J'ai consacré une part importante de ma carrière à travailler avec des données de santé : données de surveillance, données de suivi de programmes, données d'évaluation, données administratives de santé. Une chose que j'ai apprise, c'est que les données ne s'interprètent pas d'elles-mêmes. La signification d'un chiffre dépend entièrement de la compréhension de ce qu'il mesure, de la manière dont il a été mesuré, et de ce qui se passait dans l'environnement au moment de la mesure.
Les erreurs de données les plus dangereuses que j'ai rencontrées n'étaient pas causées par la fraude ou la négligence. Elles étaient causées par des analystes compétents interprétant des données techniquement solides sans contexte adéquat.
Un district avec un taux élevé de notification des cas peut détecter la maladie efficacement. Ou il peut avoir une culture de notification des agents de santé plus forte que les districts voisins. Ou il peut avoir récemment bénéficié d'une intervention de formation qui a temporairement accru la vigilance. Ou il peut simplement avoir davantage d'établissements qui notifient. Chacune de ces explications a des implications complètement différentes pour la réponse programmatique.
Un district avec un faible taux de notification des cas peut avoir une charge de morbidité véritablement faible. Ou il peut avoir un système de surveillance faible qui passe à côté de cas. La différence entre ces deux interprétations est cruciale, et les données seules ne peuvent pas vous dire laquelle est vraie.
C'est pourquoi les données de programme devraient toujours être interprétées par des personnes ayant une connaissance du terrain, et pas seulement par des personnes ayant des compétences analytiques. Le contexte de terrain fournit le cadre interprétatif qui donne du sens aux données. Sans lui, une analyse sophistiquée appliquée aux données de surveillance ou de programme peut produire des conclusions techniquement rigoureuses mais opérationnellement erronées.
En pratique, cela signifie mettre en place des processus de revue où les analystes et le personnel de terrain examinent les données ensemble. Cela signifie créer des boucles de rétroaction où le personnel de terrain voit les analyses générées à partir de leurs données et peut signaler lorsque les interprétations ne correspondent pas à ce qu'il observe. Cela signifie résister à la pression de produire des récits nets et simples à partir de données qui sont intrinsèquement complexes et contextuelles.
Les données sont un atout. Mais comme la plupart des atouts, elles peuvent être mal utilisées. La mauvaise utilisation des données de santé publique par une interprétation décontextualisée a conduit à une mauvaise allocation des ressources qui a coûté des vies. C'est une raison solide de prendre au sérieux la rigueur interprétative.