MEMOIRE DE SPECIALISATION EN SANTE PUBLIQUE. Economie de La Santé. DR Willy MFUNI MULUMBA

REPUBLIQUE DEMOCRATIQUE DU CONGO
ECONOMIE DE LA SANTE
7ème Promotion
ANALYSE DES FACTEURS DE PREDICTION DE

PERENNISATION DES PROJETS DES MEDICAMENTS
DANS LES ZONES DE SANTE EN RDC
Par Dr Willy MFUNI MULUMBA 
Mémoire présenté et défendu en vue de l’obtention

du diplôme de Spécialiste en Santé Publique.
Option : Economie de la Santé
Dirigé par:
Professeur MUNYANGA MUKUNGO (ESP)
Professeur KIBUEY MULAMBU (FASEG)
Année Académique
2010-2011
Table des matières
DEDICACE.............................................................................................................................................................. i
REMERCIEMENTS .............................................................................................................................................. ii
LISTE DES TABLEAUX ..................................................................................................................................... iii
LISTE DES ABREVIATIONS ............................................................................................................................ iii
RESUME ................................................................................................................................................................ v
I. INTRODUCTION .............................................................................................................................................. 1
I.1. ENONCE DU PROBLEME ............................................................................................................................ 1
I.2. BUT ET OBJECTIFS...................................................................................................................................... 2
I.2.1. But ............................................................................................................................................................... 2
I.2.2. Objectif général ....................................................................................................................................... 3
I.2.3. Objectifs spécifiques .............................................................................................................................. 3
I.3. HYPOTHESE DE RECHERCHE................................................................................................................... 3
I.4. MODELE CONCEPTUEL .............................................................................................................................. 4
I.5. REVUE DE LA LITTERATURE ................................................................................................................... 5
I.6. LES STATISTIQUES BAYESIENNES ET LE THEOREME DE BAYES .................................................. 8
I.6.1. Origines des statistiques de BAYES ................................................................................................... 9
I.6.2. Caractéristiques des statistiques bayésiennes ............................................................................. 9
I.6.3. Rappel sur le théorème de BAYES................................................................................................... 11
I.6.4. Base mathématique du théorème de BAYES ............................................................................... 12
I.6.5. Forme générale du théorème de BAYES ....................................................................................... 14
I.6.6. Forme simplifiée du théorème de BAYES « Odds form ».......................................................... 15
II. METHODOLOGIE ........................................................................................................................................ 16
II.1. TYPE D’ETUDE......................................................................................................................................... 16
II.2. UNITES STATISTIQUES ......................................................................................................................... 16
II.3. METHODE ET TECHNIQUE ................................................................................................................... 16
II.3.1. Construction du Modèle Subjectif de BAYES (MSB) ................................................................. 16
II.3.1.1. Sélection des experts ..................................................................................................................... 16
II.3.1.2. Interview des experts .................................................................................................................... 17
II.3.1.3. Formation des experts .................................................................................................................. 17
II.3.1.4. Identification, Regroupement et Définition opérationnelle des facteurs ..................... 18
II.3.1.5. Elaboration du Modèle Subjectif de BAYES............................................................................. 18
II.3.1.5.1. Détermination du Quotient de probabilité à priori (QAP)............................................. 18
II.3.1.5.2. Détermination des Rapports de Vraisemblance (RV) ou LikeliHood Ratio .............. 19
II.3.1.5.3. Détermination du Quotient de probabilité à posteriori ................................................. 20
II.3.1.5.4. Détermination de la probabilité de la réalisation de l’évènement ............................. 21
II.3.1.6. Evaluation du Modèle Subjectif de BAYES ............................................................................... 21
II.3.1.6.1. Détermination du degré d’agrément intra et inter experts .......................................... 21
II.3.1.6.2. Détermination du critère de discrimination (Cut Off Point) ......................................... 22
II.3.1.6.3. Validation interne du Modèle Subjectif de BAYES ............................................................. 22
II.3.1.6.4. Validation externe du Modèle Subjectif de BAYES ............................................................ 23
II.3.1.6.4.1. Confrontation du MSB aux cas réels .................................................................................. 23
II.3.1.6.4.2. Confrontation du MSB aux MRL .......................................................................................... 25
II.3.1.7. Traitement et analyse des données .......................................................................................... 26
III. PRESENTATION ET INTERPRETATION DES RESULTATS .............................................................. 26
III.1. LISTE DES FACTEURS CONTRIBUANT A LA PERENNISATION DES ......................................... 26
PROJETS DES MEDICAMENTS DANS LES ZONES DE SANTE EN RDC................................................. 26
III.2. LISTE DES FACTEURS INDEPENDANTS........................................................................................... 27
III.3. ELABORATION DU MODELE SUBJECTIF DE BAYES ..................................................................... 28
III.3.1. Détermination du Quotient de probabilité à priori (QAP) .................................................. 28
III.3.2. Détermination des Rapports de Vraisemblance (RV) ou Likelihood Ratio .................... 29
III.3.3. Détermination du Quotient de probabilité à posteriori (QAPO) ....................................... 31
III.3.4. Détermination de la probabilité de prédiction ....................................................................... 31
III.4. EVALUATION DU MODELE SUBJECTIF DE BAYES ........................................................................ 31
III.4.1. Détermination du degré d’agrément intra et inter experts ................................................ 31
III.4.2. Détermination du critère de discrimination (Cut Off Point) .............................................. 32
III.4.3. Validation interne du Modèle Subjectif de BAYES .................................................................. 33
III.4.4. Validation externe du Modèle Subjectif de BAYES ................................................................. 34
III.4.4.1. Confrontation aux cas Réel ........................................................................................................ 34
III.4.4.2. Confrontation au MRL ................................................................................................................. 35
III.4.4.3. Estimation du Modèle Subjectif de BAYES ............................................................................. 37
IV. UTILISATION PRATIQUE DU MSB ........................................................................................................ 39
V. LIMITATION DU TRAVAIL ........................................................................................................................ 41
VI. CONCLUSION .............................................................................................................................................. 41
VII. RECOMMANDATIONS ............................................................................................................................. 42
BIBLIOGRAPHIE .............................................................................................................................................. 43
ANNEXES ........................................................................................................................................................... 45
Annexe 1 : Liste des experts ........................................................................................................................ 45
Annexe 2 : QUESTIONNAIRE D’ENQUETE POUR SELECTION DES EXPERTS .................................. 46
Annexe 3 : LETTRE D’INVITATION ............................................................................................................. 47
Annexe 4 : Détermination de QAP ............................................................................................................. 48
Annexe 5 : Rapport de Vraisemblance..................................................................................................... 49
Annexe 6 : Construction des cas hypothétiques .................................................................................... 50
Annexe 7 : Probabilité des cas hypothétiques formulés intra experts .......................................... 51
Annexe 8 : Tableau d’agrément intra expert ........................................................................................ 51
Annexe 9 : Probabilités des cas hypothétiques formulés par les experts ..................................... 52
Annexe 10 : Table d'agrément des experts 2 à 2 .................................................................................. 54
Annexe 11 : Détermination du COP .......................................................................................................... 56
Annexe 11(suite) : Détermination du C0P .............................................................................................. 57
Annexe 12 : Calcul de ln et antilog ............................................................................................................ 58
Annexe 13 : Tableau des probabilités des consensus ......................................................................... 59
Annexe 14 : Canevas de collecte des données ....................................................................................... 61
Annexe 15 : Résultats des cas réels .......................................................................................................... 62
Annexe 16 : Codification des cas réels ..................................................................................................... 63
Annexe 17 : Probabilités des issues des cas réels ................................................................................ 64
Annexe 18 : Confrontation MSB/Cas Réels ............................................................................................. 65
Annexe 19 : Confrontation MSB/MRL ...................................................................................................... 66
Annexe 20 : tableau des probabilites (p) de perennisation de toutes
les combinaisons entre facteurs independants ............................................................................................... 67
i
DEDICACE
A ma bien-aimée et tendre épouse, BANZA MIJIBU Lilly, pour son amour, son
soutien à tout point de vue et pour tous les sacrifices consentis.
A mon fils MFUNI TSHITENGA Othniel Moxija, ma belle-sœur BANZA MULEKA

Lisette et mon beau-frère Christian.
A mes parents, Feu MFUNI TSHITENGA Céléstin et MUKANYA KABOKU Anne-

Marie pour la vie qu’ils m’ont donnée et la bonne éducation qu’ils ont assurée.
A mes beaux-parents, ILUNGA MPIONGO Oréphin et ILUNGA MASANGU

Géneviève pour avoir donné vie à ma très chère épouse.
A toute la grande famille : MFUNI, MPIONGO et DAMBEJ.
A mon ami et frère Dr Claude KACIL MONJ et sa famille, tous les amis de la Zone de
Santé de Kitenge pour l’encouragement à faire les études de Santé Publique.
A tous ceux qui me sont chers.

ii
REMERCIEMENTS
Nous remercions premièrement les encadreurs de ce travail et pensons aux professeurs

MUNYANGA MUKUNGO et KIBUEY MULAMBU pour avoir accepté en dépit de leurs
occupations de diriger ce travail.
Nos remerciements s’adressent aussi à tous les facilitateurs de l’Ecole de Santé

Publique de Kinshasa pour les connaissances transmises et les conseils donnés pour la
réalisation de ce travail.
Nous remercions également la Coopération Technique Belge pour avoir contribué par
son appui technique, matériel et financier à notre formation et à la réalisation de notre travail
de fin d’études.
Nous adressons aussi nos sincères remerciements à tous les amis de promotion pour le
soutien et les encouragements à l’aboutissement du travail.
iii
LISTE DES TABLEAUX
Tableau n0 I : Calcul des probabilités de pérennisation ........................................................... 28

Tableau n0 II : Calcul des probabilités des facteurs étant donné la pérennisation .... 29
Tableau n0 III : Calcul des probabilités des facteurs étant donné la non
pérennisation ................................................................................................................................................ 29
Tableau n0 IV : Calcul des rapports de vraisemblance (ABAQUE) ..................................... 30
Tableau n0V : Impact des facteurs sur la pérennisation ........................................................... 30
Tableau n0 VI a : Agrément intra experts ........................................................................................ 31
Tableau n0 VI b : Agrément inter experts ......................................................................................... 32
Tableau n0 VII : Détermination du COP ......................................................................................... 32
Tableau n0 VIII : Performance du MSB par rapport au consensus des experts ............. 33
Tableau n0 IX : Tableau de contingence MSB vs Cas réels ........................................................ 34
Tableau n0 X : Tableau de contingence MSB vs MRL ................................................................. 35
Tableau n0 XI : Résultat de la régression du modèle Logit ...................................................... 37
Tableau n0 XII : Résultats de l’estimation avec SPSS 12.0........................................................ 38
Tableau n0 XIII : Evaluation de prédiction du modèle ............................................................. 39
LISTE DES ABREVIATIONS
AG : Administrateur Gestionnaire
APD : Appui Public au Développement
BCZ : Bureau Central de Zone de Santé
BDOM : Bureau Diocésain des Oeuvres Médicales
BFR : Besoins en Fonds de Roulement
CDR : Centrale de Distribution Régionale
CMM : Consommation Moyenne Mensuelle
CNS : Comptes Nationaux de la Santé
COP : Cut Off Point

iv
CUK : Cliniques Universitaires de Kinshasa
DPS : Division Provinciale de la Santé
ECZ : Equipe Cadre de Zone de Santé
FEDECAM : Fédération des Centrales d’Achat et de distribution en

Médicaments
FOSA : Formation Sanitaire
LHR : Likelihood Ratio
MCZ : Médecin Chef de Zone
MEG : Médicament Essentiel et Générique
MPH : Master of Public Health
MRL : Modèle de Régression Logistique
MSB : Modèle Subjectif de BAYES
OMS : Organisation mondiale de la Santé
PIB : Produit Intérieur Brut
QAP : Quotient de Probabilité à Priori
QAPO : Quotient de Probabilité à Posteriori
PR : Polyarthrite Rhumatoïde
RDC : République Démocratique du Congo
RV : Rapport de Vraisemblance
SIDA : Syndrome d’Immuno-Déficience Acquise
SNAME : Système Nationale d’Approvisionnement des Médicaments

Essentiels
SPSS : Statistical Package Social Science
VIH : Virus Immunitaire humain
VPN : Valeur Prédictive Négative
VPP : Valeur Prédictive Positive
ZS : Zone de Santé
v
RESUME
vi
La pérennisation des projets des médicaments est une préoccupation de la politique

de santé de la République Démocratique du Congo, car près de 16% des dépenses de santé
(toujours croissantes) sont représentées par les médicaments, sans contribuer à la
pérennisation des projets des médicaments dans les Zone de santé.
Cette étude avait pour but de contribuer à la pérennisation des projets des
médicaments dans les Zone de Santé de la République Démocratique du Congo. Son objectif
général était d’élaborer un modèle de prédiction de pérennisation des projets des
médicaments.
Le raisonnement bayésien, approche quantitative, considérée comme subjective, a été

utilisée. Il a étudié les opinions de dix experts ainsi que la consistance de leur interaction,
permettant de générer des probabilités personnelles.
Les résultats suivants ont été obtenus : Modèle performant avec 5 facteurs
indépendants à impact positif sur la pérennisation des projets des médicaments (Facteur
1 :1,83 ; Facteur 2 :1,61 ; Facteur 3 :7,29 ; Facteur 4 :1,63 ; Facteur 5 :1,64). Validité
interne et externe acceptable avec sensibilité, spécificité élevée (> 70%) et Kappa acceptable
(> 0,4). Facteur 4 (Accessibilité financière et culturelle de la population) trouvé seul
statistiquement significatif au seuil de confiance de 95% (Erreur standard > 2 et probabilité
< 0,05), multipliant par 5 la probabilité de pérennisation. Variable dépendante Y
(Pérennisation) expliquée par les variables explicatives à 49,82%. Degré de prédictibilité de
plus de 80%.
Le modèle de prédiction de pérennisation des projets des médicaments trouvé

performant, pouvait être utilisé par les Zones de Santé de la République Démocratique du
Congo.
1
I. INTRODUCTION
I.1. ENONCE DU PROBLEME
La pérennisation des projets d’investissement dans le domaine de la santé, dont ceux

des médicaments est une préoccupation de la politique de santé de la RDC(1). En effet, le
médicament intervient constamment dans le traitement des malades et se situe au cœur de la
problématique de l’accès aux soins, de la viabilité des structures de soins et de pérennité des
activités de soins. D’où entre-autres, la recommandation des Comptes Nationaux de la Santé
(CNS) de réglementer et de contrôler les marges bénéficiaires appliquées aux médicaments
aussi bien chez les prestataires publics que privés. Or, pour de nombreuses raisons, rendre le
médicament accessible, requiert une organisation, des compétences, un savoir-faire, et de
disposer d’informations actualisées dans de nombreux domaines : pharmacologie,
thérapeutique, logistique, industriel, commercial etc. Ce savoir-faire est long et coûteux à
acquérir mais en vaut la peine. Le médicament est ainsi le seul intrant qui, à brève échéance
doit être renouveler parce qu’il a une valeur marchande. Par conséquent, l’investissement en
santé ne doit pas seulement rechercher une réponse humanitaire ou sanitaire en termes
d’augmentation des indicateurs, mais aussi en termes de stratégie de développement
économique qui requiert l’utilisation des techniques et méthodes de rentabilisation des
dépenses semblables à celles adoptées dans la gestion des entreprises(2).
Selon l’OMS : « Les médicaments constituent le deuxième poste de dépense des

gouvernements pour la santé publique : Pour la plupart des ministères de la santé des
économies en développement et en transition, les dépenses pharmaceutiques publiques
représentent le principal poste des dépenses de santé après les salaires. Dans certains pays, les
dépenses pharmaceutiques– en pourcentage des dépenses de soins de santé publique –peuvent
en effet atteindre 40% (3). » Mais en RDC, le médicament représente le principal poste de
dépenses des ménages (41%4), suivis de l’hospitalisation (37%), puis des soins curatifs
ambulatoires (14%), des examens de laboratoire et imagerie médicale (6%) et l’acquisition
des appareils thérapeutiques et autres biens médicaux (2%) (4).
En RDC, les dépenses de santé ont été estimées à 7,4% du PIB en 2008 financées par
les fonds publics (15% en 2008, 12% en 2009) et les dépenses privées de la santé en ont
constitué près de 85%, financées par les ménages (43% en 2008, 42% en 2009), les
employeurs (8% en 2008, 10% enn2009) et les partenaires internationaux (34% en 2008, 36%
en2009) en 2008(3)(5). Les médicaments représentent près de 16% (à titre d’exemple, dans les
656 000 000 USD destinés à la lutte contre le VIH/SIDA et le Paludisme mobilisés au
8ièmeRound du Fonds Mondial, 53%, soit 346 000 000 USD sont destinés à
l’approvisionnement des produits pharmaceutiques et équipements médicaux. Ce montant est
20 fois supérieures au chiffre d’affaire de la FEDECAME estimé à 16 000 000 USD, toutes
CDR confondues. En plus, il s’agit là d’un seul Round du Fonds Mondial. La RDC a mobilisé
2
depuis le 3ième Round du Fonds Mondial jusqu’au 9ième près d’un milliard de USD sur 6 ans)
(3)
.
La progression rapide des dépenses en médicaments est particulièrement préoccupante

et fait l’objet d’une grande attention des autorités politiques, parce que ce poste de dépenses
est celui qui se prête le plus à des mesures d’économie. Ce financement de la santé de plus en
plus croissant n’a pas eu l’impact espéré au plan de la situation sanitaire des populations et
même de la pérennisation des investissements en médicaments dans les ZS qui en ont
bénéficiées. C’est ainsi par exemple, que l’augmentation seule des montants de l’APD (Aide
Public au Développement) dans le secteur de la santé a produit des résultats sans que
l’efficience du système ne soit améliorée, comme ce qui se passe dans les interventions de
type humanitaire lors des situations d’urgence. L’effet de ce type d’intervention est éphémère
et disparaît rapidement dès l’arrêt de l’aide et son impact sur le développement est très
faible(5).
Les statistiques sur les projets des médicaments devant permettre des études
objectives souffrent d’une très faible complétude. C’est ainsi que nous avons opté pour une
étude subjective mais quantitative. Il est donc possible, à partir des opinions des prestataires
des soins et le cas échéant des bénéficiaires directs, en vue de prédire et favoriser la
pérennisation des projets des médicaments dans les ZS, de répondre à notre question de
recherche principale et les questions subsidiaires à savoir:
- Quelles sont les facteurs déterminants de la pérennisation des projets des

médicaments ?
- Quelle est la probabilité pour un projet des médicaments d’être pérennisé ?
- Comment peut-on à partir d’une formulation mathématique pronostiquer la

pérennisation des projets des médicaments ?
I.2. BUT ET OBJECTIFS
I.2.1. But
Contribuer à la pérennisation des projets des médicaments dans les Zones de Santé en
RDC.
3
I.2.2. Objectif général
Elaborer le modèle prédictif de la pérennisation des projets des médicaments dans les
Zones de Santé en RDC.
I.2.3. Objectifs spécifiques
1) Identifier les facteurs impliqués dans la pérennisation des projets des médicaments
dans les Zones de Santé.
2) Déterminer l’importance de chaque facteur identifié.
3) Prédire la pérennisation des projets des médicaments dans les Zones de Santé en RDC.
4) Proposer des recommandations pour favoriser la pérennisation des projets des

médicaments dans les Zones de Santé.
I.3. HYPOTHESE DE RECHERCHE
Pour répondre au problème posé dans l’énoncé du problème, nous présumons que la
pérennisation des projets des médicaments est liée à plusieurs facteurs que nous regroupons
en 10 hypothèses à savoir :
1. La disponibilité des médicaments

2. Un Besoin en Fonds de Roulement (BFR) pour faire tourner le projet avant les
premières recettes
3. Une bonne gestion (matérielle, financière, humaine) du projet
4. La réalisation d’une évaluation économique et financière ex-ante du projet
5. Le recyclage régulier du personnel
6. L’accessibilité géographique de la CDR
7. Le pouvoir d’achat de la population
8. Le subventionnement des médicaments
9. L’octroi d’un salaire conséquent au personnel
10. La participation de la communauté à la vie du projet
4
I.4. MODELE CONCEPTUEL
Participation
communautaire
Subvention des
médicaments
Bonne politique Evaluation économique et Besoin en fonds

sanitaire de financière ex-ante des de roulement
l’Etat projets
Accessibilité géographique
de la CDR
Pérennisation
Disponibilité des des projets des
médicaments médicaments
dans la ZS
Octroi d’un salaire

conséquent
Bonne politique
salariale de
l’Etat
Pouvoir d’achat de la
population
Bonne gestion du projet
Formation
suffisante du
personnel Recyclage régulier du
personnel
5
I.5. REVUE DE LA LITTERATURE
Selon l’Organisation mondiale de la santé (OMS), pour améliorer l’accessibilité des

médicaments, quatre facteurs essentiels sont à considérer : l’utilisation rationnelle, les prix
abordables, la viabilité financière, l’efficacité de la distribution(6).
L’intérêt toujours croissant pour rendre le médicament disponible a conduit à une

étude au Bénin qui a abordé l’aspect logistique du médicament, et les résultats suivants ont été
obtenus : la distribution (score 6= insatisfaisant), le stockage (score 36= insatisfaisant) et la
qualité des données (42%) sont insatisfaisants ; la sélection (score 1= passable), la
quantification (score 6= passable), l'acquisition-transport (score 7= passable), l'utilisation
(score 7= passable), la tenue des outils de gestion (score 2 = passable) et la disponibilité des
MEG de « panier » (86%) sont passables ; le taux de satisfaction des commandes est
satisfaisant (99%). L'analyse du système logistique a permis d'identifier des points à améliorer
qui se rapportent au fonctionnement du système pour lesquels des suggestions ont été faites(7).
Dans son document intitulé « Stratégie pharmaceutique de l’OMS : cadre d’action

pour les médicaments essentiels et politiques pharmaceutiques », l’OMS reconnaît que les
médicaments essentiels ont pour impact l’amélioration de la rentabilité des dépenses des
médicaments parce que le secteur privé constitué entre-autres par les ménages connaît une
augmentation de ces dépenses en santé. Et la stratégie proposée est l’élaboration des systèmes
de santé durables en pérennisant leur capacité gestionnaire(8).
La RDC, s’est engagée dans cinq chantiers prioritaires dont le développement et le

renforcement concerté des circuits d’approvisionnement du secteur public
(SNAME) cherchant à assurer la viabilité des CDR opérationnelles et du Bureau Central de
Coordination des Achats de la FEDECAME, dépendant encore du partenariat, par le
renforcement en capital (fonds de roulement et amélioration de la disponibilité de trésorerie)
et permettre un autofinancement de ces structures(9).
Dans une étude menée par Médecins Sans Frontières - Belgique à N’Djamena au
Tchad, analysant le fonctionnement du système des soins et les conséquences pratiques sur la
population en termes de financement et du profit des soins dans les ZS concernée ; il a été
établi que le système de participation communautaire était un des points positifs. Cette
participation communautaire a permis une disponibilité en médicaments dans toutes les
structures par l’augmentation de la fréquentation aux soins dans les structures où aucune
source d’approvisionnement n’existait avant le lancement du système de participation
communautaire(10).
L’algorithme bayésien informatisé a été utilisé dans le diagnostic pré-opératoire des

lésions pulmonaires d’une centaine de patients qui ont été soumis à des explorations
thoracotomiques pour une nouvelle découverte des lésions pulmonaires et ont été évalués de
façon prospective. L’algorithme bayésien avait ainsi correctement classé 96 des 100 lésions
démontrant qu’il existait un certain nombre de critères cliniques et radiologiques pouvant être
utilisés pour prédire le potentiel malin qui n’était jusque-là que l’apanage de la thoracotomie.
6
La sensibilité du modèle était de 98 pour cent et la spécificité était de 87 pour cent. 85 lésions
malignes ont été correctement classées et 13 sur 15 lésions bénignes ont été correctement
analysées par le modèle. La capacité de prédiction pouvait ainsi être mise à profit pour la
médecine(11).
Une étude sur les inférences de deux techniques de biopsie, a conclu que sous
certaines conditions, deux biopsies étaient suffisantes pour déduire le niveau d'oxygénation
tumorale basé sur les dosages immuno-histochimiques de l’Anhydrase carbonique. De plus, il
y avait une concordance équitable entre les mesures directes et indirectes de l’oxygénation de
la tumeur ovarienne (12).
Les méthodes bayésiennes ne sont pas encore largement utilisées. Toutefois, quelques
chercheurs s’y sont mis avec des résultats probants.
En 1993, en République Démocratique du Congo (RDC), l’approche subjective

bayésienne a été utilisée pour prédire le succès du programme des soins de santé primaires
dans les zones de santé du Zaïre. Le modèle élaboré avait une spécificité de 57 %(13).
La même approche utilisée au Département d’Anesthésie et Réanimation des

Cliniques Universitaires de Kinshasa, dans la prédiction d’une intubation difficile, a obtenu
pour la validation interne du modèle une spécificité de 88%. Par la suite, ce modèle a été
soumis à une validation externe donnant une spécificité de 41,3% (14).
Dans le cadre d’un mémoire de spécialisation en pédiatrie, il été développé un modèle

prédictif de la létalité des enfants reçus en urgence aux Cliniques Universitaires de Kinshasa
(CUK). En procédant par la méthode statistique bayésienne, sur huit (8) facteurs de prédiction
de la létalité identifiés et définis par les experts, trois (3) seulement ont été retenus après
confrontation du modèle subjectif bayésien (MSB) au modèle de régression logistique (MRL).
Le MSB a donné une sensibilité de 86% et une spécificité de 33% par rapports aux cas
réels(15).
En 2005, il a été élaboré un modèle de prédiction de la létalité du VIH/SIDA chez les

personnes vivant avec le VIH en utilisant le raisonnement bayésien. Il a été trouvé que le
MSB avait une sensibilité de 93% et une spécificité de 92% et qu’il prédisait correctement la
létalité à 83%(16).
Une étude sur l’analyse des facteurs prédictifs de l’accessibilité aux soins de santé
dans les structures du BDOM a élaboré un modèle qui avait une sensibilité de 89% et une
spécificité de 38%. La probabilité qu’une accessibilité ait lieu lorsque le modèle l’avait
prédit était de 75% (VPP). La probabilité qu’une inaccessibilité ait lieu lorsque le modèle
l’avait prédit était de 63% (17).
Le modèle de prédiction de la mortalité maternelle dans la ville de Kinshasa, élaboré à

partir de l’approche subjective bayésienne a donné comme résultats une sensibilité du MSB
de 56,7% et une spécificité de 96,7% par rapport aux cas réels. Comparé au modèle de
régression logistique (MRL), le MSB était très performant avec une sensibilité de 62%, une
7
spécificité de 100%, une Valeur Prédictive Positive (VPP) de 73,8% et une Valeur Prédictive
Négative (VPN) de 100%(18).
Une étude présentée dans le cadre de spécialisation en pédiatrie aux CUK, a élaboré
un modèle prédictif de la détresse respiratoire chez les enfants de moins de 5 ans dans la ville
de Kinshasa. Elle a trouvé une sensibilité du MSB de 80 % et une spécificité de 68,42% par
rapport aux cas réels. Comparé au modèle de régression logistique (MRL), le MSB était très
performant avec une sensibilité de 84,4%, une spécificité de 78 %, une Valeur Prédictive
Positive (VPP) de 63,33 % et une Valeur Prédictive Négative (VPN) de 91,76 %(19).
Dans une analyse prédictive de la mortalité due au paludisme grave chez les enfants
de moins de 5 ans en RDC, le modèle de BAYES a été utilisé. En comparant, la performance
du Modèle Subjectif de Bayes aux cas réels, la sensibilité ainsi que la spécificité du Modèle
Subjectif de Bayes qui en ont résulté était très significatives, respectivement de 78,5 % et 75
%, signifiant que le modèle prédisait correctement le décès dans 78,5 % de cas ainsi que la
survie dans 75 % de cas. C’est pour dire que le modèle permettait de prédire correctement la
survie des enfants et détectait correctement les vrais négatifs. Dans la même étude, le Modèle
Subjectif de Bayes a été évalué avec le Modèle de Régression Logistique pour conclure le
Modèle Subjectif de Bayes performant avec une sensibilité de 70 %, une spécificité de 67 %
et une valeur d’efficacité globale de 68 %(20).
Les résultats suivants : sensibilité du MSB de 75,55%, spécificité de 60 %, VPP de

87,76%, et VPN s’élevant à 81,81 % ont été trouvées dans une étude analysant les facteurs de
succès des activités génératrices de revenus des personnes vivant avec le VIH à Kinshasa.
Confronté au MRL, le MSB était très performant avec une sensibilité de 100 %, une
spécificité de 64,29 %, une VPP de 90,19 % et une VPN de 100%(21).
Selon les conclusions de l’étude sur « l’efficacité et tolérance des traitements de la

polyarthrite rhumatoïde étudiés par méta-analyse hiérarchique bayésienne. Combinaison
simultanée des résultats relevés dans les essais randomisés et les études observationnelles
avec groupe contrôle », l’analyse hiérarchique bayésienne a permis de mobiliser les données
d’essais et de registres. Appliquée aux traitements ciblés de la PR (ADA, ETN, GOL, INF,
TCZ) elle a mis en évidence, dans les limites de l’étude, la supériorité de l’ETN dans le profil
d’efficacité mais sans en conclure en termes de tolérance. Sur le critère ACR 50, étanercept
(ETN) + méthotrexate présentait l’odd ratio le plus élevé par rapport aux traitements de fond
conventionnels au regard de tous les comparateurs retenus (odd ratio : 9.7 [3.65 ; 22.8]). Si les
odds des registres et des essais randomisés sont analysés ensemble, le risque relatif d’arrêt
d’un traitement par ETN par rapport aux DMARD diminuait de 61% (odd ratio : 0.49 [0.10 ;
1.32] ), l’analyse limitée à l’INF avait montré une réduction de 12% (odd ratio : 0.88 [0.43 ;
1.6] ). La situation était similaire sur le nombre d’infections totales (odd ratio ETN 1.34 [0.51
; 2.77] vs odd ratio INF 1.9 [0.74 ; 4.08]). Le nombre d’infections était plus faible avec ADA
(odd ratio ADA 1.04 [0.39 ; 2.27]). Sur les deux critères retenus, les différences étaient non
significatives(22).
8
Une étude ayant pour objectif d'examiner l'efficacité de la détection aux ultrasons d'un
aplatissement de la région pariétale avec pointage de l'os frontal (bulletshaped = tête en forme
de balle) pour prédire les défauts de la moelle épinière, a trouvé que la sensibilité était de
75% et la spécificité de 98,3%. Ainsi, lorsqu’ un clinicien utilise les ultrasons pour détecter
une tête en forme de balle chez le fœtus, les valeurs ci-dessus seront utilisés pour estimer la
probabilité de défauts de la colonne vertébrale étant donné un résultat positif ou négatif. Si le
test est positif, la probabilité de défauts de la moelle épinière est de 0.757 (VPP).Et lorsque le
test est négatif, la probabilité d'absence de défaut est de 0.982 (VPN). D’où un résultat de test
positif augmente le risque de maladie par rapport à la prévalence et le test négatif en réduit le
risque(23).
I.6. LES STATISTIQUES BAYESIENNES ET LE THEOREME DE BAYES
En 1968, GUSTAFSON et al. , avait développé un Modèle Subjectif Bayésien (MSB)

pour prédire la durée d’hospitalisation. Ils avaient comparé leurs résultats avec ceux d’un
modèle construit à partir des données objectives et avait trouvé que le modèle était aussi
précis que le modèle objectif. Ils avaient trouvé que leur modèle était à 28% plus précis que
l’actuel et 8% plus précis que celui d’un chirurgien.
En 1973, cette même équipe utilisa un Modèle Subjectif Bayésien (MSB) dans une
étude sur la fonction thyroïdienne, développé à partir des estimations de résidents
expérimentés en endocrinologie. Il a été utilisé pour classer 200 cas de dysfonctionnement
thyroïdien repartis en hypothyroïdie, euthyroïdie et hyperthyroïdie.
En 1977, ils conçurent un autre MSB pour détecter les patients se plaignant d’envie
suicidaire dans l’idée de les classer en 2 catégories : ceux qui courent un risque sérieux de
suicide et les autres. Les résultats obtenus ont été comparés aux évolutions observées et
prédictions des psychiatres. Le MSB a identifié plus d’affectés dans 73% des cas que les
psychiatres (38%).
D’autres chercheurs : NUGENT et al. (1964), RINALDO et al. (1963),

PIETRANTONJ et al. (1969) GORRY et al. (1973) avaient mis au point un modèle diagnostic
par ordinateur en utilisant le MSB. Dans leurs travaux, le rapport de vraisemblance (Subjectif
Likelihood Ratio : SLR) était utilisé pour diagnostiquer respectivement la maladie de
Cushing, l’épigastralgie, l’insuffisance rénale aiguë, et les tumeurs. Leurs résultats étaient
encourageants. Les systèmes des ordinateurs fonctionnaient mieux dans le diagnostic correct à
près de 90% de cas comparativement aux diagnostics établis par les spécialistes dans ce
domaine.
En 1992, Carl a développé un modèle subjectif pour prédire le risque de chute des
personnes âgées internées dans les homes des vieillards.
9
En République Démocratique du Congo (RDC), le professeur Docteur MUNYANGA

a utilisé l’approche subjective bayésienne dans la prédiction du succès du programme des
soins de santé primaires dans les zones de santé du Zaïre.
En 1997, au département d’anesthésie réanimation des Cliniques Universitaires de

Kinshasa (CUK), un modèle mathématique théorique pour la prédiction d’une intubation
difficile a été élaboré par Docteur BARHAYIGA suivant l’approche subjective bayésienne.
Ce modèle a été soumis à une validation externe par Docteur MAPONDA en 1998 et le
résultat du modèle de Bayes ont été confirmés.
En 2004, LOSE a développé un modèle subjectif pour prédire la létalité des enfants
âgés de 0 à 5 ans aux Cliniques Universitaires de Kinshasa (CUK)., Ce modèle a été soumis à
une validation externe aux CUK, à l’Hôpital pédiatrique de Kalembelembe, et à l’Hôpital
Général de Kinshasa.
I.6.1. Origines des statistiques de BAYES
Les Statistiques Bayésiennes tirent leur nom de « BAYES » (1702-1761), qui le

premier a posé au 18ème siècle les bases mathématiques de la détermination de la valeur
prédictive des tests dans le domaine de la médecine.
Il existe deux méthodes d’acquisition des connaissances dont les racines remontent au
débat classique entre les philosophes idéalistes et réalistes. Il s’agit de la méthode subjective
et la méthode objective. Pour les idéalistes, la réalité existe dans l’esprit des observateurs, un
consensus entre les observateurs s’avère nécessaire. Pour les réalistes, la réalité existe
indépendamment de l’observateur.
Dans une approche subjective, l’accent est mis sur l’analyse des opinions des experts
qui sont les unités statistiques. Dans une approche objective, l’accent est mis sur l’observation
directe qui est l’unité statistique.
I.6.2. Caractéristiques des statistiques bayésiennes
Les Statistiques Bayésiennes sont un moyen mathématique qui permet d’estimer les
chances d’un jugement correct (valeurs prédictives d’un test) sur la base de la validité du test
utilisé (sensibilité, spécificité, probabilité d’un résultat faussement positif et faussement
négatif) et de l’ampleur du phénomène dans un milieu donné (prévalence de la maladie,
prévalence de la santé).
Les Statistiques Bayésiennes constituent une approche quantitative considérée comme

subjective car elles étudient les opinions des experts et la consistance de leur interaction.
10
Selon De FINETTI, dans ce cas, l’ordre dans la sélection d’un échantillon n’est pas
jugé important surtout pour les événements rares non répétitifs. Les Statistiques Bayésiennes
sont utilisées lorsqu’un processus de quantification est nécessaire dans une prise de décision
et lorsqu’il n’y a pas un système fiable de collecte des données. Elles utilisent la philosophie
idéaliste, c'est-à-dire, la réalité n’existe que dans la tête de quelqu’un ; Un consensus entre
experts suffit pour constituer une réalité contrairement à la philosophie réaliste qui soutient
que la réalité existe et peut être observée dans la nature. Elles trouvent des applications dans
plusieurs domaines de l’activité humaine. Les Statistiques Bayésiennes différent des
statistiques conventionnelles et s’utilisent sans contrainte étant donné qu’elles sont générées
par les choix des experts. Elles tiennent compte de l’ordre dans le choix des experts ; Ce qui
exclut le hasard dans la collecte des données.
Les statistiques traditionnelles quant à elles sont considérées comme approche

objective du fait qu’elles étudient des événements directement observables et répétitifs. Il
s’avère nécessaire dans ce cas de sélectionner un échantillon au hasard. Ces statistiques sont
indiquées par des événements observables et répétitifs.
Une autre différence(24) entre les statistiques bayésiennes (ou inférence bayésienne) et
les statistiques classiques, dites aussi fréquentistes, est que :
 les méthodes bayésiennes utilisent des méthodes impersonnelles pour mettre à jour des
probabilités personnelles, dites aussi subjectives (une probabilité est en fait toujours
subjective, lorsqu'on analyse ses fondements),
 les méthodes statistiques utilisent des méthodes personnelles pour traiter des
fréquences impersonnelles.
Les bayésiens font donc le choix de modéliser leurs attentes en début de processus
(quitte à réviser ce premier jugement en donnant des poids de plus en plus faibles aux aprioris
au fur et à mesure des observations), tandis que les statisticiens classiques se fixaient a priori
une méthode et une hypothèse arbitraires et ne traitaient les données qu'ensuite.
La possibilité de diminuer automatiquement le poids des aprioris au fur et à mesure de

l’acquisition des données a permis aux modèles bayésiens d'être largement utilisés en data
mining. En effet, contrairement aux méthodes classiques, ils ne nécessitent que peu
d'interventions humaines pour redéfinir les hypothèses lorsque ces dernières sont mauvaises.
Dans leur nature, les deux branches des statistiques ont un biais de départ à contrôler,
à savoir :
- Un biais pré expérimental dans les Statistiques Bayésiennes, car les experts spécifient
leur opinion sur l’expérience avant la mise en place de l’expérience ;
- Un biais de sélection en rapport avec le groupe expérimental et le groupe de
comparaison dans les statistiques traditionnelles.
11
I.6.3. Rappel sur le théorème de BAYES
Ce théorème précise comment quelqu’un pourrait revoir son estimation, son jugement,
ou la conviction sur l’occurrence d’un événement à la lumière d’une nouvelle information.
- Estimation, jugement, conviction = probabilité à priori (probabilité d’occurrence ou

non, sans information) ;
- Nouvelle information = rapport de vraisemblance (impact d’une nouvelle
information) ;
- Probabilité à posteriori = probabilité d’un événement anticipé = Information sur la
chance d’un événement à se produire ou pas sans information X Impact d’une
nouvelle information ;
- Théorème de Bayes : probabilité d’un événement anticipé = Impact d’une information
nouvelle X Probabilité d’occurrence ou non de l’événement sans information.
Comme tout modèle mathématique, le Théorème de Bayes se base sur la notion de

probabilité.
Avant d’aborder la notion de probabilité, il est important de définir les concepts

« facteur indépendant », « facteur dépendant » et « facteur mutuellement exclusif » :
- Le facteur indépendant est celui qui, seul ou en conjonction avec d’autres facteurs, est
utilisé pour décrire un facteur dépendant.
- Le facteur dépendant est celui qui varie en fonction d’un ou d’autres facteurs.
- Le facteur mutuellement exclusif : Deux facteurs A et B sont dits mutuellement
exclusifs ou incompatibles s’ils ne peuvent se réaliser tous les deux simultanément,
c'est-à-dire leur conjonction est un événement impossible. (A∩B) ≠ O
Le concept de probabilité peut se définir de deux manières :
- Une manière objective ou à priori : lorsqu’une procédure en n issues est également

possibles et si nA de ces issues possèdent une caractéristique A (encore appelé issue
favorable) alors cette caractéristique a une probabilité nA/n, qui s’écrit : P (A) = nA/n.
La fréquence relative est également utilisée pour fournir une définition « à
posteriori » de la probabilité : lorsqu’un processus est répété en grand nombre de fois,
nA et si un événement, avec une caractéristique E se produit m fois, la fréquence
relative de E, soit m/ nA sera approximativement égale à la probabilité E:P (E) = m/ n.
- Une manière subjective : si les données réelles (observables) n’existent pas ou sont
peu fiables, on peut utiliser les experts pour générer les probabilités. Dans ce cas, la
probabilité de E est la chance avec laquelle les experts ont la conviction que
l’événement va se produire.
12
Soit S un ensemble fondamental associé à une expérience aléatoire :
P (AUB) = P (A) + P (B) pour facteurs mutuellement exclusifs
P (A∩B) = P (A) x P (B) pour facteurs indépendants
Or le calcul d’une probabilité exige des dénombrements d’ensembles finis dont les grands
principes sont la multiplication et l’addition et permet d’évaluer les degrés de risque attachés
à chaque décision selon les circonstances.
I.6.4. Base mathématique du théorème de BAYES
Désignons par A un événement particulier et A l’absence de cet événement et introduisons la

notion suivante :
1. P (A) = Probabilité à priori ou probabilité pré-test de la présence de cet événement

dans la population {Prior Odd. (Pr O)} = Prévalence de cet événement dans
la population.
2. P ( A ) = Probabilité à priori de l’absence de l’événement dans une population et

P ( A ) = 1 - P (A)
3. B = Facteur B quelconque.
4. B = Absence du facteur B
5. P (B /A) = Probabilité de la présence de B étant donné l’événement A (Sensibilité)
6. P ( B /A) = Probabilité de l’absence de B étant donné l’événement A et
P ( B /A) = 1 - P (B /A)
7. P ( B / A ) = Probabilité de B étant donné A (Spécificité)
8. P (B / A ) = Probabilité de B, étant donné A et P (B / A ) = 1 - P ( B / A )
9. P (A /B) = Probabilité à posteriori ou probabilité post-test que l’événement A soit, étant
donné B (Posterior Odd. P.O) = Valeur Prédictive Positive (VPP)
10. P( A / B ) = Probabilité à posteriori que l’événement A ne soit pas, étant donné l’absence
de B = Valeur Prédictive Négative (VPN)

13
( B / A)
11. P = Rapport de Vraisemblance (RV) = le quotient de la présence de B, étant
(B / A)
donné A, et la présence de ce même facteur étant donné A (LikeliHood
Sensibilit é
Ratio ou LHR) =
1  Spécificit é
( B / A) 1  Sensibilit é
Et pour P =
(B / A) Spécificit é
A ce niveau, il s’avère important de définir les concepts « sensibilité », « spécificité »,

« valeur prédictive positive », « valeur prédictive négative » et « prévalence » :
1. Sensibilité : probabilité pour le modèle de prédire un événement si cette situation existe

véritablement. Sur 100 cas décédés estimés par les experts, combien le modèle détecte
comme décédés réellement.
2. Spécificité : probabilité pour le modèle de prédire l’absence de l’événement si cette

possibilité n’existe pas. Sur 100 cas survivants estimés par les experts, combien le modèle
détecte comme réellement survivants.
3. Valeur prédictive positive : indique la manière dont un événement pourrait arriver si le

modèle prédit un résultat positif. Sur 100 cas estimés décédés, combien sont réellement
décédés.
4. Valeur prédictive négative : indique la manière dont l’absence de l’événement pourrait

arriver lorsque le modèle prédit un résultat négatif. Sur 100 cas estimés survivants,
combien sont réellement survivants.
5. Prévalence : La prévalence Pt d’une maladie ou d’un problème de santé, dans une

population de taille n, à un moment t donné, est égale au nombre d’individus malades ou
porteurs de la caractéristique étudiée « les cas » à ce moment, divisé par la population
étudiée à ce moment.
Le numérateur de ce rapport comprend tous les sujets qui présentent la caractéristique étudiée
au moment de la mesure (Ct). La définition du numérateur requiert l’usage de critères
uniformes pour définir les cas et un contrôle des erreurs d’observations. Le dénominateur
comprend tous les sujets qui forment la population étudiée, c'est-à-dire les malades et les non
malades (nt = Ct + non Ct), et requiert un dénombrement précis de la population. On a,
Pt = Ct / nt .
14
La prévalence est une proportion, bien qu’on utilise souvent à tort l’expression « taux de
prévalence ». En tant que proportion, elle est une quantité finie dont la valeur est comprise
entre 0 et 1. Elle s’exprime sans unité particulière, sinon une unité de taille (pour 100,
pour1000, etc.).
I.6.5. Forme générale du théorème de BAYES
Le Théorème de Bayes est une application directe de la probabilité conditionnelle.
Soient l’événement A et le facteur B :
P( A  B)
P (A /B) = → P (A∩B) = P (A /B) x P (B)
B
P( A  B)
P (B /A) = → P (B∩A) = P (B/A) x P (A)
A
Or P (A∩B) = P (B∩A)
Donc P (A /B) x P (B) = P (B/A) x P (A)  P (A /B) = P( B / A)  P( A)

P( B)
Or P (B) = P (B/A) x P (A) + P (B/ A ) X P ( A )  probabilité de B = la somme des

produits P (B/A) x P (A) et P (B/ A ) x P ( A )
P( B / A)  P( A)
Donc P( A / B) 
P( B / A)  P( A)  P( B / A )  P( A )
Nous le lisons comme suit : probabilité de l’événement A étant donné le facteur B est égale au
quotient du produit de la probabilité B étant donné A par la probabilité A et la probabilité B.
Dans le cadre du diagnostic médical, une probabilité conditionnelle peut se définir de la

manière suivante : Sachant que le test T positif (ou négatif), que puis-je dire sur la probabilité
de la maladie M ?
Pour un test positif (T) ou négatif ( T ) et une maladie présente (M) ou absente ( M ), le
théorème de Bayes s’écrit :
P(T / M )  P( M )
P( M / T ) 
P(T / M )  P( M )  P(T / M )  P( M )
15
Nous le lisons comme suit : probabilité de la maladie M étant donné le test positif (T) est
égale au quotient du produit de la probabilité du test positif (T) étant donné la maladie M par
la probabilité de la maladie M et la somme du produit de la probabilité du test positif (T) étant
donné la maladie M par la probabilité de la maladie M et du produit de la probabilité du test
positif (T) étant donné l’absence de la maladie M par la probabilité de l’absence de la maladie
M. Ce qui s’écrit encore :
Se  Pr évalence
VPP =
e  Pr évalence   (1  Sp)  1  Pr évalence 
Et nous le lisons comme suit : Valeur prédictive positive est égale au quotient du produit de
la sensibilité par la prévalence sur la somme du produit de la sensibilité par la prévalence
ajoutée au produit de 1 moins la spécificité et 1 moins la prévalence.
I.6.6. Forme simplifiée du théorème de BAYES « Odds form »
L’utilisation de cette forme nécessite de connaître la notion de « cote », terme employé

dans le milieu de course de chevaux, jamais en médecine où l’on emploie la traduction
anglaise « odds ». La relation entre odds et probabilité est exprimée dans :
P
odds =
1 P
odds
P=
1  odds
PO
Sp =
1  PO
La formule (1) peut se réécrire comme suit :
odds post-test = odds pré-test X rapport de vraisemblance

Donc P.O.R = Pr.O.R x LHR
P( A / B) P( B / A)  P( A)
Où =
P( A / B) P( B / A )  P( A )
S’il existe plusieurs facteurs indépendants conditionnant, nous appliquons la loi de la

multiplication :
P( A / B1 , B2 , B3  Bn ) P( B1 / A) P( Bn / A) P( A)
   
P( A / B1 , B2 , B3  Bn ) P( B1 / A ) P( Bn / A ) P( A )
16
L’utilisation de nomogramme rend son application plus aisée. Il permet d’appréhender

facilement l’importance de la connaissance de la probabilité à priori du facteur recherché
dans toute interprétation du résultat, positif ou négatif, d’un examen à visée diagnostique.
II. METHODOLOGIE
II.1. TYPE D’ETUDE
Dans le cadre de cette recherche il a été réalisé une étude analytique basée sur le
Raisonnement Bayésien, qui a été validé par une approche objective.
II.2. UNITES STATISTIQUES
Les unités statistiques étaient constituées par les Experts.
II.3. METHODE ET TECHNIQUE
II.3.1. Construction du Modèle Subjectif de BAYES (MSB)
La démarche suivante a été suivie pour construire le modèle:
1. Sélection des experts

2. Formation des experts
3. Identification, regroupement et définition des facteurs
4. Elaboration du modèle
5. Evaluation du modèle
II.3.1.1. Sélection des experts
Le choix des experts s’était fait sur base des critères ci-après (annexe 1) :
a. Qualification : (doctorat en médecine ou diplôme de licence et de graduat) ;

b. Expérience professionnelle d’au moins 5 ans dans la structure ;
c. Des aptitudes et connaissances sur les projets des médicaments ;
d. Disponibilité durant toute l’étude.
17
Les experts ont été recrutés dans la ville de Kinshasa., Ils étaient au nombre 10 dont
2 (pharmaciens) résidant à Kinshasa et 8 (MCZ et AG) en formation et ayant rempli les
critères de sélection.
II.3.1.2. Interview des experts
Cette séance avait pour objectif :
- Identifier parmi les candidats sélectionnés, ceux à maintenir pour l’étude ;

- Récolter les éléments préliminaires à l’élaboration du modèle (Annexe 3).
Ainsi, douze jours avant les étapes suivantes, les experts ont été rencontré et pour
discuter sur les facteurs qui assurent la pérennisation des projets des médicaments, selon le
canevas suivant :
a. Briefing des experts sur l’étude ;

b. Partage des connaissances sur la pérennisation des projets des médicaments ;
c. Administration d’un questionnaire individuel servant à citer et définir
opérationnellement, selon leur expérience, les facteurs intervenant dans la
pérennisation des projets des médicaments dans les ZS, constituant la liste exploitée le
jour de l’élaboration du modèle, contenant les données de départ pour l’analyse de
notre étude.
Ensuite une lettre d’invitation (Annexe 2) a été minutée et envoyée aux retenus pour
participer à l’étude.
II.3.1.3. Formation des experts
Les objectifs de cette séance étaient de :
- Renforcer les connaissances des experts dans la tâche à exécuter ensemble;

- Briefer sur les probabilités, le théorème de Bayes, l’importance du modèle
mathématique de Bayes dans la résolution des problèmes de santé publique ;
- Expliquer les buts de l’étude
- Identifier les facteurs de pérennisation des projets des médicaments dans les ZS en
RDC
- Déterminer l’importance de chaque facteur identifié;
- Prédire la pérennisation des projets des médicaments
- Proposer des recommandations pour favoriser la pérennisation des projets des
médicaments.
- Produire par la technique du Brainstorming, la liste compilée de tous les facteurs
énumérés par les experts.
18
La séance de travail avait eu lieu le 17 décembre 2011 dans les installations de l’ESP
où le sujet de l’étude et la méthodologie ont été explicitée par l’animateur et les suggestions
émises enregistrées par un secrétaire.
II.3.1.4. Identification, Regroupement et Définition opérationnelle des

facteurs
Cette étape avait consisté à identifier (par la technique de brainstorming), regrouper

(par la technique de groupe nominal), les facteurs en facteurs indépendants en leur donnant
une définition opérationnelle.
Le consensus a été très nécessaire pour grouper les facteurs selon leur affinité et leur
donner à chacun une définition opérationnelle.
II.3.1.5. Elaboration du Modèle Subjectif de BAYES
L’élaboration du modèle était l’étape de base de notre recherche, au cours de laquelle

il a été déterminé les éléments suivants :
1. Le quotient de la probabilité à priori (QAP) ou prior odd ratio

2. Les rapports de vraisemblances (RV) ou Likelihood ratio
3. Le quotient de la probabilité a posteriori (QAPO)
II.3.1.5.1. Détermination du Quotient de probabilité à priori (QAP)
Pour déterminer la probabilité de pérennisation P (p), la question suivante a été posée

aux experts, à savoir : « Sur 10 projets des médicaments que vous connaissez, combien ont été
pérennisés ? » (Annexe 4).
Les réponses obtenues à cette question, ont permis de calculer les moyennes
arithmétiques des estimations des probabilités de pérennisation des projets des médicaments.
La probabilité de non pérennisation P (np), a été déduite de la P (p), soit

P (np) = 1- P (p).
Les résultats sont présentés dans le tableau n° I.

19
II.3.1.5.2. Détermination des Rapports de Vraisemblance (RV) ou

LikeliHood Ratio
Pour déterminer les Rapports de vraisemblance, la démarche avait exigé de poser à

chaque expert, deux questions d’estimation (Annexe 5), auxquelles ils avaient répondu en
fonction de leur expérience, à savoir :
1. Sur 10 projets qui ont été pérennisés, combien avaient un ou les facteurs retenus 1, 2,
3, 4, 5 successivement ?
2. Sur 10 projets qui n’ont pas été pérennisés, combien avaient quand même un ou les
facteurs retenus ?
A la première question, les probabilité des facteurs étant donné la pérennisation ou les
probabilités d’avoir les facteurs étant donné que le projet a été pérennisé P (F1/p), P (F2/p), P
(F3/p), P (F4/p), P (F5/p) ont été obtenus ; desquelles il a été déduit les probabilités de ne pas
avoir les facteurs de pérennisation étant donné que le projet a été pérennisé ou ceux qui ont
été pérennisés sans avoir les facteurs P ( F 1/p), P ( F 2/p), P ( F 3/p), P ( F 4/p), P ( F 5/p), qui
sont égales à 1- P ( F n/p).
Le principe étant le même pour la deuxième question, les probabilités P(F1/np),

P(F2/np), P (F3/np), P(F4/np), P(F5/np) ont été obtenus; desquelles il a été aussi déduit les
probabilités de ne pas avoir les facteurs de pérennisation étant donné que le projet n’a pas été
pérennisé ou ceux qui n’ont pasété pérennisés sans avoir les facteurs P ( F 1/np), P ( F 2/np), P
( F 3/np), P ( F 4/np), P ( F 5/np), qui sont égales à 1- P ( F n/np).
Les résultats obtenus à partir des réponses des experts sont repris dans le tableau n° II.
20
LH Fi/p LH Fi/np RV (LHR)
P (F1/p) = a1 P (F1/np) = a3 a1 /a3 = i
P (F2/p) = b1 P (F2/np) = b3 b1/b3 = j
P (F3/p) = c1 P (F3/np) = c3 c1 /c3 = k
P (F4/p) = d1 P (F4/np) = d3 d1/d3 = l
P (F5/p) = e1 P (F5/np) = e3 e1/e3 = m
LH ̅ i/p LH ̅ i/np RV (LHR)
P ( ̅ 1/p) = a2 P ( ̅ 1/np) = a4 a2 /a4 = p
P ( ̅ 2/p) = b2 P ( ̅ 2/np) = b4 b2/b4 = q
P ( ̅ 3/p) = c2 P ( ̅ 3/np) = c4 c2 /c4 = r
P ( ̅ 4/p) = d2 P (̅ 4/np) = d4 d2/d4 = s
P ( ̅ 5/p) = e2 P ( ̅ 5/np) = e4 e2/e4 = t
Le rapport de vraisemblance ou Likelihood ratio (LHR) permet de déterminer

l’impact d’un facteur quelconque sur l’événement dans les conditions suivantes :
- Si LHR >1, le facteur augmente la probabilité de pérenniser un projet, l’impact sur la
pérennisation est positif (+).
- Si LHR <1, le facteur diminue la probabilité de pérenniser un projet, l’impact sur la
pérennisation est négatif (-).
- Si LHR=1, le facteur est indifférent
II.3.1.5.3. Détermination du Quotient de probabilité à posteriori
A partir du quotient de probabilité a priori (QAP) et des rapports de vraisemblance

(RV), le quotient de probabilité a posteriori (QAPO) a été calculé en utilisant le théorème de
Bayes.
    
P( F1 ou F1 / p) P( F2 ou F2 / p) P( F3 ou F3 / p) P( F4 ou F4 / p)P( p) P( F5 ou F5 / p)
Po  
 
 
 
 

P( F1 ou F1/ np) P( F2 ou F2 / np) P( F3 ou F3 / np) P( F4 ou F4 / np) P( F5 ou F5 / np) P (np)
21
II.3.1.5.4. Détermination de la probabilité de la réalisation de

l’évènement
Lorsque la QAPO a été obtenue, la probabilité pour un projet d’être pérennisé a été
QAPO
trouvée avec la formule suivante : P 
1  QAPO
II.3.1.6. Evaluation du Modèle Subjectif de BAYES
L’évaluation du modèle avait suivi les étapes suivantes :
- Détermination du degré d’agrément intra et inter experts ;
- Détermination du critère de discrimination (Cut Off Point ou COP)
- Validation interne du modèle ;
- Validation externe du modèle
II.3.1.6.1. Détermination du degré d’agrément intra et inter experts
Il a été demandé aux experts de construire chacun 5 cas hypothétiques (Annexe 6)

des projets avec les facteurs qui contribuent à la pérennisation des projets des médicaments
pour établir le degré d’agrément entre experts deux à deux. Des 50 cas collectés, chaque
expert avait prédit la pérennisation ou non d’un projet des médicaments.
La mesure du degré d’agrément s’est faite au moyen des statistiques Kappa à l’aide de la
P  Pe
formule suivante : K = o
1  Pe
Po représente la probabilité de concordance observée
Pe représente la probabilité de concordance attendue
Pour juger de la perfection de l’agrément, les critères suivants ont été utilisés :
- K > 0,75 : Agrément excellent

- 0,4 ≤ K ≥ 0,75 : Agrément bon
- K < 0,4 : Agrément pauvre
Le tableau (annexe 11) montre les valeurs de K calculées.

22
II.3.1.6.2. Détermination du critère de discrimination (Cut Off Point)
Le critère de discrimination représente la valeur de 0,1 à 0,9 pour laquelle le modèle

a une très grande sensibilité et une très grande spécificité. Pour chaque valeur de 0,1 à 0,9 la
sensibilité, la spécificité, la valeur prédictive positive, la valeur prédictive négative est
calculée pour retenir le critère de discrimination qui a en même temps une haute sensibilité et
spécificité. Pour réaliser la détermination du critère de discrimination, des matrices ont été
élaborées entre les probabilités générées par les experts (opinions des experts) sur les cas
hypothétiques et celles obtenues par le MSB (0,1  0,9). A titre d’exemple :
Consensus Experts Consensus Experts

+ 0,5 - Total + 0,5 - Total
a b A = a+b
+
a b A = a+b
+
MSB
MSB
0,9
0,1
c d B = c+d c d B = c+d
-
-
Total C =a+c D = b+d X = a+b+c+d Total C =a+c D = b+d X = a+b+c+d
Les tableaux de calculs en annexe nous montrent les calculs réalisés permettant d’avoir tous
les éléments utiles à la détermination du Cut Off Point (COP).
Les résultats sont consignés au tableau n0 VII.
II.3.1.6.3. Validation interne du Modèle Subjectif de BAYES
La validation interne du modèle a été faite à partir des probabilités du consensus des
experts sur les cas hypothétiques et des probabilités du MSB en calculant les indicateurs
suivants :
- Sensibilité (Se)
- Spécificité (Sp)
- Valeur Prédictive Positive (VPP)
- Valeur Prédictive Négative (VPN)
23
La table de contingence suivante a été construite.
Consensus Experts Total

+ 0,5 -
a b A = a+b
+
MSB
0,5
c d B = c+d
-
Total C = a+c D = b+d X = a+b+c+d
a a
Se  VPP 
ac ab
d d
Sp  VPN 
bd cd
ad
Valeur d ' efficacité globale 
abcd
C’est seulement quand le Cut Off Point a été sélectionné que le modèle a été utilisé pour
classer les cas dans la pérennisation et la non pérennisation.
II.3.1.6.4. Validation externe du Modèle Subjectif de BAYES
II.3.1.6.4.1. Confrontation du MSB aux cas réels
La validation externe avait permis de confronter le MSB aux cas réels pour confirmer
sa performance.
Il a été identifié 35 cas réels (projets des médicaments : Annexes 14-16) à raison des
35 ZS de la ville province de Kinshasa ; et cherché à l’aide d’un canevas de collecte des
données (Annexe 3) la présence ou l’absence des facteurs indépendants retenus dans l’étude
dans ces projets. La performance de MSB a été évaluée en recherchant les paramètres
suivants : la sensibilité, la spécificité, la valeur prédictive positive, la valeur prédictive
négative.
24
Pour cela une table de contingence a été produite et les indicateurs de performance et
d’agrément ont été calculés.
CAS REELS Total

+ 0,5 -
+
a b A = a+b
MSB
0,5
c d B = c+d
-
a = vrai positif = MSB prédit la pérennisation, nous avons la pérennisation sur le terrain.
b = faux positif = MSB prédit la pérennisation, MSB prédit la non pérennisation sur le
terrain.
c = faux négatif = MSB prédit la non pérennisation, nous avons pérennisation sur terrain.
d = vrai négatif = MSB prédit la non pérennisation, nous avons la non pérennisation sur le
terrain.
a a
Se  VPP 
ac ab
d d
Sp  VPN 
bd cd
ad
abcd
Degré d’agrément :
Po  Pe
K
1  Pe
ad
Po 
x
Pe = (a1 x b1) + (a2 x b2)
a1= A
X
a2= C
X
b1= XB b2= DX
25
II.3.1.6.4.2. Confrontation du MSB aux MRL
Pour mieux confirmer la performance du MSB, un modèle de régression logistique (MRL) a

été élaboré, comparé avec le logiciel SPSS 12.0, de la forme suivante:
)     X 1   X 2  X 3   X 4  X 5  
p
ln (
1 p 0 1 2 3 4 5
La table de contingence suivante a été produite et les indicateurs de performance et

d’agrément calculés.
MRL Total
+ 0,5 -
+
a b A = a+b
MSB
0,5
c d B = c+d
-
a a
Se  VPP 
ac ab
d d
Sp  VPN 
bd cd
ad
abcd
Degré d’agrément :
Po  Pe
K
1  Pe
ad
Po 
x
Pe = (a1 x b1) + (a2 x b2)
a1= A
X
a2= C
X
b1= XB b2= DX
26
II.3.1.7. Traitement et analyse des données
Le MSB a été analysé avec le logiciel MS Excel pour le calcul des moyennes et le
MRL à l’aide des logiciels EViews 5.0 et SPSS 12.0.
III. PRESENTATION ET INTERPRETATION DES RESULTATS
III.1. LISTE DES FACTEURS CONTRIBUANT A LA PERENNISATION DES

PROJETS DES MEDICAMENTS DANS LES ZONES DE SANTE EN RDC
1. Adhésion de l’ECZ à la politique pharmaceutique nationale

2. La qualité des services (distribution, dispensation)
3. Autonomie de gestion pharmaceutique des structures
4. Gestion rationnelle
5. Capacité d’autofinancement propre
6. Disponibilité des médicaments
7. Accessibilité financière de la population
8. Participation communautaire
9. Existence des mutuelles de santé
10. Expérience et niveau d’étude du MCZ (MPH)
11. Présence d’un pharmacien
12. Personnel formé en gestion, prescription rationnelle des médicaments, bonnes
pratiques de distribution, usage de la liste nationale des médicaments essentiels, SSP
13. Existence des ressources et équipements (transport, dépôt, officine, matériels de froid,
comité de sélection et acquisition)
14. Gestion transparente et communautaire
15. Appui financier (subventions, subsides)
16. Utilisation des services
17. Bon circuit d’approvisionnement (toutes les étapes)
18. Absence de catastrophes naturelles
19. Bonne sélection suivant le profil épidémiologique
20. Respect des commandes de la ZS (Taux satisfaction ± 80%)
21. Evaluations périodiques
22. Participations des bénéficiaires (élaboration, exécution, évaluation)
23. Disponibilité des médicaments de qualité
24. Motivation du personnel
25. Accessibilité géographique de la CDR
26. Supervision, Suivi, Inspection, Contrôle et Enquête de satisfaction/utilisation dans la
communauté par la DPS, la ZS
27. Recyclage régulier des médicaments (CMM)
28. Bonne gestion des stocks
27
29. Présence d’un préposé à la pharmacie

30. Bon système d’approvisionnement
31. Outils de gestion bien tenus et à jour
32. Gestion financière des médicaments à part
33. Bonne politique de tarification (Coût d’achat, marge bénéficiaire, concertation)
34. Intervention de l’Etat (réglementation)
35. Existence de CDR
36. Prescription rationnelle des médicaments
37. Importance du budget alloué au projet
38. Accessibilité culturelle
39. Montant consistant (BFR ± 2 ans)
40. Bon recouvrement des coûts (éviter détournement, vente parallèle des médicaments et
gratuité des médicaments pour le personnel ; caisse unique)
41. Répartition des rôles dans la gestion (BCZ, Communauté, Prestataires)
42. Sensibilisation de la population à l’utilisation des services
43. Mise en place d’un contrat de performance
44. Utilisation stricte des MEG (Liste nationale)
45. Disponibilité dans les FOSA des listes des MEG et ordinogrammes
46. Promotion des MEG dans la ZS
47. Evaluation financière avant réalisation du projet
48. Recyclage des recettes
III.2. LISTE DES FACTEURS INDEPENDANTS
De la liste compilée de 48 facteurs ci-haut cité, 5 facteurs indépendants ont été retenus
et définis de manière opérationnelle :
1. Respect de la politique pharmaceutique nationale

2. Présence d’un personnel qualifié et compétent
3. Gestion rationnelle des médicaments
4. Accessibilité financière et culturelle de la population

Le respect de la politique pharmaceutique nationale est définit comme le respect de la
liste nationale des médicaments essentiels, du circuit d’approvisionnement et de
distribution des médicaments en RDC.

La présence d’un personnel qualifié et compétent correspond à la disponibilité d’un
personnel qui a suivi le cursus normal des études ayant trait aux médicaments et qui
est formé et recyclé régulièrement.
28

La gestion rationnelle consiste en la disponibilité en matériels, équipements et
médicaments accompagnés de leurs outils de gestion et de finance, caractérisée par la
rentabilité et la capacité d’autofinancement.

L’accessibilité financière et culturelle de la population est la possibilité pour la
population d’obtenir des soins à un prix abordable et culturellement acceptable.
La motivation est définit comme un encouragement au travail effectué, soit par un bon
salaire soit par une prime conséquente.
6. Autres
Projet des médicaments dans une Zone de Santé
C’est un ensemble d’activités et d’opérations régulières combinant des ressources
(humaines, matériels et financières) planifiées dans le temps, dans le but de rendre
disponible les médicaments essentiels qui répondent au profil épidémiologique de la
ZS à un coût accessible à toutes les couches de la population, dont on attend
l’amélioration de la qualité de vie.
Pérennisation d’un projet des médicaments

C’est la capacité pour un projet d’assurer son fonctionnement continuel avec ou sans
l’assistance extérieure en s’appuyant sur les ressources locales.
III.3. ELABORATION DU MODELE SUBJECTIF DE BAYES
III.3.1. Détermination du Quotient de probabilité à priori (QAP)
Tableau n0 I : Calcul des probabilités de pérennisation
EXPERTS E1 E2 E3 E4 E5 E6 E7 E8 E9 E10 ∑ n ∑/n
P (p) 0,1 0,2 0,2 0,1 0,1 0,2 0,1 0,1 0,1 0,3 1,5 10 0,15
P (np) 0,9 0,8 0,8 0,9 0,9 0,8 0,9 0,9 0,9 0,7 8,5 10 0,85
∑ = Somme n = Nombre d’experts ∑/n = Somme/ Nombre d’experts

29
QAP = = 0,18
III.3.2. Détermination des Rapports de Vraisemblance (RV) ou

Likelihood Ratio
Tableau n0 II : Calcul des probabilités des facteurs étant donné la pérennisation
Expert E1 E2 E3 E4 E5 E6 E7 E8 E9 E10 ∑ n ∑/n
F1+ 0,2 0,1 0 0,4 0,8 1 0,2 0,5 1 0 4,2 10 0,420
F2+ 0,4 0,2 0,2 0,4 1 1 0,1 0,5 0,7 0,8 5,3 10 0,530
F3+ 1 0,1 0,2 0,1 1 0,7 0,1 1 0,8 0,1 5,1 10 0,510
F4+ 0,8 0,1 0,1 0,4 0,6 0,8 0,1 0,7 0,7 0,6 4,9 10 0,490
F5+ 1 0 0,2 0,1 1 0,6 0 0,5 1 0,2 4,6 10 0,460
Tableau n0 III : Calcul des probabilités des facteurs étant donné la non pérennisation
Expert E1 E2 E3 E4 E5 E6 E7 E8 E9 E10 ∑ n ∑/N
F1+ 0,1 0,6 0,3 0,4 0,2 0 0 0 0,7 0 2,3 10 0,230
F2+ 0,3 0,1 0,5 0,3 0 0,6 0 0,5 0,7 0,3 3,3 10 0,330
F3+ 0 0 0,4 0 0 0,1 0 0 0,2 0 0,7 10 0,070
F4+ 0,3 0,3 0,4 0 0,4 0,3 0,2 0,4 0,3 0,4 3 10 0,300
F5+ 1 0,2 0,4 0,4 0 0 0 0,5 0,3 0 2,8 10 0,280

30
Tableau n0 IV : Calcul des rapports de vraisemblance (ABAQUE)
LH Fi/p LH Fi/np RV (LHR) IMPACT
P (F1/p) = 0,420 P (F1/np) = 0,230 1,83 +
P (F2/p) = 0,530 P (F2/np) = 0,330 1,61 +
P (F3/p) = 0,510 P (F3/np) = 0,07 7,29 +
P (F4/p) = 0,490 P (F4/np) = 0,300 1,63 +
P (F5/p) = 0,460 P (F5/np) = 0,380 1,64 +
LH ̅ i/p LH ̅ i/np RV (LHR) IMPACT
P (̅ 1/p) = 0,580 P (̅ 1/np) = 0,770 0,75 -
P (̅ 2/p) = 0,470 P (̅ 2/np) = 0,670 0,70 -
P (̅ 3/p) = 0,490 P (̅ 3/np) = 0,930 0,53 -
P (̅ 4/p) = 0,510 P (̅ 4/np) = 0,700 0,73 -
P (̅ 5/p) = 0,540 P (̅ 6/np) = 0,720 0,75 -
Tableau n0V : Impact des facteurs sur la pérennisation
FACTEURS RV (LHR) IMPACT
F3 7,29 +
F1 1,83 +
F5 1,64 +
F4 1,63 +
F2 1,61 +
L’Abaque des résultats (Tableau n° IV) avait démontré que l’impact des facteurs
retenus était établi pour tous les facteurs. En effet, tous les 5 facteurs avaient eu chacun un
LHR positif (> 1), traduisant la chance de pérennisation d’un projet des médicaments lorsque
tous les facteurs indépendants sont présents.
31
III.3.3. Détermination du Quotient de probabilité à posteriori (QAPO)
QAPO = 1,83*1,61*7,29*1,63*1,64*0,18 = 10,13
III.3.4. Détermination de la probabilité de prédiction
P=
III.4. EVALUATION DU MODELE SUBJECTIF DE BAYES
III.4.1. Détermination du degré d’agrément intra et inter experts
Tableau n0 VI a : Agrément intra experts (Annexes 7 et 8)
Experts E1 E2 E3 E4 E5 E6 E7 E8 E9 E10
E1
1,000
E2 0,333
E3 1,000
E4 1,000
E5 1,000
E6 0,667
E7 0,667
E8 0,667
E9 0,615
E10 1,000
Le tableau n° VI a a montré que 9 agréments intra experts sur 10 (soit 90%) avaient
un K supérieur à 0,4 démontrant une forte cohérence dans le raisonnement des experts. Par
conséquent nous estimons que le seul agrément faible (0,333 < 0,4) n’influençait pas la
cohérence de l’ensemble des experts.
32
Tableau n0 VI b : Agrément inter experts (deux à deux : Annexes 9 et 10)
Experts E1 E2 E3 E4 E5 E6 E7 E8 E9 E10
E1
E2 0,662
E3 0,625 0,960
E4 0,517 0,842 0,882
E5 0,451 0,767 0,806 0,923
E6 0,898 0,570 0,534 0,570 0,371
E7 0,965 0,630 0,593 0,488 0,423 0,933
E8 0,517 0,842 0,882 1,000 0,923 0,433 0,488
E9 0,517 0,842 0,882 1,000 0,923 0,433 0,488 1,000
E10 0,552 0,881 0,921 0,961 0,884 0,465 0,522 0,961 0,961
Sur 45 agréments inter experts (tableau n° VI b), 44 (soit environ 98%) avaient un K
supérieur à 0,4. Nous avons considéré que le groupe était homogène. Ainsi, la moyenne
arithmétique de leurs estimations de probabilité pouvait être utilisée pour évaluer le MSB.
III.4.2. Détermination du critère de discrimination (Cut Off Point)
Tableau n0 VII : Détermination du COP (Annexe 11-11 suite)
a b c d X Se Sp VPP VPN VEG

0,1 24 0 25 1 50 49% 100% 100% 4% 50%
0,2 24 0 17 9 50 59% 100% 100% 35% 66%
0,3 24 0 15 11 50 62% 100% 100% 42% 70%
0,4 24 0 8 18 50 75% 100% 100% 69% 84%
BAYES
0,5 15 9 3 23 50 83% 72% 63% 88% 76%

0,6 9 15 0 26 50 100% 63% 38% 100% 70%
0,7 3 21 0 26 50 100% 55% 13% 100% 58%
0,8 2 22 0 26 50 100% 54% 8% 100% 56%
0,9 2 22 0 26 50 100% 54% 8% 100% 56%
X =Total des cas hypothétiques
Le tableau n° VII a montré que le Cut Off Point (COP) de l’étude équivalait à 0.5 car
c’était à cette valeur centrale que la sensibilité et la spécificité étaient les plus grandes en
même temps, en dehors des extrêmes qui ne pouvaient pas être prises en compte. Ce résultat
nous a permis de réaliser la validation interne du modèle.
33
III.4.3. Validation interne du Modèle Subjectif de BAYES
Tableau n0 VIII : Performance du MSB par rapport au consensus des experts (Annexes 11-
13)
Consensus Experts Total

+ 0,5 -
+
15 9 24
MSB
0,5
3 23 26
-
Total 18 32 50
a 15 a 15
Se    83,33% VPP    62,5%
a  c 18 a  b 24
d 23 d 23
Sp    71,86% VPN    88,46%
b  d 32 c  d 26
ad 38
Valeur d ' efficacité globale    76%
a  b  c  d 50
L’analyse des indicateurs ci-haut calculés (tableau n° VIII), a démontré que le MSB
avait correctement identifié 83,33% des projets ayant connu la pérennisation (Se) et 71,86
% des projets n’ayant pas connu la pérennisation (Sp). Donc les probabilités conditionnelles
pour que les projets aient été pérennisés ou non avaient été respectivement de 0,83 et 0,72. En
plus, 63% (VPP) des projets correctement identifiés par le MSB avaient été réellement
pérennisés et 88% (VPN) n’avaient pas été réellement pérennisés ; les probabilités
conditionnelles des projets d’être réellement pérennisé ou non étaient respectivement de 0,63
et 0,88. Ainsi, avions-nous considéré le MSB performant et sa validité interne a été établie
étant donné que les valeurs de tous ces indicateurs étaient très élevées.
C’est aussi le cas des résultats de quelques études qui ont utilisé le raisonnement
bayésien dans la recherche médicale. A titre d’exemple, nous citerons l’étude du professeur
MUNYANGA sur la prédiction du succès du programme des soins de santé primaires dans les
Zones de santé, réalisée en 1993, qui a trouvé une spécificité de 57% ; MAPONDA, dans son
étude sur la prédiction d’une intubation difficile, a trouvé une spécificité de 88% ; LOSE,
dans son étude sur la prédiction de la létalité des enfants reçus en urgence a trouvé une une
sensibilité de 86% et une spécificité de 33%. L’étude de prédiction des défauts de la moelle
34
épinière a trouvé une sensibilité de 75% et une spécificité de 98,3%. Très récemment, une
étude sur les facteurs de succès des activités génératrices de revenus des personnes vivant
avec le VIH à Kinshasa a trouvé la sensibilité à 75,5% et la spécificité à 60%.
III.4.4. Validation externe du Modèle Subjectif de BAYES (Annexe 12)
III.4.4.1. Confrontation aux cas Réel
Tableau n° IX : Tableau de contingence MSB vs Cas réels (Annexe 18)
CAS REELS Total

+ -
+
7 3 10
MSB
0,5
1 24 25
-
Total 8 27 35
a = p/p b = p/np c = np/p d = p/0
Se = x 100 = 87,5 % VPP = x 100 = 70 %
Sp = x 100 = 88,89 % VPN = x 100 = 96 %
VEG = x 100 = 88, 57 %
Po  Pe
K
1  Pe
a  d 7  24
Po    0,89
x 35
Pe = (a1 x b1) + (a2 x b2)
a1= A 10
X

35
 0,29 a2= C
X

8
35
 0,23 b1= XB  35
26
 0,74 b2= DX  27
35
 0,77
Pe = (0.29 x 0.74) + (0.23 x 0.77) = 0.39

35
Po  Pe 0.89  0.39
K= 1  Pe

1  0.39

0.5
0.61
 0.82
Les résultats obtenus avaient démontré que le MSB (Tableau n° IX) avait
correctement identifié 87,5% des projets ayant connu la pérennisation (Se) et 88,89 % des
projets n’ayant pas connu la pérennisation (Sp). Donc les probabilités conditionnelles pour
que les projets aient été pérennisés ou non avaient été respectivement de 0,88 et 0,89. En plus,
70% (VPP) des projets correctement identifiés par le MSB avaient été réellement pérennisés
et 96% (VPN) n’avaient pas été réellement pérennisés ; les probabilités conditionnelles des
projets d’être réellement pérennisé ou non étaient respectivement de 0,7 et 0,96. Ainsi,
avions-nous considéré le MSB performant et sa validité externe a été établie étant donné que
les valeurs de tous ces indicateurs étaient très élevés.
L’agrément est excellent (K > 0,75) confirmant davantage notre modèle.
III.4.4.2. Confrontation au MRL
L’équation de régression utilisée dans notre étude est un modèle logistique ayant la
forme mathématique suivante :
ln ( = + + + + + +µ
Tableau n° X : Tableau de contingence MSB vs MRL (Annexe 19)
CAS REELS Total

+ -
+
2 9 11
MSB
0,5
0 24 24
-
Total 2 33 35
a = 1/1 b = 1/0 c = 0/1 d = 0/0
Se = x 100 = 100 % VPP = x 100 = 18,18 %
Sp = x 100 = 72,73 % VPN = x 100 = 74,29 %
VEG = x 100 = 100 %

36
Po  Pe
K
1  Pe
a  d 2  24
Po    0,74
x 35
Pe = (a1 x b1) + (a2 x b2)
a1= A 11
X

35
 0,31 a2= C
X

2
35
 0,06 b1= XB  35
24
 0,67 b2= DX  35
33
 0,94
Pe = (0.31 x 0.67) + (0.06 x 0.94) = 0.26
Po  Pe 0.74  0.26 0.48

K= 1  Pe

1  0.26

0.74
 0.65
Les résultats obtenus avaient démontré que le MSB (Tableau n° X) avait

correctement identifié 100% des projets ayant connu la pérennisation (Se) et 73,72 % des
projets n’ayant pas connu la pérennisation (Sp). Donc les probabilités conditionnelles pour
que les projets aient été pérennisés ou non avaient été respectivement de 1 et 0,74. En plus,
18,18% (VPP) des projets correctement identifiés par le MSB avaient été réellement
pérennisés et 74,29% (VPN) n’avaient pas été réellement pérennisés ; les probabilités
conditionnelles des projets d’être réellement pérennisé ou non étaient respectivement de 0,74
et 0,18. Ainsi, avions-nous considéré le MSB performant et sa validité externe a été établie
étant donné que les valeurs de tous ces indicateurs étaient très élevés, en dehors de la VPP.
L’agrément était bon (0,4 ≤ K ≥ 0,75) confirmant encore de plus en plus notre
modèle.
37
III.4.4.3. Estimation du Modèle Subjectif de BAYES
Tableau n° XI : Résultat de la régression du modèle Logit
Dependent Variable: Y
Method: ML - Binary Logit (Quadratic hill climbing)
Date: 12/26/11 Time: 08:04
Sample: 1 35
Included observations: 35
Convergence achievedafter 7 iterations
Covariance matrix computed using second derivatives
Variable Coefficient Std. Error z-Statistic Prob.
C -8.046229 3.705642 -2.171346 0.0299

RPPN 0.567988 2.064909 0.275067 0.7833
PPQC 3.119757 2.208783 1.412433 0.1578
GRM 2.761596 1.585718 1.741542 0.0816
AFCP 5.202424 2.305415 2.256610 0.0240
MP 2.564763 1.619753 1.583429 0.1133
Meandependent var 0.228571 S.D. dependent var 0.426043

S.E. of regression 0.329741 Akaike info criterion 0.882386
Sumsquaredresid 3.153146 Schwarz criterion 1.149018
Log likelihood -9.441763 Hannan-Quinn criter. 0.974427
-
Restr. log likelihood -18.81405 Avg. log likelihood 0.269765
LR statistic (5 df) 18.74458 McFadden R-squared 0.498154
Probability(LR stat) 0.002144
ObswithDep=0 27 Total obs 35

ObswithDep=1 8
ln ( = -8.046229249 + 0.5679878041*RPPN + 3.119757*PPQC + 2.761595811*GRM
+ 5.202424301*AFCP + 2.564762676*MP
Il a été constaté que la constante et le coefficient AFCP étaient statistiquement

significatifs au seuil de confiance de 95%, car la statistique de z-Statistique était supérieure à
2 et la probabilité (p-value) était inférieure à 0,05.
38
Tous les coefficients estimés étaient conjointement statistiquement significatifs parce

que la statistique LR-statistic était égale à 18,81405 et sa probabilité (Probability LR-statistic)
égale à 0,002144 était inférieure au seuil de significativité de 5%.
La variable dépendante Y (Pérennisation) était expliquée par les variables

explicatives à 49,82%.
Du modèle estimé, il s’était dégagé qu’une hausse du personnel qualifié et compétent

(3,119757), une gestion rationnelle des médicaments (2,761595811), une amélioration de
l’accessibilité financière et culturelle de la population (5,202424301) et une hausse de la
motivation du personnel (2,564762676) augmentait (à cause de leur signe positif et > 1) la
probabilité de pérennisation d’un projet des médicaments dans une ZS. Alors que la constante,
elle, diminuait (à cause de son signe négatif) la probabilité de pérennisation.
Tableau n° XII : Résultats de l’estimation avec SPSS 12.0

Variables in the Equation
B S.E. Wald df Sig. Exp(B)

Step 1(a) RPPN ,568 2,065 ,076 1 ,783 1,765
PPQC 3,120 2,209 1,995 1 ,158 22,641

GRM 2,762 1,586 3,033 1 ,082 15,825
AFCP 5,202 2,305 5,092 1 ,024 181,712
MP 2,565 1,620 2,507 1 ,113 12,998
Constant -8,046 3,706 4,715 1 ,030 ,000
A Variable(s) entered on step 1: RPPN, PPQC, GRM, AFCP, MP.
Bootstrap pour Variables dans l'équation
A Bootstrapa
Biais Erreur Sig. Intervalle de confiance à 95%
standard (bilatéral) Inférieur Supérieur

b b
Etape RPPN ,568 -5,190 19,154
b
,119
b
-55,632 18,771b
1 PPQC 3,120 13,550b 13,980b ,009b -11,873b 39,117b
GRM 2,762 21,371b 20,077b ,009b -1,838b 71,316b
AFCP 5,202 31,717b 24,323b ,004b 2,617b 88,868b
MP 2,565 18,562b 19,556b ,008b -2,148b 72,023b
Constante -8,046 -42,862b 29,397b ,001b -108,275b -5,178b
a. Unless otherwise noted, bootstrap results are based on 1000 bootstrap samples
b. Based on 982 samples
39
Estimé avec le logiciel SPSS 12.0, les mêmes résultats ont été obtenus (prédiction de
pérennisation de 87,5% et de non pérennisation de 85,19%), montrant que le modèle élaboré
était bon.
Tableau n° XIII : Evaluation de prédiction du modèle
Dependent Variable: Y
Method: ML - Binary Logit (Quadratic hill climbing)
Date: 12/27/11 Time: 08:09
Sample: 1 35
Included observations: 35
Prediction Evaluation (success cutoff C = 0.5)
Estimated Equation Constant Probability

Dep=0 Dep=1 Total Dep=0 Dep=1 Total
P(Dep=1)<=C 23 1 24 27 8 35
P(Dep=1)>C 4 7 11 0 0 0
Total 27 8 35 27 8 35
Correct 23 7 30 27 0 27
% Correct 85.19 87.50 85.71 100.00 0.00 77.14
% Incorrect 14.81 12.50 14.29 0.00 100.00 22.86
Total Gain* -14.81 87.50 8.57
Percent Gain** NA 87.50 37.50
Le tableau n° XIII a aussi montré que le modèle prédisait correctement 85,19% des
projets qui n’ont pas été pérennisés et 87,5% qui ont été pérennisés.
IV. UTILISATION PRATIQUE DU MSB

o Tous les facteurs sont présents : PPRN, PPQC, GRM, AFCP, MP
QAPO = 1,83 x 1,61 x 7,29 x 1,64 x 1,63 x 0,15/0,85 = 10,13
p= = 0,91 > 0,5  Pérennisation
Un projet avec les 5 facteurs présents à une probabilité de pérennisation de 91%.
o Quatre facteurs sont présents : PPRN, PPQC, GRM, AFCP

QAPO = 1,83 x 1,61 x 7,29 x 1,64 x 0,18 = 6,22
p= = 0,86 > 0,5 Pérennisation
Un projet avec les 4 facteurs présents à une probabilité de pérennisation de 86 %.

40
Toutefois, la combinaison des quatre facteurs suivants (PPRN, PPQC, AFCP, MP)
donne un p< 0,86 ou une faible probabilité de pérennisation que la situation
précédente :
QAPO = 1,83 x 1,61 x 1,64 x 1,63 x 0,18 = 1,42
p= = 0,59 > 0,5 Pérennisation, mais l’absence du facteur qui a l’impact le

plus important influe négativement sur la pérennisation. En effet, dans la prise de
décision, il ne faut pas négliger les facteurs à fort impact pour atteindre les objectifs de
pérennisation fixés (voir annexe 20).
o Trois facteurs sont présents : PPRN, PPQC, GRM

QAPO = 1,83 x 1,61 x 7,29 x 0,18 = 3,79
p= = 0,79> 0,5  Pérennisation
o Deux facteurs sont présents : PPRN, PPQC

QAPO = 1,83 x 1,61 x 0,18 = 0,52
p= = 0,34< 0,5  Non pérennisation
Par contre, la combinaison de PPRN et GRM par exemple, donne un p > 0,34 et > 0,5
assurant la pérennisation :
QAPO = 1,83 x 7,29 x 0,18 = 2,4
p= = 0,71> 0,5  Pérennisation
D’où la pérennisation dépend de la combinaison de différents facteurs.
o Aucun facteur n’est présent :

QAPO = 0,75 x 0,70 x 0,53 x 0,73 x 0,75 x 0,18 = 0,027
p= = 0,0266 < 0,5  Non pérennisation
Un projet où tous les facteurs retenus dans l’étude sont absents a une probabilité de
pérennisation de 3 % (soit 0,0266).
41
V. LIMITATION DU TRAVAIL
L’utilisation très récente du raisonnement bayésien en général et en RDC en

particulier, ainsi que le temps et les moyens de recherche limités ne nous ont pas permis de
diversifier notre revue de la littérature. Ainsi, avions-nous été amenés à enrichir notre revue
de la littérature avec des ouvrages traitant de l’utilisation du raisonnement bayésien dans le
domaine médical.
Nous sommes ouverts à toutes les contributions de la part des lecteurs ou chercheurs
dans ce domaine pour l’enrichissement du travail.
VI. CONCLUSION
Le but de ce travail était de contribuer à la pérennisation des projets des médicaments

dans les ZS de la RDC. Son objectif général avait été d’élaborer un modèle de prédiction de
pérennisation des projets des médicaments dont les objectifs étaient de :
1) Identifier les facteurs impliqués dans la pérennisation des projets des médicaments.
2) Déterminer l’importance de chaque facteur identifié.
3) Prédire la pérennisation des projets des médicaments dans les Zones de Santé en RDC.
4) Proposer des recommandations pour favoriser la pérennisation des projets des
médicaments dans les Zones de Santé.
Pour répondre à notre question de recherche, nous avions présumé que la

pérennisation des projets des médicaments dans les ZS en RDC était liée à plusieurs causes
que nous avions résumées en dix hypothèses.
Le modèle élaboré dans cette étude, à partir du raisonnement bayésien, a permis de

retenir après regroupement, 5 facteurs indépendants, considérés comme facteurs de
pérennisation des projets des médicaments dans les ZS en RDC, à partir de 48 facteurs
identifiés au départ. Tous les facteurs retenus avaient un impact positif sur la pérennisation
d’un projet des médicaments dans une ZS et prédisaient la pérennisation des projets des
médicaments ; le facteur 4 (Accessibilité financière et culturelle de la population) étant
statistiquement significatif par rapport aux autres.
Ces facteurs ont ainsi confirmé nos hypothèses de recherche dans lesquelles elles sont
incluses, à savoir :

42

Nous suggérons que le modèle élaboré soit utilisé par les Zones de Santé pour assurer
la pérennisation des projets des médicaments.
VII. RECOMMANDATIONS
1. Recommandations générales
Nous recommandons l’utilisation de notre modèle :

 Comme index de pérennisation des projets des médicaments dans les Zones de
Santé de la RDC
 Pour déterminer l’impact des facteurs sur la pérennisation en vue de corriger
les faiblesses
 Pour fixer des objectifs
 Pour faire le diagnostic des problèmes à résoudre
 Pour réaliser le screening
2. Recommandations sectorielles
2.1. Au Parlement
- Améliorer le pouvoir d’achat de la population

- Payer convenablement le personnel de la santé
2.2. Au Ministère de la Santé
- Faire appliquer la politique pharmaceutique nationale à tous les niveaux du secteur de

la santé
- Doter les ZS des infrastructures adéquats de gestion des projets des médicaments
(dépôts pharmaceutiques)
- Recruter le personnel qualifié dans le domaine pharmaceutique
2.3. Aux partenaires
- Respect de la politique pharmaceutique nationale

43
2.4. Aux Zones de Santé
- Assurer une gestion rationnelle des médicaments

- Utiliser systématiquement le modèle proposé pour la pérennisation des projets des
médicaments en cours ou à venir
- Améliorer la participation communautaire dans la planification, l’exécution et le suivi
des projets des médicaments pour assurer leur accessibilité financière et culturelle
- Faire la promotion des mutuelles de santé
- Faire la promotion des AGR
2.5.Au niveau communautaire :
- Planifier et créer des mutuelles de santé
BIBLIOGRAPHIE
1. RDC. Document de la stratégie de croissance et de réduction de la pauvreté. 2006.
2. RDC, Ministère de la Santé. Comptes Nationaux de la Santé. 2008-2009.
3. J. Dumoulin, Miloud Kaddar, G. Velasquez. Accès aux médicaments et Finance, Analyse

économique et financière de base. 1991.
4. RDC, Ministère de la Santé. Comptes Nationaux de la Santé. 2008-2009.
5. MAFUTA, Eric. Analyse des dépenses de santé des Entreprises en République Démocratique du
Congo: Cas de l'Office National des Transports. 2007.
6. PNAM. Cartographie des systèmes d’approvisionnement et de distribution des médicaments et

autres produits de santé en RDC. 2010.
7. SOMDA, Christian. Evaluation du système logistique de gestion des médicaments essentiels

génériques dans la commune de Kpomassè. 2006 .
8. santé, RDC. Ministère de la. Plan national de développement sanitaire. 2010.
9. RDC. Termes de référence pour la formulation de la phase de pérennisation des acquis du projet "«
CDR ». 2010.
10. ALERGO, Walter KESSLER et. Le financement et la qualité des soins dans le Mayo kebbi au Tchad .
2009.
11. FREDH E., M.D. et al. Bayesian Statistical theory in the preoperative diagnosis of pulmonary
lesions. s.l. : Chest journal, chestpubs.org by guest, August 17, 2010.
44
12. R., GUNAWAN. Méthodes d’inférence bayésienne Appliquées à la recherché sur le cancer.
Université de Waterloo, Ontario : s.n., 2009.
13. S., MUNYANGA MUKUNGO. Analyses des décisions managériales, notes de cours, Ecole de santé
Publique, Université de Kinshasa. 2009 – 2010.
14. BARAYIGA. Modèle de prédiction d’une intubation difficile, Mémoire de spécialisation en gynéco-
obstétrique, Faculté de Médecine, Université de Kinshasa. 1997.
15. EKANGA, LOSE. Prédiction de la létalité des enfants reçus en urgence aux Cliniques Universitaires
de Kinshasa, mémoire de spécialisation en pédiatrie, Faculté de Médecine, Université de Kinshasa.
2003.
16. P., SHAMAVU SIMIRE. Modèle de prédiction de la létalité du VIH/Sida chez les personnes vivant
avec le VIH, Mémoire de spécialisation en Santé Publique, Ecole de Santé Publique, Université de
Kinshasa. 2005 – 2006.
17. A., MUDIPANU. Prédiction de l’accessibilité aux soins de santé dans les structures médicales du
Bureau Diocésain des Œuvres Médicales de Kinshasa, Mémoire de spécialisation en Santé Publique,
Ecole de Santé Publique, Université de Kinshasa . 2005 – 2006.
18. M.L., MBO OSOMBA KITENGE. Modèle de prédiction de la mortalité maternelle dans la ville de
Kinshasa, Mémoire de spécialisation en Santé Publique, Ecole de Santé Publique, Université de
Kinshasa. 2005 – 2006.
19. F., MONAMA MAPOLO. Modèle prédictif de la détresse respiratoire chez les enfants de moins de
5 ans dans la ville de Kinshasa, Mémoire de spécialisation en pédiatrie aux Cliniques Universitaires
Kinshasa, Faculté de Médecine, Université de Kinshasa. 2010.
20. J., KAMWINA K. Analyse Prédictive de la mortalité due au Paludisme grave chez les enfants de
moins de 5 ans en utilisant le modèle de Bayes, (Cas des CUK, HGR et H. St Joseph), Mémoire de DES
en Santé Publique, Ecole de Santé Publique, UNIKIN, Kinshasa. 2008.
21. M., A. NTAMBWE. Analyse prédictive des facteurs de succès des activités génératrices de revenus
des personnes vivant avec le VIH à Kinshasa. 2011.
22. R. LAUNOIS, J. LE MOINE, M. HUYNH, M. BOISSIER. Efficacité et tolérance des traitements de la

polyarthrite rhumatoïde étudiés par méta-analyse hiérarchique bayésienne. Combinaison simultanée
des résultats relevés dans les essais randomisés et les études o. 2010.
23. OKEH U., M.1. et UGWU A.,C.2. Bayes’ theorem: A paradigm research tool in biomedical sciences.
2008.
24. http://www.fr.wikipedia.org/. inférence bayésienne. 2012.

45
ANNEXES
Annexe 1 : Liste des experts
N° NOM INSTITUTION FONCTION EXPERIENCE N°

PROFESSIONNELLE Téléphone
1 Patrick ZOLA KINSHASA/ZS NGABA PHARMACIEN 6 ans 0998162347
2 Cyrille MASAMBA KINSHASA/ZS KISENSO PHARMACIEN 26 ans 0813642302
3 Adellard LOFUNGOLA P. ORIENTALE/HGR KISANGANI MEDECIN DIRECTEUR 8 ans
4 Raymond MBAYA P. ORIENTALE/ZS YAISULI MEDECIN CHEF DE ZONE 6 ans 0816604577
5 Patrick TSHEY P. KATANGA/ZS KONGOLO MEDECIN CHEF DE ZONE 8 ans 0810528158
6 Sr Wivine NSOLO P. BANDUNDU/CEDIBAN PHARMACIEN 8 ans
7 Fabiola MULIWAWYO P. NORD-KIVU/ZS BUTEMBO ADMINISTRATEUR GESTIONNAIRE 13 ans 0997493123
8 NIOKA NGAMULANGA BANDUNDU/HGR BANDUNDU MEDECIN DIRECTEUR 10 ans
9 NZANZU MALAMBO P. NORD-KIVU/ZS VUHOVI MEDECIN CHEF DE ZONE 11 ans 0998386210
10 Rigo NGOY BANGWA P. KATANGA/ZS MOBA MEDECIN CHEF DE ZONE 14 ans 0814745773
11 Timothée LUNGANGA P. EQUATEUR/ MEDECIN CHEF DE ZONE 8 ans 0810042224
12 LISONGOMI BAITA P. ORIENTALE/ZS YALIBONGO MEDECIN CHEF DE ZONE 6 ans 0813567223
46
Annexe 2 : QUESTIONNAIRE D’ENQUETE POUR SELECTION DES EXPERTS
« MODELE DE PREDICTION DE PERENNISATION DES PROJETS DES

MEDICAMENTS DANS LES ZONES DE SANTE EN RDC »
Nom de l’expert__________________________
Niveau d’étude___________________________
Qualification_____________________________
Nombre d’année de prestation dans le domaine de la santé : ____________________
« Expérience professionnelle ».
Q1 Comment pouvez-vous par vos propres mots définir opérationnellement :
1. Un Projet des médicaments dans une Zone de Santé ?
2. La pérennisation (ou la durabilité) d’un Projet des médicaments dans
une Zone de santé ?
3. Un Projet des médicaments dans une Zone de Santé qui a été
pérennisé en RDC ?
Q 2 Quels sont d’après vous les facteurs qui peuvent assurer la pérennisation d’un
projet des médicaments dans les Zones de Santé en RDC ? « Donnez-en au
moins 7 selon l’ordre d’importance et donnez pour chacun une simple définition
(Selon vos propres mots. »

47
Annexe 3 : LETTRE D’INVITATION
Mme (Mr) …………………………………
Vous êtes retenu(e) pour participer à une étude sur « les facteurs de
prédiction de la pérennisation des projets des médicaments dans les
Zones de Santé en RDC ».
La méthode utilisée dans cette étude est basée sur le modèle

mathématique de Bayes.
Pourrions-nous nous rencontrer ce Samedi 17 Décembre 2011, à 10

heure dans les installations de l’Ecole de Santé Publique de Kinshasa, au
Campus de Kinshasa (à côté des Cliniques Universitaires de Kinshasa);pour
un entretien sur les termes de référence y relatifs?
Les éléments relatifs aux objectifs de l’étude sont les suivants :
- Identifier les facteurs qui contribuent à la pérennisation des projets des

médicaments dans les Zones de Santé en RDC
- Déterminer l’impact de chaque facteur dans la pérennisation des projets
des médicaments dans les Zones de Santé
- Prédire la pérennisation d’un projet des médicaments dans une Zone de
Santé
- Proposer des recommandations pour contribuer à la pérennisation des
projets des médicaments dans les Zones de Santé en RDC
Franche collaboration
Fait à Kinshasa, le 14 Décembre 2011
MFUNI MULUMBA WILLY

Ecole de santé publique/ Kinshasa
Apprenant en Economie de la santé,
République Démocratique du Congo
48
Annexe 4 : Détermination de QAP

GUIDE D’ENTRETIENS DES EXPERTS
« Analyse des facteurs de prédiction de pérennisation des Projets des

médicaments dans les Zones de Santé en RDC. »
EXPERT N°
I. DETERMINATION DE QAP
Question 1 : Comment Définissez-vous la pérennisation d’un Projet des médicaments dans

une Zone de Santé en RDC ?
Réponse :………………………………………………………………………………………
…………………………………………………………………………………………………...
…………………………………………………………………………………………………...
…………………………………………………………………………………………………...
…………………………………………………………………………………………………...
…………………………………………………………………………………………………...
…………………………………………………………………………………………………...
…………………………………………………………………………………………………...
…………………………………………………………………………………………………...
…………………………………………………………………………………………………...
…………………………………………………………………………………………………...
…………………………………………………………………………………………………...
…………………………………………………………………………………………………...
…………………………………………………………………………………………………...
…………………………………………………………………………………………………...
…………………………………………………………………………………………………...
…………………………………………………………………………………………………...
…………………………………………………………………………………………………...
…………………………………………………………………………………………………...
Question 2 : En vous référant de votre réponse à la question 1. Sur 10 Projets des

médicaments, combien ont été pérennisés ?
Réponse : (NB : donnez uniquement, le nombre des Projets en chiffre)

49
Annexe 5 : Rapport de Vraisemblance

« Analyse des facteurs de prédiction de pérennisation des Projets

des médicaments dans les Zones de Santé en RDC. »
EXPERT N°
II. Rapport de vraisemblance
a) Sur 10 Projets qui ont été pérennisés, combien avait les facteurs ?
Succès étant donné facteurs
Projet Total Proportion

Facteurs (a) (b) (a) /(b)
F1+ 10
F2+ 10
F3+ 10
F4+ 10
F5+ 10
b) Sur 10 Projets qui n’ont pas été pérennisés, combien avait quand même les facteurs ?
Echec étant donné facteurs
Projet Total Proportion

Facteurs (a) (b) (a) /(b)
F1+ 10
F2+ 10
F3+ 10
F4+ 10
F5+ 10
50
Annexe 6 : Construction des cas hypothétiques
« Analyse des facteurs de prédiction de pérennisation des Projets

des médicaments dans les Zones de Santé en RDC. »
EXPERT N°
Construction des 5 cas hypothétiques par chaque expert
Projets :…………………………………………………………………….
Facteurs de succès :
PROJETS
1. 2. 3. 4. 5.
F1
F2
F3
F4
F5
Echec % % % % %
Succès % % % % %
E___________________0, 5 ______________________S
51
Annexe 7 : Probabilité des cas hypothétiques formulés intra experts
E1 E'1 E2 E'2 E3 E'3 E4 E'4 E5 E'5 E6 E'6 E7 E'7 E8 E'8 E9 E'9 E10 E'10
1 1 0,3 0,6 0,4 0,45 0,7 0,7 0,9 1 0,65 0,55 0,7 0,6 0,25 0,1 0,42 0,5 0,6 0,5
0,9 0,5 0,3 0,6 0,3 0,4 0,7 0,7 0,6 0,6 0,52 0,4 0,1 0,1 0,15 0,1 0,42 0,3 0,75 0,55
0,8 0,6 0,4 0,45 0,5 0,5 0,6 0,6 0,7 0,55 0,47 0,3 0,6 0,4 0,5 0,25 0,7 0,7 0,45 0,4
0,8 0,6 0,64 0,7 0,4 0,4 0,4 0,6 0,65 0,5 0,15 0,1 0,1 0,1 0,25 0,1 0,59 0,6 0,45 0,4
0,25 0,3 0,75 0,75 0,4 0,4 0,7 0,4 0,3 0,3 0,1 0,1 0 0 0,75 0,75 0,59 0,6 0,65 0,5
E i = 1er tour E’I = 2è tour
Annexe 8 : Tableau d’agrément intra expert
Expert a b c d A B C D X Po Pe K
E1-E1 4 0 0 1 4 1 4 1 5 1 0,32 1
E2-E2 2 0 2 1 2 3 4 1 5 0,6 0,4 0,333
E3-E3 1 0 0 4 1 4 1 4 5 1 0,32 1
E4-E4 4 0 0 1 4 1 4 1 5 1 0,32 1
E5-E5 4 0 0 1 4 1 4 1 5 1 0,32 1
E6-E6 1 1 0 3 2 3 1 4 5 0,8 0,4 0,667
E7-E7 1 1 0 3 2 3 1 4 5 0,8 0,4 0,667
E8-E8 1 1 0 3 2 3 1 4 5 0,8 0,4 0,667
E9-E9 2 0 1 2 2 3 3 2 5 0,8 0,48 0,615
E10-E10 3 0 0 2 3 2 3 2 5 1 0,48 1
A = a+b B = c+d C = a+c D = b+d X = a+b+c+d

52
Annexe 9 : Probabilités des cas hypothétiques formulés par les experts
Moyenne
N° E1 E2 E3 E4 E5 E6 E7 E8 E9 E10 Somme arithmétique
P(S)
1 1 0,7 1 1 1 1 1 0,9 1 1 9,60 0,96
2 0,8 0,6 0,85 0,8 0,9 0,8 0,8 0,9 0,8 0,75 8,00 0,80
3 0,3 0,4 0,6 0,6 0,6 0,45 0,6 0,5 0,6 0,6 5,25 0,53
4 0,7 0,4 0,65 0,6 0,6 0,45 0,5 0,5 0,6 0,6 5,60 0,56
5 0,3 0,4 0,4 0,3 0,3 0,15 0,5 0,2 0,1 0,25 2,90 0,29
6 0,3 0,6 0,4 0,4 0,4 0,1 0,4 0,51 0,3 0,3 3,71 0,37
7 0,2 0,6 0,4 0,4 0,4 0,1 0,4 0,51 0,3 0,3 3,61 0,36
8 0,2 0,45 0,45 0,4 0,5 0,15 0,3 0,51 0,3 0,4 3,66 0,37
9 0,4 0,65 0,55 0,6 0,5 0,35 0,3 0,6 0,5 0,5 4,95 0,50
10 0,3 0,7 0,55 0,55 0,5 0,35 0,3 0,6 0,5 0,5 4,85 0,49
11 0,3 0,55 0,4 0,6 0,4 0,35 0,4 0,3 0,6 0,55 4,45 0,45
12 0,75 0,4 0,3 0,8 0,7 0,5 0,5 0,58 0,6 0,5 5,63 0,56
13 0,8 0,4 0,5 0,8 0,8 0,65 0,6 0,75 0,65 0,6 6,55 0,66
14 0,3 0,53 0,4 0,6 0,3 0,3 0,6 0,52 0 0,3 3,85 0,39
15 0,2 0,55 0,4 0,3 0,1 0,35 0,2 0,5 0,4 0,3 3,30 0,33
16 0,4 0,7 0,5 0,6 0,7 0,45 0,4 0,5 0,6 0,5 5,35 0,54
17 0,65 0,7 0,65 0,6 0,65 0,55 0,6 0,55 0,7 0,65 6,30 0,63
18 0,65 0,65 0,6 0,7 0,6 0,45 0,5 0,57 0,6 0,7 6,02 0,60
19 0,4 0,65 0,55 0,7 0,5 0,4 0,4 0,43 0,55 0,5 5,08 0,51
20 0,3 0,53 0,5 0,65 0,5 0,4 0,3 0,42 0,55 0,5 4,65 0,47
21 1 0,9 1 1 1 1 1 0,9 1 1 9,80 0,98
22 0,3 0,45 0,55 0,6 0,7 0,4 0,4 0,5 0,5 0,5 4,90 0,49
23 0,4 0,65 0,6 0,7 0,65 0,55 0,4 0,6 0,6 0,6 5,75 0,58
24 0,3 0,3 0,45 0,6 0,5 0,3 0,3 0,56 0,6 0,6 4,51 0,45
25 0,2 0,2 0,4 0,2 0,1 0,1 0,2 0,1 0,1 0,1 1,70 0,17
26 0,4 0,73 0,6 0,6 0,6 0,55 0,3 0,54 0,6 0,6 5,52 0,55
27 0,4 0,7 0,4 0,3 0,5 0,35 0,4 0,4 0,4 0,35 4,20 0,42
28 0,7 0,3 0,45 0,2 0,4 0,3 0,4 0,45 0,2 0,3 3,70 0,37
29 0,1 0,2 0,1 0,1 0,2 0,1 0,2 0,1 0 0,1 1,20 0,12
30 0,1 0,2 0,1 0,1 0,2 0,1 0,1 0,1 0 0,1 1,10 0,11
31 0,7 0,65 0,65 0,45 0,7 0,7 0,65 0,6 0,7 0,7 6,50 0,65
32 0,3 0,2 0,1 0,4 0,1 0,1 0,5 0,05 0 0,1 1,85 0,19
33 0,6 0,6 0,7 0,6 0,6 0,55 0,45 0,51 0,6 0,55 5,76 0,58
53
34 0,1 0,25 0,15 0,2 0,2 0,15 0,1 0,07 0,1 0,1 1,42 0,14
35 0 0 0 0 0 0 0 0 0 0 0,00 0,00
36 0,3 0,2 0,1 0,1 0,1 0,05 0,1 0,1 0,1 0,1 1,25 0,13
37 0,4 0,2 0,1 0,1 0,1 0,05 0,1 0,1 0,1 0,1 1,35 0,14
38 0,2 0,2 0,25 0,2 0,2 0,1 0,3 0,25 0,2 0,2 2,10 0,21
39 0,2 0,2 0,1 0,1 0,1 0,05 0,1 0,1 0,1 0,1 1,15 0,12
40 0,8 0,15 0,6 0,5 0,7 0,6 0,7 0,75 0,8 0,65 6,25 0,63
41 0,4 0,47 0,4 0,45 0,5 0,4 0,4 0,5 0,55 0,4 4,47 0,45
42 0,4 0,3 0,45 0,4 0,4 0,35 0,3 0,49 0,2 0,4 3,69 0,37
43 0,6 0,54 0,6 0,6 0,7 0,55 0,4 0,55 0,7 0,65 5,89 0,59
44 0,5 0,4 0,5 0,6 0,5 0,32 0,3 0,47 0,65 0,5 4,74 0,47
45 0,5 0,37 0,5 0,6 0,5 0,45 0,2 0,75 0,5 0,5 4,87 0,49
46 0,4 0,53 0,6 0,5 0,6 0,4 0,4 0,48 0,55 0,5 4,96 0,50
47 0,5 0,51 0,65 0,6 0,7 0,8 0,8 0,9 0,6 0,55 6,61 0,66
48 0,4 0,53 0,5 0,5 0,5 0,35 0,3 0,42 0,4 0,4 4,30 0,43
49 0,4 0,53 0,55 0,4 0,5 0,35 0,4 0,4 0,4 0,4 4,33 0,43
50 0,4 0,45 0,4 0,6 0,4 0,4 0,3 0,59 0,6 0,5 4,64 0,46
54
Annexe 10 : Table d'agrément des experts 2 à 2
Expert a b C d A B C D X Po Pe K
E1-E2 16 0 9 25 16 34 25 25 50 0,82 0,47 0,66
E1-E3 16 0 10 24 16 34 26 24 50 0,80 0,47 0,63
E1-E4 16 0 13 21 16 34 29 21 50 0,74 0,46 0,52
E1-E5 16 0 15 19 16 34 31 19 50 0,70 0,45 0,45
E1-E6 13 3 0 34 16 34 13 37 50 0,94 0,41 0,90
E1-E7 15 1 0 34 16 34 15 35 50 0,98 0,43 0,97
E1-E8 16 0 13 21 16 34 29 21 50 0,74 0,46 0,52
E1-E9 16 0 13 21 16 34 29 21 50 0,74 0,46 0,52
E1-E10 16 0 12 22 16 34 28 22 50 0,76 0,46 0,55
E2-E3 25 0 1 24 25 25 26 24 50 0,98 0,50 0,96
E2-E4 25 0 4 21 25 25 29 21 50 0,92 0,49 0,84
E2-E5 25 0 6 19 25 25 31 19 50 0,88 0,49 0,77
E2-E6 13 12 0 25 25 25 13 37 50 0,76 0,44 0,57
E2-E7 15 10 0 25 25 25 15 35 50 0,80 0,46 0,63
E2-E8 25 4 0 21 29 21 25 25 50 0,92 0,49 0,84
E2-E9 25 0 4 21 25 25 29 21 50 0,92 0,49 0,84
E2-E10 25 0 3 22 25 25 28 22 50 0,94 0,50 0,88
E3-E4 26 0 3 21 26 24 29 21 50 0,94 0,49 0,88
E3-E5 26 0 5 19 26 24 31 19 50 0,90 0,49 0,81
E3-E6 13 13 0 24 26 24 13 37 50 0,74 0,44 0,53
E3-E7 15 11 0 24 26 24 15 35 50 0,78 0,46 0,59
E3-E8 26 0 3 21 26 24 29 21 50 0,94 0,49 0,88
E3-E9 26 0 3 21 26 24 29 21 50 0,94 0,49 0,88
E3-E10 26 0 2 22 26 24 28 22 50 0,96 0,50 0,92
E4-E5 29 0 2 19 29 21 31 19 50 0,96 0,48 0,92
E4-E6 13 12 0 25 25 25 13 37 50 0,76 0,44 0,57
E4-E7 15 14 0 21 29 21 15 35 50 0,72 0,45 0,49
E4-E8 29 0 0 21 29 21 29 21 50 1,00 0,49 1,00
E4-E9 29 0 0 21 29 21 29 21 50 1,00 0,49 1,00
E4-E10 29 1 0 20 30 20 29 21 50 0,98 0,48 0,96
E5-E6 13 18 0 19 31 19 13 37 50 0,64 0,43 0,37
E5-E7 15 16 0 19 31 19 15 35 50 0,68 0,45 0,42

55
E5-E8 29 2 0 19 31 19 29 21 50 0,96 0,48 0,92
E5-E9 29 2 0 19 31 19 29 21 50 0,96 0,48 0,92
E5-E10 28 3 0 19 31 19 28 22 50 0,94 0,48 0,88
E6-E7 13 0 2 35 13 37 15 35 50 0,96 0,40 0,93
E6-E8 13 0 16 21 13 37 29 21 50 0,68 0,44 0,43
E6-E9 13 0 16 21 13 37 29 21 50 0,68 0,44 0,43
E6-E10 13 0 15 22 13 37 28 22 50 0,70 0,44 0,47
E7-E8 15 0 14 21 15 35 29 21 50 0,72 0,45 0,49
E7-E9 15 0 14 21 15 35 29 21 50 0,72 0,45 0,49
E7-E10 15 0 13 22 15 35 28 22 50 0,74 0,46 0,52
E8-E9 29 0 0 21 29 21 29 21 50 1,00 0,49 1,00
E8-E10 28 1 0 21 29 21 28 22 50 0,98 0,49 0,96
E9-E10 28 1 0 21 29 21 28 22 50 0,98 0,49 0,96

A = a+b B = c+d C = a+c D = b+d X = a+b+c+d
56
Probabilités
Consensus Experts
Probabilités Annexe 11 : Détermination du COP MSB MSB
Consensus Experts
>0,5 = p < 0,5 = np p =Pérennisation ; np = Non pérennisation > 0,1-0,9 = p < 0,1-0,9 = np
N° Probabilités MSB N° Probabilités MSB N° Probabilités MSB N° Probabilités MSB N° Probabilités MSB
Consensus Experts Consensus Experts Consensus Experts Consensus Experts Consensus Experts
0,5 0,1 0,5 0,2 0,5 0,3 0,5 0,4 0,5 0,5
1 1 0,96 1 1 0,96 1 1 0,96 1 1 0,96 1 1 0,96
2 0,75 0,8 2 0,75 0,8 2 0,75 0,8 2 0,75 0,8 2 0,75 0,8
3 0,6 0,525 3 0,6 0,525 3 0,6 0,525 3 0,6 0,525 3 0,6 0,525
4 0,6 0,56 4 0,6 0,56 4 0,6 0,56 4 0,6 0,56 4 0,6 0,56
5 0,283 0,29 5 0,283 0,29 5 0,283 0,29 5 0,283 0,29 5 0,283 0,29
6 0,433 0,371 6 0,433 0,371 6 0,433 0,371 6 0,433 0,371 6 0,433 0,371
7 0,433 0,361 7 0,433 0,361 7 0,433 0,361 7 0,433 0,361 7 0,433 0,361
8 0,383 0,366 8 0,383 0,366 8 0,383 0,366 8 0,383 0,366 8 0,383 0,366
9 0,613 0,495 9 0,613 0,495 9 0,613 0,495 9 0,613 0,495 9 0,613 0,495
10 0,667 0,485 10 0,667 0,485 10 0,667 0,485 10 0,667 0,485 10 0,667 0,485
11 0,317 0,445 11 0,317 0,445 11 0,317 0,445 11 0,317 0,445 11 0,317 0,445
12 0,417 0,563 12 0,417 0,563 12 0,417 0,563 12 0,417 0,563 12 0,417 0,563
13 0,583 0,655 13 0,583 0,655 13 0,583 0,655 13 0,583 0,655 13 0,583 0,655
14 0,3 0,385 14 0,3 0,385 14 0,3 0,385 14 0,3 0,385 14 0,3 0,385
15 0,4 0,33 15 0,4 0,33 15 0,4 0,33 15 0,4 0,33 15 0,4 0,33
16 0,633 0,535 16 0,633 0,535 16 0,633 0,535 16 0,633 0,535 16 0,633 0,535
17 0,683 0,63 17 0,683 0,63 17 0,683 0,63 17 0,683 0,63 17 0,683 0,63
18 0,583 0,602 18 0,583 0,602 18 0,583 0,602 18 0,583 0,602 18 0,583 0,602
19 0,467 0,508 19 0,467 0,508 19 0,467 0,508 19 0,467 0,508 19 0,467 0,508
20 0,533 0,465 20 0,533 0,465 20 0,533 0,465 20 0,533 0,465 20 0,533 0,465
21 0,967 0,98 21 0,967 0,98 21 0,967 0,98 21 0,967 0,98 21 0,967 0,98
22 0,533 0,49 22 0,533 0,49 22 0,533 0,49 22 0,533 0,49 22 0,533 0,49
23 0,6 0,575 23 0,6 0,575 23 0,6 0,575 23 0,6 0,575 23 0,6 0,575
24 0,55 0,451 24 0,55 0,451 24 0,55 0,451 24 0,55 0,451 24 0,55 0,451
25 0,217 0,17 25 0,217 0,17 25 0,217 0,17 25 0,217 0,17 25 0,217 0,17
26 0,567 0,552 26 0,567 0,552 26 0,567 0,552 26 0,567 0,552 26 0,567 0,552
27 0,423 0,42 27 0,423 0,42 27 0,423 0,42 27 0,423 0,42 27 0,423 0,42
28 0,357 0,37 28 0,357 0,37 28 0,357 0,37 28 0,357 0,37 28 0,357 0,37
29 0,117 0,12 29 0,117 0,12 29 0,117 0,12 29 0,117 0,12 29 0,117 0,12
30 0,1 0,11 30 0,1 0,11 30 0,1 0,11 30 0,1 0,11 30 0,1 0,11
31 0,667 0,65 31 0,667 0,65 31 0,667 0,65 31 0,667 0,65 31 0,667 0,65
32 0,083 0,185 32 0,083 0,185 32 0,083 0,185 32 0,083 0,185 32 0,083 0,185
33 0,483 0,576 33 0,483 0,576 33 0,483 0,576 33 0,483 0,576 33 0,483 0,576
34 0,1 0,142 34 0,1 0,142 34 0,1 0,142 34 0,1 0,142 34 0,1 0,142
35 0 0 35 0 0 35 0 0 35 0 0 35 0 0
36 0,15 0,125 36 0,15 0,125 36 0,15 0,125 36 0,15 0,125 36 0,15 0,125
37 0,117 0,135 37 0,117 0,135 37 0,117 0,135 37 0,117 0,135 37 0,117 0,135
38 0,317 0,21 38 0,317 0,21 38 0,317 0,21 38 0,317 0,21 38 0,317 0,21
39 0,15 0,115 39 0,15 0,115 39 0,15 0,115 39 0,15 0,115 39 0,15 0,115
40 0,733 0,625 40 0,733 0,625 40 0,733 0,625 40 0,733 0,625 40 0,733 0,625
41 0,423 0,447 41 0,423 0,447 41 0,423 0,447 41 0,423 0,447 41 0,423 0,447
42 0,34 0,369 42 0,34 0,369 42 0,34 0,369 42 0,34 0,369 42 0,34 0,369
43 0,6 0,589 43 0,6 0,589 43 0,6 0,589 43 0,6 0,589 43 0,6 0,589
44 0,563 0,474 44 0,563 0,474 44 0,563 0,474 44 0,563 0,474 44 0,563 0,474
45 0,563 0,487 45 0,563 0,487 45 0,563 0,487 45 0,563 0,487 45 0,563 0,487
46 0,533 0,496 46 0,533 0,496 46 0,533 0,496 46 0,533 0,496 46 0,533 0,496
47 0,617 0,661 47 0,617 0,661 47 0,617 0,661 47 0,617 0,661 47 0,617 0,661
48 0,417 0,43 48 0,417 0,43 48 0,417 0,43 48 0,417 0,43 48 0,417 0,43
49 0,417 0,433 49 0,417 0,433 49 0,417 0,433 49 0,417 0,433 49 0,417 0,433
50 0,55 0,464 50 0,55 0,464 50 0,55 0,464 50 0,55 0,464 50 0,55 0,464
57
Annexe 11(suite) : Détermination du C0P
An
N° Probabilités MSB N° Probabilités MSB N° Probabilités MSB N° Probabilités MSB
Consensus Experts Consensus Experts Consensus Experts Consensus Experts
0,5 0,6 0,5 0,7 0,5 0,8 0,5 0,9
1 1 0,96 1 1 0,96 1 1 0,96 1 1 0,96
2 0,75 0,8 2 0,75 0,8 2 0,75 0,8 2 0,75 0,8
3 0,6 0,525 3 0,6 0,525 a b c d 3 0,6 0,525 3 0,6 0,525
4 0,6 0,56 4 0,6 0,56 4 0,6 0,56 4 0,6 0,56
5 0,283 0,29 5 0,283 0,29 5 0,283 0,29 5 0,283 0,29
6 0,433 0,371 6 0,433 0,371 6 0,433 0,371 6 0,433 0,371
7 0,433 0,361 7 0,433 0,361 7 0,433 0,361 7 0,433 0,361
8 0,383 0,366 8 0,383 0,366 8 0,383 0,366 8 0,383 0,366
9 0,613 0,495 9 0,613 0,495 9 0,613 0,495 9 0,613 0,495
10 0,667 0,485 10 0,667 0,485 10 0,667 0,485 10 0,667 0,485
11 0,317 0,445 11 0,317 0,445 11 0,317 0,445 11 0,317 0,445
12 0,417 0,563 12 0,417 0,563 12 0,417 0,563 12 0,417 0,563
13 0,583 0,655 13 0,583 0,655 13 0,583 0,655 13 0,583 0,655
14 0,3 0,385 14 0,3 0,385 14 0,3 0,385 14 0,3 0,385
15 0,4 0,33 15 0,4 0,33 15 0,4 0,33 15 0,4 0,33
16 0,633 0,535 16 0,633 0,535 16 0,633 0,535 16 0,633 0,535
17 0,683 0,63 17 0,683 0,63 17 0,683 0,63 17 0,683 0,63
18 0,583 0,602 18 0,583 0,602 18 0,583 0,602 18 0,583 0,602
19 0,467 0,508 19 0,467 0,508 19 0,467 0,508 19 0,467 0,508
20 0,533 0,465 20 0,533 0,465 20 0,533 0,465 20 0,533 0,465
21 0,967 0,98 21 0,967 0,98 21 0,967 0,98 21 0,967 0,98
22 0,533 0,49 22 0,533 0,49 22 0,533 0,49 22 0,533 0,49
23 0,6 0,575 23 0,6 0,575 23 0,6 0,575 23 0,6 0,575
24 0,55 0,451 24 0,55 0,451 24 0,55 0,451 24 0,55 0,451
25 0,217 0,17 25 0,217 0,17 25 0,217 0,17 25 0,217 0,17
26 0,567 0,552 26 0,567 0,552 26 0,567 0,552 26 0,567 0,552
27 0,423 0,42 27 0,423 0,42 27 0,423 0,42 27 0,423 0,42
28 0,357 0,37 28 0,357 0,37 28 0,357 0,37 28 0,357 0,37
29 0,117 0,12 29 0,117 0,12 29 0,117 0,12 29 0,117 0,12
30 0,1 0,11 30 0,1 0,11 30 0,1 0,11 30 0,1 0,11
31 0,667 0,65 31 0,667 0,65 31 0,667 0,65 31 0,667 0,65
32 0,083 0,185 32 0,083 0,185 32 0,083 0,185 32 0,083 0,185
33 0,483 0,576 33 0,483 0,576 33 0,483 0,576 33 0,483 0,576
34 0,1 0,142 34 0,1 0,142 34 0,1 0,142 34 0,1 0,142
35 0 0 35 0 0 35 0 0 35 0 0
36 0,15 0,125 36 0,15 0,125 36 0,15 0,125 36 0,15 0,125
37 0,117 0,135 37 0,117 0,135 37 0,117 0,135 37 0,117 0,135
38 0,317 0,21 38 0,317 0,21 38 0,317 0,21 38 0,317 0,21
39 0,15 0,115 39 0,15 0,115 39 0,15 0,115 39 0,15 0,115
40 0,733 0,625 40 0,733 0,625 40 0,733 0,625 40 0,733 0,625
41 0,423 0,447 41 0,423 0,447 41 0,423 0,447 41 0,423 0,447
42 0,34 0,369 42 0,34 0,369 42 0,34 0,369 42 0,34 0,369
43 0,6 0,589 43 0,6 0,589 43 0,6 0,589 43 0,6 0,589
44 0,563 0,474 44 0,563 0,474 44 0,563 0,474 44 0,563 0,474
45 0,563 0,487 45 0,563 0,487 45 0,563 0,487 45 0,563 0,487
46 0,533 0,496 46 0,533 0,496 46 0,533 0,496 46 0,533 0,496
47 0,617 0,661 47 0,617 0,661 47 0,617 0,661 47 0,617 0,661
48 0,417 0,43 48 0,417 0,43 48 0,417 0,43 48 0,417 0,43
49 0,417 0,433 49 0,417 0,433 49 0,417 0,433 49 0,417 0,433
50 0,55 0,464 50 0,55 0,464 50 0,55 0,464 50 0,55 0,464
58
Annexe 12 : Calcul de ln et antilog

B0= Coefficient de la constante du MRL B1-B5 = Coefficient des facteurs du MRL (Tableau XI) F1-F5 = Codes binaires des facteurs des cas réels (Annexe 16)
N° B0 B1 F1 B2 F2 B3 F3 B4 F4 B5 F5 LN(P/1-P)=MRL Antilog(Exp(x)) ou PO P(SUCCES)=MSB P(1-SUCCES)

1 0,567988 0 3,119757 1 2,761596 0 5,202424 1 2,564763 1 10,886944 53473,6345894 0,9999813 0,0000187
2 -8,046229 0,567988 0 3,119757 1 2,761596 1 5,202424 0 2,564763 1 0,399887 1,4916561 0,5986605 0,4013395
3 -8,046229 0,567988 0 3,119757 1 2,761596 0 5,202424 1 2,564763 0 0,275952 1,3177846 0,5685535 0,4314465
4 -8,046229 0,567988 0 3,119757 1 2,761596 0 5,202424 1 2,564763 0 0,275952 1,3177846 0,5685535 0,4314465
5 -8,046229 0,567988 0 3,119757 0 2,761596 0 5,202424 0 2,564763 0 -8,046229 0,0003203 0,0003202 0,9996798
6 -8,046229 0,567988 0 3,119757 1 2,761596 0 5,202424 0 2,564763 0 -4,926472 0,0072520 0,0071998 0,9928002
7 -8,046229 0,567988 0 3,119757 0 2,761596 0 5,202424 0 2,564763 0 -8,046229 0,0003203 0,0003202 0,9996798
8 -8,046229 0,567988 0 3,119757 0 2,761596 0 5,202424 0 2,564763 0 -8,046229 0,0003203 0,0003202 0,9996798
9 -8,046229 0,567988 0 3,119757 1 2,761596 0 5,202424 1 2,564763 0 0,275952 1,3177846 0,5685535 0,4314465
10 -8,046229 0,567988 1 3,119757 0 2,761596 1 5,202424 1 2,564763 0 0,485779 1,6254407 0,6191116 0,3808884
11 -8,046229 0,567988 1 3,119757 0 2,761596 1 5,202424 1 2,564763 1 3,050542 21,1267920 0,9548059 0,0451941
12 -8,046229 0,567988 1 3,119757 0 2,761596 0 5,202424 1 2,564763 1 0,288946 1,3350196 0,5717381 0,4282619
13 -8,046229 0,567988 1 3,119757 0 2,761596 1 5,202424 0 2,564763 1 -2,151882 0,1162651 0,1041555 0,8958445
14 -8,046229 0,567988 1 3,119757 1 2,761596 0 5,202424 0 2,564763 1 -1,793721 0,1663401 0,1426171 0,8573829
15 -8,046229 0,567988 0 3,119757 0 2,761596 0 5,202424 1 2,564763 0 -2,843805 0,0582038 0,0550024 0,9449976
16 -8,046229 0,567988 1 3,119757 0 2,761596 1 5,202424 0 2,564763 1 -2,151882 0,1162651 0,1041555 0,8958445
17 -8,046229 0,567988 1 3,119757 0 2,761596 0 5,202424 1 2,564763 1 0,288946 1,3350196 0,5717381 0,4282619
18 -8,046229 0,567988 1 3,119757 0 2,761596 0 5,202424 0 2,564763 1 -4,913478 0,0073469 0,0072933 0,9927067
19 -8,046229 0,567988 0 3,119757 0 2,761596 0 5,202424 0 2,564763 0 -8,046229 0,0003203 0,0003202 0,9996798
20 -8,046229 0,567988 0 3,119757 1 2,761596 0 5,202424 1 2,564763 0 0,275952 1,3177846 0,5685535 0,4314465
21 -8,046229 0,567988 1 3,119757 1 2,761596 0 5,202424 0 2,564763 0 -4,358484 0,0127978 0,0126361 0,9873639
22 -8,046229 0,567988 0 3,119757 0 2,761596 0 5,202424 1 2,564763 0 -2,843805 0,0582038 0,0550024 0,9449976
23 -8,046229 0,567988 0 3,119757 0 2,761596 0 5,202424 1 2,564763 0 -2,843805 0,0582038 0,0550024 0,9449976
24 -8,046229 0,567988 1 3,119757 0 2,761596 0 5,202424 1 2,564763 0 -2,275817 0,1027130 0,0931457 0,9068543
25 -8,046229 0,567988 0 3,119757 1 2,761596 0 5,202424 0 2,564763 0 -4,926472 0,0072520 0,0071998 0,9928002
26 -8,046229 0,567988 1 3,119757 0 2,761596 0 5,202424 0 2,564763 0 -7,478241 0,0005653 0,0005649 0,9994351
27 -8,046229 0,567988 1 3,119757 0 2,761596 1 5,202424 1 2,564763 0 0,485779 1,6254407 0,6191116 0,3808884
28 -8,046229 0,567988 0 3,119757 0 2,761596 0 5,202424 0 2,564763 0 -8,046229 0,0003203 0,0003202 0,9996798
29 -8,046229 0,567988 0 3,119757 0 2,761596 0 5,202424 0 2,564763 0 -8,046229 0,0003203 0,0003202 0,9996798
30 -8,046229 0,567988 0 3,119757 0 2,761596 0 5,202424 0 2,564763 0 -8,046229 0,0003203 0,0003202 0,9996798
31 -8,046229 0,567988 1 3,119757 0 2,761596 0 5,202424 1 2,564763 0 -2,275817 0,1027130 0,0931457 0,9068543
32 -8,046229 0,567988 1 3,119757 0 2,761596 0 5,202424 1 2,564763 0 -2,275817 0,1027130 0,0931457 0,9068543
33 -8,046229 0,567988 0 3,119757 0 2,761596 0 5,202424 0 2,564763 0 -8,046229 0,0003203 0,0003202 0,9996798
34 -8,046229 0,567988 0 3,119757 0 2,761596 0 5,202424 0 2,564763 0 -8,046229 0,0003203 0,0003202 0,9996798
35 -8,046229 0,567988 1 3,119757 1 2,761596 0 5,202424 0 2,564763 0 -4,358484 0,0127978 0,0126361 0,9873639
59
Annexe 13 : Tableau des probabilités des consensus
Cas hypothétiques formulés Probabilités Somme Moyenne

par les experts arithmétique
F1 F2 F3 F4 F5 P(S) par E P(S) par E' P(S)Cons1
P(S)
1 + + + + + 1 1 1 3,00 1,00
2 + + + - + 0,9 0,5 0,85 2,25 0,75
3 - + + - + 0,8 0,6 0,4 1,80 0,60
4 - + + - + 0,8 0,6 0,4 1,80 0,60
5 - - - - + 0,25 0,3 0,3 0,85 0,28
6 + - - + - 0,3 0,6 0,4 1,30 0,43
7 + - - + - 0,3 0,6 0,4 1,30 0,43
8 - + - + - 0,4 0,45 0,3 1,15 0,38
9 + + - + - 0,64 0,7 0,5 1,84 0,61
10 + + - + - 0,75 0,75 0,5 2,00 0,67
11 + + - + - 0,4 0,45 0,1 0,95 0,32
12 - + + - + 0,3 0,4 0,55 1,25 0,42
13 - + + + + 0,5 0,5 0,75 1,75 0,58
14 + - - + + 0,4 0,4 0,1 0,90 0,30
15 + - - - + 0,4 0,4 0,4 1,20 0,40
16 + + - - + 0,7 0,7 0,5 1,90 0,63
17 + + + - + 0,7 0,7 0,65 2,05 0,68
18 + + - + + 0,6 0,6 0,55 1,75 0,58
19 + + - - + 0,4 0,6 0,4 1,40 0,47
20 + + + - + 0,7 0,4 0,5 1,60 0,53
21 + + + + + 0,9 1 1 2,90 0,97
22 - + - + + 0,6 0,6 0,4 1,60 0,53
23 + + - + + 0,7 0,55 0,55 1,80 0,60
24 - + - + + 0,65 0,5 0,5 1,65 0,55
25 - - - - - 0,3 0,3 0,05 0,65 0,22
26 + + - + - 0,65 0,55 0,5 1,70 0,57
27 + + - - - 0,52 0,4 0,35 1,27 0,42
28 - - + - - 0,47 0,3 0,3 1,07 0,36
29 + - - - - 0,15 0,1 0,1 0,35 0,12
30 + - - - - 0,1 0,1 0,1 0,30 0,10
31 + + + - + 0,7 0,6 0,7 2,00 0,67
32 - - - + - 0,1 0,1 0,05 0,25 0,08
60
33 + + + - - 0,6 0,4 0,45 1,45 0,48

34 - + - - - 0,1 0,1 0,1 0,30 0,10
35 - - - - - 0 0 0 0,00 0,00
36 - - - - - 0,25 0,1 0,1 0,45 0,15
37 - - - - - 0,15 0,1 0,1 0,35 0,12
38 - - - + - 0,5 0,25 0,2 0,95 0,32
39 - - - - - 0,25 0,1 0,1 0,45 0,15
40 - + + + + 0,75 0,75 0,7 2,20 0,73
41 - + - - + 0,42 0,5 0,35 1,27 0,42
42 - - - + + 0,42 0,3 0,3 1,02 0,34
43 + + - + + 0,7 0,7 0,4 1,80 0,60
44 + - - + + 0,59 0,6 0,5 1,69 0,56
45 - + - + + 0,59 0,6 0,5 1,69 0,56
46 + + - - + 0,6 0,5 0,5 1,60 0,53
47 + + - + + 0,75 0,55 0,55 1,85 0,62
48 + + - - - 0,45 0,4 0,4 1,25 0,42
49 + + - - - 0,45 0,4 0,4 1,25 0,42
50 + - - + + 0,65 0,5 0,5 1,65 0,55
+ = Présence - = Absence
61
Annexe 14 : Canevas de collecte des données
F1 F2 F3 F4 F5
Respect de la Présence d’un Gestion rationnelle Accessibilité Motivation du
ZONE DE SANTE
politique personnel qualifié des médicaments financière et personnel

pharmaceutique et compétent culturelle de la
Nationale population
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
18
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
Instructions :
1. Les numéros de la première colonne correspondent aux ZS
2. Remplir les cellules avec les signes + ou –
3. Le signe + signifie la présence du facteur (Fi) dans le projet des médicaments de la ZS
4. Le signe - signifie l’absence du facteur (Fi) dans le projet des médicaments de la ZS
62
Annexe 15 : Résultats des cas réels
RPPN PPQC GRM AFCP MP ISSUE

1 - + - + + np
2 - + + - + p
3 - + - + - p
4 - + - + - np
5 - - - - - np
6 - + - - - np
7 - - - - - np
8 - - - - - p
9 - + - + - np
10 + - + + - p
11 + - + + + np
12 + - - + + p
13 + - + - + np
14 + + - - + np
15 - - - + - np
16 + - + - + p
17 + - - + + p
18 + - - - + np
19 - - - - - p
20 - + - + - np
21 + + - - - np
22 - - - + - np
23 - - - + - np
24 + - - + - np
25 - + - - - np
26 + - - - - p
27 + - + + - np
28 - - - - - np
29 - - - - - np
30 - - - - - np
31 + - - + - np
32 + - - + - np
33 - - - - - np
34 - - - - - np
35 + + - - - np
63
Annexe 16 : Codification des cas réels
RPPN PPQC GRM AFCP MP Y

1 0 1 0 1 1 p
2 0 1 1 0 1 np
3 0 1 0 1 0 p
4 0 1 0 1 0 p
5 0 0 0 0 0 np
6 0 1 0 0 0 np
7 0 0 0 0 0 np
8 0 0 0 0 0 np
9 0 1 0 1 0 p
10 1 0 1 1 0 np
11 1 0 1 1 1 p
12 1 0 0 1 1 np
13 1 0 1 0 1 p
14 1 1 0 0 1 np
15 0 0 0 1 0 np
16 1 0 1 0 1 np
17 1 0 0 1 1 p
18 1 0 0 0 1 np
19 0 0 0 0 0 np
20 0 1 0 1 0 p
21 1 1 0 0 0 np
22 0 0 0 1 0 np
23 0 0 0 1 0 np
24 1 0 0 1 0 np
25 0 1 0 0 0 np
26 1 0 0 0 0 np
27 1 0 1 1 0 p
28 0 0 0 0 0 np
29 0 0 0 0 0 np
30 0 0 0 0 0 np
31 1 0 0 1 0 np
32 1 0 0 1 0 np
33 0 0 0 0 0 np
34 0 0 0 0 0 np
35 1 1 0 0 0 np
64
Annexe 17 : Probabilités des issues des cas réels
RPPN PPQC GRM AFCP MP ISSUE PROBABILITE

1 0 1 0 1 1 np 0,6
2 0 1 1 0 1 p 0,45
3 0 1 0 1 0 p 0,3
4 0 1 0 1 0 np 0,55
5 0 0 0 0 0 np 0
6 0 1 0 0 0 np 0,15
7 0 0 0 0 0 np 0
8 0 0 0 0 0 p 0
9 0 1 0 1 0 np 0,55
10 1 0 1 1 0 p 0,45
11 1 0 1 1 1 np 0,8
12 1 0 0 1 1 p 0,25
13 1 0 1 0 1 p 0,55
14 1 1 0 0 1 np 0,35
15 0 0 0 1 0 np 0,1
16 1 0 1 0 1 p 0,2
17 1 0 0 1 1 p 0,55
18 1 0 0 0 1 np 0,15
19 0 0 0 0 0 p 0
20 0 1 0 1 0 np 0,55
21 1 1 0 0 0 np 0,2
22 0 0 0 1 0 np 0,15
23 0 0 0 1 0 np 0,1
24 1 0 0 1 0 np 0,2
25 0 1 0 0 0 np 0,1
26 1 0 0 0 0 p 0,1
27 1 0 1 1 0 np 0,55
28 0 0 0 0 0 np 0
29 0 0 0 0 0 np 0
30 0 0 0 0 0 np 0
31 1 0 0 1 0 np 0,25
32 1 0 0 1 0 np 0,25
33 0 0 0 0 0 np 0
34 0 0 0 0 0 np 0
35 1 1 0 0 0 np 0,2
0= Non pérennisation 1= Pérennisation

65
Annexe 18 : Confrontation MSB/Cas Réels
N° MSB Probabilités
0,5 Cas Réels
0,5
1 0,9999813 p p 0,6
2 0,59866051 p np 0,45
3 0,568553525 p np 0,3
4 0,568553525 p p 0,55
5 0,000320205 np np 0
6 0,00719983 np np 0,15
7 0,000320205 np np 0
8 0,000320205 np np 0
9 0,568553525 p p 0,55
10 0,61911157 p np 0,45
11 0,95480592 p p 0,8
12 0,571738077 p np 0,25
13 0,104155488 np p 0,55
14 0,142617124 np np 0,35
15 0,055002429 np np 0,1
16 0,104155488 np np 0,2
17 0,571738077 p p 0,55
18 0,007293308 np np 0,15
19 0,000320205 np np 0
20 0,568553525 p p 0,55
21 0,012636061 np np 0,2
22 0,055002429 np np 0,15
23 0,055002429 np np 0,1
24 0,093145689 np np 0,2
25 0,00719983 np np 0,1
26 0,000564931 np np 0,1
27 0,61911157 p p 0,55
28 0,000320205 np np 0
29 0,000320205 np np 0
30 0,000320205 np np 0
31 0,093145689 np np 0,25
32 0,093145689 np np 0,25
33 0,000320205 np np 0
34 0,000320205 np np 0
35 0,012636061 np np 0,2
a b c d
66
Annexe 19 : Confrontation MSB/MRL
P(SUCCES)=MSB LN(P/1-P)=MRL
0,5 0,5
1 0,9999813 1 1 10,886944
2 0,59866051 1 0 0,399887
3 0,568553525 1 0 0,275952
4 0,568553525 1 0 0,275952
5 0,000320205 0 0 -8,046229
6 0,00719983 0 0 -4,926472
7 0,000320205 0 0 -8,046229
8 0,000320205 0 0 -8,046229
9 0,568553525 1 0 0,275952
10 0,61911157 1 0 0,485779
11 0,95480592 1 1 3,050542
12 0,571738077 1 0 0,288946
13 0,104155488 0 0 -2,151882
14 0,142617124 0 0 -1,793721
15 0,055002429 0 0 -2,843805
16 0,104155488 0 0 -2,151882
17 0,571738077 1 0 0,288946
18 0,007293308 0 0 -4,913478
19 0,000320205 0 0 -8,046229
20 0,568553525 1 0 0,275952
21 0,012636061 0 0 -4,358484
22 0,055002429 0 0 -2,843805
23 0,055002429 0 0 -2,843805
24 0,093145689 0 0 -2,275817
25 0,00719983 0 0 -4,926472
26 0,000564931 0 0 -7,478241
27 0,61911157 1 0 0,485779
28 0,000320205 0 0 -8,046229
29 0,000320205 0 0 -8,046229
30 0,000320205 0 0 -8,046229
31 0,093145689 0 0 -2,275817
32 0,093145689 0 0 -2,275817
33 0,000320205 0 0 -8,046229
34 0,000320205 0 0 -8,046229
35 0,012636061 0 0 -4,358484
0= Non pérennisation 1= Pérennisation
a b c d
67
ANNEXE 20 : TABLEAU DES PROBABILITES (p) DE PERENNISATION DE TOUTES LES COMBINAISONS ENTRE FACTEURS
INDEPENDANTS
F1 F2 F3 F4 F5 F2+F3 F2+F4 F2+F5 F3+F4 F3+F5 F4+F5 F2+F3+F4 F2+F4+F5 F3+F4+F5 F2+F3+F4+F5
F1 0,347 0,706 0,349 0,351 0,794498 0,464 0,465 0,797 0,797 0,468 0,8630475 0,586382 0,865215 0,911777304
F2 0,679 0,321 0,322 0,775 0,776 0,437 0,849568
F3 0,681 0,683 0,778
F4 0,325
F5
En bleu = Combinaisons des facteurs indépendants avec p > 0,5(= Pérennisation)

MEMOIRE DE SPECIALISATION EN SANTE PUBLIQUE. Economie de La Santé. DR Willy MFUNI MULUMBA

Transféré par

Droits d'auteur :

Formats disponibles

MEMOIRE DE SPECIALISATION EN SANTE PUBLIQUE. Economie de La Santé. DR Willy MFUNI MULUMBA

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

MEMOIRE DE SPECIALISATION EN SANTE PUBLIQUE. Economie de La Santé. DR Willy MFUNI MULUMBA

Transféré par

Droits d'auteur :

Formats disponibles

REPUBLIQUE DEMOCRATIQUE DU CONGO

ANALYSE DES FACTEURS DE PREDICTION DE

Par Dr Willy MFUNI MULUMBA 

Mémoire présenté et défendu en vue de l’obtention

Option : Economie de la Santé

A mon fils MFUNI TSHITENGA Othniel Moxija, ma belle-sœur BANZA MULEKA

A mes parents, Feu MFUNI TSHITENGA Céléstin et MUKANYA KABOKU Anne-

A mes beaux-parents, ILUNGA MPIONGO Oréphin et ILUNGA MASANGU

A toute la grande famille : MFUNI, MPIONGO et DAMBEJ.

A tous ceux qui me sont chers.

Nous remercions premièrement les encadreurs de ce travail et pensons aux professeurs

Nos remerciements s’adressent aussi à tous les facilitateurs de l’Ecole de Santé

LISTE DES TABLEAUX

Tableau n0 I : Calcul des probabilités de pérennisation ........................................................... 28

LISTE DES ABREVIATIONS

APD : Appui Public au Développement

BCZ : Bureau Central de Zone de Santé

BDOM : Bureau Diocésain des Oeuvres Médicales

BFR : Besoins en Fonds de Roulement

CDR : Centrale de Distribution Régionale

CMM : Consommation Moyenne Mensuelle

CNS : Comptes Nationaux de la Santé

COP : Cut Off Point

CUK : Cliniques Universitaires de Kinshasa

DPS : Division Provinciale de la Santé

ECZ : Equipe Cadre de Zone de Santé

FEDECAM : Fédération des Centrales d’Achat et de distribution en

FOSA : Formation Sanitaire

LHR : Likelihood Ratio

MCZ : Médecin Chef de Zone

MEG : Médicament Essentiel et Générique

MPH : Master of Public Health

MRL : Modèle de Régression Logistique

MSB : Modèle Subjectif de BAYES

OMS : Organisation mondiale de la Santé

PIB : Produit Intérieur Brut

QAP : Quotient de Probabilité à Priori

QAPO : Quotient de Probabilité à Posteriori

RDC : République Démocratique du Congo

SIDA : Syndrome d’Immuno-Déficience Acquise

SNAME : Système Nationale d’Approvisionnement des Médicaments

SPSS : Statistical Package Social Science

VIH : Virus Immunitaire humain

VPN : Valeur Prédictive Négative

VPP : Valeur Prédictive Positive

La pérennisation des projets des médicaments est une préoccupation de la politique

Le raisonnement bayésien, approche quantitative, considérée comme subjective, a été

Le modèle de prédiction de pérennisation des projets des médicaments trouvé

I.1. ENONCE DU PROBLEME

La pérennisation des projets d’investissement dans le domaine de la santé, dont ceux

Selon l’OMS : « Les médicaments constituent le deuxième poste de dépense des

La progression rapide des dépenses en médicaments est particulièrement préoccupante

- Quelles sont les facteurs déterminants de la pérennisation des projets des

- Quelle est la probabilité pour un projet des médicaments d’être pérennisé ?

- Comment peut-on à partir d’une formulation mathématique pronostiquer la

I.2. BUT ET OBJECTIFS

I.2.2. Objectif général

I.2.3. Objectifs spécifiques

2) Déterminer l’importance de chaque facteur identifié.