CDT) De La Tuberculose À Madagascar

UNIVERSITE D’ANTANANARIVO Domaine : Sciences et Technologies Mention : Physique et Applications

MEMOIRE DE FIN D’ETUDE POUR L’OBTENTION DU DIPLOME DE MASTER EN SCIENCES ET TECHNIQUES EN GEOPHYSIQUE ET GEOMATIQUE Option : Géomatique Année Universitaire : 2016 - 2017

SIG, outil d’aide à la décision pour le choix d’implantation de nouveaux Centres de Diagnostic et Traitement (CDT) de la tuberculose à Madagascar

Présenté le 22 Mars 2019 par : RAVAOARIMANGA Masiarivony

Devant le membre du jury composé de :

Président : GARO JOELSON Sebille, Maître de Conférences Rapporteur : RAKOTOMANANA Fanjasoa, Docteur, Chargée de recherche Examinateur : RAZAFINDRAKOTO Boni Gauthier, Maître de conférences

UNIVERSITE D’ANTANANARIVO Domaine : Sciences et Technologies Mention : Physique et Applications

MEMOIRE DE FIN D’ETUDE POUR L’OBTENTION DU DIPLOME DE MASTER EN SCIENCES ET TECHNIQUES EN GEOPHYSIQUE ET GEOMATIQUE Option : Géomatique Année Universitaire : 2016 - 2017

SIG, outil d’aide à la décision pour le choix d’implantation de nouveaux Centres de Diagnostic et Traitement (CDT) de la tuberculose à Madagascar

Présenté le 22 Mars 2019 par :

RAVAOARIMANGA Masiarivony

Devant le membre du jury composé de :

Président : GARO JOELSON Sebille, Maître de Conférences Rapporteur : RAKOTOMANANA Fanjasoa, Docteur, Chargée de recherche Examinateur : RAZAFINDRAKOTO Boni Gauthier, Maître de conférences

REMERCIEMENTS

Je tiens à exprimer mes plus profonds remerciements à DIEU Tout Puissant qui m’a donné la santé, la force, le courage et la bénédiction durant le cursus afin que je puisse réaliser ce mémoire.

Je suis profondément reconnaissante à la Direction de l’Institut Pasteur de Madagascar (IPM) d’avoir bien voulu m’accueillir dans leur établissement.

Je tiens à exprimer toute ma reconnaissance et toute ma gratitude à : ➢ Docteur Laurence Baril, Chef de l’unité de l’Epidémiologie et de Recherche Clinique de l’IPM, qui m’a permis de faire mon stage dans son unité.

➢ Docteur RAKOTOSAMIMANANA Niaina, Chef de l’unité des Mycobactéries de l’IPM et Chef de service de l’unité Mycobactéries ; et Docteur RAHERISON Mamy Serge, Chef de Service de laboratoire des Mycobactéries et Programme National de Lutte contre la Tuberculose Madagascar, qui m’a accueillie avec bienveillance et amabilité à l’unité des Mycobactéries pour mener ce travail.

Je tiens à exprimer mes plus profondes reconnaissances à : ➢ Monsieur RAHERIMANDIMBY Marson, Professeur Titulaire, Doyen de la Faculté des Sciences de l’Université d’Antananarivo, qui m’a permis de poursuivre mes études au sein de la Faculté des Sciences et d’avoir autorisé la présentation de ce mémoire ;

➢ Monsieur RAKOTONDRAMIARANA Hery Tiana, Maître de Conférences, Habilité Dirigé de Recherche (HDR), Responsable de la mention Physique et Applications, d’avoir accepté la présente mémoire au sein de la mention ;

➢ Monsieur GARO JOELSON Sebille, Maître de Conférences, Responsable de la Formation en Sciences et Techniques en Géophysique et Géomatique (MSTGG), qui nous fait honneur de présider les membres de Jury de cette soutenance et qui n’a pas hésité aussi à nous fournir toutes les alternatives d’approfondissement de connaissance durant ce parcours à travers les différents types de cours dispensés ;

➢ Madame RAKOTOMANANA Fanjasoa, Docteur en Médecine, Docteur en Sciences de l’Information Géographique, Chargée de recherche, responsable du groupe Santé et GEOmatique (SaGEO) au sein de l’Unité d’Epidémiologie et de Recherche Clinique de l’IPM, et qui était aussi l’un de nos professeurs durant cette année de formation ; qui malgré ses différentes obligations, a bien voulu accepter de m’encadrer tout au long de l’élaboration de ce mémoire. Je l’en remercie très vivement ;

➢ Monsieur RAZAFINDRAKOTO Boni Gauthier, Maître de Conférences, qui a aimablement accepté de siéger parmi les membres du jury pour évaluer ce travail et pour apporter des critiques constructives y relatives ;

Mes vifs remerciements à tous les enseignants de MSTGG qui se sont voués à transmettre leurs connaissances et leurs expériences et à veiller au bon déroulement de la formation ;

Toute ma gratitude envers ma famille qui n’a pas cessé de m’encourager et de me soutenir tout au long de mes années d’études ;

Un grand merci également à tous ceux qui, de près ou de loin qui ont contribué à l’élaboration de ce travail.

SOMMAIRE LISTE DES FIGURES LISTE DES TABLEAUX LISTE DES ANNEXES LISTE DES ABREVIATIONS INTRODUCTION CHAPITRE I : GENERALITES I.1 Généralités sur la tuberculose I.2 Accessibilité aux soins I.3 Sciences de l’Information Géographique CHAPITRE II : METHODOLOGIE II.1 Présentation de la zone d’étude II.2 Matériels et méthodes CHAPITRE III : RESULTATS III.1 Carte de la localisation des CDT de tuberculose à Madagascar III.2 Carte de la distribution des CDT III.3 Zones dépourvues de CDT : districts d’Isandra et de Lalangina III.4 FS éligibles en CDT dans les districts d’Isandra et de Lalangina III.5 Résultat sur la classification d’image III.6 Résultats sur l’analyse de l’accessibilité physique CHAPITRE IV : DISCUSSIONS ET RECOMMANDATIONS IV.1 Sur la distribution des CDT IV.2 Sur la classification d’image IV.3 Sur l’analyse de l’accessibilité physique CONCLUSION ANNEXES

iii

LISTE DES FIGURES Figure 1: Carte de la localisation de Madagascar ...... 12 Figure 2: Démarche à suivre pour la réalisation de l’étude ...... 28 Figure 3: Carte de la localisation des CDT de tuberculose à Madagascar ...... 29 Figure 4: Cartes de couverture en CDT: 4a) Par rapport à la norme internationale et 4b) Par rapport à la moyenne nationale ...... 31 Figure 5: Localisation des Districts d’Isandra et Lalangina, zones dépourvues de CDT ...... 32 Figure 6: Répartition des FS dans les Districts d’Isandra et de Lalangina ...... 33 Figure 7: Carte de l’occupation de sol pour les districts d’Isandra et de Lalangina...... 35 Figure 8: Cartes d’occupation de sol combinée : 8a) District d’Isandra, 8b) District de Lalangina ...... 38 Figure 9: Couverture géographique des CSB dans le district d’Isandra: pourcentage de population desservie par les CSB en cas d’accréditation en CDT, 9a) Pour un déplacement à pied et 9b) Pour un déplacement en véhicule motorisé ...... 40 Figure 10: Couverture géographique des CSB dans le district de Lalangina: pourcentage de population desservie par les CSB en cas d’accréditation en CDT, 10a) Pour un déplacement à pied et 10b) Pour un déplacement en véhicule motorisé ...... 42 Figure 11: Cartes de temps de trajet pour un scénario à pied dans le district d’Isandra: 11a) Temps de trajet pour rejoindre chaque CSB, 11b) Temps de trajet pour rejoindre le CSB d’Ambondrona et 11c) Temps de trajet pour rejoindre le CSB d’Ambalamidera ...... 44 Figure 12: Cartes de temps de trajet pour un scénario de déplacement en véhicule motorisé dans le district d’Isandra: 12a) Temps de trajet pour rejoindre chaque CSB, 12b) Temps de trajet pour rejoindre le CSB d’Ambondrona et 12c) Temps de trajet pour rejoindre le CSB d’Ambalamidera ...... 46 Figure 13: Cartes de temps de trajet pour un scénario de déplacement à pied dans le district de Lalangina : 13a) Temps de trajet pour rejoindre chaque CSB, 13b) Temps de trajet pour rejoindre le CSB d’Ambatovaky et 13c) Temps de trajet pour rejoindre le CSB d’Andranolava II ...... 48 Figure 14: Cartes de temps de trajet pour un scénario de déplacement en véhicule motorisé dans le district de Lalangina : 14a) Temps de trajet pour rejoindre chaque CSB, 14b) Temps de trajet pour rejoindre le CSB d’Ambatovaky et 14c) Temps de trajet pour rejoindre le CSB d’Andranolava II ...... 50 iv

LISTE DES TABLEAUX Tableau 1: Matrice de confusion ...... 21

Tableau 2: Degré de signification du coefficient de Kappa ...... 22

Tableau 3: Table de la classification de la couverture terrestre ...... 25

Tableau 4: Scénario de déplacement à pied ...... 26

Tableau 5: Scénario de déplacement motorisé ...... 26

Tableau 6: Nombre de pixels pour chaque catégorie d’occupation de sol dans les zones d’entraînement et les zones test ...... 34

Tableau 7: Matrice de confusion de l’image classifiée montrant les erreurs de commission (EC) et d’omission (EO) ...... 36

LISTE DES ANNEXES

Annexe 1: Glossaires ...... I

Annexe 2: Pourcentage de localités des villages dans la distribution de temps de trajet à pied pour le district Isandra ...... III

Annexe 3: Pourcentage de localités des villages dans la distribution de temps de trajet sur un scénario motorisé pour le district Isandra ...... IV

Annexe 4: Pourcentage de localités des villages dans le temps de trajet effectué à pied dans district Lalangina ...... V

Annexe 5: Pourcentage de localités des villages dans le temps de trajet motorisé dans le district Lalangina ...... VI

LISTE DES ABREVIATIONS

BK : Bacille de Koch CDT : Centre de Diagnostic et Traitement CHRD : Centre Hospitalier de Référence de District CNRM : Centre National de Référence des Mycobactéries CRPC : Centres de Référence et de Prise en Charge CSB : Centre de Santé de Base CT : Centre de Traitement DEM : Digital Elevation Model EC : Erreur de Commission EO : Erreur d’Omission FS : Formation Sanitaire IPM : Institut Pasteur de Madagascar MNT : Modèles Numériques de Terrain OMS : Organisation Mondiale de la Santé ONG : Organisation Non Gouvernemental OSM : OpenStreetMap PNLT : Programme National de Lutte contre la Tuberculose PSN : Plan Stratégique National SALFA: Sampan’Asa Loterana momba ny Fahasalamana SIG : Système d’Information Géographique SRTM: Shuttle Radar Topography Mission TB : Tuberculose TDO : Traitement Directement Observé TPM+ : Tuberculose Pulmonaire à Microscopie positive TPM- : Tuberculose Pulmonaire à Microscopie négative USGS: United States Geological Survey UTM: Universal Transverse Mercator WGS: World Geodetic System

vii

INTRODUCTION

De nos jours, la tuberculose demeure encore un problème de santé publique dans de nombreux pays malgré les efforts déployés pour la combattre. Au niveau mondial, 10,4 millions d’individus étaient touchés par la maladie en 2016 dont 1,3 million de décès [1]. A Madagascar, environ 30.000 cas de tuberculose sont déclarés pour l’année 2016 ; ce qui montre l’ampleur de la maladie. L’incidence de la tuberculose est estimée à 237 cas pour 100.000 habitants pour toutes les formes confondues selon l’OMS [2].

A Madagascar, la lutte contre cette maladie est coordonnée par l’équipe du Programme National de lutte contre la Tuberculose (PNLT). Ce programme est fonctionnel depuis 1991 et applique les stratégies recommandées par l’OMS. Le PNLT s’est fixé comme principaux objectifs l’amélioration du système de dépistage ainsi qu’un taux de guérison de 85%. L’objectif spécifique étant d’étendre le réseau de laboratoires ou Centres de Diagnostic et de Traitement (CDT) [3].

Généralement, un tuberculeux, jusqu’à la guérison, a un parcours long et ardu à effectuer à partir de l’apparition des premiers signes d’imprégnation tuberculeuse. Ce parcours est à la fois d’ordre géographique et thérapeutique. Bien que les malades présentent des signes cliniques quasiment identiques, avec un schéma thérapeutique standard, ils vivent dans des contextes différents. Et chaque contexte a un effet spécifique sur l’adhésion au traitement [4]. Madagascar est un vaste pays présentant des contextes variés d’une région administrative à une autre (contexte géographique, origine ethnique, revenu, niveau d’éducation, conditions climatiques, état des routes, des moyens de transport inadéquats, etc.). L’application des directives sans tenir compte de ces différents contextes locaux pourrait être à l’origine de la non réussite du système de suivi des malades et donc du contrôle de la tuberculose. Inversement, les districts et les CDT qui adaptent les directives selon leurs contextes ou qui prennent des initiatives répondant aux contextes des malades, ont plus de chance de réussir le contrôle de la tuberculose [5].

Face à l’objectif sur l’extension des réseaux de CDT et pour résoudre le problème sur le contexte géographique ou dite l’accessibilité physique, on utilisera le SIG comme outil

d’aide à la décision pour la mise en place d’un nouveau CDT avec des analyses d’accessibilité par rapport aux différents centres sanitaires existants.

Pour ce faire, cette étude vise à :

➢ Modéliser la distribution spatiale des réseaux CDT et les analyser ; ➢ Décrire l’accessibilité physique aux soins de tuberculose ; ➢ Fournir un outil d’aide à la prise de décision pour le choix d’accréditation d’une structure de santé en nouveau CDT ; ceci pour les zones que nous allons trouver non desservies par un CDT.

Cette étude se présentera comme suit : en premier lieu les généralités sur la tuberculose, l’accès aux soins et le Système d’Information Géographique ; en second lieu la méthodologie en commençant par la présentation de la zone d’étude, ensuite les résultats, suivi des discussions et enfin la conclusion.

CHAPITRE I

GENERALITES

I.1 Généralités sur la tuberculose

La tuberculose est découverte par le médecin et microbiologiste allemand Robert Koch en 1882. La tuberculose est une maladie infectieuse causée par une « Bacille Acido – Alcoolo Résistant » appelé Mycobacterium tuberculosis ou Bacille de Koch (BK) [6].

I.1.1 Différents types de tuberculose

La tuberculose affecte principalement l'appareil respiratoire (les poumons), tuberculose pulmonaire, mais elle peut tout aussi bien atteindre d'autres organes, tuberculose extra pulmonaire.

Il existe deux cas de tuberculose pulmonaire : - La tuberculose pulmonaire à microscopie positive (TPM+) dans laquelle l’expectoration des malades est positive à l’examen microscopique (existence de 02 lames positives). - La tuberculose pulmonaire à microscopie négative (TPM-) dont le diagnostic repose sur : • la présence de symptômes cliniques et d'images radiologiques en faveur du diagnostic de tuberculose ; • trois examens microscopiques des crachats négatifs puis 15 jours d'antibiothérapie non spécifique, sans amélioration.

I.1.2 Mode de transmission de tuberculose

La contamination est essentiellement interhumaine, et se fait, par voie aérienne, par l'intermédiaire des gouttelettes de salive qui contiennent le bacille pathogène et qui sont propulsées lorsque le malade éternue ou tousse, par exemple [6].

I.1.3 Mode de traitement de tuberculose

Le schéma thérapeutique est basé sur un traitement de 6 mois avec 2 mois de Traitement Directement Observé (TDO) de phase intensive suivi de 4 mois de phase de continuation.

I.1.3.1 La phase initiale ou première phase intensive Elle se fait au Centre de Diagnostic et de Traitement (CDT). Certains centres de traitement (CT), sous l'autorité du CDT pourront prendre en charge cette première phase du traitement. Le registre des patients reste tenu par le CDT. Pendant cette phase, il est impératif que le traitement soit entièrement supervisé avec 2 mois de TDO : stratégie de l’OMS. Les patients qui peuvent se déplacer chaque jour au CDT viendront chaque matin prendre et avaler leurs médicaments devant l’infirmier ou devant l’agent communautaire puis rentreront chez eux. Durant cette phase intensive, l’observance au traitement est étroitement liée à la qualité de l’accueil des malades par le personnel de santé et les délais d’attente des malades doivent être réduits au minimum pour leur permettre éventuellement de conserver une activité.

I.1.3.2 La deuxième phase ou phase de continuation Durant cette phase, le malade doit continuer à prendre chaque jour ses médicaments mais il pourra le faire à domicile. Les médicaments lui seront remis pour un à trois mois selon les distances. La délivrance des médicaments pourra être faite dans les centres de traitement, CSB accrédité, CT. Le malade se présentera régulièrement à une date fixée quelques jours avant la date théorique d’épuisement de sa réserve en médicament. L'infirmier contrôlera si le nombre de médicaments restants avec le malade est correct et l'informera sur ses prochains rendez- vous pour contrôles bacilloscopiques (courant du 5ème et fin du 6ème mois). Il devra aussi remplir la fiche de traitement (qui reste au centre) et la carte personnelle du malade. Pour les malades résidant loin du CT ou du CDT, dont une prise espacée (3 mois) des médicaments est souhaitable, il importe d'insister sur la nécessité absolue d'effectuer les contrôles au 5ème mois et en fin de traitement (Contrôle de fin de 6ème mois pour les nouveaux cas). Ainsi, on propose le calendrier de délivrance suivant : 4

- Au début de la deuxième phase : on remet 1 mois de traitement au malade qui revient en fin du 3ème mois, - S'il revient à la bonne date on lui remet alors les médicaments pour 2 mois jusqu’à fin de 5 ème mois, pour faire le contrôle du 5ème mois, - Si le contrôle est négatif on lui remet le dernier mois de traitement et on lui demande de revenir faire le contrôle de fin traitement durant ce sixième mois, pour affirmer sa guérison.

I.1.3.3 Retraitement : cas à retraiter Après un premier traitement écourté, irrégulier, ou mal prescrit, certains malades rechutent et leurs bacilles peuvent être devenus résistants à plusieurs antituberculeux de première ligne. On les distingue en 3 groupes : les rechutes, les reprises et les échecs, (les définitions sont détaillées en annexe 1).

I.1.4 Politique en matière de lutte contre la tuberculose

Le Programme National de Lutte contre la Tuberculose (PNLT) Conscient des répercussions socio-économiques de la tuberculose sur la population, le Gouvernement Malgache a mis en place depuis 1992, le Programme National de Lutte contre la Tuberculose (PNLT). Le PNLT est une direction centrale du Ministère de la Santé Publique qui a pour mission d’assurer que tout malade de tuberculose ait accès au diagnostic et à un traitement de qualité pour diminuer la souffrance et le fardeau social, économique et l’inégalité associés à la maladie [3]. L’objectif général du PNLT est de réduire la morbidité liée à la Tuberculose en diminuant la circulation des bacilles tuberculeux, sources de contagion dans la collectivité, et de réduire en conséquence l'incidence de la maladie, considérée aujourd’hui comme un problème majeur de santé publique [3]. Il établit les normes et les procédures pour le dépistage, le diagnostic et le traitement gratuit et supervisé de tous les patients atteints de tuberculose. Le PNLT à travers les différents services rattachés : - assure l’administration du Programme et le représente auprès des structures du Ministère de la Santé Publique et des partenaires ;

- veille au bon déroulement et à la qualité de la prise en charge des patients tuberculeux à tous les niveaux, y compris la coïnfection TB-VIH, la tuberculose multi résistante (TBMR), ainsi que la tuberculose dans les groupes à haut risque (zones minières, prisons, zones enclavées…), la sensibilisation et la communication pour le changement de comportement ; - assure la disponibilité permanente des médicaments, consommables de laboratoire, réactifs, et outils de gestion à tous les niveaux du système ainsi que le suivi régulier des commandes ; - assure la coordination et l’appui du réseau de laboratoires par l’élaboration et la diffusion des directives techniques afin de standardiser les techniques de la bacilloscopie, la formation initiale et la remise à niveau des techniciens, la dotation en équipements de laboratoire, la supervision des laboratoires périphériques et la conduite de recherches opérationnelles. Le PNLT jouera un rôle majeur dans le contrôle de la TBMR. Le Laboratoire National de Référence (LNR) étant la référence en bacilloscopie et le laboratoire de l’IPM assure la culture et les tests de sensibilité aux antituberculeux [3].

Le Plan Stratégique National (PSN) Le but de ce plan est de fournir à tout acteur dans la lutte contre la Tuberculose et aux différents partenaires, des stratégies efficaces, des objectifs clairs et des indicateurs pour le suivi et l’évaluation afin de faciliter la planification, la mise en œuvre, la coordination, le suivi et l’évaluation des activités de la lutte contre la tuberculose à tous les niveaux du système à Madagascar [3].

I.1.5 L’organisation sur la lutte contre la tuberculose

L’organisation générale de la lutte contre la tuberculose au sein du MSANP est issue du Décret «2009-1228 ». La surveillance épidémiologique de la tuberculose est un suivi longitudinal qui calcule à partir des données sanitaires disponibles : le taux d’incidence déclaré, le taux de mortalité, le taux de succès au traitement, le taux de perdus de vue, le taux d’échec. Les rapports trimestriels de dépistage et de résultats de traitement des malades traités 12 à 15 mois auparavant sont établis par les CDT, vérifiés et exploités par le district. Ils sont envoyés et exploités au niveau régional et central. Des revues sont tenues 6

périodiquement au niveau des districts sanitaires et des régions. Une revue du programme est réalisée annuellement, impliquant toutes les parties prenantes afin de mieux planifier et coordonner les activités. L’utilisation des technologies de communication (internet, téléphonie mobile, informatisation des données…) permet d’améliorer la promptitude et la complétude des rapports d’activités. La lutte contre la tuberculose s’articule sur 3 niveaux opérationnels : niveaux central, régional et périphérique. - Le niveau central assure la conception et la diffusion des documents stratégiques nationaux : PNLT, plan stratégique, des directives techniques, l’appui technique, la coordination, le suivi évaluation du programme à tous les niveaux et l’opérationnalisation des Comités de Coordination au niveau National (CCN). - Le niveau régional sous tutelle de la Direction Régionale de la Santé Publique (DRSP), assure la coordination et le suivi évaluation des activités dans sa juridiction par le biais des 22 Coordonnateurs Régionaux et l’opérationnalisation des Comités de Coordination au niveau Régional (CCR). - Le niveau périphérique sous tutelle des Service de District de la Santé Publique (SDSP), assure la mise en œuvre des activités de lutte contre la tuberculose qui font partie intégrante des activités des Centres de Santé de Base (CSB) ou Centres Hospitaliers de Référence de District (CHRD) ou Centres Hospitaliers Régionaux de Référence (CHRR) ou Centres Hospitaliers Universitaires (CHU) dénommés ainsi CDT. Par ailleurs, compte tenu du rapprochement des soins aux patients, les Centres de Traitement (CT) représentés par d’autres formations sanitaires jouent le rôle de relais des CDT pour le suivi du traitement des patients tuberculeux. En collaboration étroite avec les formations sanitaires, les Agents Communautaires (AC) contribuent à la mise en œuvre des activités planifiées en vue de l’atteinte des objectifs du programme (PSN).

I.1.6 Etablissements de soins

A Madagascar, les établissements de soins sont répartis en trois catégories : - Les CSB: ces centres constituent les unités les plus proches de la population et assurent ainsi les premiers contacts avec celle-ci. Ils sont tenus, soit par des paramédicaux (CSB I), soit par des médecins (CSB II). Les CSB II sont implantés en priorité au niveau des

chefs- lieux des communes. Les CSB assurent la prise en charge des cas simples et les activités de prévention. - Les CHRD: ce sont des centres de référence de premier recours. Ils sont en général installés au niveau des chefs-lieux de district. Il existe 2 niveaux : • les CHRD I qui assurent la prise en charge des références médicales provenant des CSB ; • les CHRD II qui prennent en charge en outre les références chirurgicales. - Les CHRR et les CHU: ils représentent les centres de référence de deuxième recours.

Les CDT sont des formations sanitaires (FS) accréditées pour le diagnostic et traitement de la TB. A ce niveau, se trouvent : - le laboratoire pour la bacilloscopie (dépistage et contrôle), - le registre de la tuberculose, - le stock de médicaments et de matériels du centre pour le fonctionnement.

I.2 Accessibilité aux soins

L'accès aux soins de santé est une composante importante d'un système de santé global. Mesurer l'accessibilité aux soins de santé contribue à une meilleure compréhension de la performance des systèmes de santé ce qui facilite l'élaboration de politiques de santé fondées sur des données probantes. L'accessibilité est la capacité de la population ou d'un segment de la population à obtenir des services de santé disponibles. Cette capacité est déterminée par des facteurs économiques, temporels, de localisation, architecturale, culturelle, organisationnelle et informationnelle, qui peuvent être des barrières ou des facilitateurs à l'obtention des services [7]. De nombreux facteurs affectent la capacité d’une population à accéder à des niveaux de soins de santé appropriés. Selon Penchansky & Thomas (1981) et Oliver & Mossialos (2004) [8], ils ont regroupé ces facteurs en trois catégories : la disponibilité ; l’acceptabilité et l’abordabilité (socio-économique: ethnicité, religion, genre, âge, coût) et la géographie. Notre étude concerne l’accessibilité géographique souvent appelée accessibilité physique, qui est définie comme la facilité avec laquelle la population d’un lieu donné peut

atteindre les services. Il doit être un des facteurs déterminants pour le choix d’implantation d’un nouveau CDT de tuberculose, ceci implique à l’utilisation d’un SIG.

I.3 Sciences de l’Information Géographique

Les sciences de l’information géographique regroupent plusieurs compétences dans ce qu’on appelle la géomatique, qui étudient, développent et utilisent des méthodes et outils produisant, traitant et représentant spatialement et temporellement les données et informations géographiques, entre autres : la photo-interprétation, l’analyse spatiale, la télédétection, le SIG et la cartographie.

I.3.1 Système d’Information Géographique (SIG)

Le Système d’Information Géographique désigne l’ensemble des techniques d’exploitation et de traitement de bases de données ainsi que les informations géographiques. C’est un système informatique de matériels, de logiciels, et de processus conçu pour permettre la collecte, la gestion, la manipulation, l'analyse, la modélisation et l'affichage des données spatiales [9]. Le SIG constitue de nombreuses possibilités de traitements et d’applications, un puissant outil d’aide à la décision et à la communication pour les concepteurs et décideurs. Dans le domaine de santé, le SIG peut être appliqué dans l’étude de la distribution spatiale des maladies et phénomènes de santé [10], la planification et détermination des zones prioritaires d’intervention, la réalisation des analyses spatiales multi temporelles [11] [12] [13] et de surveiller les maladies et les impacts des luttes contre les maladies [14]. Le SIG est adapté pour mesurer l'accessibilité spatiale aux soins de santé car il contient les éléments de base nécessaires à une telle analyse, à savoir des: - Outils de stockage, de gestion et de manipulation de capture de données pour les attributs spatiaux et textuels, - Algorithmes d'analyse de base tels que la mise en mémoire tampon, la superposition, l'analyse de proximité, le chemin le plus court et le raster analyse coût-distance, - Outils de cartographie et de visualisation pour communiquer les résultats de l'analyse.

L'utilisation des SIG pour la mesure de l'accessibilité physique [14] a été appliquée dans de nombreux domaines, tels : - la modélisation de l’accessibilité aux soins dans les centres de santé de base publique, Moramanga, Madagascar, - la mesure de l’accessibilité spatiale aux soins de santé, cas de la région Chicago [15], - la détermination de l’accès spatial aux services de soins [16], - l’analyse spatiale des variations de l’accès à la santé [17],… Comme l’accessibilité physique dépend des facteurs naturels et/ou artificiels ou barrières géographiques nous devons procéder à la mise à jour des informations sur l’environnement d’où la télédétection.

I.3.2 Télédétection

La télédétection est l’ensemble des techniques qui permettent, par l’acquisition d’images, d’obtenir de l’information sur la surface de la Terre (y compris l’atmosphère et les océans), sans contact direct avec celle-ci. La télédétection englobe tout le processus qui consiste à capter et enregistrer l’énergie d’un rayonnement électromagnétique émis ou réfléchi, à traiter et analyser l’information qu’il représente, pour ensuite mettre en application cette information, d’après le site Web du Centre Canadien de Télédétection [18]. L’utilisation de la télédétection dans notre travail consiste à faire une classification d’image satellitaire afin d’obtenir une carte d’occupation de sol. En télédétection, la classification consiste à effectuer la correspondance entre les éléments d’une scène de l’image par leurs valeurs radiométriques, et les classes connues a priori ou non par un utilisateur [19]. L'objectif général de la classification est de traduire des informations spectrales en classes thématiques, c’est-à-dire, regrouper les pixels de signature spectrale voisine. Il existe plusieurs manières d’effectuer la classification, mais d’une manière générale, elles peuvent être groupées en deux catégories : la classification non dirigée ou non supervisée qui classe les données automatiquement à partir de leurs caractéristiques spectrales et la classification dirigée ou supervisée qui utilise des objets bien définis en groupe de pixels appelés sites d’entraînement qui serviront de base pour les calculs des algorithmes de classification [20].

I.3.3 Analyse spatiale

L'analyse spatiale est une approche géographique qui étudie les localisations et les interactions spatiales en tant que composantes actives des fonctionnements sociétaux. Il s'agit d'une analyse tirant de la répartition spatiale d'objets géographiques. Un SIG doit comprendre des fonctions d'analyse spatiale. Les résultats de fonctions d'analyse spatiale ne sont pas nécessairement des objets graphiques ou cartographiques. Dans notre étude, nous avons effectué une analyse spatiale pour comprendre et modéliser la distribution des structures de soins et pour voir les pourcentages des localités inclus dans la distribution de temps de trajet.

I.3.4 Cartographie

La cartographie permet de construire des cartes thématiques. Celles-ci sont des cartes géographiques illustrant, par l'utilisation de divers paramètres graphiques (couleur, symbolique, taille, etc.), le comportement d'un phénomène en relation avec sa localisation spatiale comme la localisation et distribution des CDT, couverture végétale, carte distance- temps, …. C’est un support pour partager l’information aux décideurs d’un programme.

CHAPITRE II

METHODOLOGIE

II.1 Présentation de la zone d’étude

II.1.1 Situation géographique

Madagascar est une île située dans l’Océan Indien, séparée de l’Afrique par le Canal de Mozambique, bordée d’environ 5 000 kilomètres de côtes (figure 1). Il est localisé entre 11°57’ et 25°30’ de latitude sud et 43°14’ et 50°27’ de longitude est. D’une superficie de 596 790 km², elle s’étend sur 1 500 km du Nord au Sud et 500 km d’Est à l’Ouest [21].

Source : Auteur

Figure 1: Carte de la localisation de Madagascar

II.1.2 Situation administrative

D’après la Constitution de 2010, les collectivités territoriales décentralisées de la République sont les communes, les régions et les provinces. Depuis le 1er Avril 2015, le décret n°2015- 592 redéfinit les circonscriptions administratives autour du concept de Communes urbaines et Communes rurales. Il abroge toutes dispositions antérieures contraires. Ainsi, les divisions administratives sont 6 Provinces, 22 Régions, 114 Districts, 1693 Communes dont 76 urbaines et 1617 rurales et 18 251 Fokontany [22].

II.1.3 Situation démographique

Selon la projection calculée à partir du Recensement Général de la Population et de l’habitat (RGPH) effectué en 1993, la population de Madagascar est estimée à 24 348 314 habitants en 2017. La population compte un pourcentage important d’enfants et de jeunes gens et une faible proportion de personnes âgées. Les moins de 15 ans constituent 45% de la population totale, tandis que les enfants moins de 5 ans en représentent 18% selon l’Enquête Démographique de Santé Madagascar.

La densité moyenne est de 33 habitants/km², la population est inégalement répartie sur le territoire national, présentant un déséquilibre entre les régions : plus des trois quarts (77%) de la population vivent en milieu rural, environ 5% dans la capitale et 18 % dans les autres milieux urbains.

II.1.4 Situation socio-économique

Pays à vocation essentiellement agricole, Madagascar est caractérisé par une économie vulnérable aggravée par les différentes crises. Les problèmes d’accès au financement et aux ressources en énergie freinent le développement des entreprises, tandis que les difficultés inhérentes au transport (accessibilité, coût du carburant, infrastructures routières) handicapent les échanges commerciaux. Cette situation économique limite l’accès aux soins et entrave la qualité des services offerts à la population.

II.1.5 Secteur sanitaire

Selon l’annuaire des statistiques du secteur santé en 2014, on compte 1010 CSB niveau I (CSB I) (890 publics et 120 privés), 2110 CSB II (1610 publics et 500 privés), 54 CHRD

I (53 publics et 1 privé), 101 CHRD II (32 publics et 69 privés), 16 CHRR et 20 CHU) et 8 Hopitaly Manara-penitra. Pour le CDT de tuberculose, on compte actuellement 223 CDT qui sont fonctionnels depuis 2016 répartis dans 22 régions et 112 districts [23].

II.2 Matériels et méthodes

II.2.1 Matériels

II.2.1.1 Données Les données utilisées sont : la localisation des CDT, les données de populations, l’image satellitaire, les réseaux routiers, les réseaux hydrographiques et le Digital Elevation Model (DEM). Localisation des CDT La localisation a été effectuée à partir des données de FS fournies par JICA (Japan International Coopération Agency) via le Ministère de la Santé/ Service d’Information Sanitaire. Des mises à jour ont été faites par le groupe Santé et GEOmatique (SaGEO) de l’IPM, basées sur des données collectées lors des missions sur terrain des équipes de l’IPM.

Données satellitaires L’image utilisée est de type Landsat 8 niveau 1 téléchargée gratuitement sur le site https://earthexplorer.usgs.gov. Le satellite Landsat 8 compte 11 bandes spectrales : 9 dans le visible (8 multi spectrales de résolution 30 m ; 1 panchromatique à 15m) et 2 thermiques (60 m). La priorisation et la sélection des images utilisées ont tenu compte des paramètres comme la date de la prise de vue et la couverture nuageuse qui est à moins de 10% sur la totalité des scènes. La scène d’image utilisée est 159-075.

Réseaux routiers Chaque segment de route a une valeur pour le temps de déplacement. La limite de vitesse dépendait du type de route. Ces données proviennent du site https://export.hotosm.org/fr/ de la communauté OpenStreetMap (OSM). Dans notre étude, nous reclassons en 4 classes les différents types de route à savoir : - route primaire ou « primary road »: route principale ou voie d’accès à une route nationale 14

- route secondaire ou « secondary road » - route tertiaire ou « tertiary road »: petite route ou rue présentant un trafic de transit inférieur à la route secondaire. - voie réservée aux piétons ou « Footway » :

Réseaux hydrographiques Les réseaux hydrographiques ont été utilisés dans les analyses de l’accessibilité par AccessMod 5.0 qui est un logiciel libre développé par l’OMS [24]. Les données ont été téléchargées dans le site https://export.hotosm.org/fr/ de l’OSM. Dans AccessMod 5.0, les réseaux hydrographiques sont considérés comme des obstacles ou barrières au déplacement. L'extension spatiale des barrières au mouvement est incorporée dans la couche de couverture terrestre combinée pour tenir compte des zones qui ne peuvent pas être traversées par un patient. Ces obstacles peuvent représenter diverses composantes du paysage que la population ne peut traverser comme les zones inondées, les rivières, lacs [24].

Digital Elevation Model (DEM) Le DEM contient des valeurs d'altitude de fichier en forme matricielle. Il peut influencer la vitesse de déplacement sur une couverture terrestre donnée en fonction du scénario de voyage. Dans AccessMod 5.0, le DEM est également utilisé comme grille de référence pour chaque analyse et est donc la couche qui doit être fournie lors de la création d'un nouveau projet. L'étendue, la projection et la résolution de toutes les autres couches à importer dans le projet sont basées sur le DEM. Le DEM n'est pas utilisé lors d'une analyse isotrope (c’est-à dire aucune influence des pentes sur la vitesse de voyage), mais il est obligatoire pour effectuer une analyse anisotrope (c’est-à dire affecter la vitesse de déplacement supposée) [24].

Nombre de population et localités Les données de populations ont été utilisées pour voir la capacité de servitude des CDT. Elles sont déterminées à partir de la projection du dernier Recensement Général de la Population et de l’Habitat (RGPH), effectué en 1993, par une augmentation estimée à 2,8% par année.

De plus, l’analyse sur AccessMod 5.0 nécessite une couche de format raster qui contient la distribution de la population pour la zone d'étude afin d'effectuer l’analyse de la couverture géographique. Nous avons rastérisé les données de populations car les données de population en entrée sur AccessMod 5.0 sont des données matricielles.

Nous avons utilisé les données des localités qui sont nécessaires pour l’analyse spatiale afin de voir leurs pourcentages dans chaque distribution des temps de trajet.

II.2.1.2 Logiciels utilisés Nous avons utilisé les logiciels : - ArcGIS 10.4 pour la cartographie et l’analyse spatiale, il permet de concevoir, de gérer, de manipuler et d’analyser les bases de données géographiques afin de réaliser les travaux cartographiques. - ENVI 5.3 pour le prétraitement d’image. C’est un logiciel de télédétection permettant la visualisation et les traitements d’images.

- AccessMod 5.0 pour l’analyse de l’accessibilité et l’analyse de la couverture géographique des FS éligibles en CDT dans les zones besoins d’implantation de CDT. AccessMod 5.0 est empaqueté en tant qu'application open source autonome qui fonctionne sur différentes plates-formes (Windows, Linux,) grâce à une machine virtuelle (VirtualBox) et aussi en utilisant des données géo spatiales créées par différents logiciels SIG (ArcGIS, QGIS, ...). La licence attachée à AccessMod 5.0 est la GNU General Public License (GNU GPL or GPL) V32. La version 5.0 inclut les modules suivants : a. Merge Land cover : couche au format matriciel en fusionnant la carte d’occupation de sol sans la classe eau, le réseau routier et le réseau hydrographique. b. Accessibility analysis: calcul de la distribution spatiale du temps de trajet entre les établissements de santé les plus proches pris en compte dans l'analyse et ceci pour une durée de déplacement maximale spécifiée. c. Geographic coverage analysis: obtention du pourcentage des populations desservies en prenant compte la disponibilité des services (capacité de l'établissement de santé) ainsi que les contraintes physiques d'accessibilité. d. Referral analysis: calcul des temps de parcours et / ou les distances le long des trajets les moins coûteux entre deux groupes de centres de santé. 16

e. Zonal statistics: visualisation de la couverture d'accessibilité de la population au niveau des zones étudiées. f. Scaling up analysis: test des différents scénarios visant à étendre un réseau de prestation de services existant ou à en créer un nouveau [24].

II.2.2 Méthodes

II.2.2.1 Cartographie de la localisation des CDT La première étape a été la géolocalisation des CDT pour l’analyse de leur distribution spatiale. Nous avons extrait les données à partir de la localisation des formations sanitaires (FS) en 2010.

II.2.2.2 Analyse de la couverture en CDT par district Afin d’identifier les zones ou districts non desservies par un CDT, nous avons analysé la couverture en CDT par district en nous basant sur la norme de l’Union Internationale sur la Tuberculose et Maladies Respiratoires. D’après cette norme, un laboratoire doit servir 100 000 habitants à l’échelle mondiale et 50 000 à l’échelle nationale et un laboratoire pour un CDT, donc un CDT doit servir entre 50 000 habitants et 100 000 habitants. Nous avons calculé le nombre de CDT pour 100 000 habitants et 50 000 habitants afin d’obtenir les couvertures en CDT dans chaque District.

Par rapport à la moyenne nationale :

1 CDT → 50 000 habitants

CDT/district → nombre habitants/district

Par rapport à la moyenne internationale :

1 CDT → 100 000 habitants

CDT/district → nombre habitants/district

Ce critère permettra de constater si le nombre de CDT par Districts par rapport à la moyenne internationale ou nationale est conforme ou non (élevé, insuffisant ou absent).

II.2.2.3 Etude de l’accessibilité physique II.2.2.3.1 Détermination des facteurs d’éligibilité des FS existantes dans les zones à étudier Après avoir cartographié la distribution des CDT, on pourra trouver les zones ou districts n’ayant aucun CDT. Nous allons voir les facteurs d’éligibilité des CDT selon leur statut ou type de service, public ou privé dans les deux districts choisis. On a des institutions sanitaires gérées par les confessions religieuses (Catholique, SALFA ou Luthérien), le bureau central de santé et les personnes privées (les gestionnaires).

II.2.2.3.2 Traitement d’image satellitaire Dans la suite de l’étude, nous avons besoin d’une carte d’occupation de sol.

II.2.2.3.2.1 Prétraitement des images satellites Le prétraitement d’image concerne les différentes opérations effectuées sur les images en amont de tout traitement, de façon à corriger les différentes distorsions liées au système de prise d’images. Les prétraitements ont été effectués sur le logiciel ENVI 5.3 avec ses extensions par défaut « Radiometric Calibration » pour la calibration radiométrique et « Dark Substraction» pour la correction atmosphérique.

Calibration radiométrique La calibration radiométrique consiste à convertir les données numériques brutes en luminance puisque les mesures des pixels envoyées par les satellites sont codées en comptes numériques. Par ailleurs, les métadonnées qui accompagnent la livraison des images ont été réalisées et réduites à une simple normalisation et correction des erreurs de dérayage des différents détecteurs [25]. Ainsi, la calibration permet de corriger les anomalies propres aux capteurs.

Correction atmosphérique En principe, le rayonnement solaire passe dans l'atmosphère avant qu'il ne soit collecté par les capteurs. L’atmosphère a un effet additif sur la luminosité de l'image globale, car le capteur reçoit non seulement le rayonnement réfléchi ou émis directement par la cible, mais aussi le rayonnement diffusé à partir l'atmosphère [26]. Plusieurs facteurs indépendants de la couverture du sol peuvent alors affecter de manière significative la

réflectance spectrale mesurée par le capteur [27]. Pour compenser ces effets atmosphériques, l’élimination de l'influence de l'atmosphère est une étape critique dans le prétraitement.

Il existe différentes méthodes permettant d’effectuer la correction atmosphérique. Cependant, il a été constaté que les meilleurs résultats ont été obtenus en utilisant Dark Object Substraction (DOS) [28]. Cette méthode consiste à soustraire la valeur minimum de chaque bande via la soustraction de la valeur minimum de chaque pixel [29]. Elle suppose ainsi que pour chaque bande, l’effet de l’atmosphère augmente le niveau de gris du pixel ayant une valeur de radiance quasiment nulle (ou pixel dans l’ombre).

II.2.2.3.2.2 Traitement d’image proprement dit Une classification supervisée a été réalisée. Elle comporte quelques étapes : détermination des différentes classes thématiques et sélection des zones d’entraînement, traçage des signatures spectrales, choix de l’algorithme de classification et évaluation des résultats à l’aide d’une matrice de confusion.

Délimitation des parcelles d’apprentissage et de validation La première étape de la classification supervisée est d’identifier des exemples de classes d’information (les types d’occupation de sol) et de les numériser. Nous avons utilisé les données de terrain acquises par l’équipe de l’IPM lors d’une précédente étude sur les Hautes Terres Centrales. La délimitation des parcelles d’entrainement a été effectuée sur l’image à très haute résolution (2m ou mieux) de Google earth Pro.

Nous avons défini 6 classes d’occupation de sol, ces différentes classes sont les suivantes : - Eau : zone inondée comme rivière, fleuve, barrage, - Culture, - Sol nu : terrains sans couverture végétale, ensemble d’habitat, roche, - Savane, - Végétation moins dense : savane arbustive, plantation comme la forêt de mimosa, …. - Végétation dense : classe qui regroupe les végétations qui sont difficiles à parcourir du fait de la densité de la végétation.

Les parcelles ont été divisées aléatoirement en 2 groupes : l’un en tant que parcelles d’apprentissage pour entraîner l’algorithme de classification et l’autre en tant que zones test pour valider les résultats de classification.

Choix de l’algorithme de classification Une composition colorée en fausse couleur a été faite. Le « Maximum Likelihood » (Maximum de Vraisemblance) est l’algorithme de classification utilisé. C’est une méthode statistique courante utilisée pour inférer les paramètres de la distribution de probabilité d'un échantillon donné [30]. Elle se base sur une analyse statistique de la distribution des vecteurs spectraux de l'échantillon pour définir des zones de probabilité équivalente. Et permet de classer les pixels inconnus en calculant pour chacune des classes la probabilité pour que le pixel appartienne à la classe avec la plus forte probabilité. Cependant si cette probabilité n'atteint pas le seuil escompté, le pixel est classé inconnu. La classe présentant le maximum de probabilité sera attribuée au pixel considéré. Un avantage de cette méthode est qu'elle fournit pour chaque pixel, en plus de la classe à laquelle il a été affecté, un indice de certitude lié à ce choix [31].

Evaluation de la classification : Matrice de confusion La précision d’une classification est également vérifiée par une matrice de confusion [32]. Il s’agit d’une matrice carrée de taille égale au nombre de classes (tableau 1), sous forme de tableau à double entrée où sont confrontés les réalités sur terrain et les résultats de la classification. Cette matrice est obtenue en comparant les données classées : les différentes classes thématiques classées dans l’image classifiée (ligne i) avec des données de référence (colonne j), les valeurs étant des nombres de pixels. La cellule de croisement indique par conséquent le nombre de pixels appartenant à la classe i et assignés à la classe j. Les cellules correspondant à i=j expriment le nombre de pixels correctement affecté. Les calculs des marges de la matrice de confusion révèlent le nombre de pixels qui ont été classés dans une autre classe que celle à laquelle ils appartiennent réellement ou qui n’ont pas été classés du tout. La matrice de confusion affiche les statistiques de la précision de classification, notamment les pourcentages d’omission et commission parmi les diverses classes.

Tableau 1: Matrice de confusion

Classes de validation Marge

Classes 1 i n

1 M(1,1) M(1,i) M(1,n) M(1,+)

Classes i M(i,1) M(i,i) M(i,n) M(i,+)

affectées n M(n,1) M(n,i) M(n,n) M(n,+)

Classés M(+,1) M(+,i) M(+,n) Tclassés Non M(x,1) M(x,i) M(x,n) Tnon-classés Marge classés Total T(1) T(i) T(n) T

Où : T : total des pixels échantillonnés, toutes classes confondues, T(i) : total des pixels échantillonnés par classe,

Tclassés : total des pixels classés, toutes classes confondues, M(i,i) : pixels de la classe i correctement classés, M(i,j) : i ≠j , pixels issus de l’échantillonnage mais affectés de manière erronée à une autre classe (erreur de commission), M(x,i) : pixels non classés de la classe i (erreur d’omission), M(i,+) : valeur marginale de la ligne i (somme de la ligne), M(+,i) : total des pixels classés devant appartenir à la classe i.

Généralement, une matrice de confusion donne un résultat statistique du nombre de pixels classés correctement dans leurs classes respectives. À partir de ces résultats, différents indicateurs de précision tels que la précision globale, l’indice Kappa, précision producteur et précision utilisateur peuvent être déterminés. La matrice de confusion a été calculée à partir des six classes que nous avons décrites ci- dessus.

- Indice global de la classification Une mesure globale de la précision de la classification consiste à diviser le nombre de pixels classés correctement (éléments de la diagonale dans la matrice de confusion) par le nombre de pixels contenus dans l’ensemble des zones de référence. L’indice de précision globale (PG), défini par l’équation suivante, exprime globalement le résultat de classification.

(1)

- Indice Kappa Le coefficient Kappa est une mesure des pixels d'apprentissage avec les données de vérité terrains. Les valeurs de Kappa sont comprises entre 0 et 1, où la valeur proche de 1 montre une grande précision. Une valeur de zéro ne montre aucune corrélation classification. C’est l’indice le plus connu utilisé pour l’évaluation d’une classification, proposé par Cohen en 1960 [33].

Ce coefficient est égal à

(2)

Selon Landis et Koch, le degré de signification du coefficient Kappa est montré dans le tableau 2 [34].

Tableau 2: Degré de signification du coefficient de Kappa

Signification Indice Kappa Excellent ≥ 0.81 Bon 0.80 – 0.61 Modéré 0.60 – 0.41 Médiocre 0.40 – 0.21 Mauvais 0.20 – 0.00 Très mauvais < 0.00 Source : Landis et Koch, 1977

Ainsi, au niveau des classes échantillonnées ou des classes tests, le classificateur présente deux types d’erreurs : l’erreur de commission et l’erreur d’omission.

- Erreur de commission L’erreur de commission correspond au fait que le classificateur a affecté des pixels dans une classe autre que celle à laquelle ils appartiennent [30]. C’est le rapport sur une colonne des pixels mal classifiés sur le nombre total d’une colonne.

- Erreur d’omission L’erreur d’omission correspond au fait que le classificateur n’a pas su affecter à une classe connue des pixels pourtant issus des classes test; ils sont donc considérés comme non classés. Les erreurs d’omissions sont plus acceptables que celles de commission dans ce sens qu’il est préférable de ne pas classer un pixel plutôt que de l’affecter à une classe qui ne lui correspond pas [30]. C’est le rapport sur une rangée des pixels mal classifiés sur le nombre total de pixels sur la rangée.

II.2.2.3.3 Analyse de l’accessibilité physique Nous avons utilisé AccessMod 5.0 pour déterminer le meilleur centre à implanter des CDT à partir des formations sanitaires existantes dans les deux districts.

Dans notre étude, nous avons utilisé les modules suivants : « merge land cover », « coverage geographic analysis » et « accessibility analysis ».

II.2.2.3.3.1 Fusion des couches avec le module « Merge land cover » Le module « Merge land cover » facilite l'intégration des routes et des barrières dans la grille de distribution finale de la carte d’occupation de sol. La carte de d’occupation de sol fusionnée est généralement construite une seule fois. Elle est au format matriciel en fusionnant: la carte d’occupation de sol sans la classe eau, les réseaux routiers et les réseaux hydrographiques. - Carte d’occupation de sol sans la classe eau L’analyse en AccessMod 5.0 n’inclut pas la classe eau dans la carte d’occupation de sol utilisée donc on l’a masqué mais on utilise un fichier vectoriel contenant les réseaux

hydrographiques étant donné qu’ils sont considérés comme des barrières géographiques. Cette carte contient des informations sur les types de couverture terrestre qui caractérisent la zone d'analyse et qui sont censés affecter le temps de déplacement des patients se déplaçant dans cette zone. Cette carte doit contenir des valeurs entières, chaque valeur correspondant à une classe de couverture terrestre avec un identifiant (ID). Ces identifiants de couverture terrestre sont ensuite liés à la vitesse de déplacement correspondante à travers le tableau des scénarios de déplacement. - Réseaux routiers : ce sont des données vectorielles incluant les différents types de réseaux routiers : route principale, route secondaire, route tertiaire et piétonnière. La table attributaire de cette couche doit contenir au moins deux colonnes « class » et « label »: • « class » : de type numérique pour chaque type de route, • « label »: de type texte pour chaque type de route. - Réseau hydrographique : il est représenté en donnée vectorielle contenant les différents types de plan d’eau. II.2.2.3.3.2 Analyse de la couverture géographique avec le module « Geographic coverage analysis » L’analyse de la couverture géographique permet de donner le pourcentage des populations desservies pour chaque FS. Les données utilisées pour effectuer cette analyse sont: DEM, localisation des établissements de santé, données tabulaires contenant les différentes classes de la classification et table de scénario de déplacement, densité de population, carte d’occupation de sol combinée avec les réseaux routiers et hydrographiques. - DEM: données au format matriciel contenant la distribution spatiale des altitudes, - Localisation des établissements de santé : couche au format vectoriel contenant les localisations des établissements de santé, - Données tabulaires. AccessMod 5.0 utilise différentes tables pour introduire les paramètres spécifiques dans les différentes analyses. Ces tableaux sont créés dans Excel, puis importé dans AccessMod 5.0 [24]. 24

Table contenant les différentes classes de la classification La création de la carte de l’occupation de sol fusionnée nécessite une table (fichier Excel) faisant les liens entre les classes contenues dans la carte d’occupation de sol et leurs étiquettes correspondantes (tableau 3). La table est composée de deux colonnes « class » (classe) et « label » (type): • « class »: valeur entière correspondant à la classe utilisée dans la couche, • « label »: étiquette attachée à la classe utilisée dans la couche.

Tableau 3: Table de la classification de la couverture terrestre

class label 1 Bare_soil 2 Culture 3 Grassland 4 Low_dense_vegetation 5 Dense_vegetation

Tables de scénario de déplacement Les tables de scénario de déplacement correspondent à un tableau contenant une vitesse de déplacement et un mode de transport (à pied, motorisé) pour chaque classe de la couverture terrestre. Le mode de déplacement et les vitesses ont un impact sur les résultats obtenus à partir d’analyses implémentées dans AccessMod 5.0. Il peut influencer la vitesse de déplacement sur la carte d’occupation de sol en fonction du scénario d’un déplacement donné. D’après N. Ray et al. [24], il est nécessaire de faire des enquêtes auprès des ménages ou des établissements de santé qui recueillent des informations sur le mouvement des patients, de la destination, du moyen de transport utilisé et de l'heure pris pour atteindre leur destination. Pour notre cas, nous nous sommes basées sur la littérature pour la vitesse de déplacement, nous prenons la vitesse moyenne des patients pour rejoindre une FS selon la norme de l’OMS qui est de 5 km par heure. Les vitesses de déplacement utilisées sont basées sur les études et recherches faites par Nelson (2000) [35], Toxopeus (1996) [36] et Ebener S. et al.,2004.

Nous avons utilisé les modes de déplacement à pied et motorisé (tableaux 4 et 5) car nous n’avons pas fait une enquête sur les modes de déplacement adoptés par les populations pour atteindre les FS dans les deux districts Isandra et Lalangina. Nous les avons construits à partir de modèle selon le guide d’AccessMod [23].

Tableau 4: Scénario de déplacement à pied

Class Label Speed (km/h) Mode 1 Bare area 5 WALKING 2 Culture 5 WALKING 3 Grassland 5 WALKING 4 Low dense vegetation 4 WALKING 5 Dense vegetation 3 WALKING 1001 Primary road 5 WALKING 1002 Secondary road 5 WALKING 1003 Tertiary 5 WALKING 1004 Footway 5 WALKING

Tableau 5: Scénario de déplacement motorisé

Class Label Speed (km/h) Mode 1 Bare area 5 WALKING 2 Culture 5 WALKING 3 Grassland 5 WALKING 4 Low dense vegetation 4 WALKING 5 Dense vegetation 3 WALKING 1001 Primary road 50 MOTORIZED 1002 Secondary road 30 MOTORIZED 1003 Tertiary 20 MOTORIZED 1004 Footway 5 WALKING

- Densité de la population : données au format Raster contenant la distribution spatiale de la population. - Carte d’occupation de sol combinée avec les réseaux routiers et les réseaux hydrologiques Le module de l’analyse de couverture géographique génère un fichier Excel comportant la couverture géographique exprimée en pourcentage.

II.2.2.3.3.3 Estimation des temps de trajet avec le module « Accessibility analysis » Le but de cette analyse est de calculer la distribution spatiale du temps de trajet entre l'établissement de santé pris en compte et ceci pour une durée de trajet maximale spécifiée. Dans notre analyse, la durée de trajet maximale est de 360 minutes. Les données utilisées sont : - DEM, - Localisation des établissements de santé, - Scénario de déplacement et table contenant les différentes classes de l’occupation de sol, - Carte d’occupation de sol combinée avec les réseaux routiers et les réseaux hydrologiques.

II.2.2.3.4 Analyse spatiale Nous avons effectué une analyse spatiale afin de voir les pourcentages des villages inclus dans la distribution de temps de trajet. En ArcGIS, on peut calculer l’effectif des localités inclus dans chaque distribution de temps donné avec l’outil « Spatial analyst tools » ; avec en « entrée » l’image contenant le temps de trajet et le fichier vectoriel contenant la localité des villages. La méthodologie adoptée se résume comme suit:

CARTOGRAPHIE DES ETUDE DE L’ACCESSIBILITE CDT PHYSIQUE

ArcGIS 10.4 DETERMINATION TRAITEMENT ANALYSE DE D’ELIGIBILITE D’IMAGE L’ACCESSIBILITE DES FS SATELLITAIRE PHYSIQUE

-Prétraitement d’image (ENVI 5.3) Fusion des Analyse de la couverture Analyse de l’ -Classification d’image avec l’algorithme couches géographique accessibilité physique Maximum de Vraissemblance (AccessMod 5.0) (AccessMod 5.0) (AccessMod 5.0) (ArcGIS 10.4) -Evaluation de la classification d’image: indice de Kappa Localisation Réseaux Des hydrographiques CDT

Selon Image Occupation Occupation Occupation statut, satéllitaire de de sol sans la de sol type LANDSAT 8 sol classe eau combinée de service, Carte de … localisation Réseaux Table de scénario des CDT routiers de déplacement (à pied et en véhicule motorisé)

Densité Pourcentage Carte de de de population temps Nombre des population desservie de trajet CDT par district Méthode Etape

Altitude Traitement

Donnée

Résultat Carte de couverture Localisation en CDT par district et FS éligibles 28 en des FS zones dépourvues de éligibles CDT CDT Figure 2: Démarche à suivre pour la réalisation de l’étude CHAPITRE III RESULTATS

III.1 Carte de la localisation des CDT de tuberculose à Madagascar

La géolocalisation a permis de cartographier 223 CDT publics et privés fonctionnels, répartis dans 22 régions et 114 districts de Madagascar depuis 2016. La figure 3 montre la localisation des CDT à Madagascar d’après les informations fournies par la PNLT.

Source : PNLT, 2016 /réalisation : Auteur

Figure 3: Carte de la localisation des CDT de tuberculose à Madagascar

III.2 Carte de couverture en CDT de la tuberculose

Le calcul du nombre de CDT dans l’ensemble de Madagascar a permis de constater qu’en moyenne, 1 CDT devrait desservir 50 000 habitants au niveau national et pour une moyenne de 100 000 habitants desservi par un CDT au niveau international, si la distribution des CDT par district suit la norme de l’Union Internationale sur la Tuberculose et les Maladies Respiratoires. La figure 4a montre que sur un total de 114 districts, 40% des districts (en vert) présente des nombres de CDT équivalent à la moyenne internationale, 22% ont dépassé la moyenne internationale (en bleu) et 36% ont moins de CDT que la norme internationale (en jaune). Deux districts (2%) n’en possèdent pas : Isandra et Lalangina (en rouge). Par rapport à la moyenne nationale (figure 4b), la couverture en CDT inférieure à la moyenne nationale est de 78% des districts tandis que 5% de districts sont conformes à la norme et 15% ont dépassé la norme.

3a) Source: PNLT, 2016/ réalisation: Auteur Figure 4: Cartes de couverture en CDT: 4a) Par rapport à la norme internationale et 4b) Par rapport à la moyenne nationale 31

III.3 Zones dépourvues de CDT : districts d’Isandra et de Lalangina

La cartographie de la localisation des CDT à Madagascar a montré que les districts d’Isandra et de Lalangina, de la région de la Haute Matsiatra, n’ont aucun CDT. La suite de notre étude se concentre sur ces deux districts car selon le PSN (Figure 5), tous les districts devraient disposer d’au moins un CDT.

Figure 5: Localisation des Districts d’Isandra et Lalangina, zones dépourvues de CDT

- Le district d’Isandra compte 144 315 habitants, couvert par 13 FS - Lalangina compte 189 024 habitants, et est couvert par 16 FS.

III.4 FS éligibles en CDT dans les districts d’Isandra et de Lalangina

Après la détermination des facteurs d’éligibilité d’implantation de CDT dans les FS, nous avons trouvé que toutes les FS des deux districts sont éligibles. La figure 6 montre la répartition des FS dans les districts.

Source: Auteur Figure 6: Répartition des FS dans les Districts d’Isandra et de Lalangina 33

III.5 Résultats de la classification d’image Nombre des pixels pour chaque catégorie d’occupation de sol Les différentes catégories d’occupation de sol retenues sont les suivantes : eau, sol nu, culture, savane, végétation moins dense et végétation dense. La qualité de la classification dépend du nombre de pixel des parcelles utilisées. Les nombres de pixel de toutes les classes utilisées lors de classification par la délimitation sur Google Earth Pro sont consignés dans le tableau 6. Tableau 6: Nombre de pixels pour chaque catégorie d’occupation de sol dans les zones d’entraînement et les zones test

Nombres de pixels pour les Nombres de pixels pour les Catégories zones d’entraînements zones tests

- Eau 330 296 - Sol nu 3627 3849 - Culture 3288 2982 - Savane 3243 2866 - Végétation moins dense 1424 1972 - Végétation dense 19098 14756

Carte d’occupation de sol La classification d’image LANDSAT 8 avec la méthode de Maximum de Vraisemblance a donné la carte d’occupation du sol. La figure 7 illustre le résultat de la classification selon les 6 classes.

Source: Auteur Figure 7: Carte de l’occupation de sol pour les districts d’Isandra et de Lalangina 35

L’occupation de sol dans le district d’Isandra est constituée de 51% de culture, 25% de savane, 11% de sol nu, 8% de végétation moins dense, 1% de végétation dense seulement et 4% de plan d’eau.

Pour le district de Lalangina, la majeure partie sont constituées de végétation moins dense (32%) et de végétation dense (29%), avec 20% de savane, 14% de culture, 4% d’eau et 1% de sol nu.

Evaluation de la précision de classification

La validation de la classification a été réalisée conformément à la matrice de confusion et la détermination de l’indice Kappa. Le tableau 7 montre la matrice de confusion obtenue qui présente, pour chacune des classes, le niveau de fiabilité et les principales confusions issus de la classification d’image. Tableau 7: Matrice de confusion de l’image classifiée montrant les erreurs de commission (EC) et d’omission (EO)

REFERENCE

Classe Eau Sol nu Culture Savane Végétation Végétation TOTAL EC(%) moins dense dense

Eau 379 113 19 14 0 0 525 27,81

C L Sol nu 0 3743 10 0 0 0 3753 0,27 A S S I Culture 0 36 2788 207 1 0 3032 8,05 F I C Savane 0 0 174 2416 173 1 2764 12,60 A T I Végétation O moins dense 0 0 2 222 1904 392 2520 24,44 N Végétation dense 0 0 0 0 5 14364 14369 0,04

TOTAL 379 3892 2993 2859 2083 14757 26963

EO(%) 0 3,83 6,85 15,50 8,60 2,67

D’après les calculs de la précision globale et de l’indice Kappa à partir de la matrice du tableau 7, la précision globale de la classification a été de 94%; parmi les 26963 points d’observations, le pourcentage de pixels bien classés a été de 94%, et celui des pixels mal classés de 6%; l’indice Kappa est de 0,92. Les chiffres en gras sur la diagonale représentent les nombres de pixel bien classifiés pour chaque type de classe d’occupation du sol. En général, l’algorithme de classification a bien classifié les différentes classes car leurs précisions ont été supérieures à 80%. La classe « eau » a été classifié à 100%. Les EO est de 2,67% pour les classes « végétation dense », 3,83% pour « sol nu », 6,85% pour « culture » et 8,60% « végétation moins dense ». La végétation dense a été confondue avec la végétation moins dense; la classe « sol nu » avec les classes « eau » et « culture »; la classe « culture » avec les classes « savane », « eau » et « sol nu » et la classe « végétation moins dense » ont été sources de confusions avec « savane » et la « végétation dense ». Le résultat pour la classe « savane » a été le moins satisfaisant avec 84%, l’EO s’élève à 15%, elle présentait des confusions avec les classes « végétation moins dense » et « culture ». La végétation dense présentait 0,04% d’EC, c’est la classe la plus homogène sur l’image. La classe « sol nu » a une EC 0,27%. Les classes « eau » et « végétation moins dense » ont été des EC respectivement égales à 27% et 24%, ce sont les classes les moins homogènes parmi les 6 classes. Les EC des classes « culture » et « savane » ont été de 8 et 12%. Plus l’homogénéité de la classe correspondante diminue, plus le pourcentage d’erreur augmente.

III.6 Résultats sur l’analyse de l’accessibilité physique aux CDT III.6.1 Carte d’occupation de sol combinée avec les réseaux routiers et réseaux hydrographiques La fusion de la carte d’occupation de sol avec les réseaux routiers et les réseaux hydrographiques est la première étape à faire sur l’analyse d’AccessMod 5.0, nécessaire pour tous les modules à effectuer et on l’a fait une seule fois. La figure 8 montre la carte d’occupation de sol combinée des deux districts. 37

8a) 8b) Source: Auteur Figure 8: Cartes d’occupation de sol combinée : 8a) District d’Isandra, 8b) District de Lalangina

Les différentes classes d’occupation de sol ont été conservées mais les quatre types de réseaux routiers ont été fusionnés automatiquement en une seule. La classe eau a été masquée et catégorisée comme étant « sans donnée » et un fichier vectoriel contenant les réseaux hydrographiques a été utilisé.

III.6.2 Couverture géographique des FS

Les figures 8 et 9 montrent les pourcentages de la population desservie par chaque FS dans les districts d’Isandra et de Lalangina obtenus grâce au module « geographic coverage analysis ».

III.6.2.1 Couverture géographique des FS dans le district d’Isandra AccessMod 5.0 a montré que le CSB Mahazoarivo a des barrières géographiques parmi les 13 FS qu’on peut accréditer en CDT dans le district d’Isandra. Ce CSB est donc inéligible en CDT. La figure 7 montre les pourcentages de la population desservie par chaque FS éligible en CDT dans le district d’Isandra. La figure 9a montre les pourcentages de population desservie pour un mode de déplacement à pied et la figure 9b pour un mode de déplacement en véhicule motorisé. Le CSB d’Ambondrona présente le pourcentage de population desservie le plus élevé, et le CSB d’Andoharanomaintso le pourcentage le plus bas avec 8% chacun. Les trois premiers FS ayant les pourcentages élevés sont: CSB d’Ambondrona, CSB d’Ambalamidera et CSB de l’Ekar Isorana. Le rang des FS est similaire quels que soient les modes de déplacement utilisés dans le district d’Isandra. Pour le CSB d’Ambondrona, une différence entre le scenario de déplacement à pied (89%) et celui en véhicule motorisé (88%) a été observé.

9a) 9b) Source: Auteur Figure 9: Couverture géographique des CSB dans le district d’Isandra: pourcentage de population desservie par les CSB en cas d’accréditation en CDT, 9a) Pour un déplacement à pied et 9b) Pour un déplacement en véhicule motorisé 40

III.6.2.2 Couverture géographique des CSB dans le district de Lalangina

Pour le district Lalangina, AccessMod a montré que parmi les 16 FS existantes à Lalangina, 15 ont la capacité de desservir les populations. Une FS (Ekar Sevaina) n’a pas été intégré dans l’analyse de couverture géographique à cause des barrières géographiques. La figure 10 montre les pourcentages de population desservie par les FS en cas d’accréditation en CDT dans le district de Lalangina. La figure 10a montre les pourcentages de population desservie pour un mode de déplacement à pied et la figure 10b pour un mode de déplacement en véhicule motorisé. Le rang des CSB est similaire quel que soit le mode de déplacement utilisé. Le centre qui peut desservir la majorité de population est le CSB d’Ambatovaky avec 84% sur les deux modes de déplacement. Le CSB d’Andranolava II et SAFATA Akamasoa peuvent recouvrir plus de 70% de la population dans ce district. Le CSB d’Alakamisy Ambohimaha présente le plus faible pourcentage de population desservie (8%). Les pourcentages de population desservie pour le mode de déplacement en véhicule motorisé ont montré une couverture géographique des CSB légèrement inférieure par rapport au scénario à pied.

10a) 10b) Source: Auteur Figure 10: Couverture géographique des CSB dans le district de Lalangina: pourcentage de population desservie par les CSB en cas d’accréditation en CDT, 10a) Pour un déplacement à pied et 10b) Pour un déplacement en véhicule motorisé 42

III.6.3 Cartes de temps de trajet

III.6.3.1 Cartes de temps de trajet pour le district d’Isandra

Les figures 10 et 11 montrent la distribution spatiale du temps de parcours vers tous les établissements de santé dans le district d’Isandra, en tenant compte du temps de trajet maximal spécifié et les vitesses de déplacement pour chacune des classes d’occupation de sol. Nous avons fait les cartes de temps de trajet pour chaque FS mais nous avons montré seulement les 2 FS ayant le pourcentage de population desservie le plus élevé.

III.6.3.1.1 Carte de temps de trajet pour un scénario à pied dans le district d’Isandra

La figure 11 montre les temps de trajet à un déplacement à pied dans le district d’Isandra. Au total le district d’Isandra compte 589 localités.

La figure 11a représente les distributions de temps de trajet pour un déplacement à pied pour chaque FS éligible en CDT. Les localités des villages incluant le ton vert sombre se trouvent à moins de 30 minutes à pied d’une FS et le ton rouge pour les localités à 6 heures.

Pour les CSB d’Ambondrona (figure 11b) et d’Ambalamidera (figure 11c) qui ont des pourcentages de population desservie élevés, environ 3% de la population résident à moins d’une heure d’un centre de santé. 35% des localités sont à plus de six heures de marche du CSB d’Ambondrona et 49% celle d’Ambalamidera. Les détails sur les pourcentages des localités dans la distribution des temps de trajet pour chaque FS éligible en CDT sont résumés dans l’annexe 2.

11a) 11b) 11c) Source: Auteur

Figure 11: Cartes de temps de trajet pour un scénario à pied dans le district d’Isandra: 11a) Temps de trajet pour rejoindre chaque CSB, 11b) Temps de trajet pour rejoindre le CSB d’Ambondrona et 11c) Temps de trajet pour rejoindre le CSB d’Ambalamidera

III.6.3.1.2 Carte de temps de trajet pour un scénario de déplacement en véhicule motorisé dans le district d’Isandra

La figure 12 présente le résultat de l’estimation d’un scénario de déplacement en véhicule motorisée dans le district d’Isandra.

La figure 12a représente les distributions de temps de trajet pour un déplacement en véhicule motorisé pour chaque FS éligible en CDT. Les pourcentages des localités situés à moins d’une heure des CSB varient de 10 à 24%.

Les figures 12b et 12c montrent les temps de trajet des deux CSB (CSB d’Ambondrona et d’Ambalamidera) ayant les pourcentages de population desservie élevés. Les pourcentages de localités des villages à moins d’une heure de CSB d’Ambondrona et de CSB d’Ambalamidera sont de 12% chacuns. Nous avons remarqué aussi qu’il y a des localités environ 1 à 2% à plus de 6 heures de déplacement en véhicule motorisé de ces deux CSB. Les détails sont présentés dans l’annexe 3.

10a) 10b) 10c) Source: Auteur

12a) 12b) 12c) Source : Auteur

Figure 12: Cartes de temps de trajet pour un scénario de déplacement en véhicule motorisé dans le district d’Isandra: 12a) Temps de trajet pour rejoindre chaque CSB, 12b) Temps de trajet pour rejoindre le CSB d’Ambondrona et 12c) Temps de trajet pour rejoindre le CSB d’Ambalamidera 46

III.6.3.2 Cartes de temps de trajet pour le district de Lalangina

III.6.3.2.1 Carte de temps de trajet pour un scenario à pied dans le district de Lalangina

La figure 13 montre la carte de temps de trajet effectué à pied pour le district de Lalangina.

Le district de Lalangina compte 484 localités des villages. La figure 13a montre les temps de trajet pour l’ensemble des FS éligibles en CDT dans ce district.

Les figures 13b et 13c présentent les cartes de temps de trajet pour les deux CSB ayant les pourcentages de population élevés. Pour le cas de CSB Ambatovaky qui a la couverture géographique la plus élevée, 2% des localités sont situées à moins d’une heure et 47% à plus de 6 heures de ce CSB. Pour le CSB Andranolava II, 6% des localités se trouvent à moins d’une heure de marche et 15% en dehors de six heures. L’annexe 4 montre les détails des pourcentages des villages dans le district de Lalangina par chaque distribution de temps.

13a) 13b) 13c) Source: Auteur

Figure 13: Cartes de temps de trajet pour un scénario de déplacement à pied dans le district de Lalangina : 13a) Temps de trajet pour rejoindre chaque CSB, 13b) Temps de trajet pour rejoindre le CSB d’Ambatovaky et 13c) Temps de trajet pour rejoindre le CSB d’Andranolava II

III.6.3.2.2 Carte de temps de trajet pour un scénario de déplacement en véhicule motorisé dans le district de Lalangina

La figure 14 présente les cartes de temps de trajet que les gens doivent effectuer pour atteindre chaque FS par un déplacement en véhicule motorisé dans le district de Lalangina.

L’analyse des cartes donne les pourcentages des localités de villages dans chaque distribution de temps en minutes. La figure 14a montre les temps de trajet pour les FS éligibles en CDT dans le district de Lalangina.

Pour les CSB d’Ambatovaky (figure 14b) et CSB d’Andranolava II (figure 14c) qui ont des pourcentages de population desservie élevés, les localités à moins d’une heure sont respectivement 55% et 41%. Il n’y a pas de localités de villages à plus de 6 heures de déplacement en véhicule motorisé. L’annexe 5 montre les pourcentages des localités de villages pour chaque distribution de temps de trajet effectué en véhicule motorisé pour chaque FS éligible en CDT dans le district de Lalangina.

12b)

14a) 14b) 14c) Source : Auteur Figure 14: Cartes de temps de trajet pour un scénario de déplacement en véhicule motorisé dans le district de Lalangina : 14a) Temps de trajet pour rejoindre chaque CSB, 14b) Temps de trajet pour rejoindre le CSB d’Ambatovaky et 14c) Temps de trajet pour rejoindre le CSB d’Andranolava II 50

CHAPITRE IV

DISCUSSIONS ET RECOMMANDATIONS

IV.1 Sur la distribution des CDT

Actuellement, 223 CDT publics et privés sont répartis dans 22 régions et 114 districts pour 24 millions d’habitants. Cette situation n’est pas conforme aux recommandations de l’OMS, 1 CDT pour 100 000 habitants. En général, la norme pour les nombres de CDT par district n’est pas atteinte surtout à l’échelle nationale (Madagascar). D’après le résultat obtenu sur la couverture en CDT, à l’échelle mondiale, environ 36% des districts n’atteint pas la norme recommandée par l’OMS et 78% en-dessous de la moyenne nationale. Comme une norme atteinte ne traduit pas forcément une bonne accessibilité aux populations, une étude scientifique pour le choix d’implantation d’un nouveau centre serait nécessaire. Donc, il sera nécessaire d’implanter de nouveaux CDT pour améliorer l’accès aux soins et traitement de la tuberculose. Si on considère par exemple les deux districts Isandra et Lalangina, on devrait implanter de nouveau CDT, selon la norme internationale: 3 CDT pour le district Isandra et 4 pour le cas du district de Lalangina.

IV.2 Sur le résultat de classification

La valeur obtenue de 0,92 de l'indice de Kappa nous permet de conclure que le résultat de classification est satisfaisant selon Landis et Koch, cet indice est très bon quand il est compris entre 0,80 - 1 [34]. Notre résultat est acceptable car chaque différente catégorie d’occupation de sol a été bien classifiée (supérieur à 84%).

IV.3 Sur l’analyse de l’accessibilité physique

Les résultats sur la couverture géographique ont montré qu’il y a des CSB pouvant desservir beaucoup de population, à plus de 80%; par contre certains CSB desservent moins de 10% de population. Pour ceux, il y a des difficultés en termes d’accessibilité physique pour rejoindre les autres FS et que les contextes géographiques pour chaque zone ne sont pas les mêmes [5]. 51

L’analyse a démontré que quel que ce soit le mode de déplacement, il n’y a pas d’impact significatif sur la population desservie, ceux qui supposent que pour rejoindre les FS, les routes à traverser à pied sont presque accessibles en véhicule motorisé. Les figures 11 et 12 montrent qu’il y a des centres entourés de nombreuses localités mais assez faible en nombre de population desservie. En matière de santé publique, il est important de considérer le bassin de recrutement de population desservie en termes d’un Centre de Santé pour évaluer l’impact de sa mise en place. Nous remarquons que la majorité des localités se trouvent à plus d’une heure de marche d’un CDT qui n’est pas bon pour le traitement TDO. De plus, il y a également des localités à plus de 6 heures de trajet, fait pouvant être à l’origine d’un abandon de traitement [37]. Ce qui entraîne l’aggravation de la maladie ou la résistance aux antituberculeux qui peut causer la mort d’un patient. Il est nécessaire d’accréditer un centre de traitement (CT) plus proche des populations pour faciliter les soins. Notre étude se limite sur les données uniquement basés sur des données bibliographiques. Elle devrait confrontée aux données issues d’enquêtes sur le terrain, donnant les durées réelles des trajets des patients, de leur domicile à un centre de soin [24]. L’avantage de l’utilisation d’AccessMod 5.0 repose sur la possibilité de mesurer l’accessibilité aux soins et d’estimer la couverture géographique. Celle-ci contribue à une meilleure compréhension de la performance de système de santé et à l’identification des lacunes potentielles de côté géographique. Cette compréhension plus large permet une meilleure planification des services de santé et de la prise de décision. Plusieurs études ont montré l’efficacité et la valeur de l’utilisation d’AccessMod 5.0, à titre d’exemple sur la modélisation de l’accès géographique des urgences obstétricales et soins natales dans la région de Kigoma en Tanzanie [38], sur l’investissement marginal pour la santé des mères et des nouveau-nés en République démocratique populaire de Lao [39] et sur l’investissements marginaux pour la santé maternelle et néonatale en Burkina Faso [40].

CONCLUSION

Notre étude sur l’implantation de nouveaux Centres de Diagnostic et Traitement de la tuberculose à Madagascar, basée sur le SIG, la télédétection et l’utilisation d’AccessMod 5.0, a permis la mise en évidence de la répartition inéquitable des structures de santé et des problèmes rencontrés par la population en matière d’accessibilité physique aux soins. Elle permettrait aux décideurs d’identifier les meilleures zones d’implantation d’un CDT afin que les nombres de CDT de tuberculose répondent aux normes. Une norme atteinte ne traduit pas toujours une bonne accessibilité par la population d’où la nécessité d’une base scientifique pour le choix d’implantation d’un nouveau centre. Nos résultats ont montré que 223 CDT sont repartis dans 112 districts de Madagascar comptant 24 millions d’habitants. Sur la distribution des CDT, environ 36% des districts n’atteint pas la norme recommandée par l’OMS et 78% en-dessous de la moyenne nationale. Deux districts ne possèdent aucun CDT. Nous avons noté que quel que soit le mode de déplacement, le pourcentage élevé de population desservie par les FS correspond au CSB d’Ambondrona pour le district d’Isandra et au CSB d’Ambatovaky pour celui de Lalangina. Selon l’estimation des temps de trajet pour rejoindre chaque FS, nous avons trouvé qu’il y a des localités à plus de 6 heures de trajet à pied, éloignement défavorable au traitement de la maladie et pouvant être à l’origine d’un abandon de traitement. Dans ce cas, il sera nécessaire d’accréditer un centre de traitement (CT) plus proche ou d’implanter au moins de nouveaux CDT dans le district. Pour conclure, le SIG, la télédétection et l’utilisation de logiciel AccessMod 5.0 sont complémentaires et bénéfiques dans le domaine de santé car ils fournissent un outil d’aide à la décision en matière de recours aux soins. Cette étude fournit une analyse qui prend en considération seulement l’accessibilité physique (géographique), n’englobant pas tous les aspects associés à l'accès aux soins de santé. Elle devrait donc être combinée à d’autres critères tels l’accessibilité financière, les équipements de soins fournis aux établissements de santé et les infrastructures. Ces critères ne sont pas explicitement pris en compte dans le cadre d’AccessMod 5.0.

REFERENCES BIBLIOGRAPHIQUES

[1] World Health Organization. “Rapport sur la lutte contre la tuberculose dans le monde 2017” [Internet]. Organisation mondiale de la santé. 2017. Available from: http://www.who.int/tb/publications/global_report/gtbr2017_executive_summary_fr. pdf%0Ahttp://www.who.int/tb/publications/global_report/gtbr2017_executive_sum mary_fr.pdf?ua=1%0Ahttp://www.who.int/tb/publications/global_report/gtbr2015_e xecutive_summary_fr.p, consulté le 13 Janvier 2018.

[2] World Health Organization. “WHO, 2016: global tuberculosis report.” 2016.

[3] Ministère De La Santé/ Programme National De Lutte Contre la Tuberculose. “Plan Strategique National de lutte contre la tuberculose 2012-2016.” 2013;1–104.

[4] Yimer S, Holm-Hansen C, Yimaldu T, Bjune G. “Health care seeking among pulmonary tuberculosis suspects and patients in rural Ethiopia: a community-based study.” BMC Public Health. 2009;9:454.

[5] Rakotonirina, El-C J. “Contextualiser le programme pour un meilleur contrôle de la tuberculose à Madagascar.” 2010.

[6] B Dautzenberg. “Mycobactérioses atypiques.” In 2000. p. 93–104.

[7] Bayege I. “Contribution des mutuelles de santé à l’accessibilité de la population aux services de santé” [Internet]. 2005. Available from: https://www.memoireonline.com/07/08/1302/m_contribution-mutuelles-sante- accessibilite-population-services-de-sante0.html, consulté le 06 Novembre 2017.

[8] Black M, Ebener S, Aguilar PN, Vidaurre M, Morjani Z El. “Using GIS to measure physical accessibility to health care (WHO).” 2004;1–22.

[9] Denègre J, Salge F. “Les systèmes d’information géographique”. Presses Un. Collection: Que sais-je?; 1996. 128 p.

[10] Moonan PK, Bayona M, Quitugua TN, Oppong J, Dunbar D, Jost KC, et al. “Using GIS technology to identify areas of tuberculosis transmission and incidence.” Int J Health Geogr. 2004;3:1–10.

[11] Randremanana Rindra Vatosoa. “Méthodes de recherche en environnement et santé tuberculose pulmonaire dans la ville d’Antananarivo , Madagascar ».” 2008.

[12] Rakotosamimanana S, Mandrosovololona V, Rakotonirina J, Ramamonjisoa J, Ranjalahy JR, Randremanana RV, et al. “Spatial analysis of pulmonary tuberculosis in Antananarivo Madagascar: tuberculosis-related knowledge, attitude and practice.” PLoS One. 2014;9(11).

[13] Orléans. “Combiner analyse spatiale et épidémiologie pour l’aide à la décision dans la lutte contre la tuberculose en Guyane française.” 2006.

[14] Tanser F. “Geographic Information Systems (GIS) innovations for primary health care in developing countries.” Innovations. 2006;106–22.

[15] Luo W, Wang F. “Measures of spatial accessibility to health care in a GIS environment: synthesis and a case study in the Chicago region.” Environ Plan B Plan Des. 2003;30(6):865–84.

[16] Cinnamon J, Schuurman N, Crooks VA. “A method to determine spatial access to specialized palliative care services using GIS.” BMC Health Serv Res. 2008;8:1–11.

[17] Comber AJ, Brunsdon C, Radburn R. “A spatial analysis of variations in health access: linking geography, socio-economic status and access perceptions.” Int J Health Geogr [Internet]. 2011;10(1):44. Available from: http://www.ij- healthgeographics.com/content/10/1/44, consulté le 20 Décembre 2017.

[18] Gouvernement du Canada. “Notions fondamentales de télédétection” [Internet]. 2013. Available from: https://www.rncan.gc.ca/sciences-terre/geomatique/imagerie- satellitaire-photos-aeriennes/imagerie-satellitaire-produits/ressources- educatives/9364, consulté le 12 Janvier 2018.

[19] Ducrot D. “Méthode d’analyse d’interprétation d’images de télédétection multi-sources extraction de caractéristiques du paysage. 1er décembre 2005,p 24. p 48 et p67.” 2005.

[20] Girard MC, Girard CM. “Traitement des données en télédétection.” Dunod, editor. Environnement et sécurité. Paris: Chirat; 2004. 529 p.

[21] Ministère de la Santé Publique de Madagascar. “Plan de Développement du Secteur de 55

la Santé, Madagascar, 2015-2019.” 2015;195. Available from: http://www.nationalplanningcycles.org/sites/default/files/planning_cycle_repository/ madagascar/pdss_2015.pdf

[22] Ministère de l’Intérieur et de la décentralisation. “DECRET n°2015 – 592 portant classement des communes en communes urbaines ou en communes rurales.” 2015 p. 1–373.

[23] Ministère De La Santé/ Programme National De Lutte Contre la Tuberculose. “Rapport sur le nombre des CDT inclus dans le PNLT à Madagascar 2016.”

[24] N. Ray, S. Ebener FM. “AccessMOd user guide and tutorial version 5.0.” 2017;0–105.

[25] Al. BA. “Intégration des variables spectrales et géomorphométriques dans un SIG pour la catographie des aires exposées à l’érosion”. volume 7. 2007. 342 p.

[26] RW LT et K. “Remote sensing and image interpretation.” 4th editio. 2000;724.

[27] Campbell JB. “Introduction to remote sensing”. 5th editio. London. New York; 1944. 667p.

[28] Song C, Woodcock C, Seto K. “Classification and change detection using landsat tm data: when and how to correct atmospheric effects?” Remote Sens Environ [Internet]. 2001;75(2):230–44. Available from: http://www.sciencedirect.com/science/article/pii/S0034425700001693, consulté le 12 Janvier 2018.

[29] Jensen JR. “Introductory digital image processing: a remote sensing perspective. second edition.” Introd Digit image Process a Remote Sens Perspect Second Ed. 1996;307.

[30] Caloz R. et Collet C. “Précis de télédétection. traitements numériques d’images de télédétection”. volume 3. Presse de l’Université de Québec; 2001. 386 p.

[31] Mather PM. “Computer processing of remotely sensed images: an introduction”. 3rd ed. 2004. 350 p.

[32] Soufiane IDBRAIM. “Méthodes d’extraction de l’information spatiale et de classification en imagerie de télédétection : applications à la cartographie thématique de la région d’Agadir (Maroc).” 2009.

[33] Cohen J. “A coefficient of agreement for nominal scales.” 1960;20. Available from: https:///doi/10.1177/001316446002000104.

[34] Landis JR, Koch GG. “The measurement of observer agreement for categorical data.” Int Biometric Soc [Internet]. 1977;33(1):159. Available from: http://www.jstor.org/stable/2529310?origin=crossref, consulté le 12 Janvier 2018.

[35] Nelson A. “Accessibility, transport, and travel time information .” Model Across Geogr Scales. 2000;1–16.

[36] Toxopeus AG. “Spatial and temporal modelling for sustainable management of semi- arid rangelands .”:1–26.

[37] Comolet TM, Rakotomalala R, Rajaonarioa H. “Les facteurs déterminant l’observance du traitement antituberculeux en milieu urbain à Tamatave, Madagascar.” 1998;2(11):891–7.

[38] Maro G, Chen YN, Dynes MM, Schmitz MM, Kramer MR, Serbanescu F. “Geographic access modeling of emergency obstetric and neonatal care in Kigoma region, Tanzania: transportation schemes and programmatic implications.” Glob Heal Sci Pract. 2017;5(3):430–45.

[39] Ebener S, Stenberg K. “Investing the marginal dollar for maternal and newborn health: geographic accessibility analysis for emergency obstetric care services in Malawi.” 2016;109.

[40] Ebener S, Stenberg K. “Investissements marginaux pour la santé maternelle et néonatale : analyse de l’accessibilité géographique aux soins obstétricaux et néonataux d ’urgence , Burkina Faso.”

ANNEXES

Annexe 1: Glossaires 1. Signes d’imprégnation tuberculeuse Le début est le plus souvent progressif et les symptômes s’installent en quelques semaines, les signes généraux sont : - fièvre et frissons; - toux; - essoufflement ou respiration sifflante; - respiration et pouls rapides; - expectorations (crachats) colorées; - douleur au niveau du thorax ou du dos, surtout à l'inspiration; - fatigue ou faiblesse; - maux de tête

2. Echecs de traitement Ce sont des malades qui sont « positifs à l’examen bacilloscopique des crachats » à la fin du 5ème mois de traitement ou à n'importe quel moment entre la fin du 5ème mois et la date de fin du traitement. Cette positivité doit être confirmée par une 2ème lame.

3. Rechutes Ce sont des malades traités antérieurement pour une tuberculose active, « déclarés guéris » en fin de traitement et chez lesquels on trouve « une bacilloscopie positive ».

4. Reprises de traitement Ce sont des malades « perdus de vue pendant 2 mois et plus » et qui reviennent avec une expectoration positive à l'examen des crachats sur un échantillon.

5. Formation sanitaire Selon Giga-fren, une formation sanitaire désigne les établissements et autres unités, militaires ou civils, organisés à des fins sanitaires, dont la recherche, l’évacuation, le transport, le diagnostic ou le traitement, y compris les premiers secours des blessés, des malades et des naufragés, ainsi que la prévention des maladies.

Selon Frederic Pierru, une institution sanitaire est une organisation à caractère médicale et sociale dont la fonction consiste à assurer à la population des soins médicaux complets, curatifs et préventifs et dont les services extérieurs irradient jusqu'à la cellule familiale considérée dans son milieu. Il peut être aussi un centre d'enseignement de la médecine et des recherches biomédicales. En d'autres termes, c'est un établissement des points capables de recevoir des personnes atteintes des maladies ou blessures et des parturientes en leur assurant le logement ainsi que les soins médicaux plus ou moins prolongés : observation, diagnostic, traitement et réadaptation. Il peut, dans le cas échéant, offrir des services de consultation. On a des institutions sanitaires gérées par : - les confessions religieuses ; - le bureau central de la zone de santé ; - les personnes privées (les gestionnaires).

Annexe 2: Pourcentage de localités des villages dans la distribution de temps de trajet à pied pour le district Isandra

Pourcentage des localités inclus dans la distribution de temps de trajet (%) <=30 30-60 60- 120- 180- 240- 300- >360 FS mn mn 120 180 240 300 360 mn mn mn mn mn mn

CSB Ambondrona 1 2 7 12 14 15 14 35

CSB Ambalamidera 1 2 2 8 12 12 14 49

Ekar Isorana 1 3 8 11 20 23 17 17

CSB Ranomena 1 1 3 8 9 6 16 56

CSB Soatanana 2 2 7 12 21 18 14 24

CSB Nasandratrony 1 3 8 9 13 15 15 36

CSB Isorana 1 4 8 11 20 19 19 18

CSB Iavonomby 1 1 8 8 7 8 15 52

CSB Fanjakana 1 2 6 8 6 9 9 59

CSB Ankarinarivo 1 2 8 8 10 17 12 42

CSB Anjoma Tsara 1 4 8 13 11 10 9 44

CSB 2 4 9 7 9 10 12 47 Andoharanomaintso

III

Annexe 3: Pourcentage de localités des villages dans la distribution de temps de trajet sur un scénario motorisé pour le district Isandra

Pourcentage des villages inclus dans la distribution de temps de trajet (%) <=30 30-60 60- 120- 180- 240- 300- >360 FS mn mn 120 180 240 300 360 mn mn mn mn mn mn

CSB Ambondrona 4 8 43 34 5 3 1 2

CSB Ambalamidera 3 9 42 34 8 2 1 1

Ekar Isorana 6 18 54 16 2 1 1 2

CSB Ranomena 2 8 25 39 18 3 2 3

CSB Soatanana 5 14 53 20 4 2 1 1

CSB Nasandratrony 8 10 35 35 6 3 1 2

CSB Isorana 5 18 54 17 3 1 1 1

CSB Iavonomby 4 10 20 39 19 3 2 3

CSB Fanjakana 4 11 36 38 7 2 1 1

CSB Ankarinarivo 7 9 32 38 8 2 1 2

CSB Anjoma Tsara 6 11 48 27 4 2 1 1

CSB 11 9 33 33 9 2 1 2 Andoharanomaintso

Annexe 4: Pourcentage de localités des villages dans le temps de trajet effectué à pied dans district Lalangina

Pourcentage des localités des villages inclus dans la distribution de temps de trajet (%) <=30 30-60 60-120 120- 180- 240- 300-360 >360 FS mn mn mn 180 mn 240 mn 300 mn mn mn CSB Ambatovaky 1 1 3 10 11 13 14 47 CSB Andranolava II 2 4 20 27 10 15 7 15 SAFATA AKAMASOA 2 2 1 4 11 11 11 58 CSB Taindambo 1 1 7 16 19 17 16 23 CSB Sahambavy 1 4 10 12 20 26 14 13 CSB Mahatsinjony 3 4 13 20 25 17 8 10 CSB Ivoamba 2 8 13 22 18 11 12 14 CSB Ialamarina 1 2 5 5 6 8 8 65 CSB Fandrandava 1 2 4 5 8 9 10 61 CSB Androy 1 3 13 13 13 17 15 25 CSB Mitongoa 1 1 2 3 5 2 4 82 CSB Sahamena 2 4 3 7 8 14 13 49 CSB Ambalamahasoa 1 2 10 26 19 10 11 21 CSB Ambalakely 1 7 15 20 21 16 9 11 CSB Alakamisy Ambohimahy 6 6 15 10 23 10 7 23

Annexe 5: Pourcentage de localités des villages dans le temps de trajet motorisé dans le district Lalangina

Pourcentage des localités inclus dans la distribution de temps de trajet (%) <=30 30-60 60-120 120- 180- 240- 300-360 >360 FS mn mn mn 180 mn 240 mn 300 mn mn mn CSB Ambatovaky 14 44 32 6 2 2 0 0 CSB Andranolava II 38 3 19 3 2 2 0 0 SAFATA AKAMASOA 7 37 42 9 2 2 1 0 CSB Taindambo 16 46 30 4 2 2 0 0 CSB Sahambavy 17 46 31 3 2 1 0 0 CSB Mahatsinjony 33 39 22 3 2 1 0 0 CSB Ivoamba 34 36 23 3 2 2 0 0 CSB Ialamarina 4 13 65 14 3 1 0 0 CSB Fandrandava 5 20 63 7 2 1 0 0 CSB Androy 35 40 20 3 2 1 0 0 CSB Mitongoa 2 10 69 13 3 2 1 0 CSB Sahamena 8 44 37 6 2 2 1 0 CSB Ambalamahasoa 26 42 24 4 2 2 0 0 CSB Ambalakely 39 35 20 3 2 1 0 0 CSB Alakamisy Ambohimahy 39 35 18 4 2 2 0 0

TABLE DES MATIERES Remerciements …………………………………………………………………………………………………………………….i Sommaire …………………………………………………………………………………………………………………………….iii Liste des figures ……………………………………………………………………………………………………………………iv Liste des tableaux …………………………………………………………………………………………………………………v Liste des annexes …………………………………………………………………………………………………………………vi Liste des abréviations ………………………………………………………………………………………………………….vii INTRODUCTION ...... 1 CHAPITRE I : GENERALITES ...... 3 I.1 Généralités sur la tuberculose ...... 3 I.1.1 Différents types de tuberculose ...... 3 I.1.2 Mode de transmission de tuberculose ...... 3 I.1.3 Mode de traitement de tuberculose ...... 4 I.1.3.1 La phase initiale ou première phase intensive...... 4 I.1.3.2 La deuxième phase ou phase de continuation ...... 4 I.1.3.3 Retraitement : cas à retraiter ...... 5 I.1.4 Politique en matière de lutte contre la tuberculose ...... 5 I.1.5 L’organisation sur la lutte contre la tuberculose ...... 6 I.1.6 Etablissements de soins ...... 7 I.2 Accessibilité aux soins ...... 8 I.3 Sciences de l’Information Géographique ...... 9 I.3.1 Système d’Information Géographique (SIG) ...... 9 I.3.2 Télédétection ...... 10 I.3.3 Analyse spatiale ...... 11 I.3.4 Cartographie ...... 11 CHAPITRE II : MATERIELS ET METHODES ...... 12 II.1 Présentation de la zone d’étude ...... 12 II.1.1 Situation géographique...... 12 II.1.2 Situation administrative ...... 13 II.1.3 Situation démographique ...... 13 II.1.4 Situation socio-économique ...... 13 VII

II.1.5 Secteur sanitaire ...... 13 II.2 Matériels et méthodes ...... 14 II.2.1 Matériels ...... 14 II.2.1.1 Données ...... 14 II.2.1.2 Logiciels utilisés ...... 16 II.2.2 Méthodes ...... 17 II.2.2.1 Cartographie de la localisation des CDT ...... 17 II.2.2.2 Analyse de la couverture en CDT par district ...... 17 II.2.2.3 Etude de l'accessibilité physique ...... 18 II.2.2.3.1 Détermination des facteurs d’éligibilité des FS existantes dans les zones à étudier ...... 18 II.2.2.3.2 Traitement d’image satellitaire ...... 18 II.2.2.3.3 Analyse de l’accessibilité physique ...... 23 II.2.2.3.3.1 Fusion des couches avec le module « Merge land cover » ...... 23 II.2.2.3.3.2 Analyse de couverture géographique avec le module « Geographic coverage analysis » ...... 24 II.2.2.3.3.3 Estimation des temps de trajet avec le module « Accessibility analysis » ...... 26 II.2.2.3.4 Analyse spatiale ...... 27 CHAPITRE III : RESULTATS ...... 29 III.1 Carte de la localisation des CDT de tuberculose à Madagascar ...... 29 III.2 Carte de couverture en CDT ...... 30 III.3 Zones dépourvues de CDT : districts d’Isandra et de Lalangina...... 32 III.4 FS éligibles en CDT dans les districts d’Isandra et de Lalangina...... 33 III.5 Résultats de la classification d’image ...... 34 III.6 Résultats sur l’analyse de l’accessibilité physique aux CDT ...... 37 III.6.1 Carte d’occupation de sol combinée avec les réseaux routiers et réseaux hydrographiques ...... 37 III.6.2 Couverture géographique des FS ...... 39 III.6.2.1 Couverture géographique des FS dans le district d’Isandra ...... 39 III.6.2.2 Couverture géographique des CSB dans le district de Lalangina ...... 41

VIII

III.6.3 Cartes de temps de trajet ...... 43 III.6.3.1 Cartes de temps de trajet pour le district d’Isandra ...... 43 III.6.3.1.1 Carte de temps de trajet pour un scénario à pied dans le district Isandra ...... 43 III.6.3.1.2 Carte de temps de trajet pour un scénario de déplacement en véhicule motorisé dans le district Isandra ...... 45 III.6.3.2 Cartes de temps de trajet pour le district de Lalangina ...... 47 III.6.3.2.1 Carte de temps de trajet pour un scenario à pied dans le district Lalangina ...... 47 III.6.3.2.2 Carte de temps de trajet pour un scénario de déplacement en véhicule motorisé dans le district Lalangina ...... 49 CHAPITRE IV: DISCUSSIONS ET RECOMMANDATIONS ...... 51 IV.1 Sur la distribution des CDT ...... 51 IV.2 Sur le résultat de classification ...... 51 IV.3 Sur l’analyse de l’accessibilité physique ...... 51 CONCLUSION ...... 53 REFERENCES BIBLIOGRAPHIQUES ANNEXES

Titre : SIG, outil d’aide à la décision pour le choix d’implantation de nouveaux Centres de Diagnostic et Traitement (CDT) de la tuberculose à Madagascar

RESUME L’un des objectifs du Programme National pour la lutte contre la Tuberculose (PNLT) est d’étendre le réseau des centres de diagnostic et de traitement (CDT) de la tuberculose dans les districts de Madagascar afin de réduire les fardeaux liés à la maladie. Nous avons construit un Système d’Information Géographique (SIG) pour établir une carte de distribution des CDT. La télédétection a permis une mise à jour des informations géographiques à partir d’une image satellitaire Landsat 8 et de les intégrer dans le SIG. Le logiciel AccessMod 5.0 a été utilisé pour analyser la couverture géographique et l’accessibilité physique aux Centres de Santé de Base à accréditer en CDT. La cartographie des CDT opérationnels a montré que les districts d’Isandra et de Lalangina en sont dépourvus. L’analyse de la distribution des CDT a montré les districts dont le nombre de CDT répond ou non à la norme de l’Union International sur la Tuberculose et Maladies Respiratoires. La classification d’image Landsat 8 utilisée pour l’analyse de l’accessibilité physique aux CSB a donné un indice de cohérence de Kappa de 0,92. Pour le district d’Isandra, parmi les CSB éligible, le CSB d’Ambondrona vient en première position avec 89% de population desservie pour un déplacement à pied et 88% pour un déplacement avec un véhicule motorisé. Pour le district de Lalangina, le CSB d’Ambatovaky dessert le plus de population avec 84% pour un déplacement à pied ou en véhicule motorisé. L’estimation des temps de trajet avec AccessMod 5.0 a montré que certaines populations doivent faire plus de six heures de marche pour rejoindre les CDT. Notre étude a permis la mise en évidence de la répartition inéquitable des structures de santé et des problèmes rencontrés par la population en matière d’accessibilité physique aux soins. Le SIG et la télédétection pourront aider dans le choix de sites d’implantation de nouveaux CDT. Mots clés : tuberculose, centre de diagnostic et de traitement, Science de l’Information Géographique, AccessMod 5.0, accessibilité physique, Madagascar

ABSTRACT One of the aims of the National Tuberculosis Control Program (NTP) is to expand the network and coverage of tuberculosis (TB) diagnosis and treatment centers (DTCs) in across all districts of Madagascar as a means to reduce the burden of disease due to TB. We constructed a Geographic Information System (GIS) to visualize the distribution of all DTCs. Remote sensing allowed to update geographic information through a Landsat 8 satellite image which was subsequently integrated into GIS. The AccessMod 5.0 software was used to analyze geographic coverage and physical accessibility of the CSB to be accredited as DTC. The mapping of the operational DTC has shown that the districts of Isandra and Lalangina lack it. Analysis of the distribution of DTC showed districts that the number of DTC does or does not meet the norm of the International Union for Tuberculosis and Respiratory Diseases. The Landsat 8 image classification used for physical accessibility analysis of the CSB gave a Kappa consistency index of 0.92. For the district of Isandra, among the CSBs eligible for DTC, the Ambondrona CSB comes in the first place with 89% of population served for a walk and 88% for a motorized vehicle. For the district of Lalangina, the Ambatovaky CSB serves the most population with 84% for walking or for a motorized vehicle. The travel times estimated with AccessMod 5.0 showed that some populations have to walk more than six hours to reach a DTC. Our study revealed the insufficient coverage and unequal distribution of diagnostic and treatment facilities for TB and the geographical challenges faced by the population in accessing TB care. GIS and remote sensing can guide the selection of new DTC sites. Keywords: tuberculosis, diagnostic and treatment center, Geographic Information Science, AccessMod 5.0, physical accessibility, Madagascar

Rapporteur: RAKOTOMANANA Fanjasoa Nombre de pages: 53 Impétrante: RAVAOARIMANGA Masiarivony Nombre de figures: 14 I E-mail: [email protected] Nombre de tableaux: 7 Téléphone: +261 34 77 309 26