Données de routine et DHIS2

La plupart des chiffres que rapporte ce secteur sortent d’un système d’information sanitaire agrégé, et dans la plupart des pays ce système est DHIS2. Chaque cours antérieur de ce programme y a emprunté — l’extraction vaccinale a servi dans cinq d’entre eux — sans jamais expliquer d’où elle venait.

Ce cours l’explique. Non comme une formation logicielle — vous ne cliquerez pas dans une interface. Comme le modèle de données sous l’export, car savoir qu’une valeur est un élément de données croisé avec une combinaison de catégories, rattaché à une unité d’organisation, dans une période, issu d’un ensemble de données, est ce qui transforme un tableur inexpliqué en quelque chose de défendable.

La question autour de laquelle le cours est bâti est celle qui suit tout chiffre de routine jamais présenté : qu’a-t-on exactement compté ? Y répondre exige quatre choses que l’export ne porte généralement pas — quel élément de données, quelles unités d’organisation, quelle logique de périodes, et combien des unités censées rapporter l’ont fait.

Les exemples s’exécutent sur l’extraction vaccinale de type DHIS2 — 38 formations sanitaires, douze mois, six antigènes, et 642 de ses 2 736 couples formation-mois ne portant aucun rapport. Et le cours se termine sur une comparaison qui donne trois réponses réelles à une seule question : la malnutrition aiguë mesurée à 8,7 % par le registre de dépistage de routine, à 11,4 % par une enquête ménage employant la même mesure, et à 14,9 % par une enquête SMART en employant une autre.

Python et R tout du long, avec les exemples d’API en Python, car c’est là que vivent la plupart des scripts d’extraction de ce secteur.

Vous devriez avoir suivi Évaluation de la qualité des données, qui enseigne déjà la complétude et la promptitude du rapportage comme indicateurs. Ce cours ne les répète pas ; il montre comment le système les calcule, et ce qu’il ne vous dit pas.