Problèmes méthodologiques dans les études écologiques santé–environnementMethodological problems in ecological studies of health–environment effects.

https://doi.org/10.1016/S0764-4469(00)00162-1Get rights and content

Abstract

Different approaches are used to study the effects of the environment on health. We restrict our discussion to observational studies at the aggregated level, the so-called ecological studies. We discuss several sources of bias for group-level studies and consider questions relating to the link between individual-level and group-level dose–effect relationship, the difference between group exposure and environmental exposure, and the influence of measurement error and variability in the exposure. Taking into consideration confounding factors in the analyses is another important item that is discussed. A final item concerns the necessity of studying the temporal direction of the effect, as well as assessing the existence of a potential threshold in the effect. As a broad conclusion, we can say that realistic quantification of uncertainty in dose–effect relationships is a delicate task that requires the systematic consideration of all sources of variability, as well as a transparent sensitivity analysis of the choices and hypotheses made during the statistical analysis.

Introduction

L’étude des effets de l’environnement sur la santé s’appuie sur de nombreux schémas, qu’il s’agisse de la mise en évidence de mécanismes biologiques, d’expérimentation animale, d’études épidémiologiques sur un nombre restreint de sujets, ou d’études à l’échelle de populations. Ces schémas d’études ne se prêtent pas aux mêmes interprétations quant à la nature potentielle des effets considérés, en particulier quand il s’agit de discuter leur nature causale. En se restreignant aux études sur l’homme, on peut citer quatre types d’études : l’essai thérapeutique contrôlé, l’étude de cohorte, l’étude cas témoin, et l’enquête épidémiologique d’observation, schémas qui, selon Sackett et al. [1], sont d’importance décroissante par rapport à leur imputation causale.

Nous centrerons cependant notre discussion sur des études d’observation dites «  écologiques », c’est-à-dire des études où l’on traite des données agrégées et non individuelles. Ces études analysent la covariation de paramètres mesurés au niveau de groupes d’individus. Typiquement, la mortalité d’un groupe d’individus dans une zone géographique est mise en relation avec des mesures d’exposition moyenne dans cette zone, cela pouvant être répété à des indices de temps consécutifs. Suivant la variabilité de l’exposition, différents types d’études sont entreprises. Quand l’exposition présente une forte variabilité temporelle, alors il est approprié d’analyser les variations d’un indice de santé qui correspond à un nombre de cas pendant un intervalle de temps relativement court (jours, semaines …) dans une même unité géographique. On est alors dans un cadre d’analyse de régression entre des séries chronologiques. Un autre schéma – dénommé fréquemment études de corrélations géographiques – consiste à quantifier l’association entre des nombre de cas apparus dans différentes unités géographiques pendant une période de temps spécifiée (généralement relativement longue) et des indices d’exposition. Ce schéma est approprié quand il s’agit d’étudier des expositions, stables dans le temps mais variables dans l’espace, telles le radon ou la composition de l’eau de boisson.

La nature même de beaucoup d’expositions environnementales rend difficile à mettre en place, la plupart du temps, tout autre schéma que des études écologiques. Pour un schéma d’étude de cohorte, il faudrait par exemple imaginer de trouver, puis de suivre pendant plusieurs dizaines d’années, de nombreux individus, contrastés sur leur exposition, sur lesquels on disposerait d’une part de mesures personnelles d’exposition grâce à des dosimètres individuels et d’autre part du relevé de l’ensemble des autres facteurs de risque potentiels. On voit aisément que cela n’est pas faisable et que, de plus, les erreurs attachées à des mesures individuelles d’exposition peuvent être très importantes.

On peut penser que, du point de vue de la santé publique, on cherche d’abord à mettre en évidence un effet au niveau du groupe au moyen d’une analyse statistique, puis dans un deuxième temps que l’on s’attache à discuter de la nature « causale » de cet effet. Rappelons que les critères de mesure et enregistrement sans biais, de signification statistique et de force de l’association, de cohérence à travers plusieurs études, de temporalité entre la cause présumée et l’effet, et d’existence d’une relation dose–effet, font intégralement partie d’une discussion de la notion de cause dans un contexte épidémiologique. Ces points ont été récemment discutés de manière détaillée dans le contexte des études entre pollution atmosphérique et santé par le groupe de travail sur les particules et la santé de l’APPA [2].

Section snippets

Études écologiques

Avant d’entrer plus avant dans la discussion de différentes questions méthodologiques qui se posent dans des études écologiques environnement–santé, nous allons préciser les liens que l’on peut établir entre relations dose–effet individuelle et au niveau de groupe. Ce problème a été abordé dans le cadre des études mortalité–pollution par Dominici et al. [3].

Supposons schématiquement que l’on s’intéresse à une relation dose–effet entre le risque de décès pour un individu i et son exposition.

Erreur de mesure

L’influence des erreurs de mesure sur l’estimation d’une relation dose–effet a été analysée par de nombreux auteurs dans un cadre d’inférence classique ou bayésien [11], [12], [13]. Il y a de nombreuses situations où l’on peut montrer qu’une erreur de mesure conduit à une atténuation de la relation dose–effet quand on est dans un cadre univarié, mais cette conclusion n’est pas généralisable au cas multivarié où des erreurs de mesure différentes sur des covariables corrélées peuvent influencer

Analyses multivariéeset facteurs de confusion

Abordons maintenant le problème d’analyses multivariées où interviennent de nombreuses variables dont certaines peuvent être fortement corrélées. On se trouve alors confronté à des problèmes statistiques de choix de variables, de choix de modèles et de multicollinéarité. Nous reviendrons sur ces problèmes généraux. Dans ce paragraphe, nous voulons mettre l’accent spécifiquement sur la modélisation des facteurs de confusion. Considérons le cas des variables météorologiques et des variables de

Temporalité de l’effetet existence d’un effet seuil

Au contraire des études géographiques, les études d’association entre séries temporelles bénéficient d’un avantage : celui de pouvoir étudier la temporalité de l’effet. Il s’agit ici d’un point majeur car la cohérence et l’unidirectionalité temporelle d’un effet est un argument important pour son interprétation.

En ce qui concerne les études mortalité–pollution, il semble bien que suivant le type de décalage introduit : décalage simple de chaque indicateur de un, deux, ou k jours précédent le

Choix de modèleset modélisation hiérarchique

D’après la discussion précédente, on voit clairement que l’on est confronté avec la nécessité de tester un grand nombre de modèles. Il est donc important, dans chaque analyse, d’expliciter clairement la stratégie employée pour sélectionner le ou les modèles finaux. Cela est d’autant plus important qu’il est bien connu que les degrés de signification rapportés pour un modèle de régression M particulier sont conditionnés par le choix du modèle M et ne tiennent pas compte des procédures de

Conclusion

Dans le bref survol des problèmes méthodologiques que nous avons effectué, on voit clairement apparaître que la quantification réaliste de l’incertitude associée à l’estimation des relations dose–effet est une tâche importante et délicate. Elle implique de prendre en compte de nombreuses sources de variabilité et d’étudier de manière fine la sensibilité des résultats aux choix qui sont faits au cours de l’analyse statistique. Compte tenu de la complexité des diverses analyses statistiques

Références (33)

  • D.L. Sackett et al.

    Clinical Epidemiology, a Basic Science for Clinical Medicine

    (1985)
  • Groupe de travail sur les particules et la santé de l’Association pour la prévention de la pollution atmosphérique...
  • Dominici F., Zeger S.L., Samet J.M., A measurement error correction model for time-series studies of air pollution and...
  • S. Richardson et al.

    Ecological correlation studies

  • V. Lasserre et al.

    Biases in ecological studies: utility of including within-area distribution of confounders

    Stat. M

    (2000)
  • S. Richardson

    Statistical methods for geographical correlation studies

  • S. Greenland et al.

    Ecological studies-biases, misconceptions and counterexamples

    Am. J. Epidemiol.

    (1994)
  • M. Susser

    The logic in ecological: I, the logic of analysis

    Am. J. Public Health

    (1994)
  • M. Plummer et al.

    Estimation of population exposure in ecological studies, with discussion

    J. R. Stat. Soc., series B

    (1996)
  • S. Richardson et al.

    Ecological studies - Biases, misconceptions and counterexample (letter)

    Am. J. Epidemiol.

    (1996)
  • R.J. Carroll et al.

    Non Linear Measurement Error Models

    (1995)
  • D. Thomas et al.

    Exposure measurement error: influence on exposure-disease relationships and methods of correction

    Annu. Rev. Publ. Health

    (1993)
  • S. Richardson et al.

    A bayesian approach to measurement error problems in epidemiology using conditional independence models

    Am. J. Epidemiol.

    (1993)
  • S. Greenland

    The effect of misclassification in the presence of covariates

    Am. J. Epidemiol.

    (1980)
  • S. Richardson

    Measurement error

  • N.A. Janssen et al.

    Personal sampling of particles in adults: relation among personal, indoor, and outdoor air concentrations

    Am. J. Epidemiol.

    (1998)
  • Cited by (6)

    • Estimating the Health Effects of Exposure to Multi-Pollutant Mixture

      2012, Annals of Epidemiology
      Citation Excerpt :

      This information can then be incorporated in the estimation of the dose-effect relationship on the whole group, with the use of an appropriate method. A suitable statistical method to take into account sources of uncertainties is the Bayesian approach (36), as explained below in the “Bayesian Approach” section. Carroll et al. (37) described likelihood methods, Bayesian methods, and semiparametric methods to treat the measurement error.

    • Quantitative assessments of indoor air pollution and respiratory health in a population-based sample of French dwellings

      2011, Environmental Research
      Citation Excerpt :

      For instance, the concentration of one VOC is often related to the concentration of other VOCs. Consequently, single pollutant models and the proper role of each pollutant may be difficult to interpret (Richardson, 2000; Vedal et al., 2003). This situation leads to the need to consider joint exposure to many air pollutants at once and to develop appropriate methodologies to take the correlations among pollutants into account in statistical models.

    • Épidémiologie et environnement

      2001, Revue Francaise des Laboratoires
    View full text