- Email: [email protected]
Distribution infracommunale du cancer du poumon dans l’agglomération grenobloise
Disponible en ligne sur www.sciencedirect.com
Revue d’E´pide´miologie et de Sante´ Publique 56 (2008) 315–321
Article original
Distribution infracommunale du cancer du poumon dans l’agglome´ration grenobloise Inframunicipality distribution of lung cancer in the urban area of Grenoble A. Senkowski a,*, M. Colonna b, D.-J. Bicout a a
Laboratoire EPSP-TIMC, faculte´ de me´decine, Domaine de la Merci, 38700 La Tronche, France b Registre du cancer de l’Ise`re, 23, chemin des Sources, 38240 Meylan, France Rec¸u le 30 novembre 2007 ; accepte´ le 23 juin 2008
Abstract Background. – Mapping a Cancer Atlas for the urban area of Grenoble revealed spatial distribution in the incidence of lung cancer among males at municipality level. Thus, our goal in this work was to use a new finer spatial scale to find out whether or not observed spatial variations might mask intramunicipality spatial variations. Methods. – The use of a Bayesian smoothing approach allowed us to overcome problems related to the very small inframunicipality scale and to take into account the spatial autocorrelation existing between neighbouring units. The relative risks were adjusted on different socioeconomic variables like the median income per consumption unit. Results. – After smoothing, areas with statistically significant 30 to 40% excess of cases and lack of cases were identified within the urban area of Grenoble. Median income per consumption unit appeared to be the most discriminating variable for characterizing the studied population. Conclusion. – The inframunicipality scale enables the study of a health problem as the lung cancer within a context of strong demographic disparities. # 2008 Elsevier Masson SAS. Tous droits re´serve´s. Re´sume´ Position du proble`me. – La re´alisation d’un atlas du cancer dans l’agglome´ration grenobloise avait permis de re´ve´ler des disparite´s de re´partition spatiale de l’incidence du cancer du poumon masculin a` l’e´chelle communale. L’objectif de ce travail e´tait donc d’utiliser une nouvelle e´chelle d’analyse spatiale pour de´terminer si les disparite´s infracommunales observe´es ne cachaient pas des disparite´s passe´es inaperc¸ues. Me´thodes. – L’utilisation d’une technique de lissage baye´sienne nous a permis de pallier les proble`mes inhe´rents a` la finesse de l’e´chelle infracommunale et de prendre en compte les phe´nome`nes d’autocorre´lation spatiale existants entres unite´s proches ge´ographiquement. Les risques relatifs estime´s ont e´te´ ajuste´s sur diffe´rentes variables de type socioe´conomiques tels que l’impoˆt sur le revenu me´dian par unite´ de consommation. Re´sultats. – Des exce´dents et de´fauts de cas statistiquement significatifs de l’ordre de 30 a` 40 % par rapport a` l’ensemble de l’agglome´ration ont e´te´ observe´s apre`s lissage. L’impoˆt sur le revenu me´dian par unite´ de consommation est apparu comme la variable la plus discriminante pour la caracte´risation des populations e´tudie´es. Conclusion. – L’e´chelle infracommunale permet d’e´tudier un phe´nome`ne de sante´ tel que le cancer du poumon dans un contexte urbain de forte disparite´ de´mographique. # 2008 Elsevier Masson SAS. Tous droits re´serve´s. Keywords: Geographical epidemiology; Iris; Bayesian estimation; Income; Lung cancer Mots cle´s : E´pide´miologie ge´ographique ; Iris ; Estimation baye´sienne ; Revenu ; Cancer bronchopulmonaire
* Auteur correspondant. Re´sidence Le Champollion, 10, boulevard Ampe`re, 44470 Carquefou, France. Adresses e-mail : [email protected] (A. Senkowski), [email protected] (M. Colonna), [email protected] (D.J. Bicout). 0398-7620/$ – see front matter # 2008 Elsevier Masson SAS. Tous droits re´serve´s. doi:10.1016/j.respe.2008.06.259
316
A. Senkowski et al. / Revue d’E´pide´miologie et de Sante´ Publique 56 (2008) 315–321
1. Introduction La re´alisation d’un atlas du cancer dans l’agglome´ration grenobloise en juillet 2005 par le Registre du Cancer de l’Ise`re avait permis de mettre en e´vidence des disparite´s spatiales d’incidence du cancer du poumon masculin a` l’e´chelle communale pour la pe´riode 1990–1999 [1]. Un exce´dent de cas statistiquement significatif de l’ordre de 15 % avait e´te´ observe´ dans l’agglome´ration par rapport au reste du de´partement. Par ailleurs, l’e´tude avait permis de re´ve´ler une re´partition he´te´roge`ne de l’incidence du cancer du poumon masculin entres les diffe´rentes communes de l’agglome´ration avec des communes en sur-incidence et en sous-incidence statistiquement significatives. Cependant, la question se posait de savoir si l’he´te´roge´ne´ite´ spatiale observe´e refle´tait la variabilite´ naturelle de re´partition ge´ographique de la maladie, c’est-a`-dire si cette variation spatiale refle´tait un re´el exce`s de risque pour certaines populations. L’e´chelle de de´coupage communale utilise´e posait le proble`me du poids accorde´ a` ` titre d’exemple, Grenoble repre´sentait certaines communes. A en 1999 pre`s de 40 % de la population de l’agglome´ration grenobloise, alors que la commune la moins peuple´e repre´sentait moins de 0,2 % de la population de l’agglome´ration. Enfin, la question se posait e´galement de savoir quels e´taient les e´ventuels de´terminants sociaux ou environnementaux associe´s a` ces variations d’incidence. L’objectif de notre e´tude e´tait donc d’utiliser une e´chelle de de´coupage ge´ographique plus fine – l’e´chelle ˆılots regroupe´s pour l’information statistique (Iris) – afin de savoir si les disparite´s observe´es a` l’e´chelle communale ne cachaient pas des disparite´s infracommunales passe´es jusqu’a` pre´sent inaperc¸ues et d’illustrer ainsi l’utilite´ de cette e´chelle. 2. Mate´riels et me´thodes 2.1. Mate´riels Les donne´es utilise´es ont e´te´ fournies par le Registre du cancer de l’Ise`re. Il s’agissait du nombre de cas de cancer du poumon primitifs diagnostique´s chez les hommes entre 1990 et 1999 dans l’agglome´ration grenobloise qui regroupait un ensemble de 27 communes. Le nombre de cas incidents pour la pe´riode retenue e´tait de 1339 cas dont 1324 ont pu eˆtre ge´ocode´s et re´partis en 162 Iris. L’e´chelle Iris correspond au de´coupage en ˆılots de communes urbaines de plus de 5000 habitants selon un caracte`re dominant : habitat, activite´ et divers. On distingue donc les Iris de type « habitat » dont la population est infe´rieure a` 5000 habitants, les Iris de type « activite´ » qui regroupent plus de 1000 salarie´s et comptent deux fois plus d’emplois salarie´s que de population re´sidente, et les Iris de type « divers » de surface importante a` usage particulier tels que les bois, les parcs ou les zones portuaires. Ce de´coupage selon trois caracte`res dominants permet d’obtenir des ˆılots ayant des formes homoge`nes d’habitat correspondant a` des formes d’organisation spatiale de la socie´te´. Il permet e´galement d’identifier les Iris pour lesquels les re´sultats ne seraient pas interpre´tables
telles que les Iris de type divers ou de type activite´ ayant une population re´sidente nume´riquement tre`s faible. Parmi les 162 Iris de notre e´tude correspondant a` l’agglome´ration grenobloise, 14 e´taient de type « activite´ » et 3 de type « divers ». Lors du recensement de 1999, la population d’hommes re´sidant dans l’agglome´ration grenobloise s’e´levait a` 189 000 personnes. La comparaison des effectifs masculins pre´sents en 1999 avec ceux pre´sents en 1990, a` partir des donne´es fournies par l’Institut national de la statistique et des e´tudes e´conomiques (Insee) a permis de montrer que dans 65 % des cas la variation absolue de ces effectifs e´tait comprise entre – 10 % et +10 % et que, dans pre`s d’un quart des cas, elle e´tait supe´rieure a` 10 %. Par ailleurs, l’analyse des effectifs masculins pre´sents par Iris et par tranche d’aˆge entre 1990 et 1999 a re´ve´le´ des diffe´rences de structure statistiquement significatives dans ` titre indicatif, pre`s de 30 % la composition des populations. A des Iris de´tenaient une proportion de plus 65 ans supe´rieure ou e´gale a` 10 % en 1990 contre environ 10 % en 1999. Les effectifs d’hommes par classe d’aˆge d’un an a` l’e´chelle Iris ont e´te´ estime´s pour chaque anne´e de 1991 a` 1998 par la me´thode diagonale simple qui consiste a` faire vieillir les ge´ne´rations sans prendre en compte les phe´nome`nes migratoires [2]. La population a` risque a e´te´ de´finie comme l’ensemble des hommes aˆge´s de plus de 15 ans re´sidant dans l’agglome´ration grenobloise entre 1990 et 1999. Les effectifs estime´s par anne´e d’aˆge ont e´te´ regroupe´s en 18 classes d’aˆge allant de 15–19 ans a` 100 ans ou plus afin de pallier le proble`me de fragilite´ des donne´es de´taille´es aux aˆges extreˆmes dans les zones peu peuple´es. Cependant, il faut noter qu’a` une e´chelle ge´ographique aussi fine, une faible taille des populations associe´e a` une forte variation de´mographique implique une instabilite´ pour laquelle il est impossible de faire la part entre une re´elle modification de taille et un accroissement re´gulier de la population. L’utilisation d’un indice de stabilite´ permettant de quantifier la variation globale de population nous a permis de montrer que pre`s de 70 % des Iris pouvaient eˆtre qualifie´es de « stable » (plus au moins 10 % de variation absolue de la population entre 1990 et 1999). Pre`s de 23 % avaient une variation mode´re´e de leur population et un peu moins de 10 % avaient connu des variations importantes ou tre`s importantes. C’est pour ce dernier type d’Iris que l’interpolation de´mographique re´alise´e est la plus incertaine. En effet, les Iris les plus stables ont la meilleure estimation des risques relatifs et donc la meilleure estimation du taux d’incidence. Concernant les variables socioe´conomiques utilise´es, seules les variables disponibles a` l’e´chelle Iris ont e´te´ retenues. Le niveau d’observation statistique e´tant collectif, le statut socioe´conomique individuel des cas a e´te´ approxime´ par le niveau de l’Iris de re´sidence. Par ailleurs, nous avons uniquement conside´re´ dans notre e´tude la variabilite´ spatiale de la maladie. Notre e´tude ne prenant en compte que les donne´es disponibles depuis 1999 du fait de l’absence d’informations similaires directement issues du recensement de 1990, nous avons fait abstraction de la variabilite´ temporelle. L’hypothe`se sous-jacente a` cette de´marche est donc la permanence des facteurs contextuels sur la pe´riode conside´re´e. Ainsi, les donne´es concernant l’impoˆt sur le revenu me´dian par
A. Senkowski et al. / Revue d’E´pide´miologie et de Sante´ Publique 56 (2008) 315–321
unite´ de consommation (ou me´diane de l’impoˆt sur le revenu par unite´ de consommation) correspondent a` l’anne´e 2001 et ont e´te´ fournies par l’Insee. Dans cette variable, le revenu est exprime´ en euros et par « e´quivalent adulte », ce qui permet de la rendre comparable d’un lieu a` un autre et entres me´nages de composition diffe´rente. Plus concre`tement, il s’agit du revenu du me´nage rapporte´ au nombre d’unite´s qui le composent. Les donne´es concernant la cate´gorie socioprofessionnelle exprime´e en pourcentage d’ouvriers et d’employe´s actifs ayant un emploi, le niveau d’e´tude de´crit par le pourcentage d’hommes sans diploˆmes, le statut marital exprime´ au sens matrimonial le´gal par le pourcentage de ce´libataires et le taux de choˆmage repre´sente´ par le pourcentage de choˆmeurs ont e´te´ fournies par le centre Maurice-Halbwachs et sont issues du recensement de 1999. 2.2. Me´thodes Le nombre de cas attendus a e´te´ calcule´ par Iris en prenant comme taux d’incidence de re´fe´rence le taux d’incidence du cancer du poumon masculin dans l’agglome´ration grenobloise pour la pe´riode 1990–1999. Ce taux de re´fe´rence paraissait plus approprie´ qu’un taux de´partemental dans la mesure ou` nous nous inte´ressions a` une zone urbaine et industrialise´e. Une technique de lissage baye´sienne a e´te´ applique´e pour le calcul des risques relatifs afin de prendre en compte la faible ` titre taille des Iris et le faible nombre de cas par unite´. A indicatif, moins de dix cas incidents par Iris e´taient de´nombre´s dans plus des deux tiers des Iris pour la pe´riode 1990–1999. Dans pre`s de 95 % des cas, moins de 2000 hommes par Iris e´taient recense´s en 1999. L’utilisation d’une technique de lissage baye´sienne [3] permet d’e´viter les erreurs d’interpre´tation lie´es aux variations de peuplement des unite´s ge´ographiques e´tudie´es et de pallier la perte de puissance statistique inhe´rente a` la finesse du de´coupage ge´ographique [4,5]. En effet, en l’absence de lissage, les valeurs extreˆmes des taux standardise´s d’incidence ne refle`tent plus la variation naturelle de re´partition de la maladie mais plutoˆt celle de la structure de peuplement de l’unite´ ge´ographique choisie [6,7]. Le principe de cette technique statistique repose sur la ponde´ration a priori des rapports standardise´s d’incidence en fonction de la quantite´ d’informations disponibles par unite´ ge´ographique. Par ailleurs, la me´thode de lissage baye´sienne permet de prendre en compte une possible de´pendance spatiale (pre´sence d’une frontie`re commune) entres unite´s proches ge´ographiquement. En effet, les unite´s proches ge´ographiquement peuvent pre´senter des similitudes (par exemple de population ou d’environnement au sens large de terme) se traduisant par des risques relatifs similaires entres Iris contigue¨s. Plus concre`tement, une des composantes du mode`le prend donc en compte l’he´te´roge´ne´ite´ des risques relatifs tandis que l’autre mode´lise une source de variation d’origine spatiale. Concernant le choix du mode`le utilise´, la me´thode de lissage mixte a e´te´ retenue dans notre e´tude puisque les re´sultats des tests d’he´te´roge´ne´ite´ (le test retenu e´tait celui de Potthoff et Whittinghill [8]) et d’autocorre´lation spatiale (I de Moran
317
utilisant la matrice de contiguı¨te´ comme indicateur de proximite´) se sont ave´re´s significatifs. Seule l’autocorre´lation d’ordre 1 (voisins imme´diats) a e´te´ prise en compte et le test d’autocorre´lation a e´te´ corrige´ des effets de diffe´rences de populations [9]. Notons que la configuration spatiale des Iris de l’agglome´ration grenobloise rendait a priori ce test d’autocorre´lation spatiale performant, puisque plus de trois quarts des ` titre de Iris avaient plus de quatre Iris adjacentes. A comparaison, le de´coupage communal de l’agglome´ration induisait un nombre de voisins infe´rieur a` quatre pour les deux tiers des communes. Dans notre e´tude, les composantes d’he´te´roge´ne´ite´ globale et d’autocorre´lation spatiale de notre mode`le baye´sien ont e´te´ conside´re´es comme des variables ale´atoires distribue´es respectivement par une loi Normale et un mode`le gaussien autore´gressif conditionnel. Les amplitudes de variabilite´ de chacune de ces deux composantes (l’une ne prenant pas en compte la variabilite´ spatiale et l’autre prenant en compte la variabilite´ conditionnelle des risques relatifs) sont des parame`tres auxquels sont associe´s des distributions de probabilite´ non informatives, dites « distribution hyper a priori ». Le choix des parame`tres de cette distribution hyper a priori a e´te´ effectue´ selon la me´thode propose´e par Mollie´ [3]. Fre´quemment, la distribution des parame`tres hyper a priori ne privile´gie aucune valeur particulie`re afin de traduire un e´tat d’ignorance. La me´thode empirique de´crite par Mollie´ propose de prendre en compte la variabilite´ des rapports standardise´s d’incidence pour la de´termination des parame`tres de cette distribution [3–6]. Les estimations ont e´te´ re´alise´es avec le logiciel WinBugs1 a` l’issu d’un nombre d’ite´rations fixe´ a` 30 000. La convergence a e´te´ controˆle´e pre´alablement graphiquement et obtenue au terme de 5000 ite´rations. La mise en e´vidence de sousincidence ou de sur-incidence particulie`re a e´te´ re´alise´e par la lecture des intervalles de cre´dibilite´ issus du lissage et l’exce´dent de cas par Iris par rapport a` l’ensemble de l’agglome´ration a e´te´ appre´cie´ par le test de l’hypothe`se « Risque relatif supe´rieur a` 1 ». Finalement, nous avons inte´gre´ une partie re´gression dans notre mode`le spatial en utilisant des variables d’ajustement de type socioe´conomique issues du recensement de 1999 et des donne´es concernant l’impoˆt sur le revenu me´dian par unite´ de consommation datant de 2001. Nous avons donc suppose´ l’existence d’une interaction entre cancer du poumon et appartenance a` une cate´gorie socioe´conomique, sachant qu’il en existe une entre facteurs de risque socioe´conomiques et mode de vie en ge´ne´ral. Concre`tement, nous avons donc cherche´ a` voir si le niveau socioe´conomique de l’Iris de re´sidence – pouvant eˆtre conside´re´ comme le reflet d’expositions a` la fois individuelles et contextuelles – e´tait un facteur associe´ au risque de cancer du poumon chez l’homme. Le mode`le statistique utilise´ permet la prise en compte de l’he´te´roge´ne´ite´ de l’incidence ainsi que d’une possible de´pendance spatiale des taux en plus de l’information de type socioe´conomique. Ce mode`le s’e´crit analytiquement de la fac¸on suivante : logðRi Þ ¼ a þ b xi þ U i þ V i
A. Senkowski et al. / Revue d’E´pide´miologie et de Sante´ Publique 56 (2008) 315–321
318
Ri est le risque relatif de l’unite´ ge´ographique i, exp(a) le risque relatif de l’ensemble de l’agglome´ration conside´re´ comme suivant une loi Uniforme impropre (dflat dan Winbugs) et exp(b) correspond – pour une variable x continue – au risque relatif lie´ a` une variation d’une unite´ de la variable x. Les variables Ui et Vi correspondent respectivement a` la prise en compte d’une source de variation structure´e spatialement ou non. La composante « he´te´roge´ne´ite´ » est conside´re´e comme distribue´e selon une loi Normale de´finie par : V i Nð0; s 2v Þ iid
ou` l’amplitude de variabilite´ des risques relatifs, dans sa composante non spatiale, est controˆle´e par l’hyperparame`tre s 2v . La composante spatiale suppose que les unite´s spatiales proches ge´ographiquement tendent a` avoir des risques relatifs similaires. Le mode`le gaussien autore´gressif conditionnel permet de prendre en compte cette hypothe`se, ce qui se traduit par la distribution : s2 U i jU j ¼ u j j 6¼ i N u¯ i ; u mi ou` u¯ i correspond a` la moyenne des ui parmi les unite´s adjacentes de l’unite´ i ; mi est le nombre de voisins de l’unite´ i et le parame`tre s 2u permet le controˆle de la variabilite´ conditionnelle des risques relatifs. Les distributions associe´es aux parame`tres s 2v (he´te´roge´ne´ite´ non spatiale) et s 2u (composante spatiale) sont respectivement Ga (0,012, 0,001) et (0,00042, 0,00044). 3. Re´sultats 3.1. Caracte´risation de´mographique des populations Le ge´ocodage a permis de re´partir pre`s de 99 % des cas de cancer du poumon masculin en 162 Iris dont 14 e´taient de type activite´ et trois de type divers. Si l’on choisit d’exclure ces deux types d’Iris qui constituent les Iris les moins peuple´es et ne correspondent pas a` une forme d’organisation spatiale re´elle de la socie´te´, l’e´chelle de population totale s’e´chelonne de 1 a` 13 ` titre de selon les chiffres du recensement de 1999. A comparaison, a` l’e´chelle communale, l’e´chelle de population variait d’un a` 240 et d’un a` 50 lorsque les communes les moins peuple´es et les plus peuple´es e´taient exclues. L’e´chelle de peuplement apparaıˆt donc nettement plus restreinte a` l’e´chelle infracommunale.
3.2. Description des re´sultats Le risque relatif estime´ du cancer du poumon a` l’e´chelle communale lors de la re´alisation de l’atlas du cancer dans l’agglome´ration grenobloise en juillet 2005 variait du simple au ` l’e´chelle double (0,64 au minimum et 1,43 au maximum). A infracommunale, il varie du simple au triple (0,52 au minimum et 1,53 au maximum). Par ailleurs, des diffe´rences statistiquement significatives sont observe´es pour certaines Iris avec des exce´dents et de´fauts de cas de l’ordre de 30 a` 40 % par rapport a` l’ensemble de l’agglome´ration. Or l’e´tude re´alise´e a` l’e´chelle communale avait de´ja` permis de re´ve´ler un exce´dent de cas dans l’agglome´ration par rapport au reste du de´partement de l’ordre de 15 %. 3.3. Comparaison des rapports standardise´s d’incidence et des risques relatifs estime´s Le lissage re´duit de fac¸on conse´quente l’amplitude des re´sultats. Les estimations des risques relatifs lisse´s varient de 0,5 (minimum) a` 1,5 (maximum), alors que les rapports standardise´s d’incidence, calcule´s en prenant comme taux de re´fe´rence ceux de l’ensemble de l’agglome´ration, varient de 0 a` 2,7. La moyenne des e´carts absolus des risques relatifs estime´s selon la technique de lissage mixte e´tait de 0,18 [0,12–0,24] (intervalle de cre´dibilite´ a` 95 %), alors que celle des rapports standardise´s d’incidence e´tait de 0,46 [0,38–0,54]. Quelle que soit sa significativite´ statistique, le de´faut de risque (rapport standardise´ d’incidence < 1) est toujours confirme´ par le lissage mixte sauf pour quatre Iris dont les risques relatifs estime´s deviennent supe´rieurs a` un apre`s lissage. Cette modification s’explique principalement par la pre´sence d’Iris voisines en sur-incidence, entraıˆnant une augmentation du risque relatif estime´ une fois la source de variation d’origine spatiale prise en compte. Inversement, la pre´sence d’Iris limitrophes en sous-incidence a induit une re´duction du risque relatif estime´ pour 14 Iris, ne confirmant pas l’exce`s de risque initialement observe´. 3.4. Corre´lation avec les facteurs de risque socioe´conomiques Comme le montre le Tableau 1, une association ne´gative e´value´e par le coefficient de re´gression a e´te´ mise en e´vidence entre le risque relatif estime´ et l’impoˆt sur le revenu me´dian par unite´ de consommation. Inversement, une corre´lation positive
Tableau 1 Effet des diffe´rentes covariables d’ajustement socioe´conomiques sur le risque relatif estime´ par la me´thode mixte. Variables
Coefficient de re´gression
Intervalle de cre´dibilite´ a` 95 %
Risque relative estime´
Intervalle de cre´dibilite´ a` 95 %
Impoˆt sur le revenue me´dian par unite´ de consommation a % d’ouvriers et d’employe´s % de sans diploˆmes Taux de choˆmage % de ce´libataires
S0,04 1,50 1,43 0,015 0,01
[0,06– 0,02] [0,78–2,18] [0,63–2,22] [0,005–0,025] [0,001–0,02]
0,96 4,47 4,18 1,02 1,01
[0,94–0,98] [2,18–8,86] [1,88–9,21] [1,00–1,03] [1,00–1,02]
a
La variable impoˆt sur le revenu me´dian par unite´ de consommation appele´e « REV » a e´te´ centre´e et re´duite de la fac¸on suivante : (REV – moyenne de REV)/1000.
A. Senkowski et al. / Revue d’E´pide´miologie et de Sante´ Publique 56 (2008) 315–321
319
Tableau 2 Comparaison de diffe´rents mode`les par le Crite`re d’information de la de´viance. Type de mode`le
Valeur du DIC
Lissage global sans variable explicative Lissage mixte sans variable explicative Lissage mixte avec impoˆt sur le revenu me´dian par unite´ de consommation Lissage mixte avec pourcentage d’ouvriers et d’employe´s Lissage mixte avec pourcentage de sans diploˆmes Pourcentage d’ouvriers et d’employe´s et de sans diploˆmes Lissage mixte avec pourcentage d’ouvriers et d’employe´s et impoˆt sur le revenu me´dian par unite´ de consommation Lissage mixte avec pourcentage de sans diploˆmes et impoˆt sur le revenu me´dian par unite´ de consommation Lissage mixte avec pourcentage d’ouvriers et d’employe´s et de sans diploˆmes et impoˆt sur le revenu me´dian par unite´ de consommation
770,771 753,94 742,879 749,642 749,154 750,591 744,904 744,508 747,038
avec le pourcentage d’ouvriers et d’employe´s, de sans diploˆmes, de ce´libataires et avec le taux de choˆmage a e´te´ montre´. Comme le montre le Tableau 2, afin de comparer les diffe´rents mode`les envisage´s a` partir des diffe´rents types de lissage et des variables socioe´conomiques utilise´es, nous avons utilise´ le crite`re « Crite`re d’information de la de´viance » (DIC) [10]. Ce crite`re de se´lection permet de choisir le meilleur mode`le parmi un ensemble de mode`les plausibles a` partir d’une mesure d’ade´quation aux donne´es (de´viance) et d’une mesure de complexite´ le pe´nalisant. Concre`tement, un mode`le est meilleur qu’un autre s’il a un DIC plus petit. Comme le montre le Tableau 2, ce crite`re nous a conduit en premier lieu a` conserver le terme d’autocorre´lation spatiale dans notre mode`le. En effet, la valeur du DIC calcule´e pour le mode`le avec lissage mixte sans variable explicative est infe´rieure a` celle calcule´e pour le mode`le avec lissage global sans variable explicative. Par ailleurs, ce crite`re nous a permis de mesurer les effets des diffe´rentes variables socioe´conomiques et de montrer que l’impoˆt sur le revenu me´dian par unite´ de consommation avait un effet pre´ponde´rant sur l’ensemble des autres variables d’ajustement. En effet, l’inte´gration des autres variables socioe´conomiques potentiellement explicatives en plus de l’impoˆt sur le revenu me´dian par unite´ de consommation a fait augmenter la valeur du DIC ce qui traduit l’absence d’informations supple´mentaires apporte´es de la part de ces variables. L’utilisation de variables fictives par la cre´ation de classes d’impoˆt sur le revenu me´dian par unite´ de consommation a
Fig. 1. Risques relatifs ajuste´s sur l’impoˆt sur le revenu me´dian par unite´ de consommation estime´s par communes (27 communes) en fonction de l’impoˆt sur le revenu me´dian par unite´ de consommation.
Fig. 2. Risques relatifs ajuste´s sur l’impoˆt sur le revenu me´dian par unite´ de consommation estime´s par Iris (145 Iris) en fonction de l’impoˆt sur le revenu me´dian par unite´ de consummation.
e´galement permis de confirmer l’effet pre´ponde´rant de cette variable. Comme le montre le Tableau 3, le risque relatif est supe´rieur pour toutes les classes ayant un impoˆt sur le revenu me´dian par unite´ de consommation infe´rieur ou e´gal a` 20 000 euros qui est le niveau de re´fe´rence pris en compte. Enfin, comme le montrent les Fig. 1 et 2, le de´coupage infracommunal permet de confirmer l’association ne´gative existant entre l’impoˆt sur le revenu me´dian par unite´ de consommation et le risque relatif estime´ a` l’e´chelle communale lors de la re´alisation de l’atlas du cancer dans l’agglome´ration grenobloise en juillet 2005. Parmi les diffe´rentes variables prises en compte, l’impoˆt sur le revenu me´dian par unite´ de consommation apparaıˆt donc comme e´tant la variable qui explique le mieux les diffe´rences d’incidence observe´es entre
Tableau 3 Effet de l’impoˆt sur le revenu me´dian par unite´ de consommation selon un mode`le « classes »a sur le risque relatif estime´ par la me´thode mixte. Impoˆt sur le revenu me´dian par unite´ de consommation (euros)
Coefficient de regression
Intervalle de cre´dibilite´ a` 95 %
Risque relatif estime´
Intervalle de cre´dibilite´ a` 95 %
12 000 ] 12 000–15 000] ] 15 000–17 000] ] 17 000–20 000]
0,59 0,54 0,40 0,37
[0,31–0,86] [0,26–0,81] [0,14–0,66] [0,12–0,63]
1,80 1,72 1,49 1,45
[1,37–2,35] [1,29–2,25] [1,15–1,93] [1,12–1,87]
a Les risques sont estime´s par rapport a` une classe prise comme re´fe´rence (impoˆt sur le revenu me´dian par unite´ de consommation supe´rieur ou e´gal a` 20 000 euros) dans laquelle le risque relatif est conside´re´ comme e´gal a` 1.
320
A. Senkowski et al. / Revue d’E´pide´miologie et de Sante´ Publique 56 (2008) 315–321
unite´s spatiales. Il est donc le´gitime de supposer que cette variable agit probablement comme « marqueur » d’un ensemble d’autres variables non mesure´es. 4. Discussion Nous avons axe´ nos re´sultats sur l’estimation des risques relatifs et l’inte´gration de variables d’ajustement de type socioe´conomiques. Si la re´partition des cas de cancer du poumon masculins observe´e a` l’e´chelle communale lors de la re´alisation de l’atlas du cancer est globalement retrouve´e a` l’e´chelle infracommunale, des disparite´s passe´es jusqu’a` pre´sent inaperc¸ues ont e´te´ mises en e´vidence a` l’e´chelle des ` titre d’exemple, l’utilisation de Iris dans notre e´tude. A l’e´chelle infracommunale re´ve`le toute son utilite´ pour une commune telle que Grenoble. Elle permet en effet de s’affranchir du poids de´mographique accorde´ a` cette commune et de mettre en e´vidence des disparite´s non visibles a` l’e´chelle communale. Alors qu’a` l’e´chelle communale, le risque relatif estime´ e´tait de 0,94 pour Grenoble, il varie selon les Iris de 0,5 au minimum a` 1,2 au maximum. Cette nouvelle e´chelle d’analyse spatiale se re´ve`le donc pertinente vis-a`-vis de l’analyse d’un proble`me de sante´ donne´ en milieu urbain dans un contexte de forte variabilite´ de poids de´mographique des unite´s ge´ographiques classiquement utilise´es et d’he´te´roge´ne´ite´ des populations. En effet, les de´coupages ge´ographiques retenus jusqu’a` pre´sent en France e´taient principalement de nature administrative. Or les conse´quences de ce type de de´coupage administratif sont l’induction d’une e´chelle spatiale relativement large et d’une forte he´te´roge´ne´ite´ dans la caracte´risation des populations en termes de densite´ de population mais e´galement de caracte´ristiques socioe´conomiques. Le de´coupage Iris propose´ par l’Insee permet de re´duire cette he´te´roge´ne´ite´ de re´partition des populations dans les agglome´rations, donc au moins en milieu urbain. En effet, la faible taille de ces unite´s ge´ographiques et leur construction sur des crite`res cohe´rents vis-a`-vis de formes d’organisation spatiale de la socie´te´ les rendent a priori plus performantes dans la re´duction de l’he´te´roge´ne´ite´ observe´e intrazone. Cependant, leur finesse ne´cessite de garder a` l’esprit un certain nombre de limites inhe´rentes a` leur utilisation avant toute interpre´tation des re´sultats. On peut citer, par exemple, la faiblesse des effectifs ou encore les phe´nome`nes migratoires particulie`rement marque´s a` une e´chelle ge´ographique aussi fine. La premie`re limite expose´e ci-dessus peut eˆtre contourne´e par une approche baye´sienne d’estimation des risques relatifs. Lorsque les unite´s ge´ographiques sont de petites tailles et/ou la maladie est rare, le recours a` une approche classique n’envisageant pas une me´thode de lissage conduit a` une repre´sentation errone´e de la variabilite´ spatiale de la maladie. En effet, l’analyse d’un phe´nome`ne statistiquement rare dans un contexte d’he´te´roge´ne´ite´ des populations aboutit a` repre´senter une information bruite´e par les variations de structure de peuplement. Nous avons retenu la technique baye´sienne pour re´duire ce bruitage en diminuant la variabilite´ d’ensemble, en augmentant la puissance de la significativite´
statistique des re´sultats et en inte´grant les phe´nome`nes d’autocorre´lation spatiale lors du recours a` un mode`le prenant en compte une composante spatiale. Il est utile de savoir qu’il existe une technique fre´quentiste multiniveaux permettant d’atteindre ces meˆmes objectifs [7]. La re´alisation de cartes de risques relatifs aboutit parfois a` repre´senter des zones ou` l’exce`s de risque estime´ est plus e´leve´ qu’ailleurs. Dans le cas de notre e´tude, certaines de ces zones se situent a` proximite´ de complexes chimiques, d’axes routiers importants ou encore d’usines d’incine´ration. Il est donc e´vident que, dans ce cas, les repre´sentations cartographiques doivent eˆtre e´tablies avec pre´caution. Une analyse spe´cifique de recherche d’agre´gats de cas autour des points source de pollution suspects peut permettre de re´pondre a` certaines interrogations le´gitimes. Ainsi, dans le cas de notre e´tude, l’approche statistique par feneˆtrage successif re´alise´e a` l’issue de la re´alisation de l’atlas du cancer a` l’e´chelle communale n’avait pas permis de re´ve´ler d’exce´dent de cas de cancer du poumon autour des points sources suspecte´s. Finalement, l’utilisation de l’e´chelle infracommunale a permis de mettre en e´vidence un certain nombre de particularite´s associe´es aux disparite´s de re´partition spatiale de l’incidence du cancer du poumon masculin dans l’agglome´ration grenobloise. Ainsi, l’exce´dent de cas de cancer du poumon en milieu urbain a de´ja` e´te´ note´ dans plusieurs e´tudes [11,12]. Concernant le lien mis en e´vidence dans notre e´tude entre re´partition de la maladie et impoˆt sur le revenu me´dian par unite´ de consommation, une relation de ce type avait de´ja` e´te´ mise en e´vidence dans une pre´ce´dente e´tude [13]. Dans notre e´tude, cette variable est apparue comme la plus discriminante pour la caracte´risation des populations. Ainsi, il est possible de s’interroger sur l’apparente contradiction de ces re´sultats : exce´dent de cas de cancer du poumon en milieu urbain, malgre´ la pre´sence de cate´gories socioprofessionnelles « e´leve´es », alors que l’on observe un effet a priori protecteur en pre´sence d’un niveau de revenu e´leve´ mesure´ par l’impoˆt sur le revenu me´dian par unite´ de consommation. Cette contradiction s’explique par le fait que la repre´sentation des cate´gories socioprofessionnelles les plus « e´leve´es » dans les agglome´rations est compense´e par l’importance de la population appartenant aux cate´gories les plus « de´favorise´es ». Il serait sans doute e´galement inte´ressant de comparer la re´partition spatiale observe´e de la maladie a` celle de la consommation tabagique –principal facteur de risque du cancer du poumon. Cependant, les donne´es actuelles ne permettent pas d’estimer la consommation de tabac par habitant a` une e´chelle ge´ographique aussi fine. Rappelons e´galement ici les deux principales hypothe`ses formule´es au cours de notre e´tude. En premier lieu, lors de la re´alisation de l’interpolation de´mographique, nous avons suppose´ l’absence de phe´nome`nes migratoires des populations et une e´volution constante des effectifs entre les deux recensements. En second lieu, lors de l’ajustement sur les variables socioe´conomiques, nous avons approxime´ le niveau d’exposition individuelle par celui de l’Iris de re´sidence. Ce type d’approximation est incontournable si l’on souhaite re´soudre le proble`me de l’absence de donne´es individuelles exhaustives. Enfin, rappelons que nous n’avons
A. Senkowski et al. / Revue d’E´pide´miologie et de Sante´ Publique 56 (2008) 315–321
pris en compte dans notre e´tude que la variabilite´ spatiale de la maladie. Nous avons donc fait abstraction de la variabilite´ temporelle qui pourrait constituer un axe de de´veloppement supple´mentaire de ce travail afin de pre´ciser la stabilite´ dans le temps des caracte´ristiques mises en e´vidence.
321
environnementale est suspecte´e. Il sera alors sans doute possible de pre´ciser l’impact de l’environnement sur le risque de cancer et de tenter de re´pondre a` des questions d’actualite´ a` la fois scientifiques et sociales. Remerciement
5. Conclusion L’e´tude que nous avons pre´sente´e fournit une illustration de l’enjeu du choix d’une e´chelle ge´ographique adapte´e a` un proble`me de sante´ donne´. Si la re´partition spatiale des risques relatifs estime´s de cancer du poumon masculin dans l’agglome´ration grenobloise a` l’e´chelle communale est retrouve´e a` l’e´chelle infracommunale, l’utilisation de cette nouvelle e´chelle spatiale d’analyse se re´ve`le adapte´e aux objectifs fixe´s. Elle permet notamment de re´ve´ler des disparite´s passe´es inaperc¸ues a` l’e´chelle communale et d’inte´grer des variables d’ajustement socioe´conomiques. D’un autre point de vue, il est possible avec cette nouvelle e´chelle d’analyser un phe´nome`ne statistique donne´ dans un contexte de plus grande homoge´ne´ite´ des populations. Cette e´chelle de de´coupage en Iris de´voile tout son inte´reˆt lors d’e´tudes dans des zones ou` de fortes disparite´s de poids de´mographique sont observe´es avec les unite´s classiquement utilise´es. En outre, elle rend possible les comparaisons au sein de zones urbaines et entres zones urbaines et pe´riurbaines. Cependant, la finesse de cette nouvelle e´chelle spatiale d’analyse ne´cessite de recourir a` des techniques de lissage baye´siennes afin de limiter la variabilite´ des observations par rapport a` celle des risques re´els. La mise en œuvre de cette approche baye´sienne est relativement facilite´e a` l’heure actuelle par des logiciels informatiques tels que WinBugs1. Par ailleurs, le recours a` cette approche permet de prendre en compte les phe´nome`nes de de´pendance spatiale entres unite´s proches ge´ographiquement qui se traduisent par des risques relatifs similaires entres unite´s contigue¨s. Dans l’avenir, ce type d’approche pourra sans doute trouver toute son utilite´ dans l’analyse de variations temporelles et d’agre´gats de cas de cancer en milieu urbain inexplique´s par l’ame´lioration des techniques diagnostiques ou les facteurs de risque comportementaux et professionnels classiques. L’analyse cartographique a` l’e´chelle infracommunale, pre´sentant des taux d’incidence lisse´s et ajuste´s sur les caracte´ristiques socioe´conomiques des lieux de re´sidence des sujets, permettra de fournir une repre´sentation fine et informative de la re´partition des cas de cancer pour lesquels une origine
Nous remercions Florence Poncet du Registre du cancer de l’Ise`re pour son aide dans le traitement des donne´es ainsi que le centre Maurice-Halbwachs (unite´ mixte CNRS – EHESS – ENS – universite´ de Caen) pour sa contribution aux donne´es. Re´fe´rences [1] Registre du cancer de l’Ise`re. Atlas du cancer dans les 27 communes de l’agglome´ration grenobloise. Meylan : Registre du cancer de l’Ise`re, 2005. [2] Benhamou E, Laplanche A. Estimation de la population a` risque entre deux recensements pour le calcul d’un taux d’incidence ou de mortalite´ par cancer : comparaison de quatre me´thodes. Rev Epidemiol Sante Publique 1991;39:71–7. [3] Mollie´ A. Bayesian mapping of Hodgkin’s disease in France. In: Elliott P, Wakefield J, Best N, Briggs D, editors. Spatial epidemiology – method and application. New York, NY: Oxford University Press; 2000. p. 267–85. [4] David S, Remontet L, Bouvier AM, Faivre J, Colonna M, Este`ve J. How to choose in practice the model of spatial variation of cancer incidence ? Examples of digestive cancers from Coˆte-d’Or – « department » – France. Rev Epidemiol Sante Publique 2002;50(5):413–25. [5] Richardson S, Thomson A, Best N, Elliott P. Interpreting posterior relative risk estimates in disease-mapping studies. Environ Health Perspect 2004;112(9):1016–25. [6] Colonna M. Influence des parame`tres a priori dans l’estimation baye´sienne de risques relatifs. Analyse spatiale du cancer de la vessie dans l’agglome´ration grenobloise. Rev Epidemiol Sante Publique 2006;54: 529–42. [7] Lawson A, Browne W, Vidal Rodeiro C. Disease mapping with WinBugs and MLwiN. Sussex: John Wiley and Sons; 2003. [8] Elliott P, Wakefield J, Best N, Briggs D. Spatial epidemiology – method and application. New York, NY: Oxford University Press; 2000. [9] Este`ve J, Benhamou E, Raymond L. Me´thodes statistiques en e´pide´miologie descriptive. Paris: Les E´ditions Inserm; 1993. [10] Spiegelhalter D, Best N, Carlin B. Bayesian measures of model complexity and fit (with discussion). J R Stat Soc Ser B 2002;64(4):583–639. [11] Janvrin M, Bouvier-Colle M. Fre´quence de la mortalite´ et causes de de´ce`s selon la taille des agglome´rations en France en 1990. Sante Publique 1993;2:21–33. [12] Salem G, Rican S, Jougla E. Atlas de la sante´ en France – Volume 1 : Les causes de de´ce`s. Paris: John Libbey Eurotext; 1999. [13] Jha P, Peto R, Zatonski W, Boreham J, Jarvis MJ, Lopez AD. Social inequalities in male mortality, and in male mortality from smoking : indirect estimation from national death rates in England and Wales, Poland and North America. Lancet 2006;368(9533):367–70.
Revue d’E´pide´miologie et de Sante´ Publique 56 (2008) 315–321
Article original
Distribution infracommunale du cancer du poumon dans l’agglome´ration grenobloise Inframunicipality distribution of lung cancer in the urban area of Grenoble A. Senkowski a,*, M. Colonna b, D.-J. Bicout a a
Laboratoire EPSP-TIMC, faculte´ de me´decine, Domaine de la Merci, 38700 La Tronche, France b Registre du cancer de l’Ise`re, 23, chemin des Sources, 38240 Meylan, France Rec¸u le 30 novembre 2007 ; accepte´ le 23 juin 2008
Abstract Background. – Mapping a Cancer Atlas for the urban area of Grenoble revealed spatial distribution in the incidence of lung cancer among males at municipality level. Thus, our goal in this work was to use a new finer spatial scale to find out whether or not observed spatial variations might mask intramunicipality spatial variations. Methods. – The use of a Bayesian smoothing approach allowed us to overcome problems related to the very small inframunicipality scale and to take into account the spatial autocorrelation existing between neighbouring units. The relative risks were adjusted on different socioeconomic variables like the median income per consumption unit. Results. – After smoothing, areas with statistically significant 30 to 40% excess of cases and lack of cases were identified within the urban area of Grenoble. Median income per consumption unit appeared to be the most discriminating variable for characterizing the studied population. Conclusion. – The inframunicipality scale enables the study of a health problem as the lung cancer within a context of strong demographic disparities. # 2008 Elsevier Masson SAS. Tous droits re´serve´s. Re´sume´ Position du proble`me. – La re´alisation d’un atlas du cancer dans l’agglome´ration grenobloise avait permis de re´ve´ler des disparite´s de re´partition spatiale de l’incidence du cancer du poumon masculin a` l’e´chelle communale. L’objectif de ce travail e´tait donc d’utiliser une nouvelle e´chelle d’analyse spatiale pour de´terminer si les disparite´s infracommunales observe´es ne cachaient pas des disparite´s passe´es inaperc¸ues. Me´thodes. – L’utilisation d’une technique de lissage baye´sienne nous a permis de pallier les proble`mes inhe´rents a` la finesse de l’e´chelle infracommunale et de prendre en compte les phe´nome`nes d’autocorre´lation spatiale existants entres unite´s proches ge´ographiquement. Les risques relatifs estime´s ont e´te´ ajuste´s sur diffe´rentes variables de type socioe´conomiques tels que l’impoˆt sur le revenu me´dian par unite´ de consommation. Re´sultats. – Des exce´dents et de´fauts de cas statistiquement significatifs de l’ordre de 30 a` 40 % par rapport a` l’ensemble de l’agglome´ration ont e´te´ observe´s apre`s lissage. L’impoˆt sur le revenu me´dian par unite´ de consommation est apparu comme la variable la plus discriminante pour la caracte´risation des populations e´tudie´es. Conclusion. – L’e´chelle infracommunale permet d’e´tudier un phe´nome`ne de sante´ tel que le cancer du poumon dans un contexte urbain de forte disparite´ de´mographique. # 2008 Elsevier Masson SAS. Tous droits re´serve´s. Keywords: Geographical epidemiology; Iris; Bayesian estimation; Income; Lung cancer Mots cle´s : E´pide´miologie ge´ographique ; Iris ; Estimation baye´sienne ; Revenu ; Cancer bronchopulmonaire
* Auteur correspondant. Re´sidence Le Champollion, 10, boulevard Ampe`re, 44470 Carquefou, France. Adresses e-mail : [email protected] (A. Senkowski), [email protected] (M. Colonna), [email protected] (D.J. Bicout). 0398-7620/$ – see front matter # 2008 Elsevier Masson SAS. Tous droits re´serve´s. doi:10.1016/j.respe.2008.06.259
316
A. Senkowski et al. / Revue d’E´pide´miologie et de Sante´ Publique 56 (2008) 315–321
1. Introduction La re´alisation d’un atlas du cancer dans l’agglome´ration grenobloise en juillet 2005 par le Registre du Cancer de l’Ise`re avait permis de mettre en e´vidence des disparite´s spatiales d’incidence du cancer du poumon masculin a` l’e´chelle communale pour la pe´riode 1990–1999 [1]. Un exce´dent de cas statistiquement significatif de l’ordre de 15 % avait e´te´ observe´ dans l’agglome´ration par rapport au reste du de´partement. Par ailleurs, l’e´tude avait permis de re´ve´ler une re´partition he´te´roge`ne de l’incidence du cancer du poumon masculin entres les diffe´rentes communes de l’agglome´ration avec des communes en sur-incidence et en sous-incidence statistiquement significatives. Cependant, la question se posait de savoir si l’he´te´roge´ne´ite´ spatiale observe´e refle´tait la variabilite´ naturelle de re´partition ge´ographique de la maladie, c’est-a`-dire si cette variation spatiale refle´tait un re´el exce`s de risque pour certaines populations. L’e´chelle de de´coupage communale utilise´e posait le proble`me du poids accorde´ a` ` titre d’exemple, Grenoble repre´sentait certaines communes. A en 1999 pre`s de 40 % de la population de l’agglome´ration grenobloise, alors que la commune la moins peuple´e repre´sentait moins de 0,2 % de la population de l’agglome´ration. Enfin, la question se posait e´galement de savoir quels e´taient les e´ventuels de´terminants sociaux ou environnementaux associe´s a` ces variations d’incidence. L’objectif de notre e´tude e´tait donc d’utiliser une e´chelle de de´coupage ge´ographique plus fine – l’e´chelle ˆılots regroupe´s pour l’information statistique (Iris) – afin de savoir si les disparite´s observe´es a` l’e´chelle communale ne cachaient pas des disparite´s infracommunales passe´es jusqu’a` pre´sent inaperc¸ues et d’illustrer ainsi l’utilite´ de cette e´chelle. 2. Mate´riels et me´thodes 2.1. Mate´riels Les donne´es utilise´es ont e´te´ fournies par le Registre du cancer de l’Ise`re. Il s’agissait du nombre de cas de cancer du poumon primitifs diagnostique´s chez les hommes entre 1990 et 1999 dans l’agglome´ration grenobloise qui regroupait un ensemble de 27 communes. Le nombre de cas incidents pour la pe´riode retenue e´tait de 1339 cas dont 1324 ont pu eˆtre ge´ocode´s et re´partis en 162 Iris. L’e´chelle Iris correspond au de´coupage en ˆılots de communes urbaines de plus de 5000 habitants selon un caracte`re dominant : habitat, activite´ et divers. On distingue donc les Iris de type « habitat » dont la population est infe´rieure a` 5000 habitants, les Iris de type « activite´ » qui regroupent plus de 1000 salarie´s et comptent deux fois plus d’emplois salarie´s que de population re´sidente, et les Iris de type « divers » de surface importante a` usage particulier tels que les bois, les parcs ou les zones portuaires. Ce de´coupage selon trois caracte`res dominants permet d’obtenir des ˆılots ayant des formes homoge`nes d’habitat correspondant a` des formes d’organisation spatiale de la socie´te´. Il permet e´galement d’identifier les Iris pour lesquels les re´sultats ne seraient pas interpre´tables
telles que les Iris de type divers ou de type activite´ ayant une population re´sidente nume´riquement tre`s faible. Parmi les 162 Iris de notre e´tude correspondant a` l’agglome´ration grenobloise, 14 e´taient de type « activite´ » et 3 de type « divers ». Lors du recensement de 1999, la population d’hommes re´sidant dans l’agglome´ration grenobloise s’e´levait a` 189 000 personnes. La comparaison des effectifs masculins pre´sents en 1999 avec ceux pre´sents en 1990, a` partir des donne´es fournies par l’Institut national de la statistique et des e´tudes e´conomiques (Insee) a permis de montrer que dans 65 % des cas la variation absolue de ces effectifs e´tait comprise entre – 10 % et +10 % et que, dans pre`s d’un quart des cas, elle e´tait supe´rieure a` 10 %. Par ailleurs, l’analyse des effectifs masculins pre´sents par Iris et par tranche d’aˆge entre 1990 et 1999 a re´ve´le´ des diffe´rences de structure statistiquement significatives dans ` titre indicatif, pre`s de 30 % la composition des populations. A des Iris de´tenaient une proportion de plus 65 ans supe´rieure ou e´gale a` 10 % en 1990 contre environ 10 % en 1999. Les effectifs d’hommes par classe d’aˆge d’un an a` l’e´chelle Iris ont e´te´ estime´s pour chaque anne´e de 1991 a` 1998 par la me´thode diagonale simple qui consiste a` faire vieillir les ge´ne´rations sans prendre en compte les phe´nome`nes migratoires [2]. La population a` risque a e´te´ de´finie comme l’ensemble des hommes aˆge´s de plus de 15 ans re´sidant dans l’agglome´ration grenobloise entre 1990 et 1999. Les effectifs estime´s par anne´e d’aˆge ont e´te´ regroupe´s en 18 classes d’aˆge allant de 15–19 ans a` 100 ans ou plus afin de pallier le proble`me de fragilite´ des donne´es de´taille´es aux aˆges extreˆmes dans les zones peu peuple´es. Cependant, il faut noter qu’a` une e´chelle ge´ographique aussi fine, une faible taille des populations associe´e a` une forte variation de´mographique implique une instabilite´ pour laquelle il est impossible de faire la part entre une re´elle modification de taille et un accroissement re´gulier de la population. L’utilisation d’un indice de stabilite´ permettant de quantifier la variation globale de population nous a permis de montrer que pre`s de 70 % des Iris pouvaient eˆtre qualifie´es de « stable » (plus au moins 10 % de variation absolue de la population entre 1990 et 1999). Pre`s de 23 % avaient une variation mode´re´e de leur population et un peu moins de 10 % avaient connu des variations importantes ou tre`s importantes. C’est pour ce dernier type d’Iris que l’interpolation de´mographique re´alise´e est la plus incertaine. En effet, les Iris les plus stables ont la meilleure estimation des risques relatifs et donc la meilleure estimation du taux d’incidence. Concernant les variables socioe´conomiques utilise´es, seules les variables disponibles a` l’e´chelle Iris ont e´te´ retenues. Le niveau d’observation statistique e´tant collectif, le statut socioe´conomique individuel des cas a e´te´ approxime´ par le niveau de l’Iris de re´sidence. Par ailleurs, nous avons uniquement conside´re´ dans notre e´tude la variabilite´ spatiale de la maladie. Notre e´tude ne prenant en compte que les donne´es disponibles depuis 1999 du fait de l’absence d’informations similaires directement issues du recensement de 1990, nous avons fait abstraction de la variabilite´ temporelle. L’hypothe`se sous-jacente a` cette de´marche est donc la permanence des facteurs contextuels sur la pe´riode conside´re´e. Ainsi, les donne´es concernant l’impoˆt sur le revenu me´dian par
A. Senkowski et al. / Revue d’E´pide´miologie et de Sante´ Publique 56 (2008) 315–321
unite´ de consommation (ou me´diane de l’impoˆt sur le revenu par unite´ de consommation) correspondent a` l’anne´e 2001 et ont e´te´ fournies par l’Insee. Dans cette variable, le revenu est exprime´ en euros et par « e´quivalent adulte », ce qui permet de la rendre comparable d’un lieu a` un autre et entres me´nages de composition diffe´rente. Plus concre`tement, il s’agit du revenu du me´nage rapporte´ au nombre d’unite´s qui le composent. Les donne´es concernant la cate´gorie socioprofessionnelle exprime´e en pourcentage d’ouvriers et d’employe´s actifs ayant un emploi, le niveau d’e´tude de´crit par le pourcentage d’hommes sans diploˆmes, le statut marital exprime´ au sens matrimonial le´gal par le pourcentage de ce´libataires et le taux de choˆmage repre´sente´ par le pourcentage de choˆmeurs ont e´te´ fournies par le centre Maurice-Halbwachs et sont issues du recensement de 1999. 2.2. Me´thodes Le nombre de cas attendus a e´te´ calcule´ par Iris en prenant comme taux d’incidence de re´fe´rence le taux d’incidence du cancer du poumon masculin dans l’agglome´ration grenobloise pour la pe´riode 1990–1999. Ce taux de re´fe´rence paraissait plus approprie´ qu’un taux de´partemental dans la mesure ou` nous nous inte´ressions a` une zone urbaine et industrialise´e. Une technique de lissage baye´sienne a e´te´ applique´e pour le calcul des risques relatifs afin de prendre en compte la faible ` titre taille des Iris et le faible nombre de cas par unite´. A indicatif, moins de dix cas incidents par Iris e´taient de´nombre´s dans plus des deux tiers des Iris pour la pe´riode 1990–1999. Dans pre`s de 95 % des cas, moins de 2000 hommes par Iris e´taient recense´s en 1999. L’utilisation d’une technique de lissage baye´sienne [3] permet d’e´viter les erreurs d’interpre´tation lie´es aux variations de peuplement des unite´s ge´ographiques e´tudie´es et de pallier la perte de puissance statistique inhe´rente a` la finesse du de´coupage ge´ographique [4,5]. En effet, en l’absence de lissage, les valeurs extreˆmes des taux standardise´s d’incidence ne refle`tent plus la variation naturelle de re´partition de la maladie mais plutoˆt celle de la structure de peuplement de l’unite´ ge´ographique choisie [6,7]. Le principe de cette technique statistique repose sur la ponde´ration a priori des rapports standardise´s d’incidence en fonction de la quantite´ d’informations disponibles par unite´ ge´ographique. Par ailleurs, la me´thode de lissage baye´sienne permet de prendre en compte une possible de´pendance spatiale (pre´sence d’une frontie`re commune) entres unite´s proches ge´ographiquement. En effet, les unite´s proches ge´ographiquement peuvent pre´senter des similitudes (par exemple de population ou d’environnement au sens large de terme) se traduisant par des risques relatifs similaires entres Iris contigue¨s. Plus concre`tement, une des composantes du mode`le prend donc en compte l’he´te´roge´ne´ite´ des risques relatifs tandis que l’autre mode´lise une source de variation d’origine spatiale. Concernant le choix du mode`le utilise´, la me´thode de lissage mixte a e´te´ retenue dans notre e´tude puisque les re´sultats des tests d’he´te´roge´ne´ite´ (le test retenu e´tait celui de Potthoff et Whittinghill [8]) et d’autocorre´lation spatiale (I de Moran
317
utilisant la matrice de contiguı¨te´ comme indicateur de proximite´) se sont ave´re´s significatifs. Seule l’autocorre´lation d’ordre 1 (voisins imme´diats) a e´te´ prise en compte et le test d’autocorre´lation a e´te´ corrige´ des effets de diffe´rences de populations [9]. Notons que la configuration spatiale des Iris de l’agglome´ration grenobloise rendait a priori ce test d’autocorre´lation spatiale performant, puisque plus de trois quarts des ` titre de Iris avaient plus de quatre Iris adjacentes. A comparaison, le de´coupage communal de l’agglome´ration induisait un nombre de voisins infe´rieur a` quatre pour les deux tiers des communes. Dans notre e´tude, les composantes d’he´te´roge´ne´ite´ globale et d’autocorre´lation spatiale de notre mode`le baye´sien ont e´te´ conside´re´es comme des variables ale´atoires distribue´es respectivement par une loi Normale et un mode`le gaussien autore´gressif conditionnel. Les amplitudes de variabilite´ de chacune de ces deux composantes (l’une ne prenant pas en compte la variabilite´ spatiale et l’autre prenant en compte la variabilite´ conditionnelle des risques relatifs) sont des parame`tres auxquels sont associe´s des distributions de probabilite´ non informatives, dites « distribution hyper a priori ». Le choix des parame`tres de cette distribution hyper a priori a e´te´ effectue´ selon la me´thode propose´e par Mollie´ [3]. Fre´quemment, la distribution des parame`tres hyper a priori ne privile´gie aucune valeur particulie`re afin de traduire un e´tat d’ignorance. La me´thode empirique de´crite par Mollie´ propose de prendre en compte la variabilite´ des rapports standardise´s d’incidence pour la de´termination des parame`tres de cette distribution [3–6]. Les estimations ont e´te´ re´alise´es avec le logiciel WinBugs1 a` l’issu d’un nombre d’ite´rations fixe´ a` 30 000. La convergence a e´te´ controˆle´e pre´alablement graphiquement et obtenue au terme de 5000 ite´rations. La mise en e´vidence de sousincidence ou de sur-incidence particulie`re a e´te´ re´alise´e par la lecture des intervalles de cre´dibilite´ issus du lissage et l’exce´dent de cas par Iris par rapport a` l’ensemble de l’agglome´ration a e´te´ appre´cie´ par le test de l’hypothe`se « Risque relatif supe´rieur a` 1 ». Finalement, nous avons inte´gre´ une partie re´gression dans notre mode`le spatial en utilisant des variables d’ajustement de type socioe´conomique issues du recensement de 1999 et des donne´es concernant l’impoˆt sur le revenu me´dian par unite´ de consommation datant de 2001. Nous avons donc suppose´ l’existence d’une interaction entre cancer du poumon et appartenance a` une cate´gorie socioe´conomique, sachant qu’il en existe une entre facteurs de risque socioe´conomiques et mode de vie en ge´ne´ral. Concre`tement, nous avons donc cherche´ a` voir si le niveau socioe´conomique de l’Iris de re´sidence – pouvant eˆtre conside´re´ comme le reflet d’expositions a` la fois individuelles et contextuelles – e´tait un facteur associe´ au risque de cancer du poumon chez l’homme. Le mode`le statistique utilise´ permet la prise en compte de l’he´te´roge´ne´ite´ de l’incidence ainsi que d’une possible de´pendance spatiale des taux en plus de l’information de type socioe´conomique. Ce mode`le s’e´crit analytiquement de la fac¸on suivante : logðRi Þ ¼ a þ b xi þ U i þ V i
A. Senkowski et al. / Revue d’E´pide´miologie et de Sante´ Publique 56 (2008) 315–321
318
Ri est le risque relatif de l’unite´ ge´ographique i, exp(a) le risque relatif de l’ensemble de l’agglome´ration conside´re´ comme suivant une loi Uniforme impropre (dflat dan Winbugs) et exp(b) correspond – pour une variable x continue – au risque relatif lie´ a` une variation d’une unite´ de la variable x. Les variables Ui et Vi correspondent respectivement a` la prise en compte d’une source de variation structure´e spatialement ou non. La composante « he´te´roge´ne´ite´ » est conside´re´e comme distribue´e selon une loi Normale de´finie par : V i Nð0; s 2v Þ iid
ou` l’amplitude de variabilite´ des risques relatifs, dans sa composante non spatiale, est controˆle´e par l’hyperparame`tre s 2v . La composante spatiale suppose que les unite´s spatiales proches ge´ographiquement tendent a` avoir des risques relatifs similaires. Le mode`le gaussien autore´gressif conditionnel permet de prendre en compte cette hypothe`se, ce qui se traduit par la distribution : s2 U i jU j ¼ u j j 6¼ i N u¯ i ; u mi ou` u¯ i correspond a` la moyenne des ui parmi les unite´s adjacentes de l’unite´ i ; mi est le nombre de voisins de l’unite´ i et le parame`tre s 2u permet le controˆle de la variabilite´ conditionnelle des risques relatifs. Les distributions associe´es aux parame`tres s 2v (he´te´roge´ne´ite´ non spatiale) et s 2u (composante spatiale) sont respectivement Ga (0,012, 0,001) et (0,00042, 0,00044). 3. Re´sultats 3.1. Caracte´risation de´mographique des populations Le ge´ocodage a permis de re´partir pre`s de 99 % des cas de cancer du poumon masculin en 162 Iris dont 14 e´taient de type activite´ et trois de type divers. Si l’on choisit d’exclure ces deux types d’Iris qui constituent les Iris les moins peuple´es et ne correspondent pas a` une forme d’organisation spatiale re´elle de la socie´te´, l’e´chelle de population totale s’e´chelonne de 1 a` 13 ` titre de selon les chiffres du recensement de 1999. A comparaison, a` l’e´chelle communale, l’e´chelle de population variait d’un a` 240 et d’un a` 50 lorsque les communes les moins peuple´es et les plus peuple´es e´taient exclues. L’e´chelle de peuplement apparaıˆt donc nettement plus restreinte a` l’e´chelle infracommunale.
3.2. Description des re´sultats Le risque relatif estime´ du cancer du poumon a` l’e´chelle communale lors de la re´alisation de l’atlas du cancer dans l’agglome´ration grenobloise en juillet 2005 variait du simple au ` l’e´chelle double (0,64 au minimum et 1,43 au maximum). A infracommunale, il varie du simple au triple (0,52 au minimum et 1,53 au maximum). Par ailleurs, des diffe´rences statistiquement significatives sont observe´es pour certaines Iris avec des exce´dents et de´fauts de cas de l’ordre de 30 a` 40 % par rapport a` l’ensemble de l’agglome´ration. Or l’e´tude re´alise´e a` l’e´chelle communale avait de´ja` permis de re´ve´ler un exce´dent de cas dans l’agglome´ration par rapport au reste du de´partement de l’ordre de 15 %. 3.3. Comparaison des rapports standardise´s d’incidence et des risques relatifs estime´s Le lissage re´duit de fac¸on conse´quente l’amplitude des re´sultats. Les estimations des risques relatifs lisse´s varient de 0,5 (minimum) a` 1,5 (maximum), alors que les rapports standardise´s d’incidence, calcule´s en prenant comme taux de re´fe´rence ceux de l’ensemble de l’agglome´ration, varient de 0 a` 2,7. La moyenne des e´carts absolus des risques relatifs estime´s selon la technique de lissage mixte e´tait de 0,18 [0,12–0,24] (intervalle de cre´dibilite´ a` 95 %), alors que celle des rapports standardise´s d’incidence e´tait de 0,46 [0,38–0,54]. Quelle que soit sa significativite´ statistique, le de´faut de risque (rapport standardise´ d’incidence < 1) est toujours confirme´ par le lissage mixte sauf pour quatre Iris dont les risques relatifs estime´s deviennent supe´rieurs a` un apre`s lissage. Cette modification s’explique principalement par la pre´sence d’Iris voisines en sur-incidence, entraıˆnant une augmentation du risque relatif estime´ une fois la source de variation d’origine spatiale prise en compte. Inversement, la pre´sence d’Iris limitrophes en sous-incidence a induit une re´duction du risque relatif estime´ pour 14 Iris, ne confirmant pas l’exce`s de risque initialement observe´. 3.4. Corre´lation avec les facteurs de risque socioe´conomiques Comme le montre le Tableau 1, une association ne´gative e´value´e par le coefficient de re´gression a e´te´ mise en e´vidence entre le risque relatif estime´ et l’impoˆt sur le revenu me´dian par unite´ de consommation. Inversement, une corre´lation positive
Tableau 1 Effet des diffe´rentes covariables d’ajustement socioe´conomiques sur le risque relatif estime´ par la me´thode mixte. Variables
Coefficient de re´gression
Intervalle de cre´dibilite´ a` 95 %
Risque relative estime´
Intervalle de cre´dibilite´ a` 95 %
Impoˆt sur le revenue me´dian par unite´ de consommation a % d’ouvriers et d’employe´s % de sans diploˆmes Taux de choˆmage % de ce´libataires
S0,04 1,50 1,43 0,015 0,01
[0,06– 0,02] [0,78–2,18] [0,63–2,22] [0,005–0,025] [0,001–0,02]
0,96 4,47 4,18 1,02 1,01
[0,94–0,98] [2,18–8,86] [1,88–9,21] [1,00–1,03] [1,00–1,02]
a
La variable impoˆt sur le revenu me´dian par unite´ de consommation appele´e « REV » a e´te´ centre´e et re´duite de la fac¸on suivante : (REV – moyenne de REV)/1000.
A. Senkowski et al. / Revue d’E´pide´miologie et de Sante´ Publique 56 (2008) 315–321
319
Tableau 2 Comparaison de diffe´rents mode`les par le Crite`re d’information de la de´viance. Type de mode`le
Valeur du DIC
Lissage global sans variable explicative Lissage mixte sans variable explicative Lissage mixte avec impoˆt sur le revenu me´dian par unite´ de consommation Lissage mixte avec pourcentage d’ouvriers et d’employe´s Lissage mixte avec pourcentage de sans diploˆmes Pourcentage d’ouvriers et d’employe´s et de sans diploˆmes Lissage mixte avec pourcentage d’ouvriers et d’employe´s et impoˆt sur le revenu me´dian par unite´ de consommation Lissage mixte avec pourcentage de sans diploˆmes et impoˆt sur le revenu me´dian par unite´ de consommation Lissage mixte avec pourcentage d’ouvriers et d’employe´s et de sans diploˆmes et impoˆt sur le revenu me´dian par unite´ de consommation
770,771 753,94 742,879 749,642 749,154 750,591 744,904 744,508 747,038
avec le pourcentage d’ouvriers et d’employe´s, de sans diploˆmes, de ce´libataires et avec le taux de choˆmage a e´te´ montre´. Comme le montre le Tableau 2, afin de comparer les diffe´rents mode`les envisage´s a` partir des diffe´rents types de lissage et des variables socioe´conomiques utilise´es, nous avons utilise´ le crite`re « Crite`re d’information de la de´viance » (DIC) [10]. Ce crite`re de se´lection permet de choisir le meilleur mode`le parmi un ensemble de mode`les plausibles a` partir d’une mesure d’ade´quation aux donne´es (de´viance) et d’une mesure de complexite´ le pe´nalisant. Concre`tement, un mode`le est meilleur qu’un autre s’il a un DIC plus petit. Comme le montre le Tableau 2, ce crite`re nous a conduit en premier lieu a` conserver le terme d’autocorre´lation spatiale dans notre mode`le. En effet, la valeur du DIC calcule´e pour le mode`le avec lissage mixte sans variable explicative est infe´rieure a` celle calcule´e pour le mode`le avec lissage global sans variable explicative. Par ailleurs, ce crite`re nous a permis de mesurer les effets des diffe´rentes variables socioe´conomiques et de montrer que l’impoˆt sur le revenu me´dian par unite´ de consommation avait un effet pre´ponde´rant sur l’ensemble des autres variables d’ajustement. En effet, l’inte´gration des autres variables socioe´conomiques potentiellement explicatives en plus de l’impoˆt sur le revenu me´dian par unite´ de consommation a fait augmenter la valeur du DIC ce qui traduit l’absence d’informations supple´mentaires apporte´es de la part de ces variables. L’utilisation de variables fictives par la cre´ation de classes d’impoˆt sur le revenu me´dian par unite´ de consommation a
Fig. 1. Risques relatifs ajuste´s sur l’impoˆt sur le revenu me´dian par unite´ de consommation estime´s par communes (27 communes) en fonction de l’impoˆt sur le revenu me´dian par unite´ de consommation.
Fig. 2. Risques relatifs ajuste´s sur l’impoˆt sur le revenu me´dian par unite´ de consommation estime´s par Iris (145 Iris) en fonction de l’impoˆt sur le revenu me´dian par unite´ de consummation.
e´galement permis de confirmer l’effet pre´ponde´rant de cette variable. Comme le montre le Tableau 3, le risque relatif est supe´rieur pour toutes les classes ayant un impoˆt sur le revenu me´dian par unite´ de consommation infe´rieur ou e´gal a` 20 000 euros qui est le niveau de re´fe´rence pris en compte. Enfin, comme le montrent les Fig. 1 et 2, le de´coupage infracommunal permet de confirmer l’association ne´gative existant entre l’impoˆt sur le revenu me´dian par unite´ de consommation et le risque relatif estime´ a` l’e´chelle communale lors de la re´alisation de l’atlas du cancer dans l’agglome´ration grenobloise en juillet 2005. Parmi les diffe´rentes variables prises en compte, l’impoˆt sur le revenu me´dian par unite´ de consommation apparaıˆt donc comme e´tant la variable qui explique le mieux les diffe´rences d’incidence observe´es entre
Tableau 3 Effet de l’impoˆt sur le revenu me´dian par unite´ de consommation selon un mode`le « classes »a sur le risque relatif estime´ par la me´thode mixte. Impoˆt sur le revenu me´dian par unite´ de consommation (euros)
Coefficient de regression
Intervalle de cre´dibilite´ a` 95 %
Risque relatif estime´
Intervalle de cre´dibilite´ a` 95 %
12 000 ] 12 000–15 000] ] 15 000–17 000] ] 17 000–20 000]
0,59 0,54 0,40 0,37
[0,31–0,86] [0,26–0,81] [0,14–0,66] [0,12–0,63]
1,80 1,72 1,49 1,45
[1,37–2,35] [1,29–2,25] [1,15–1,93] [1,12–1,87]
a Les risques sont estime´s par rapport a` une classe prise comme re´fe´rence (impoˆt sur le revenu me´dian par unite´ de consommation supe´rieur ou e´gal a` 20 000 euros) dans laquelle le risque relatif est conside´re´ comme e´gal a` 1.
320
A. Senkowski et al. / Revue d’E´pide´miologie et de Sante´ Publique 56 (2008) 315–321
unite´s spatiales. Il est donc le´gitime de supposer que cette variable agit probablement comme « marqueur » d’un ensemble d’autres variables non mesure´es. 4. Discussion Nous avons axe´ nos re´sultats sur l’estimation des risques relatifs et l’inte´gration de variables d’ajustement de type socioe´conomiques. Si la re´partition des cas de cancer du poumon masculins observe´e a` l’e´chelle communale lors de la re´alisation de l’atlas du cancer est globalement retrouve´e a` l’e´chelle infracommunale, des disparite´s passe´es jusqu’a` pre´sent inaperc¸ues ont e´te´ mises en e´vidence a` l’e´chelle des ` titre d’exemple, l’utilisation de Iris dans notre e´tude. A l’e´chelle infracommunale re´ve`le toute son utilite´ pour une commune telle que Grenoble. Elle permet en effet de s’affranchir du poids de´mographique accorde´ a` cette commune et de mettre en e´vidence des disparite´s non visibles a` l’e´chelle communale. Alors qu’a` l’e´chelle communale, le risque relatif estime´ e´tait de 0,94 pour Grenoble, il varie selon les Iris de 0,5 au minimum a` 1,2 au maximum. Cette nouvelle e´chelle d’analyse spatiale se re´ve`le donc pertinente vis-a`-vis de l’analyse d’un proble`me de sante´ donne´ en milieu urbain dans un contexte de forte variabilite´ de poids de´mographique des unite´s ge´ographiques classiquement utilise´es et d’he´te´roge´ne´ite´ des populations. En effet, les de´coupages ge´ographiques retenus jusqu’a` pre´sent en France e´taient principalement de nature administrative. Or les conse´quences de ce type de de´coupage administratif sont l’induction d’une e´chelle spatiale relativement large et d’une forte he´te´roge´ne´ite´ dans la caracte´risation des populations en termes de densite´ de population mais e´galement de caracte´ristiques socioe´conomiques. Le de´coupage Iris propose´ par l’Insee permet de re´duire cette he´te´roge´ne´ite´ de re´partition des populations dans les agglome´rations, donc au moins en milieu urbain. En effet, la faible taille de ces unite´s ge´ographiques et leur construction sur des crite`res cohe´rents vis-a`-vis de formes d’organisation spatiale de la socie´te´ les rendent a priori plus performantes dans la re´duction de l’he´te´roge´ne´ite´ observe´e intrazone. Cependant, leur finesse ne´cessite de garder a` l’esprit un certain nombre de limites inhe´rentes a` leur utilisation avant toute interpre´tation des re´sultats. On peut citer, par exemple, la faiblesse des effectifs ou encore les phe´nome`nes migratoires particulie`rement marque´s a` une e´chelle ge´ographique aussi fine. La premie`re limite expose´e ci-dessus peut eˆtre contourne´e par une approche baye´sienne d’estimation des risques relatifs. Lorsque les unite´s ge´ographiques sont de petites tailles et/ou la maladie est rare, le recours a` une approche classique n’envisageant pas une me´thode de lissage conduit a` une repre´sentation errone´e de la variabilite´ spatiale de la maladie. En effet, l’analyse d’un phe´nome`ne statistiquement rare dans un contexte d’he´te´roge´ne´ite´ des populations aboutit a` repre´senter une information bruite´e par les variations de structure de peuplement. Nous avons retenu la technique baye´sienne pour re´duire ce bruitage en diminuant la variabilite´ d’ensemble, en augmentant la puissance de la significativite´
statistique des re´sultats et en inte´grant les phe´nome`nes d’autocorre´lation spatiale lors du recours a` un mode`le prenant en compte une composante spatiale. Il est utile de savoir qu’il existe une technique fre´quentiste multiniveaux permettant d’atteindre ces meˆmes objectifs [7]. La re´alisation de cartes de risques relatifs aboutit parfois a` repre´senter des zones ou` l’exce`s de risque estime´ est plus e´leve´ qu’ailleurs. Dans le cas de notre e´tude, certaines de ces zones se situent a` proximite´ de complexes chimiques, d’axes routiers importants ou encore d’usines d’incine´ration. Il est donc e´vident que, dans ce cas, les repre´sentations cartographiques doivent eˆtre e´tablies avec pre´caution. Une analyse spe´cifique de recherche d’agre´gats de cas autour des points source de pollution suspects peut permettre de re´pondre a` certaines interrogations le´gitimes. Ainsi, dans le cas de notre e´tude, l’approche statistique par feneˆtrage successif re´alise´e a` l’issue de la re´alisation de l’atlas du cancer a` l’e´chelle communale n’avait pas permis de re´ve´ler d’exce´dent de cas de cancer du poumon autour des points sources suspecte´s. Finalement, l’utilisation de l’e´chelle infracommunale a permis de mettre en e´vidence un certain nombre de particularite´s associe´es aux disparite´s de re´partition spatiale de l’incidence du cancer du poumon masculin dans l’agglome´ration grenobloise. Ainsi, l’exce´dent de cas de cancer du poumon en milieu urbain a de´ja` e´te´ note´ dans plusieurs e´tudes [11,12]. Concernant le lien mis en e´vidence dans notre e´tude entre re´partition de la maladie et impoˆt sur le revenu me´dian par unite´ de consommation, une relation de ce type avait de´ja` e´te´ mise en e´vidence dans une pre´ce´dente e´tude [13]. Dans notre e´tude, cette variable est apparue comme la plus discriminante pour la caracte´risation des populations. Ainsi, il est possible de s’interroger sur l’apparente contradiction de ces re´sultats : exce´dent de cas de cancer du poumon en milieu urbain, malgre´ la pre´sence de cate´gories socioprofessionnelles « e´leve´es », alors que l’on observe un effet a priori protecteur en pre´sence d’un niveau de revenu e´leve´ mesure´ par l’impoˆt sur le revenu me´dian par unite´ de consommation. Cette contradiction s’explique par le fait que la repre´sentation des cate´gories socioprofessionnelles les plus « e´leve´es » dans les agglome´rations est compense´e par l’importance de la population appartenant aux cate´gories les plus « de´favorise´es ». Il serait sans doute e´galement inte´ressant de comparer la re´partition spatiale observe´e de la maladie a` celle de la consommation tabagique –principal facteur de risque du cancer du poumon. Cependant, les donne´es actuelles ne permettent pas d’estimer la consommation de tabac par habitant a` une e´chelle ge´ographique aussi fine. Rappelons e´galement ici les deux principales hypothe`ses formule´es au cours de notre e´tude. En premier lieu, lors de la re´alisation de l’interpolation de´mographique, nous avons suppose´ l’absence de phe´nome`nes migratoires des populations et une e´volution constante des effectifs entre les deux recensements. En second lieu, lors de l’ajustement sur les variables socioe´conomiques, nous avons approxime´ le niveau d’exposition individuelle par celui de l’Iris de re´sidence. Ce type d’approximation est incontournable si l’on souhaite re´soudre le proble`me de l’absence de donne´es individuelles exhaustives. Enfin, rappelons que nous n’avons
A. Senkowski et al. / Revue d’E´pide´miologie et de Sante´ Publique 56 (2008) 315–321
pris en compte dans notre e´tude que la variabilite´ spatiale de la maladie. Nous avons donc fait abstraction de la variabilite´ temporelle qui pourrait constituer un axe de de´veloppement supple´mentaire de ce travail afin de pre´ciser la stabilite´ dans le temps des caracte´ristiques mises en e´vidence.
321
environnementale est suspecte´e. Il sera alors sans doute possible de pre´ciser l’impact de l’environnement sur le risque de cancer et de tenter de re´pondre a` des questions d’actualite´ a` la fois scientifiques et sociales. Remerciement
5. Conclusion L’e´tude que nous avons pre´sente´e fournit une illustration de l’enjeu du choix d’une e´chelle ge´ographique adapte´e a` un proble`me de sante´ donne´. Si la re´partition spatiale des risques relatifs estime´s de cancer du poumon masculin dans l’agglome´ration grenobloise a` l’e´chelle communale est retrouve´e a` l’e´chelle infracommunale, l’utilisation de cette nouvelle e´chelle spatiale d’analyse se re´ve`le adapte´e aux objectifs fixe´s. Elle permet notamment de re´ve´ler des disparite´s passe´es inaperc¸ues a` l’e´chelle communale et d’inte´grer des variables d’ajustement socioe´conomiques. D’un autre point de vue, il est possible avec cette nouvelle e´chelle d’analyser un phe´nome`ne statistique donne´ dans un contexte de plus grande homoge´ne´ite´ des populations. Cette e´chelle de de´coupage en Iris de´voile tout son inte´reˆt lors d’e´tudes dans des zones ou` de fortes disparite´s de poids de´mographique sont observe´es avec les unite´s classiquement utilise´es. En outre, elle rend possible les comparaisons au sein de zones urbaines et entres zones urbaines et pe´riurbaines. Cependant, la finesse de cette nouvelle e´chelle spatiale d’analyse ne´cessite de recourir a` des techniques de lissage baye´siennes afin de limiter la variabilite´ des observations par rapport a` celle des risques re´els. La mise en œuvre de cette approche baye´sienne est relativement facilite´e a` l’heure actuelle par des logiciels informatiques tels que WinBugs1. Par ailleurs, le recours a` cette approche permet de prendre en compte les phe´nome`nes de de´pendance spatiale entres unite´s proches ge´ographiquement qui se traduisent par des risques relatifs similaires entres unite´s contigue¨s. Dans l’avenir, ce type d’approche pourra sans doute trouver toute son utilite´ dans l’analyse de variations temporelles et d’agre´gats de cas de cancer en milieu urbain inexplique´s par l’ame´lioration des techniques diagnostiques ou les facteurs de risque comportementaux et professionnels classiques. L’analyse cartographique a` l’e´chelle infracommunale, pre´sentant des taux d’incidence lisse´s et ajuste´s sur les caracte´ristiques socioe´conomiques des lieux de re´sidence des sujets, permettra de fournir une repre´sentation fine et informative de la re´partition des cas de cancer pour lesquels une origine
Nous remercions Florence Poncet du Registre du cancer de l’Ise`re pour son aide dans le traitement des donne´es ainsi que le centre Maurice-Halbwachs (unite´ mixte CNRS – EHESS – ENS – universite´ de Caen) pour sa contribution aux donne´es. Re´fe´rences [1] Registre du cancer de l’Ise`re. Atlas du cancer dans les 27 communes de l’agglome´ration grenobloise. Meylan : Registre du cancer de l’Ise`re, 2005. [2] Benhamou E, Laplanche A. Estimation de la population a` risque entre deux recensements pour le calcul d’un taux d’incidence ou de mortalite´ par cancer : comparaison de quatre me´thodes. Rev Epidemiol Sante Publique 1991;39:71–7. [3] Mollie´ A. Bayesian mapping of Hodgkin’s disease in France. In: Elliott P, Wakefield J, Best N, Briggs D, editors. Spatial epidemiology – method and application. New York, NY: Oxford University Press; 2000. p. 267–85. [4] David S, Remontet L, Bouvier AM, Faivre J, Colonna M, Este`ve J. How to choose in practice the model of spatial variation of cancer incidence ? Examples of digestive cancers from Coˆte-d’Or – « department » – France. Rev Epidemiol Sante Publique 2002;50(5):413–25. [5] Richardson S, Thomson A, Best N, Elliott P. Interpreting posterior relative risk estimates in disease-mapping studies. Environ Health Perspect 2004;112(9):1016–25. [6] Colonna M. Influence des parame`tres a priori dans l’estimation baye´sienne de risques relatifs. Analyse spatiale du cancer de la vessie dans l’agglome´ration grenobloise. Rev Epidemiol Sante Publique 2006;54: 529–42. [7] Lawson A, Browne W, Vidal Rodeiro C. Disease mapping with WinBugs and MLwiN. Sussex: John Wiley and Sons; 2003. [8] Elliott P, Wakefield J, Best N, Briggs D. Spatial epidemiology – method and application. New York, NY: Oxford University Press; 2000. [9] Este`ve J, Benhamou E, Raymond L. Me´thodes statistiques en e´pide´miologie descriptive. Paris: Les E´ditions Inserm; 1993. [10] Spiegelhalter D, Best N, Carlin B. Bayesian measures of model complexity and fit (with discussion). J R Stat Soc Ser B 2002;64(4):583–639. [11] Janvrin M, Bouvier-Colle M. Fre´quence de la mortalite´ et causes de de´ce`s selon la taille des agglome´rations en France en 1990. Sante Publique 1993;2:21–33. [12] Salem G, Rican S, Jougla E. Atlas de la sante´ en France – Volume 1 : Les causes de de´ce`s. Paris: John Libbey Eurotext; 1999. [13] Jha P, Peto R, Zatonski W, Boreham J, Jarvis MJ, Lopez AD. Social inequalities in male mortality, and in male mortality from smoking : indirect estimation from national death rates in England and Wales, Poland and North America. Lancet 2006;368(9533):367–70.