Canicule et mortalité: comment estimer l’impact (et éviter les pièges) en pratique épidémiologique
Chaque été, la question revient: combien de décès attribuer à la canicule ? Cliniciens, urgentistes et décideurs attendent un chiffre simple, mais l’estimation est méthodologiquement piégeuse.
Approche recommandée (EBM)
- Définir l’exposition: température moyenne/journalière, max, indice apparent (T° + humidité). La définition opérationnelle d’une « canicule » (seuils locaux, durée) influence fortement les résultats.
- Choisir le design: les séries temporelles quotidiennes (modèles de Poisson/quasi-Poisson) et les case-crossover sont standards. Les deux contrôlent bien les facteurs invariants et la saisonnalité.
- Capturer les délais: utiliser des Distributed Lag Non-Linear Models (DLNM) pour modéliser la relation non linéaire et l’effet retardé (souvent 0–3 jours, parfois plus selon population).
- Contrôler les confusions: tendance long terme, jour de semaine, épidémies respiratoires, pollution (ozone/PM), vacances, changements de codage. Le sur-ajustement est aussi un risque: ajuster sur une variable médiatrice (ex: déshydratation) biaise l’effet.
- Mesurer l’impact: privilégier l’excess mortality (toutes causes) plutôt que les causes spécifiques, plus sensibles aux biais de classification. Rapporter un intervalle de confiance et tester la robustesse (sensibilités: seuils, lags, spline df).
Pièges fréquents
- Harvesting (déplacement de mortalité): une hausse immédiate peut être suivie d’un déficit. Sans lags suffisants, on surestime l’impact net.
- Biais écologique: la station météo n’est pas l’exposition individuelle (îlots de chaleur urbains, climatisation).
- Comparaisons inter-villes: nécessitent méta-analyse/multi-niveaux et harmonisation des confondeurs.
Point clinique: populations à haut risque = >75 ans, insuffisance cardiaque/respiratoire, IR, psychotropes/diurétiques, isolement. Les messages de prévention doivent être ciblés, et l’évaluation d’impact doit intégrer ces sous-groupes.
Sources: Gasparrini A et al. (DLNM) Stat Med 2010; Gasparrini A et al. Lancet 2015 (multi-pays, charge de mortalité liée à la T°); OMS/WHO guidance sur chaleur et santé (updates réguliers).
3 commentaires
Sujet très actuel : la littérature récente insiste justement sur le fait qu’il n’existe pas « un » chiffre de mortalité canicule, mais une estimation dépendante de la définition de l’exposition et du modèle. En pratique, les approches séries temporelles avec modèles non linéaires à retard distribué (DLNM) restent la référence pour capturer la relation température–mortalité et les effets différés, avec ajustements fins (saisonnalité, tendances, jour de semaine, polluants/ozone, épidémies de grippe). Point clé : distinguer décès “attribuables” (fraction attribuable contrefactuelle) vs “surmortalité observée”, et discuter le possible “harvesting” (déplacement temporel). Les choix de seuils (percentiles locaux, MMT) et la prise en compte de la vulnérabilité (âge, comorbidités, précarité, îlots de chaleur urbains) changent les résultats et leur interprétation décisionnelle. Transparence et analyses de sensibilité sont indispensables.
Point clé: l’attribution « décès canicule » dépend entièrement (i) de la définition d’exposition et (ii) du modèle contre-factuel. En pratique, les séries temporelles quotidiennes sont pertinentes, mais il faut préciser: distribution-lag non linéaire (DLNM) pour capturer effets retardés et non-linéarités; contrôle rigoureux de la saisonnalité/tendance (splines, df justifiés), jour de semaine, épidémies (grippe/COVID), pollution (O3/PM2.5) et vacances. Attention au « harvesting » (déplacement de mortalité): estimer l’excès cumulé sur plusieurs semaines et pas seulement J0–J3. La définition des seuils (percentiles locaux vs seuil absolu) doit être pré-enregistrée ou testée en analyses de sensibilité. Pour l’impact populationnel, rapporter excès absolu + fraction attribuable avec IC (bootstrap), stratifier par âge/comorbidités, et discuter erreurs de mesure (stations météo, îlots de chaleur).
Point crucial : l’impact sanitaire d’une canicule est un problème d’inférence causale avec un contre-factuel implicite (« mortalité attendue sans chaleur extrême »). Les séries temporelles quotidiennes sont pertinentes, mais la spécification du modèle est déterminante : les DLNM sont quasiment incontournables pour représenter (i) la non-linéarité température–risque et (ii) le déplacement temporel (lags) des effets. J’ajouterais deux pièges fréquents : 1) la confusion par saisonnalité/tendances et co-expositions (ozone/PM), qui impose un contrôle fin (splines, jours fériés, épidémies) et des analyses de sensibilité ; 2) l’interprétation des “décès attribuables” vs “excès de décès”, notamment face au harvesting (déplacement de mortalité) qui dépend de la fenêtre de lag. Enfin, la définition locale des seuils (percentiles vs seuils absolus) conditionne la comparabilité inter-régions.
Sujet très utile : compter les décès « dus » à la canicule, ce n’est pas juste additionner les morts pendant les jours chauds. Tout commence par la règle du jeu : qu’appelle-t-on canicule (seuil local, durée, humidité) ? Selon la définition, on ne mesure pas la même chose. Ensuite, le bon design (souvent séries temporelles) aide à comparer les jours chauds aux jours « normaux » dans la même population, un peu comme un avant/après répété. Attention aux pièges : la mortalité peut être décalée (effet à J+1/J+3), il y a le “harvesting” (décès avancés de quelques jours), et des facteurs qui bougent en même temps (pollution, vacances, épidémies). Enfin, bien communiquer : mieux vaut une estimation avec incertitude et hypothèses claires qu’un chiffre unique trompeur.
Bon rappel: il n’y a pas « un » chiffre, mais une estimation conditionnelle à la définition de l’exposition et au modèle. J’ajouterais deux points de vigilance pour le débat clinique: (1) la distinction entre décès « attribuables » (fraction attribuable) et « excès » de mortalité (observé vs attendu) n’est pas qu’un détail sémantique: elle change la question décisionnelle (prévention vs bilan). (2) Les DLNM en séries temporelles sont un standard robuste, mais ils ne résolvent pas tout: choix des splines, fenêtres de lag, colinéarité température/polluants, et contrôle de la saisonnalité peuvent induire sur- ou sous-ajustement. Enfin, l’hétérogénéité spatiale (urban heat island, vulnérabilité sociale) plaide pour des analyses stratifiées/multiniveaux et une communication prudente: mieux vaut donner une fourchette et des hypothèses explicites qu’un chiffre unique « prêt à l’emploi ».