HAL Id: tel-01127216
https://tel.archives-ouvertes.fr/tel-01127216
Submitted on 7 Mar 2015
HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
Usage des anti-infectieux et infections invasives à pneumocoque en France, étude d’associations
temporelles
Marie-Anne Vibet
To cite this version:
Marie-Anne Vibet. Usage des anti-infectieux et infections invasives à pneumocoque en France, étude d’associations temporelles. Santé publique et épidémiologie. Université Paris Sud - Paris XI, 2014.
Français. �NNT : 2014PA11T093�. �tel-01127216�
ÉCOLE DOCTORALE 420
SANTÉ PUBLIQUE PARIS SUD 11, PARIS DESCARTES LABORATOIRE : Unité PhEMI, Institut Pasteur / U657, Inserm / EA 4499,
Université Versailles-Saint-Quentin
THÈSE DE DOCTORAT Discipline : Santé Publique
Spécialité : Biostatistiques
Usage des anti-infectieux et infections invasives à pneumocoque en France
Étude d'associations temporelles
Présentée et soutenue publiquement par
Marie-Anne VIBET
le 19 décembre 2014, devant le jury ci-dessous,
Président M. Jean Bouyer, Directeur de recherche, Inserm, le Kremlin Bicêtre
Rapporteur Mme Catherine Huber-Carol, Professeur émérite, CNRS/Université Paris Descartes Rapporteur M. Pascal Astagneau, Professeur des universités - Praticien hospitalier,
EHESP/Universités Sorbonne Paris Cité
Examinateur M. Daniel Levy-Bruhl, Médecin épidémiologiste, InVS, Saint-Maurice
Directrice de thèse Mme Laurence Watier, Chargée de recherche, Inserm, Paris
A mes parents,
Remerciements
À Laurence Watier. Pour ton encadrement, ta disponibilité et tes conseils. Pour ce beau projet sur lequel tu m'as permis de travailler, pour lequel j'ai eu envie de faire une thèse. Pour ces trois très belles premières années.
À Mme Catherine Huber Carol et M. Pascal Astagneau. Vous me faîtes l'honneur d'être rapporteurs de ma thèse. Je remercie également M. Daniel Levy-Bruhl et M.
Jean Bouyer d'avoir accepté de participer à mon jury de thèse.
À Didier Guillemot. Pour ces presque 7 années passées au sein de l'unité. Depuis mes premiers pas, mon diplôme sous le bras, jusqu'à ma soutenance de thèse. Merci de m'avoir toujours poussée à me former.
À Pascale Tubert qui a bien contribué à ma rédaction d'article et de thèse quand le besoin s'en est fait ressentir.
À toute l'équipe du PhEMI. Avec un clin d'÷il particulier à Anne Thiébaut qui m'a accompagnée, depuis mes premiers pas dans l'unité. Aux thésards, bon courage pour la suite. A Lulla, pour son aide précieuse et son soutien. A Anne Paris. A Bich-Tram, Elizabeth et Annick. A tous ceux qui ont déjà quitté l'équipe, Zélie, Odile, Claire, Laure, Julie, Fanny, Marga et Matthieu. Aux stagiaires de passage, mais qui m'ont laissé un bon souvenir, Elodie, Hélène, Adeline. A tous les nouveaux arrivants, dont l'équipe de Pascale Tubert, que je ne connais pas ou peu. A tous, je souhaite bonne route et au plaisir de vous revoir.
v
À toute l'unité de Santé Publique de Garches. Les Christelles, Jérôme, qui me connaissent depuis longtemps eux-aussi, avec qui nous allions courir le midi quand Jean-Claude ne nous laissait pas le choix. Pour leur joie de vivre, leurs inlassables et tellement agréables pauses-café. A Loïc et Stéphane, pour leur gentillesse.
À l'ensemble de l'équipe EA 4275, mon équipe nantaise d'adoption. A Véronique et Jean-Benoit, à qui je dois beaucoup et notamment d'avoir accepté de m'accueillir dans leurs locaux, mais aussi pour leur écoute, leur soutien inestimable. L'équipe EA est un milieu où il fait bon travailler. A Myriam, pour sa joie de vivre, son écoute, son soutien, et surtout son amitié. A Etienne et Yohann pour leur écoute, leurs conseils et leur soutien. Aux doctorants à qui je souhaite une bonne réussite. A toutes celles qui ont relu une partie de ma thèse. A l'équipe des coureurs. A l'équipe des nageuses.
Sans oublier l'équipe des pauses-café.
À l'ensemble de l'équipe du PIMESP, deuxième équipe nantaise qui m'a hébergée"
pendant dix-huit mois. J'y ai fait de très belles rencontres dont certaines résistent déjà au temps passé depuis mon départ.
À tous les membres de l'ENSAI, mon école d'ingénieur dans laquelle je ne pensais pas revenir un jour du côté enseignant. Mais ça a été avec un très grand plaisir que je me suis levée bien (trop) tôt le matin pour courir prendre mon train éternellement en retard direction Rennes. Et ça en valait la peine. Merci à François Coquet à qui je dois beaucoup, mais aussi à Myriam et Jocelyn, mes référents statisticiens, à Lise, Momo et Julie, mes grands acolytes de TD, à Nicolas, Guillaume et Brigitte, pour les midis Galette-Saucisses, à Valentin Patiléa pour son inlassable soutien, aux personnels de la bibliothèque qui m'ont transmis un bon nombre d'articles scientiques pendant ma thèse, à tous ceux que j'ai eu le plaisir de revoir ou de rencontrer.
À tous, merci.
Table des matières
Table des gures xiii
Liste des tableaux xix
Glossaire 1
1 Introduction 5
1.1 Contexte de santé publique . . . . 5
1.2 Les analyses statistiques . . . . 11
1.3 Objectifs . . . . 12
1.4 Plan général . . . . 12
2 Construction des indicateurs de santé publique 15 2.1 Les clés de la surveillance en épidémiologie . . . . 15
2.1.1 Mise en place d'un système de surveillance . . . . 16
2.1.2 Qualités d'un système de surveillance . . . . 17
2.2 Indicateurs des infections invasives communautaires à pneumocoque . 18 2.2.1 Historique du PMSI . . . . 18
2.2.2 Dénitions du système de recueil . . . . 19
2.2.3 Qualités du système de recueil . . . . 21
2.3 Indicateur de l'exposition aux anti-infectieux . . . . 24
2.3.1 Dénitions du système de surveillance . . . . 25
2.3.2 Qualités du système de surveillance . . . . 26
2.4 Indicateur des infections virales respiratoires . . . . 29
2.4.1 Dénition du système de surveillance . . . . 29
vii
viii TABLE DES MATIÈRES
2.4.2 Qualité du système de surveillance . . . . 30
2.5 Bilan . . . . 31
3 Bases méthodologiques 33 3.1 Introduction . . . . 33
3.1.1 Notions de base des séries temporelles . . . . 34
3.1.2 Régression entre plusieurs séries temporelles . . . . 34
3.2 Étude d'une série temporelle . . . . 36
3.2.1 Processus stationnaire . . . . 36
3.2.1.1 Processus stochastique . . . . 36
3.2.1.2 Processus stationnaire . . . . 38
3.2.1.3 Processus ergodique . . . . 39
3.2.1.4 Autocovariances et autocorrélations . . . . 39
3.2.1.5 Analyse spectrale . . . . 43
3.2.1.6 Estimation empirique des moments pour les processus faiblement stationnaires . . . . 43
3.2.1.7 Exemples de processus stationnaires et ergodiques . . 45
3.2.2 Processus non stationnaires . . . . 50
3.2.2.1 Détection de la non stationnarité . . . . 50
3.2.2.2 Stationnarisation . . . . 51
3.3 Étude du lien entre deux ou plusieurs séries temporelles . . . . 54
3.3.1 Les moindres carrés ordinaires . . . . 54
3.3.1.1 Modèle de régression linéaire . . . . 54
3.3.1.2 Estimations . . . . 55
3.3.1.3 Validité du modèle . . . . 56
3.3.1.4 Erreur d'hypothèse : présence d'autocorrélation rési- duelle . . . . 58
3.3.2 Les moindres carrés généralisés . . . . 58
3.3.2.1 Modèle de régression linéaire . . . . 59
3.3.2.2 Estimations . . . . 59
3.3.2.3 Validité du modèle . . . . 60
3.3.3 La régression linéaire avec erreurs autorégressives . . . . 61
3.3.3.1 Modèle de régression linéaire . . . . 61
3.3.3.2 Estimation . . . . 61
3.3.3.3 Validité du modèle . . . . 63
3.4 Notion de causalité . . . . 63
3.4.1 Qu'est-ce qu'une cause ? . . . . 63
3.4.2 Étude de la causalité en pratique . . . . 64
I Étude du lien entre les infections invasives à pneumocoque et deux facteurs environnementaux. Prise en compte de la saisonnalité lors de l'estimation du lien entre deux séries saisonnières 67 4 Introduction 69 4.1 Motivations épidémiologiques . . . . 69
4.2 Questionnements méthodologiques . . . . 70
4.3 Objectifs . . . . 72
5 Matériel et Méthodes 73 5.1 Matériel . . . . 73
5.2 Méthodes . . . . 73
5.2.1 Modèle générique d'estimation du lien . . . . 73
5.2.2 Méthodes d'ajustement saisonnier . . . . 75
5.2.3 Stratégies d'ajustement . . . . 77
5.3 Logiciels . . . . 77
6 Résultats 79 6.1 Identication du délai d'impact . . . . 79
6.2 Vérication de la priorité temporelle . . . . 80
6.3 Estimation de l'association . . . . 81
6.4 Motivation des simulations . . . . 83
x TABLE DES MATIÈRES
7 Étude de simulations 85
7.1 Objectifs . . . . 85
7.2 Matériel et Méthodes . . . . 86
7.2.1 Simulation des données . . . . 86
7.2.1.1 Modèle de simulation . . . . 86
7.2.1.2 Simulation des séries saisonnières mensuelles . . . . . 87
7.2.1.3 Paramètres de simulation . . . . 89
7.2.2 Méthodes d'ajustement saisonnier . . . . 92
7.2.3 Stratégies d'ajustement comparées . . . . 94
7.2.4 Critères d'évaluation . . . . 94
7.3 Résultats . . . . 97
7.3.1 Scénarios 1 et 2 . . . . 97
7.3.1.1 Estimation de l'association . . . . 97
7.3.1.2 Identication du délai d'impact et vérication de la priorité temporelle . . . 102
7.3.2 Scénarios 3 et 4 . . . 104
7.3.2.1 Estimation de l'association . . . 104
7.3.2.2 Identication du délai d'impact et vérication de la priorité temporelle . . . 105
7.4 Discussion . . . 109
7.4.1 Bilan des résultats . . . 109
7.4.2 Limites . . . 112
7.4.3 Conclusions . . . 113
8 Discussion 115
II Modélisation d'une association en présence d'une épidé- mie. Estimation d'une proportion attribuable à une épidémie.
Question de l'hypothèse de linéarité du lien 117
9 Introduction 119
9.1 Motivations épidémiologiques . . . 119
9.2 Questionnement méthodologique . . . 120
9.3 Objectifs . . . 121
10 Matériel et Méthodes 123 10.1 Matériel . . . 123
10.2 Méthodes . . . 123
10.2.1 Estimation du lien . . . 123
10.2.2 Estimation d'une proportion attribuable . . . 126
10.2.3 Comparaison avec la méthode de Sering . . . 127
10.3 Logiciels . . . 128
11 Résultats 129 12 Étude de simulations 133 12.1 Objectifs . . . 133
12.2 Matériel et Méthodes . . . 133
12.2.1 Simulations des données . . . 133
12.2.1.1 Modèle de simulation . . . 134
12.2.1.2 Paramètres de simulation . . . 134
12.2.1.3 Simulation d'une série hebdomadaire à prol épidémique135 12.2.1.4 Détection des périodes épidémiques . . . 137
12.2.1.5 Simulation d'une série hebdomadaire saisonnière . . 139
12.2.2 Méthodes . . . 141
12.2.2.1 Estimation du lien entre (Y
t) et (X
t) . . . 141
12.2.2.2 Estimation d'une proportion attribuable . . . 143
12.2.2.3 Comparaison avec la méthode de Sering . . . 144
12.2.3 Critères d'évaluation . . . 146
12.3 Résultats . . . 147
12.4 Discussion de l'étude de simulation . . . 150
13 Discussion 153
xii TABLE DES MATIÈRES
III Étude de la relation entre infections invasives à pneu- mocoque et exposition aux anti-infectieux 157
14 Étude de la relation temporelle entre infections invasives à pneumo- coque et exposition aux anti-infectieux en France 159
14.1 Introduction . . . 159
14.2 Matériel et Méthodes . . . 161
14.2.1 Données . . . 161
14.2.2 Méthodes . . . 162
14.2.3 Logiciels . . . 163
14.3 Résultats . . . 164
14.3.1 Évolution de l'incidence annuelle des infections invasives à pneu- mocoque . . . 164
14.3.2 Impact de l'introduction de la vaccination . . . 166
14.3.3 Association avec les syndromes grippaux et la consommation d'antibiotiques . . . 167
14.4 Discussion . . . 168
IV Discussion générale, perspectives et conclusion 173
15 Discussion générale et perspectives 175
16 Conclusion 183
V Annexes 185
A Production scientique 187
B Annexes relatives à la Partie I 189
C Annexes relatives la Partie II 195
Table des gures
1.1 Estimation annuelle de l'incidence des infections invasives communau- taires à pneumocoque en France par groupe d'âge entre 1998 et 2008 (source EpiBAC). Extrait du document Impact de la vaccination par le vaccin antipneumococcique conjugué heptavalent sur l'incidence des infections invasives à pneumocoques en France, Analyse des données de 2008" de l'INVS. . . . 6 1.2 Proportion d'isolements invasifs de Streptococcus pneumoniae résis-
tants à la péniciliine (marqueur de la famille des β -lactamines). Extrait du rapport de l'EARSS 2002. . . . 8 1.3 Proportion d'isolements invasifs de Streptococcus pneumoniae résis-
tants à l'érythromycine (marqueur de la famille des macrolides). Extrait du rapport de l'EARSS 2002. . . . 9 1.4 Consommation communautaire d'antibiotiques dans 26 pays européens
en 2002. Extrait de l'article de Goossens 2005 [1] . . . . 9 1.5 Problématique de thèse schématisée. . . . 10
2.1 Incidence des hospitalisations pour infections invasives à pneumocoques pour 100 000 habitants en France entre 2002 et 2009 par tranche d'âge (issue des données des PMSI). . . . 24
xiii
xiv TABLE DES FIGURES 2.2 Incidence des hospitalisations pour infections invasives à pneumocoques
pour 100 000 habitants en France entre 2002 et 2009 par tranche d'âge et par pathologie (issue des données du PMSI). En haut, les hospitalisa- tions pour pneumonies à pneumocoque. Au milieu, les hospitalisations pour septicémies à pneumocoque. En bas, les hospitalisations pour mé- ningites à pneumocoque. . . . 25
2.3 Incidence mensuelle des hospitalisations pour infections invasives à pneumocoques pour 100 000 habitants en France entre 2002 et 2009 par pathologie (issue des données des PMSI). . . . 32
2.4 Incidence pour 100 000 habitants des remboursements pour prescription d'antibiotique (en noir) et des syndromes grippaux (en bleu) en France entre 2000 et 2010. . . . 32
3.1 Extrait de l'article de Hubert et al., 1992. Evolution des t-ratios issus des régressions retardées" entre le nombre de cas de méningite à la semaine w et les syndromes grippaux à la semaine w + k , −7 ≤ k ≤ 7 . Les lignes horizontales correspondent aux seuils de signicativité du test de Student bilatère au risque de premier espèce de 5%. . . . 65
5.1 Incidence de l'indicateur des infections invasives communautaires à
pneumocoque (en noir), de l'indicateur de la consommation d'antibio-
tiques (en bleu) et de l'indicateur des syndromes grippaux (en vert) en
France de juillet 2002 à juin 2009. . . . 74
6.1 T-ratios estimés à partir de la régression de IICP
tsur ATB
t+hsuivant la stratégie d'ajustement associée : 0 quand la saisonnalité n'est pas prise en compte, S1 (T1) quand la série à expliquer est ajustée par des splines de régression (fonctions trigonométriques), S2 (T2) quand la série explicative est ajustée par des splines de régression (fonctions trigonométriques), S2 (T2) quand les deux séries sont ajustées par des splines de régression (fonctions trigonométriques) et T4 quand les séries ne sont pas ajustées mais que le modèle inclut une fonction trigonomé- trique comme covariable. . . . 80
6.2 T-ratios estimés à partir de la régression de IICP
tsur SG
t+hsuivant la stratégie d'ajustement associée : 0 quand la saisonnalité n'est pas prise en compte, S1 (T1) quand la série à expliquer est ajustée par des splines de régression (fonctions trigonométriques), S2 (T2) quand la série explicative est ajustée par des splines de régression (fonctions trigonométriques), S2 (T2) quand les deux séries sont ajustées par des splines de régression (fonctions trigonométriques) et T4 quand les séries ne sont pas ajustées mais que le modèle inclut une fonction trigonomé- trique comme covariable. . . . 81
7.1 Séquence de segments déterminant le support [a
i, b
i] des lois uniformes S
ipour i = 1, ..., 12 . Les bornes inférieures de ces segments corres- pondent aux a
i, les bornes supérieures correspondent aux b
i. A. Motif linéaire, B. Motif cycloïdal, C. Motif épidémique. Pour ce dernier cas, il s'agit d'un exemple de deux années consécutives. . . . 90
7.2 Exemple de simulation de séries temporelles saisonnière avec un motif
linéaire (en bleu), un motif cycloïdal (en rouge) et un motif épidémique
(en vert). Pour toutes ces séries, T = 72, Min = 0 and R = 50. . . . . 91
xvi TABLE DES FIGURES 7.3 Exemples de simulation de X
t(courbe bleu) et Y
tassocié à ce X
tpour diérentes valeurs de β
1( 0.2 (courbe noire), 0.6 (courbe verte), 1 (courbe rouge)) (1) dans le scénario 1, (2) dans le scénario 2, (3) dans le scénario 3, (4) dans le scénario 4. Les séries X
tet Z
tsont simulées avec les paramètres suivants : σ
Z2/ σ
2X= 0.5, Min
X= 0 et R
X= 50 pour les scénarios 1 et 2, R
X= 100 pour les scénarios 3 et 4. . . . . 93
7.4 Exemple de l'ajustement des deux méthodes comparées, la fonction trigonométrique (en vert) et les splines de régression (en rouge), sur des séries simulées (en bleu) présentant un motif (1) linéaire, (2) cycloïdal, (3) épidémique. Seulement 6 années sont simulées. . . . 95
7.5 T-ratios estimés à partir de la régression de Y
tsur R
jX
t+h, pour h = -3 à 3, avec j = T pour l'ajustement par fonctions trigonométriques, et j = S pour l'ajustement par splines de régression, dans le cas où X
ta un motif linéaire, et Z
t, un motif cycloïdal (scénario 1) suivant les valeurs de β
1. Les estimations issues de la régression de Y
tsur R
SX
t+hsont représentée par la ligne plaine (stratégie S2), celles issues de la régression de Y
tsur R
TX
t+hsont représentée par la ligne en pointillé (stratégie T2). . . 103
7.6 T-ratios estimés à partir de la régression de Y
tsur R
jX
t+k, pour h =
-3 à 3, avec j = T pour l'ajustement par fonctions trigonométriques,
et j = S pour l'ajustement par splines de régression, dans le cas où X
ta un motif cycloïdal, et Z
t, un motif linéaire (scénario 2) suivant les
valeurs de β
1. Les estimations issues de la régression de Y
tsur R
SX
t+hsont représentée par la ligne plaine (stratégie S2), celles issues de la
régression de Y
tsur R
TX
t+hsont représentée par la ligne en pointillé
(stratégie T2). . . 103
7.7 T-ratios estimés à partir de la régression de Y
tsur R
iX
t+h, pour h = -3 à 3, avec i = T pour l'ajustement par fonctions trigonométriques, et i = S pour l'ajustement par splines de régression, dans le cas où X
ta un motif épidémique, et Z
t, un motif linéaire (scénario 3) suivant les valeurs de β
1. Les estimations issues de la régression de Y
tsur R
SX
t+hsont représentée par la ligne pleine (stratégie S2), celles issues de la régression de Y
tsur R
TX
t+hsont représentée par la ligne en pointillé (stratégie T2). . . 109 7.8 T-ratios estimés à partir de la régression de Y
tsur R
iX
t+h, pour h =
-3 à 3, avec i = T pour l'ajustement par fonctions trigonométriques, et i = S pour l'ajustement par splines de régression, dans le cas où X
ta un motif épidémique, et Z
t, un motif cycloïdal (scénario 4) suivant les valeurs de β
1. Les estimations issues de la régression de Y
tsur R
SX
t+hsont représentée par la ligne pleine (stratégie S2), celles issues de la régression de Y
tsur R
TX
t+hsont représentée par la ligne en pointillé (stratégie T2). . . 110 10.1 Evolution du nombre de remboursements pour achat d'antibiotique
(courbe bleue) et du nombre de syndromes grippaux (courbe verte) pour 100 000 habitants en France entre juillet 2000 et juin 2009. Les zones grisées correspondent aux épidémies de grippe. . . 124 10.2 Schéma du calcul de l'excès de ATB
tdu à SG
t. eInf
t= ˆ e
t− t
1−α/2σ ˆ
1,
eSup
t= ˆ e
t+ t
1−α/2σ ˆ
1. . . 127 11.1 Evolution du nombre de remboursements pour achat d'antibiotique
(courbe noire, axe de gauche) et du nombre de syndromes grippaux
(courbe verte, axe de droite) pour 100 000 habitants en France entre
juillet 2000 et juin 2009. Les zones grisées correspondent aux épidémies
de grippe. 1. Estimation de la ligne de base à l'aide de la régression li-
néaire par le modèle M 3 . 2. Estimation de la ligne de base par le modèle
de régression de Sering, M 5 . . . 129
xviii TABLE DES FIGURES 12.1 Schéma du modèle SIR - Figure issue du cours de Lulla Opatowski
2012-2013 à l'Université de Versailles Saint-Quentin . . . 136 12.2 Détection des épidémies en deux temps. Construction du seuil de dé-
tection sur cinq années successives puis détection des épidémies sur les cinq années suivantes. . . 140 12.3 Canevas du motif cycloidal hebdomadaire . . . 141 12.4 Estimation de la ligne de base de (Y
t) en l'hypothétique absence de (X
t)
par la méthode de régression linéaire (courbe rouge) et la méthode de sering (courbe bleue). (Y
t) est en noir, (X
t) en vert, les zones grisées représentent les périodes épidémiques. . . 144 12.5 Schéma du calcul de l'excès de Y. . . 145 14.1 Incidence mensuelle des infections invasives à pneumocoque (toutes
confondues) pour 100 000 habitants par tranche d'âge en France entre janvier 2002 et décembre 2009 (données issues des PMSI). . . 164 14.2 Incidence mensuelle des infections invasives à pneumocoque pour 100
000 habitants par catégorie d'infections et par tranche d'âge en France entre janvier 2002 et décembre 2009 (données issues des PMSI). En haut, les pneumonies. Au milieu, les septicémies. En bas, les méningites. 166 B.1 Évolution de l'AIC moyen suivant les trois motifs saisonniers : linéaire,
cycloïdal et épidémique. Les AIC moyens sont calculés à partir des AIC
de 100 séries simulées avec un minimum égal à 0, une étendue de 50
pour les séries linéaire et cycloïdal et de 100 pour la série ayant un
motif épidémique. . . 193
Liste des tableaux
5.1 Stratégies d'ajustement saisonnier utilisés lors de l'estimation du lien entre l'indicateur des infections invasives à pneumocoque pris au mois t et la série X
t+hqui représente alternativement l'indicateur de la consommation d'antibiotiques et l'indicateur des syndromes grippaux. 78
6.1 Estimation du lien entre l'incidence des infections invasives à pneu- mocoque pour 100 000 habitantes et l'incidences de la consommation d'antibiotiques pour 100 habitants en France entre juillet 2002 et juin 2009 . . . . 82 6.2 Estimation de l'association entre l'incidence des infections invasives
communautaires à pneumocoque pour 100 000 habitants et l'incidence des syndromes grippaux pour 100 habitants en France entre juillet 2002 et juin 2009. . . . 83
7.1 Valeurs des paramètres du processus stationnaire. . . . 89 7.2 Paramètres de simulation des séries à motif linéaire ou cycloïdal. . . . 91 7.3 Paramètres de simulation à motif épidémique. . . . 92 7.4 Motifs saisonniers de Z
t. . . . 92 7.5 Stratégies d'ajustement saisonnier utilisés lors de l'estimation du lien
entre Y
tpris au mois t et la série X
t+hpris au mois t + h . . . . 96
xix
xx LISTE DES TABLEAUX 7.6 Biais relatif
∗(%) (RBiais) pour les stratégies suivantes : 0 quand la sai-
sonnalité n'est pas prise en compte, S1 (T1) quand la série à expliquer est ajustée par des splines de régression (fonctions trigonométriques), S2 (T2) quand la série explicative est ajustée par des splines de régres- sion (fonctions trigonométriques), S2 (T2) quand les deux séries sont ajustées par des splines de régression (fonctions trigonométriques) et T4 quand les séries ne sont pas ajustées mais que le modèle inclut une fonction trigonométrique comme covariable. . . . 99
7.7 Rapport de variances
∗(RV) pour les stratégies suivantes : 0 quand la saisonnalité n'est pas prise en compte, S1 (T1) quand la série à ex- pliquer est ajustée par des splines de régression (fonctions trigonomé- triques), S2 (T2) quand la série explicative est ajustée par des splines de régression (fonctions trigonométriques), S2 (T2) quand les deux séries sont ajustées par des splines de régression (fonctions trigonométriques) et T4 quand les séries ne sont pas ajustées mais que le modèle inclut une fonction trigonométrique comme covariable. . . 100
7.8 Taux de recouvrement
∗(%) (TR) pour les stratégies suivantes : 0 quand
la saisonnalité n'est pas prise en compte, S1 (T1) quand la série à ex-
pliquer est ajustée par des splines de régression (fonctions trigonomé-
triques), S2 (T2) quand la série explicative est ajustée par des splines de
régression (fonctions trigonométriques), S2 (T2) quand les deux séries
sont ajustées par des splines de régression (fonctions trigonométriques)
et T4 quand les séries ne sont pas ajustées mais que le modèle inclut
une fonction trigonométrique comme covariable. . . 101
7.9 Biais relatif
∗(%) (RBiais) pour les stratégies suivantes : 0 quand la sai- sonnalité n'est pas prise en compte, S1 (T1) quand la série à expliquer est ajustée par des splines de régression (fonctions trigonométriques), S2 (T2) quand la série explicative est ajustée par des splines de régres- sion (fonctions trigonométriques), S3 (T3) quand les deux séries sont ajustées par des splines de régression (fonctions trigonométriques) et T4 quand les séries ne sont pas ajustées mais que le modèle inclut une fonction trigonométrique comme covariable. . . 106 7.10 Rapport de variances
∗(%) pour les stratégies suivantes : 0 quand la sai-
sonnalité n'est pas prise en compte, S1 (T1) quand la série à expliquer est ajustée par des splines de régression (fonctions trigonométriques), S2 (T2) quand la série explicative est ajustée par des splines de régres- sion (fonctions trigonométriques), S3 (T3) quand les deux séries sont ajustées par des splines de régression (fonctions trigonométriques) et T4 quand les séries ne sont pas ajustées mais que le modèle inclut une fonction trigonométrique comme covariable. . . 107 7.11 Taux de recouvrement
∗(%) pour les stratégies suivantes : 0 quand la
saisonnalité n'est pas prise en compte, S1 (T1) quand la série à ex- pliquer est ajustée par des splines de régression (fonctions trigonomé- triques), S2 (T2) quand la série explicative est ajustée par des splines de régression (fonctions trigonométriques), S3 (T3) quand les deux séries sont ajustées par des splines de régression (fonctions trigonométriques) et T4 quand les séries ne sont pas ajustées mais que le modèle inclut une fonction trigonométrique comme covariable. . . 108 11.1 Estimation du lien entre prescriptions d'antibitiques due à l'épidémie
grippale suivant les diérents modèles d'estimation de la ligne de base en France de juillet 2000 à juin 2009. . . 131 11.2 Estimation de la proportion de prescriptions pour antibitiques due à
l'épidémie grippale suivant les diérents modèles d'estimation de la
ligne de base en France de juillet 2000 à juin 2009. . . 132
xxii LISTE DES TABLEAUX 12.1 Paramètres de simulation. . . 137 12.2 Paramètres de simulation des séries de type cycloïdal. . . 141 12.3 Proportion attribuable moyenne (%) calculée à partir des modèles M 1
à M 4 basés sur la régression linéaire et M5 basé sur la régression de Sering. . . 147 12.4 Biais relatif (en %) calculé à partir des modèles M 1 à M 4 basés sur la
régression linéaire et M5 basé sur la régression de Sering. . . 148 12.5 Variance empirique calculée à partir des modèles M 1 à M 4 basés sur
la régression linéaire et M5 basé sur la régression de Sering. . . 149 12.6 Taux de recouvrement (en %) calculé à partir des modèles M1 à M 4
basés sur la régression linéaire et M5 basé sur la régression de Sering. 151 14.1 Incidence annuelle des infections invasives à pneumocoque par catégorie
et par classe d'âge en France entre janvier 2002 et décembre 2009 . . 165 14.2 Estimation de la tendance de l'incidence mensuelle des infections in-
vasives à pneumocoque par catégorie en France entre janvier 2002 et décembre 2009 . . . 167 14.3 Estimation de l'association entre l'incidence des infections invasives à
pneumocoque pour 100 000 habitants, l'incidence de la consommation
d'antibiotiques et l'incidence des syndromes grippaux pour 100 habi-
tants en France entre janvier 2002 et décembre 2009 . . . 168
B.1 Critères d'évaluation pour β
1= 0 . . . 191
B.2 Critères d'évaluation pour β
16= 0 . . . 191
2 Liste des tableaux Notation Description
A403 Code de la CIM 10 correspondant à une septicémie à pneumocoque ACF Fonction d'autocorrélation (de l'anglais, autocorrelation function) AIC Critère de Akaike
AR Processus autorégressif
ARMA Processus autorégressif et moyenne mobile ARMAX Processus ARMA exogène
ATB Exposition aux antibiobitiques
ATC Classication anatomique, thérapeutique et chimique ATIH Agence technique de l'information sur l'hospitalisation CIM 10 Classication internationale des maladies version 10 CIP (code) Club interpharmaceutique
CNAMTS Caisse nationale d'assurance maladie des travailleurs salariés CNRP Centre national de référence des pneumocoques
DDJ Dose dénie journalière DA Diagnostic associé DP Diagnostic principal DR Diagnostic relié
i.i.d. Indépendant et identiquement distribuée
IICP Infections invasives communautaires à pneumocoque INSEE Institut national des statistiques et études économiques InVS Institut national de veille sanitaire
G001 Code de la CIM 10 correspondant à une méningite à pneumocoque J13 Code de la CIM 10 correspondant à une pneumonie à pneumocoque MA Processus Moyenne mobile (de l'anglais, moving average)
MCO Moindres carrés ordinaires MCG Moindres carrés généralisés MP Méningites à pneumocoque MSA Mutuelle sociale agricole
PACF Fonction d'autocorrélation partielle (de l'anglais, partial autocorrelation function)
PMSI Programme de médicalisation des systèmes d'information
PP Pneumonies à pneumocoque
Notation Description
RBiais Biais relatif (de l'anglais Relative bias) RSI Régime des salariés indépendants RSS Résumé de sortie standardisé RV Rapport de variances
SG Syndromes grippaux
SP Septicémies à pneumocoque TR Taux de recouvrement VRS Virus respiratoire syncytial
Variable dépendante ou à expliquer : variable d'intérêt qui dépend des autres va- riables du modèle (variables explicatives).
Variable indépendante ou explicative : variable qui ne dépend pas des autres variables
du modèle et dont le lien avec le série dépendante est testé.
4 Liste des tableaux
Chapitre 1 Introduction
1.1 Contexte de santé publique
Streptococcus pneumoniae (le pneumocoque) est une bactérie responsable d'un grand nombre d'infections dans le monde entier et à tout âge, et est associé à une morta- lité et une morbidité non négligeables (environ un million de morts par an dans le monde) [2]. Les principales infections provoquées par le pneumocoque sont les otites, les sinusites, les pneumonies, les méningites et les bactériémies. Ces infections sont principalement communautaires, c'est-à-dire liées aux échanges de la population au sein de la communauté par opposition aux échanges hospitaliers.
Le pneumocoque se transmet par contact direct avec les sécrétions du nez ou de la gorge d'un porteur. Les bactéries peuvent également se propager par des microgoutte- lettes aérosolisées projetées lors de la toux ou des éternuements, ou encore par contact oral d'une personne à l'autre [3]. La transmission est fréquente mais l'infection est in- habituelle car des personnes en bonne santé peuvent être porteuses de pneumocoque sans en être infectées [4]. Jusqu'à 40 % des individus en sont porteurs dès la pre- mière année de leur vie. Le pneumocoque touche principalement les enfants de moins de deux ans, les personnes âgées et les personnes immuno-décientes [3]. À l'échelle mondiale, cette bactérie cause chaque année environ un demi million de décès chez les enfants de moins de 5 ans [2].
La vaccination anti-pneumococcique a été introduite à partir des années 2000 an
5
6 1.1. Contexte de santé publique
Figure 1.1 Estimation annuelle de l'incidence des infections invasives communautaires à pneu- mocoque en France par groupe d'âge entre 1998 et 2008 (source EpiBAC). Extrait du document Impact de la vaccination par le vaccin antipneumococcique conjugué heptavalent sur l'incidence des infections invasives à pneumocoques en France, Analyse des données de 2008" de l'INVS.
de réduire le nombre d'infections invasives communautaires à pneumocoque (IICP) comme les méningites, les bactériémies et les pneumonies. Le caractère invasif signie un certain niveau de gravité, impliquant le passage de la batérie dans l'un des milieux stériles tels que le sang et la plèvre. Aux États-Unis, cette vaccination, introduite dès l'année 2000, conduit à une diminution des IICP chez les jeunes enfants comme chez les personnes âgées [5]. En France, la vaccination anti-pneumococcique par le vaccin conjugué heptavalent a été recommandée, à partir de 2003, aux enfants de moins de 2 ans présentant des risques d'IICP. En 2006, les recommandations pour ce vaccin ont été élargies à l'ensemble des enfants âgés de moins de 2 ans. La gure 1.1 présente l'in- cidence des IICP en France par tranche d'âge de 1998 à 2008 mise en ligne par l'InVS en 2010 [6]. Les deux populations principalement touchées par ces infections sont les enfants de moins de deux ans et les personnes âgées de plus de 65 ans. L'incidence des IICP chez les jeunes enfants, population cible de la vaccination, diminue depuis 2000 et plus particulièrement depuis 2003. Cependant, pour les autres classes d'âge, l'augmentation initiée avant 2003 ne semble pas être modiée par la vaccination [6].
La résistance bactérienne aux antibiotiques est, depuis plusieurs décennies, un vé-
ritable problème de santé publique dans le monde entier, et ce quel que soit le niveau de développement des pays [7,8]. L'émergence des bactéries multi-résistantes, comme le Staphylococcus aureus résistants à la méticilline ou les entérobactéries productrices de β -lactamases à spectre étendu conduisent à des dicultés thérapeutiques, pouvant entraîner le décès des patients faute d'avoir une antibiothérapie adaptée [1, 8, 9]. Le nombre d'antibiotiques disponibles et ecaces diminue sans perspective de remplace- ment à cause de la diculté à trouver de nouvelles molécules [7,10].
Les mécanismes d'acquisition de résistances ainsi que l'émergence de ces bactéries multi-résistantes sont pour une grande part naturels et inévitables, mais également liés à de multiples facteurs. Le facteur le plus admis à ce jour est l'exposition aux anti- biotiques [1,9]. La consommation trop importante d'antibiotiques favoriserait l'émer- gence et la sélection de souches résistantes. Goossens et al. ont montré une corrélation entre l'exposition aux antibiotiques et la proportion de souches bactériennes résis- tantes au sein d'une même population [1].
En France, en 2002, la proportion d'isolements invasifs de Streptococcus pneumoniae résistants aux β -lactamines et aux macrolides (deux classes d'antibiotiques principa- lement utilisées contre le pneumocoque) étaient les plus élevées d'Europe [11] (Figures 1.2, 1.3). Aussi, au début des années 2000, la population française était l'une des po- pulations européennes les plus exposées aux antibiotiques (Figure 1.4). La population des enfants de moins de 7 ans constituait la population la plus exposée, avec une exposition trois fois plus importante que celle de l'ensemble de la population fran- çaise [12].
Pour lutter contre cette consommation excessive d'antibiotiques, le gouvernement
français a lancé en 2001 un plan national visant à réduire l'usage des antibiotiques
an de préserver leur ecacité. Les diérentes actions menées ont ciblé à la fois les
professionnels de santé et le grand public avec notamment une campagne nationale
audiovisuelle dont l'un des slogans phares était Les antibiotiques, c'est pas automa-
tique !". Cette campagne amorcée en 2002 était reconduite chaque année avec pour
période cible la période hivernale (période pendant laquelle la consommation est maxi-
male). Son évaluation a montré que la consommation communautaire d'antibiotiques
8 1.1. Contexte de santé publique
Figure 1.2 Proportion d'isolements invasifs de Streptococcus pneumoniae résistants à la péniciliine (marqueur de la famille des β -lactamines). Extrait du rapport de l'EARSS 2002.
pendant les périodes hivernales sur la période de 2002 à 2007 avait diminuée de près de 30% par rapport aux années pré-campagne (2000-2002) [13]. Cependant, depuis 2008, la consommation d'antibiotiques semble se stabiliser, voir ré-augmenter [14].
Dans de nombreux pays, une surconsommation d'antibiotiques est notée, associée notamment aux infections respiratoires, qui dans la plupart des cas sont d'origine virale et ne nécessite pas l'usage des antibiotiques. Ces infections constituent l'un des principaux motifs de prescription d'antibiotiques en ville [1517].
De plus, il existe une relation étroite entre les virus grippaux et certaines bactéries virulentes comme le pneumocoque [18, 19]. De nombreuses études montrent une re- lation chronologique entre infection grippale et surinfection pulmonaire et suggèrent fortement une relation de causalité [2024].
Les infections invasives communautaires à pneumocoque sont des marqueurs de santé
publique. Avec l'introduction de la vaccination anti-pneumococcique, une réduction
de ces infections était attendue chez les enfants de moins de 2 ans. Cependant, alors
qu'aux États-Unis, Lexau et al. [5] ont montré une diminution des infections à pneu-
mocoque chez les personnes agées depuis l'introduction de la vaccination, en France,
un tel constat n'est pas visible. En eet, le graphique de l'InVS montre que ces in-
Figure 1.3 Proportion d'isolements invasifs de Streptococcus pneumoniae résistants à l'érythro- mycine (marqueur de la famille des macrolides). Extrait du rapport de l'EARSS 2002.
Figure 1.4 Consommation communautaire d'antibiotiques dans 26 pays européens en 2002. Extrait
de l'article de Goossens 2005 [1]
10 1.1. Contexte de santé publique
Indicateur d'exposition 1 Exposition
aux antibiotiques
Indicateur d'exposition 2 Indicateur vaccinal
Facteur de confusion potentiel Syndromes grippaux
Indicateur de santé Infections
à pneumocoque
Q
Q Q
Q Q
Q Q
Q Q
Q Q
Q Q s XX XX
XX XX
XX XX
XX XX
XX XX X X z
:
9
Figure 1.5 Problématique de thèse schématisée.
fections augmentent chez les personnes de plus de 2 ans (Figure 1.1). On peut se demander les raisons d'une telle diérence d'évolution. D'une part, la consommation française d'antibiotiques était particulièrement élevée au début des années 2000, et d'autre part, cette consommation a diminué, notamment lors des périodes hivernales, à partir de 2002. L'hypothèse de cette thèse est la suivante : cette modication de l'usage des antibiotiques en France n'aurait-elle pas eu un eet collatéral conduisant à une ré-augmentation de ces infections invasives ?
L'objectif de cette thèse est d'étudier la dynamique des infections à pneumocoque
et de la mettre en relation avec les deux interventions de santé publique ainsi que
les infections virales. Ces dernières seraient à la fois associées à un nombre important
de prescriptions d'antibiotiques lors des périodes hivernales et à une augmentation
du nombre d'infections invasives à pneumocoques. La gure 1.5 présente de façon
schématique la problématique de cette thèse.
1.2 Les analyses statistiques
L'étude de la dynamique des infections invasives communautaires à pneumocoque peut se faire par une analyse de séries temporelles, par exemple en étudiant le lien entre ces infections et les facteurs environnementaux cités précédemment. Un modèle classiquement utilisé à cette n est le modèle de régression linéaire adapté aux sé- ries temporelles, c'est-à-dire intégrant l'autocorrélation des résidus [25]. Cependant, les infections à pneumocoque comme les facteurs environnementaux présentent une saisonnalité marquée avec une augmentation hivernale. Lors de l'étude du lien entre plusieurs indicateurs la présence d'une saisonnalité (commune ou non) dans l'évolu- tion des indicateurs temporels pose problème. C'est le cas de l'indicateur des infections invasives à pneumocoque et de l'exposition aux antibiotiques. Ces variations saison- nières peuvent créer un eet de confusion dans l'analyse du lien entre ces deux séries.
En eet, un lien pourrait indiquer simplement un facteur commun lié à la saisonna- lité. La question est le choix de la méthode à utiliser an de retirer cette saison, en eet, plusieurs méthodes sont appliquées en routine. La première étape de ce travail de thèse repose sur la comparaison de diérentes méthodes de désaisonnalisation de séries temporelles lors de l'étude du lien entre deux séries saisonnières. A l'aide de simulations, l'impact du choix de la méthode de désaisonnalisation sur l'estimation du lien est discuté.
Les modèles de régression linéaire supposent une association linéaire entre les séries
étudiées. Cependant, dans certains cas, cette hypothèse est trop restrictive. Ceci est
particulièrement vrai lorsque la série explicative, série mise en cause, présente un
prol épidémique, c'est à dire, présente un faible nombre de cas tout au long de l'année
sauf sur une courte période, comme par exemple l'indicateur des syndromes grippaux
qui présente de faibles cas sauf lors de l'épidémie de grippe. L'association entre une
telle série et une autre pourrait ne pas être linéaire. En eet, cette association pour-
rait ne dépendre que de la phase ascendante et de la phase descendante de l'épidémie,
ou alors être liée simplement à l'eet médiatique de la période épidémique. A l'aide
de simulations, la capacité du modèle linéaire à estimer le lien entre deux séries est
évalué dans des cas où justement ce lien n'est pas simulé sous l'hypothèse linéaire.
12 1.3. Objectifs
Ces études de simulations permettent de dénir des méthodes ad hoc pour l'analyse du lien entre deux séries saisonnières et ainsi, l'étude nale des données est abordée avec les méthodes optimales.
1.3 Objectifs
Le premier objectif de cette thèse est un objectif de santé publique. Il s'agit d'étudier la dynamique des infections invasives communautaires à pneumocoque en relation avec les deux interventions de santé publique, la campagne nationale visant à réduire l'usage des antibiotiques et l'introduction de la vaccination antipneumococcique, tout en prenant un compte le facteur environnemental que représentent les infections vi- rales.
Le second objectif est à visée méthodologique. Il s'agit, dans un premier temps, d'éva- luer les méritent de deux méthodes de désaisonnalisation, l'usage de fonctions trigo- nométriques et l'usage de splines cubiques, en ce qui concerne leur capacité à mettre en évidence les associations potentielles entre deux séries temporelles. Pour illustrer ce point, nous avons étudié le lien entre l'indicateur des infections invasives à pneu- mocoque et deux indicateurs, celui de la consommation d'antibiotiques, d'une part, et celui des infections virales d'autres part.
Le second travail méthodologique vise à évaluer l'impact d'un modèle de régression linéaire sur une association qui ne l'est pas forcément. C'est le cas notamment de l'association entre l'indicateur de la consommation d'antibiotiques et l'indicateur des infections virales.
1.4 Plan général
Les données utilisées dans ce mémoire sont détaillées au chapitre 2. Le chapitre 3
expose l'état des connaissances méthodologiques. La première partie explore l'estima-
tion du lien entre les infections à pneumocoque et deux facteurs environnementaux, les
syndromes grippaux et la consommation d'antibiotiques. Dans cette partie, la question
de la prise en compte de la saisonnalité lors de l'étude du lien entre deux séries sai-
sonnières est étudiée. La deuxième partie s'intéresse à l'excès d'antibiotiques prescrits
lors des épidémies grippales. La question de la linéarité du lien dans le cas d'une série
explicative à prol épidémique est soulevée. Enn, la troisième partie présente l'évo-
lution des infections invasives à pneumocoque entre 2002 et 2009 en France et évalue
le lien entre ces infections et trois facteurs environnementaux : les syndromes grip-
paux, l'exposition aux antibiotiques et la vaccination anti-pneumococcique, comme
schématisé Figure 1.5. Les méthodes statistiques mises en ÷uvre dans cette partie
sont choisies d'après les études méthodologiques des parties 1 et 2.
14 1.4. Plan général
Chapitre 2
Construction des indicateurs de santé publique
Avant toute étude de données temporelles, il est important de bien connaitre le sys- tème de recueil qui a permis d'obtenir ces données. En eet, si un indicateur de santé augmente au cours de la période d'étude, il est important de s'assurer que le recueil a été stable sur cette période, car cette augmentation pourrait simplement venir d'une modication de la structure du système de recueil. L'augmentation de la fréquence d'un évènement de santé peut être simplement due à l'augmentation de la popula- tion d'étude et non pas à l'évènement de santé en lui-même. An de se prémunir de conclusions erronées, une bonne connaissance du système de recueil de données est préférable.
Après avoir résumé les modalités de fonctionnement général d'un réseau de sur- veillance, les principales qualités requises pour qu'un système soit ecace sont listées.
Le cas des diérents indicateurs de santé utilisés dans la suite de ce mémoire sont ensuite présentés et la qualité de leur recueil est étudiée.
2.1 Les clés de la surveillance en épidémiologie
La surveillance épidémiologique est une méthode d'observation fondée sur la collecte continue et systématique de données de santé permettant d'estimer l'étendue et l'am- pleur d'un problème, ainsi que la répartition géographique et démographique de ces
15
16 2.1. Les clés de la surveillance en épidémiologie évènements de santé. Les données de surveillance peuvent également être utilisées an de détecter des modications de pratiques, d'enregistrer l'évolution d'agents infectieux ou environnementaux, d'évaluer l'impact d'une intervention de santé publique et de décrire l'histoire naturelle d'évènements de santé dans une communauté. C'est à par- tir de ces informations que des hypothèses sont générées et que des actions de santé publique sont mises en ÷uvre [26, 27]. L'exemple le plus connu de l'utilisation d'un système de recueil est la détection d'épidémies en temps réel [28,29].
En résumé, la surveillance épidémiologique est la base de la prise de décision dans le domaine de la santé publique et permet aux chercheurs d'émettre des hypothèses et aux décideurs de mener de façon éclairée et ecace leurs actions de santé. La rapidité et la pertinence des décisions sanitaires dépendent de la abilité du système de sur- veillance. Assurer ecacement la détection et le suivi des menaces sanitaires constitue donc un pré-requis à toute lutte ecace [27].
An de travailler dans de bonnes conditions sur des données issues d'un réseau de sur- veillance, il est important de connaitre les modalités de fonctionnement de ce réseau ainsi que les qualités et les limites de ce réseau.
2.1.1 Mise en place d'un système de surveillance
La mise en place d'un système de surveillance s'articule autour de trois grands axes : la dénition des cas retenus, la dénition de la population surveillée et la dénition des modalités d'enregistrement.
La dénition des cas est l'étape la plus importante qui doit aboutir à une déni- tion consensuelle et opérationnelle des cas de l'évènement surveillé. Cette dénition doit rester homogène au cours du temps de l'étude et utilisable par tous les agents impliqués.
La dénition de la population surveillée (ou population cible) permet de déli- miter le nombre de cas potentiels et de calculer des fréquences de l'évènement.
La dénition des modalités d'enregistrement sont inévitables, car le stockage
d'informations est limité. Ces modalités doivent permettre de valider les cas déclarés
et de décrire ces cas à partir de caractéristiques individuelles, temporelles et géogra-
phiques. Les sources d'informations sont souvent multiples, dénies selon l'évènement étudié et le contexte, et en fonction du système de soins. Il est important de standar- diser la collecte des données de façon à rendre ces informations comparables.
On distingue deux grands types de surveillance : la surveillance passive, pour la- quelle les agents de collecte informent la structure de centralisation (c'est le cas des centres nationaux des bactéries qui sont informés par les laboratoires d'analyse), et la surveillance active, pour laquelle la structure collecte elle-même les informations auprès des sources (par exemple, les registres de cancers qui envoient des agents pour récupérer des cas et les valider).
2.1.2 Qualités d'un système de surveillance
Plusieurs critères permettent d'apprécier les performances d'un système de surveillance, les suivants font parties des principaux [30,31].
La sensibilité est la capacité du système de surveillance à détecter tous les cas réels.
La sensibilité correspond au nombre de cas réels détectés par le système de surveillance rapportés au nombre total d'évènements eectivement survenus au cours de la période de surveillance dans la population concernée. On parle souvent d'exhaustivité du sys- tème.
La valeur prédictive positive (VPP) représente la proportion de cas réels parmi les cas rapportés au système de surveillance. Si elle est faible, on peut craindre que le système de surveillance entraine fréquemment des investigations complémentaires pour des cas qui ne sont pas réels (faux positifs) ou détecte des fausses épidémies.
La représentativité. En cas de sensibilité imparfaite du système de surveillance, on cherchera à estimer s'il décrit correctement l'évènement étudié en fonction des carac- téristiques des sujets, du temps et du lieu.
La stabilité. Ce n'est pas réellement un critère mais il est important de vérier que le système de recueil est stable dans le temps, c'est-à-dire que la dénition des cas, la population cible et les modalités de recueil restent les mêmes tout au long de la période d'étude.
D'autres critères tels que l'acceptabilité, la réactivité et l'utilité sont des critères im-
18 2.2. Indicateurs des infections invasives communautaires à pneumocoque portants, mais ne sont pas cités ici car non adaptés.
2.2 Indicateurs des infections invasives communau- taires à pneumocoque
Les infections invasives sont les plus graves parmi les infections à pneumocoque. Le caractère invasif (passage de la bactérie dans un milieu stérile comme le sang ou la plèvre) conduit généralement à consulter un hôpital ou une clinique. Ainsi, le décompte des cas hospitalisés pour infection à pneumocoque permet de reéter le nombre d'in- fections invasives communautaires à pneumocoque (IICP) en France.
Le programme de médicalisation des systèmes d'information (PMSI) mis en place dans tous les établissements de santé français, publics comme privés, est un outil médico- administratif permettant aux établissements de santé de tarifer les soins prodigués et d'être nancés en retour par l'Assurance Maladie. Ce programme collecte en routine et au quotidien une quantité importante d'informations cliniques mais aussi biologiques de plus en plus utilisées par les épidémiologistes. Par exemple, pour chaque hospita- lisation, le diagnostique principal ainsi que des diagnostiques secondaires sont codés à partir de la Classication Internationale des Maladies (CIM). Ces bases de données ont vocation à être des bases exhaustives de l'activité hospitalière. Avec l'accord de la Commission Nationale Informatique et Liberté (numéro 909 514), des extractions de ces bases nous ont été transmises par l'ATIH an de comptabiliser le nombre de séjours liés à une infection à pneumocoque en France entre janvier 2002 et décembre 2009.
2.2.1 Historique du PMSI
En 1982, le responsable de la direction des Hôpitaux, Jean de Kervasdoué, propose
de dénir l'activité des établissements de santé et d'en calculer leur allocation budgé-
taire. Ce système existait déjà aux Etats-Unis et en Angleterre. Depuis la loi du 31
juillet 1991, les établissements de santé français, publics et privés, doivent procéder à
l'évaluation et à l'analyse de leur activité. Pour les séjours hospitaliers de médecine,
chirurgie et obstétrique, cette analyse est fondée sur le recueil systématique et le traite- ment automatisé d'une information médico-administrative minimale et standardisée, contenue dans le Résumé de sortie standardisé (RSS). Depuis 2004, la tarication à l'activité, nouveau système de tarication des établissements basé sur l'activité, est entrée en vigueur progressivement jusqu'en 2008
∗.
Un certain nombre d'informations sont codées en routine par les soignants, dont les diagnostics et les actes médicaux. Dans cette étude, nous ne nous intéressons qu'aux diérents diagnostics dont voici les dénitions :
Le diagnostic principal (DP) : Avant 2009, le diagnostic principal est le motif de prise en charge qui a mobilisé l'essentielle de l'eort médical et soignant au cours du sé- jour. Depuis 2009, le DP est réduit au problème de santé qui a motivé l'admission du patient dans l'unité de soins.
Le diagnostic relié (DR) : Dans certain cas, le DP ne sut pas seul à caractériser la prise en charge. Le DR correspond à une aection permettant d'éclairer le contexte médico-économique, essentiellement lorsque le DP n'est pas en lui-même une aec- tion. C'est notamment le cas des prises en charge pour bilan ou surveillance, pour lesquelles les règles de codage imposent souvent l'utilisation des codes Z en DP.
Les diagnostics associés (DA) : Ces sont les aections associées au diagnostic principal, les complications de celui-ci ou de son traitement.
2.2.2 Dénitions du système de recueil
Les cas. Les pathologies dénies comme invasives dans cette étude sont les suivantes : pneumonie à pneumocoque (code J13), septicémie à pneumocoque (code A403) et mé- ningite à pneumocoque (code G001). Une pneumonie bactérienne est une infection des poumons, une septicémie est la propagation des bactéries par le sang provoquant une inammation systémique. Le codage pour septicémie est associé à une hémoculture positive, signiant la présence de bactéries dans le sang. On parle aussi de bactériémie.
Enn une méningite est une inammation des méninges. Elle sera codée si la ponction lombaire prouve la présence de bactéries dans le liquide céphalo-rachiden.
∗