Modélisation hiérarchique et apprentissage statistique bayésien pour la prise en compte d’erreurs de mesure d’exposition complexes en épidémiologie des rayonnements ionisants.

International audienceLes erreurs de mesure d'exposition constituent l'une des sources d'incertitude les plus importantes en épidémiologie des rayonnements ionisants (RI). Lorsqu'elles ne sont pas ou mal prises en compte, elles peuvent mener à des estimateurs de risque biaisés, une perte de puissance statistique et une déformation des relations exposition-risque. Malgré ces conséquences potentiellement délétères, ces erreurs sont rarement prises en compte pour l’estimation des risques dans les études de cohorte. Cela est notamment dû au fait que les méthodes classiques de correction d’erreurs de mesure manquent souvent de flexibilité pour prendre en compte des erreurs complexes sur données longitudinales. Dans les études de cohortes professionnelles, par exemple, le type et la magnitude des erreurs peuvent changer au cours du temps selon les techniques utilisées pour mesurer l'exposition des travailleurs. De plus, certaines techniques d'évaluation groupée de l'exposition peuvent donner lieu à des erreurs partagées entre plusieurs individus ou au cours de la période de suivi d’un même individu. L’objectif est ainsi de promouvoir l’utilisation de l’approche hiérarchique bayésienne pour la prise en compte d’erreurs de mesure complexes en épidémiologie des RI. Cette approche est basée sur la combinaison de modèles probabilistes conditionnellement indépendants et fournit un cadre flexible et cohérent pour la modélisation et l’apprentissage de modèles de survie avec covariables dépendantes du temps, sujettes à erreurs de mesure et potentiellement censurées à gauche. Des modèles hiérarchiques bayésiens ont été proposés afin d’estimer le risque corrigé de décès par cancer du poumon après une exposition chronique et à faibles doses au radon et aux rayonnements gamma dans la cohorte française des mineurs d’uranium. Les modèles proposés ont été inférés à l’aide d’algorithmes Monte-Carlo par Chaînes de Markov. Les difficultés techniques liées à l’apprentissage statistique bayésien de tels modèles, incluant notamment des milliers de variables latentes, seront discutées. Nos travaux montrent une augmentation marquée de l’excès de risque instantané quand les erreurs de mesure partagées sont prises en compte mais seulement marginale dans le cas d’erreurs non-partagées. Ils soulignent l'importance d’une caractérisation détaillée des erreurs de mesure d'exposition. Les avantages à l’utilisation de la statistique bayésienne dans le cas de données de cohortes peu informatives seront discutés