Cours d

1
Cours dépidémiologie

• Robert J. FREUND
• E.N.S.P.
• Rennes

2
Plan suivi 1/2

• A quoi sert l épidémiologie ?
• Histoire des épidémies
• Histoire des épidémiologistes
• Définition de l épidémiologie
• Principales données en épidémiologie
• La description épidémiologique
• Temps / Lieu / Personne
• Quels indicateurs et pourquoi ?

3
Plan suivi 2/2

• Standardisation des taux
• Attitude descriptive ou explicative
• Situation expérimentale ou observation
• Porte d'entrée maladie ou exposition
• Regard critique attention aux biais
• Les enquêtes étiologiques
• Epidémiologie et évaluation
• évaluation du dépistage

4
A quoi sert l épidémiologie ?
5
Les histoires récentes ... des
histoires de crises !

• Amiante, 1970-1995
• Légionnelloses, 1973 . et après !
• SIDA, 1981
• Hormone de croissance , 1985
• Sang contaminé, 1985
• ESB et prion, 1985-1995
• Trichinoses à partir de 1985
• Listérioses
• Canicule de lété 2003

6
 Y a-t-il un pilote dans l appareil ? 

• Comprendre l inertie du système face aux crises
  ?
• Qui pilote en cas de crise ?
• La connaissance, domaine de l épidémiologie
• La décision, domaine du décideur
• L action de santé publique, domaine du
  professionnel
• L évaluation, domaine en partie couvert par
  l épidémiologie
• Le problème reste
•  le fossé connaissance ---gt action 

7
Mais a quoi sert donc l épidémiologie ?

• Etude et recherche
• amélioration de la connaissance
• Production d une partie des informations
  nécessaires à la décision
• priorisation des problèmes
• définition des actions, programmes et politiques

8
Mais a quoi sert donc l épidémiologie ?

• Evaluation
• impact réel des actions et programmes
• reformulation des actions et programmes

9
Un peu d histoire ...
10
Les épidémies à travers l histoire

• 1141 av JC La peste des Philistins, La Bible,
  livre de Samuel, Ch. 2
• épidémie de peste bubonique
• 701 av JC paludisme pernicieux des assyriens
  devant Jerusalem
• 165 ap JC Peste d Antonin
• III-Vème siècle pestes en 252 et 254, varioles
  en 312
• 1580 épidémie de coqueluche à Paris

11
Les épidémies à travers l histoire

• XVI ème siècle épidémie de syphilis
• 1723 fièvre jaune
• 18xx choléra
• 1889, 1918, 1957 grippe asiatique
• 19ème siècle tuberculose
• SIDA
• MST
• Légionelloses
• Salmonelloses

12
Les épidémies à travers l histoire

• Listérioses
• Kreutzfeld-Jacob
• ESB
• Antibiorésistances
• Santé publique et maladies transmissibles
• un sujet toujours actuel

13
L histoire et les épidémiologistes

• Hippocrate 460 av JC
• EN DEMOS distribution constante des maladies
  dans une population
• EPI DEMOS maladies qui envahissent brutalement
  certaines populations pendant un certain temps
• Paracelse, 1493, Suisse
• Maladies des mineurs et métallurgistes du tyrol
  toxicité de l arsenic et du mercure traitement
  par bains

14
L histoire et les épidémiologistes

• Fracastoro, 1530, Venise
• Epidémie de  vérole 
• John Lind, 1747, GB
• Citron et scorbut à bord du  Salisbury 
• Louis René Villermé
• Santé et conditions de travail cancer du
  scrotum ( les bourses ) des ramoneurs.
• John Snow , 1849, GB
• Choléra, eau, réseau d adduction.

15
L histoire et les épidémiologistes

• Pasteur, 18xx, France
• Génération spontanée.
• Goldberger, 1914, USA
• Nutrition, conditions de vie et de travail,
  pellagre.

16
En quête d une définition ...
17
Définition de l épidémiologie

• Le Petit ROBERT
• Epidémie, du grec epidemos
• Qui circule dans le pays.
• Grand nombre de cas ou accroissement important
  des cas à un moment à un endroit donné.
• Qui se propage

18
Définition de l épidémiologie

• Le Petit ROBERT
• Epidémiologie
• Rapports existant entre maladies et différents
  facteurs, mode de vie, milieu ambiant ou social,
  particularités individuelles.

19
Définition de l épidémiologie

• Brian MacMahon, 1958, USA
• L épidémiologie étudie
• la distribution
• et les causes
• des différences de niveau de santé à l intérieur
  des groupes humaines et entre ces groupes.

20
Données disponibles en épidémiologie
21
Principales données en épidémiologie

• Démographie
• recensement de la population (INSEE)
• état civil naissances, décès
• Mortalité
• bulletins de décès
• cause médicale de décès (CMD)
• statistiques des CMD

22
Principales données en épidémiologie

• Morbidité
• dénombrement de malades selon une classification
• morbidité
• diagnostiquée
• ressentie
• réelle ou  objective 
• totale ( totale lt----gt  objective  ?? )

23
Principales données en épidémiologie

• Morbidité étendue
• déficience niveau médical
• incapacité niveau fonctionnel
• handicap niveau social
• Morbidité comportementale répercussion
  socio-économique de la maladie

24
La description épidémiologique T / L / P

• Temps, lieu et personne
• Le temps le mode de propagation
• Le lieu la source du phénomène
• La personne le groupe à risque, les facteurs de
  risque

25
Le temps

• Variation séculaire

Nombre de cas de tuberculose
1945
1998
26
Le temps

• Variation saisonnière

Nombre de cas de grippe par semaine
Novembre
Oct.
Mai
27
Le temps

• Variation hebdomadaire

Nombre d entrées
Lun Mar Mer Jeu Ven Sam Dim
28
Le temps

• Variation horaire

Nombre d entrées
0h 24h
29
Le lieu

• Pays, région, département, ville
• Collectivité usine, école, hôpital
• Définit la population ensemble défini et fini !
• Notion de pathologie géographique

30
La personne

• Variables  personnelles 
• sexe
• âge
• rang de naissance
• religion
• ethnie
• niveau d études
• domicile
•  catégorie socio-professionnelle 

31
Sources de données en épidémiologie
32
Sources de données

• Démographie
• INSEE, INED
• Mortalité
• INSEE, INSERM
• Données des registres

33
Sources de données

• Morbidité
• Les registres
• Les MDO (voir transparent spécifique)
• Les réseaux
• sentinelles
• GROG
• des laboratoires (RENAGO, RENAVIE)
• des centres de référence (salmonelloses,
  listérioses, grippes, 40 )

34
Sources de données

• Morbidité (suite)
• Les enquêtes en établissement de soins
• DREES (auparavant SESI)
• Les enquêtes nationales
• Enquête décennale INSEE-CREDES
• Le PMSI

35
Sources de données

• Morbidité (suite et fin)
• Les organismes de sécurité sociale
• affections de longue durée
• le conseil médical
• Les laboratoires (analyse médicale, ana-path.)
• Les accidents du travail
• Les maladies professionnelles
• Les tableaux de bord régionaux (ORS)

36
Les MDO
37
Un peu de stratégie .
38
Stratégie en épidémiologie

• Etape 1 décrire le problème de santé à l étude
• Etape 2 identifier les différences de niveau de
  santé
• Etape 3 formuler des hypothèses explicatives
• Etape 4 développer le protocole d évaluation
  des hypothèses
• Etape 5 mettre en œuvre le protocole
• Etape 6 rédiger les résultats du protocole et
  les recommandations

39
Stratégie en épidémiologie

• Etape 7 mettre en œuvre les recommandations
• Etape 8 évaluer l action ou le programme
• Etape 9 redéfinir l action de santé publique
  en fonction des résultats de l évaluation
• et ainsi de suite ! ..

40
Attitude descriptive

• On souhaite mesurer un paramètre de santé
• pour faire apparaître des différences entre
  groupes dans la population
• Ce qui conduit à formuler des hypothèses
  d'explication qui sont alors testées en attitude
  explicative

41
Attitude explicative

• En attitude explicative
• on explique une différence de santé par une
  exposition différente
• on calcule le risque relatif (ou son estimation)
  de maladie lié à l'exposition
• Attitude explicative en médecine
• modèle étiologique relation de cause à effet

42
Epidémiologique et éthique
43
Trois situations possibles

• Situation expérimentale
• On contrôle tous les facteurs de l'étude
• maladie, exposition, dose, durée, mesure, nombre
  de sujets
• Problème éthique

44
Trois situations possibles

• Situation semi - expérimentale
• Exemple Tchernobyl
• Inconvénient non maîtrise de la plupart des
  facteurs de l'étude
• Avantage situation exceptionnelle / éthique

45
Trois situations possibles

• Observation naturelle
• L'épidémiologiste se contente d'observer la
  situation réelle
• Avantage éthique
• Inconvénient nombreux facteurs perturbant
  l'observation ( dont les biais )

46
Construction des indicateurs
47
Quels indicateurs et pourquoi ?

• Quel est votre objectif ?
• mesurer la prévalence
• mesurer l'incidence
• mesurer un risque
• évaluer une action / un programme

48
Les mesures en épidémiologie prévalence

• Mesurer la prévalence
• nombre de cas de la maladie à un moment donné
• rapport ( taux ) de prévalence
• nombre de cas / population
• le rapport de prévalence mesure la
   probabilité  de rencontrer un malade dans la
  population
• Mesure descriptive et transversale
• Indicateur difficile à mesurer le plus souvent !

49
Exemples de mesure de prévalence

• Le protocole  enquête un jour donné 
• seroprévalence VIH dans les hôpitaux
• morbidité hospitalière
• infection à l hôpital ( nosocomiale )

50
Les mesures en épidémiologie incidence

• Mesurer l'incidence
• nombre de nouveaux cas pendant la période
  d'observation. Attention
• nouveaux cas
• période d'observation
• Taux d'incidence dit encore  incidence
  cumulative 
• nbe de nouveaux cas / population à risque
• au milieu de la période
• Population à risque ?
• Population au milieu de la période ?

51
Les mesures en épidémiologie incidence

• Le taux d incidence ou incidence cumulative est
  une mesure grossière, souvent insuffisante
• Exemple tabac et cancer du poumon
• Taux nombre de cancers du poumon / nbe de
  fumeurs
• On accorde au dénominateur le même poids aux
  fumeurs sans prendre en compte la durée de
  tabagisme, c est à dire l exposition !
• La mesure est donc erronnée

52
Les mesures en épidémiologie incidence

• Première amélioration
• Notion de personnes années à risque (PAR)
• Un fumeur depuis 20 ans va compter pour 20 PAR
• Densité d incidence n cancers / ? PAR
• Critique chaque fumeur a le même poids quelle
  que soit sa consommation !

53
Les mesures en épidémiologie incidence

• On introduit la notion de dose d exposition
• Dans le cas du tabagisme, le nombre de paquets
  par jour
• Un fumeur de 2 paquets par jour pendants 25 ans
  est compté pour 50 paquets années (PqA)
• Densité d incidence n cancers / ? PqA

54
Les mesures en épidémiologie risque

• Mesurer un risque
• Qu est ce qu un risque ?
• probabilité d apparition d un événement
  (notamment une maladie) pour un individu ou dans
  une population pendant une période donnée
  (Lellouch, dictionnaire d épidémiologie)
• risque individuel probabilité d apparition
  d un phénomène indésirable
• risque collectif probabilité d apparition
  d un phénomène indésirable dans une population.
• RISQUE RENCONTRE (DANGER X EXPOSITION)
• exposition f (intensité, nombre, voies, ...)

55
Les mesures en épidémiologie risque

• Mesure du risque un exemple
• le risque relatif ( RR )
• Tx Incidence chez les exposés
• --------------------------------------------------
  --------------------------------------------------
  --------------------------------------------------
  ---
• Tx Incidence chez les non exposés
• Varie autour de 1
• si lt 1 effet protecteur
• si gt 1 effet néfaste
• Peut être estimé d'autre façon (OR ou RC )
• D autres mesures de risque seront présentées
  ultérieurement.

56
Les mesures en épidémiologie risque

• L incidence est une mesure longitudinale
• Plus facile à appréhender que la prévalence
  (attractivité des nouveaux cas, nombres plus
  faibles ..)
• Toutefois ...

57
Mesure du risque risqué !!

• Facteur de risque
• de comportement
• génétique
• environnemental
• social
• Population à risque
• population qui partage le facteur
• mais comment le savoir ?
• qui compose la population à risque ?

58
Quelques autres indicateurs

• Espérance de vie nombre moyen d années à vivre
  calculé à partir des taux de décès par âge connus
  à la date de calcul.
• EVSI idem sans incapacité
• Létalité (lethalité) pourcentage de décès dans
  la maladie
• n décès malades / N malades

59
Quelques autres indicateurs

• Indicateurs de résultats positifs
• taux brut de natalité naissances viables par an
  pour 1000 habitants
• taux global de fécondité nbe de naissances pour
  1000 femmes âgées de 15 à 44 ans
• rappel EV, EVSI

60
Quelques autres indicateurs

• Indicateurs de santé globale
• prend en compte
• des mesures  objectives  physiologie,
•  subjectives  perception et
• des mesures d incapacité
• Difficile à mettre en œuvre de façon cohérente
  dans le temps et dans l espace

61
Différents types dindicateurs
62
ANAES recommandation Indicateurs
63
Sommaire
64
Définition
65
Utilité / utilisation
66
Utilisateurs
67
Nature de lobjet mesuré
68
Quiz 1
69
Méthodes de standardisation des taux
70
Le problème à résoudre
71
Quelques statistiques
72
Données démographiques
73
1ère solution standardisation directe
74
Influence de la référence utilisée
75
Influence de la référence utilisée
76
2ème solution standardisation indirecte
77
2ème solution standardisation indirecte,
formulaire
78
Discussion
79
Discussion
80
Conditions d application standardistion directe
81
Conditions d application standardistion
indirecte

• La méthode est applicable si les histogrammes
  représentant les 2 populations à comparer ne se
  croisent pas !
• Les autres méthodes de validation semblent
  incertaines ?
• L effet de distorsion est peu prévisible

82
Un exemple américain aie ! aie!
83
Standardistion conclusion

• Les taux bruts ne sont jamais comparatifs !
• Il y a au moins 2 types de problématiques
• celle de l épidémiologiste qui veut comparer des
  taux pour objectiver des différences
• celle du planificateur qui a besoin de nombres
  pour dimensionner des services et non pas de taux
• Les taux bruts sont dangereux, ils ne donnent
  qu un ordre de grandeur du phénomène et incitent
  à comparer !!

84
Etudes épidémiologiques
85
Quelle étude pour mon protocole ?
86
Porte d'entrée dans l'étude

• 1 / - Par la maladie
• on sait déterminer de façon indubitable l'état
  malade / non malade
• on sait où trouver des malades et des non malades
  ( témoins )
• Il s'agit d'une étude de cas et de témoins
• ( case control study )

87
Porte d'entrée dans l'étude

• 2 / - Par l'exposition
• on sait de façon indubitable classer la
  population en exposés et non-exposés
• on sait mesurer l'exposition
• Il s'agit
• d'études de cohorte
• d'études exposés / non exposés

88
Observation et biais

• Un biais est un effet systématique qui agit en
  permanence et toujours dans le même sens pour
  fausser l'observation.
• Biais de sélection, particulièrement dangereux
  dans les essais cliniques
• Biais d'information
• Biais de confusion ( " tiers facteur " )

89
Biais de sélection

• Principe
• les populations comparées ( malades / non
  malades ou exposées / non exposées) sont choisies
  avec un mode implicite de sélection précisément
  en liaison avec l hypothèse testée
•  Healthy worker effect  biais du travailleur
  en bonne santé ( costaud )
• résultat minimise l effet néfaste éventuel du
  facteur d exposition suspecté sur la santé des
  travailleurs

90
Biais de sélection

• Enquête porte à porte ignore les absents, les
  refus de répondre, les immeubles protégés,
• Enquête  guichet  sélectionne les seules
  présents et/ou ceux qui sont  sympas ,
• Centre d examen de santé de la S.S.
• sélectionne les disponibles, les
   non-travailleurs , les hypochondriaques,
  etc...

91
Biais d information

• Principe l information disponible pour les
  populations comparées ( malades / non malades ou
  exposées / non exposées) n est pas de même
  nature, n a pas la même qualité,
• Danger risque d avoir plus d information sur
  les malades ou les exposés, ce qui va dans le
  sens des hypothèses testées.

92
Biais d information

• Exemple 1
• malades à l hôpital / non malades en population
  générale
• dossiers médical contre ???
• les malades sont aussi plus vigilants
• Exemple 2
• des travailleurs a priori exposés sont plus
  suivis, d où meilleures données et plus de
  diagnostics en général.

93
Biais d information

• Exemple 3
• biais de diagnostic la connaissance des risques
  encourus peut générer un  acharnement
  diagnostic  en faveur de l hypothèse testée
• les personnes soumises au facteur suspecté ont
  plus de chance d être diagnostiquées.

94
Biais de confusion

• Synonymes tiers facteur, tierce variable,
  facteur ou variable de confusion (
   confunding )
• Principe une variable peut en cacher une autre
  !
• Mais encore on attribue à une variable l effet
  d une autre !
• Exemple la  guerre des maternités  publiques
  et privées dans les années 70 !

95
Biais de confusion

• Exemple 2
• la vitesse tue au volant !
• Exemples 3
• malheureusement la plupart des variables de
  comportement apparaissent liées dans une
  population. (tabac, alcool, )
• En conséquence, le risque est grand d avoir un
  effet de confusion !
• Pizza, bière et ulcère ...

96
Biais de confusion

• Heureusement
• on peut analyser a posteriori ( bivariée et
  multivariée) les données en fonction des
  variables de confusion suspectées
• une des méthodes est la stratification a priori
  selon Mantel et Haenszel
• la méthode sera vue en détail plus loin.

97
Biais synthèse

• Le biais de confusion peut être analysé et
  neutralisé a posteriori
• Les biais d information et de sélection une fois
  manifestés sont irréductibles
• Il convient donc dans toute la mesure du possible
  de les prendre en compte au moment de la
  conception du protocole.

98
Les études à visée étiologique
99
Les études à visée étiologique

• A partir de l'exposition
• expérimentales essai clinique
• d'observation
• exposés / non exposés
• de cohorte
• A partir de la maladie
• étude de cas et de témoins

100
L'essai clinique

• Effet bénéfique de A RR lt 1
• Effet néfaste de A RR gt 1

101
L'essai clinique

• Rappel statistique (pour mémoire!)
• Significativité et test de Khi-deux
• La significativité d'un résultat est la
  probabilité d'observer ce résultat du seul fait
  du hasard
• Cette probabilité est estimée ici au moyen du
  calcul d'une statistique, le khi-deux

102
L'essai clinique

• Force d'association
• Ce n'est pas la significativité !
• La force d'association mesure l'intensité de
  l'association entre un facteur d'exposition et la
  maladie
• Mesurée par le risque relatif RR
• ( ou évaluée par OR )

103
L'essai clinique

• Effet bénéfique de A si RR gt 1
• Effet néfaste si de A si RR lt 1

104
L'essai clinique

• Interprétation de l'intervalle de confiance
• Exemples
• 0,45 -------- 0,80 inférieur à 1
• 1,87 ---------12,34 supérieur à 1
• 0,22 --------- 1,28 pas différent de 1
• 0,80 --------- 18,56 pas différent de 1

105
L'essai clinique

• L'ordinateur calcule pour vous !

106
L'essai clinique

• Regard critique sur notre étude
• classification malade / non malade
• contrôle de l'allocation aléatoire des
  traitements
• analyse des biais
• de sélection !!
• d'information (plus d'info chez les malades )
• de confusion
• nombre de sujets et précision

107
Etude exposés / non exposés

• Le principe

Exposés
Non exposés
108
Etude exposés / non exposés

• Le principe

Exposés
temps
Non exposés
109
Etude exposés / non exposés

• Le principe

---gt Malades Non malades
Exposés
temps
Non exposés
110
Etude exposés / non exposés

• Le principe

---gt Malades Non malades
Exposés
a
b
temps
Non exposés
c
d
111
Etude exposés / non exposés

• Champ d'utilisation
• santé au travail
• risques technologiques
• Inconvénients
• risque de biais d'où faible comparabilité des 2
  groupes
• Avantages
• étude réalisable quand on ne peut définir une
  cohorte vraie E/NE

112
Etude exposés / non exposés

• Interprétation statistique
• identique en tous points à l'essai clinique
• khi -deux (valeur seuil à 3,84 avec 1 ddl )
• RR
• Intervalle de confiance

113
Etude de cohorte

• Principe

----gt Malades Non malades
Exposés
a b
temps
Non exposés
c d
114
Etude de cohorte

• Définition d'une cohorte
• groupe homogène de population partageant des
  conditions de vie aussi comparables que possible
• par conséquent susceptible de partager les mêmes
  risques ( même "chance" de risque )

115
Etude de cohorte

• Un exemple enquête à OSWEGO (USA ) 1941

116
Etude de cohorte

• Exemple d'Oswego

117
Etude de cohorte

• Exemple d'Oswego

118
Etude de cohorte

• Par rapport à Exposés / Non exposés
• plus objectif (moins de risque de biais )
• nécessite de trouver la cohorte
• santé et travail
• médecine scolaire
• collectivité en général

119
Etude de cas et de témoins

• Principe

Malades
Non malades
120
Etude de cas et de témoins

• Principe

Exposition au facteur ?
Malades
Non malades
Oui Non
121
Etude de cas et de témoins

• Principe

Exposition au facteur ?
Malades
Non malades
Oui a b Non c d
122
Etude de cas et de témoins

• Interprétation statistique

123
Etude de cas et de témoins

• Interprétation statistique
• signification par rapport à 1
• IC de même nature que RR
• test de significativité khi-deux

124
Etude de cas et de témoins

• Un exemple historique tabagisme et cancer du
  poumon

125
Etude de cas et de témoins

• Un exemple historique tabagisme et cancer du
  poumon

126
Quiz 2
127
Etude de cas et de témoins

• Un exemple historique tabagisme et cancer du
  poumon

128
Etude de cas et de témoins

• Attention aux erreurs
• les témoins malades !
• Attention aux biais
• de sélection
• d'information
• de confusion

129
Cas témoins lt---gt Cohorte ou E/NE
Non
Oui
130
Quiz 3

131
Association et causalité
132
Les 6 critères de causalité

• Cohérence temps et espace
• répétition ailleurs et à d'autres périodes
• Force de l'association
• Spécificité de l'association
• un ex diététique
• Relation temporelle
• Plausibilité clinique / biologique
• Gradation biologique
• Existence d'une relation dose-effet

133
Les études synthèse
134
Types d'étude synthèse
Exposition
Maladie
temps
135
Types d'étude synthèse
Exposition
Maladie
temps
Cas témoins
Cohorte prospective
Cas témoins
Transversale
Transversale
lt--Cohorte rétrospective--gt
Etude expérimentale
136
Eléments d analyse statistique des études
épidémiologiques
137
Plan suivi

• Les différentes mesures de risque
• Interaction entre variables
• confusion
• modificateur de l effet
• véritable interaction (au sens de Kenneth
  Rothman)
• Analyse stratifiée
• Un exemple
• Les mesures d impact

138
Mesures de risque
139
Les mesures de risque
Notation 1/- Etude de cohorte ou Exposés / Non
- exposés Malades Non Malades Exposés a
b L1 Non Exposés c d L0
140
Les mesures de risque
2/- Etude de cas et de témoins Malades Non
Malades Exposés a b Non Exposés c d
C1 C0
141
Les mesures de risque
Risque relatif Uniquement pour Cohorte ou
Exposés / Non - exposés Malades Non
Malades Exposés a b L1 Non
Exposés c d L0 Tx incidence
exposés R1 RR
------------------------------- ----
----------- (a/L1) / (c/L0) Tx
incidence non exposés R0
142
Les mesures de risque

• Différence de risque
• DR R1- R0
• Mesure l excès de risque associé au facteur
  d exposition à l étude
• Mesure absolue
• Ne permet pas les comparaisons entre études

143
Les mesures de risque un exemple
Exemple fictif extrait de  Epidémiologie
d intervention  Taux de décès On note le
résultat trompeur du RR dès lors qu il s agit
de classer les facteurs selon l excès de risque,
exprimé en nombre de décès, associé à chaque
facteur!
144
Les mesures de risque
Odds ratio ou rapport des cotes Etude de cas et
de témoins Malades Non Malades Exposés a
b Non Exposés c d C1 C0 RC
(a/c) / (b/d) ad / bc RC est la seule mesure de
risque calculable dans une enquête cas -
témoins
145
Rapport des cotes

• Collections de cas et de témoins versus
  échantillons représentatifs
• Proportion d exposés une statistique dépourvue
  de sens ici
• Cote d exposition, la seule solution acceptable
  à cause des  collections  non représentatives
  des malades et des sains.

146
Interaction entre variables

• Il est souvent difficile d identifier la ou les
  variables causales, car souvent les variables
  peuvent être liées les unes aux autres (comme par
  exemple les variables de comportement)
• Trois situations doivent être distinguées
• 1/- La confusion
• qui consiste à attribuer à la mauvaise variable
  l effet néfaste. La variable de confusion cache
  la vraie variable car elles sont en étroite
  liaison, mais seule la vraie variable a un effet
  néfaste

147
Interaction entre variables

• 2/- La modification de l effet
• la variable incriminée ne joue pas le rôle de
  confusion mais cause une modification de l effet
  néfaste en fonction de ses différentes
  modalités. Seule une analyse stratifiée pour
  cette variable permettra alors d appréhender les
  vraies valeurs de force d association pour
  chacune des strates
• Ex Sexe, âge, PCS, peuvent être des
  modificateurs de l effet.

148
Interaction entre variables

• 3/- Interaction véritable selon Rothman
• Il y a interaction si la présence simultanée de 2
  variables provoquent un certain nombre de cas de
  maladie.
• Exemple effet de l amiante, du tabac et des 2
  facteurs réunis sur le cancer pulmonaire
  (d après Rothman)
• On observe une synergie entre les 2 facteurs
  selon un modèle d interaction multiplicatif

149
Interaction entre variables

• Il y a interaction si 2 variables A et B ne sont
  pas indépendantes
• et,
• outre l effet propre de A et de B, s il existe
  un effet significatif de la combinaison
  (simultanée) AB

150
Interaction entre variables

• 3/- Interaction
• Selon Kenneth ROTHMAN ( Modern epidemiology )
• Il y a interaction entre 2 variables A et B si
• _ _
  __
• I(AB) R(AB) - R(AB) - R(AB) R(AB)
• car
• __
  _ __ _ __
• I(AB) R(AB) - R(AB) - R(AB) - R(AB)
  R(AB) - R(AB)

151
Interaction entre variables analyse statistique

• L analyse stratifiée permet d analyser a
  posteriori les données pour déterminer si une
  variable joue le rôle de variable de confusion,
  et permet aussi d identifier le ou les
  modificateur(s) de l effet.
• L interaction vraie se mesure selon différents
  indicateurs
• mesure de la proportion attribuable de
  l interaction
• index de synergie de Rothman
• analyse multivariée
• Des tests sont disponibles pour donner la
  signification de l interaction.

152
Analyse stratifiée selon la méthode de Mantel et
Haenszel
Notation pour la strate i Malades Non
Malades Exposés ai bi L1i Non
Exposés ci di L0i C1i C0i Ti On
calcule pour chaque strate le RRi ou le ORi
ou RCi Puis on calcule RR pondéré ou OR pondéré
ainsi que le Khi-deux pondéré (stratifié, ajusté,
standardisé)
153
Analyse stratifiée selon la méthode de Mantel et
Haenszel
Formulaire Pour la strate i RRi (ai /
L1i ) / (ci / L0i) ORi (ai di) / (bi
ci)
154
Analyse stratifiée selon la méthode de Mantel et
Haenszel
Formulaire ?i (ai L0i ) / Ti
RRM-H --------------------------- ?i
(ciL1i ) / Ti ?i (ai di ) / Ti
ORM-H --------------------------- ?i
(bici ) / Ti

155
Analyse stratifiée selon la méthode de Mantel et
Haenszel
?iai - ?i(L1i C1i ) / Ti
² ?²M-H ------------------------------------
-------------------- ?i (L1i L0i C1i
C0i ) / (Ti ² Ti - 1) Fort heureusement,
l ordinateur calcule !!
156
Exemple de calcul enquête à Oswego
157
Exemple de calcul
Début d'analyse Stratifiée
JAMBONCUIT
VANILLE MALADE -
Total ------------------------------
28 1 29 - 6 11
17 ------------------------------ Total
34 12 46
Analyse d'un tableau
Strate 1 Odds ratio

51.33 Limites de confiance de l'OR selon
Cornfield à 95 4.84 lt OR lt 1315.70
peut-être imprécis Estimation du
maximum de vraissemblance de l'OR (EMV)
45.40 Lim. exactes de conf. à 95 pour
estim. max. vraiss. 5.09 lt OR lt 2283.90 Lim.
exactes Mid-P à 95 pour estim. max. vraiss.
6.22 lt OR lt 1145.86 Proba. de l'estim. max.
vraiss. gt 45.40 si l'OR de la pop. 1.0
0.00000938 Risque relatif de (VANILLE) pour
(MALADE) 2.74 Limites
de confiance du RR à 95
1.43 lt RR lt 5.23 Ignorez le
risque relatif s'il s'agit d'une étude
cas-témoins Khi2
p -----------
-------- Non-corrigé 20.86
0.00000495 lt--- Mantel-Haenszel 20.40
0.00000627 lt--- Yates corrigé
17.80 0.00002452 lt--- Test exact de
Fisher Valeur de p - unilatéral 0.0000094 lt---
Valeur de p -
bilatéral 0.0000094 lt--- Une valeur attendue est
lt 5 résultats exacts de Fisher recommandés.

158
Exemple de calcul
JAMBONCUIT -
VANILLE MALADE -
Total ------------------------------
15 2 17 - 5 7
12 ------------------------------ Total
20 9 29
Analyse d'un tableau
Strate 2 Odds ratio

10.50 Limites de confiance de l'OR selon
Cornfield à 95 1.25 lt OR lt 112.13
peut-être imprécis Estimation du
maximum de vraissemblance de l'OR (EMV)
9.51 Lim. exactes de conf. à 95 pour
estim. max. vraiss. 1.27 lt OR lt 123.64 Lim.
exactes Mid-P à 95 pour estim. max. vraiss.
1.57 lt OR lt 85.81 Proba. de l'estim. max.
vraiss. gt 9.51 si l'OR de la pop. 1.0
0.01161727 Risque relatif de (VANILLE) pour
(MALADE) 2.12 Limites
de confiance du RR à 95
1.06 lt RR lt 4.23 Ignorez le
risque relatif s'il s'agit d'une étude
cas-témoins Khi2
p -----------
-------- Non-corrigé 7.13
0.00759068 lt--- Mantel-Haenszel 6.88
0.00870774 lt--- Yates corrigé
5.12 0.02368101 lt--- Test exact de
Fisher Valeur de p - unilatéral 0.0116173 lt---
Valeur de p -
bilatéral 0.0140446 lt--- Une valeur attendue
est lt 5 résultats exacts de Fisher recommandés.
159
Exemple de calcul
Résumé des 2 tableaux (sans marge nulle)
N 75 Khi2
pondéré de Mantel-Haenszel
23.76 valeur de p

0.00000109 Khi2 pondéré (non corrigé) de
Mantel-Haenszel
26.38 valeur de p
0.00000028
ODDS RATIO OR brut obtenu sur les
groupes discordants
23.45 Odds ratio pondéré de Mantel-Haenszel
21.71 Limites de
confiance à 95 de l'OR M-H
5.44 lt OR lt 86.64 Estimation du maximum de
vraissemblance de l'OR (EMV)
20.84 Lim. exactes de conf. à 95 pour estim.
max. vraiss. 5.00 lt OR lt 127.70 Lim. exactes
Mid-P à 95 pour estim. max. vraiss. 5.67
lt OR lt 100.97 Proba. de l'estim. max. vraiss. gt
20.84 si l'OR de la pop. 1.0 0.00000034 Khi
pour l'évaluation de l'interaction
1.14 valeur de p

0.28495792 Le Test ne suggère pas que les ORs
sont différents par strate (interaction) Si les
valeurs (brute et pondérée) sont identiques, la
confusion est faible. En absence d'interaction et
de confusion, l'analyse brute et non-stratifiée
(MALADE x VANILLE) peut être utilisée. RISQUE
RELATIF APRES STRATIFICATION (RR)
(Ignorer si étude de cas-témoin) RR brut

2.46 RR de (VANILLE) pour (MALADE)
2.47 Limites de
confiance du RR à 95
1.53 lt RR lt 3.97 Khi pour l'évaluation de
l'interaction
0.28 valeur de p
0.59624836 Le Test ne
suggère pas que les RRs sont différents par
strate (interaction) Si les valeurs (brute et
pondérée) sont identiques, la confusion est
faible. En absence d'interaction et de confusion,
l'analyse brute et non-stratifiée (MALADE x
VANILLE) peut être utilisée. Fin
de l'analyse stratifiée
160
Un exemple
Données étude des effets indésirables de 2
traitements A et B, et influence de la
consommation de café sur les résultats. Qu 
observe t - on ?
161
Un exemple
On observe une modification de l effet
caractéristique liée à la consommation de café
162
Confusion ou modification ? Règles

• 1/- Les RR / OR bruts et M-H sont ils différents
  ?
• Non il n y a pas de confusion / modification
• Oui il y a confusion / modification
• 2/- Les RR ou OR sont ils homogènes dans les
  différentes strates?
• Oui si l on a répondu oui à la question
  précédente, il y a confusion
• Utiliser seulement les RR et OR ajustés de M-H
• Non il y a modification on ne peut présenter
  les données que pour chaque strate prise
  séparément et les valeurs pondérées de MH sont
  illicites de même que les RR ou OR bruts.

163
Confusion, modification synthèse

• Un facteur de confusion potentielle
• 1/- doit être un facteur de risque de la maladie
  parmi les non exposés
• 2/- doit être associé à la variable d exposition
  dans la population d où proviennent les cas.
• 3/- L analyse stratifiée montre des RR/OR bruts
  et ajustés différents, et des RR/OR par strate
  comparables

164
Confusion, modification synthèse

• Ex 1 maternités secteur public/privé
• le statut public/privé est bien un facteur global
  de risque parmi les grossesses sans risque au
  sens de toute grossesse comporte un risque
• le statut est complètement associé aux cas à haut
  risque qui systématiquement étaient adressés au
  secteur public
• Ex 2 pizza, bière et ulcer
• la pizza peut très bien être un facteur de risque
  parmi les gens qui ne boivent pas de bière
• la pizza est associée souvent à la prise de
  bière!

165
Confusion, modification synthèse

• Un facteur modificateur de l effet
• 1/- provoque l observation de RR/OR différents
  dans les strates après analyse stratifiée
• 2/- correspond à un mécanisme hypothétique
  (biologiquement) plausible
• 3/- n est pas une nuisance mais un
  enrichissement de notre connaissance !

166
Quiz 4 analyse stratifiée

167
Mesures d impact
168
Les mesures d impact

• Il s agit d évaluer l importance des risques
  mesurés en termes de santé publique.
• Que signifie un risque relatif de XX.XX pour
  les personnes exposées et pour la population
  générale?
• Plus précisément, il s agit de mesurer la part
  d un facteur de risque dans l ensemble des cas
  de maladie considérée

169
Les mesures d impact

• Fraction étiologique chez les exposés
• C est la proportion de cas parmi les exposés
  que l on peut attribuer au facteur
  d exposition.
• enquête de cohorte
• FEe (R1- R0)/R1 (RR - 1)/RR
• enquête cas - témoins
• FEe (OR -1)/OR

170
Les mesures d impact

• Fraction étiologique dans la population
• C est la proportion de cas dans la population
  générale que l on peut attribuer au facteur
  d exposition. (Appelée parfois risque
  attribuable)
• enquête de cohorte
• FEp (RP- R0)/RP a/(a c) FEe
• enquête cas - témoins
• FEp (b/C0)(OR - 1) / (b/C0) )(OR - 1) 1

171
Les mesures d impact

• Exemple de Doll et Hill (voir dias suivantes)
• Enquête de cas et de témoins
• Fee (9.08-1)/9.08 89.0
• Fep 0.955(9.08-1)/(0.955(9.08-1)1
  88.5
• Commenter ces résultats

172
Les mesures d impact

• Enquête de cohorte
• Fee (1.30-0.07)/1.30 94.6
• Fep (133/136 )0.946 0.925 92.5
• Commenter ces résultats et comparer aux
  précédents.

173
Les mesures d impact
Extrait de  Epidémiologie d intervention 
174
Les mesures d impact
Extrait de  Epidémiologie d intervention 
175
Utilisation des mesures d impact exemple de
Doll et Hill
Extrait de  Epidémiologie d intervention  On
constate que la fraction étiologique est très
élevée dès les basses doses et qu elle augmente
de façon croissante avec la dose.
176
Utilisation des mesures d impact exemple de
Doll et Hill
Extrait de  Epidémiologie d intervention 
On constate ici que la fraction étiologique est
beaucoup plus faible. Là encore, on note un léger
effet d accroissement avec la dose
177
Utilisation des mesures d impact exemple de
Doll et Hill
Quels sont les résultats remarquables de ce
tableau ?
178
Epidémiologie et évaluation
179
Un exemple d évaluation épidémiologique
Les programmes de dépistage ,effets attendus
et réels sur la santé des français
180
Le dépistage .

• La vérité est ailleurs .

181
Plan suivi

• Définitions utilisées
• Le dépistage un pari
• Les problèmes liés au dépistage
• Etude de 2 cas
• cancer du sein
• cancer colo-rectal
• Discussion
• Conclusion

182
L évaluation définitions

•  L évaluation consiste à mesurer, comparer (à
  une référence) puis à porter un jugement de
  valeur. 
• in Dictionnaire de l information en santé
  publique, RUSCH E. et THELOT B. ,ed.
  Frison-Roche, Paris, 1994.
• Mesure du degré d atteinte d objectifs définis
  à l avance
• adapté de  Evaluating health services
  effectiveness , St LEGER AS et al., Open
  university press, Philadelphia, 1992

183
L évaluation définitions

•  Evaluer consiste à porter un jugement de valeur
  sur une intervention en mettant en œuvre un
  dispositif permettant de fournir des informations
  scientifiquement valides de façon à ce que
  les différents acteurs soient en mesure de
  prendre position sur l intervention et de
  construire un jugement qui puisse se traduire en
  actions. 
• in Contandriopoulos AP et al. RESP, 200, 48,
  517-539 L évaluation dans le domaine de la
  santé, concepts et méthodes
• L évaluation, espace de concertation.

184
Evaluation du dépistage

• Problématique
• un test de dépistage donne un résultat qui peut
  soit être vrai, soit être faux. Comme nous ne
  connaîtrons pas immédiatement la réalité
  (vérité), il s agit d un pari.
• Il est donc important d évaluer la qualité des
  tests de dépistage.
• Le pari est le suivant

185
Evaluation du dépistage le pari

• Le résultat du test est un pari

186
Evaluation du dépistage

• test de dépistage terminologie
• Se VP/(VP FN)
• Sp VN / (VN FP)
• VPP VP / (VP FP)
• VPN VN / (VN FN)

187
Problèmes liés au dépistage

• De nombreux problèmes sont liés au dépistage
• FP et FN
• Prévalence du phénomène étudié
• Stratégie de dépistage et seuil de détection
• Sensibilité et spécificité
• Adhésion à la campagne
• Coût

188
FP et FN

• Les problèmes
• les faux négatifs FN
• le cas du VIH
• donneur de sang,
• usager de drogue injectable,
• cancer colo-rectal
• cancer du sein

189
FP et FN

• Les problèmes
• les faux positifs FP
• cas du VIH coût et problème psychologique
• cancer du sein méthodes invasives, erreurs,
  cancérophobie

190
Prévalence

• Prévalence du phénomène étudié
• les résultats de tout test de dépistage sont
  fonction de la prévalence dans la population
  cible
• Exemple recherche des anticorps contre le VIH

191
Faible prévalence
192
Forte prévalence
193
Influence de la prévalence

• Dans une population à faible prévalence, le test
  ELISA pose 2 problèmes
• le nombre de faux positifs est considérable
• la valeur prédictive positive est très faible

194
Influence de la prévalence
195
Influence de la prévalence

• Conclusion éviter de dépister en faible
  prévalence quand on recherche des positifs
• Argument à prendre en compte pour établir une
  stratégie de dépistage pertinente.

196
Stratégie de dépistage

• On peut s intéresser à dépister des positifs
• cancers
• VIH pour les toxicomanes
• On souhaite certifier que les personnes sont
  indemnes et notifier de façon fiable les
  positifs spécificité maximum, VPP maximum et
  seuil de détection haut
• Ou bien à dépister des négatifs
• don du sang
• on souhaite identifier si possible la quasi
  totalité des personnes atteintes pour valiser
  avec quasi certitude les dons négatifs
  sensibilité maximum, VPN maximum et seuil de
  détection bas
• Or la VPN et la VPP varient en sens inverse
• Il est donc important d évaluer la faisabilité
  ainsi que la pertinence

197
Sensibilité et spécificité

• Rappels
• Se VP/(VP FN)
• aptitude à diagnostiquer le plus de cas vrais
• Spé VN / (VN FP)
• aptitude à identifier le plus d indemnes vrais
• Malheureusement Se et Spé varient en sens
  inverse, d où l importance de savoir si l on
  cherche des cas ou des indemnes

198
Seuil de détection

• De nombreux tests sont biologiques de ce fait
  ils obéissent à la variabilité fondamentale du
  monde vivant et donnent rarement un résultat en 0
  ou 1.
• Dans la plupart des cas, le test fournit un
  indicateur quantitatif qui suit une loi de
  Laplace-Gauss, traduisant la variabilité
  biologique fondamentale
• On aboutit alors à un problème similaire à celui
  des test statistiques (seuil de décision) qui,
  ici est celui de la définition du seuil de
  détection, valeur à partir de laquelle on dira
  que la personne est atteinte.

199
Test de dépistage relations entre seuil de
détection, Se, Sp, FN, FP
Seuil de détection
Sains
Malades
VN
VP
FN
FP
Se VP/(VP FN) si le seuil augmente, la Se
diminue
Sp VN / (VN FP) si le seuil augmente, la Sp
augmente
200
Adhésion à la campagne

• Obstacle important quel pourcentage de la
  population à dépister adhère effectivement à la
  campagne ?
• Le but est, en général, d obtenir une réduction
  de la mortalité. Cette réduction n est obtenue
  que si un majoritaire adhère à la campagne.

201
Coût

• exemples pour le VIH

202
Coût VIH, don du sang
203
Coût VIH, examen prénuptial (!!)
204
Coût VIH, examen prénuptial (!!)
205
Coût VIH, synthèse

• Pour le don du sang coût très important des
  tests des positifs parmi lesquels de nombreux FP
• les positifs représentent représentent environ
• 2, il parait plus simple d écarter ces dons
  sans recherche ultérieure.
• Mais on perd la prévalence en population
  générale, et on ne diagnostique pas les VP
• Donc, on effectue tous les test Western Blot sur
  tous les Elisa positifs

206
Coût VIH, synthèse

• Pour le dépistage prénuptial
• Sans commentaire !
• Coût par cas dépisté gt 800 000F

207
Evaluation du dépistage premiers éléments

• Premiers enseignements
• 1/- le dépistage est très mal adapté à une
  population à très faible prévalence !!
• 2/- il faut donc cibler les dépistages
• soit en direction des groupes à risque VIH,
  groupes à risque de cancer par ex.
• soit dans les parties de la population où la
  prévalence est supposée forte tranche 50 à 70,
  ce qui signifie que l on ne peut dépister avant
  50 ans!

208
Evaluation du dépistage

• Exemples de deux dépistages de cancer
• cancer du sein
• cancer du colon

209
Dépistage du cancer du sein

• Les enjeux
• 37000 entrées en ALD et 11 000 décès par an pour
  la période 95-97 (source SCORE-Santé)
• bénéfice attendu du dépistage
• jusqu à 30 de réduction de la mortalité

210
Des études très prometteuses

• Tabar L, Fagerberg C, Gad A et al. Reduction in
  mortality from breast cancer after mass screening
  with mammography. Lancet 19851829-832

211
Des études très prometteuses
212
Des études très prometteuses

• Généralisation du programme

213
Une volonté européenne...
214
Une volonté européenne...
215
Une volonté européenne...
216
Dépistage du cancer du sein évaluation
217
Dépistage du cancer du sein évaluation
218
Dépistage du cancer du sein évaluation
219
Dépistage du cancer du sein évaluation

• Un bilan pour l instant mitigé

220
Dépistage du cancer du sein évaluation

• Mais en constante amélioration
• Une dynamique
• de mobilisation,
• d amélioration des pratiques et
• d évaluation.

221
Dépistage du cancer du sein évaluation

• Parfois donne lieu à polémique
• Sur 1000 femmes dépistées entre 50 et 70 ans
• il y aura 45 cancers au total
• le dépistage donnera 5 FN
• 100 à 250 FP parmi lesquelles
• 40 biopsies
• 35 diagnostics dont
• 11 décès inévitables
• 24 cas de diagnostic incontournable de toute
  façon
• enfin 5 diagnostics précoces utiles
• Selon le Pr Paul Schaffer, in La Lettre de la
  SFSP, 1997, n10