Sources de données sanitaires
L’épidémiologie repose sur des données. Mais ces données ne proviennent pas d’une source unique. Elles peuvent venir de l’état civil, des hôpitaux, des laboratoires, des registres de maladies, des assurances, des enquêtes, des médecins, des systèmes de surveillance ou encore de cohortes spécialement constituées pour la recherche.
Chaque source possède ses forces et ses limites.
Une bonne analyse épidémiologique ne demande donc pas seulement : « que montrent les chiffres ? » Elle demande aussi : « comment ces chiffres ont-ils été produits ? »
Les données ne sont jamais « brutes »
On parle souvent de données brutes, comme si elles constituaient une copie directe de la réalité.
En pratique, une donnée sanitaire est presque toujours le résultat d’un processus :
- un événement survient ;
- il est observé ou non ;
- il est déclaré ou non ;
- il est enregistré selon une définition ;
- il est codé ;
- il est transmis ;
- parfois corrigé ou consolidé ;
- puis utilisé dans une base de données.
À chacune de ces étapes, une partie de l’information peut être perdue, transformée ou classée différemment.
Les bases sanitaires sont donc des représentations organisées de la réalité, pas la réalité elle-même.
L’état civil et les certificats de décès
L’état civil constitue une source majeure pour étudier la mortalité.
Lorsqu’une personne décède, le décès est enregistré administrativement. Les certificats médicaux permettent ensuite de recueillir des informations sur les causes du décès.
Ces données permettent notamment d’étudier :
- mortalité toutes causes ;
- mortalité par âge ;
- mortalité par sexe ;
- mortalité par cause ;
- évolution temporelle ;
- différences géographiques.
L’un des grands avantages de l’état civil est son exhaustivité généralement élevée dans les pays disposant de systèmes administratifs solides.
Les limites des causes de décès
Le fait qu’un décès soit correctement enregistré ne garantit pas que sa cause le soit parfaitement.
Plusieurs difficultés peuvent apparaître :
- plusieurs pathologies contribuent au décès ;
- le diagnostic peut être incertain ;
- les médecins peuvent remplir les certificats différemment ;
- les règles de codage peuvent évoluer ;
- certaines maladies sont mieux recherchées que d’autres.
La mortalité toutes causes est donc souvent plus robuste que la mortalité attribuée à une cause précise.
Cela ne rend pas les causes de décès inutiles : elles fournissent une information indispensable, mais avec une incertitude supplémentaire.
Les données hospitalières
Les hôpitaux produisent énormément de données :
- diagnostics ;
- interventions ;
- durées de séjour ;
- passages aux urgences ;
- admissions en soins intensifs ;
- traitements ;
- décès hospitaliers.
Ces informations permettent d’étudier la gravité des maladies, leur prise en charge et leur évolution.
Elles possèdent cependant une limite évidente : elles ne décrivent que les personnes qui arrivent à l’hôpital.
Une maladie bénigne rarement hospitalisée sera fortement sous-représentée.
Hospitalisation ne signifie pas population générale
Supposons que 20 % des patients hospitalisés pour une maladie développent une complication.
On ne peut pas en conclure que 20 % de toutes les personnes atteintes de cette maladie développeront cette complication.
Les patients hospitalisés constituent généralement une population sélectionnée, souvent plus gravement malade que l’ensemble des cas.
Cette différence est une forme de biais de sélection.
La source des données détermine donc directement la population à laquelle les résultats peuvent raisonnablement être appliqués.
Les données de médecine de ville
Les médecins généralistes, spécialistes, pharmacies et autres professionnels de santé produisent également des données importantes.
Elles peuvent renseigner sur :
- consultations ;
- diagnostics ;
- symptômes ;
- prescriptions ;
- vaccination ;
- arrêts de travail.
Ces données permettent parfois de détecter plus rapidement des phénomènes qui n’entraînent pas systématiquement une hospitalisation.
Mais elles dépendent du comportement de recours aux soins.
Les personnes qui ne consultent pas deviennent en partie invisibles.
Les laboratoires
Les laboratoires constituent une source centrale pour les maladies nécessitant une confirmation biologique.
Ils peuvent fournir des informations sur :
- tests réalisés ;
- résultats positifs ;
- variants ;
- résistance aux antibiotiques ;
- marqueurs biologiques.
Pendant une épidémie, les données de laboratoire peuvent permettre de suivre rapidement la circulation d’un agent pathogène.
Mais leur interprétation dépend fortement de qui est testé et pourquoi.
Tests positifs et infections réelles
Supposons que 10 000 tests soient positifs cette semaine et 20 000 la semaine suivante.
Plusieurs explications sont possibles :
- davantage d’infections ;
- davantage de tests ;
- changement de population testée ;
- amélioration de la sensibilité du test ;
- modification des critères de dépistage.
Le nombre de tests positifs mesure donc d’abord des infections détectées par le système de test.
Passer de cette mesure à l’estimation des infections réelles nécessite souvent d’autres informations.
Les registres de maladies
Certaines maladies font l’objet de registres spécialisés.
Un registre du cancer, par exemple, cherche à recenser systématiquement les nouveaux cas dans une population définie.
Ces registres peuvent fournir des données de grande qualité sur :
- incidence ;
- type de maladie ;
- âge au diagnostic ;
- survie ;
- évolution temporelle.
Ils sont particulièrement utiles lorsque la définition de la maladie est relativement stable et que le recueil est organisé de manière systématique.
Le problème de l’exhaustivité
Même un bon registre peut manquer certains cas.
Certains patients peuvent :
- ne jamais être diagnostiqués ;
- être pris en charge hors de la zone ;
- ne pas être correctement déclarés.
On parle alors de sous-enregistrement.
À l’inverse, des doublons ou erreurs de classification peuvent parfois produire une légère surestimation.
La qualité d’un registre dépend donc fortement de sa capacité à identifier et consolider les cas.
Les maladies à déclaration obligatoire
Pour certaines maladies transmissibles ou particulièrement importantes pour la santé publique, les professionnels peuvent être tenus de signaler les cas aux autorités sanitaires.
Ces systèmes permettent de suivre :
- apparition de foyers ;
- distribution géographique ;
- tendances temporelles ;
- populations touchées.
Ils sont particulièrement utiles pour détecter rapidement des événements inhabituels.
Mais leur exhaustivité dépend de la probabilité que les cas soient diagnostiqués puis correctement déclarés.
Surveillance passive
Dans un système de surveillance passive, les informations remontent naturellement depuis les professionnels ou établissements.
L’avantage est qu’il est relativement peu coûteux et peut couvrir une grande population.
Mais il existe souvent un sous-signalement.
Les cas légers ou atypiques peuvent être moins détectés.
Les professionnels peuvent également varier dans leur comportement de déclaration.
Surveillance active
Dans une surveillance active, les autorités cherchent directement les cas.
Elles peuvent contacter régulièrement des établissements, examiner des dossiers ou organiser des campagnes de dépistage.
Cette approche est généralement plus complète, mais aussi plus coûteuse et plus difficile à maintenir.
Un changement de surveillance passive vers une surveillance active peut provoquer une augmentation apparente du nombre de cas simplement parce qu’on les recherche mieux.
Les réseaux sentinelles
Il est parfois inutile ou impossible de surveiller toute la population.
On utilise alors des réseaux sentinelles : un ensemble sélectionné de professionnels ou établissements transmet régulièrement des informations standardisées.
Par exemple, certains réseaux suivent les syndromes grippaux ou d’autres infections respiratoires.
L’objectif n’est pas nécessairement de compter chaque cas du pays, mais de disposer d’un échantillon stable permettant de suivre les tendances.
Une surveillance sentinelle peut être très informative sans être exhaustive
C’est un point important.
Un système n’a pas besoin d’observer chaque personne pour détecter une augmentation.
Un échantillon stable et bien construit peut montrer qu’un phénomène double ou diminue rapidement.
En revanche, il peut être moins adapté pour donner un nombre absolu précis de cas dans toute la population.
Encore une fois, la source doit être adaptée à la question.
Les enquêtes de population
Les enquêtes permettent d’interroger directement un échantillon de personnes.
Elles peuvent mesurer :
- symptômes ;
- comportements ;
- consommation de tabac ou d’alcool ;
- santé mentale ;
- qualité de vie ;
- accès aux soins ;
- vaccinations ;
- antécédents médicaux.
Elles sont particulièrement utiles pour étudier des phénomènes qui ne donnent pas toujours lieu à un contact avec le système médical.
Les biais des enquêtes
Les enquêtes possèdent plusieurs limites.
Les personnes peuvent :
- oublier certaines informations ;
- répondre de manière socialement souhaitable ;
- mal comprendre une question ;
- refuser de participer.
Les personnes qui répondent peuvent également différer de celles qui ne répondent pas.
Une enquête de santé en ligne peut, par exemple, sous-représenter certaines personnes âgées ou socialement défavorisées.
Données déclarées et données mesurées
Il faut distinguer ce que les participants déclarent de ce qui est mesuré directement.
Une personne peut sous-estimer sa consommation d’alcool ou surestimer son activité physique.
À l’inverse, mesurer directement la pression artérielle ou le poids produit une donnée moins dépendante du souvenir.
Mais les mesures objectives peuvent être plus coûteuses et difficiles à réaliser à grande échelle.
Les deux types de données ont donc leur utilité.
Les cohortes
Une cohorte suit un groupe de personnes dans le temps.
On peut recueillir au départ :
- âge ;
- alimentation ;
- tabagisme ;
- profession ;
- paramètres biologiques ;
- antécédents.
Puis observer pendant plusieurs années quels événements surviennent.
Les cohortes sont particulièrement importantes pour étudier les relations entre expositions et maladies futures.
Elles permettent souvent de mieux établir la temporalité qu’une enquête réalisée à un seul moment.
Les limites des cohortes
Les cohortes peuvent cependant être coûteuses et longues.
Au fil du temps :
- certains participants abandonnent ;
- certains deviennent impossibles à suivre ;
- les méthodes de mesure changent ;
- les comportements évoluent.
Une cohorte commencée vingt ans auparavant peut aussi ne plus représenter parfaitement la population actuelle.
Les essais cliniques
Les essais randomisés produisent des données spécialement conçues pour évaluer une intervention.
Les participants sont répartis entre différents groupes selon une procédure contrôlée.
Cela permet souvent une meilleure comparaison causale.
Mais les populations d’essais sont parfois très sélectionnées :
- critères d’âge ;
- exclusions médicales ;
- consentement ;
- suivi intensif.
Le résultat peut donc être très solide pour la population étudiée tout en restant moins certain pour certains patients rencontrés en pratique réelle.
Les bases médico-administratives
Les systèmes d’assurance maladie ou de remboursement produisent de gigantesques quantités de données.
On peut y retrouver :
- consultations ;
- médicaments remboursés ;
- hospitalisations ;
- actes médicaux ;
- diagnostics administratifs.
Le principal avantage est leur taille.
Des millions de personnes peuvent être étudiées pendant plusieurs années.
Cela permet notamment d’examiner des événements rares.
Big data ne signifie pas automatiquement bonne donnée
Une base contenant 50 millions de personnes peut impressionner.
Mais sa taille ne corrige pas les problèmes de définition.
Une donnée administrative est souvent créée d’abord pour facturer, rembourser ou gérer, pas pour répondre à une question scientifique précise.
Certains diagnostics peuvent être incomplets ou codés selon des logiques administratives.
Une immense base biaisée permet parfois d’obtenir une estimation très précise d’une mauvaise mesure.
La taille ne remplace donc jamais la validité.
Les dossiers médicaux électroniques
Les dossiers de santé informatisés offrent des possibilités considérables.
Ils peuvent inclure :
- symptômes ;
- résultats biologiques ;
- diagnostics ;
- prescriptions ;
- antécédents ;
- évolution clinique.
Mais leur structure peut varier selon les établissements.
Une grande partie des informations peut être rédigée en texte libre.
Les pratiques de documentation changent selon les médecins.
Ces données peuvent être extrêmement riches, mais leur utilisation scientifique demande un important travail de standardisation.
Données de pharmacie et prescriptions
Les données de prescription peuvent servir à étudier :
- utilisation de médicaments ;
- observance approximative ;
- effets indésirables ;
- évolution des pratiques médicales.
Mais une prescription ne signifie pas nécessairement que le patient a pris le médicament.
Même un médicament délivré en pharmacie peut ne jamais être consommé.
Il faut donc distinguer :
prescription, délivrance et consommation réelle.
La pharmacovigilance
Les systèmes de pharmacovigilance recueillent des signalements d’événements survenus après la prise d’un médicament ou d’un vaccin.
Ils sont essentiels pour détecter rapidement des effets indésirables rares ou inattendus.
Mais un signalement signifie essentiellement :
« cet événement s’est produit après cette exposition et mérite éventuellement d’être étudié ».
Il ne signifie pas automatiquement :
« cette exposition a causé cet événement ».
Pourquoi les bases de signalements sont particulières
Dans ces systèmes, plusieurs problèmes apparaissent :
- sous-déclaration ;
- surdéclaration lors d’une forte médiatisation ;
- doublons ;
- informations incomplètes ;
- absence de groupe témoin direct ;
- dénominateur parfois imparfait.
Ces bases sont donc excellentes pour générer des signaux de sécurité, beaucoup moins pour calculer directement une incidence causale sans analyses complémentaires.
Cette distinction sera approfondie dans le chapitre consacré à la vaccination et à la pharmacovigilance.
Les données environnementales
L’épidémiologie peut également utiliser des données sur :
- pollution atmosphérique ;
- qualité de l’eau ;
- températures ;
- bruit ;
- pesticides ;
- expositions professionnelles.
Ces informations peuvent être mesurées directement ou estimées à partir de modèles.
Un problème fréquent est que l’exposition individuelle réelle n’est pas toujours connue.
Habiter dans une zone polluée ne signifie pas que toutes les personnes reçoivent exactement la même dose d’exposition.
Les données génétiques et biologiques
Les grandes cohortes modernes peuvent inclure :
- ADN ;
- biomarqueurs ;
- protéines ;
- métabolites ;
- microbiote.
Ces données permettent d’étudier les interactions entre biologie, environnement et maladie.
Mais elles soulèvent également des problèmes méthodologiques importants, notamment la multiplication des comparaisons et le risque de trouver des associations dues au hasard.
Données issues des objets connectés
Montres, smartphones et capteurs permettent désormais de recueillir :
- activité physique ;
- fréquence cardiaque ;
- sommeil ;
- mobilité ;
- parfois certains paramètres physiologiques.
Ces données offrent une granularité extrêmement fine.
Mais les utilisateurs de ces technologies ne constituent pas nécessairement un échantillon représentatif de la population.
De plus, la précision des appareils peut varier.
La quantité de données ne garantit donc pas leur représentativité.
Réseaux sociaux et recherches internet
Les comportements numériques peuvent parfois être utilisés pour détecter des tendances sanitaires.
Par exemple, une augmentation de certaines recherches internet peut coïncider avec une épidémie.
Ces approches peuvent être rapides mais présentent de nombreux risques :
- comportements influencés par les médias ;
- changement des plateformes ;
- population d’utilisateurs non représentative ;
- algorithmes inconnus.
Elles peuvent compléter des systèmes traditionnels mais rarement les remplacer complètement.
Une source primaire et une source secondaire
On peut également distinguer les données primaires et secondaires.
Les données primaires sont collectées spécifiquement pour une étude.
Les données secondaires ont été recueillies initialement pour une autre raison puis réutilisées.
Une cohorte conçue pour étudier le tabagisme produit des données primaires pour cette question.
Une base de remboursement utilisée pour étudier le même sujet fournit plutôt des données secondaires.
Les secondes peuvent être beaucoup moins coûteuses, mais les variables disponibles ne correspondent pas toujours exactement à la question scientifique.
Coupler plusieurs sources
Une stratégie particulièrement puissante consiste à croiser différentes bases.
On peut par exemple relier :
- vaccination ;
- hospitalisations ;
- prescriptions ;
- diagnostics ;
- décès.
Cela permet de suivre les personnes et de construire des analyses plus complètes.
Mais ces couplages soulèvent également des enjeux importants de confidentialité et de protection des données.
Trianguler les sources
Lorsque plusieurs sources indépendantes montrent la même tendance, la conclusion devient souvent plus robuste.
Supposons qu’on observe simultanément :
- davantage de consultations pour syndrome respiratoire ;
- davantage de tests positifs ;
- davantage d’admissions hospitalières ;
- davantage de décès.
Il devient plus difficile d’expliquer l’ensemble par un simple changement de dépistage.
Cette triangulation est particulièrement importante lorsqu’aucune source n’est parfaite.
Des données contradictoires ne signifient pas forcément une erreur
Deux sources peuvent produire des résultats différents parce qu’elles n’observent pas la même population.
Par exemple :
- les urgences observent les cas graves ;
- les enquêtes détectent davantage de cas légers ;
- les laboratoires observent les personnes testées ;
- les registres recensent les diagnostics confirmés.
Des chiffres différents peuvent donc être tous corrects dans leur propre cadre.
Avant de chercher laquelle des deux sources « ment », il faut comprendre ce que chacune mesure réellement.
Les données manquantes
Toute source comporte une zone invisible.
Les personnes qui ne consultent pas n’apparaissent pas dans certaines bases médicales.
Les personnes non testées n’apparaissent pas dans les données de laboratoire.
Les participants perdus de vue disparaissent des cohortes.
Les non-répondants manquent dans les enquêtes.
La question :
« qui manque dans cette base ? »
est donc fondamentale.
La qualité varie dans le temps
Un système de données peut s’améliorer.
Supposons qu’un registre identifie seulement 70 % des cas pendant ses premières années puis 95 % après modernisation.
Une augmentation apparente peut alors provenir partiellement de cette amélioration.
Il faut donc connaître les changements de méthode avant d’interpréter une série historique.
La rapidité et la qualité ne vont pas toujours ensemble
Pendant une crise sanitaire, les premières données doivent souvent être publiées rapidement.
Elles peuvent être :
- partielles ;
- provisoires ;
- non consolidées ;
- révisées ultérieurement.
Les statistiques définitives arrivent plus tard, après vérification.
Il existe donc souvent un compromis entre :
avoir une information rapidement
et
avoir une information complète et stabilisée.
Une révision ultérieure ne constitue pas nécessairement la preuve d’une erreur grave. Elle peut faire partie du fonctionnement normal d’un système de surveillance en temps réel.
Tableau récapitulatif
| Source | Principal avantage | Limite fréquente |
|---|---|---|
| État civil | Bonne couverture des décès | Cause parfois difficile à attribuer |
| Hôpitaux | Données détaillées sur les cas graves | Population très sélectionnée |
| Laboratoires | Confirmation biologique | Dépend fortement de la stratégie de test |
| Registres | Suivi systématique de certaines maladies | Exhaustivité variable |
| Enquêtes | Accès aux personnes hors du système de soins | Biais de réponse et mémoire |
| Cohortes | Suivi temporel détaillé | Coût, durée, perdus de vue |
| Bases administratives | Très grandes populations | Données créées pour la gestion |
| Pharmacovigilance | Détection de signaux rares | Ne démontre pas directement la causalité |
| Objets connectés | Mesures fréquentes et détaillées | Population d’utilisateurs sélectionnée |
Aucune de ces sources n’est « la meilleure » en toutes circonstances.
La bonne source dépend de la question.
Une leçon d’esprit critique
Une statistique peut sembler extrêmement solide lorsqu’elle provient d’une « grande base de données ».
Mais une base ne vaut que par :
ce qu’elle mesure, qui elle inclut, qui elle exclut, pourquoi les données ont été collectées et avec quelle qualité.
Face à un chiffre sanitaire, il est utile de demander :
D’où viennent les données ? Qui peut apparaître dans cette base ? Qui n’y apparaît jamais ? Quelle définition est utilisée ? La méthode a-t-elle changé ? Les données sont-elles provisoires ou consolidées ?
Ces questions sont souvent plus importantes que la taille du fichier informatique.
À retenir
Les données sanitaires peuvent provenir de nombreuses sources : état civil, hôpitaux, laboratoires, registres, enquêtes, cohortes, bases administratives, systèmes de surveillance et pharmacovigilance.
Chaque source observe une partie différente de la réalité et comporte ses propres biais.
Une grande base n’est pas automatiquement une bonne base, et une source non exhaustive peut néanmoins être très utile si elle est stable et adaptée à la question.
Les meilleures conclusions reposent souvent sur la convergence de plusieurs sources indépendantes.
Comprendre un chiffre sanitaire exige donc toujours de remonter à son origine :
qui a été observé, comment, pourquoi, et qui est resté invisible ?
Pour aller plus loin
Organisation mondiale de la santé — systèmes d’information sanitaire et surveillance épidémiologique. Une référence générale pour comprendre la construction des systèmes nationaux de collecte de données.
European Centre for Disease Prevention and Control (ECDC) — ressources sur la surveillance des maladies transmissibles. Elles illustrent les différences entre déclaration, surveillance sentinelle et systèmes de laboratoire.
Leon Gordis — Epidemiology. Une introduction claire à l’utilisation des différentes sources de données dans les études épidémiologiques et à leurs limites méthodologiques.