📊 statistics

Markov-Switching Regime Dynamics of Maternal Mortality in Kenya: A State-Dependent Analysis of Health System Transitions with Bootstrap Uncertainty Quantification (2000-2023

Cette étude emploie un modèle de commutation de régime de Markov à deux états avec une quantification de l'incertitude par bootstrap sur les données de mortalité maternelle du Kenya pour la période 2000–2023 afin de révéler des régimes de mortalité distincts, élevés et faibles, pilotés par des changements structurels du système de santé, démontrant ainsi que la trajectoire de la santé maternelle du pays est caractérisée par des changements de régime persistants plutôt que par une tendance linéaire continue.

Auteurs originaux : ROBERT NYABWANGA

Publié 2026-07-09

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : ROBERT NYABWANGA

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez le système de santé maternelle du Kenya non pas comme une route droite où les choses s'améliorent ou se dégradent lentement, mais comme un système météorologique qui reste bloqué dans différentes « saisons ». Parfois, c'est une saison calme et ensoleillée (faible mortalité), et parfois, c'est une saison orageuse et chaotique (mortalité élevée).

Ce document de Robert Nyabwanga utilise un outil mathématique spécial appelé Modèle à Changement de Régime de Markov pour déterminer dans quelle « saison » le Kenya se trouvait chaque année de 2000 à 2023. Au lieu de simplement tracer une ligne droite à travers les données, cette méthode demande : « Le système est-il actuellement dans un « bon » état ou dans un « mauvais » état, et quelle est la probabilité qu'il y reste ? »

Voici l'histoire de ce que l'étude a découvert, décomposée en parties simples :

1. Le problème des « lignes droites »

Traditionnellement, les scientifiques examinent les données et tentent de tracer une seule ligne pour montrer la tendance. Ils pourraient dire : « En moyenne, les choses s'améliorent légèrement. »

La faille : C'est comme dire que le temps est « tempéré » parce qu'on a fait la moyenne d'une vague de chaleur et d'un blizzard. Cela cache le fait que parfois, le système s'effondre dans une crise et parfois, il se stabilise.
La solution : Cette étude traite le système de santé comme un interrupteur. Il est soit « ALLUMÉ » (Régime de Mortalité Élevée) soit « ÉTEINT » (Régime de Mortalité Faible). L'objectif était de voir quand l'interrupteur a basculé et combien de temps il est resté dans une position.

2. Les deux « saisons » (Régimes)

L'étude a révélé que le Kenya a effectivement vécu dans deux états distincts au cours des 24 dernières années :

La « Saison Orageuse » (Régime de Mortalité Élevée) :
- Quand : Approximativement de 2007 à 2014.
- Ce qui s'est passé : Le nombre moyen de décès de mères était élevé (environ 489 décès pour 100 000 naissances).
- L'ambiance : Une fois que le système s'est retrouvé coincé dans cet orage, il était difficile d'en sortir. Il est resté dans cet état pendant environ 8 ans.
- Pourquoi : L'étude lie le début de cet orage aux violences post-électorales de 2007-2008, qui ont perturbé les soins de santé.
La « Saison Ensoleillée » (Régime de Mortalité Faible) :
- Quand : 2000–2006 et de nouveau de 2015 à 2023.
- Ce qui s'est passé : Le nombre moyen de décès était plus bas (environ 428 décès pour 100 000 naissances).
- L'ambiance : Cet état est très persistant. Une fois que le système est entré dans cette période ensoleillée, il y est resté longtemps — environ 15 ans.
- Pourquoi : Le passage à cette saison ensoleillée a coïncidé avec de grands changements gouvernementaux, comme la nouvelle Constitution (qui a donné du pouvoir aux comtés locaux) et une politique rendant les soins de maternité gratuits.

3. L'interrupteur « collant » (Persistance)

La découverte la plus intéressante est à quel point ces saisons sont « collantes ».

Si le Kenya est dans la saison de Mortalité Élevée, il y a 87,5 % de chances qu'il y reste l'année suivante.
Si le Kenya est dans la saison de Mortalité Faible, il y a 93,3 % de chances qu'il y reste l'année suivante.

L'analogie : Imaginez une balle dans une vallée profonde (Mortalité Faible) et une balle sur une colline escarpée (Mortalité Élevée). Il faut une énorme poussée pour sortir la balle de la vallée, mais une fois qu'elle y est, il est très difficile de la faire remonter la colline. Inversement, une fois que la balle dévale la colline, il est difficile de l'empêcher d'y rester.

La bonne nouvelle : La « Saison Ensoleillée » est encore plus collante que la « Saison Orageuse ». Cela signifie qu'une fois que le Kenya a commencé à s'améliorer en 2015, les améliorations étaient très stables et ne sont pas facilement retombées dans une crise.

4. Le « Test Pandémique »

L'étude a vérifié ce qui s'est passé pendant la pandémie de COVID-19 (2020–2021).

Le résultat : Même si la pandémie a perturbé les services de santé dans le monde entier, le Kenya n'est pas retourné à la « Saison Orageuse ». La probabilité de rester dans la « Saison de Mortalité Faible » est restée supérieure à 95 %.
La leçon : Le système de santé a fait preuve de résilience. Il ne s'est pas effondré pour revenir à l'ancien mode de crise malgré le chaos mondial.

5. Le bémol : « Collant » ne veut pas dire « Assez rapide »

Bien que le système soit stable dans la « Saison de Mortalité Faible », l'article souligne une réalité de l'ombre :

L'objectif : Le monde veut réduire les décès maternels à moins de 70 pour 100 000 naissances d'ici 2030 (ODD 3.1).
La réalité : Le Kenya est actuellement à 379. Bien que le système soit stable dans la « bonne » saison, il ne s'améliore que très lentement (environ 2 à 3 % par an).
Le calcul : À ce rythme actuel, le Kenya n'atteindra pas l'objectif de 2030 avant environ 2060. La « Saison Ensoleillée » est stable, mais elle n'est pas assez ensoleillée assez vite.

6. La partie « Brouillard » (Incertitude)

Parce que l'étude ne dispose que de 24 années de données (un petit échantillon), les chercheurs ont utilisé une technique appelée Bootstrap (essentiellement répéter le calcul 500 fois avec de légères variations) pour voir de combien ils pouvaient être sûrs.

Ce dont ils sont sûrs : Le nombre moyen de décès dans les saisons « hautes » et « basses » est assez précis.
Ce qui est flou : Ils sont moins certains des probabilités exactes de basculement du système d'une saison à l'autre. Comme le changement n'a eu lieu que deux fois en 24 ans, la « prévision » de quand le prochain changement pourrait avoir lieu comporte une marge d'erreur importante.

Résumé

Le parcours de la santé maternelle au Kenya n'est pas une ligne droite et lisse. C'est l'histoire de deux ères distinctes : une ère chaotique (2007–2014) et une ère de stabilité et d'amélioration (2015–présent).

La victoire : Le système a réussi à passer de la mauvaise ère à la bonne ère et y est resté, survivant même à la pandémie.
Le défi : Bien que le système soit stable, il progresse trop lentement pour atteindre l'objectif mondial de 2030. La « saison ensoleillée » est là pour rester, mais elle a besoin d'un coup de turbo pour accomplir sa tâche à temps.

Résumé Technique : Dynamique des Régimes de Changement de Markov de la Mortalité Maternelle au Kenya (2000-2023)

Énoncé du Problème
La mortalité maternelle demeure un défi critique de santé publique au Kenya, les analyses statistiques traditionnelles échouant souvent à capturer les changements non linéaires et structurels inhérents à la performance des systèmes de santé. Les méthodes conventionnelles, telles que les régressions linéaires ou de points de rupture (joinpoint), supposent généralement une stabilité des paramètres au sein des segments identifiés ou traitent les points de rupture comme des événements déterministes. Ces approches peuvent occulter des dynamiques critiques, telles que des états cachés de « crise » ou de « récupération », et ne parviennent pas à rendre compte de la nature probabiliste des transitions entre différents régimes de santé. De plus, la littérature existante suppose souvent une variance constante, ignorant la volatilité accrue qui peut caractériser les périodes de crise systémique. L'étude comble la lacune de la compréhension de savoir si la trajectoire de la mortalité maternelle (MMR) au Kenya présente des régimes distincts et persistants, et comment ces régimes transitent dans le temps, particulièrement dans le contexte des changements politiques et de politiques publiques entre 2000 et 2023.

Méthodologie
L'étude utilise un modèle à deux états de changement de régime de Markov pour analyser les données annuelles de la MMR au Kenya de 2000 à 2023 ( $T=24$ ). Les données, provenant des estimations de l'OMS/UNICEF/UNFPA/Banque Mondiale et de l'UNPD (MMEIG), sont traitées comme une série temporelle où l'état sous-jacent (le régime) est latent et inobservé.

Spécification du Modèle : Les auteurs spécifient un modèle de moyenne à changement de régime où $y_t = \mu_{s_t} + \epsilon_t$ , avec $\epsilon_t \sim N(0, \sigma^2_{s_t})$ . L'état caché $s_t$ suit une chaîne de Markov de premier ordre avec des probabilités de transition invariantes dans le temps. Le modèle permet des moyennes spécifiques au régime ( $\mu_j$ ) et des variances ( $\sigma^2_j$ ).
Estimation : Les paramètres sont estimés par l'estimation du maximum de vraisemblance (MLE) via l'algorithme Expectation-Maximization (EM), incorporant le filtre de Hamilton pour calculer les probabilités lissées d'occupation de régime.
Gestion des Petits Échantillons : Étant donné la taille limitée de l'échantillon ( $T=24$ ), une méthode de bootstrap paramétrique avec 500 réplications est utilisée pour quantifier l'incertitude des estimations de paramètres, traitant spécifiquement la variabilité des probabilités de transition et de la durée attendue des régimes.
Sélection du Modèle : Le nombre optimal de régimes ( $K$ ) est déterminé à l'aide du critère d'information d'Akaike (AIC) et du critère d'information bayésien (BIC), parallèlement à des tests de rapport de vraisemblance.
Validation : La stationnarité est évaluée via les tests Augmented Dickey-Fuller (ADF) et KPSS, et les ruptures structurelles sont examinées à l'aide de tests de Chow. Les contrôles de robustesse incluent l'analyse des résidus pour la normalité, l'autocorrélation et l'hétéroscédasticité.

Résultats Clés

Détection de Régime : Le modèle à deux régimes est sélectionné comme étant optimal (AIC = 224,37, BIC = 231,44), surpassant de manière significative les spécifications à un et trois régimes. Deux régimes distincts sont identifiés :
- Régime de Haute Mortalité (Régime 1) : Moyenne MMR = 488,7 (IC 95 % [431,6, 497,5]), Écart-type = 10,6. Ce régime a dominé de 2007 à 2014.
- Régime de Basse Mortalité (Régime 2) : Moyenne MMR = 428,2 (IC 95 % [410,1, 468,3]), Écart-type = 19,9. Ce régime prévalait de 2000–2006 et de 2015–2023.
Persistance des Régimes et Transitions : Le système présente une forte persistance. La probabilité de rester dans le régime élevé est de 87,5 %, et dans le régime bas est de 93,3 %. Par conséquent, la durée attendue du régime élevé est de 8 ans, tandis que le régime bas devrait durer 15 ans.
- Seules deux transitions de régime ont été détectées sur la période de 24 ans : un passage de bas à haut en 2006–2007 et un retour de haut à bas en 2014–2015.
- Les résultats du bootstrap indiquent une grande précision dans l'estimation des moyennes de régime mais une incertitude considérable concernant les probabilités de transition (IC 95 % [0,300, 0,950]), attribuée au faible nombre de transitions observées.
Dynamiques Temporelles :
- 2000–2006 : Période stable de faible mortalité.
- 2007–2014 : Période de crise coïncidant avec les violences post-électorales et la mise en œuvre de la décentralisation de la santé.
- 2015–2023 : Période de récupération. Notamment, le système a maintenu le régime de faible mortalité avec une probabilité >95 % même durant la pandémie de COVID-19 (2020–2021), démontrant la résilience du système.
Comparaison avec les Modèles Traditionnels : Le modèle de changement de Markov surpasse un modèle standard ARIMA(0,1,0) en termes d'AIC et de BIC, confirmant que la nature non linéaire et dépendante de l'état des données est mieux capturée par les dynamiques de changement de régime.

Signification et Revendications
L'article affirme que la mortalité maternelle au Kenya suit un chemin imprévisible caractérisé par des changements de régime structurels plutôt qu'un déclin linéaire continu. L'application du modèle de changement de Markov fournit des informations cruciales que les approches traditionnelles ne peuvent offrir :

Identification des États Cachés : Le modèle distingue avec succès les états de « crise » et de « récupération », révélant que le système de santé opère sous deux réalités statistiques distinctes avec des moyennes et des variances différentes.
Corrélation de Politiques : Les transitions de régime identifiées s'alignent temporellement avec des événements nationaux majeurs. Le passage au régime de haute mortalité coïncide avec les violences post-électorales de 2007–2008, tandis que la transition vers le régime de basse mortalité s'aligne sur la mise en œuvre de la Constitution de 2010 (décentralisation) et de la politique de maternité gratuite de 2013.
Résilience et Durabilité : La forte persistance du régime de faible mortalité (durée attendue de 15 ans) suggère que les interventions politiques, une fois réussies, peuvent engendrer une stabilité durable. La capacité du système à maintenir l'état de faible mortalité pendant la pandémie souligne sa résilience.
Implications pour l'ODD 3.1 : Malgré la transition réussie vers un régime de faible mortalité, le taux actuel de déclin au sein de ce régime est insuffisant pour atteindre la cible de l'Objectif de Développement Durable 3.1 (<70 décès pour 100 000 naissances vivantes) d'ici 2030. Les auteurs notent qu'au rythme actuel, la cible pourrait ne pas être atteinte avant 2060, nécessitant des interventions accélérées.

L'étude conclut que bien que l'approche de changement de Markov révèle les ruptures structurelles et la persistance des tendances de la mortalité maternelle au Kenya, les intervalles de confiance larges dans les probabilités de transition (dus à la petite taille de l'échantillon) imposent une interprétation prudente. Les conclusions soulignent la nécessité d'efforts politiques soutenus pour maintenir le régime de faible mortalité et accélérer les progrès vers les cibles de santé mondiales.