U Encadré 2.2 : Démographie des groupes à risque à Bankim. La même représentation est présentée ci‐dessous pour la région de Bankim. Entre 2006 et 2012, 332 cas ont été enregistrés, 169 femmes et 163 hommes. On y constate la même tendance générale qu'à Akonolinga et au Bénin en termes d'incidence par classe d'âge : les enfants et les personnes plus âgées présentent les taux d'incidence les plus élevés. Cependant, le pic d'incidence est limitée au groupe des 10‐14 ans chez les enfants, et les différences hommes‐femmes sont moins marquées qu'à Akonolinga, bien que l'incidence soit plus forte chez les hommes que chez les femmes entre 10 et 14 ans et chez les femmes que chez les hommes entre 20 et 30 ans. Cependant les effectifs sont plus faibles qu'à Akonolinga, donc l'incertitude plus importante. Il est tout à fait vraisemblable que ces différences traduisent des expositions différentes, liées aux caractéristiques de l'environnement ou aux habitudes des populations, ou simplement au caractère émergent de la maladie. 0 50 100 150 200 250 300 0-4 5-9 10-14 15-19 20-24 25-29 30-34 35-39 40-44 45-49 50-54 55-59 60-64 65-69 70-74 >=75 U Figure 2.2 : Taux d'incidence par catégorie d'âge et par sexe pour la région de Bankim, 2006‐2012. U cas/100 000 personnes.années. gris clair: femmes, gris foncé, hommes.
Chapitre 3 : Analyses spatiales et temporelles de l'incidence d'Ulcère
de Buruli dans la région endémique d'Akonolinga, Cameroun
Ce travail s'appuie sur l'analyse de la cohorte des patients traités pour l'ulcère de Buruli à l'hôpital de district d'Akonolinga dans le cadre du programme de traitement de l'UB de Médecins Sans Frontières Suisse (MSF‐CH). Cette cohorte fait partie de quelques rares séries de données récentes et bien caractérisées dont on dispose pour l'ulcère de Buruli en Afrique sub‐saharienne [22]. Cette série de données comprend plus de 900 cas survenus entre 2002 et 2012 dans l'un des 170 villages rattachés au district de santé d'Akonolinga, un bassin de population d'environ 60000 habitants. La qualité de l'enregistrement permet de localiser la survenue des cas dans l'espace à l'échelle du village, et dans le temps au mois de diagnostic. On dispose aussi de données de confirmation biologique pour plus de 60 % de ces patients.
Ces données permettent l'étude de la répartition spatiale de l'UB à l'échelle locale, et la caractérisation des variations de l'incidence dans l'espace et dans le temps, ainsi que la recherche d'associations entre les différents paysages observables dans la région d'Akonolinga et leur incidence respective d'UB. Ces données permettent aussi l'étude des variations mensuelles de l'incidence.
1. Analyse de la distribution spatiale et spatiotemporelle de l’ulcère de Buruli, et
association entre paysages et risque de maladie dans la région d’Akonolinga, Cameroun
L'objectif de ce travail était d'étudier la distribution spatiale de l'ulcère de Buruli à une échelle compatible avec la description des activités humaines, et donc avec la mise en œuvre d’éventuelles stratégies de contrôle ou de prévention. En effet, la plupart des autres travaux déjà réalisés et présentés en introduction portent sur des données agrégées à une échelle supérieure au village, et ne peuvent que décrire les conditions environnementales générales régnant sur les régions endémiques. Notre approche visait, malgré l'absence de données individuelles sur les lieux fréquentés par les cas, à définir les catégories d'environnements auxquelles sont exposés les habitants des villages de la zone d'Akonolinga, et à caractériser ensuite le risque d'UB associé à chacun de ces environnements.Les résultats principaux de ce travail sont: la quantification du rôle du fleuve Nyong et de la distance à laquelle s'exerce son influence, la caractérisation de différents paysages à risque le long du fleuve marqués par des niveaux de risque et des dynamiques d'incidence également différentes. Environ 40 % des variations de l'incidence de l'UB dans les villages de la zone d'Akonolinga peuvent être attribuées à des facteurs environnementaux. Les zones à haut risque et incidence stable sont situées en bordure de la plaine d'inondation du Nyong, présentent une importante superficie de marécages, dont certains sont cultivés, et sont très déboisées. Les zones à bas risque, au contraire, sont caractérisées par une couverture forestière importante et peu dégradée. Enfin, nous avons également identifié des paysages dont le niveau de risque est intermédiaire, mais dont l'incidence est en augmentation. Ils se caractérisent par un couvert forestier dégradé voire en cours de dégradation.
Supplementary text S1: Supporting Figures & detailed legends
Figure S1: Space‐time analysis of BU incidence in Akonolinga. A: Identification of time‐space patterns of BU incidence in Akonolinga on a heatmap of trimestrial BU incidence rate in the different villages of Akonolinga district 2002‐2012.Villages are ordered according to their distance to the Nyong, each village is represented by a horizontal bar of different colours. Each vertical bar represents a quarter year and the colour is proportional to the incidence. White corresponds to 0 incidence. The vertical solid lines indicate the different phases identified and horizontal dotted lines the different spatial zones.
Phase 1: The year 2002 corresponded to the beginning of the BU treatment program which was limited to Akonolinga town and its surroundings. From 2003, the program was covering the whole district (see S1B).
Phase 2: In the period from 2003‐2006, villages within 0‐7km from the river show incident cases. Sporadic cases also occurred in the 13‐23km band. Phase 3: From August 2006, an increase in incidence was observed in the villages located from 7 to 13km from the Nyong. Cases also started to be detected more than 23km away from the Nyong. Phase 4: From January 2011 on, a decreasing trend was observed in the general incidence (see S1B). (1) Akonolinga town (n=13,381 inhabitants), (2) Endom town (n=1,586) B: Monthy time series of BU cases (raw data) in Akonolinga district from 2002 to 2012.
Figure S2: Principal components analysis and selected results.
The following variables were introduced in the principal components analysis:
- Environment= % of buffer surface occupied by: urban, agriculture, wetlands, cultivated wetlands, savannah, primary forest (dense humid evergreen), forest with raffia trees, adult secondary forest, cultivated adult secondary forest, young secondary forest, cultivated young secondary forest
- Topography= altitude, % of buffer surface with a topographic wetness index >18 (wetland). - Summary vegetation measurements= Mean EVI in December, Difference in EVI between dry
season 2001‐02 and 2011‐2012. S2A: Correlations circle, showing the contributions of the various variables to the 3 first principal components Principal components analysis consists into obtaining new variables, the principal components, which contain the largest part of the information contained in the original variables, but summarised and combined with each other. On the circle, each original variable is represented as an arrow. Its direction indicates to which principal component it contributes most, and its length corresponds to the weight it contributed to the component.
For example, variable “urban” contributes positively to the first principal component (horizontal, directed to the right). “agri_marec”, corresponding to cultivated wetlands proportion, also has a similar direction. On the contrary, “mean_altitude” contributes negatively to the first component. This indicates that, in Akonolinga district, villages with a high urban variable also have a high proportion of cultivated wetlands, but not a high altitude. These villages correspond to the “Akonolinga urban” landscape and are located on the right of figure S2B. The villages with a higher altitude, and also low urban and cultivated wetlands, are found on the left (“Forest 1” and “Forest 2”). Overall the two first components explain 45.64% of the total variance, and the first and third components 41.57 per cent of the total variance.
S2B: Representation of villages according to their coordinates on the first and second components coloured according to the landscape group.
S2C: Representation of villages according to their coordinates on the first and third components coloured according to the landscape group.
The representations in S2B and S2C show how villages were separated according to their environmental characteristics as indicated by the variables. We indicated the names of groups and
Figure S3: Cumulative incidence graphs in 6 Akonolinga landscapes, 2002‐2012. Linear fit is presented for each graph (with R² value). For landscape “Cultivated Forest, <10km from Nyong”, exponential and linear fits are presented with their respective R². A good linear fit indicated that the monthly increase in case numbers was stable, and allowed us the calculation of an average incidence rate, over the period, within the landscape. When exponential curve fitted the data better we concluded that incidence was increasing.
U Encadré 3.1: Analyses spatiales de l'incidence de l'UB dans la région de Pobè au Bénin: 2003‐2012