L’hémovigilance française compte parmi ses succès la réduction des accidents ABO. Celle-ci apparaît nettement lorsqu’on étudie la courbe de leur évolution dans le temps.
L’objectif de cette présentation est de présenter les concepts scientifiques sur lesquels reposent les deux expressions :

• apparaît nettement
• évolution dans le temps.

Il existe deux sources principales :

① l’étude du Dr. Françoise Dupraz qui porte sur l’ensemble des transfusions lyonnaises de 1955 à 1986 (Figure 1). La cassure de la courbe entre 1963 et 1966 prend place entre deux « plateaux ». Elle correspond dans le temps à deux évolutions réglementaires :

• la double détermination sur deux prélèvements indépendants,
• la carte de contrôle pré-transfusionnel.

Mais on ne peut ni connaître la part respective de ces deux facteurs, ni conclure à une relation de cause à effets en raison du caractère descriptif de l’étude.

② l’étude parue dans le bulletin d’hémovigilance de l’AFSSaPS (Figure 2).

Les années 1994 à 1997 correspondent à la montée en puissance du système déclaratif, puis on observe une diminution lente et régulière à partir de 1999. Nous avions proposé en novembre 1996 au congrès d’hémovigilance de Nice qu’un rôle novateur du CHv des ES soit la formation des personnels. Cette communication a été suivie de la mise à disposition d’un kit de formation élaboré sous l’égide de la DGS. L’examen de l’évolution dans le temps des responsabilités respectives de l’ES et de l’EFS est ici informatif. La courbe établit que si la responsabilité de l’EFS est restée stable et modeste, la diminution s’est produite grâce à la diminution de la responsabilité des ES (Figure 3). Or, cette constatation est compatible avec l’effet de la formation.

II. SURVEILLANCE EPIDEMIOLOGIQUE.

II – 1. Définition.

II-2. Historique.

L’histoire de la surveillance prend alors place aux CDC d’Atlanta, sous l’impulsion d’Alexander Langmuir.

L’origine des CDC – Communicable Disease Center depuis 1946, puis Center for Disease Control depuis 1970, actuellement Center for Disease Control and Prevention depuis 1992, est d’abord militaire. C’est l’US Army qui a été motrice en ce domaine. En 1942, l’Office of National Defense Malaria Control Activity est fondé, et Atlanta est choisi car le paludisme y était encore endémique. Le problème qui se posait alors à l’US Army était la prévention du paludisme en prévision de la guerre du Pacifique. La guerre terminée, cet organisme est transformé en CDC en 1946. La Venereal Disease Division of the US Public Health Service est transféré au CDC en 1947, puis la surveillance de la tuberculose en 1960 et les vaccinations en 1963. Lors de l’extension de son champ de compétences, le CDC a créé un réseau basé sur une agence par Etat et au niveau Central une structuration par domaine de compétences. Langmuir a également fondé dans les années 50 un corps mobile d’épidémiologistes (Epidemic Intelligence Service of the Communicable Disease Center) capables de répondre à la menace du bioterrorisme entretenu par la guerre froide et les conflits locaux, notamment dans la région Pacifique. Les fonctions de ce corps seront rapidement élargies à la santé publique en général. Ses membres joueront un rôle majeur dans le développement de la vaccination contre la polio et un peu plus tard dans une campagne mondiale de vaccination  qui permettra l’éradication de la variole. L’autre apport de Langmuir est la définition du concept de surveillance, terme qu’il reprend du Français (le nom Anglais correspondant est monitoring), lors d’une conférence donnée le 16 mai 1962 à la Harward School of Pulic Health, et publie en 1963 dans le New England Journal of Medecine.

Un exemple démonstratif de l’utilité d’un système de surveillance bien conçu est la découverte du SIDA. En mai 1981, parvient au comité de rédaction de MMWR le rapport conjoint du Dr. Gottlieb de l’UCLA et de l’Epidemic Intelligence Service Officer mentionnant cinq cas de pneumocytoses survenus chez des homosexuels à Los Angeles. Le Comité de rédaction contacte alors les experts de la division « Parasitologie et MST » du CDC d’Atlanta pour avis. Or cette division est également en charge de la distribution de la Pentamidine qui n’avait pas encore d’autorisation d’utilisation aux USA. Plusieurs demandes commençaient à leur parvenir d’autres grandes métropoles, en particulier New York et San Francisco. Le rapport est publié dans le numéro du 5 juin 1981 de MMWR. Un groupe de travail est constitué, qui commencera à se réunir en juillet 1981.

La surveillance épidémiologique est une organisation de collecte et d’analyse d’information, mais n’a pas à proprement parler de méthodes spécifiques.

Les trois grands objectifs de la surveillance épidémiologique sont :

• décrire,
• alerter,
• évaluer.

Décrire un phénomène de santé dans une population suppose :

• un système capable de générer des données sur la répartition temporelle et spatiale du phénomène (numérateur)
• la connaissance de caractéristiques principales de la population dans laquelle survient le phénomène (dénominateur).

Les systèmes de surveillance sont orientés vers deux approches qui peuvent être exclusives ou complémentaires :

• l’alerte, c’est-à-dire la détection des phénomènes aigus tels que les épidémies où l’émergence de pathologies nouvelles qui nécessitent une action urgente ou rapide ;
• l’évaluation dans le temps ou dans l’espace des tendances des phénomènes de santé ou de l’impact des politiques de santé.

C’est la sensibilité qui est privilégiée pour les systèmes d’alerte et la spécificité pour les systèmes orientés vers l’évaluation.

II-3 -2 – typologie

Il existe trois modalités principales de recueil de l’information :

• les systèmes passifs : schéma simple où les informations issues spontanément de la périphérie sont recueillies par une centre chargé de la coordination.
• Les systèmes actifs : dans lesquels les informations sont sollicitées ou recueillies auprès de la périphérie par le centre chargé de la coordination.
• Les systèmes sentinelles basés sur des institutions ou des praticiens volontaires qui collectent des informations exhaustives sur une ou des maladies bien définies.

Un système de surveillance actif est donc en général plus coûteux qu’un système passif, mais permet théoriquement d’obtenir des données plus exhaustives et plus élaborées (par exemple, caractéristiques de la population exposée permettant de calculer un dénominateur stratifié, données longitudinales par un suivi évolutif de la population). D’une manière générale, les vigilances sanitaires sont des systèmes passifs. Pour l’hémovigilance, les EIR pour lesquels existent une grille complémentaire et un groupe de travail analysant les cas représentant cependant l’évolution vers un système actif.

Les méthodes d’analyse sont celles de l’épidémiologie descriptive et non de l’épidémiologie analytique. Elles comportent des méthodes de base (expression des taux) et des méthodes avancées.

Il s’agit des concepts de taux et de ratio.

Alors que les calculs de taux donnent une information transversale sur un phénomène de santé, les séries chronologiques et spatiales en donnent une information longitudinale. Elles font partie des études écologiques, où les variables concernées sont des moyennes mesurées sur des groupes et non des données individuelles.

Plusieurs problèmes méthodologiques rendent difficile l’interprétation des variations temporelles ou chronologiques. Le principal est lié au fait que les variations observées résultent souvent de la surimposition de deux phénomènes : une variation lente et régulière, et une variation irrégulière. Cette dernière doit être mesurée avec une échelle de temps courte sur des petites unités géographiques. L’interprétation des résultats des études écologiques dépend fortement du type de variation qui a été analysé.

Les gradients ou variations régulières, s’ils sont présents à la fois dans la structure de la variable  d’exposition et celle de l’indicateur de santé, rendent l’interprétation des résultats de études écologiques difficiles car de nombreuses variables de confusion potentielles peuvent avoir aussi ce même gradient. Par exemple, il y a une forte corrélation entre le produit intérieur brut et de nombreux comportements alimentaires. Il faut donc essayer d’analyser les liens entre les variations irrégulières résiduelles après avoir tenu compte des variations régulières (analyse en deux temps). Il est nécessaire de recourir à des techniques de modélisation de ces variations et à des techniques statistiques appropriées à l’analyse des variations irrégulières. Ces fluctuations régulières n’ont en effet pas la structure d’un phénomène aléatoire, mais présentent une auto-corrélation temporelle ou spatiale, c’est à dire une ressemblance de valeurs proches chronologiquement ou spatialement.

La modélisation est une approche générale en statistique dont l’objectif est d’identifier les caractéristiques fondamentales présentes dans les données. Son but n’est pas de décrire les données, mais de rechercher si leur distribution s’approche suffisamment d’une loi mathématique, afin de permettre de faire des calculs. Avant d’être utilisé, un modèle doit être validé par un test d’adéquation aux données qui répond au schéma :

En statistique, le modèle est valide si les résidus (la part des données qui diverge du modèle) sont NIID.

Un « bon » modèle décrit habituellement « bien » la réalité. Mais la transfusion donne avec le système RH un exemple de « bon » modèle (en ce sens qu’il permet la transfusion qui décrit « mal » la réalité biologique : on continue à utiliser pour la distribution un modèle à 3 loci alors qu’il en comporte 2.

La régression vers la moyenne est un phénomène important à considérer dans les études avant – après.

Le phénomène intervient notamment lorsqu’on étudie conjointement deux variables et qu’on cherche à faire de la prédiction : à partir de la valeur de l’une, peut-on connaître la valeur de l’autre. En voici trois exemples :

1. connaissant la taille du père, peut-on prévoir la taille du fils ? C’est cette question qui est à la base de la régression vers la moyenne, et plus généralement de la théorie de la régression. Elle a été traitée par Sir Francis Galton (1822-1911), cousin de Darwin, qui a travaillé à Londres sur la psychométrie. Sa principale découverte est celle du coefficient de corrélation en 1819, qui permet d’exprimer par un nombre le degré de liaison entre deux caractères quantitatifs. Il fut ensuite perfectionné  par l’un de ses élèves, Karl Pearson (1837-1936) et conduisit à l’essor de ce qu’on allait appeler l’analyse factorielle. Galton est également l’inventeur de la planche de Galton, qui est une vérification expérimentale de la Loi de Gauss.
2. Comment sont reliées les valeurs de la pression artérielle avant et après prise d’un anti-hypertenseur chez un individu ? Chez un groupe d’individus ?
3. Comment évolue le taux d’Hb chez un donneur avant et après le don ? Idem pour un groupe de donneurs.

Soient X et Y deux variables aléatoires quantitatives. Par exemple

[ X = Pq pré-transfusionnelles ] et [ Y = Pq post-transfusionnelles ].

Soit maintenant un patient "a" dont on souhaite prédire son taux de plaquettes post-transfusionnelles Ya à partir de son taux de plaquettes post-transfusionnelles Xa. Si Xa est bien au-dessus de la moyenne µx, prédire des plaquettes post-don Y’a est trop optimiste, car un phénomène biologique comporte toujours deux composantes :

• fixe ou « rationnelle » : par exemple, certains individus ont un taux de plaquettes plus élevé que d’autres,
• aléatoire : le degré d’hydratation, le cycle nycthéméral etc…

D’où l’origine du mot « régression ». Quelles que soient les plaquettes pré, les plaquettes post ont une tendance à régresser vers la moyenne de la population.

L’auto-corrélation est la situation où chaque observation dépend de ses valeurs adjacentes. Les observations voisines peuvent avoir tendance à se ressembler (auto-corrélation positive) ou à alterner (auto-corrélation négative). Ce phénomène peut être illustré par les courbes de température atmosphérique, d’un réfrigérateur de dépôt de sang…).

Les données auto-corrélées ne s’analysent pas avec les modèles de régression ordinaires. Le test de Durbin-Watson est utilisé pour détecter la présence d’une auto-corrélation.

Une série chronologique, ou série temporelle, est un ensemble d’observations séquentielles dans le temps. L’analyse statistique de telles observations sort du cadre statistique habituel car l’ordre dans lequel ces observations ont été recueillies joue un rôle particulier. De plus, intervient le phénomène d’auto-corrélation. L’analyse des séries chronologiques nécessite donc des techniques statistiques appropriées.

Les données de surveillance épidémiologique dans le temps sont un exemple de série chronologique. Elles sont par ailleurs très importantes dans l’analyse des phénomènes économiques, et c’est dans cette branche que les développements méthodologiques les plus importants ont été établis.

On considère ici des séries chronologiques aléatoires, c’est-à-dire telles que la connaissance du passé ne permet pas de prédire exactement les valeurs futures. Par exemple, X(t) = a cos (2 ft) n’est pas une série chronologique aléatoire.

On commence par observer le graphe de la série en fonction du temps. Ceci permet d’identifier quelques traits importants – tendance, variations saisonnières, valeurs aberrantes – et de décider si une transformation des données est nécessaire (par exemple, si on a l’impression que la variance augmente avec la moyenne, une transformation logarithmique peut être appropriée).

Le modèle le plus utilisé pour décrire la série est la décomposition :

L’analyse descriptive a pour objectif de décrire chacune de ces composantes.

Les techniques de lissage permettent la décomposition d’une série chronologique en ses trois composantes. Leur principe consiste à éliminer les variations périodiques (par exemple les variations saisonnières) pour ne plus laisser apparaître que la tendance générale. Elles comportent trois méthodes possibles, la dernière étant en général celle utilisée par les logiciels d’analyse statistique :

• on peut substituer à la série une fonction simple de t, par exemple un polynôme (Mt = Ao + a1t + aptp), ou une fonction logistique (Mt = k/1-et) ou encore exponentielle (Mt = ao + a1 e-t) ; si les coefficients d’un polynôme peuvent être estimés par la méthode des moindres carrés, les autres modèles nécessitent des programmes de régression non linéaire.
• on peut utiliser la méthode des moyennes mobiles : on remplace chaque valeur de la série chronologique étudiée par la moyenne de cette valeur et des valeurs voisines. Si le nombre de données sur lesquelles est calculée la moyenne mobile correspond au cycle d’une variation périodique, celle-ci est éliminée. L’élimination des variations saisonnières se fait donc en calculant une moyenne mobile sur un an. On dispose généralement de 12 données mensuelles, ou de 13 données, correspondant chacune à un intervalle de 4 semaines. L’effet d’une moyenne mobile est donc de lisser la série, de filtrer les variations à court terme pour ne laisser que les variations à long terme. Cependant, en filtrant une série par une moyenne mobile, on peut créer des oscillations artificielles :
  • sans chercher à identifier une tendance, on peut chercher à rendre la série Xt stationnaire en déterminant la série des :
    • différences d’ordre 1 : ΔXt = Xt+1 – Xt
    • différences d’ordre 2 : ΔYt = Δ2Xt = Xt+1 – 2Xt + Xt-1
    • etc…

ΔXt élimine une tendance linéaire, Δ2Xt un polynôme d’ordre 2 etc..
On compare les variances successives pour savoir à quel pas s’arrêter.

Ces techniques de lissage ont pour but de permettre l’analyse des tendances. Une tendance (trend) se définit par sa pente, sa linéarité et ses points d’inflexion.

Les séries temporelles de données de surveillance ne résultent en général pas de la sélection d’un échantillon des cas, comme on le voit dans les études épidémiologiques. Elles représentent une agrégation de la totalité des observations sur une unité de temps et de lieu. Cette exhaustivité des observations est un attribut des systèmes de surveillance dont la valeur n’est pas toujours optimale. En aucun cas, ce sous-ensemble des cas observés ne doit être considéré comme résultant d’un échantillonnage.

Les observations faites sur chaque période d’analyses, et non les observations individuelles, constituent l’unité statistique. Mais chaque observation de période peut être considérée comme un échantillonnage de périodes. Elles ne sont pas indépendantes les unes des autres mais reliées dans le temps.

L’analyse des données des séries chronologiques a pour objectif de tester l’hypothèse selon laquelle, au cours de la période d’étude, les déterminants fondamentaux de la série. – tendance, composante saisonnière, variation à court terme – sont compatibles avec les observations historiques. Cela revient à dire que des observations faites sur les périodes d’étude sont issues de la même urne que les observations des autres périodes.

D’une manière générale, l’analyse des séries chronologiques de surveillance fait appel à la modélisation des données. Le modèle le plus utilisé est dénommé ARMA ou méthode de Box et Jenkins.

L’épidémiologie a ceci de particulier qu’elle présente ses résultats sous une forme aisément compréhensible. Cette apparente évidence ne doit pas faire oublier qu’elle est basée sur la statistique mathématique, qui fait largement appel à la géométrie vectorielle.

Voici quelques documents qui peuvent être consultés:

• TEUTSCH SM, CHURCHILL RE. Principles and practices of public health surveillance, 2nd ed. New York, Oxford University Press, 2000, 406 p.

Ce manuel est considéré comme l’ouvrage de référence de la surveillance épidémiologique.

• ESTEVE J, BENHAMOU E, RAYMOND L. Méthodes statistiques en épidémiologie descriptive. Editions INSERM, Paris 1993.

Version française de la Publication scientifique n°128 du CIRC à Lyon. Jacques ESTEVE a été pendant 15 ans directeur de l’unité d’épidémiologie descriptive du CIRC (division Cancer de l’OMS à Lyon) qui coordonne au plan international les registres de tumeurs. Les registres sont des systèmes de surveillance active qui visent à l’exhaustivité des cas. Cet ouvrage est donc à lire en considérant cette différence avec un système passif comme l’hémovigilance.

• WATTER L. Revue méthodologique de quelques techniques spécifiques à l’analyse des séries temporelles en épidémiologie et santé publique. Rev Epidemiol Santé Publique 1993 ; 43 :162-72.
• RICHARDSON S. Modélisation statistique des variations géographiques en épidémiologie. Rev Epidemiol Santé Publique 1992 ; 40 :33-45.

Deux articles plus méthodologiques sur les séries chronologiques et spatiales, en Français, par deux chercheurs de l’INSERM qui sont des références.

• Guide méthodologique pour l’évaluation et la prise en charge des agrégats spatio-temporels de maladies non infectieuses. JMS 2005
• BERNILLON P, LIEVRE L, PILLONEL J et al. The CTSCH group. Record-linkage between two anonymous databases for a captive – receptive estimation of under reporting of AIDS Cases : France 1990-1993 ; Int I Epidemiol 2000 ; 29 : 168-74.
• BORDIN B, DURET E. SIG : définition et principes de base. Serveur éducatif de l’IGN et de l’éducation nationale sur l’information géographique (http://seig.ensg.ign.fr/)
• FERGUSON D, HEBERT P, SHAPIRO S, The before /after study design in transfusion medicine = methodological consideration. Transfus Med Rev 2002 ; 16 :296-303.
  

Revue générale d’auteurs canadiens expliquant les conditions d’application du phénomène de régression vers la moyenne.