Utilisation d`une technique d`inférence multimodèle dans

Abstract
Introduction : La détermination d’un sous-ensemble de variables explicatives qui composent un modèle statistique fait appel à des techniques classiques de sélection dont les plus courantes sont les méthodes pas à pas ou en 2 étapes. Cependant, l’inférence statistique qui émane de ce « meilleur modèle » ne
prend pas en compte l’incertitude liée à la sélection et est ainsi susceptible d’omettre l’impact de certains facteurs non retenus par la procédure classique.
Méthodes : Une méthode pour compenser cette insuffisance est d’utiliser les techniques associées à l’inférence multimodèle. Le principe de cette méthode est d’extraire l’information recherchée de l’ensemble des modèles à l’aide du critère d’Akaike. Cette technique permet de classer les variables grâce à la
détermination pour chacune d’entre elles d’un poids, correspondant à son importance relative dans l’analyse. Cette méthode a été utilisée dans l’objectif de classer les facteurs de risque de transmission de l’hépatite C sur les données du réseau régional de surveillance continue de la maladie en région PACA.
Résultats : Les résultats montrent une prédominance des facteurs de risque associés à des consommations de produits par voie intraveineuse et sniffing ainsi que antécédents de transfusions sanguines ou greffe de tissu. Nous retrouvons ensuite le fait d’avoir des rapports sexuels non protégés avec une
personne séropositive VHC, de même que la pratique du tatouage ou piercing et dans une moindre mesure, le partage d’accessoire de toilettes d’une personne séropositive VHC. Le traitement par hémodialyse et le fait de recevoir des soins dans des pays à forte endémie ne sont pas significatifs.
Discussion / Conclusion : La méthode utilisée permet de fournir à l’ensemble des variables potentielles de transmission, un ordre d’importance dans la propagation de la maladie en évitant les problèmes inhérents à la sélection de modèles et ainsi d’orienter les politiques de prévention.
Utilisation d’une technique d’inférence multimodèle dans la hiérarchisation
des facteurs associés à la transmission du virus de l’hépatite C
Résultats de l’enquête SURVEILLANCE VHC (2004-2009)
AUTEURS
Résultats
L.FUGONa,b,c, L.SAGAON TEYSSIERa,b,c, C.PROTOPOPESCUa,b,c,
C.LIONSa,b,c, P.CARRIERIa,b,c, P.VERGERa,b,c
a : INSERM, U912 (SE4S), Marseille, France
b : Université Aix Marseille, IRD, UMR-S912, Marseille, France
c : ORS PACA, Observatoire Régional de la Santé Provence Alpes Côte d’Azur, Marseille, France
Objectifs
Estimer un modèle statistique composite en prenant compte
l’incertitude liée à la sélection de modèle (backward, forward) afin
d’étudier les facteurs associés à une sérologie VHC positive.
Fournir un ordre d’importance relatif des facteurs de risque de
transmission du virus.
Outcome : être séropositif au virus de l’hépatite C.
Modèle statistique : régression de Poisson ajustée sur données
socio-démographiques (outcome très déséquilibré (2%)).
Facteurs de transmission étudiés : usage de drogues par voie
intraveineuse (UDVI), tatouage ou piercing, sniffing, rapport sexuel non
protégé avec une personne porteuse du VHC, hémodialyse, partage
d’accessoire de toilette avec une personne porteuse du VHC, greffe de
tissu ou transfusion, soins chirurgicaux reçus dans des pays à forte
endémie.
Patients et Méthodes
La base de données SURVEILLANCE VHC
Dates : 2004 – 2009.
22 CDAG (17 CDAG de villes, 2 CDAG de centres hospitaliers et 3 CDAG
de maisons d’arrêt) et 4 CES de la région PACA.
Nombre de patients inclus : 56981.
2 types de questionnaires : auto-questionnaire et questionnaire
médical.
Sélection des patients pour les analyses
Etre âgé de plus de 15 ans.
Sérologie VHC disponible.
44479 patients
Etapes de la procédure de model averaging
1- Sélectionner le sous-ensemble “complete case analysis”.
2- Déterminer le critère d’information d’Akaike à utiliser (AIC, AICc,
QAIC, QAICc) à partir de l’étude du modèle complet.
3- Estimer les “all possible models” soit 2k modèles (k=nombres de
variables) et sauvegarder l’estimation des paramètres et du critère
d’information sélectionné.
4- Estimer les paramètres du modèle composite à l’aide des formules
suivantes :
(1)
(2)
(3)
(4)
Evidence of being a risk factor
Very strong evidence
Very strong evidence
Very strong evidence
Strong evidence
Positive evidence
Weak evidence
No evidence
No evidence
Co n c l u s i o n s
La technique de model averaging a permis, sur les données de
l’enquête SURVEILLANCE VHC en PACA (2004-2009) :
Quantifier le risque des facteurs de transmission du virus de
l’hépatite C.
Déterminer un ordre d’importance relative des facteurs de risque
en contrôlant les aspects-socio-démographiques.
Orienter vers des nouvelles analyses destinées à déterminer si
l’ordre d’importance des variables est modifié en fonction d’une
expérience de vie du patient en milieu carcéral.
Diriger les politiques de santé publique en priorisant les cibles.
Remerciements
(5)
(1) : AIC difference
(2) : likelihood of model gi conditional the data
(3) : normalized Akaike weight of i-th model
(4) : model averaged estimate of interest parameter
(5) : unconditional variance estimator
R : number of models
Nous remercions l’ensemble des patients et des médecins de l’enquête.
Sponsoring :
Gestion des données et analyses statistiques :