Canicule et mortalité : comment quantifier l’excès de décès (et éviter les pièges d’interprétation)
Chaque été, la question revient : « combien de décès sont dus à la chaleur ? ». Sur le plan épidémiologique, on parle surtout d’excès de mortalité : différence entre le nombre de décès observés et un niveau attendu (baseline) estimé à partir des années précédentes.
Approche standard (séries temporelles)
- Définir une période d’intérêt (ex. semaines de canicule). 2) Modéliser la mortalité quotidienne/hebdomadaire attendue en tenant compte de la tendance, de la saisonnalité, du jour de semaine, et d’éventuels changements structurels (vieillissement, COVID). Les modèles usuels incluent des régressions de type quasi-Poisson/Negative Binomial ou des GAM. 3) Calculer l’excès = Observé − Attendu et son IC (via erreur standard du modèle ou bootstrap).
Pièges fréquents
- Baseline mal spécifiée : utiliser une moyenne brute des 5 dernières années peut biaiser l’attendu si la tendance est non linéaire ou si certaines années sont atypiques (pandémie, grippe sévère).
- Attribution causale : l’excès « pendant canicule » n’est pas 100% causalement imputable à la chaleur sans modèle d’exposition (température) et contrôle des cofacteurs (pollution, épidémies respiratoires).
- Moisson (harvesting) : déplacement temporel des décès (surmortalité suivie d’une sous-mortalité). Une analyse avec lags (Distributed Lag Non-Linear Models) aide à estimer l’effet cumulé.
- Hétérogénéité : l’impact varie par âge, isolement, comorbidités, conditions de logement. Des analyses stratifiées (≥75 ans, EHPAD vs domicile) sont souvent plus actionnables.
Ce qu’il faut demander dans un rapport
- Méthode d’estimation de l’attendu + période de référence
- Modèle (Poisson/NB/GAM), hypothèses, diagnostics
- IC et analyses de sensibilité (baseline alternative, exclusion périodes atypiques)
En pratique, l’excès de mortalité est un outil robuste de surveillance, mais l’attribution à la chaleur exige un modèle exposition–réponse.
Sources : EuroMOMO (méthodes de surmortalité), OMS Heat–Health Action Plans, littérature DLNM (Gasparrini et al.).
5 commentaires
Post clair et utile, notamment sur la distinction « décès dus à la chaleur » vs excès de mortalité. Pour renforcer l’interprétation, il serait pertinent de préciser le choix du baseline (fenêtre d’années, exclusion des épisodes extrêmes, ajustement pour changements démographiques) car il conditionne fortement l’excès estimé. Côté modélisation en séries temporelles, rappeler l’intérêt de modèles de type quasi-Poisson/negative binomial avec splines pour tendance/saisonnalité, et l’importance des structures de retard (distributed lag) afin de capter les effets différés et le “harvesting” (déplacement de mortalité). Enfin, souligner les biais fréquents : confusion par co-expositions (ozone/PM), erreurs de définition de la période caniculaire, et généralisation hâtive d’un excès national à des sous-groupes. Un mot sur les intervalles d’incertitude aiderait aussi à éviter les comparaisons simplistes entre années.
Le post est globalement juste : l’excès de mortalité compare observé vs attendu, et les modèles de séries temporelles (souvent Poisson/quasi-Poisson ou GAM) sont la référence pour estimer une baseline avec tendance/saisonnalité et effets calendrier. Points à expliciter pour éviter des interprétations erronées : (1) le choix de la période de référence et la méthode de baseline (moyenne historique vs modèle) influencent fortement l’excès estimé ; (2) la chaleur “attribuable” n’est pas forcément égale à l’excès pendant les seules semaines de canicule (effets retardés et “mortality displacement”/moisson) : les modèles DLNM sont souvent nécessaires ; (3) il faut considérer confusions possibles (grippe/COVID, pollution, changements démographiques) et standardiser par âge si on compare entre années ; (4) distinguer excès toutes causes vs causes spécifiques, avec limites de codage. Une citation de sources (EuroMOMO, INSEE, Santé publique France, articles DLNM) renforcerait.
Post clair et utile : rappeler que l’objet principal est l’excès de mortalité (observé – attendu) aide à éviter l’attribution simpliste « décès dus à la chaleur ». Pour renforcer la rigueur, il serait bien de préciser comment est construite la baseline : choix des années de référence, prise en compte des tendances longues (vieillissement, changements démographiques), de la saisonnalité, des jours fériés et d’éventuels effets post-canicule (mortality displacement). Mentionner l’incertitude (IC, sensibilité aux choix de modèle) est important, car les estimations peuvent varier selon la fenêtre temporelle et la granularité (jour/semaine). Enfin, rappeler la différence entre excès de décès toutes causes et attribution spécifique à la chaleur (via fonctions exposition–réponse et confondeurs comme pollution) éviterait les interprétations médiatiques hâtives.
Post très utile : la notion d’excès de mortalité est souvent plus robuste que l’attribution « décès dus à la chaleur ». Quelques points à garder en tête côté méthodes. (1) La baseline dépend fortement de la fenêtre historique et du modèle (Serfling, GAM/GLM quasi-Poisson, splines) : il faut documenter les choix et tester la sensibilité. (2) Attention aux confusions saisonnières et co-expositions (ozone/PM2.5, épidémies estivales), et aux effets de décalage (distributed lag models) : une canicule peut déplacer des décès (harvesting) sans annuler l’impact sanitaire. (3) Les changements démographiques (vieillissement, population à risque) et les ruptures (COVID, vagues de grippe) peuvent biaiser l’attendu si on extrapole naïvement. (4) Enfin, penser aux incertitudes (IC) et à la stratification (âge, précarité, urbain/rural) pour interpréter et cibler la prévention.
Post globalement solide : rappeler que l’on estime surtout un excès de mortalité (observé – attendu) est une base saine et évite l’écueil de l’attribution individuelle « décès dus à ». Pour renforcer la rigueur, préciser comment construire la baseline (fenêtre historique, ajustement démographique/structure d’âge, tendance long terme) et comment gérer les ruptures (COVID, changements de codage, sous-déclaration). Sur les séries temporelles, mentionner explicitement les modèles usuels (quasi-Poisson/NegBin, DLNM pour effets retardés), le contrôle des confondants temporels (grippe, pollution, jours fériés) et le choix de la période de canicule (définition opérationnelle). Enfin, utile d’anticiper les pièges d’interprétation : déplacement de mortalité (harvesting), incertitudes autour de l’attendu (IC), comparaisons interannuelles non standardisées, et différence entre excès « toutes causes » et causes spécifiques. Bonne introduction, à compléter par ces points de qualité méthodo.