Modélisation Statistique et Biomathématiques en Médecine
Transcription
Modélisation Statistique et Biomathématiques en Médecine
Modélisation Statistique et Biomathématiques en Médecine Jean Gaudart [email protected] Faculté de Médecine Aix-Marseille Université J Gaudart, LERTIM, Aix-Marseille Université 2013 1 plan 1. Introduction à la modélisation 1.1 Qu’est-ce qu’un modèle? 1.2 Démarche diagnostique et prise de décision en médecine 1.3 Critères de causalité 2. La modélisation mathématique en médecine 2.1 Modèles compartimentaux 2.2 Epidémiologie mathématique 3. La modélisation statistique en médecine 3.1 Introduction 3.2 Analyse multivariée J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2011 2 I. Introduction à la modélisation I.1 Qu’est-ce qu’un modèle? • Représentation simplifiée de la réalité • Dont l’objectif est de comprendre les causes et les mécanismes à l’origine d’un phénomène ⇒ Décrire (résumer) ⇒ Expliquer (comprendre) ⇒ Prédire (simuler) J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 3 • Exemples J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 4 • Un modèle est toujours faux : simplification utile de la réalité • Un modèle simple est encore plus faux, un modèle compliqué est inutilisable ⇒ compréhension exacte d’un phénomène Vs ⇒ identification des mécanismes clefs et reproduction des observations J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 5 I.2 Démarche diagnostique et prise de décision J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 6 J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 7 • Situation d’incertitude / Schéma diagnostiques et thérapeutique Modèles Présentation du patient Interrogatoire médical Schémas diagnostiques et thérapeutiques Apprentissage Compagnonnage Examen physique Examens complémentaires Expérience Partage d’expériences Suites J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 8 Autres exemples Céphalées Vomissements Raideur de nuque Syndrome méningé Chez l’enfant? Changement de contexte ⇒ changement de modèle J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 9 Autres exemples Myalgies Frissons Céphalées Fièvre aiguë >39°C Syndrome grippal Toux, Dyspnée Asthénie, anorexie Hors contexte d’épidémie hivernale? Changement de contexte ⇒ changement de modèle J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 10 I.3 Critères de causalité • Relation entre un facteur ou un signe et une maladie • Le facteur est-il un cause de maladie? • Le signe est-il une conséquence de la maladie? Lien fort Tabac Forte corrélation statistique J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 Cancer de poumon 11 Interprétation 1 Lien fort Tabac Forte corrélation statistique Cancer de poumon Produits cancérogènes J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 12 Interprétation 2 Lien fort Tabac Forte corrélation statistique Cancer de poumon Facteurs de confusions: conditions sociales J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 13 Interprétation 3 Lien fort Tabac Forte corrélation statistique Cancer de poumon Facteurs psychologiques J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 14 Austin Bradford Hill (1897-1991) 9 critères qui définissent la causalité (1965) • Sans critères sine qua non • Importance relative J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 15 1. Force de l’association • • Niveau de corrélation Importance de la différence 2. Cohérence • • Externe : Reproductibilité, constance des résultats avec d’autres travaux, équipes, populations Interne : protocole, prise en compte des biais 3. Temps • Le cause précède l’effet 4. Relation dose-effet J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 16 5. Preuves expérimentales 6. Spécificité de l’association 7. Cohérence biologique • En fonction de l’histoire naturelle de la maladie, physiopathologie 8. Plausibilité biologique • En regard des connaissances disponibles 9. Analogie • Avec d’autres évènements reliés à une autre pathologie J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 17 II. Modélisation Mathématique en Médecine II.1 Modèles compartimentaux Pourquoi ? • Modèles simples • Données plasmatiques (facile à obtenir) • Définition et adaptation de la posologie J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 18 Dose Définitions • Compartiment: – ensemble homogène de molécules – Unité fonctionnelle du modèle – Réalité biologique ou simplification Concentration • Mesures: – – – – Elimination Constantes absolues Variables Paramètres Influences extérieures J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 19 • Modèle à 2 compartiments: transfert entre 2 systèmes K12 K01 K20 K21 1 Plasma 2 Rein K: constantes de transfert, Q: concentrations Q2= K12 ×Q1 Q2(t1)= Q2(t0)+K12 ×Q1(t0)-K21×Q2(t0)-K20×Q2(t0) J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 20 • Modèle à 3 compartiments: transferts de médicaments J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 21 • Modèle à 3 compartiments: transformation d’un médicament en 2 2 principes actifs K20 K12 K01 1 3 K13 K30 Q1 concentration initiale en 1, Q2 concentration en 2 après transformation Q2= K12 ×Q1 Q2(t1)= Q2(t0)+K12 ×Q1(t0)-K20×Q2(t0) J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 22 II.2 Epidémiologie Mathématique J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 23 1999/12/52 2000/4/17 2000/8/34 2000/12/51 2001/4/16 2001/8/33 2001/12/50 2002/4/15 2002/8/32 2002/12/49 2003/4/14 2003/7/31 2003/11/48 2004/3/13 2004/7/30 2004/11/47 2005/3/11 2005/7/28 2005/11/45 2006/3/10 2006/7/27 2006/11/44 2007/3/9 2007/6/26 2007/10/43 2008/2/8 2008/6/25 2008/10/42 2009/2/7 2009/6/24 2009/10/41 2010/2/5 2010/6/22 2010/9/39 1 800 1 600 1 400 1 200 1 000 800 600 400 200 0 J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 24 Objectif de la modélisation en épidémiologie: • Comment évolue une épidémie? ⇒ Compréhension de la dynamique des épidémies • Comment prévoir l’évolution d’une épidémie débutante? ⇒ Utilisation d’une la mécanique comprise • Peut-on protéger les populations susceptibles? ⇒ Qui? Quelle proportion? Comment? J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 25 • Observations: – Population saine Susceptibles Infectés – Symptomatologie clinique – Connaissance de la physio-pathologie – Connaissance des mécanismes immunitaires J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 Contagiosité, immunité, mortalité Résistants 26 Modèle compartimental Durée de la maladie Un individu: Contact contagieux S I Guérison et Immunité Guérison sans Immunité R Perte d’Immunité Nouveaux contacts Protection, Vaccin J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 27 Population N: V? µ µ S ν β µ ρ I R γ S+1 = S + µN - µS - βSI/N + γR - VS I+1 = I + βSI/N - νI - ρI R+1 = R + ρI - µR - γR +VS J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 28 • Autre exemple: le paludisme J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 29 • • • • Nombre de reproduction de base Paramètre clef en épidémiologie Noté R0 ou Z0 Définition: Nombre de cas secondaire à partir d’un cas, au début de l’épidémie Dépend des paramètres: – Contagiosité, Durée de la maladie, Mortalité • Interprétation – Si R0>1 l’épidémie continue – Si R0<1 l’épidémie s’éteint J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 30 Exemples: • Rougeole: 15 à 20 • Variole: 3 • Choléra Haiti: 2 à 3 • SARS: 2 • Grippe: 2 à 4 • Hépatite B: 1,1 – Sous groupes à haut risque: 8,8 J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 31 Stratégies de protection (ex. vaccin, eau potable…) ⇒Quelle proportion de la population susceptible faut-il protéger pour éteindre l’épidémie? p>1-1/R0 • • • • • • – Rougeole: 15 à 20 ⇒ 93 à 95% Grippe: 2 à 4 ⇒ 50 à 75% Variole: 3 ⇒ 67% Choléra: 2 à 3 ⇒ 50 à 67% (500 000 à 700 000 à Haiti) SARS: 2 ⇒ 50% Hépatite B: 1,1 ⇒ 10% Sous groupes haut risque: 8,8 ⇒ 89% J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 32 Attention à l’interprétation des modèles: ⇒ Contexte (ex. Choléra Haiti ≠ Bengladesh) ⇒ Ecriture du modèle (manque de connaissance, facteurs non pris en compte) ⇒ Estimation des paramètres (disponibilité des données) Exemple de prédictions erronées: • Choléra en Haiti • Grippe H1N1 • nvCJD J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 33 III. Modèles statistiques en médecine III.1 Introduction • Analyses statistiques simples: Analyse Univariée ⇒ relation entre un facteur de risque et la maladie Ex. Quels sont les facteurs de risque d’Echinococcose alvéolaire en France? – – – – – – – Avoir un chien Toucher un renard Consommer des baies sauvages Avoir un jardin potager Etre en zone d’endémie Etre chasseur Etre agriculteur J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 34 Analyse univarié donne la relation entre un seul facteur de risque et la maladie. Problèmes: • Facteurs de confusion Lien direct? Café Cancer de poumon Tabac ⇒Ajustement sur les facteurs de confusion • Comment déterminer le risque de maladie pour plusieurs facteurs à la fois ? ⇒ Modèle statistique J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 35 III.2 Analyse multivariée Exemple: comportements et Echinococcose alvéolaire en France • Anciennes notions: – Passage en zone d’endémie (tourisme ou habitation) – Consommation de baies sauvages et de salades sauvages – Manipulation de renards morts J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 36 • Modification du « modèle »: – – – – J Gaudart, UMR912 SESSTIM, Aix-Marseille Université Habiter en zone d’endémie, Zones rurales Fermiers Jardins potagers en zone urbaines 2013 37 Lecture critique d’article: la pratique courante 1. D’abord une analyse univariée 2. Puis une analyse multivariée Exemple: survie des athlètes olympique (Zwiers, BMJ 2012) Facteurs étudiés: – – – – – Sexe, Age, Facteurs d’ajustements Nationalité Intensités de l’effort: Cardio-vasculaire, Statique, Dynamique Contact physique, Collision J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 38 J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 39 J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 40 • Entre Analyse univariée et analyse multivariée, des facteurs ont une relation à la maladie modifiée • Seule l’analyse multivariée est interprétable • Les résultats dépendent du modèle utilisé: – Facteurs analysés – Population étudiée et contexte – Méthode choisie J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 41 Principales méthodes dans les articles • Méthodes autour du modèle linéaire (régression linaire, régression logistique, régression de Poisson, modèle de Cox…) • Principe générale: la relation entre la maladie et les facteurs est linéaire (sous réserve de quelques modifications) 22.5 20 17.5 15 12.5 10 7.5 5 2.5 0 -2.5 -5 -7.5 -10 -12.5 -15 -17.5 -50 -45 -40 J Gaudart, UMR912 SESSTIM, Aix-Marseille Université -35 -30 -25 2013 -20 -15 -10 -5 42 Maladie = a + b1×Facteur1 + b2×Facteur2 + b3×Facteur3 • La force du lien entre chaque facteur et la maladie est donné par 22.5 son paramètre b 20 30 27.5 22.5 25 20 17.522.5 17.5 15 20 15 12.517.5 12.5 15 10 1012.5 7.57.5 10 5 5 7.5 2.52.5 5 0 0 2.5 0 -2.5-2.5 -2.5 -5 -5 -5 -7.5-7.5 -7.5 -10-10 -10 -12.5 -12.5 -12.5 -15 -15 -15 -50 -17.5 • Le sens du lien entre chaque facteur et la maladie est donné par son paramètre b: - Si b= 0 pas de lien - Si b<0 facteur protecteur - Si b>0 facteur de risque -17.5 5 J Gaudart, UMR912 SESSTIM, Aix-Marseille Université -50 2013 -45 10 -45 -40 15 -40 -35 20 -35 -30 25 -30 -25 30 -25 -20 35 -20 -15 40 -15 -10 -5 45 50 -10 -5 43 • A partir des paramètres b on peut estimer, pour chaque facteur étudier: – des Odd Ratios (Régression logistique) – Rapport d’Incidence Standardisé (Régression de Poisson) – des Risques Relatifs (Modèle de Cox) Ajusté (en tenant compte) sur les autres facteurs J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 44 Survie des athlètes olympiques (BMJ 2012) : modèle de Cox J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 45 Cancer chez l’enfant (BMJ 2011) : régression logistique Exposition in utero aux radiations et ultra-sons J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 46 Cancer chez l’enfant (BMJ 2011): Exposition précoce Cancer chez l’enfant après exposition aux radiations et ultra-sons précoce à but diagnostique (BMJ 2011) : régression logistique J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 47 Facteurs de risque de Choléra, fin 2010 - début 2011, Haïti (EID2011): régression de Poisson Facteurs Rapport d’incidence P-value standardisé [CI95%] Etre en aval de la rivière Meille 4.91 [1.47-16.47] 0.012 Distance à Mirebalais (km) 0.99 [0.94-1.04] 0.594 Présence d’un camp de réfugiés 0.10 [0.01-1.12] 0.063 Commune en plaine costale 4.60 [2.28-9.30] 0.0001 J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 48 Attention à l’interprétation des modèles: ⇒ Contexte (ex. Population ≠ Sous-groupe, biais de sélection) ⇒ Choix de la méthode ⇒ Ecriture du modèle (ex. manque de connaissance, facteurs non pris en compte) J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 49 Références • Jean Bouyer: Epidémiologie quantitative, Ed. INSERM • Coll. (CIMES): Biostatistiques, Ed. Omnisciences • AJ Valleron: L'épidémiologie en France, Ed. EDP Sciences • A Flahault, P Zylberman: Des épidémies et des hommes, Ed. De la Martinière • A Flahault, JY Nau: A(H1N1) journal de la pandémie, Ed. Plon • A Flahault: http://blog.ehesp.fr/blog/tag/epidemiologie/ J Gaudart, UMR912 SESSTIM, Aix-Marseille Université 2013 50