Modélisation de l’hétérogénéité spatiale du risque environnemental dans les essais de prévention randomisés contre les maladies transmissibles

• Auteur / Autrice : Abdoulaye Guindo
• Direction : Jean Gaudart, Issaka Segara
• Type : Thèse de doctorat
• Discipline(s) : Recherche clinique et Santé Publique
• Date : Soutenance le 16/12/2019
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : École Doctorale Sciences de la Vie et de la Santé (Marseille)
• Partenaire(s) de recherche : Laboratoire : Sciences économiques et sociales de la santé & traitement de l’information médicale (Marseille)
• Jury : Président / Présidente : Roch Giorgi
• Jury : Examinateurs / Examinatrices : Roch Giorgi, Erik-André Sauleau, Mahamadou Aly Thera, Fati Kirakoya
• Jury : Rapporteur / Rapporteuse : Erik-André Sauleau, Mahamadou Aly Thera

Mots clés

Mots clés contrôlés

Choléra

Paludisme

Maladies transmissibles

Environnement -- Évaluation du risque

Mots clés libres

Hétérogénéité spatiale

Risques environnementaux

Essais de prévention randomisés

Évènements récurrents

Spde

Inla

Spatial heterogeneity

Environmental risks

Randomized prevention trials

Recurrent events

Spde

Inla

Résumé

Dans le contexte des maladies transmissibles (ex. le paludisme, le choléra, etc.), la proximité avec des environnements favorables à la transmission (ex. gîtes larvaires, ou sources de contagion, etc.) influence le risque d’infection, entrainant ainsi une hétérogénéité spatiale de ce risque. Cependant, lors des essais randomisés, ces risques environnementaux ne sont pas totalement observables (ex. gîtes larvaires).L’objectif de cette thèse était de modéliser cette hétérogénéité spatiale du risque environnemental non observé dans un essai de prévention randomisé. Dans une première partie, utilisant une étude de simulations, nous avons montré que la randomisation seule ne permettait pas d’éliminer le biais dû à l’hétérogénéité spatiale du risque environnemental. Nous avons montré que l’approche SPDE (Stochastic Partial Differential Equations) estimé avec la méthode INLA (Integrated Nested Laplace approximations) et modélisant cette hétérogénéité spatiale à travers la localisation des individus par un champ gaussien défini par la covariance de Matèrn, permettait de corriger ce biais.La deuxième partie était axée sur la modélisation de l’hétérogénéité spatiale du risque environnemental dans le contexte d’évènements récurrents. Nous avons réanalysé les données issues deux essais de préventions contre le paludisme au Mali : L’un évaluant l’effet de l’ajout de l’azithromycine à la Chimioprévention du Paludisme Saisonnier (CPS) contre le paludisme chez les enfants de moins 5 ans à Bougouni, l’autre évaluant les moyens de protection contre le paludisme à Bandiagara.Dans la dernière partie, nous avons élaboré un guide d’utilisation du modèle bayésien SPDE avec la méthode INLA.

In the context of communicable diseases (e.g. malaria, cholera, etc.), proximity to environments favoring transmission (e.g. breeding sites or sources of contagion, etc.) influences the infection risk, thus causing a spatial heterogeneity of this risk. However, in randomized trials, these environmental aspects are not fully observable (e.g. breeding sites).The aim of this thesis was to model this spatial heterogeneity of environmental risk not observed in a prevention trial.In the first section, using a simulation study, we showed that randomization alone did not eliminate the bias due to the spatial heterogeneity of environmental risk. We showned that the SPDE (Stochastic Partial Differential Equations) approach estimated with the INLA (Integrated Nested Laplace approximations) method and modeling this spatial heterogeneity through the localization of individuals by a Gaussian field defined by the Matèrn covariance, allowed to correct this bias.The second section focused on modeling the spatial heterogeneity of environmental risk in the context of recurrent events. We re-analyzed the data from two malaria prevention trials in Mali: One evaluating the effect of adding azithromycin to Seasonal Malaria Chemoprevention (SMC) against malaria in children under 5 years of age in Bougouni, and the other evaluating the efficacy of malaria protection measures in Bandiagara.In the last section, we have elaborated a user guide for the Bayesian SPDE model with the INLA estimation method.