Résumé technique : Optimiser la couverture sanitaire en Éthiopie via HARP

1. Formulation du problème

L'article traite du défi de la planification séquentielle de la construction et de la mise à niveau des établissements de santé en Éthiopie, dans un contexte d'incertitude budgétaire et de nécessité de distribution équitable. Le ministère de la Santé éthiopien vise à mettre à niveau plus de 2 000 postes de santé pour leur donner un statut « complet » afin d'atteindre les objectifs de couverture sanitaire universelle. Cependant, des budgets annuels limités et des priorités régionales variables (par exemple, prioriser la densité de population par rapport aux niveaux de pauvreté) nécessitent une approche stratégique et fondée sur les données.

Les auteurs formalisent cela comme le problème de Maximisation d'une fonction sous-modulaire non décroissante sous contraintes de partition en ligne et de proportionnalité globale (MOPGP).

• Objectif : Maximiser une fonction sous-modulaire non décroissante $f$ représentant la population totale couverte dans un rayon de 2 heures de trajet sur un horizon pluriannuel.
• Contraintes :
  1. Budget en ligne : Les budgets $b(t)$ sont révélés de manière incrémentielle à chaque étape $t$ (année). Les décisions sont irrévocables.
  2. Proportionnalité globale : La sélection doit satisfaire des contraintes de proportionnalité par type (par exemple, garantir qu'une fraction minimale d'établissements soit construite dans des districts spécifiques) à chaque étape.
  3. Faisabilité de type : Pour gérer l'impossibilité de respecter des cibles de proportionnalité strictes à chaque étape en raison des contraintes budgétaires, les auteurs introduisent une définition de « sélection de type faisable ». Cela consiste à maximiser un « ratio de satisfaction » $\alpha_{min}$ (le ratio minimum entre la proportion réalisée et la proportion cible) et, parmi les ensembles atteignant le meilleur ratio, à minimiser le nombre de types qui sont « saturés » (c'est-à-dire qui n'ont plus de candidats restants pour améliorer le ratio). Cette structure est conçue pour se prémunir contre l'incertitude budgétaire future.

2. Méthodologie

L'article propose le Health Access Resource Planner (HARP), un outil d'aide à la décision reposant sur deux composantes algorithmiques principales :

A. Planification à étape unique augmentée par l'apprentissage

Reconnaissant que les planificateurs régionaux possèdent souvent des recommandations d'experts (conseils) pour l'emplacement des installations qui peuvent ne pas être globalement optimales mais qui encodent une connaissance locale précieuse, les auteurs développent un algorithme de planification à étape unique augmenté par l'apprentissage.

• Approche : L'algorithme prend un ensemble de conseils d'expert $A$ de taille $b$ et génère des sous-ensembles $A_i$ (pour $i=0$ à $b$). Pour chaque sous-ensemble, il remplit de manière gloutonne les $b-i$ créneaux restants en utilisant des éléments de l'ensemble de base pour maximiser le gain marginal.
• Garanties : L'algorithme produit la meilleure sélection trouvée parmi ces combinaisons. Il est prouvé qu'il est 1-cohérent (si le conseil est optimal, la sortie est optimale) et $(1-1/e)$-robuste (si aucun conseil n'est utilisé, ses performances sont aussi bonnes qu'un algorithme glouton standard). Cela permet aux planificateurs d'affiner les plans des experts sans les rejeter, garantissant que la performance ne dégrade jamais en dessous de l'approche de base gloutonne.

B. Planification multi-étapes sous incertitude

Pour l'horizon de planification séquentiel pluriannuel, les auteurs proposent un algorithme glouton appelé MultistepPlanning.

• Mécanisme : À chaque étape, l'algorithme calcule le nombre d'installations $x_q(t)$ à construire dans chaque district $q$ pour maintenir les proportions globales cibles sur le budget cumulé. Il construit ensuite un matroid de partition basé sur ces quotas et effectue une sélection gloutonne d'installations au sein de l'ensemble de candidats $V(t)$ de l'année en cours.
• Garanties théoriques : L'algorithme produit une sélection $\sigma$-faisable de type (une règle de départage spécifique pour les types). Les auteurs prouvent que si au moins $k$ éléments de chaque type sont sélectionnés par tour, l'algorithme atteint un ratio d'approximation de $\frac{k}{k+1}$ par rapport à la sélection optimale $\sigma$-faisable. De plus, en raison de la nature en ligne de l'arrivée des budgets, l'algorithme atteint une approximation de $1/2$ par rapport à l'optimum hors ligne dans le pire des cas.

3. Principales contributions

1. Formalisation du problème : L'introduction du MOPGP, un nouveau cadre d'optimisation qui intègre les contraintes de budget en ligne avec les contraintes de proportionnalité équitable globale, spécifiquement adapté à la planification séquentielle d'installations.
2. Innovation algorithmique :
   • Un algorithme augmenté par l'apprentissage qui intègre les conseils d'experts dans la maximisation sous-modulaire, offrant de solides garanties dans le pire des cas tout en améliorant les plans des experts lorsque cela est possible.
   • Un algorithme glouton multi-étapes avec des bornes d'approximation prouvables qui opérationnalise la définition abstraite de « faisabilité de type » pour la planification réelle.
3. Validation empirique : Le développement et le test de HARP sur des données réelles de l'Éthiopie (régions d'Afar, de Benishangul Gumuz, de Somali et de Sidama), utilisant des prévisions de population à haute résolution et des surfaces de friction de temps de trajet.

4. Résultats expérimentaux

Les auteurs ont évalué HARP en utilisant des données de 2026 à 2030 dans quatre régions éthiopiennes sous trois politiques de distribution (DP) :

• DP0 : Aucune contrainte (glouton non contraint).
• DP1 : Proportions basées sur les taux non assistés d'accouchements à domicile.
• DP2 : Proportions basées sur la couverture inverse des soins postnatals.

Principaux résultats :

• Couverture vs Équité : L'imposition de contraintes de proportionnalité (DP1, DP2) a entraîné une perte d'efficacité minimale de la couverture de la population totale par rapport à la ligne de base non contrainte (DP0). Le « prix de l'équité » (ratio de la perte d'efficacité) était proche de 1, indiquant qu'une allocation équitable ne compromet pas significativement la couverture globale.
• Amélioration de l'équité : Les politiques contraintes ont considérablement amélioré le ratio de satisfaction minimum ($\alpha_{min}$) pour les districts ciblés par rapport à la ligne de base non contrainte, qui résultait souvent en un $\alpha_{min} = 0$ pour certains districts.
• Efficacité de l'augmentation par l'apprentissage : Dans une analyse rétrospective de 25 districts, l'approche augmentée par l'apprentissage a surpassé à la fois la sélection curatée par les experts et la ligne de base gloutonne standard dans 25 cas, démontant que l'algorithme peut effectivement affiner les plans existants des experts.

5. Signification et affirmations

L'article positionne HARP comme une preuve de concept plutôt que comme une recommandation de politique officielle. Sa principale signification réside dans :

• Le pont entre théorie et pratique : Il démontre comment des contraintes théoriques complexes (optimisation sous-modulaire en ligne avec équité) peuvent être appliquées à la planification des infrastructures de santé publique dans le monde réel.
• Le respect de l'expertise : En utilisant un cadre augmenté par l'apprentissage, l'outil respecte la mémoire institutionnelle et l'expertise métier des planificateurs éthiopiens tout en apportant une rigueur algorithmique pour améliorer les décisions manuelles sous-optimales.
• Évolutivité et adaptabilité : Le cadre est conçu comme un outil d'aide à la décision partagé qui permet à différentes régions de personnaliser leurs stratégies d'allocation en fonction des priorités locales (par exemple, cibler la pauvreté plutôt que la densité) sans nécessiter une refonte complète du processus de planification.

Les auteurs soulignent que, bien que les résultats empiriques soient prometteurs, les conclusions sont destinées à illustrer le potentiel de tels cadres d'optimisation pour soutenir des décisions d'infrastructure équitables et fondées sur les données.