIN, incluant la conception d’un logo et l’utilisation de modèles/formats homogènes pour les rapports et les présentations, fait partie du plan de visibilité.

Les paramètres de 2017 du groupe consultatif d’experts techniques OMS-UNICEF (TEAM) sur le suivi de la nutrition sont utilisés ici comme référence.

• 2007 : L’UNICEF a produit la note technique 185 pour générer le TRAM de la prévalence de l’insuffisance pondérale.
• 2012 : Approbation des objectifs nutritionnels de l’AMS pour 2025.
• 2013 : La Commission européenne a élaboré le Plan d’action pour la nutrition de l’UE 2014-2020. En collaboration avec l’OMS, la Commission européenne a mis au point un outil Excel et une méthode pour générer le TRAM.
• 2013 : L’OMS a modifié l’outil Excel en utilisant la méthodologie décrite par De Onis et al. afin de développer l’outil de suivi des cibles mondiales de la nutrition (de Onis, G. Dewey, Borghi, W. Onyango, Blössner, Daelmans, Piwoz and Branca, 2013. The World Health Organization’s global target for reducing childhood stunting by 2025 : rationale and proposed actions).
• 2014 : Le Rapport mondial sur la nutrition (GNR) est publié, incluant l’estimation du TRAM à l’aide de la méthodologie décrite par De Onis et al. en 2013.
• 2015-2016 : Les GNR de 2015 et 2016 sont publiés à l’aide d’indicateurs de suivi des progrès différents de ceux du GNR 2014.
• 2017 : Le groupe consultatif d’experts techniques OMS-UNICEF sur le suivi de la nutrition a publié un rapport technique clé recommandant une méthodologie actualisée pour le suivi du TRAM.
• 2017 : La Commission européenne a publié une note méthodologique expliquant pourquoi elle maintient sa méthodologie initiale.
• 2017 : Le GNR 2017 est publié, entérinant les recommandations de juin 2017 du groupe consultatif d’experts techniques OMS-UNICEF sur le suivi de la nutrition.
• 2017 :L’outil de suivi version 2.3 de l’OMS produit une note technique assurant la cohérence avec les recommandations du groupe consultatif d’experts techniques OMS-UNICEF sur le suivi de la nutrition.

Special Note: there seem to be a missing data point in the example provided. The example to generate the AARR seems to be based on 8 data points (including 2005) while the table provides only 7 data points. When using the 7 data points, the coefficient equals -0.0669 (and not -0.06613) and AARR is still 6.4%.

Lien :
http://apps.who.int/nutrition/landscape/report.aspx

Principales caractéristiques du tableau de bord WHO NLiS :

• Sous-sections claires.
• L’année au cours de laquelle l’indicateur a été collecté est incluse.
• Lien direct vers la source d’information (utile pour les lecteurs en ligne, moins pour ceux qui consultent les tableaux de bord imprimés).
• Informations très claires sur la signification et l’interprétation de chaque indicateur (fenêtre pour cliquer).
• Une section sur les politiques et les programmes figurant dans la base de données GINA est incluse.

Contenu du tableau de bord WHO NLiS :

• Malnutrition chez les enfants
• Malnutrition chez les femmes
• Carences en vitamines et éléments minéraux
• Services de santé
• Sécurité alimentaire
• Pratiques de soins
• Engagement
• Capacité
• Méta-indicateurs
• Politiques et actions dans la base de données mondiale sur la mise en œuvre des actions en matière de nutrition (GINA)

EXEMPLE

Extrait du tableau de bord WHO NLiS du Guatemala

Lien :
http://countdown2030.org/country-and-regional-networks/country-profiles

Principales caractéristiques du tableau de bord national Countdown 2030 :

• Sous-sections claires.
• Présentation visuelle pratique avec une variété de couleurs, mais plutôt dense.
• Profil interactif en ligne avec un grand potentiel.
• Des représentations graphiques de l’équité très simples à interpréter sont incluses.
• Des liens vers les sources de données sont inclus.

Contenu du tableau de bord national Countdown 2030 :

• Données démographiques
• Couverture de la continuité des soins
• Équité
• Santé maternelle et du nourrisson
• Nutrition des femmes et des enfants
• Santé des enfants
• Politiques,système, financements
• Environnement

EXEMPLE

Extrait du tableau de bord Countdown 2030 de la République de Côte d’Ivoire

Lien :
https://globalnutritionreport.org/

Principales caractéristiques du tableau de bord du GNR :

• Sous-sections claires.
• Présentation visuelle pratique avec une variété de couleurs, mais plutôt dense.
• Certains graphiques sont difficiles à interpréter au premier abord.
• Les sources de données sont incluses.
• Des analyses des inégalités, définies par le quintile de richesse, sont incluses.
• Une section présentant les progrès réalisés relativement aux cibles mondiales en matière de nutrition est incluse.
• 2 pages au total pour les tableaux de bord nationaux.

Contenu du tableau de bord du GNR :

• Données économiques et démographiques
• Anthropométrie des enfants
• Statut nutritionnel des adolescents et des adultes
• Progrès réalisés relativement aux cibles mondiales en matière de nutrition
• Couverture des interventions et pratiques d’alimentation des enfants
• Causes sous-jacentes
• Ressources financières et dispositions politiques, juridiques et institutionnelles

EXEMPLE

Extrait du tableau de bord GNR de l’Ouganda

Lien :
http://poshan.ifpri.info/category/publications/district-nutrition-profiles/

Principales caractéristiques du tableau de bord POSHAN :

• Tableau de bord au niveau des districts.
• Sous-sections claires.
• Graphique à barres très clair et simple présentant la valeur moyenne du district et celle de l’État. L’un des problèmes qui se posent avec ce type de graphique à barres réside dans l’échelle, car il est difficile de comparer les indicateurs allant de 10 à 20 % avec ceux allant de 40 à 50 %.
• Les indicateurs ne présentant « aucune donnée » sont clairement visibles.
• Les sources de données sont incluses.
• Une section avec des « points de discussion possibles » est incluse.
• Page mentionnant les cause de la malnutrition et les sources d’information.
• 4 pages au total pour les tableaux de bord infranationaux.

Contenu du tableau de bord POSHAN :

• Demographic profile
• Profil démographique
• La situation de la nutrition
• Causes immédiates de la nutrition
• Couverture des interventions spécifiques à la nutrition
• Causes sous-jacentes et fondamentales de la nutrition Interventions qui affectent les causes fondamentales et sous-jacentes

EXEMPLE

Extrait du tableau de bord POSHAN du district de Bokaro

Lien :
https://scalingupnutrition.org/progress-impact/monitoring-evaluation-accountability-and-learning-meal/

Des tableaux de bord nationaux ont été élaborés pour les pays SUN. En outre des tableaux de bord infranationaux sont en cours d’élaboration, qui sont légèrement différents et ont pour but de comparer les données entre les districts.

Principales caractéristiques du tableau de bord SUN MEAL :

• Sous-sections claires qui correspondent directement à la théorie du changement du Mouvement SUN et sont conformes, à de nombreux égards, aux cadres de nutrition du Fonds des Nations Unies pour l’enfance (UNICEF) et du Lancet.
• Les indicateurs ne présentant « aucune donnée » sont clairement visibles (bien qu’ils ne soient pas présentés dans cet exemple).
• L’année la plus récente au cours de laquelle l’indicateur a été collecté est incluse.
• Les sources de données sont incluses.
• Un code de couleurs montre clairement les résultats en comparaison avec les résultats médians des autres pays (ou la valeur médiane nationale dans le cas d’un tableau de bord infranational).
• Les tableaux de bord infranationaux qui ne sont pas encore totalement finalisés présentent un codage de couleurs permettant de comparer les différentes régions.
• Un résumé narratif est inclus.
• Une page expliquant la classification des couleurs est incluse.
• 6 pages au total pour les tableaux de bord nationaux ; 8 pages pour les premières ébauches de tableaux de bord infranationaux (pas encore publiés).

Contenu du tableau de bord SUN MEAL :

• Environnement favorable
• Financement pour la nutrition
• Intervention et approvisionnement en aliments
• Législations adoptées
• Facteurs en faveur de la nutrition dans le cadre des Objectifs de développement durable (ODD)
• ANJE et apports alimentaires
• Statut nutritionnel
• ODD liés à la nutrition

EXEMPLE

Extrait du tableau de bord SUN MEAL du Burkina Faso

Les sous-divisions administratives diffèrent selon les pays. Pour les besoins de cet guide, les définitions suivantes sont adoptées :

• Le terme générique « région » correspond au « niveau administratif infranational de niveau N-1 », dans le cadre duquel un pays est généralement divisé en 10 à 20 sous-divisions.
• Le terme générique « district » correspond au « niveau administratif infranational de niveau N-2 », dans le cadre duquel un pays est généralement divisé en 30 à 100 sous-divisions.

Cette dénomination correspond à la situation existante dans la plupart des pays PNIN à l’exception de la Côte d’Ivoire,où ce que l’on appelle ici « région » correspond en fait à un « district » et vice-versa.

SOUS-DIVISIONS ADMINISTRATIVES DANS LES PAYS PNIN

L’objectif implicite de cette question est d’améliorer le ciblage de l’intervention.

Cet essai contrôlé aléatoire a mesuré l’impact d’une intervention conçue pour réduire le retard de croissance.
Entre 2010 et 2014, il a été observé que :

• le groupe témoin (sans intervention) a vu ses taux de retard de croissance augmenter de 68,2 % à 74,8 % ;
• les taux de retard de croissance du groupe d’intervention sont restés presque stables.

Résultats d’une analyse secondaire relative à un programme de nutrition-santé au Burundi

(Source: Leroy J.L., Olney D., Ruel M., 2016. Tubaramure, a Food-Assisted Integrated Health and Nutrition Program in Burundi, Increases Maternal and Child Hemoglobin Concentrations and Reduces Anemia: A Theory-Based Cluster-Randomized Controlled Intervention Trial. The Journal of Nutrition, 146(8), 1601-1608, https://doi.org/10.3945/jn.115.227462.)

• Ce n’est qu’en comparant le delta entre avant et après l’intervention pour le groupe témoin et le groupe d’intervention qu’une conclusion solide peut être tirée : l’intervention a réduit les taux de retard de croissance de 6,4 points de pourcentage (74,8-68,2) – (64,3-64,1 ).
• En l’absence de groupe témoin, les mesures « avant et après intervention » pour le groupe d’intervention pourraient être comparées, ce qui permettrait de conclure que l’intervention n’a eu aucun impact (augmentation de 0,2 pp).
• En l’absence de mesure de référence, les populations « avec et sans » intervention pourraient être comparées, ce qui permettrait de conclure que l’intervention a eu un impact très important (réduction de 10,5 pp).

Dans les deux derniers cas, une conclusion erronée a été tirée.

Les caractéristiques d’un facteur de confusion sont les suivantes :

• il est associé au résultat ;
• il est associé au facteur d’exposition auquel on s’intéresse ;
• il ne doit pas s’agir d’une étape intermédiaire dans le lien de causalité entre le facteur d’exposition auquel on s’intéresse et le résultat.

Exemple : Les investissements dans le programme A ont-ils réduit les taux d’anémie ?
Les facteurs susceptibles de fausser la conclusion concernant l’impact d’une intervention sur les taux d’anémie pourraient par exemple être les suivants :

• la coexistence d’un autre programme susceptible d’avoir un impact sur la réduction de l’anémie et ciblant les mêmes groupes de population ;
• la diminution de l’incidence du paludisme dans la zone d’intervention en raison de la diminution des précipitations lors de la mesure de référence.

Sans contrôle des facteurs de confusion lors de l’analyse de données, il n’est pas possible d’attribuer la réduction des taux d’anémie à l’intervention en matière de nutrition.

• Bien qu’il soit relativement facile de mesurer une association et de vérifier la temporalité, il est très difficile de contrôler tous les facteurs de confusion (connus et inconnus), car les données sur tous les facteurs de confusion ne sont souvent pas disponibles dans les enquêtes basées sur la population. Cela nécessite généralement un essai contrôlé randomisé dans un cadre de recherche afin de mesurer et de comparer les taux d’anémie et de nombreux facteurs de confusion potentiels entre le groupe d’intervention et un groupe témoin (non exposé à l’intervention), avant et après l’intervention.
• Les enquêtes nationales basées sur la population et les données de suivi de routine ne comportent généralement pas de groupe témoin.
• En l’absence de groupe témoin, essayer d’interpréter une association ou un lien de causalité peut conduire à des erreurs. Il existe un risque élevé de tirer des conclusions erronées : par exemple, une intervention en matière de nutrition peut être considérée comme ayant un impact sur l’anémie alors qu’en réalité, un facteur de confusion, et non l’intervention, a provoqué la modification des taux d’anémie.
  Les données issues de ce type d’enquête ne conviennent pas à l’analyse d’un lien de causalité et peuvent conduire à des décisions de politique incorrectes et erronées.

Cette analyse de l’équité des pratiques d’alimentation des enfants montre que certaines pratiques sont plus sensibles aux niveaux de revenu (diversité alimentaire minimale) que d’autres (initiation précoce).
L’analyse de l’équité est utile pour déterminer si les progrès réalisés profitent à tous, et en particulier aux plus vulnérables.
Si la plupart des progrès ne sont observés que dans les ménages à revenu élevé, cela suggère un problème de ciblage ou de conception des interventions.

PRATIQUES D’ALIMENTATION DU JEUNE ENFANT PAR QUINTILE DE RICHESSE DANS UN PAYS D’AFRIQUE

(Source: Global Nutrition Report)

Les suppléments de fer et d’acide folique sont fournis par les services de santé. Ces données combinées suggèrent que la plupart des districts ayant de faibles niveaux de suppléments de fer et d’acide folique ont également une faible couverture en visites de soins prénatals, ce qui suggère un problème d’accès aux services de santé.
Mais elles montrent également que bon nombre de districts ayant une bonne couverture des visites de soins prénatals ont toutefois une faible couverture en suppléments de fer et d’acide folique, ce qui suggère des problèmes de distribution.
Des recherches plus approfondies peuvent fournir des informations intéressantes sur ce qui est nécessaire pour améliorer la couverture de la supplémentation en fer et en acide folique.

COUVERTURE DES INTERVENTIONS

Source: POSHAN

Une analyse descriptive portant sur les disparités régionales montre que les trois régions à fort taux de retard de croissance présentent également un niveau élevé de pratiques de défécation en plein air.
Cela peut être un point de départ pour étudier plus en détail pourquoi la défécation en plein air est élevée dans ces trois régions et si d’autres causes affichent également des niveaux élevés.

TAUX DE RETARD DE CROISSANCE ET DE DÉFÉCATION EN PLEIN AIR PAR RÉGION

(Source: REACH, Example of Ghana MICS, 2011)

Un programme national d’assistance alimentaire est mis en place au Mexique depuis des décennies.
En 1994, une analyse descriptive des niveaux de revenu des bénéficiaires du programme a montré que celui-ci n’était pas très efficace pour cibler les ménages les plus pauvres.
Après la mise en œuvre de mesures actives, la même analyse a montré qu’en 2000 un bien plus grand nombre de bénéficiaires du programme correspondaient aux ménages dont le revenu était le plus bas.

INCIDENCE DU BÉNÉFICE DE L’ASSISTANCE SOCIALE AXÉE SUR L’ALIMENTATION PAR DÉCILE DE REVENU, 2014-2020

Source : Levy, S. (2006). Progress against Poverty. Sustaining Mexico’s POP Programme. Washington, DC : Brookings Institution Press.
Entre 1994 et 2000, le gouvernement du Mexique a amélioré le ciblage du programme d’assistance sociale axée sur l’alimentation :

• en 1994, moins de 10 % des bénéficiaires appartenaient au décile de revenu le plus bas ;
• en 2000, plus de 30 % des bénéficiaires appartenaient au décile de revenu le plus bas.

Ce diagramme de Venn montre la population touchée par une ou plusieurs formes de malnutrition.
Il est extrait du Global Nutrition Report, qui a analysé les données au niveau national.
Une analyse similaire peut être réalisée au niveau infranational pour montrer quelles régions sont affectées par quelles formes de malnutrition et quelles actions sont nécessaires.
Ce diagramme permet de mettre en évidence le double fardeau de la malnutrition.
La même figure avec le nombre réel d’enfants affectés par région peut indiquer où il est pertinent d’investir.

COEXISTANCE DES MULTIPLES FORMES DE MALNUTRITION DANS UN PAYS D’AFRIQUE

(Source: Global Nutrition Report)

1. Pourquoi un plan d’analyse des données ?
“Un plan d’analyse de données vous aide à réfléchir aux données que vous allez collecter, à leur utilisation et à leur analyse. La planification des analyses peut représenter un précieux investissement en temps» (Centres pour le contrôle et la prévention des maladies, 2013).
La méthode pour élaborer un plan d’analyse de données dans le contexte de la PNIN n’est pas très différente de la méthode utilisée dans un contexte de recherche.
Dans le contexte de la PNIN, le processus devrait être plus simple car :

• un cadre d’analyse de données est déjà généré (étape 3 du processus de formulation des questions) et constitue la base du plan d’analyse de données plus détaillé (après l’étape 4 du processus de formulation des questions) ;
• les méthodologies d’analyse de données sont décrites dans cette section, 3.4 pages 7 à 9 ;
• La PNIN concerne l’utilisation de données existantes, il ne s’agit pas de concevoir un protocole pour la collecte de nouvelles données.

La partie suivante décrit brièvement le contenu d’un plan d’analyse de données en se concentrant sur ce qui est un peu spécifique à la PNIN.

Recommandations générales :

• Ne paniquez pas !
• Utilisez les conseils et les expériences de collègues et d’experts.
• Contacter rapidement un expert si nécessaire.

Lectures recommandées :
Centers for Disease Control and Prevention (2013) Creating an analysis plan. Atlanta.
Simpson, S.H. Creating a data analysis plan: what to consider when choosing statistics for a study (2015).

2. Qu’est-ce qu’un plan d’analyse des données ?
Question principale

• et sous-questions
• Jeu(x) de données à utiliser
• Critères d’inclusion / d’exclusion
• Variables à utiliser pour l’analyse principale
• Méthodes statistiques et logiciels à utiliser
• Tableaux
  => Estimation du temps et des ressources nécessaires

3. Question principale et sous-questions
À ce stade, la question de politique (et, dans certains cas, ses sous-questions) est déjà bien définie (cette section, page 11).
Répondre à toutes les sous-questions fournira une réponse complète à la question principale.

4. Jeux de données à utiliser
Le ou les jeux de données nécessaires sont listés. Dans le contexte de la PNIN, il peut être nécessaire d’apporter une attention particulière à la gestion des données : comme le ou les jeux de données peuvent provenir de sources différentes et/ou peuvent ne pas avoir été conçus pour la question principale, il peut être nécessaire d’harmoniser / de compléter / de nettoyer le ou les jeux de données bruts.

• Les jeux de données sont-ils comparables ?
• Les indicateurs sont-ils harmonisés ?
• Est-il nécessaire de transformer les données pour l’analyse ?
  Pour répondre à ces questions, vous devez avoir accédé aux jeux de données en question.

5. Critères d’inclusion/exclusion
Dans cette partie, les sous-groupes de population, le périmètre géographique, la période… sont définis très précisément.
Vous devez également clarifier le niveau de qualité des données requis pour l’analyse.
En effet, en fonction de l’analyse, vous devrez être plus ou moins strict sur le niveau de qualité des données requis.
Ceci est détaillé dans la section 3.3 sur la qualité des données.

6. Variables à utiliser pour l’analyse principale
Dans cette partie, vous définissez précisément les variables / les indicateurs à utiliser dans l’analyse.
Par exemple, si vous analysez « l’obésité », vous devez préciser si vous vous référez à l’indice de masse corporelle (IMC) et si vous allez utiliser différentes catégories d’IMC, la moyenne ou les deux.
Dans le contexte de la PNIN, l’harmonisation de la définition des indicateurs entre les jeux de données sera importante.

7. Méthodes statistiques et logiciels à utiliser
Assurer la cohérence avec la partie 4 des notes d’orientation sur l’analyse de données.
De plus, pour ne fournir que des analyses incontestables (cette section, page 4), assurez-vous que la méthode statistique utilisée est cohérente avec les jeux de données disponibles et avec la qualité des données de ces jeux de données. Le choix de la méthode statistique est essentiel afin d’éviter une surinterprétation des données qui pourrait conduire à des conclusions erronées.
L’équipe PNIN a-t-elle la capacité technique de gérer la méthode statistique et le logiciel identifiés ?

8. Tableau
Rien de spécifique à la PNIN.

9. Estimation du temps et des ressources nécessaires
À ce stade, une estimation précise du temps et des ressources nécessaires pour mener l’analyse doit être réalisée.
Si cette estimation prévoit plus de temps que l’estimation initiale effectuée lors du cadre d’analyse de données, vous pouvez ajuster la ou les questions à traiter en premier.

La PNIN est unique en ce sens qu’elle rassemble et valorise de multiples sources de données partagées par les différents secteurs qui influencent la nutrition : santé, agriculture, eau, assainissement et hygiène, protection sociale et éducation, entre autres.
Les données classiques que la PNIN utilise proviennent :

• d’enquêtes basées sur la population au niveau national (pouvant être représentatives au niveau infranational) :
  • enquêtes démographiques et sanitaires (EDS) ; enquêtes par grappes à indicateurs multiples (MICS) ; enquêtes nationales sur la nutrition (NNS) ; enquêtes sur le revenu et les dépenses des ménages (ERDM) ; enquêtes sur les dépenses de santé et de nutrition ; évaluation de la disponibilité et de la capacité opérationnelle des services (SARA), etc.
• d’enquêtes auprès de la population locale (représentative d’un district / d’une région) :
  • enquêtes sur la nutrition (SMART) ; enquêtes auprès des ménages ; enquêtes sur la couverture des interventions, etc.
• de données de programme :
  • données de routine collectées par secteur ;
  • données de suivi collectées par secteur.
• de données du système d’alerte précoce.
• de données financières :
  • évaluation du budget nécessaire (plan d’action pour la nutrition) ;
  • engagements officiels pour des investissements financiers ;
  • allocation budgétaire aux niveaux central et infranational.
• de données de modélisation :
  • les initiatives mondiales utilisant des techniques de modélisation fournissent des données aux niveaux national et infranational : NCD Risc (http://www.ncdrisc.org/index.html) ou IHME pour l’Afrique (https://vizhub.healthdata.org/lbd/cgf#).

TCette liste n’est pas exhaustive. Chaque pays doit explorer la masse des informations disponibles. L’exercice de cartographie de données est utile à cet effet (voir section 3.1).

Pour estimer la cohérence des données démographiques, il est important d’avoir une bonne estimation du dénominateur utilisé pour calculer un indicateur à partir des données de routine. Pour évaluer les données démographiques, elles sont comparées à une source externe.
Le DQR donne un exemple comparant une estimation de la population à l’aide de données officielles du gouvernement avec une estimation de l’ONU.

La cohérence externe de l’indicateur peut être évaluée en comparant les données de routine et les données d’enquêtes pour la même période et le même niveau géographique.

L’outil peut également être utilisé pour évaluer la cohérence entre indicateurs connexes.
La cohérence des données de routine dans le temps (domaine 2 : cohérence interne des données notifiées) peut être évaluée à l’aide du DQR. Il utilise la moyenne des trois années précédentes pour l’indicateur qui est comparée à la valeur de l’indicateur de l’année en cours.

La cohérence des données de routine dans le temps (domaine 2 : cohérence interne des données notifiées) peut être évaluée à l’aide du DQR. Il utilise la moyenne des trois années précédentes pour l’indicateur qui est comparée à la valeur de l’indicateur de l’année en cours.

La cohérence des données de routine dans le temps est évaluée dans le cadre du domaine « cohérence interne ». Elle utilise la moyenne des trois années précédentes pour l’indicateur qui est comparée à la valeur de l’indicateur de l’année en cours.

L’utilisation de cette caractéristique pour les indicateurs nutritionnels doit être soigneusement étudiée, car les pays s’efforcent actuellement :

• d’améliorer la couverture des indicateurs nutritionnels, ce qui peut augmenter la moyenne des cas au cours des années ;
• d’investir dans la prévention et la prise en charge des cas de malnutrition, ce qui peut diminuer le nombre de cas au cours des années et réduire la moyenne ;
• les indicateurs tels que l’insuffisance pondérale peuvent changer rapidement avec le temps en raison de chocs ou de l’amélioration de la situation.
  L’interprétation de cette caractéristique pour les indicateurs nutritionnels (par exemple le retard de croissance, l’insuffisance pondérale ou la surcharge pondérale) doit être évaluée avec soin.

L’identification des données atypiques fait partie du paramètre « cohérence interne». Pour calculer les données atypiques extrêmes, l’outil compare, pour une année donnée, le taux à la valeur médiane des trois années précédentes. Ainsi, lorsque la valeur est supérieure à 3 écarts-types de la moyenne, elle est considérée comme une donnée atypique extrême.

Le DQR de l’OMS 2017 offre différentes façons d’afficher l’exhaustivité de la notification au niveau du district ou du pays : soit sous forme de tableau, soit sous forme de graphique.

Le tableau ci-dessous présente certains paramètres inclus dans l’outil d’assurance de la qualité des données de « Measure Evaluation » (Measure Evaluation : The Data Quality Assurance Tool for Program-Level Indicators, 2007), qui ne sont pas explicitement inclus dans le DQR de l’OMS.
L’utilisation des paramètres dépend de l’objectif de l’outil et donc de l’évaluation.

Le DQR de l’OMS propose quatre domaines de qualité des données qui catégorisent les paramètres. Certains auteurs appellent ces paramètres attributs ou dimensions pour caractériser les données. Le tableau ci-dessous présente les quatre domaines et leurs paramètres du DQR 2017 de l’OMS.

DQR de l’OMS intégré dans DHIS2 pour les pays mettant en œuvre DHIS2 – 2019

Avantages :

• Permet un accès aux données de l’établissement enregistrées dans le logiciel DHIS2
• Peut être utilisé pour évaluer la qualité de l’indicateur d’intérêt disponible dans DHIS2

Inconvénients :

• N’inclut pas d’exemples d’indicateurs de données nutritionnelles
• Nécessite des compétences pour utiliser DHIS2

---

DQR de l’OMS – 2017

Avantages :

• A besoin d’être alimenté avec des données à évaluer

Inconvénients

• :N’inclut pas d’exemples d’indicateurs de données nutritionnelles

---

Outil RDQA de « Measure Evaluation » – 2008 – Protocole 2 : Vérification des données

Avantages :

• Plus adapté à l’évaluation des données de supervision sur le terrain
• Fournit des recommandations et des mesures pour améliorer la qualité des données.

Inconvénients :

• N’inclut pas d’exemples d’indicateurs de données nutritionnelles
• Nécessite des compétences pour utiliser DHIS2

---

RDQA de « Measure Evaluation » – 2009 – Liste de vérification pour évaluer la qualité des données des programmes/projets

Avantages :

• Plus adapté à l’évaluation des données de supervision sur le terrain
• Fournit des recommandations et des mesures pour améliorer la qualité des données

Inconvénients :

• N’inclut pas d’exemples d’indicateurs de données nutritionnelles
• Nécessite des compétences pour utiliser DHIS2

---

Measure Evaluation RDQA – 2010 – Checklist to assess program/project data quality

Avantages :

• Plus adapté à l’évaluation des données de supervision sur le terrain
• Fournit des recommandations et des mesures pour améliorer la qualité des données

Inconvénients :

• N’inclut pas d’exemples d’indicateurs de données nutritionnelles
• Nécessite des compétences pour utiliser DHIS2

---

RDQA de « Measure Evaluation » – 2015

Avantages :

• Plus adapté à l’évaluation des données de supervision sur le terrain
• Fournit des recommandations et des mesures pour améliorer la qualité des données

Inconvénients :

• N’inclut pas d’exemples d’indicateurs de données nutritionnelles
• Nécessite des compétences pour utiliser DHIS2

HMIS

• Définition : Un système d’information spécialement conçu pour aider à la gestion et à la planification des programmes de santé, par opposition à la prestation de soins (OMS, 1993).
• Avantages : Une fois mis en place, il coûte moins cher et permet le suivi des résultats et des indicateurs de santé.
• Inconvénients : Ne saisit que l’information destinée aux utilisateurs du système de santé et non représentative de l’ensemble de la population, le dénominateur doit être estimé pour le calcul des indicateurs.

---

SIMR

• Définition : Le programme de surveillance intégrée de la maladie garantit la disponibilité de lignes directrices pour la surveillance intégrée de la maladie et réponse. Il fournit l’appui technique nécessaire au renforcement des systèmes nationaux de surveillance des maladies transmissibles par la mise en œuvre de la Stratégie régionale de surveillance intégrée de la maladie et du Règlement sanitaire international.
• Avantages : Utile et pertinent pour le suivi des maladies transmissibles, il a l’avantage d’alerter en cas d’augmentation soudaine des cas de MAM/MAS et de décès, fournissant ainsi des alertes en cas de détérioration du contexte.
• Inconvénients : Non pertinent du point de vue de la nutrition.

---

Surveillance sentinelle

• Définition : Zone de détermination des cas limitée, comprenant traditionnellement les plus grands hôpitaux de la région géographique ; il faudrait procéder à une évaluation préalable pour sélectionner les sites sentinelles appropriés.
• Avantages : Peut facilement collecter des données individuelles sur les patients ; moins coûteux et moins lourd en ressources ; conception flexible du système ; utile pour documenter les tendances ; permet la surveillance de routine de la non-sensibilité aux antibiotiques.
• Inconvénients : Bien que moins coûteux que la surveillance basée sur la population, le système sentinelle peut encore nécessiter d’importants investissements financiers en personnel et en ressources ; les données peuvent fournir des résultats faussés ou biaisés ; les données ne sont pas généralisables à la population géographique ; cette méthode ne collecte pas de données d’incidence.

---

Systèmes de données sectoriels

• Définition : Données collectées régulièrement par les secteurs en fonction d’un ensemble d’indicateurs définis pour suivre les activités.
• Avantages : Source d’une diversité d’informations (météo, changement climatique, pollution, eau, assainissement, éducation, chaîne alimentaire, données agricoles, données budgétaires/financières, etc.).
• Inconvénients : Ne sont généralement pas bien organisés ni harmonisés entre eux en termes de représentativité.

Sources :

• OMS, Developing Health Management Information System
• Measure Evaluation – Health Information System Facilitator Guide of training of trainers
• Measure Evaluation – Health Information System Facilitator Guide of training of trainers

La PNIN peut avoir pour objectif d’utiliser les données d’une enquête MICS pour étudier une région particulière. Une enquête nationale telle qu’une enquête MICS a pour objectif premier de produire des chiffres nationaux. Une étude (1) a conclu que « la qualité des données anthropométriques était très variable tant d’une source d’enquête à l’autre qu’à l’intérieur d’une même source et au fil du temps ». Ceci est confirmé par des entretiens avec des professionnels expérimentés (2). Généralement, les données provenant d’une région difficile d’accès pour des raisons de logistique ou de sécurité peuvent être de moindre qualité. La qualité des données de cette région peut être suffisamment bonne pour contribuer à la production d’un chiffre national, mais la PNIN pourrait vouloir appliquer des critères de qualité des données plus rigoureux pour étudier cette région en particulier.
Références :

1. Corsi, D. J., J. M. Perkins and S. V. Subramanian (2017). Child anthropometry data quality from Demographic and Health Surveys, Multiple Indicator Cluster Surveys, and National Nutrition Surveys in the West Central Africa region : are we comparing apples and oranges ? Global Health Action, 10(1) : 1328185.
2. Entretiens menés par l’unité d’appui auprès de 5 analystes de données nutritionnelles début 2019.

Les données sanitaires de routine sont généralement compilées dans le but de détecter les épisodes épidémiques. Dans les environnements à faibles ressources, les données de routine peuvent être incomplètes et comporter des erreurs de mesure. Toutefois, analysées avec soin, les données de routine peuvent être suffisantes pour observer les tendances à moyen terme ou les tendances saisonnières d’un état particulier.

15 novembre 2018

• Issiak Balarabé MAHAMANE, Assistant du Secrétaire Général, INS
• Guillaume POIREL, Chef de mission de l’assistance technique PNIN, SOFRECO

Rappel
L’équipe PNIN du Niger a conduit, dans la phase de démarrage du projet, une étude de cartographie des données entre novembre 2017 et mai 2018 en faisant appel à un consultant externe. L’objectif était de réaliser un « état des lieux et une analyse des système d’informations et des données pour la nutrition au Niger ». L’étude a été mise en œuvre par l’INS (Institut national de la statistique), sous la direction stratégique du Haut-Commissariat à l’initiative « les Nigériens Nourrissent les Nigériens » (I3N). Cet entretien met en évidence :

1. la manière dont les résultats de la cartographie ont été utilisés pour élaborer un plan de renforcement des capacités pour les secteurs ;
2. la manière dont a été gérée l’absence de définition officielle des indicateurs clés pour la nutrition ;
3. des recommandations méthodologiques pour la collecte des informations.

Comment s’est déroulée l’étude ? Quelles ont été les principales difficultés rencontrées ?
Les structures à enquêter ont été ciblées en se basant sur les institutions citées comme « responsable » ou « collaborative » dans les huit engagements de la Politique nationale de sécurité nutritionnelle (PNSN).
Des questionnaires ont été transmis aux secteurs, engendrant une perte importante de temps. La meilleure méthode est de rencontrer directement les institutions et de faire ce travail de cartographie avec eux. Les informations nécessaires ont été obtenues seulement après 2-3 passages dans chaque institution et seules les institutions au niveau central ont été enquêtées. C’est une limite car certaines informations, notamment sur le dispositif de contrôle de la qualité des données, sont disponibles au niveau sous-national.
Face à la masse d’information récoltée, il y a eu un gros travail de simplification et de restructuration qui a mobilisé les équipes de la PNIN. Des fiches par secteurs ont été rédigées, regroupant différents aspects.
Cela a entrainé des délais et retards considérables : au lieu d’être finalisée en décembre 2017 comme initialement prévu, l’étude a été finalisée par le consultant en mai 2018 et puis approfondie par l’équipe PNIN jusqu’en février 2019

. Comment avez-vous utilisé les résultats de l’étude ?
D’abord, cette étude a permis d’avoir une information objective sur les données multisectorielles disponibles.
Les résultats ont permis de dresser une première liste des indicateurs disponibles dans chaque secteur dans un fichier Excel.
L’étude a aussi produit des fiches par secteur qui détaillent :

1. Le cadre institutionnel ;
2. Le cadre organisationnel ;
3. Le dispositif de collecte ;
4. Le dispositif de validation et d’assurance qualité ;
5. Le dispositif de gestion des données,
6. Les productions effectuées ;
7. La diffusion et valorisation des informations ;
8. Les données et indicateurs disponibles ;
9. Les indicateurs sensibles à la nutrition ;
10. Les indicateurs retenus pour la PNIN.

Suite à cet exercice de cartographie des données, il est apparu nécessaire et urgent de constituer une base référentielle des indicateurs de la PNIN. En effet, il n’existe pas au Niger de cadre définissant une liste officielle d’indicateurs multisectoriels pour la nutrition. Nous travaillons pour retenir, dans chaque secteur, les indicateurs sensibles à la nutrition. Ces indicateurs serviront de base à la plateforme PNIN.

Compte tenu des capacités au sein des institutions partenaires,

nous avons décidé de recruter pour quatre mois des chargés d’études sectoriels qui disposent d’indicateurs clairement identifiés et devront s’assurer de la collecte des valeurs de chaque indicateur (de mi-octobre 2018 à mi-février 2019), prérequis nécessaire à l’organisation des données et à la construction du module « Nutrition Info ». Ces travaux permettront d’aboutir à :

1. La consolidation de la base des indicateurs pour la nutrition. Ainsi, par exemple, nous avons constaté que dans le secteur de la Santé, 27 indicateurs nutrition manquaient dans la cartographie initiale. A ce jour, la consolidation s’effectue en plusieurs étapes : 1/ vérification de l’exhaustivité des indicateurs ; 2/ tri des indicateurs selon leur lien ou « sensibilité » à la nutrition ; 3/ remplissage des 23 champs pour chaque indicateur (définition, périodicité, méthode de calcul, etc.) ; 4/ validation de l’ensemble des champs pour les indicateurs retenus pour la PNIN. Aussi, 239 indicateurs ont été retenus pour les 3 secteurs couverts en cours (123 indicateurs pour la Santé, 23 indicateurs pour l’Éducation, 93 indicateurs pour l’Élevage et l’Agriculture).
2. L’analyse sur la situation des statistiques nutritionnelles dans les secteurs bénéficiaires.
3. La mise en place des fiches signalétiques pour chaque indicateur et validation de chaque fiche signalétique.
4. La collecte des informations et documents.
5. La mise à jour de la liste des contacts.

Les chargés d’études sectoriels permettent aussi de renforcer les capacités de chaque secteur et de tisser des relations qui faciliteront l’accès aux données multisectorielles par la suite.

Option 1 : Limiter l’exercice au niveau des jeux de données (exclure la matrice des indicateurs)

L’exercice est toujours considérable et son champ d’application peut encore être réduit.
1. L’éventail de jeux de données à examiner
Par exemple, la Côte d’Ivoire a décidé d’examiner les jeux de données gérés par les secteurs clés concernés par la nutrition (santé, éducation, genre, affaires sociales, agriculture, ressources animales, eau, économie, finances et planification) et d’autres agences connues pour la gestion de bases de données (Agence nationale pour le développement rural, Offices nationaux de l’eau, etc.).
Les « secteurs clés » sont ceux impliqués dans le Plan d’action multisectoriel pour la nutrition. Dans certains pays, cette liste peut être beaucoup plus longue, incluant plus de 10 ministères. Dans l’intérêt de l’exercice de cartographie des données, il est recommandé de réduire la liste des fournisseurs de données à examiner afin que l’exercice reste réalisable. D’autres secteurs pourraient être étudiés dans un deuxième temps en utilisant l’expérience acquise lors du premier exercice.

2. Le niveau de détail des informations à collecter pour chaque jeu de données
Les équipes-pays PNIN peuvent décider du niveau de détail nécessaire à collecter pour chaque jeu de données. Une option consiste également à demander une description détaillée des jeux de données uniquement pour certains secteurs prioritaires.

Option 2 : Inclure les jeux de données et la matrice des indicateurs dans l’exercice de cartographie des données

Le champ d’application de l’exercice de cartographie des données peut être réduit en considérant :
1. Le nombre et l’éventail des indicateurs à examiner
Il y a plusieurs manières de décider du nombre et de l’éventail des indicateurs à inclure dans la matrice :

• Sélectionner les fournisseurs de données principaux au lieu de sélectionner des indicateurs. Par exemple, l’équipe-pays de la PNIN en Côte d’Ivoire a décidé d’enquêter sur toutes les données disponibles dans les ministères clés (santé, éducation, genre, affaires sociales, agriculture, ressources animales, eau, économie, finances et planification) et d’autres agences connues pour la gestion de bases de données (Agence nationale de développement rural, Offices nationaux de l’eau, etc.).
• Se reporter au plan de suivi & évaluation et à la liste des indicateurs multisectoriels qui sont joints à un Plan national d’action multisectoriel pour la nutrition. Si cette liste est encore trop longue, des indicateurs clés peuvent être identifiés et sélectionnés. Par exemple, l’équipe-pays de la PNIN au Guatemala a sélectionné 70 indicateurs clés à partir du plan de suivi & évaluation. Cela voudrait dire que la matrice des indicateurs est limitée à ces 70 indicateurs mais que la description des jeux de données nécessiterait d’avoir un champ d’application plus large.
• Adapter le système SUN MEAL qui inclut une liste d’indicateurs multisectoriels (environ 300) et une sous-sélection d’indicateurs clés (environ 70) pour la nutrition.

2. Le niveau de détail des informations à collecter pour chaque jeu de données
Plusieurs options sont à prendre en compte pour décider du niveau de détail de chaque indicateur, notamment :

• Remplir intégralement une matrice des indicateurs. La matrice des indicateurs disponible ici est un exemple d’évaluation approfondie pour chaque indicateur sélectionné.
• Ne compiler que les informations de base pour chaque indicateur. Par exemple, la PNIN au Burkina Faso a répertorié seulement tous les indicateurs disponibles dans les jeux de données et leur définition.
• Compléter intégralement la matrice des indicateurs pour les secteurs clés (santé, agriculture, éducation, etc.) et rassembler des informations moins détaillées pour les secteurs moins prioritaires. Par exemple, la PNIN en Éthiopie a décidé de se concentrer sur la nutrition et l’EAH dans la première phase. Cela signifie qu’une matrice des indicateurs détaillée peut être complétée pour ces deux domaines et contenir des informations moins détaillées pour les autres domaines.

Un système d’information est un système de composants interdépendants qui travaillent ensemble pour collecter, traiter, stocker et diffuser des informations entre les parties prenantes / bénéficiaires afin de faciliter la prise de décision, la coordination, le contrôle, l’analyse et la visualisation (par ex. DHIS2, le référentiel des instituts nationaux de statistique, la plateforme EDS – enquêtes démographie et santé).

Un jeu de données est un fichier contenant tous les enregistrements individuels d’une enquête spécifique (par ex. enquête EDS dans le pays “X” de l’année 2005). Un jeu de données peut être disponible dans un ou plusieurs systèmes d’information. Par exemple, l’enquête EDS de 2012 au Niger est disponible dans le système d’information StatCompiler (plateforme officielle EDS) et dans le système d’information de l’Institut national de la statistique du Niger.

Un indicateur est calculé en fonction d’une ou de plusieurs variables d’un jeu de données.
Le même indicateur peut être trouvé dans différents jeux de données, mais il peut être comparable ou ne pas l’être, car :

• la définition de l’indicateur n’est pas exactement la même. Par exemple, la définition de certains indicateurs dans les enquêtes EDS a évolué avec le temps ;
• la méthodologie d’échantillonnage utilisée par l’enquête est différente.