La régression est un outil statistique ayant un rôle important et bien connu pour explorer la
relation entre la cible et les variables explicatives . Différents types de modèles de régression sont
largement utilisés dans l'épidémiologie et la géographie de la santé pour essayer de découvrir des
explications plausibles de la persistance des variations géographiques de santé , par exemple,
modèle de régression globale, multi-niveau et modèle bayésien. Ces modèles supposent que la
relation entre la cible et les variables explicatives est spatialement constante, ce qui peut ne pas
être le cas. La décision d'ignorer le potentiel de variation spatiale locale dans les paramètres peut
conduire à des résultats biaisés qui peuvent conduire à une mauvaise orientation des praticiens de
la santé. La variation spatiale locale peut être importante et utile dans les analyses de santé,
montrant les principaux facteurs de risque locaux associés à la cible. Cette information peut avoir
des implications importantes pour les décideurs.
Pour faire face à ces problèmes, nous utilisons un nouvel outil statistique permettant de réaliser
une régression géographique pondérée.
La régression géographiquement pondérée (GWR) est une technique bien établie qui permet de
faire varier les paramètres dans l'espace. GWR peut, par conséquent, être utilisé pour examiner la
variation spatiale dans les relations (c.-à- d , dans les paramètres qui définissent ces relations) et
révèlent des tendances spatiales dans les paramètres. L’Information sur la variation spatiale locale
dans les paramètres peut conduire à une meilleure compréhension des relations entre la cible et les
variables explicatives.
Avancement des travaux
L’analyse a porté sur les données de mortalité lissées sur deux périodes : de 1990 à 1999 et de
2000 à 2009, soit une période relativement récente, tout en étant assez longue pour obtenir des
effectifs cumulés de décès par canton et par localisation cancéreuse, suffisants pour la plupart des
causes analysées. cette analyse nous a permis de constaté que même si le taux de mortalité par
cancer a fortement diminué entre 1990 a 2009 , les disparités géographiques reste plus au moins
importantes.
L’analyse de régression par un modèle global entre la mortalité et les 4 polluants métalliques
(plomb, nickel, chrome et cadmium) nous a permis de mettre en évidence certaines corrélations
positives (exemple : mortalité par cancer de la plèvre chez l’homme et le nickel par exemple)
Travaux à réaliser
- Effectuer le même travail de lissage sur les données de morbidité (registre de cancer de la
Somme et les données issues du PMSI et des ALD de la région de Picardie ) et analyser des disparités
géographiques
- Analyser la relation entre les disparités géographiques de mortalité et de morbidité
- Construire un indicateur travail sur quelques environnements majeurs (travail de nuit par
exemple)
- Poursuivre le travail des croisements des données en intégrant les nouveaux polluants ajoutés à la
base PLAINE
Discussion
L’objectif final de ce travail est de croiser les données environnementales et socio-économiques
avec les données de cancer afin de comprendre le rôle de ces facteurs sur l’épidémie de cancer.
Cette compréhension se heurtera à plusieurs difficultés : le problème de mobilité des populations
(lieu d’activité différent du lieu d’habitation) ou à long terme (adresse au moment du décès
différente du lieu de vie des dernières décennies) n’est pas pris en compte dans une approche
collective au niveau du canton. Les données d’exposition sont actuelles, or les cancer ont un temps
de latence moyen qui varie de quelques années à une vingtaine d’années environ. La question de
l’échelle d’étude pourra aussi être discutée, notre choix a porté sur des données cantonales dans un
premier temps, une échelle plus fine s’avérera peut être plus pertinente. Enfin les données de
santé utilisées sont celles de la mortalité par cancer or les données d’incidence semblent beaucoup
plus pertinentes pour une étude de relation cancer – environnement
Quelque soit les limites de cette approche, les études de corrélation écologique apportent une
version nouvelle des disparités spatiales et permettent de mieux comprendre la complicité du lien
environnement, social et santé.
Mots clés : inégalité, régression géographiquement pondérée, SIG, environnement,
indicateur, modélisation