Association entre l’exposition à la pollution atmosphérique et la santé : utilisation des séries chronologiques

Eilstein, Daniel  ; Larrieu, Sophie ; Wagner, Vérène ; Zeghnoun, Abdelkrim  ; Lefranc, Agnès

Journal de la société française de statistique, Tome 150 (2009) no. 1, pp. 30-53

Résumé (VO)

Au cours des vingt dernières années, l’analyse des liens à court terme entre la pollution atmosphérique et la santé a fait l’objet de nombreux travaux. La méthode la plus souvent utilisée est l’analyse de séries chronologiques. Celle-ci vise à quantifier les liens pouvant exister entre les variations quotidiennes du niveau d’un indicateur d’exposition à la pollution atmosphérique et celles du nombre d’occurrences d’un événement sanitaire (décès, hospitalisations, etc.). Afin d’obtenir une estimation non biaisée de l’association à court terme entre la pollution atmosphérique et la santé, il est nécessaire de prendre en compte dans l’analyse tous les facteurs susceptibles de modifier cette association (ces facteurs doivent présenter des liens avec les niveaux de l’indicateur de pollution atmosphérique et avec l’indicateur sanitaire). L’approche actuelle est une régression de Poisson basée sur un modèle additif généralisé (GAM). Ce dernier recourt à des fonctions de lissage qui permettent d’ajuster le modèle au plus près de la forme des relations entre la variable sanitaire et les variables explicatives. Aussi, sont intégrés au modèle la variable d’intérêt (teneurs atmosphériques d’un polluant) ainsi que la tendance à long terme et la saisonnalité, le jour de la semaine, les jours fériés, les périodes de vacances, les conditions météorologiques (température), les épisodes de grippe, les périodes de pollinisation, etc. Les données sanitaires présentent souvent une surdispersion qui est prise en compte par l’hypothèse d’une distribution quasi-poissonnienne de la variable sanitaire. Les paramètres de la fonction de lissage (spline pénalisée) utilisée pour prendre en compte la tendance à long terme et la saisonnalité sont sélectionnés de façon à minimiser l’autocorrélation partielle des résidus. Le modèle de régression permet d’estimer le coefficient associé à l’indicateur de pollution et de calculer un risque relatif. La répétition de telles études de séries chronologiques sur des périodes successives est très utile car elle permet d’assurer une surveillance épidémiologique des liens à court terme entre pollution atmosphérique et santé grâce à des données enregistrées en routine.

Abstract

During the past twenty years, short-term relationships between air pollution and health have been largely investigated, mainly through time series studies. Their aim is to estimate the association between daily levels of an air pollution indicator and daily numbers of a health event (death, hospital admission, etc.). In order to get a non-biased estimation of this short term association, all factors which can modify this relationship have to be taken into account (these factors are related to air pollution and health events). The current approach consists of using a Poisson regression based on a Generalized Additive Model (GAM). This model fits nonparametric functions to allow for non-linear effects and provide a better estimation of the relationships between the different variables. The following factors are included in the model: long-term trend and seasonality, day of the week, holidays, vacations, temperature, influenza epidemics, pollen counts, and the indicator of air pollution. A quasi-Poisson distribution allows taking into account the frequently observed over dispersion of the health data series. The parameters of the smoothing function (penalized spline) used for trend and seasonality are chosen in order to minimize the partial autocorrelation of the model residuals. This model allows to estimate the parameter of the pollutant in this multivariate model and to estimate a relative risk. Repeating such a study on successive periods is very useful in order to provide a real epidemiologic surveillance on the health risks related to air pollution, based on routinely registered data.

Détail

Classification : 62M10, 62G08, 62P10
Mots-clés : Pollution atmosphérique, épidémiologie, séries chronologiques, modèle additif généralisé.
Keywords: Air pollution, Epidemiology, Time series, Generalized Additive Model.