Revue méthodologique sur la relation température-mortalité

Alerte aux Canicules Au Sahel et
à leurs Impacts sur la Santé Institut de Recherche pour le
Développement Revue méthodologique sur la
relation température-mortalité
Papa Daouda Amad DIENE
Ingénieur Statisticien
INTRODUCTION
  L'exposition à des températures ambiantes, basses et hautes augmente le risque de décès.
  Les projections climatiques indiquent une augmentation en fréquence et en intensité des
vagues de chaleur en Afrique.
  En Afrique, le climat est plus chaud et les capacités d’adaptation sont plus faibles.
  Il faudrait donc mettre en œuvre des actions pour détecter et évaluer leurs impacts:
ACASIS
  Le projet s'appuie sur des analyses statistiques, des exercices de modélisation climatique,
des enquêtes de terrain et le traitement de ces données.
  Il subsiste cependant des questions méthodologiques lors de l'examen de la relation entre la
température et de la mortalité.
2
PLAN DE PRESENTATION
1.  ETAT DES LIEUX SUR LA MODELISATION
2.
3.
PRESENTATION DES METHODES
2.1
MODELES DE SERIES TEMPORELLES
2.2
MODELES A EFFETS RETARDES (DLM ou DLNM)
2.2
MODELES DE CAS-CROISES
2.4
MODELES SPATIO-TEMPORELS
EXEMPLES D’ARTICLES UTILISANT CES METHODES
CONCLUSION
3
1. ETAT DES LIEUX SUR LA MODELISATION
1.  ETAT DES LIEUX SUR LA MODELISATION
Les modèles les plus utilisés sont les modèles de séries temporelles et les cas-croisés
Dans plusieurs études, la relation entre la température et la mortalité a été étudiée
compte non-tenue des polluants atmosphériques.
Récemment les études se sont intéressés à l’évaluation de l’effet potentiel des
polluants atmosphériques sur l’association Température-Mortalité, la détection des
sous groupes vulnérables, mais également sur le déplacement de la mortalité.
Les outputs de ces études sont généralement: un coefficient de régression, risque
relatif (séries chronologiques), odds ratio (cas-croisé).
Pour améliorer leur estimation, les auteurs prennent souvent le nombre de décès
compte non-tenue des décès par accident et les décès dus au maladies
cardiovasculaires et respiratoires.
4
2.
PRESENTATION DES METHODES
2.1 Modèles de Séries temporels
2.1 Modèles GLM
Principe
!~​#↓%&' )=*[!]
+=,())
+=-.
Y = (Y1, Y2, …, Yi, …, Yn)’ est le vecteur des variables aléatoires,
µ = (µ , µ , …, µ , …, µ )’ est le vecteur des espérances,
1
2
i
n
η = (η , η , …, η , …, η )’ est le vecteur des prédicteurs,
1
2
i
n
β = (β , β , …, β , …, β )’ est le vecteur des paramètres à déterminer
1
2
j
p
X est la matrice des cofacteurs
g est la fonction de lien donne la forme de la relation entre (l’espérance de) la variable
expliquée et les variables explicatives.
5
2.
PRESENTATION DES METHODES
2.1 Modèles de Séries temporelles
2.1 Modèles GLM
Principe
!~​#↓%&' )=*[!]
+=,())
+=-.
,(*[​!↓1 ])=∑↑▒​.↓7 ​-↓17 Estimations
Les équations qui déterminent les paramètres au sens du maximum de
vraisemblance sont non linéaires
Cela nécessite donc une utilisation d’algorithmes itératifs.
6
2.
PRESENTATION DES METHODES
2.1 Modèles de Séries temporelles
2.1 Modèles GLM
Adéquation au modèle
On utilise généralement deux statistiques:
  La déviance normalisée (scaled deviance)
8=29:,(​#(​;↓<=& , >)/#(;, >) )
Lorsque le modèle étudié est exact, la déviance normalisée D suit
approximativement une loi du khi-deux à n-K degrés de liberté
2.
PRESENTATION DES METHODES
2.1 Modèles de Séries temporelles
2.1 Modèles GLM
Adéquation au modèle
  La statistique du khi-deux de Pearson
​@↑2 =∑↑▒​(​ >−​A↓1 )↑2 ∕C(​A↓1 ) Cette statistique est distribuée approximativement selon une loi du khi-deux à n-K
degrés de liberté si le modèle étudié est exact
Il faut par la suite procéder à des tests de surdispersion tels que le test de Wald et
le test de LRT.
2.
PRESENTATION DES METHODES
2.1 Modèles de Séries temporelles
2.2 Modèles GAM
Principe
!~​#↓%&' )=*[!]
+=,())
+=D(-)
,(*[​!↓1 ])=∑↑▒​E↓7 ​(-↓17 )
Estimations
Utilisation de fonctions non paramétrique de lissage.
L’algorithme du « Backfitting » est utilisé.
9
2.
PRESENTATION DES METHODES
2.1 Modèles de Séries temporelles
2.2 Modèles GAM
Estimations
Les fonctions +, sont initialisées par des estimations à partir des fonctions splines ou fonctions
LOESS
Pour chaque variable -,, sa fonction de dépendance +, est ré-estimée en prenant comme input
les estimations initiales des fonctions des autres variables
La procédure précédant est réitérée jusqu’à ce que les fonctions de dépendance estimées
convergent
10
2.
PRESENTATION DES METHODES
2.1 Modèles de Séries temporelles
2.2 Modèles GAM
Validation du modèle
Critère d’information d’Akaïke
Validation Croisée Généralisée (GCV)
11
2.
PRESENTATION DES METHODES
2.1 Modèles de Séries temporelles
2.2 Comparaison des deux modèles
•  GLM (Régression de Poisson)
Avantages
Simple d’utilisation
Adaptée à la structure des données (journalière)
Inconvénients
Problème de dispersion quasi-systématique
Nécessité d’avoir une variable dépendante Poissonienne
Hypothèse trop forte de linéarité de l’association Température-Mortalité
12
2.
PRESENTATION DES METHODES
2.1 Modèles de Séries temporelles
2.2 Comparaison des deux modèles
•  GAM
Avantages
Levée de l’hypothèse de linéarité de l’association température-Mortalité
Permet le calcul des RR
Inconvénients
Seul, ne permet pas de prendre en compte les effets retardés de cette relation
13
2.
PRESENTATION DES METHODES
2.2 Modèles à effets retardés (DLM ou DLNM)
Le modèle à effets retardés (distributed lag model) a été appliqué afin d’explorer l'effet
retardé de la température sur la mortalité.
Estimation: méthodes de lissage telles que les splines cubiques naturelles, les polynômiales
ou retards stratifiés
Récemment, un « distributed lag non-linear model » (DLNM) a été développé pour estimer
simultanément les effets non-linéaires et différés de la température sur la mortalité (ou de
morbidité).
Les DLNMs utilisent une fonction "cross-basis"
14
2.
PRESENTATION DES METHODES
2.2 Modèles à effets retardés (DLM ou DLNM)
3-D plot of RR along
temperature and lags,
using data from
NMMAPS for
Chicago during the
period 1987–2000.
15
2.
PRESENTATION DES METHODES
2.2 Modèles à effets retardés (DLM ou DLNM)
Le DLNM peut modéliser de manière adéquate les principaux effets de la température
(Armstrong, 2006)
DLNM est combiné avec un modèle de régression
Avantages
Permet de prendre en compte l’effet retardée de la température sur la mortalité
Permet le calcul des RR
Inconvénients
Fixation du maximum de retards et des degrés de liberté par l’expérimentateur
16
2.
PRESENTATION DES METHODES
2.3 Modèles des cas-croisés
Il permet étudier les effets de l'exposition aux événements transitoires
Il y a également un contrôle des variables de confusion
La sensibilité ne peut pas être étudiée en incluant un terme d'interaction entre la mortalité
et température
Il nécessite dès fois l’usage de modèle de régression des séries temporelles ou d’un
modèle logistique conditionnel
Ce type d’étude est simple d’emploi
Il donne des résultats similaires aux modèles de Poisson
Il est particulièrement adapté à la recherche des facteurs modifiant la relation entre
pollution et santé (facteurs d’interaction).
17
2.
PRESENTATION DES METHODES
2.4 Modèles spatio-temporels
Les zones urbaines ont généralement des températures plus élevées en raison de l'effet
d'îlot de chaleur.
Des techniques de géo-statistiques ont été utilisées pour modéliser les températures
régionales
Différentes techniques (interpolation de la distance inverse pondérée, analyse de
régression, et les méthodes géo-statistique) ont été développées pour prédire la
température régionale de la station données (Bhowmik & Cabral, 2011).
Ces modèles ont également été utilisées pour estimer les effets de la pollution de l'air sur
la santé dans les villes (Lee & Shaddick, 2010; Shaddick, et al., 2008; Whitworth, et al.,
2011)
18
3.
EXEMPLES D’ARTICLES UTILISANT
CES METHODES
3.1 Modèles GLM
H. Tsangari, A. Paschalidou, S.Vardoulakis, C. Heaviside, et al. (2015). Human
mortality in Cyprus: the role of temperature and particulate air pollution.
REGIONAL ENVIRONMENTAL CHANGE.
L’objectif de cette étude est d’évaluer les effets de la température sur la mortalité en
Chypre.
Données
Démographiques: Nombre de décès par âge (toutes causes de décès).
Météorologiques: Température maximale par jour à la surface, humidité relative à
8h00, humidité relative à 13h00.
Pollution atmosphérique: Concentration journalière de PM10(Particulate matter).
19
3.
EXEMPLES D’ARTICLES UTILISANT
CES METHODES
3.1 Modèles GLM
Période de l’étude
2007-2009
L'analyse est concentrée sur les périodes chaudes (Avril à Septembre) de chaque
année, pour examiner les effets de la chaleur.
Modélisation Statistique
Utilisation d’un GLM combiné à un DLNM.
Stratification des effets délayés: retards (0-1), retards(2-5), retards (6,10).
Contrôle de la saisonnalité et de la tendance.
20
3.
EXEMPLES D’ARTICLES UTILISANT
CES METHODES
3.1 Modèles GLM
Résultats
Les températures élevées ont un effet significatif sur la mortalité en Chypre.
L’effet de la pollution atmosphérique n’est pas significatif sur la mortalité.
21
3.
EXEMPLES D’ARTICLES UTILISANT
CES METHODES
3.1 Modèles GLM
Résultats
22
3.
EXEMPLES D’ARTICLES UTILISANT
CES METHODES
3.1 Modèles GLM
Résultats
Les températures élevées ont un effet significatif sur la mortalité moindre en zone
urbaine plutôt qu’en zone rurale.
Limites
Période de l’étude
Pas de prise en compte d’autres paramètres de pollution atmosphérique.
23
3.
EXEMPLES D’ARTICLES UTILISANT
CES METHODES
3.2 Modèles GAM
Li et al. (2014). Association between high temperature and mortality in metropolitan
areas of four cities in various climatic zones in China: a time-series study.
Environmental Health.
L’objectif de cette étude est d’évaluer la relation entre la température et la mortalité dans
4 régions de la chine (avec des caractéristiques climatiques différentes).
Données
Démographiques: Nombre de décès (toutes causes de décès).
Météorologiques: Température maximale par jour, Température minimale par jour,
Température moyenne par jour, humidité relative.
Pollution atmosphérique: Concentration journalière de PM10(Particulate matter),
dioxyde d’azote (NO2), dioxyde de soufre (SO2).
24
3.
EXEMPLES D’ARTICLES UTILISANT
CES METHODES
3.2 Modèles GAM
Période de l’étude
Du fait de la disponibilité des données, les périodes d’étude sont différentes d’une
région à une autre.
Harbin: 1ier Janvier 2008-31 décembre 2010.
Nanjing: 1ier Janvier 2004-31 décembre 2010.
Shenzhen: 1ier Janvier 2004-31 décembre 2010.
Chongqing: 1ier Janvier 2011-31 décembre 2012.
25
3.
EXEMPLES D’ARTICLES UTILISANT
CES METHODES
3.2 Modèles GAM
Modélisation Statistique
Détermination des optima thermiques.
Termes du modèle GAM: la température quotidienne maximale moins le seuil de
température, l'humidité relative, l’étendue de la température journalière, le jour de la
semaine, le mois, la tendance à long-terme, SO2, NO2, et les PM10.
Seuls les mois chauds sont considérés dans l’analyse.
26
3.
EXEMPLES D’ARTICLES UTILISANT
CES METHODES
3.2 Modèles GAM
Résultats
Seuils thermiques
27
3.
EXEMPLES D’ARTICLES UTILISANT
CES METHODES
3.2 Modèles GAM
Résultats
Il existe une relation significative entre la température et la mortalité en Chine.
La pollution atmosphérique a un effet significatif sur la mortalité en Chine.
28
3.
EXEMPLES D’ARTICLES UTILISANT
CES METHODES
3.2 Modèles GAM
Résultats
Résultats de la relation entre la température et la mortalité pour
les populations vulnérables.
29
3.
EXEMPLES D’ARTICLES UTILISANT
CES METHODES
3.2 Modèles GAM
Limites
Non prise en compte des indicateurs de morbidité.
La différence des périodes d’étude.
30
CONCLUSION
Le choix du modèle adéquat est une étape cruciale dans la modélisation de la relation entre
la température et la mortalité.
Les modèles de séries temporelles et les cas-croisés sont les plus utilisés.
GAM et GLM les méthodes de séries temporelles usuelles.
Nécessité de les combiner avec les modèles à effets retardés.
31
MERCI DE VOTRE ATTENTION
32