Meilleures pratiques pour collaborer avec les programmes nationaux de lutte contre le paludisme afin d'établir des relations de confiance et de renforcer les capacités.

1. COLLABORATIVE SPIRIT – Be humble, open to listening and supportive

• S'entretenir avec le PNLP pour connaître ses besoins et fournir une vue d'ensemble de la modélisation du paludisme et de la manière dont elle pourrait contribuer à améliorer les processus de décision sur les besoins identifiés.
• Être présent pour aider et soutenir le programme afin d'identifier les questions à traiter par le biais de la modélisation ; être patient et prêt à s'effacer au cas où il n'y aurait pas de besoin ou d'intérêt immédiat pour la modélisation. 
• Un intérêt sincère pour la réussite du programme (et non pour la vôtre) est une condition préalable à l'établissement de relations de confiance à long terme.
• Dans la mesure du possible, soutenir la production des données nécessaires ou les systèmes sous-jacents nécessaires à la production des données.
• Partenaires de modélisation étrangers : renforcer les capacités de modélisation existantes ou en créer de nouvelles dans le pays et rechercher des échanges avec d'autres modélisateurs ou chercheurs qui ont travaillé ou travaillent avec le programme du pays.

2. CONTEXT – Do your homework, understand the malaria policy and epidemiological context 

• Se familiariser avec l'histoire du paludisme, les processus et les contraintes de la politique et des stratégies de lutte contre le paludisme, ainsi qu'avec les projets futurs dans le pays.
• Comprendre le paysage du financement et les opportunités pour le personnel du programme et les modélisateurs 
• Planifier des visites dans le pays qui s'intègrent dans le calendrier du programme ; envisager des options de voyage intelligentes et durables et un mélange judicieux de réunions en personne et virtuelles.
• Connaître les acteurs locaux du gouvernement, du secteur de la santé, du secteur privé et des communautés, entre autres, qui contribuent à la politique ou à la lutte contre le paludisme.
• Allez au-delà et apprenez à connaître la culture, les croyances et la langue locales autant que possible ; parler la même langue et faire preuve de respect pour la culture permettra d'établir une relation forte et de confiance.

3. EXPECTATIONS – Manage expectations on scope, processes, and result sharing early on 

• Fixer des attentes claires quant à ce que la modélisation peut et ne peut pas faire
• Discuter des objectifs supplémentaires potentiels, tels que d'autres utilisations des résultats de la modélisation, une meilleure compréhension des données, une meilleure compréhension et l'encouragement de l'utilisation de la modélisation par les programmes nationaux.
• Discuter dès que possible des exigences relatives à la disponibilité des données et à l'accès à celles-ci
• Obtenir l'accord des PNLP avant de présenter ou d'utiliser tout travail de modélisation en collaboration. 
• Clarifier les attentes concernant la durée et les itérations de la collaboration proposée
• Établir des canaux de communication appropriés (pour informer, engager, discuter) et partager les attentes quant à la fréquence de la communication.

4. DATA SHARING – Be proactive in identifying data availability, access, and requirements

• Explorer et rechercher les données disponibles dans le pays
• Assumer le leadership, être efficace pour amener les institutions à formuler et à accepter des accords sur les données. 
• Il faut tenir compte du fait que, sauf indication contraire, les données partagées par les PNLP restent la propriété du PNLP et que les analyses de modélisation basées sur ces données peuvent être confidentielles.
• Comprendre la nature personnelle ou exclusive de certaines données 
• Interroger les PNLP sur le contexte des données collectées et les étapes de nettoyage des données
• Évaluer la qualité des données et rendre compte des problèmes identifiés, des méthodes de nettoyage et du partage des ensembles de données nettoyées.

5. COMMUNICATION – Ensure clear, accurate, easy-to-understand communication 

• Visez non seulement à communiquer les résultats de votre analyse, mais aussi à fournir les principaux enseignements tirés de votre approche.
• Éviter toute complexité inutile dans les descriptions de haut niveau du modèle ; lorsqu'il s'agit d'expliquer des caractéristiques plus complexes du modèle, être précis et patient.
• Préciser les limites du modèle et les différentes sources d'incertitude les plus pertinentes pour la question de la modélisation et l'interprétation des résultats.
• Faire preuve d'ouverture et de transparence en ce qui concerne les hypothèses, les méthodologies et les données utilisées pour paramétrer le modèle ; fournir un rapport supplémentaire avec les détails méthodologiques.
• Mettez en œuvre des tests et une validation approfondis, veillez à donner une crédibilité tangible à votre approche, soyez prêt à discuter et à valider vos résultats avec d'autres groupes et ayez à cœur de le faire.
• Solliciter le retour d'information, les commentaires et les idées du PNLP et des partenaires sur le format et le contenu des résultats et des méthodes partagés ; envisager un retour d'information écrit par le biais de questionnaires ou d'autres formulaires pour permettre à chacun de faire part de ses réflexions.
• Prévoir du temps pour reconnaître les efforts de chacun et aborder les suggestions d'amélioration.
• Modélisateurs étrangers : si possible, fournir des recommandations et des rapports clés dans la langue locale.

6. VALUE – Be value-oriented in the results and information shared with the program

• Encadrer les résultats de la modélisation autour du problème à traiter ; mettre en évidence leur contribution à la solution.
• Demandez au NMCP sur quelles valeurs et quels objectifs il convient de se concentrer ; il est probable que le NMCP ait déjà des objectifs à court terme tels que la réduction des échecs thérapeutiques à l'échelle nationale ou l'élimination du paludisme dans un ensemble particulier de districts.
• La plus grande valeur n'est pas toujours constituée de résultats de modélisation quantitatifs ou de détails techniques, mais peut également être de nature qualitative. La valeur du processus peut parfois être aussi importante que les résultats eux-mêmes. 
• Soutenir la prise de décision fondée sur des données probantes en synthétisant la littérature et les informations pertinentes et en les replaçant dans leur contexte afin de les communiquer avec les résultats de la modélisation.

7. INTEGRATION & SUSTAINABILITY – Work towards integration, iteration, and sustainability of the modeling process

• Soyez proactif et proposez fréquemment de partager vos compétences avec le programme et les partenaires de recherche intéressés. 
• Intégrer la modélisation dans les processus politiques existants lorsque cela est possible, plutôt que d'en ajouter de nouveaux.
• Soyez méthodique et pratique, faites en sorte que votre analyse soit traçable, reproductible et extensible par vous-même et vos partenaires.
• Modélisateurs étrangers : cherchez à remplacer l'expertise externe par une expertise nationale grâce à vos propres efforts de collaboration pour développer et renforcer la capacité de modélisation.

These best practices are based on AMMnet members’ experiences as well as information extracted from key documents.^1,2,3,4They do not provide any warranties.

^[1]Silal, S. Bardsley, C, Menon, R. Abullahi, L and White, L (2022). Epidemiological modelling for public health decision-making in sub-Saharan Africa: A strategic plan for capacity strengthening. London: Foreign, Commonwealth and Development Office.

^[2] Noor, A.(2019). Potential role of modeling in malaria progress analysis, policies and operational strategies. Using Models to Guide Public Health Policy: Community-Defined Standards. Presented at University of Washington, Seattle, WA.

^[3] Guidance for country-level TB modelling. Geneva: World Health Organization; 2018. Licence: CC BY-NC-SA 3.0 IGO.

^[4] Runge et al. Applied mathematical modelling to inform national malaria policies, strategies and operations in Tanzania. Malar J. 2020 Mar 2;19(1):101. doi: 10.1186/s12936-020-03173-0.