EpiGuider

🌍 DAY 28 — Population at Risk

📌 Not everyone in a population can develop every disease.

In epidemiology, we must identify:
👉 Who is actually at risk?

This is called the:
📊 Population at risk

━━━━━━━━━━━━━━━━━━━━━━

🔍 What is a population at risk?

The population at risk includes:
👉 People who are capable of developing the disease or health event being studied.

Only those who can truly experience the outcome should be included in the denominator.

━━━━━━━━━━━━━━━━━━━━━━

⚠️ Why this matters

Using the wrong population can produce:
• Incorrect rates
• Misleading conclusions
• Poor public health decisions

━━━━━━━━━━━━━━━━━━━━━━

📊 Examples

Cervical cancer
👉 Only individuals with a cervix are at risk.

Maternal mortality
👉 Only pregnant women are at risk.

Prostate cancer
👉 Only males are at risk.

Measles outbreak in unvaccinated communities
👉 Vaccinated individuals may have much lower risk.

━━━━━━━━━━━━━━━━━━━━━━

🧠 Key principle

The denominator must match:
👉 The population truly exposed or susceptible to the condition.

━━━━━━━━━━━━━━━━━━━━━━

⚠️ Why this matters in practice

Correctly defining the population at risk helps:
• Improve indicator accuracy
• Compare populations fairly
• Better target interventions

━━━━━━━━━━━━━━━━━━━━━━

🧠 Key insight

A good epidemiologist always asks:
👉 “Who can actually develop this condition?”

━━━━━━━━━━━━━━━━━━━━━━

⚠️ Common pitfall

Using the total population when only a subgroup is truly at risk.

━━━━━━━━━━━━━━━━━━━━━━

🎯 Takeaway

Not all populations are populations at risk.

✅ Correct epidemiology starts with defining the right denominator.

━━━━━━━━━━━━━━━━━━━━━━

— Wilfred NGWA
Epidemiologist | Public Health Specialist



━━━━━━━━━━━━━━━━━━━━━━

JOUR 28 — Population à risque

📌 Toute la population ne peut pas développer toutes les maladies.

En épidémiologie, il faut identifier :
👉 Qui est réellement à risque ?

C’est ce qu’on appelle :
📊 La population à risque

━━━━━━━━━━━━━━━━━━━━━━

🔍 Qu’est-ce qu’une population à risque ?

La population à risque comprend :
👉 Les personnes pouvant réellement développer la maladie ou l’événement étudié.

Seules ces personnes doivent être incluses dans le dénominateur.

━━━━━━━━━━━━━━━━━━━━━━

⚠️ Pourquoi c’est important

Utiliser la mauvaise population peut entraîner :
• Des taux incorrects
• Des conclusions trompeuses
• De mauvaises décisions

━━━━━━━━━━━━━━━━━━━━━━

📊 Exemples

Cancer du col de l’utérus
👉 Seules les personnes ayant un col sont à risque.

Mortalité maternelle
👉 Seules les femmes enceintes sont à risque.

Cancer de la prostate
👉 Seuls les hommes sont à risque.

Rougeole dans une communauté non vaccinée
👉 Les personnes vaccinées ont un risque beaucoup plus faible.

━━━━━━━━━━━━━━━━━━━━━━

🧠 Principe clé

Le dénominateur doit correspondre :
👉 À la population réellement exposée ou susceptible.

━━━━━━━━━━━━━━━━━━━━━━

⚠️ Pourquoi c’est essentiel

Bien définir la population à risque permet :
• D’améliorer la précision des indicateurs
• De comparer correctement les populations
• De mieux cibler les interventions

━━━━━━━━━━━━━━━━━━━━━━

🧠 Point clé

Un bon épidémiologiste demande toujours :
👉 « Qui peut réellement développer cette maladie ? »

━━━━━━━━━━━━━━━━━━━━━━

⚠️ Erreur fréquente

Utiliser la population totale alors qu’un sous-groupe seulement est concerné.

━━━━━━━━━━━━━━━━━━━━━━

🎯 À retenir

Toute population n’est pas une population à risque.

✅ Une bonne épidémiologie commence par le bon dénominateur.

━━━━━━━━━━━━━━━━━━━━━━

— Wilfred NGWA
Épidémiologiste | Spécialiste de santé publique

🌍 DAY 25 — Data Sources in Epidemiology

📌 Good epidemiology starts with good data.

But where do epidemiological data actually come from?

Different data sources provide different types of information—and no single source is perfect.
━━━━━━━━━━━━━━━━━━━━━━
🔍 What are data sources in epidemiology?

Data sources are the systems and tools used to collect health information for:
• Surveillance
• Research
• Monitoring
• Decision-making
━━━━━━━━━━━━━━━━━━━━━━
📊 Common data sources
1️⃣ Routine Health Information Systems (RHIS)
Examples:
• DHIS2
• Hospital registers
• Laboratory reports
Used for:
👉 Routine monitoring and trend analysis
━━━━━━━━━━━━━━━━━━━━━━
2️⃣ Surveillance Systems
Examples:
• Weekly surveillance
• Outbreak alerts
• Sentinel surveillance
Used for:
👉 Early detection and rapid response
━━━━━━━━━━━━━━━━━━━━━━
3️⃣ Surveys
Examples:
• DHS
• Nutrition surveys
• KAP surveys
Used for:
👉 Population-level estimates
━━━━━━━━━━━━━━━━━━━━━━
4️⃣ Census Data
Used for:
👉 Population denominators and planning
━━━━━━━━━━━━━━━━━━━━━━
5️⃣ Research Studies
Examples:
• Cohort studies
• Clinical trials
Used for:
👉 Generating scientific evidence
━━━━━━━━━━━━━━━━━━━━━━
6️⃣ Vital Registration Systems
Examples:
• Birth registration
• Death certificates
Used for:
👉 Mortality and demographic analysis
━━━━━━━━━━━━━━━━━━━━━━
⚠️ Why this matters
Different data sources answer different public health questions.

Understanding:
• where data come from,
• how they were collected,
• and their limitations
is essential for correct interpretation.
━━━━━━━━━━━━━━━━━━━━━━
🧠 Key insight
Poor-quality data can lead to:
• Wrong conclusions
• Delayed response
• Poor decisions
✅ Better data → Better epidemiology.
━━━━━━━━━━━━━━━━━━━━━━
🎯 Takeaway
Data sources are the foundation of epidemiology.

A good epidemiologist does not just analyze data—
they understand the source of the data.
━━━━━━━━━━━━━━━━━━━━━━
— Wilfred NGWA
Epidemiologist | Public Health Specialist


━━━━━━━━━━━━━━━━━━━━━━

🌍 DAY 25 — Sources de données en épidémiologie

📌 Une bonne épidémiologie commence par de bonnes données.

Mais d’où viennent réellement les données épidémiologiques ?

Chaque source fournit des informations différentes—et aucune source n’est parfaite.
━━━━━━━━━━━━━━━━━━━━━━
🔍 Qu’est-ce qu’une source de données ?
Les sources de données sont les systèmes et outils utilisés pour collecter les informations de santé pour :
• La surveillance
• La recherche
• Le suivi
• La prise de décision
━━━━━━━━━━━━━━━━━━━━━━
📊 Principales sources de données
1️⃣ Systèmes d’information sanitaire de routine
Exemples :
• DHIS2
• Registres hospitaliers
• Rapports de laboratoire
Utilisés pour :
👉 Le suivi régulier et l’analyse des tendances
━━━━━━━━━━━━━━━━━━━━━━
2️⃣ Systèmes de surveillance
Exemples :
• Surveillance hebdomadaire
• Alertes épidémiques
• Surveillance sentinelle
Utilisés pour :
👉 La détection précoce et la réponse rapide
━━━━━━━━━━━━━━━━━━━━━━
3️⃣ Enquêtes
Exemples :
• DHS
• Enquêtes nutritionnelles
• Enquêtes CAP
Utilisées pour :
👉 Les estimations populationnelles
━━━━━━━━━━━━━━━━━━━━━━
4️⃣ Données de recensement
Utilisées pour :
👉 Les dénominateurs et la planification
━━━━━━━━━━━━━━━━━━━━━━
5️⃣ Études de recherche
Exemples :
• Études de cohorte
• Essais cliniques
Utilisées pour :
👉 Produire des preuves scientifiques
━━━━━━━━━━━━━━━━━━━━━━
6️⃣ Systèmes d’état civil

Exemples :
• Enregistrement des naissances
• Certificats de décès
Utilisés pour :
👉 L’analyse démographique et de mortalité
━━━━━━━━━━━━━━━━━━━━━━
⚠️ Pourquoi c’est important
Chaque source répond à des questions différentes.
Comprendre :
• l’origine des données,
• leur mode de collecte,
• leurs limites
est essentiel pour une bonne interprétation.
━━━━━━━━━━━━━━━━━━━━━━
🧠 Point clé
De mauvaises données peuvent entraîner :
• De mauvaises conclusions
• Une réponse retardée
• De mauvaises décisions
✅ Meilleures données → Meilleure épidémiologie.
━━━━━━━━━━━━━━━━━━━━━━
🎯 À retenir
Les sources de données sont la base de l’épidémiologie.
Un bon épidémiologiste ne fait pas qu’analyser les données—
il comprend leur source.
━━━━━━━━━━━━━━━━━━━━━━
— Wilfred NGWA
Épidémiologiste | Spécialiste de santé publique

🌍 DAY 22 — Iceberg Phenomenon

ENGLISH

📌 What we see is often only a small part of the problem.

In epidemiology, many diseases behave like an iceberg:
👉 The visible cases are only the “tip”
👉 Most cases remain hidden

This is called the:
🧊 Iceberg Phenomenon

----------------------------------------

What is the Iceberg Phenomenon?

It describes situations where:
👉 The number of diagnosed or reported cases is much smaller than the true number of infections.

----------------------------------------

🔹 VISIBLE PART (“Tip of the iceberg”)

These are:
• Severe cases
• Hospitalized patients
• Diagnosed cases
• Reported deaths

👉 Easy to detect

----------------------------------------

🔹 HIDDEN PART (Below the surface)

These include:
• Mild cases
• Undiagnosed infections
• Asymptomatic carriers
• Unreported cases

👉 Often missed by surveillance systems

----------------------------------------

🔍 Why this matters

If we only look at visible cases:
👉 We underestimate the true burden of disease

----------------------------------------

🦠 Examples

Diseases commonly showing iceberg phenomenon:
• COVID-19
• Polio
• Hepatitis
• Tuberculosis

----------------------------------------

📊 Why this matters in practice

Understanding hidden cases helps:
• Improve surveillance
• Strengthen screening
• Plan better interventions

----------------------------------------

⚠️ Key insight

The absence of reported cases does NOT always mean absence of disease.

----------------------------------------

✅ Takeaway

What is reported may represent only a small fraction of the real problem.

----------------------------------------

— Wilfred NGWA
Epidemiologist | Public Health Specialist

💬 In your context, how do you account for hidden cases in surveillance?
Let’s discuss these topics as a community.
👉 https://www.youtube.com//community



FRENCH

📌 Ce que nous voyons n’est souvent qu’une petite partie du problème.

En épidémiologie, certaines maladies ressemblent à un iceberg :
👉 Les cas visibles représentent seulement la partie émergée
👉 La majorité des cas reste cachée

C’est le :
🧊 Phénomène de l’iceberg

----------------------------------------

Qu’est-ce que le phénomène de l’iceberg ?

Il décrit les situations où :
👉 Le nombre de cas diagnostiqués ou rapportés est bien inférieur au nombre réel d’infections.

----------------------------------------

🔹 PARTIE VISIBLE

Comprend :
• Cas graves
• Hospitalisations
• Cas diagnostiqués
• Décès rapportés

👉 Faciles à détecter

----------------------------------------

🔹 PARTIE CACHÉE

Comprend :
• Cas bénins
• Cas non diagnostiqués
• Porteurs asymptomatiques
• Cas non rapportés

👉 Souvent invisibles dans la surveillance

----------------------------------------

🔍 Pourquoi c’est important

Si nous regardons uniquement les cas visibles :
👉 Nous sous-estimons le poids réel de la maladie

----------------------------------------

🦠 Exemples

• COVID-19
• Poliomyélite
• Hépatite
• Tuberculose

----------------------------------------

📊 Pourquoi c’est essentiel

Permet :
• D’améliorer la surveillance
• De renforcer le dépistage
• De mieux planifier les interventions

----------------------------------------

⚠️ Point clé

L’absence de cas rapportés ne signifie pas toujours absence de maladie.

----------------------------------------

✅ À retenir

Les cas visibles ne représentent souvent qu’une petite partie du problème réel.

----------------------------------------

— Wilfred NGWA
Épidémiologiste | Spécialiste de santé publique

💬 Dans votre pratique, comment prenez-vous en compte les cas cachés ?
Discutons ensemble en tant que communauté.
👉 https://www.youtube.com//community