2. SDG Metadata
3. 3-3-3
4. French

<p><strong>Sources of discrepancies:</strong> </p>
<p>The estimated incidence can differ from the incidence reported by a Ministry of Health which can be affected by: </p>
<ul>
<li>the completeness of reporting: the number of reported cases can be lower than the estimated cases if the percentage of health facilities reporting in a month is less than 100% </li>
<li>the extent of malaria diagnostic testing (the number of slides examined or RDTs performed) </li>
<li>the use of private health facilities which are usually not included in reporting systems. </li>
</ul>

<p><strong>Sources des divergences : </strong> </p>
<p>L'incidence estimée peut être différente de l'incidence signalée par un ministère de la sSanté, qui peut être affectée par :</p>
<ul>
<li>l'exhaustivité de la déclaration (le nombre de cas déclarés peut être inférieur aux cas estimés si le pourcentage d'établissements de santé déclarant au cours d'un mois est inférieur à 100%);</li>
<li>l'étendue des tests de diagnostic du paludisme (nombre de lames examinées ou de TDR effectués); </li>
<li>le recours à des établissements de santé privés qui ne sont généralement pas inclus dans les systèmes de déclaration. </li>
</ul>

<p>Malaria incidence (1) is expressed as the number of new cases per 100,000 population per year with the population of a country derived from projections made by the UN Population Division and the total proportion at risk estimated by a country&#x2019;s National Malaria Control Programme. More specifically, the country estimates what is the total proportion of the population at risk of malaria and then, for each year, the total population at risk is estimated as the UN Population for that year, times the proportion of the population at risk at baseline. The same proportion of the population at risk is used for the entire time series to ensure comparability of estimates through time. </p>
<p>The total number of new cases, T, is estimated from the number of malaria cases reported by a Ministry of Health which is adjusted to take into account (i) incompleteness in reporting systems (ii) patients seeking treatment in the private sector, self-medicating or not seeking treatment at all, and (iii) potential over-diagnosis through the lack of laboratory confirmation of cases. The procedure, which is described in the <em>World malaria report 2009 </em>(2), combines data reported by NMCPs (reported cases, reporting completeness and likelihood that cases are parasite positive) with data obtained from nationally representative household surveys on health-service use. Briefly,</p>
<p>T=(a+(c &#xD7; e)/d)&#xD7;(1+h/g+((1&#x2212;g&#x2212;h)/2)/g)</p>
<p>where:<br>a is the number of malaria cases confirmed in public sector<br>b is the number of suspected cases tested<br>c is the number of presumed cases (not tested but treated as malaria)<br><em>d </em>is the reporting completeness<br><em>e </em>is the test positivity rate (malaria positive fraction) = a/b<br><em>f </em>is the estimated cases in public sector, calculated by (a + (c x <em>e</em>))/<em>d</em><br><em>g </em>is the fraction seeking treatment in public sector<br><em>h </em>is the fraction seeking treatment in private sector<br><em>i </em>is the fraction not seeking treatment, calculated by (1-<em>g</em>-<em>h</em>)/2<br><em>j </em>is the cases in private sector, calculated as <em>f x h/g</em><br><em>k </em>is the cases not in private and not in public, calculated by <em>f </em>x <em>i</em>/<em>g</em><br><em>T </em>is total cases, calculated by <em>f </em>+ <em>j </em>+ <em>k</em> </p>
<p>To estimate the uncertainty around the number of cases, the test positivity rate was assumed to have a normal distribution centred on the <em>Test positivity rate</em> value and standard deviation defined as</p>
<p>0.244 &#xD7; Test positivity rate^0.5547</p>
<p>and truncated to be in the range 0, 1. Reporting completeness was assumed to have one of three distributions, depending on the range or value reported by the NMCP. If the value was reported as a range greater than 80%, the distribution was assumed to be triangular, with limits of 0.8 and 1.0, and the peak at 0.8. If the value was more than 50% but less than or equal to 80%, the distribution was assumed to be rectangular, with limits of 0.5 and 0.8. Finally, if the value was less than or equal to 50%, the distribution was assumed to be triangular, with limits of 0 and 0.5, and the peak at 0.5 <em>(3)</em>. If the reporting completeness was reported as a value and was more than 80%, a beta distribution was assumed, with a mean value of the reported value (maximum of 95%) and confidence intervals (CIs) of 5% around the mean value. The fraction of children brought for care in the public sector and in the private sector was assumed to have a beta distribution, with the mean value being the estimated value in the survey and the standard deviation being calculated from the range of the estimated 95% CIs. The fraction of children not brought for care was assumed to have a rectangular distribution, with the lower limit being 0 and the upper limit calculated as 1 minus the proportion that were brought for care in the public and private sectors. The three distributions (fraction seeking treatment in public sector, fraction seeking treatment in private sector only and fraction not seeking treatment) were constrained to add up to 1.</p>
<p>Sector-specific care-seeking fractions were linearly interpolated between the years that had a survey and were extrapolated for the years before the first or after the last survey. The parameters used to propagate uncertainty around these fractions were also imputed in a similar way or, if there was no value for any year in the country or area, were imputed as a mixture of the distributions of the region for that year. CIs were obtained from 10 000 draws of the convoluted distributions. The data were analysed using the R statistical software (4). This method was used was used for countries and areas outside the WHO African Region, and for low-transmission countries and areas in the African Region: Afghanistan, Bangladesh, Bolivia (Plurinational State of), Botswana, Brazil, Cambodia, Colombia, the Dominican Republic, Eritrea, Ethiopia, French Guiana, the Gambia, Guatemala, Guyana, Haiti, Honduras, India, Indonesia, the Lao People&#x2019;s Democratic Republic, Madagascar, Mauritania, Myanmar, Namibia, Nepal, Nicaragua, Pakistan, Panama, Papua New Guinea, Peru, the Philippines, Rwanda, Senegal, Solomon Islands, Timor-Leste, Vanuatu, Venezuela (Bolivarian Republic of), Viet Nam, Yemen and Zimbabwe. Bangladesh, Bolivia (plurinational State of), Botswana, Brazil, Colombia, Dominican Republic, French Guiana, Guatemala, Guyana, Haiti, Honduras, Myanmar (since 2013), Rwanda, and Venezuela (Bolivarian Republic of) report cases from the private and public sector together; therefore, no adjustment for private sector seeking treatment was made while for Indonesia, 25% of the private was assumed to be reported in the public sector since 2017. For India, the values were obtained at subnational level using the same methodology, but adjusting the private sector for an additional factor due to the active case detection, estimated as the ratio of the test positivity rate in the active case detection over the test positivity rate for the passive case detection. This factor was assumed to have a normal distribution, with mean value and standard deviation calculated from the values reported in 2010. An additional adjustment was applied in several states in India, to control for the reductions in reported testing rates associated with disruptions in health services related to the COVID-19 pandemic. </p>
<p>For some high-transmission African countries the quality of case reporting is considered insufficient for the above formulae to be applied. In such cases estimates of the number of malaria cases are derived from information on parasite prevalence obtained from household surveys. First, data on parasite prevalence from nearly 60 000 survey records were assembled within a spatiotemporal Bayesian geostatistical model, along with environmental and sociodemographic covariates, and data distribution on interventions such as ITNs, antimalarial drugs and IRS. The geospatial model enabled predictions of Plasmodium falciparum prevalence in children aged 2&#x2013;10 years, at a resolution of 5 &#xD7; 5 km2, throughout all malaria endemic African countries for each year from 2000 to 2016 (see <a href="https://malariaatlas.org/">https://malariaatlas.org/</a> for methods on the development of maps by the Malaria Atlas Project). Second, an ensemble model was developed to predict malaria incidence as a function of parasite prevalence. The model was then applied to the estimated parasite prevalence in order to obtain estimates of the malaria case incidence at 5 &#xD7; 5 km2 resolution for each year from 2000 to 2020. Data for each 5 &#xD7; 5 km2 area were then aggregated within country and regional boundaries to obtain both national and regional estimates of malaria cases (5). In 2020, additional cases estimated using this method were added, to account for the disruptions in malaria prevention, diagnostic and treatment services as a result of the COVID-19 pandemic and other events that occurred during this year. Disruption information was reported per country and was obtained from the national pulse surveys on continuity of essential health services during the COVID-19 pandemic conducted by WHO (first round in May&#x2013;July 2020 and second in January&#x2013;March 2021). This method was applied in the following countries: Angola, Benin, Burkina Faso, Burundi, Cameroon, the Central African Republic, Chad, the Congo, C&#xF4;te d&#x2019;Ivoire, the Democratic Republic of the Congo, Equatorial Guinea, Gabon, Ghana, Guinea, Guinea-Bissau, Kenya, Liberia, Malawi, Mali, Mozambique, the Niger, Nigeria, Sierra Leone, Somalia, South Sudan, the Sudan, Togo, Uganda, the United Republic of Tanzania and Zambia</p>
<p>For most of the elimination or near elimination countries, the number of indigenous cases registered by the NMCPs are reported without further adjustments. (Algeria, Argentina, Armenia, Azerbaijan, Belize, Bhutan, Cabo Verde, China, Comoros, Costa Rica, Democratic People&#x2019;s Republic of Korea, Djibouti, Ecuador, Egypt, El Salvador, Eswatini, Georgia, Iran (Islamic Republic of), Iraq, Kazakhstan, Kyrgyzstan, Malaysia, Mexico, Morocco, Oman, Paraguay, Republic of Korea, Sao Tome and Principe, Saudi Arabia, South Africa, Sri Lanka, Suriname, Syrian Arab Republic, Thailand, Turkey, Turkmenistan, United Arab Emirates and Uzbekistan). </p>

<p>L’incidence du paludisme (1) est exprimée par le nombre de nouveaux cas pour 100 000 habitants par an, la population d’un pays étant dérivée des projections de la Division de la population des Nations Unies et la proportion totale à risque estimée par le Programme national de lutte contre le paludisme d’un pays. Plus précisément, le pays estime quelle est la proportion totale de la population qui est à risque de paludisme, puis, pour chaque année, la population totale à risque est estimée comme la population de l’ONU pour cette année, multipliée par la proportion de la population à risque au départ. La même proportion de la population à risque est utilisée pour l’ensemble des séries chronologiques afin d’assurer la comparabilité des estimations dans le temps. </p>
<p>Le nombre total de nouveaux cas, T, est estimé à partir du nombre de cas de paludisme signalés par un ministère de la sSanté qui est ajusté pour tenir compte (i) de l’incomplétude des systèmes de déclaration, (ii) des patients cherchant un traitement dans le secteur privé, de l’automédication ou ne cherchant pas du tout un traitement, et (iii) d’un surdiagnostic potentiel dû à l’absence de confirmation en laboratoire des cas. La procédure, qui est décrite dans le rapport <em>World Malaria Report 2009</em> (2), combine les données rapportées par les PNLP (cas signalés, exhaustivité de déclaration et probabilité que les cas soient positifs au parasite) avec des données obtenues à partir d’enquêtes auprès des ménages représentatives à l’échelle nationale sur l’utilisation des services de santé. Brièvement, </p>
<p>T=(a + (c x e) / d) x (1 + h / g + ((1 - g - h) / 2) / g)</p>
<p>où : <br>a est le nombre de cas de paludisme confirmés dans le secteur public <br>b est le nombre de cas suspects testés <br>c est le nombre de cas présumés (non testés mais traités comme du paludisme) <br>d est l’exhaustivité des déclarations <br>e est le taux de positivité des tests (fraction positive du paludisme) = a/b <br>f est le nombre de cas estimés dans le secteur public, calculé avec (a + (c x e))/d <br>g est la fraction d'individus qui demandent un traitement dans le secteur public <br>h est la fraction d'individus qui demandent un traitement dans le secteur privé <br>i est la fraction d'individus qui ne demandent pas de traitement, calculée avec (1 - g - h)/2 <br>j est le nombre de cas dans le secteur privé, calculé avec f x h/g <br>k est le nombre de cas pas dans le secteur privé et pas dans le secteur public, calculé avec f x i/g <br>T est le nombre total de cas, calculé avec f + j + k.</p>
<p>Pour estimer l’incertitude entourant le nombre de cas, on a supposé que le taux de positivité des tests avait une distribution normale centrée sur la valeur du <em>Taux de positivité du test</em> et l’écart type défini comme</p>
<p>0.244 x Taux de positivité des tests^0.5547</p>
<p>et tronqué pour être dans la plage 0, 1. On a supposé que l’exhaustivité des déclarations comportait l’une des trois distributions suivantes, selon l'intervalle ou la valeur déclarée par le PNLP. Si la valeur était déclarée comme un intervalle supérieur à 80 %, la distribution était supposée triangulaire, avec des limites de 0,8 et 1 et le pic à 0,8. Si la valeur déclarée était supérieure à 50 % mais inférieure ou égale à 80%, la distribution était supposée rectangulaire, avec des limites de 0,5 et 0,8. Enfin, si la valeur déclarée était inférieure à 50 %, la distribution était supposée triangulaire, avec des limites de 0 et 0,5 et le pic à 0,5 (3) . Si l’exhaustivité de la déclaration était déclarée en tant que valeur et était supérieure à 80 %, une distribution bêta a été supposée avec une valeur moyenne de la valeur déclarée (maximum de 95 %) et des intervalles de confiance (IC) de 5 % autour de la valeur moyenne. On a supposé que les proportions d’enfants pour lesquels des soins étaient recherchés dans le secteur privé et dans le secteur public avaient une distribution bêta, la valeur moyenne étant la valeur estimée dans l’enquête et l’écart type calculé à partir de la fourchette des intervalles de confiance (IC) estimés à 95 %. La proportion d’enfants pour lesquels la prise en charge n’a pas été demandée a été supposée avoir une distribution rectangulaire, la limite inférieure 0 et la limite supérieure étant calculée comme 1 moins la proportion qui a demandé des soins dans le secteur public ou privé. Les trois distributions (proportion cherchant un traitement dans le secteur public, proportion cherchant un traitement dans le secteur privé uniquement et proportion ne cherchant pas un traitement) ont été contraintes de totaliser 1.</p>
<p>Les proportions cherchant des soins dans chaque secteur ont été interpolées linéairement entre les années où une enquête a été menée et ont été extrapolées pour les années précédant la première ou suivant la dernière enquête. Les paramètres utilisés pour propager l'incertitude autour de ces proportions ont également été imputés de la même manière ou, s'il n'y avait aucune valeur pour une année dans le pays ou la région, ont été imputés comme un mélange des distributions de la région pour cette année. Les IC ont été obtenus à partir de 10 000 tirages de distributions complexes. Les données ont été analysées à l’aide du logiciel statistique R (4). Cette méthode a été utilisée pour des pays et des régions à l'extérieur de la région africaine de l'OMS et pour des pays et des régions à faible transmission dans la région africaine : Afghanistan, Bangladesh, Bolivie (État plurinational de), Botswana, Brésil, Cambodge, Colombie, République dominicaine, Érythrée, Éthiopie, Guyane française, Gambie, Guatemala, Guyana, Haïti, Honduras, Inde, Indonésie, République démocratique populaire lao, Madagascar, Mauritanie, Myanmar, Namibie, Népal, Nicaragua, Pakistan, Panama, Papouasie-Nouvelle-Guinée, Pérou, Philippines, Rwanda, Sénégal, Îles Salomon, Timor-Leste, Vanuatu, Venezuela (République bolivarienne de), Viet Nam, Yémen et Zimbabwe. Le Bangladesh, la Bolivie (État plurinational de), le Botswana, le Brésil, la Colombie, la République dominicaine, la Guyane française, le Guatemala, Guyana, Haïti, le Honduras, le Myanmar (depuis 2013), le Rwanda et le Venezuela (République bolivarienne du) déclarent ensemble les cas des secteurs privé et public; par conséquent, aucun ajustement pour la proportion recherchant un traitement dans le secteur privé n'a été effectué, tandis que pour l'Indonésie, 25 % du secteur privé était supposé être déclaré dans le secteur public depuis 2017. Pour l'Inde, les valeurs ont été obtenues au niveau infranational en utilisant la même méthodologie, mais en ajustant le secteur privé pour un facteur supplémentaire dû à la détection active des cas, estimé comme le rapport entre le taux de positivité des tests dans la détection active des cas et le taux de positivité des tests dans la détection passive des cas. Ce facteur a été supposé avoir une distribution normale, avec une valeur moyenne et un écart type calculés à partir des valeurs déclarées en 2010. Un ajustement supplémentaire a été appliqué dans plusieurs États de l'Inde, pour contrôler les réductions des taux de dépistage déclarés associées aux perturbations des services de santé liées à la pandémie de COVID-19.</p>
<p>Pour certains pays africains à forte transmission, la qualité de la déclaration des cas est jugée insuffisante pour que les formules ci-dessus puissent être appliquées. Dans ces cas, les estimations du nombre de cas de paludisme sont dérivées des informations sur la prévalence parasitaire obtenues à partir des enquêtes auprès des ménages. Tout d'abord, les données sur la prévalence parasitaire provenant de près de 60 000 enregistrements d'enquêtes ont été assemblées dans un modèle géostatistique bayésien spatio-temporel, avec des covariables environnementales et sociodémographiques, et la distribution des données sur les interventions telles que les filets traités aux insecticides, les médicaments antipaludiques et la pulvérisation à effet rémanent à l'intérieur des habitations. Le modèle géospatial a permis de prédire la prévalence de Plasmodium falciparum chez les enfants âgés de 2 à 10 ans, à une résolution de 5 x 5 km², dans tous les pays africains où le paludisme est endémique pour chaque année de 2000 à 2016 (consulter <a href="https://malariaatlas.org/">https://malariaatlas.org/</a> pour les méthodes d'élaboration des cartes par le Malaria Atlas Project). Ensuite, un modèle d'ensemble a été développé pour prédire l'incidence du paludisme en fonction de la prévalence du parasite. Le modèle a ensuite été appliqué à la prévalence parasitaire estimée afin d'obtenir des estimations de l'incidence des cas de paludisme à 5 x 5 km² de résolution pour chaque année de 2000 à 2020. Les données pour chaque zone de 5 x 5 km² ont ensuite été agrégées à l'intérieur des frontières nationales et régionales pour obtenir des estimations nationales et régionales des cas de paludisme (5). En 2020, des cas supplémentaires estimés à l'aide de cette méthode ont été ajoutés, pour tenir compte des perturbations des services de prévention, de diagnostic et de traitement du paludisme à la suite de la pandémie de COVID-19 et d'autres événements survenus au cours de cette année. Les informations sur les perturbations ont été déclarées par pays et ont été obtenues à partir des enquêtes nationales sur la continuité des services de santé essentiels pendant la pandémie de COVID-19 menées par l'OMS (première série en mai-juillet 2020 et deuxième en janvier-mars 2021). Cette méthode a été appliquée dans les pays suivants : Angola, Bénin, Burkina Faso, Burundi, Cameroun, République centrafricaine, Tchad, Congo, Côte d'Ivoire, République démocratique du Congo, Guinée équatoriale, Gabon, Ghana, Guinée, Guinée-Bissau, Kenya, Liberia, Malawi, Mali, Mozambique, Niger, Nigeria, Sierra Leone, Somalie, Soudan du Sud, Soudan, Togo, Ouganda, République unie de Tanzanie et Zambie.</p>
<p>Pour la plupart des pays d'élimination ou de quasi-élimination, le nombre de cas indigènes enregistrés par les PNLP est déclaré sans autre ajustement. (Algérie, Argentine, Arménie, Azerbaïdjan, Belize, Bhoutan, Cabo Verde, Chine, Comores, Costa Rica, République populaire démocratique de Corée, Djibouti, Équateur, Égypte, El Salvador, Eswatini, Géorgie, Iran (République islamique d'), Irak, Kazakhstan, Kirghizistan, Malaisie, Mexique, Maroc, Oman, Paraguay, République de Corée, Sao Tomé-et-Principe, Afrique du Sud, Sri Lanka, Suriname, République arabe syrienne, Thaïlande, Turquie, Turkménistan, Émirats arabes unis et Ouzbékistan). </p>

<p>The estimated incidence can differ from the incidence reported by a Ministry of Health which can be affected by:</p>
<ul>
<li>the completeness of reporting: the number of reported cases can be lower than the estimated cases if the percentage of health facilities reporting in a month is less than 100%</li>
<li>the extent of malaria diagnostic testing (the number of slides examined or RDTs performed)</li>
<li>the use of private health facilities which are usually not included in reporting systems.</li>
<li>the indicator is estimated only where malaria transmission occurs.</li>
</ul>

<p>L'incidence estimée peut être différente de l'incidence signalée par un ministère de la sSanté, qui peut être affectée par :</p>
<ul>
<li>l'exhaustivité de la déclaration (le nombre de cas déclarés peut être inférieur aux cas estimés si le pourcentage d'établissements de santé déclarant au cours d'un mois est inférieur à 100%);</li>
<li>l'étendue des tests de diagnostic du paludisme (nombre de lames examinées ou de tests diagnostiques rapides (TDR) effectués);</li>
<li>le recours à des établissements de santé privés qui ne sont généralement pas inclus dans les systèmes de déclaration;</li>
<li>l'indicateur n'est estimé que là où il y a transmission du paludisme.</li>
</ul>

<p>Malaria incidence (1) is expressed as the number of new cases per 100,000 population per year with the population of a country derived from projections made by the UN Population Division and the total proportion at risk estimated by a country&#x2019;s National Malaria Control Programme. More specifically, the country estimates what is the total proportion of the population at risk of malaria and then, for each year, the total population at risk is estimated as the UN Population for that year, times the proportion of the population at risk at baseline. The same proportion of the population at risk is used for the entire time series to ensure comparability of estimates through time. </p>
<p>The total number of new cases, T, is estimated from the number of malaria cases reported by a Ministry of Health which is adjusted to take into account (i) incompleteness in reporting systems (ii) patients seeking treatment in the private sector, self-medicating or not seeking treatment at all, and (iii) potential over-diagnosis through the lack of laboratory confirmation of cases. The procedure, which is described in the <em>World malaria report 2009 </em>(2), combines data reported by NMCPs (reported cases, reporting completeness and likelihood that cases are parasite positive) with data obtained from nationally representative household surveys on health-service use. Briefly,</p>
<p>T=(a+(c &#xD7; e)/d)&#xD7;(1+h/g+((1&#x2212;g&#x2212;h)/2)/g)</p>
<p>where:<br>a is the number of malaria cases confirmed in public sector<br>b is the number of suspected cases tested<br>c is the number of presumed cases (not tested but treated as malaria)<br><em>d </em>is the reporting completeness<br><em>e </em>is the test positivity rate (malaria positive fraction) = a/b<br><em>f </em>is the estimated cases in public sector, calculated by (a + (c x <em>e</em>))/<em>d</em><br><em>g </em>is the fraction seeking treatment in public sector<br><em>h </em>is the fraction seeking treatment in private sector<br><em>i </em>is the fraction not seeking treatment, calculated by (1-<em>g</em>-<em>h</em>)/2<br><em>j </em>is the cases in private sector, calculated as <em>f x h/g</em><br><em>k </em>is the cases not in private and not in public, calculated by <em>f </em>x <em>i</em>/<em>g</em><br><em>T </em>is total cases, calculated by <em>f </em>+ <em>j </em>+ <em>k</em> </p>
<p>To estimate the uncertainty around the number of cases, the test positivity rate was assumed to have a normal distribution centred on the <em>Test positivity rate</em> value and standard deviation defined as</p>
<p>0.244 &#xD7; Test positivity rate^0.5547</p>
<p>and truncated to be in the range 0, 1. Reporting completeness was assumed to have one of three distributions, depending on the range or value reported by the NMCP. If the value was reported as a range greater than 80%, the distribution was assumed to be triangular, with limits of 0.8 and 1.0, and the peak at 0.8. If the value was more than 50% but less than or equal to 80%, the distribution was assumed to be rectangular, with limits of 0.5 and 0.8. Finally, if the value was less than or equal to 50%, the distribution was assumed to be triangular, with limits of 0 and 0.5, and the peak at 0.5 <em>(3)</em>. If the reporting completeness was reported as a value and was more than 80%, a beta distribution was assumed, with a mean value of the reported value (maximum of 95%) and confidence intervals (CIs) of 5% around the mean value. The fraction of children brought for care in the public sector and in the private sector was assumed to have a beta distribution, with the mean value being the estimated value in the survey and the standard deviation being calculated from the range of the estimated 95% CIs. The fraction of children not brought for care was assumed to have a rectangular distribution, with the lower limit being 0 and the upper limit calculated as 1 minus the proportion that were brought for care in the public and private sectors. The three distributions (fraction seeking treatment in public sector, fraction seeking treatment in private sector only and fraction not seeking treatment) were constrained to add up to 1.</p>
<p>Sector-specific care-seeking fractions were linearly interpolated between the years that had a survey and were extrapolated for the years before the first or after the last survey. The parameters used to propagate uncertainty around these fractions were also imputed in a similar way or, if there was no value for any year in the country or area, were imputed as a mixture of the distributions of the region for that year. CIs were obtained from 10 000 draws of the convoluted distributions. The data were analysed using the R statistical software (4). This method was used was used for countries and areas outside the WHO African Region, and for low-transmission countries and areas in the African Region: Afghanistan, Bangladesh, Bolivia (Plurinational State of), Botswana, Brazil, Cambodia, Colombia, the Dominican Republic, Eritrea, Ethiopia, French Guiana, the Gambia, Guatemala, Guyana, Haiti, Honduras, India, Indonesia, the Lao People&#x2019;s Democratic Republic, Madagascar, Mauritania, Myanmar, Namibia, Nepal, Nicaragua, Pakistan, Panama, Papua New Guinea, Peru, the Philippines, Rwanda, Senegal, Solomon Islands, Timor-Leste, Vanuatu, Venezuela (Bolivarian Republic of), Viet Nam, Yemen and Zimbabwe. Bangladesh, Bolivia (plurinational State of), Botswana, Brazil, Colombia, Dominican Republic, French Guiana, Guatemala, Guyana, Haiti, Honduras, Myanmar (since 2013), Rwanda, and Venezuela (Bolivarian Republic of) report cases from the private and public sector together; therefore, no adjustment for private sector seeking treatment was made while for Indonesia, 25% of the private was assumed to be reported in the public sector since 2017. For India, the values were obtained at subnational level using the same methodology, but adjusting the private sector for an additional factor due to the active case detection, estimated as the ratio of the test positivity rate in the active case detection over the test positivity rate for the passive case detection. This factor was assumed to have a normal distribution, with mean value and standard deviation calculated from the values reported in 2010. An additional adjustment was applied in several states in India, to control for the reductions in reported testing rates associated with disruptions in health services related to the COVID-19 pandemic. </p>
<p>For some high-transmission African countries the quality of case reporting is considered insufficient for the above formulae to be applied. In such cases estimates of the number of malaria cases are derived from information on parasite prevalence obtained from household surveys. First, data on parasite prevalence from nearly 60 000 survey records were assembled within a spatiotemporal Bayesian geostatistical model, along with environmental and sociodemographic covariates, and data distribution on interventions such as ITNs, antimalarial drugs and IRS. The geospatial model enabled predictions of Plasmodium falciparum prevalence in children aged 2&#x2013;10 years, at a resolution of 5 &#xD7; 5 km2, throughout all malaria endemic African countries for each year from 2000 to 2016 (see <a href="https://malariaatlas.org/">https://malariaatlas.org/</a> for methods on the development of maps by the Malaria Atlas Project). Second, an ensemble model was developed to predict malaria incidence as a function of parasite prevalence. The model was then applied to the estimated parasite prevalence in order to obtain estimates of the malaria case incidence at 5 &#xD7; 5 km2 resolution for each year from 2000 to 2020. Data for each 5 &#xD7; 5 km2 area were then aggregated within country and regional boundaries to obtain both national and regional estimates of malaria cases (5). In 2020, additional cases estimated using this method were added, to account for the disruptions in malaria prevention, diagnostic and treatment services as a result of the COVID-19 pandemic and other events that occurred during this year. Disruption information was reported per country and was obtained from the national pulse surveys on continuity of essential health services during the COVID-19 pandemic conducted by WHO (first round in May&#x2013;July 2020 and second in January&#x2013;March 2021). This method was applied in the following countries: Angola, Benin, Burkina Faso, Burundi, Cameroon, the Central African Republic, Chad, the Congo, C&#xF4;te d&#x2019;Ivoire, the Democratic Republic of the Congo, Equatorial Guinea, Gabon, Ghana, Guinea, Guinea-Bissau, Kenya, Liberia, Malawi, Mali, Mozambique, the Niger, Nigeria, Sierra Leone, Somalia, South Sudan, the Sudan, Togo, Uganda, the United Republic of Tanzania and Zambia</p>
<p>For most of the elimination or near elimination countries, the number of indigenous cases registered by the NMCPs are reported without further adjustments. (Algeria, Argentina, Armenia, Azerbaijan, Belize, Bhutan, Cabo Verde, China, Comoros, Costa Rica, Democratic People&#x2019;s Republic of Korea, Djibouti, Ecuador, Egypt, El Salvador, Eswatini, Georgia, Iran (Islamic Republic of), Iraq, Kazakhstan, Kyrgyzstan, Malaysia, Mexico, Morocco, Oman, Paraguay, Republic of Korea, Sao Tome and Principe, Saudi Arabia, South Africa, Sri Lanka, Suriname, Syrian Arab Republic, Thailand, Turkey, Turkmenistan, United Arab Emirates and Uzbekistan). </p>

<p>L’incidence du paludisme (1) est exprimée par le nombre de nouveaux cas pour 100 000 habitants par an, la population d’un pays étant dérivée des projections de la Division de la population des Nations Unies et la proportion totale à risque estimée par le Programme national de lutte contre le paludisme d’un pays. Plus précisément, le pays estime quelle est la proportion totale de la population qui est à risque de paludisme, puis, pour chaque année, la population totale à risque est estimée comme la population de l’ONU pour cette année, multipliée par la proportion de la population à risque au départ. La même proportion de la population à risque est utilisée pour l’ensemble des séries chronologiques afin d’assurer la comparabilité des estimations dans le temps. </p>
<p>Le nombre total de nouveaux cas, T, est estimé à partir du nombre de cas de paludisme signalés par un ministère de la santé qui est ajusté pour tenir compte (i) de l’incomplétude des systèmes de déclaration, (ii) des patients cherchant un traitement dans le secteur privé, de l’automédication ou ne cherchant pas du tout un traitement, et (iii) d’un surdiagnostic potentiel dû à l’absence de confirmation en laboratoire des cas. La procédure, qui est décrite dans le rapport <em>World Malaria Report 2009</em> (2), combine les données rapportées par les PNLP (cas signalés, exhaustivité de déclaration et probabilité que les cas soient positifs au parasite) avec des données obtenues à partir d’enquêtes auprès des ménages représentatives à l’échelle nationale sur l’utilisation des services de santé. Brièvement, </p>
<p>T=(a + (c x e) / d) x (1 + h / g + ((1 - g - h) / 2) / g)</p>
<p>où : <br>a est le nombre de cas de paludisme confirmés dans le secteur public <br>b est le nombre de cas suspects testés <br>c est le nombre de cas présumés (non testés mais traités comme du paludisme) <br>d est l’exhaustivité des déclarations <br>e est le taux de positivité des tests (fraction positive du paludisme) = a/b <br>f est le nombre de cas estimés dans le secteur public, calculé avec (a + (c x e))/d <br>g est la fraction d'individus qui demandent un traitement dans le secteur public <br>h est la fraction d'individus qui demandent un traitement dans le secteur privé <br>i est la fraction d'individus qui ne demandent pas de traitement, calculée avec (1 - g - h)/2 <br>j est le nombre de cas dans le secteur privé, calculé avec f x h/g <br>k est le nombre de cas pas dans le secteur privé et pas dans le secteur public, calculé avec f x i/g <br>T est le nombre total de cas, calculé avec f + j + k.</p>
<p>Pour estimer l’incertitude entourant le nombre de cas, on a supposé que le taux de positivité des tests avait une distribution normale centrée sur la valeur du <em>Taux de positivité du test</em> et l’écart type défini comme</p>
<p>0.244 x Taux de positivité des tests^0.5547</p>
<p>et tronqué pour être dans la plage 0, 1. On a supposé que l’exhaustivité des déclarations comportait l’une des trois distributions suivantes, selon l'intervalle ou la valeur déclarée par le PNLP. Si la valeur était déclarée comme un intervalle supérieur à 80 %, la distribution était supposée triangulaire, avec des limites de 0,8 et 1 et le pic à 0,8. Si la valeur déclarée était supérieure à 50 % mais inférieure ou égale à 80%, la distribution était supposée rectangulaire, avec des limites de 0,5 et 0,8. Enfin, si la valeur déclarée était inférieure à 50 %, la distribution était supposée triangulaire, avec des limites de 0 et 0,5 et le pic à 0,5 (3) . Si l’exhaustivité de la déclaration était déclarée en tant que valeur et était supérieure à 80 %, une distribution bêta a été supposée avec une valeur moyenne de la valeur déclarée (maximum de 95 %) et des intervalles de confiance (IC) de 5 % autour de la valeur moyenne. On a supposé que les proportions d’enfants pour lesquels des soins étaient recherchés dans le secteur privé et dans le secteur public avaient une distribution bêta, la valeur moyenne étant la valeur estimée dans l’enquête et l’écart type calculé à partir de la fourchette des intervalles de confiance (IC) estimés à 95 %. La proportion d’enfants pour lesquels la prise en charge n’a pas été demandée a été supposée avoir une distribution rectangulaire, la limite inférieure 0 et la limite supérieure étant calculée comme 1 moins la proportion qui a demandé des soins dans le secteur public ou privé. Les trois distributions (proportion cherchant un traitement dans le secteur public, proportion cherchant un traitement dans le secteur privé uniquement et proportion ne cherchant pas un traitement) ont été contraintes de totaliser 1.</p>
<p>Les proportions cherchant des soins dans chaque secteur ont été interpolées linéairement entre les années où une enquête a été menée et ont été extrapolées pour les années précédant la première ou suivant la dernière enquête. Les paramètres utilisés pour propager l'incertitude autour de ces proportions ont également été imputés de la même manière ou, s'il n'y avait aucune valeur pour une année dans le pays ou la région, ont été imputés comme un mélange des distributions de la région pour cette année. Les IC ont été obtenus à partir de 10 000 tirages de distributions complexes. Les données ont été analysées à l’aide du logiciel statistique R (4). Cette méthode a été utilisée pour des pays et des régions à l'extérieur de la région africaine de l'OMS et pour des pays et des régions à faible transmission dans la région africaine : Afghanistan, Bangladesh, Bolivie (État plurinational de), Botswana, Brésil, Cambodge, Colombie, République dominicaine, Érythrée, Éthiopie, Guyane française, Gambie, Guatemala, Guyana, Haïti, Honduras, Inde, Indonésie, République démocratique populaire lao, Madagascar, Mauritanie, Myanmar, Namibie, Népal, Nicaragua, Pakistan, Panama, Papouasie-Nouvelle-Guinée, Pérou, Philippines, Rwanda, Sénégal, Îles Salomon, Timor-Leste, Vanuatu, Venezuela (République bolivarienne de), Viet Nam, Yémen et Zimbabwe. Le Bangladesh, la Bolivie (État plurinational de), le Botswana, le Brésil, la Colombie, la République dominicaine, la Guyane française, le Guatemala, Guyana, Haïti, le Honduras, le Myanmar (depuis 2013), le Rwanda et le Venezuela (République bolivarienne du) déclarent ensemble les cas des secteurs privé et public; par conséquent, aucun ajustement pour la proportion recherchant un traitement dans le secteur privé n'a été effectué, tandis que pour l'Indonésie, 25 % du secteur privé était supposé être déclaré dans le secteur public depuis 2017. Pour l'Inde, les valeurs ont été obtenues au niveau infranational en utilisant la même méthodologie, mais en ajustant le secteur privé pour un facteur supplémentaire dû à la détection active des cas, estimé comme le rapport entre le taux de positivité des tests dans la détection active des cas et le taux de positivité des tests dans la détection passive des cas. Ce facteur a été supposé avoir une distribution normale, avec une valeur moyenne et un écart type calculés à partir des valeurs déclarées en 2010. Un ajustement supplémentaire a été appliqué dans plusieurs États de l'Inde, pour contrôler les réductions des taux de dépistage déclarés associées aux perturbations des services de santé liées à la pandémie de COVID-19.</p>
<p>Pour certains pays africains à forte transmission, la qualité de la déclaration des cas est jugée insuffisante pour que les formules ci-dessus puissent être appliquées. Dans ces cas, les estimations du nombre de cas de paludisme sont dérivées des informations sur la prévalence parasitaire obtenues à partir des enquêtes auprès des ménages. Tout d'abord, les données sur la prévalence parasitaire provenant de près de 60 000 enregistrements d'enquêtes ont été assemblées dans un modèle géostatistique bayésien spatio-temporel, avec des covariables environnementales et sociodémographiques, et la distribution des données sur les interventions telles que les filets traités aux insecticides, les médicaments antipaludiques et la pulvérisation à effet rémanent à l'intérieur des habitations. Le modèle géospatial a permis de prédire la prévalence de Plasmodium falciparum chez les enfants âgés de 2 à 10 ans, à une résolution de 5 x 5 km², dans tous les pays africains où le paludisme est endémique pour chaque année de 2000 à 2016 (consulter <a href="https://malariaatlas.org/">https://malariaatlas.org/</a> pour les méthodes d'élaboration des cartes par le Malaria Atlas Project). Ensuite, un modèle d'ensemble a été développé pour prédire l'incidence du paludisme en fonction de la prévalence du parasite. Le modèle a ensuite été appliqué à la prévalence parasitaire estimée afin d'obtenir des estimations de l'incidence des cas de paludisme à 5 x 5 km² de résolution pour chaque année de 2000 à 2020. Les données pour chaque zone de 5 x 5 km² ont ensuite été agrégées à l'intérieur des frontières nationales et régionales pour obtenir des estimations nationales et régionales des cas de paludisme (5). En 2020, des cas supplémentaires estimés à l'aide de cette méthode ont été ajoutés, pour tenir compte des perturbations des services de prévention, de diagnostic et de traitement du paludisme à la suite de la pandémie de COVID-19 et d'autres événements survenus au cours de cette année. Les informations sur les perturbations ont été déclarées par pays et ont été obtenues à partir des enquêtes nationales sur la continuité des services de santé essentiels pendant la pandémie de COVID-19 menées par l'OMS (première série en mai-juillet 2020 et deuxième en janvier-mars 2021). Cette méthode a été appliquée dans les pays suivants : Angola, Bénin, Burkina Faso, Burundi, Cameroun, République centrafricaine, Tchad, Congo, Côte d'Ivoire, République démocratique du Congo, Guinée équatoriale, Gabon, Ghana, Guinée, Guinée-Bissau, Kenya, Liberia, Malawi, Mali, Mozambique, Niger, Nigeria, Sierra Leone, Somalie, Soudan du Sud, Soudan, Togo, Ouganda, République unie de Tanzanie et Zambie.</p>
<p>Pour la plupart des pays d'élimination ou de quasi-élimination, le nombre de cas autochtoindigènes enregistrés par les PNLP est déclaré sans autre ajustement. (Algérie, Argentine, Arménie, Azerbaïdjan, Belize, Bhoutan, Cabo Verde, Chine, Comores, Costa Rica, République populaire démocratique de Corée, Djibouti, Équateur, Égypte, El Salvador, Eswatini, Géorgie, Iran (République islamique d'), Irak, Kazakhstan, Kirghizistan, Malaisie, Mexique, Maroc, Oman, Paraguay, République de Corée, Sao Tomé-et-Principe, Afrique du Sud, Sri Lanka, Suriname, République arabe syrienne, Thaïlande, Turquie, Turkménistan, Émirats arabes unis et Ouzbékistan). </p>

<p>Malaria incidence (1) is expressed as the number of new cases per 100,000 population per year with the population of a country derived from projections made by the UN Population Division and the total proportion at risk estimated by a country&#x2019;s National Malaria Control Programme. More specifically, the country estimates what is the total proportion of the population at risk of malaria and then, for each year, the total population at risk is estimated as the UN Population for that year, times the proportion of the population at risk at baseline. The same proportion of the population at risk is used for the entire time series to ensure comparability of estimates through time. </p>
<p>The total number of new cases, T, is estimated from the number of malaria cases reported by a Ministry of Health which is adjusted to take into account (i) incompleteness in reporting systems (ii) patients seeking treatment in the private sector, self-medicating or not seeking treatment at all, and (iii) potential over-diagnosis through the lack of laboratory confirmation of cases. The procedure, which is described in the <em>World malaria report 2009 </em>(2), combines data reported by NMCPs (reported cases, reporting completeness and likelihood that cases are parasite positive) with data obtained from nationally representative household surveys on health-service use. Briefly,</p>
<p>T=(a+(c &#xD7; e)/d)&#xD7;(1+h/g+((1&#x2212;g&#x2212;h)/2)/g)</p>
<p>where:<br>a is the number of malaria cases confirmed in public sector<br>b is the number of suspected cases tested<br>c is the number of presumed cases (not tested but treated as malaria)<br><em>d </em>is the reporting completeness<br><em>e </em>is the test positivity rate (malaria positive fraction) = a/b<br><em>f </em>is the estimated cases in public sector, calculated by (a + (c x <em>e</em>))/<em>d</em><br><em>g </em>is the fraction seeking treatment in public sector<br><em>h </em>is the fraction seeking treatment in private sector<br><em>i </em>is the fraction not seeking treatment, calculated by (1-<em>g</em>-<em>h</em>)/2<br><em>j </em>is the cases in private sector, calculated as <em>f x h/g</em><br><em>k </em>is the cases not in private and not in public, calculated by <em>f </em>x <em>i</em>/<em>g</em><br><em>T </em>is total cases, calculated by <em>f </em>+ <em>j </em>+ <em>k</em> </p>
<p>To estimate the uncertainty around the number of cases, the test positivity rate was assumed to have a normal distribution centred on the <em>Test positivity rate</em> value and standard deviation defined as</p>
<p>0.244 &#xD7; Test positivity rate^0.5547</p>
<p>and truncated to be in the range 0, 1. Reporting completeness was assumed to have one of three distributions, depending on the range or value reported by the NMCP. If the value was reported as a range greater than 80%, the distribution was assumed to be triangular, with limits of 0.8 and 1.0, and the peak at 0.8. If the value was more than 50% but less than or equal to 80%, the distribution was assumed to be rectangular, with limits of 0.5 and 0.8. Finally, if the value was less than or equal to 50%, the distribution was assumed to be triangular, with limits of 0 and 0.5, and the peak at 0.5 <em>(3)</em>. If the reporting completeness was reported as a value and was more than 80%, a beta distribution was assumed, with a mean value of the reported value (maximum of 95%) and confidence intervals (CIs) of 5% around the mean value. The fraction of children brought for care in the public sector and in the private sector was assumed to have a beta distribution, with the mean value being the estimated value in the survey and the standard deviation being calculated from the range of the estimated 95% CIs. The fraction of children not brought for care was assumed to have a rectangular distribution, with the lower limit being 0 and the upper limit calculated as 1 minus the proportion that were brought for care in the public and private sectors. The three distributions (fraction seeking treatment in public sector, fraction seeking treatment in private sector only and fraction not seeking treatment) were constrained to add up to 1.</p>
<p>Sector-specific care-seeking fractions were linearly interpolated between the years that had a survey and were extrapolated for the years before the first or after the last survey. The parameters used to propagate uncertainty around these fractions were also imputed in a similar way or, if there was no value for any year in the country or area, were imputed as a mixture of the distributions of the region for that year. CIs were obtained from 10 000 draws of the convoluted distributions. The data were analysed using the R statistical software (4). This method was used was used for countries and areas outside the WHO African Region, and for low-transmission countries and areas in the African Region: Afghanistan, Bangladesh, Bolivia (Plurinational State of), Botswana, Brazil, Cambodia, Colombia, the Dominican Republic, Eritrea, Ethiopia, French Guiana, the Gambia, Guatemala, Guyana, Haiti, Honduras, India, Indonesia, the Lao People&#x2019;s Democratic Republic, Madagascar, Mauritania, Myanmar, Namibia, Nepal, Nicaragua, Pakistan, Panama, Papua New Guinea, Peru, the Philippines, Rwanda, Senegal, Solomon Islands, Timor-Leste, Vanuatu, Venezuela (Bolivarian Republic of), Viet Nam, Yemen and Zimbabwe. Bangladesh, Bolivia (plurinational State of), Botswana, Brazil, Colombia, Dominican Republic, French Guiana, Guatemala, Guyana, Haiti, Honduras, Myanmar (since 2013), Rwanda, and Venezuela (Bolivarian Republic of) report cases from the private and public sector together; therefore, no adjustment for private sector seeking treatment was made while for Indonesia, 25% of the private was assumed to be reported in the public sector since 2017. For India, the values were obtained at subnational level using the same methodology, but adjusting the private sector for an additional factor due to the active case detection, estimated as the ratio of the test positivity rate in the active case detection over the test positivity rate for the passive case detection. This factor was assumed to have a normal distribution, with mean value and standard deviation calculated from the values reported in 2010. An additional adjustment was applied in several states in India, to control for the reductions in reported testing rates associated with disruptions in health services related to the COVID-19 pandemic. </p>
<p>For some high-transmission African countries the quality of case reporting is considered insufficient for the above formulae to be applied. In such cases estimates of the number of malaria cases are derived from information on parasite prevalence obtained from household surveys. First, data on parasite prevalence from nearly 60 000 survey records were assembled within a spatiotemporal Bayesian geostatistical model, along with environmental and sociodemographic covariates, and data distribution on interventions such as ITNs, antimalarial drugs and IRS. The geospatial model enabled predictions of Plasmodium falciparum prevalence in children aged 2&#x2013;10 years, at a resolution of 5 &#xD7; 5 km2, throughout all malaria endemic African countries for each year from 2000 to 2016 (see <a href="https://malariaatlas.org/">https://malariaatlas.org/</a> for methods on the development of maps by the Malaria Atlas Project). Second, an ensemble model was developed to predict malaria incidence as a function of parasite prevalence. The model was then applied to the estimated parasite prevalence in order to obtain estimates of the malaria case incidence at 5 &#xD7; 5 km2 resolution for each year from 2000 to 2020. Data for each 5 &#xD7; 5 km2 area were then aggregated within country and regional boundaries to obtain both national and regional estimates of malaria cases (5). In 2020, additional cases estimated using this method were added, to account for the disruptions in malaria prevention, diagnostic and treatment services as a result of the COVID-19 pandemic and other events that occurred during this year. Disruption information was reported per country and was obtained from the national pulse surveys on continuity of essential health services during the COVID-19 pandemic conducted by WHO (first round in May&#x2013;July 2020 and second in January&#x2013;March 2021). This method was applied in the following countries: Angola, Benin, Burkina Faso, Burundi, Cameroon, the Central African Republic, Chad, the Congo, C&#xF4;te d&#x2019;Ivoire, the Democratic Republic of the Congo, Equatorial Guinea, Gabon, Ghana, Guinea, Guinea-Bissau, Kenya, Liberia, Malawi, Mali, Mozambique, the Niger, Nigeria, Sierra Leone, Somalia, South Sudan, the Sudan, Togo, Uganda, the United Republic of Tanzania and Zambia</p>
<p>For most of the elimination or near elimination countries, the number of indigenous cases registered by the NMCPs are reported without further adjustments. (Algeria, Argentina, Armenia, Azerbaijan, Belize, Bhutan, Cabo Verde, China, Comoros, Costa Rica, Democratic People&#x2019;s Republic of Korea, Djibouti, Ecuador, Egypt, El Salvador, Eswatini, Georgia, Iran (Islamic Republic of), Iraq, Kazakhstan, Kyrgyzstan, Malaysia, Mexico, Morocco, Oman, Paraguay, Republic of Korea, Sao Tome and Principe, Saudi Arabia, South Africa, Sri Lanka, Suriname, Syrian Arab Republic, Thailand, Turkey, Turkmenistan, United Arab Emirates and Uzbekistan). </p>

<p>L’incidence du paludisme (1) est exprimée par le nombre de nouveaux cas pour 100 000 habitants par an, la population d’un pays étant dérivée des projections de la Division de la population des Nations Unies et la proportion totale à risque estimée par le Programme national de lutte contre le paludisme d’un pays. Plus précisément, le pays estime quelle est la proportion totale de la population qui est à risque de paludisme, puis, pour chaque année, la population totale à risque est estimée comme la population de l’ONU pour cette année, multipliée par la proportion de la population à risque au départ. La même proportion de la population à risque est utilisée pour l’ensemble des séries chronologiques afin d’assurer la comparabilité des estimations dans le temps. </p>
<p>Le nombre total de nouveaux cas, T, est estimé à partir du nombre de cas de paludisme signalés par un ministère de la santé qui est ajusté pour tenir compte (i) de l’incomplétude des systèmes de déclaration, (ii) des patients cherchant un traitement dans le secteur privé, de l’automédication ou ne cherchant pas du tout un traitement, et (iii) d’un surdiagnostic potentiel dû à l’absence de confirmation en laboratoire des cas. La procédure, qui est décrite dans le rapport <em>World Malaria Report 2009</em> (2), combine les données rapportées par les PNLP (cas signalés, exhaustivité de déclaration et probabilité que les cas soient positifs au parasite) avec des données obtenues à partir d’enquêtes auprès des ménages représentatives à l’échelle nationale sur l’utilisation des services de santé. Brièvement, </p>
<p>T=(a + (c x e) / d) x (1 + h / g + ((1 - g - h) / 2) / g)</p>
<p>où : <br>a est le nombre de cas de paludisme confirmés dans le secteur public <br>b est le nombre de cas suspects testés <br>c est le nombre de cas présumés (non testés mais traités comme du paludisme) <br>d est l’exhaustivité des déclarations <br>e est le taux de positivité des tests (fraction positive du paludisme) = a/b <br>f est le nombre de cas estimés dans le secteur public, calculé avec (a + (c x e))/d <br>g est la fraction d'individus qui demandent un traitement dans le secteur public <br>h est la fraction d'individus qui demandent un traitement dans le secteur privé <br>i est la fraction d'individus qui ne demandent pas de traitement, calculée avec (1 - g - h)/2 <br>j est le nombre de cas dans le secteur privé, calculé avec f x h/g <br>k est le nombre de cas pas dans le secteur privé et pas dans le secteur public, calculé avec f x i/g <br>T est le nombre total de cas, calculé avec f + j + k.</p>
<p>Pour estimer l’incertitude entourant le nombre de cas, on a supposé que le taux de positivité des tests avait une distribution normale centrée sur la valeur du <em>Taux de positivité du test</em> et l’écart type défini comme</p>
<p>0.244 x Taux de positivité des tests^0.5547</p>
<p>et tronqué pour être dans la plage 0, 1. On a supposé que l’exhaustivité des déclarations comportait l’une des trois distributions suivantes, selon l'intervalle ou la valeur déclarée par le PNLP. Si la valeur était déclarée comme un intervalle supérieur à 80 %, la distribution était supposée triangulaire, avec des limites de 0,8 et 1 et le pic à 0,8. Si la valeur déclarée était supérieure à 50 % mais inférieure ou égale à 80%, la distribution était supposée rectangulaire, avec des limites de 0,5 et 0,8. Enfin, si la valeur déclarée était inférieure à 50 %, la distribution était supposée triangulaire, avec des limites de 0 et 0,5 et le pic à 0,5 (3) . Si l’exhaustivité de la déclaration était déclarée en tant que valeur et était supérieure à 80 %, une distribution bêta a été supposée avec une valeur moyenne de la valeur déclarée (maximum de 95 %) et des intervalles de confiance (IC) de 5 % autour de la valeur moyenne. On a supposé que les proportions d’enfants pour lesquels des soins étaient recherchés dans le secteur privé et dans le secteur public avaient une distribution bêta, la valeur moyenne étant la valeur estimée dans l’enquête et l’écart type calculé à partir de la fourchette des intervalles de confiance (IC) estimés à 95 %. La proportion d’enfants pour lesquels la prise en charge n’a pas été demandée a été supposée avoir une distribution rectangulaire, la limite inférieure 0 et la limite supérieure étant calculée comme 1 moins la proportion qui a demandé des soins dans le secteur public ou privé. Les trois distributions (proportion cherchant un traitement dans le secteur public, proportion cherchant un traitement dans le secteur privé uniquement et proportion ne cherchant pas un traitement) ont été contraintes de totaliser 1.</p>
<p>Les proportions cherchant des soins dans chaque secteur ont été interpolées linéairement entre les années où une enquête a été menée et ont été extrapolées pour les années précédant la première ou suivant la dernière enquête. Les paramètres utilisés pour propager l'incertitude autour de ces proportions ont également été imputés de la même manière ou, s'il n'y avait aucune valeur pour une année dans le pays ou la région, ont été imputés comme un mélange des distributions de la région pour cette année. Les IC ont été obtenus à partir de 10 000 tirages de distributions complexes. Les données ont été analysées à l’aide du logiciel statistique R (4). Cette méthode a été utilisée pour des pays et des régions à l'extérieur de la région africaine de l'OMS et pour des pays et des régions à faible transmission dans la région africaine : Afghanistan, Bangladesh, Bolivie (État plurinational de), Botswana, Brésil, Cambodge, Colombie, République dominicaine, Érythrée, Éthiopie, Guyane française, Gambie, Guatemala, Guyana, Haïti, Honduras, Inde, Indonésie, République démocratique populaire lao, Madagascar, Mauritanie, Myanmar, Namibie, Népal, Nicaragua, Pakistan, Panama, Papouasie-Nouvelle-Guinée, Pérou, Philippines, Rwanda, Sénégal, Îles Salomon, Timor-Leste, Vanuatu, Venezuela (République bolivarienne de), Viet Nam, Yémen et Zimbabwe. Le Bangladesh, la Bolivie (État plurinational de), le Botswana, le Brésil, la Colombie, la République dominicaine, la Guyane française, le Guatemala, Guyana, Haïti, le Honduras, le Myanmar (depuis 2013), le Rwanda et le Venezuela (République bolivarienne du) déclarent ensemble les cas des secteurs privé et public; par conséquent, aucun ajustement pour la proportion recherchant un traitement dans le secteur privé n'a été effectué, tandis que pour l'Indonésie, 25 % du secteur privé était supposé être déclaré dans le secteur public depuis 2017. Pour l'Inde, les valeurs ont été obtenues au niveau infranational en utilisant la même méthodologie, mais en ajustant le secteur privé pour un facteur supplémentaire dû à la détection active des cas, estimé comme le rapport entre le taux de positivité des tests dans la détection active des cas et le taux de positivité des tests dans la détection passive des cas. Ce facteur a été supposé avoir une distribution normale, avec une valeur moyenne et un écart type calculés à partir des valeurs déclarées en 2010. Un ajustement supplémentaire a été appliqué dans plusieurs États de l'Inde, pour contrôler les réductions des taux de dépistage déclarés associées aux perturbations des services de santé liées à la pandémie de COVID-19.</p>
<p> </p>
<p>Pour certains pays africains à forte transmission, la qualité de la déclaration des cas est jugée insuffisante pour que les formules ci-dessus puissent être appliquées. Dans ces cas, les estimations du nombre de cas de paludisme sont dérivées des informations sur la prévalence parasitaire obtenues à partir des enquêtes auprès des ménages. Tout d'abord, les données sur la prévalence parasitaire provenant de près de 60 000 enregistrements d'enquêtes ont été assemblées dans un modèle géostatistique bayésien spatio-temporel, avec des covariables environnementales et sociodémographiques, et la distribution des données sur les interventions telles que les filets traités aux insecticides, les médicaments antipaludiques et la pulvérisation à effet rémanent à l'intérieur des habitations. Le modèle géospatial a permis de prédire la prévalence de Plasmodium falciparum chez les enfants âgés de 2 à 10 ans, à une résolution de 5 x 5 km², dans tous les pays africains où le paludisme est endémique pour chaque année de 2000 à 2016 (consulter <a href="https://malariaatlas.org/">https://malariaatlas.org/</a> pour les méthodes d'élaboration des cartes par le Malaria Atlas Project). Ensuite, un modèle d'ensemble a été développé pour prédire l'incidence du paludisme en fonction de la prévalence du parasite. Le modèle a ensuite été appliqué à la prévalence parasitaire estimée afin d'obtenir des estimations de l'incidence des cas de paludisme à 5 x 5 km² de résolution pour chaque année de 2000 à 2020. Les données pour chaque zone de 5 x 5 km² ont ensuite été agrégées à l'intérieur des frontières nationales et régionales pour obtenir des estimations nationales et régionales des cas de paludisme (5). En 2020, des cas supplémentaires estimés à l'aide de cette méthode ont été ajoutés, pour tenir compte des perturbations des services de prévention, de diagnostic et de traitement du paludisme à la suite de la pandémie de COVID-19 et d'autres événements survenus au cours de cette année. Les informations sur les perturbations ont été déclarées par pays et ont été obtenues à partir des enquêtes nationales sur la continuité des services de santé essentiels pendant la pandémie de COVID-19 menées par l'OMS (première série en mai-juillet 2020 et deuxième en janvier-mars 2021). Cette méthode a été appliquée dans les pays suivants : Angola, Bénin, Burkina Faso, Burundi, Cameroun, République centrafricaine, Tchad, Congo, Côte d'Ivoire, République démocratique du Congo, Guinée équatoriale, Gabon, Ghana, Guinée, Guinée-Bissau, Kenya, Liberia, Malawi, Mali, Mozambique, Niger, Nigeria, Sierra Leone, Somalie, Soudan du Sud, Soudan, Togo, Ouganda, République unie de Tanzanie et Zambie.</p>
<p>Pour la plupart des pays d'élimination ou de quasi-élimination, le nombre de cas autochtones enregistrés par les PNLP est déclaré sans autre ajustement. (Algérie, Argentine, Arménie, Azerbaïdjan, Belize, Bhoutan, Cabo Verde, Chine, Comores, Costa Rica, République populaire démocratique de Corée, Djibouti, Équateur, Égypte, El Salvador, Eswatini, Géorgie, Iran (République islamique d'), Irak, Kazakhstan, Kirghizistan, Malaisie, Mexique, Maroc, Oman, Paraguay, République de Corée, Sao Tomé-et-Principe, Afrique du Sud, Sri Lanka, Suriname, République arabe syrienne, Thaïlande, Turquie, Turkménistan, Émirats arabes unis et Ouzbékistan). </p>

<p>Malaria incidence (1) is expressed as the number of new cases per 100,000 population per year with the population of a country derived from projections made by the UN Population Division and the total proportion at risk estimated by a country&#x2019;s National Malaria Control Programme. More specifically, the country estimates what is the total proportion of the population at risk of malaria and then, for each year, the total population at risk is estimated as the UN Population for that year, times the proportion of the population at risk at baseline. The same proportion of the population at risk is used for the entire time series to ensure comparability of estimates through time. </p>
<p>The total number of new cases, T, is estimated from the number of malaria cases reported by a Ministry of Health which is adjusted to take into account (i) incompleteness in reporting systems (ii) patients seeking treatment in the private sector, self-medicating or not seeking treatment at all, and (iii) potential over-diagnosis through the lack of laboratory confirmation of cases. The procedure, which is described in the <em>World malaria report 2009 </em>(2), combines data reported by NMCPs (reported cases, reporting completeness and likelihood that cases are parasite positive) with data obtained from nationally representative household surveys on health-service use. Briefly,</p>
<p>T=(a+(c &#xD7; e)/d)&#xD7;(1+h/g+((1&#x2212;g&#x2212;h)/2)/g)</p>
<p>where:<br>a is the number of malaria cases confirmed in public sector<br>b is the number of suspected cases tested<br>c is the number of presumed cases (not tested but treated as malaria)<br><em>d </em>is the reporting completeness<br><em>e </em>is the test positivity rate (malaria positive fraction) = a/b<br><em>f </em>is the estimated cases in public sector, calculated by (a + (c x <em>e</em>))/<em>d</em><br><em>g </em>is the fraction seeking treatment in public sector<br><em>h </em>is the fraction seeking treatment in private sector<br><em>i </em>is the fraction not seeking treatment, calculated by (1-<em>g</em>-<em>h</em>)/2<br><em>j </em>is the cases in private sector, calculated as <em>f x h/g</em><br><em>k </em>is the cases not in private and not in public, calculated by <em>f </em>x <em>i</em>/<em>g</em><br><em>T </em>is total cases, calculated by <em>f </em>+ <em>j </em>+ <em>k</em> </p>
<p>To estimate the uncertainty around the number of cases, the test positivity rate was assumed to have a normal distribution centred on the <em>Test positivity rate</em> value and standard deviation defined as</p>
<p>0.244 &#xD7; Test positivity rate^0.5547</p>
<p>and truncated to be in the range 0, 1. Reporting completeness was assumed to have one of three distributions, depending on the range or value reported by the NMCP. If the value was reported as a range greater than 80%, the distribution was assumed to be triangular, with limits of 0.8 and 1.0, and the peak at 0.8. If the value was more than 50% but less than or equal to 80%, the distribution was assumed to be rectangular, with limits of 0.5 and 0.8. Finally, if the value was less than or equal to 50%, the distribution was assumed to be triangular, with limits of 0 and 0.5, and the peak at 0.5 <em>(3)</em>. If the reporting completeness was reported as a value and was more than 80%, a beta distribution was assumed, with a mean value of the reported value (maximum of 95%) and confidence intervals (CIs) of 5% around the mean value. The fraction of children brought for care in the public sector and in the private sector was assumed to have a beta distribution, with the mean value being the estimated value in the survey and the standard deviation being calculated from the range of the estimated 95% CIs. The fraction of children not brought for care was assumed to have a rectangular distribution, with the lower limit being 0 and the upper limit calculated as 1 minus the proportion that were brought for care in the public and private sectors. The three distributions (fraction seeking treatment in public sector, fraction seeking treatment in private sector only and fraction not seeking treatment) were constrained to add up to 1.</p>
<p>Sector-specific care-seeking fractions were linearly interpolated between the years that had a survey and were extrapolated for the years before the first or after the last survey. The parameters used to propagate uncertainty around these fractions were also imputed in a similar way or, if there was no value for any year in the country or area, were imputed as a mixture of the distributions of the region for that year. CIs were obtained from 10 000 draws of the convoluted distributions. The data were analysed using the R statistical software (4). This method was used was used for countries and areas outside the WHO African Region, and for low-transmission countries and areas in the African Region: Afghanistan, Bangladesh, Bolivia (Plurinational State of), Botswana, Brazil, Cambodia, Colombia, the Dominican Republic, Eritrea, Ethiopia, French Guiana, the Gambia, Guatemala, Guyana, Haiti, Honduras, India, Indonesia, the Lao People&#x2019;s Democratic Republic, Madagascar, Mauritania, Myanmar, Namibia, Nepal, Nicaragua, Pakistan, Panama, Papua New Guinea, Peru, the Philippines, Rwanda, Senegal, Solomon Islands, Timor-Leste, Vanuatu, Venezuela (Bolivarian Republic of), Viet Nam, Yemen and Zimbabwe. Bangladesh, Bolivia (plurinational State of), Botswana, Brazil, Colombia, Dominican Republic, French Guiana, Guatemala, Guyana, Haiti, Honduras, Myanmar (since 2013), Rwanda, and Venezuela (Bolivarian Republic of) report cases from the private and public sector together; therefore, no adjustment for private sector seeking treatment was made while for Indonesia, 25% of the private was assumed to be reported in the public sector since 2017. For India, the values were obtained at subnational level using the same methodology, but adjusting the private sector for an additional factor due to the active case detection, estimated as the ratio of the test positivity rate in the active case detection over the test positivity rate for the passive case detection. This factor was assumed to have a normal distribution, with mean value and standard deviation calculated from the values reported in 2010. An additional adjustment was applied in several states in India, to control for the reductions in reported testing rates associated with disruptions in health services related to the COVID-19 pandemic. </p>
<p>For some high-transmission African countries the quality of case reporting is considered insufficient for the above formulae to be applied. In such cases estimates of the number of malaria cases are derived from information on parasite prevalence obtained from household surveys. First, data on parasite prevalence from nearly 60 000 survey records were assembled within a spatiotemporal Bayesian geostatistical model, along with environmental and sociodemographic covariates, and data distribution on interventions such as ITNs, antimalarial drugs and IRS. The geospatial model enabled predictions of Plasmodium falciparum prevalence in children aged 2&#x2013;10 years, at a resolution of 5 &#xD7; 5 km2, throughout all malaria endemic African countries for each year from 2000 to 2016 (see <a href="https://malariaatlas.org/">https://malariaatlas.org/</a> for methods on the development of maps by the Malaria Atlas Project). Second, an ensemble model was developed to predict malaria incidence as a function of parasite prevalence. The model was then applied to the estimated parasite prevalence in order to obtain estimates of the malaria case incidence at 5 &#xD7; 5 km2 resolution for each year from 2000 to 2020. Data for each 5 &#xD7; 5 km2 area were then aggregated within country and regional boundaries to obtain both national and regional estimates of malaria cases (5). In 2020, additional cases estimated using this method were added, to account for the disruptions in malaria prevention, diagnostic and treatment services as a result of the COVID-19 pandemic and other events that occurred during this year. Disruption information was reported per country and was obtained from the national pulse surveys on continuity of essential health services during the COVID-19 pandemic conducted by WHO (first round in May&#x2013;July 2020 and second in January&#x2013;March 2021). This method was applied in the following countries: Angola, Benin, Burkina Faso, Burundi, Cameroon, the Central African Republic, Chad, the Congo, C&#xF4;te d&#x2019;Ivoire, the Democratic Republic of the Congo, Equatorial Guinea, Gabon, Ghana, Guinea, Guinea-Bissau, Kenya, Liberia, Malawi, Mali, Mozambique, the Niger, Nigeria, Sierra Leone, Somalia, South Sudan, the Sudan, Togo, Uganda, the United Republic of Tanzania and Zambia</p>
<p>For most of the elimination or near elimination countries, the number of indigenous cases registered by the NMCPs are reported without further adjustments. (Algeria, Argentina, Armenia, Azerbaijan, Belize, Bhutan, Cabo Verde, China, Comoros, Costa Rica, Democratic People&#x2019;s Republic of Korea, Djibouti, Ecuador, Egypt, El Salvador, Eswatini, Georgia, Iran (Islamic Republic of), Iraq, Kazakhstan, Kyrgyzstan, Malaysia, Mexico, Morocco, Oman, Paraguay, Republic of Korea, Sao Tome and Principe, Saudi Arabia, South Africa, Sri Lanka, Suriname, Syrian Arab Republic, Thailand, Turkey, Turkmenistan, United Arab Emirates and Uzbekistan). </p>

<p>L’incidence du paludisme (1) est exprimée par le nombre de nouveaux cas pour 100 000 habitants par an, la population d’un pays étant dérivée des projections de la Division de la population des Nations Unies et la proportion totale à risque estimée par le Programme national de lutte contre le paludisme d’un pays. Plus précisément, le pays estime quelle est la proportion totale de la population qui est à risque de paludisme, puis, pour chaque année, la population totale à risque est estimée comme la population de l’ONU pour cette année, multipliée par la proportion de la population à risque au départ. La même proportion de la population à risque est utilisée pour l’ensemble des séries chronologiques afin d’assurer la comparabilité des estimations dans le temps. </p>
<p>Le nombre total de nouveaux cas, T, est estimé à partir du nombre de cas de paludisme signalés par un ministère de la santé qui est ajusté pour tenir compte (i) de l’incomplétude des systèmes de déclaration, (ii) des patients cherchant un traitement dans le secteur privé, de l’automédication ou ne cherchant pas du tout un traitement, et (iii) d’un surdiagnostic potentiel dû à l’absence de confirmation en laboratoire des cas. La procédure, qui est décrite dans le rapport <em>World Malaria Report 2009</em> (2), combine les données rapportées par les PNLP (cas signalés, exhaustivité de déclaration et probabilité que les cas soient positifs au parasite) avec des données obtenues à partir d’enquêtes auprès des ménages représentatives à l’échelle nationale sur l’utilisation des services de santé. Brièvement, </p>
<p>T=(a + (c x e) / d) x (1 + h / g + ((1 - g - h) / 2) / g)</p>
<p>où : <br>a est le nombre de cas de paludisme confirmés dans le secteur public <br>b est le nombre de cas suspects testés <br>c est le nombre de cas présumés (non testés mais traités comme du paludisme) <br>d est l’exhaustivité des déclarations <br>e est le taux de positivité des tests (fraction positive du paludisme) = a/b <br>f est le nombre de cas estimés dans le secteur public, calculé avec (a + (c x e))/d <br>g est la fraction d'individus qui demandent un traitement dans le secteur public <br>h est la fraction d'individus qui demandent un traitement dans le secteur privé <br>i est la fraction d'individus qui ne demandent pas de traitement, calculée avec (1 - g - h)/2 <br>j est le nombre de cas dans le secteur privé, calculé avec f x h/g <br>k est le nombre de cas pas dans le secteur privé et pas dans le secteur public, calculé avec f x i/g <br>T est le nombre total de cas, calculé avec f + j + k.</p>
<p>Pour estimer l’incertitude entourant le nombre de cas, on a supposé que le taux de positivité des tests avait une distribution normale centrée sur la valeur du <em>Taux de positivité du test</em> et l’écart type défini comme</p>
<p>0.244 x Taux de positivité des tests^0.5547</p>
<p>et tronqué pour être dans la plage 0, 1. On a supposé que l’exhaustivité des déclarations comportait l’une des trois distributions suivantes, selon l'intervalle ou la valeur déclarée par le PNLP. Si la valeur était déclarée comme un intervalle supérieur à 80 %, la distribution était supposée triangulaire, avec des limites de 0,8 et 1 et le pic à 0,8. Si la valeur déclarée était supérieure à 50 % mais inférieure ou égale à 80%, la distribution était supposée rectangulaire, avec des limites de 0,5 et 0,8. Enfin, si la valeur déclarée était inférieure à 50 %, la distribution était supposée triangulaire, avec des limites de 0 et 0,5 et le pic à 0,5 (3) . Si l’exhaustivité de la déclaration était déclarée en tant que valeur et était supérieure à 80 %, une distribution bêta a été supposée avec une valeur moyenne de la valeur déclarée (maximum de 95 %) et des intervalles de confiance (IC) de 5 % autour de la valeur moyenne. On a supposé que les proportions d’enfants pour lesquels des soins étaient recherchés dans le secteur privé et dans le secteur public avaient une distribution bêta, la valeur moyenne étant la valeur estimée dans l’enquête et l’écart type calculé à partir de la fourchette des intervalles de confiance (IC) estimés à 95 %. La proportion d’enfants pour lesquels la prise en charge n’a pas été demandée a été supposée avoir une distribution rectangulaire, la limite inférieure 0 et la limite supérieure étant calculée comme 1 moins la proportion qui a demandé des soins dans le secteur public ou privé. Les trois distributions (proportion cherchant un traitement dans le secteur public, proportion cherchant un traitement dans le secteur privé uniquement et proportion ne cherchant pas un traitement) ont été contraintes de totaliser 1.</p>
<p> </p>
<p>Les proportions cherchant des soins dans chaque secteur ont été interpolées linéairement entre les années où une enquête a été menée et ont été extrapolées pour les années précédant la première ou suivant la dernière enquête. Les paramètres utilisés pour propager l'incertitude autour de ces proportions ont également été imputés de la même manière ou, s'il n'y avait aucune valeur pour une année dans le pays ou la région, ont été imputés comme un mélange des distributions de la région pour cette année. Les IC ont été obtenus à partir de 10 000 tirages de distributions complexes. Les données ont été analysées à l’aide du logiciel statistique R (4). Cette méthode a été utilisée pour des pays et des régions à l'extérieur de la région africaine de l'OMS et pour des pays et des régions à faible transmission dans la région africaine : Afghanistan, Bangladesh, Bolivie (État plurinational de), Botswana, Brésil, Cambodge, Colombie, République dominicaine, Érythrée, Éthiopie, Guyane française, Gambie, Guatemala, Guyana, Haïti, Honduras, Inde, Indonésie, République démocratique populaire lao, Madagascar, Mauritanie, Myanmar, Namibie, Népal, Nicaragua, Pakistan, Panama, Papouasie-Nouvelle-Guinée, Pérou, Philippines, Rwanda, Sénégal, Îles Salomon, Timor-Leste, Vanuatu, Venezuela (République bolivarienne de), Viet Nam, Yémen et Zimbabwe. Le Bangladesh, la Bolivie (État plurinational de), le Botswana, le Brésil, la Colombie, la République dominicaine, la Guyane française, le Guatemala, Guyana, Haïti, le Honduras, le Myanmar (depuis 2013), le Rwanda et le Venezuela (République bolivarienne du) déclarent ensemble les cas des secteurs privé et public; par conséquent, aucun ajustement pour la proportion recherchant un traitement dans le secteur privé n'a été effectué, tandis que pour l'Indonésie, 25 % du secteur privé était supposé être déclaré dans le secteur public depuis 2017. Pour l'Inde, les valeurs ont été obtenues au niveau infranational en utilisant la même méthodologie, mais en ajustant le secteur privé pour un facteur supplémentaire dû à la détection active des cas, estimé comme le rapport entre le taux de positivité des tests dans la détection active des cas et le taux de positivité des tests dans la détection passive des cas. Ce facteur a été supposé avoir une distribution normale, avec une valeur moyenne et un écart type calculés à partir des valeurs déclarées en 2010. Un ajustement supplémentaire a été appliqué dans plusieurs États de l'Inde, pour contrôler les réductions des taux de dépistage déclarés associées aux perturbations des services de santé liées à la pandémie de COVID-19.</p>
<p> </p>
<p>Pour certains pays africains à forte transmission, la qualité de la déclaration des cas est jugée insuffisante pour que les formules ci-dessus puissent être appliquées. Dans ces cas, les estimations du nombre de cas de paludisme sont dérivées des informations sur la prévalence parasitaire obtenues à partir des enquêtes auprès des ménages. Tout d'abord, les données sur la prévalence parasitaire provenant de près de 60 000 enregistrements d'enquêtes ont été assemblées dans un modèle géostatistique bayésien spatio-temporel, avec des covariables environnementales et sociodémographiques, et la distribution des données sur les interventions telles que les filets traités aux insecticides, les médicaments antipaludiques et la pulvérisation à effet rémanent à l'intérieur des habitations. Le modèle géospatial a permis de prédire la prévalence de Plasmodium falciparum chez les enfants âgés de 2 à 10 ans, à une résolution de 5 x 5 km², dans tous les pays africains où le paludisme est endémique pour chaque année de 2000 à 2016 (consulter <a href="https://malariaatlas.org/">https://malariaatlas.org/</a> pour les méthodes d'élaboration des cartes par le Malaria Atlas Project). Ensuite, un modèle d'ensemble a été développé pour prédire l'incidence du paludisme en fonction de la prévalence du parasite. Le modèle a ensuite été appliqué à la prévalence parasitaire estimée afin d'obtenir des estimations de l'incidence des cas de paludisme à 5 x 5 km² de résolution pour chaque année de 2000 à 2020. Les données pour chaque zone de 5 x 5 km² ont ensuite été agrégées à l'intérieur des frontières nationales et régionales pour obtenir des estimations nationales et régionales des cas de paludisme (5). En 2020, des cas supplémentaires estimés à l'aide de cette méthode ont été ajoutés, pour tenir compte des perturbations des services de prévention, de diagnostic et de traitement du paludisme à la suite de la pandémie de COVID-19 et d'autres événements survenus au cours de cette année. Les informations sur les perturbations ont été déclarées par pays et ont été obtenues à partir des enquêtes nationales sur la continuité des services de santé essentiels pendant la pandémie de COVID-19 menées par l'OMS (première série en mai-juillet 2020 et deuxième en janvier-mars 2021). Cette méthode a été appliquée dans les pays suivants : Angola, Bénin, Burkina Faso, Burundi, Cameroun, République centrafricaine, Tchad, Congo, Côte d'Ivoire, République démocratique du Congo, Guinée équatoriale, Gabon, Ghana, Guinée, Guinée-Bissau, Kenya, Liberia, Malawi, Mali, Mozambique, Niger, Nigeria, Sierra Leone, Somalie, Soudan du Sud, Soudan, Togo, Ouganda, République unie de Tanzanie et Zambie.</p>
<p>Pour la plupart des pays d'élimination ou de quasi-élimination, le nombre de cas autochtones enregistrés par les PNLP est déclaré sans autre ajustement. (Algérie, Argentine, Arménie, Azerbaïdjan, Belize, Bhoutan, Cabo Verde, Chine, Comores, Costa Rica, République populaire démocratique de Corée, Djibouti, Équateur, Égypte, El Salvador, Eswatini, Géorgie, Iran (République islamique d'), Irak, Kazakhstan, Kirghizistan, Malaisie, Mexique, Maroc, Oman, Paraguay, République de Corée, Sao Tomé-et-Principe, Afrique du Sud, Sri Lanka, Suriname, République arabe syrienne, Thaïlande, Turquie, Turkménistan, Émirats arabes unis et Ouzbékistan). </p>

<p>Malaria incidence (1) is expressed as the number of new cases per 100,000 population per year with the population of a country derived from projections made by the UN Population Division and the total proportion at risk estimated by a country&#x2019;s National Malaria Control Programme. More specifically, the country estimates what is the total proportion of the population at risk of malaria and then, for each year, the total population at risk is estimated as the UN Population for that year, times the proportion of the population at risk at baseline. The same proportion of the population at risk is used for the entire time series to ensure comparability of estimates through time. </p>
<p>The total number of new cases, T, is estimated from the number of malaria cases reported by a Ministry of Health which is adjusted to take into account (i) incompleteness in reporting systems (ii) patients seeking treatment in the private sector, self-medicating or not seeking treatment at all, and (iii) potential over-diagnosis through the lack of laboratory confirmation of cases. The procedure, which is described in the <em>World malaria report 2009 </em>(2), combines data reported by NMCPs (reported cases, reporting completeness and likelihood that cases are parasite positive) with data obtained from nationally representative household surveys on health-service use. Briefly,</p>
<p>T=(a+(c &#xD7; e)/d)&#xD7;(1+h/g+((1&#x2212;g&#x2212;h)/2)/g)</p>
<p>where:<br>a is the number of malaria cases confirmed in public sector<br>b is the number of suspected cases tested<br>c is the number of presumed cases (not tested but treated as malaria)<br><em>d </em>is the reporting completeness<br><em>e </em>is the test positivity rate (malaria positive fraction) = a/b<br><em>f </em>is the estimated cases in public sector, calculated by (a + (c x <em>e</em>))/<em>d</em><br><em>g </em>is the fraction seeking treatment in public sector<br><em>h </em>is the fraction seeking treatment in private sector<br><em>i </em>is the fraction not seeking treatment, calculated by (1-<em>g</em>-<em>h</em>)/2<br><em>j </em>is the cases in private sector, calculated as <em>f x h/g</em><br><em>k </em>is the cases not in private and not in public, calculated by <em>f </em>x <em>i</em>/<em>g</em><br><em>T </em>is total cases, calculated by <em>f </em>+ <em>j </em>+ <em>k</em> </p>
<p>To estimate the uncertainty around the number of cases, the test positivity rate was assumed to have a normal distribution centred on the <em>Test positivity rate</em> value and standard deviation defined as</p>
<p>0.244 &#xD7; Test positivity rate^0.5547</p>
<p>and truncated to be in the range 0, 1. Reporting completeness was assumed to have one of three distributions, depending on the range or value reported by the NMCP. If the value was reported as a range greater than 80%, the distribution was assumed to be triangular, with limits of 0.8 and 1.0, and the peak at 0.8. If the value was more than 50% but less than or equal to 80%, the distribution was assumed to be rectangular, with limits of 0.5 and 0.8. Finally, if the value was less than or equal to 50%, the distribution was assumed to be triangular, with limits of 0 and 0.5, and the peak at 0.5 <em>(3)</em>. If the reporting completeness was reported as a value and was more than 80%, a beta distribution was assumed, with a mean value of the reported value (maximum of 95%) and confidence intervals (CIs) of 5% around the mean value. The fraction of children brought for care in the public sector and in the private sector was assumed to have a beta distribution, with the mean value being the estimated value in the survey and the standard deviation being calculated from the range of the estimated 95% CIs. The fraction of children not brought for care was assumed to have a rectangular distribution, with the lower limit being 0 and the upper limit calculated as 1 minus the proportion that were brought for care in the public and private sectors. The three distributions (fraction seeking treatment in public sector, fraction seeking treatment in private sector only and fraction not seeking treatment) were constrained to add up to 1.</p>
<p>Sector-specific care-seeking fractions were linearly interpolated between the years that had a survey and were extrapolated for the years before the first or after the last survey. The parameters used to propagate uncertainty around these fractions were also imputed in a similar way or, if there was no value for any year in the country or area, were imputed as a mixture of the distributions of the region for that year. CIs were obtained from 10 000 draws of the convoluted distributions. The data were analysed using the R statistical software (4). This method was used was used for countries and areas outside the WHO African Region, and for low-transmission countries and areas in the African Region: Afghanistan, Bangladesh, Bolivia (Plurinational State of), Botswana, Brazil, Cambodia, Colombia, the Dominican Republic, Eritrea, Ethiopia, French Guiana, the Gambia, Guatemala, Guyana, Haiti, Honduras, India, Indonesia, the Lao People&#x2019;s Democratic Republic, Madagascar, Mauritania, Myanmar, Namibia, Nepal, Nicaragua, Pakistan, Panama, Papua New Guinea, Peru, the Philippines, Rwanda, Senegal, Solomon Islands, Timor-Leste, Vanuatu, Venezuela (Bolivarian Republic of), Viet Nam, Yemen and Zimbabwe. Bangladesh, Bolivia (plurinational State of), Botswana, Brazil, Colombia, Dominican Republic, French Guiana, Guatemala, Guyana, Haiti, Honduras, Myanmar (since 2013), Rwanda, and Venezuela (Bolivarian Republic of) report cases from the private and public sector together; therefore, no adjustment for private sector seeking treatment was made while for Indonesia, 25% of the private was assumed to be reported in the public sector since 2017. For India, the values were obtained at subnational level using the same methodology, but adjusting the private sector for an additional factor due to the active case detection, estimated as the ratio of the test positivity rate in the active case detection over the test positivity rate for the passive case detection. This factor was assumed to have a normal distribution, with mean value and standard deviation calculated from the values reported in 2010. An additional adjustment was applied in several states in India, to control for the reductions in reported testing rates associated with disruptions in health services related to the COVID-19 pandemic. </p>
<p>For some high-transmission African countries the quality of case reporting is considered insufficient for the above formulae to be applied. In such cases estimates of the number of malaria cases are derived from information on parasite prevalence obtained from household surveys. First, data on parasite prevalence from nearly 60 000 survey records were assembled within a spatiotemporal Bayesian geostatistical model, along with environmental and sociodemographic covariates, and data distribution on interventions such as ITNs, antimalarial drugs and IRS. The geospatial model enabled predictions of Plasmodium falciparum prevalence in children aged 2&#x2013;10 years, at a resolution of 5 &#xD7; 5 km2, throughout all malaria endemic African countries for each year from 2000 to 2016 (see <a href="https://malariaatlas.org/">https://malariaatlas.org/</a> for methods on the development of maps by the Malaria Atlas Project). Second, an ensemble model was developed to predict malaria incidence as a function of parasite prevalence. The model was then applied to the estimated parasite prevalence in order to obtain estimates of the malaria case incidence at 5 &#xD7; 5 km2 resolution for each year from 2000 to 2020. Data for each 5 &#xD7; 5 km2 area were then aggregated within country and regional boundaries to obtain both national and regional estimates of malaria cases (5). In 2020, additional cases estimated using this method were added, to account for the disruptions in malaria prevention, diagnostic and treatment services as a result of the COVID-19 pandemic and other events that occurred during this year. Disruption information was reported per country and was obtained from the national pulse surveys on continuity of essential health services during the COVID-19 pandemic conducted by WHO (first round in May&#x2013;July 2020 and second in January&#x2013;March 2021). This method was applied in the following countries: Angola, Benin, Burkina Faso, Burundi, Cameroon, the Central African Republic, Chad, the Congo, C&#xF4;te d&#x2019;Ivoire, the Democratic Republic of the Congo, Equatorial Guinea, Gabon, Ghana, Guinea, Guinea-Bissau, Kenya, Liberia, Malawi, Mali, Mozambique, the Niger, Nigeria, Sierra Leone, Somalia, South Sudan, the Sudan, Togo, Uganda, the United Republic of Tanzania and Zambia</p>
<p>For most of the elimination or near elimination countries, the number of indigenous cases registered by the NMCPs are reported without further adjustments. (Algeria, Argentina, Armenia, Azerbaijan, Belize, Bhutan, Cabo Verde, China, Comoros, Costa Rica, Democratic People&#x2019;s Republic of Korea, Djibouti, Ecuador, Egypt, El Salvador, Eswatini, Georgia, Iran (Islamic Republic of), Iraq, Kazakhstan, Kyrgyzstan, Malaysia, Mexico, Morocco, Oman, Paraguay, Republic of Korea, Sao Tome and Principe, Saudi Arabia, South Africa, Sri Lanka, Suriname, Syrian Arab Republic, Thailand, Turkey, Turkmenistan, United Arab Emirates and Uzbekistan). </p>

<p>L’incidence du paludisme (1) est exprimée par le nombre de nouveaux cas pour 100 000 habitants par an, la population d’un pays étant dérivée des projections de la Division de la population des Nations Unies et la proportion totale à risque estimée par le Programme national de lutte contre le paludisme d’un pays. Plus précisément, le pays estime quelle est la proportion totale de la population qui est à risque de paludisme, puis, pour chaque année, la population totale à risque est estimée comme la population de l’ONU pour cette année, multipliée par la proportion de la population à risque au départ.</p>
<p> La même proportion de la population à risque est utilisée pour l’ensemble des séries chronologiques afin d’assurer la comparabilité des estimations dans le temps. </p>
<p>Le nombre total de nouveaux cas, T, est estimé à partir du nombre de cas de paludisme signalés par un ministère de la santé qui est ajusté pour tenir compte (i) de l’incomplétude des systèmes de déclaration, (ii) des patients cherchant un traitement dans le secteur privé, de l’automédication ou ne cherchant pas du tout un traitement, et (iii) d’un surdiagnostic potentiel dû à l’absence de confirmation en laboratoire des cas. La procédure, qui est décrite dans le rapport <em>World Malaria Report 2009</em> (2), combine les données rapportées par les PNLP (cas signalés, exhaustivité de déclaration et probabilité que les cas soient positifs au parasite) avec des données obtenues à partir d’enquêtes auprès des ménages représentatives à l’échelle nationale sur l’utilisation des services de santé. Brièvement, </p>
<p> </p>
<p>T=(a+ + (c x e)/ / d) x (1+h/g+ + h / g + ((1 - g - h)/2)/g)</p>
<p> / 2) / g)</p>
<p>où : <br>a est le nombre de cas de paludisme confirmés dans le secteur public <br>b est le nombre de cas suspects testés <br>c est le nombre de cas présumés (non testés mais traités comme du paludisme) <br>d est l’exhaustivité des déclarations <br>e est le taux de positivité des tests (fraction positive du paludisme) = a/b <br>f est le nombre de cas estimés dans le secteur public, calculé avec (a + (c x e))/d <br>g est la fraction d'individus qui demandent un traitement dans le secteur public <br>h est la fraction d'individus qui demandent un traitement dans le secteur privé <br>i est la fraction d'individus qui ne demandent pas de traitement, calculée avec (1 - g - h)/2 <br>j est le nombre de cas dans le secteur privé, calculé avec f x h/g <br>k est le nombre de cas pas dans le secteur privé et pas dans le secteur public, calculé avec f x i/g <br>T est le nombre total de cas, calculé avec f + j + k.</p>
<p> </p>
<p>Pour estimer l’incertitude entourant le nombre de cas, on a supposé que le taux de positivité des tests avait une distribution normale centrée sur la valeur du <em>Taux de positivité du test</em> et l’écart type défini comme</p>
<p>0.244 x Taux de positivité des tests^0.5547</p>
<p>et tronqué pour être dans la plage 0, 1. On a supposé que l’exhaustivité des déclarations comportait l’une des trois distributions suivantes, selon la fourchett'intervalle ou la valeur déclarée par le PNLP. Si la plagevaleur était déclarée comme un intervalle supérieure à 80 %, la distribution était supposée triangulaire, avec des limites de 0,8 et 1 et le pic à 0,8. Si la plagvaleur déclarée était supérieure à 50 % mais inférieure ou égale à 80%, la distribution était supposée rectangulaire, avec des limites de 0,5 et 0,8. Enfin, si la plagvaleur déclarée était inférieure à 50 %, la distribution était supposée triangulaire, avec des limites de 0 et 0,5 et le pic à 0,5 (3) . Si l’exhaustivité de la déclaration était déclarée en tant que valeur et était supérieure à 80 %, une distribution bêta a été supposée avec une valeur moyenne de la valeur déclarée (maximum de 95 %) et des intervalles de confiance (IC) de 5 % autour de la valeur moyenne. On a supposé que les proportions d’enfants pour lesquels des soins étaient recherchés dans le secteur privé et dans le secteur public avaient une distribution bêta, la valeur moyenne étant la valeur estimée dans l’enquête et l’écart type calculé à partir de la fourchette des intervalles de confiance (IC) estimés à 95 % divisés par 4. La proportion d’enfants pour lesquels la prise en charge n’a pas été demandée a été supposée avoir une distribution rectangulaire, la limite inférieure 0 et la limite supérieure étant calculée comme 1 moins la proportion qui a demandé des soins dans le secteur public ou privé. </p>
<p> </p>
<p>Les valeurs de laLes trois distributions (proportion cherchant un traitement dans le secteur public, proportion cherchant un traitement dans le secteur privé uniquement et proportion de personnes demandant des soinsne cherchant pas un traitement) ont été contraintes de totaliser 1.</p>
<p> </p>
<p>Les proportions cherchant des soins dans chaque secteur ont été interpolées linéairement entre les années où une enquête a été menée et ont été extrapolées pour les années précédant la première ou suivant la dernière enquête. Les valeurs manquantes pour les distributions ont été imputées à l’aide d’un mélange de la distribution du pays, avec une probabilité égale pour les années où les valeurs étaient présentesparamètres utilisés pour propager l'incertitude autour de ces proportions ont également été imputés de la même manière ou, s’'il n’'y avait aucune valeur pour une année dans le pays, ou la région, ont été imputés comme un mélange de las distributions de la région pour cette année. Les données ont été analysées à l’aide du logiciel statistique R (4). Des intervalles de confiance ont été obtenus à partir de 10 000 tirages des distributions complexes. (IC ont été obtenus à partir de 10 000 tirages de distributions complexes. Les données ont été analysées à l’aide du logiciel statistique R (4). Cette méthode a été utilisée pour des pays et des régions à l'extérieur de la région africaine de l'OMS et pour des pays et des régions à faible transmission dans la région africaine : Afghanistan, Bangladesh, Bolivie (État plurinational de), Botswana, Brésil, Cambodge, Colombie, République dominicaine, Érythrée, Éthiopie, Guyane française, Gambie, Guatemala, Guyana, Haïti, Honduras, Inde, Indonésie, République démocratique populaire lao, Madagascar, Mauritanie, Myanmar, Namibie, Népal, Nicaragua, Pakistan, Panama, Papouasie-Nouvelle-Guinée, Pérou, Philippines, Rwanda, Sénégal, Îles Salomon, Timor-Leste, Vanuatu, Venezuela (République bolivarienne de), Viet Nam, Yémen et Zimbabwe). Le Bangladesh, la Bolivie (État plurinational de), le Botswana, le Brésil, la Colombie, la République dominicaine, la Guyane française, le Guatemala, Guyana, Haïti, le Honduras, le Myanmar (depuis 2013), le Rwanda et le Venezuela (République bolivarienne du) déclarent ensemble les cas des secteurs privé et public; par conséquent, aucun ajustement pour la proportion recherchant un traitement dans le secteur privé n'a été effectué, tandis que pour l'Indonésie, 25 % du secteur privé était supposé être déclaré dans le secteur public depuis 2017. Pour l'Inde, les valeurs ont été obtenues au niveau infranational en utilisant la même méthodologie, mais en ajustant le secteur privé pour un facteur supplémentaire dû à la détection active des cas, estimé comme le rapport entre le taux de positivité des tests dans la détection active des cas et le taux de positivité des tests dans la détection passive des cas. Ce facteur a été supposé avoir une distribution normale, avec une valeur moyenne et un écart type calculés à partir des valeurs déclarées en 2010. Le Bangladesh, la Bolivie (État plurinational de), le Botswana, le Brésil, la Colombie, la RépubUn ajustement supplémentaire a été applique dominicaine, la Guyane française, le Guatemala, la Guyane, Haïti, le Honduras, le Myanmar (depuis 2013), le Rwanda et le Venezuela (République bolivarienne du) déclarent ensemble les cas des secteurs privé et public; par conséquent, aucun ajustement n'a été effectué pour le secteur privé cherchant à se faire soigner, tandis que pour l'Indonésie, on a supposé que 25 % des cas privés étaient déclarés dans le secteur public depuis 2017. é dans plusieurs États de l'Inde, pour contrôler les réductions des taux de dépistage déclarés associées aux perturbations des services de santé liées à la pandémie de COVID-19.</p>
<p> </p>
<p>Pour certains pays africains à forte transmission, la qualité de la déclaration des cas est jugée insuffisante pour que les formules ci-dessus puissent être appliquées. Dans ces cas, les estimations du nombre de cas de paludisme sont dérivées des informations sur la prévalence parasitaire obtenues à partir des enquêtes auprès des ménages. Tout d'abord, les données sur la prévalence parasitaire provenant de près de 60 000 enregistrements d'enquêtes ont été assemblées dans un modèle géostatistique bayésien spatio-temporel, avec des covariables environnementales et sociodémographiques, et la distribution des données sur les interventions telles que les filets traités aux insecticides, les médicaments antipaludiques et la pulvérisation à effet rémanent à l'intérieur des habitations. Le modèle géospatial a permis de prédire la prévalence de Plasmodium falciparum chez les enfants âgés de 2 à 10 ans, à une résolution de 5 x 5 km², dans tous les pays africains où le paludisme est endémique pour chaque année de 2000 à 2016 (voiconsulter <a href=&quot;"https://www.map.ox.ac.uk/making-maps/&quot; target=&quot;_blank&quot;><umalariaatlas.org/">https://www.map.ox.ac.uk/making-maps/</u>malariaatlas.org/</a> pour les méthodes d'élaboration des cartes par le Malaria Atlas Project). Ensuite, un modèle d'ensemble a été développé pour prédire l'incidence du paludisme en fonction de la prévalence du parasite. Le modèle a ensuite été appliqué à la prévalence parasitaire estimée afin d'obtenir des estimations de l'incidence des cas de paludisme à 5 x 5 km² de résolution pour chaque année de 2000 à 201620. Les données pour chaque zone de 5 x 5 km² ont ensuite été agrégées à l'intérieur des frontières nationales et régionales pour obtenir des estimations nationales et régionales des cas de paludisme (5). (En 2020, des cas supplémentaires estimés à l'aide de cette méthode ont été ajoutés, pour tenir compte des perturbations des services de prévention, de diagnostic et de traitement du paludisme à la suite de la pandémie de COVID-19 et d'autres événements survenus au cours de cette année. Les informations sur les perturbations ont été déclarées par pays et ont été obtenues à partir des enquêtes nationales sur la continuité des services de santé essentiels pendant la pandémie de COVID-19 menées par l'OMS (première série en mai-juillet 2020 et deuxième en janvier-mars 2021). Cette méthode a été appliquée dans les pays suivants : Angola, Bénin, Burkina Faso, Burundi, Cameroun, République centrafricaine, Tchad, Congo, Côte d'Ivoire, République démocratique du Congo, Guinée équatoriale, Gabon, Ghana, Guinée, Guinée-Bissau, Kenya, Liberia, Malawi, Mali, Mozambique, Niger, Nigeria, Sierra Leone, Somalie, Soudan du Sud, Soudan, Togo, Ouganda, République unie de Tanzanie et Zambie) .</p>
<p>Pour la plupart des pays d'élimination ou de quasi-élimination, le nombre de cas autochtones enregistrés par les PNLP est déclaré sans autre ajustement. (Algérie, Argentine, Arménie, Azerbaïdjan, Belize, Bhoutan, Cabo Verde, Chine, Comores, Costa Rica, République populaire démocratique de Corée, Djibouti, Équateur, Égypte, El Salvador, Eswatini, Géorgie, Iran (République islamique d'), Irak, Kazakhstan, Kirghizistan, Malaisie, Mexique, Maroc, Oman, Paraguay, République de Corée, Sao Tomé-et-Principe, Afrique du Sud, Sri Lanka, Suriname, République arabe syrienne, Thaïlande, Turquie, Turkménistan, Émirats arabes unis et Ouzbékistan). </p>

<p><strong>URL:</strong> </p>
<p>https://www.who.int/teams/global-malaria-programme/reports/world-malaria-report-2021</p>
<p> </p>
<p><strong>References:</strong> </p>
<p>1. World Health Organization. World Malaria Report 2021. </p>
<p>2. World Health Organization. World Malaria Report 2008 [Internet]. Geneva: World Health Organization; 2008. Available from: http://apps.who.int/iris/bitstream/10665/43939/1/9789241563697_eng.pdf </p>
<p>3. Cibulskis RE, Aregawi M, Williams R, Otten M, Dye C. Worldwide Incidence of Malaria in 2009: Estimates, Time Trends, and a Critique of Methods. Mueller I, editor. PLoS Med. 2011 Dec 20;8(12):e1001142. </p>
<p>4. R Core Team. R: A Language and Environment for Statistical Computing [Internet]. Vienna, Austria: R Foundation for Statistical Computing; 2020. Available from: http://www.R-project.org/ </p>
<p> </p>
<p>5. Bhatt S, Weiss DJ, Cameron E, Bisanzio D, Mappin B, Dalrymple U, et al. The effect of malaria control on Plasmodium falciparum in Africa between 2000 and 2015. Nature. 2015 Oct 8;526(7572):207&#x2013;11. </p>

<p>(Toutes les références sont en anglais)</p>
<p> <strong>URL :</strong> </p>
<p>https://www.who.int/publications/i/item/9789240015791 teams/global-malaria-programme/reports/world-malaria-report-2021</p>
<p> </p>
<p> <strong>Références :</strong> </p>
<p>1. Organisation mondiale de la Santé. Rapport mondial sur le paludisme 20201. </p>
<p>2. Organisation mondiale de la Santé. Rapport mondial sur le paludisme 2008 [Internet]. Genève : Organisation mondiale de la Santé; 2008. Disponible à l'adresse : http://apps.who.int/iris/bitstream/10665/43939/1/9789241563697_eng.pdf </p>
<p>3. Cibulskis RE, Aregawi M, Williams R, Otten M, Dye C. « Worldwide Incidence of Malaria in 2009: Estimates, Time Trends, and a Critique of Methods ». Mueller I, éditeur. PLoS Med. 2011 Déc 20;8(12):e1001142. </p>
<p>4. R Core Team. R: A Language and Environment for Statistical Computing [Internet]. Vienne, Autriche. R Foundation for Statistical Computing; 2020. Disponible à l'adresse : http://www.R-project.org/ </p>
<p> </p>
<p>5. Bhatt S, Weiss DJ, Cameron E, Bisanzio D, Mappin B, Dalrymple U, et al. « The effect of malaria control on Plasmodium falciparum in Africa between 2000 and 2015 ». Nature. 2015 Oct 8;526(7572):207-11. </p>

<p><strong>Sources of discrepancies:</strong> </p>
<p>The estimated incidence can differ from the incidence reported by a Ministry of Health which can be affected by: </p>
<ul>
<li>the completeness of reporting: the number of reported cases can be lower than the estimated cases if the percentage of health facilities reporting in a month is less than 100% </li>
<li>the extent of malaria diagnostic testing (the number of slides examined or RDTs performed) </li>
<li>the use of private health facilities which are usually not included in reporting systems. </li>
</ul>

<p><strong>Sources des divergences : </strong> </p>
<p>L'incidence estimée peut être différente de l'incidence signalée par un ministère de la santé, qui peut être affectée par :</p>
<ul>
<li>l'exhaustivité de la déclaration (le nombre de cas déclarés peut être inférieur aux cas estimés si le pourcentage d'établissements de santé déclarant au cours d'un mois est inférieur à 100%);</li>
<li>l'étendue des tests de diagnostic du paludisme (nombre de lames examinées ou de TDR effectués); </li>
<li>le recours à des établissements de santé privés qui ne sont généralement pas inclus dans les systèmes de déclaration. </li>
</ul>

<p><strong>Data availability: </strong></p>
<p>109 countries </p>
<p> </p>
<p><strong>Time series: </strong></p>
<p>Annually since 2000 </p>
<p><strong>Disaggregation:</strong></p>
<p>The indicator is estimated at country level. </p>

<p><strong>Disponibilité des données : </strong></p>
<p>109 pays</p>
<p> </p>
<p><strong>Séries chronologiques : </strong></p>
<p>Annuellement à partir de 2000 </p>
<p><strong>Désagrégation : </strong></p>
<p>L'indicateur est estimé au niveau national.</p>