Surmortalité et mortalité attendue

La surmortalité correspond au nombre de décès observés au-delà de ce qui aurait été attendu dans une population pendant une période donnée. Elle est particulièrement utilisée pour évaluer l’impact global d’une épidémie, d’une canicule, d’une catastrophe ou d’une autre crise sanitaire.

Son principe paraît simple :

Surmortalité = décès observés − décès attendus

La difficulté essentielle se trouve pourtant dans le second terme. Les décès observés sont comptés. Les décès attendus doivent, eux, être estimés.

La surmortalité repose donc sur une question fondamentalement contrefactuelle : combien de personnes seraient probablement mortes si l’événement étudié n’avait pas eu lieu ?

Les décès observés

Les décès observés correspondent aux décès réellement enregistrés pendant une période.

Supposons qu’un pays enregistre :

12 000 décès au mois de janvier.

Ce nombre est réel, sous réserve de la qualité et de l’exhaustivité du système d’enregistrement.

Mais il ne permet pas encore de savoir si janvier a été inhabituellement meurtrier.

Il faut disposer d’un point de comparaison.

La mortalité attendue

La mortalité attendue représente le nombre de décès que l’on aurait probablement observé dans des conditions considérées comme normales ou en l’absence de l’événement étudié.

Si l’on estime que 10 000 décès auraient normalement été attendus et qu’on en observe 12 000, la surmortalité est :

12 000 − 10 000 = 2 000 décès supplémentaires.

On peut également exprimer cet excès relativement au niveau attendu :

2 000 / 10 000 = 20 %

soit une surmortalité de 20 % par rapport au niveau attendu.

Un calcul simple, une estimation complexe

La soustraction elle-même est élémentaire.

Le problème est de déterminer correctement les 10 000 décès attendus.

On pourrait prendre la mortalité de l’année précédente, mais cette méthode serait fragile.

Une seule année peut avoir connu :

  • une épidémie importante ;
  • une canicule ;
  • un hiver exceptionnellement doux ;
  • une fluctuation aléatoire.

On préfère généralement utiliser plusieurs années et des modèles tenant compte des principales tendances de la mortalité.

La mortalité varie naturellement

Même en l’absence de crise particulière, le nombre de décès n’est jamais exactement identique chaque semaine ou chaque année.

Il dépend notamment :

  • de la saison ;
  • de la température ;
  • des infections saisonnières ;
  • de la taille de la population ;
  • de son âge ;
  • des tendances sanitaires de long terme ;
  • du hasard.

Une estimation correcte de la mortalité attendue doit donc distinguer les fluctuations ordinaires d’un véritable excès inhabituel.

La saisonnalité

La mortalité suit souvent un cycle saisonnier.

Dans de nombreux pays européens, elle est généralement plus élevée en hiver qu’en été, notamment en raison des infections respiratoires, du froid et de la fragilité accrue de certaines populations.

Comparer directement :

janvier 2026 à juillet 2025

aurait donc peu de sens.

Il faut comparer janvier à ce que l’on attend habituellement pour un mois de janvier.

Les modèles de mortalité attendue intègrent généralement cette saisonnalité.

La tendance à long terme

La mortalité évolue également au fil des années.

Deux forces peuvent notamment agir dans des directions opposées :

  • l’amélioration de la santé et des soins peut réduire le risque de décès à âge donné ;
  • le vieillissement de la population peut augmenter le nombre total de décès.

Une simple moyenne des années anciennes peut donc devenir progressivement inadaptée.

Les modèles doivent idéalement tenir compte de cette tendance temporelle.

Vieillissement et croissance démographique

Supposons qu’un pays ait connu 600 000 décès annuels dix ans auparavant et 650 000 aujourd’hui.

Cela ne signifie pas nécessairement que la santé de la population s’est dégradée.

La population peut être devenue :

  • plus nombreuse ;
  • plus âgée ;
  • composée d’un plus grand nombre de personnes appartenant aux âges où la mortalité est naturellement élevée.

Pour estimer la mortalité attendue aujourd’hui, il faut donc autant que possible tenir compte de la structure démographique actuelle.

Exemple pédagogique

Supposons qu’une population présente normalement les décès suivants :

PériodeDécès attendusDécès observésÉcart
Janvier10 00010 300+300
Février9 00011 000+2 000
Mars8 50010 000+1 500
Avril8 0007 900−100

L’excès total sur quatre mois est :

300 + 2 000 + 1 500 − 100 = 3 700 décès.

La sous-mortalité d’avril compense donc légèrement une partie de l’excès précédent.

Cette manière d’étudier une période entière permet d’éviter de tirer une conclusion uniquement à partir du pic maximal.

Surmortalité absolue et relative

La surmortalité peut être exprimée en nombre absolu :

2 000 décès supplémentaires.

Elle peut également être exprimée en pourcentage :

20 % de décès supplémentaires par rapport au niveau attendu.

Ces mesures répondent à des questions différentes.

Un petit pays peut présenter une très forte surmortalité relative mais peu de décès supplémentaires en valeur absolue.

Un grand pays peut présenter une augmentation relative plus faible mais un nombre beaucoup plus important de décès supplémentaires.

Pour comparer l’impact collectif et l’intensité du phénomène, il est souvent utile de présenter les deux mesures.

Taux de surmortalité

On peut aussi rapporter l’excès de décès à la population.

Supposons :

5 000 décès supplémentaires dans une population de 10 millions d’habitants.

Cela correspond à :

50 décès supplémentaires pour 100 000 habitants.

Cette mesure facilite les comparaisons entre populations de tailles différentes.

Mais, là encore, la structure d’âge doit être prise en compte lorsque les populations diffèrent fortement.

Intervalle attendu plutôt que valeur unique

La mortalité attendue n’est pas connue avec certitude.

Un modèle peut par exemple estimer qu’une semaine donnée aurait normalement connu environ :

10 000 décès, avec une plage de variation plausible autour de cette valeur.

Observer 10 050 décès ne constitue alors probablement pas un signal particulièrement remarquable.

Observer 14 000 décès l’est beaucoup plus.

Les systèmes de surveillance utilisent donc souvent un intervalle ou seuil statistique plutôt qu’une simple comparaison avec une ligne centrale.

Surmortalité statistique et causalité

Supposons qu’une forte surmortalité apparaisse pendant une vague épidémique.

La concordance temporelle constitue un élément important en faveur d’un lien.

Mais elle ne signifie pas nécessairement que chaque décès excédentaire a été directement provoqué par l’infection.

Plusieurs mécanismes peuvent contribuer :

  • décès directement causés par l’infection ;
  • aggravation de maladies préexistantes ;
  • saturation des services de soins ;
  • retards diagnostiques ;
  • perturbations sociales ;
  • effets d’autres infections ;
  • changements comportementaux.

La surmortalité mesure un effet global net.

Son attribution détaillée nécessite d’autres données.

Surmortalité directe et indirecte

Lors d’une crise sanitaire, il est donc utile de distinguer deux formes d’impact.

L’impact direct correspond aux décès provoqués directement par le phénomène étudié.

L’impact indirect correspond aux décès résultant des conséquences de la crise sur le reste du système.

Lors d’une pandémie, par exemple, les effets indirects peuvent inclure :

  • retard de consultations ;
  • déprogrammation d’interventions ;
  • difficultés d’accès aux soins ;
  • saturation hospitalière.

Mais certaines conséquences indirectes peuvent aussi réduire certains décès, par exemple une baisse de la circulation routière ou d’autres infections.

La surmortalité représente le résultat net de l’ensemble de ces effets.

Surmortalité et décès officiellement attribués

Comparer la surmortalité aux décès officiellement attribués à une maladie peut fournir des informations intéressantes.

Supposons :

  • 10 000 décès officiellement attribués à une infection ;
  • 15 000 décès supplémentaires toutes causes.

Plusieurs hypothèses sont possibles :

  • certains décès causés par l’infection n’ont pas été diagnostiqués ;
  • la crise a produit des décès indirects ;
  • d’autres phénomènes ont contribué simultanément.

À l’inverse, si les décès attribués à la maladie sont supérieurs à la surmortalité nette, cela ne signifie pas nécessairement qu’ils ont été faussement comptés.

D’autres causes de décès ont pu diminuer pendant la même période.

Pourquoi les deux chiffres ne devraient pas être identiques

Une erreur fréquente consiste à supposer que :

décès attribués à une maladie = surmortalité.

Il n’y a aucune raison pour que ces valeurs soient parfaitement égales.

La surmortalité mesure :

tous les changements nets de mortalité.

Les décès attribués à une maladie mesurent :

les décès classés comme causés ou provoqués par cette maladie selon certaines règles.

Ces deux indicateurs ne mesurent pas exactement le même objet.

La sous-mortalité

Lorsque moins de décès surviennent que prévu, on parle de sous-mortalité.

Supposons que 10 000 décès soient attendus et que 9 000 soient observés.

L’écart est :

−1 000 décès.

Cette situation peut résulter de nombreux facteurs : hiver doux, faible circulation grippale, réduction de certains accidents ou déplacement de mortalité après une période de forte surmortalité.

Une sous-mortalité mérite donc elle aussi une interprétation.

Déplacement de mortalité

Après un épisode qui touche particulièrement des personnes très fragiles, une partie de la surmortalité peut être suivie d’une période de sous-mortalité.

Imaginons qu’une vague de chaleur avance de quelques semaines le décès de plusieurs personnes dont l’état de santé était déjà extrêmement précaire.

Ces décès apparaissent comme une surmortalité pendant la canicule.

Les semaines suivantes, certaines personnes qui auraient statistiquement contribué aux décès habituels ne sont plus présentes dans la population.

On peut alors observer une mortalité inférieure au niveau attendu.

Ce phénomène ne permet pas de conclure que les décès initiaux étaient sans importance. Il aide à comprendre combien d’années ou de mois de vie ont potentiellement été perdus, question différente du simple nombre de décès.

Le choix de la fenêtre temporelle

La période étudiée influence fortement le résultat.

Supposons :

  • +2 000 décès pendant deux semaines ;
  • −800 au cours des deux mois suivants.

La surmortalité est très différente selon que l’on étudie uniquement les deux semaines de crise ou l’ensemble des trois mois.

Il faut donc choisir la fenêtre temporelle en fonction de la question.

Étudier uniquement la période qui maximise un effet constitue une forme possible de cherry-picking.

Comparaison avec une moyenne historique

Une méthode simple consiste à prendre la moyenne des cinq années précédentes.

Elle est facile à comprendre, mais possède plusieurs limites.

La population peut avoir augmenté ou vieilli.

Une ou plusieurs années de référence peuvent avoir été exceptionnelles.

Une tendance de fond peut exister.

Pour des analyses rigoureuses, des modèles statistiques plus élaborés sont donc généralement préférables.

Quelles années utiliser comme référence ?

Le choix de la période de référence peut avoir un effet important.

Inclure une année exceptionnellement meurtrière augmente le niveau attendu et réduit mécaniquement la surmortalité calculée ensuite.

À l’inverse, choisir uniquement des années exceptionnellement favorables peut l’augmenter.

Le choix de la référence doit donc être justifié avant de regarder le résultat autant que possible, ou au minimum faire l’objet d’analyses de sensibilité.

Plusieurs méthodes peuvent donner des résultats différents

Deux institutions peuvent publier des estimations légèrement différentes de la surmortalité sans qu’aucune ne soit nécessairement fautive.

Elles peuvent utiliser :

  • des périodes de référence différentes ;
  • des modèles de tendance différents ;
  • une correction démographique différente ;
  • des standards d’âge différents ;
  • des méthodes statistiques différentes.

Une estimation de surmortalité n’est donc pas une mesure aussi directe que le comptage des décès observés.

Elle dépend d’un modèle du nombre de décès qui n’ont justement pas été observés.

La surmortalité pendant le Covid

La pandémie de Covid-19 a illustré l’intérêt de cet indicateur.

Dans les périodes et territoires fortement touchés, des excès importants de mortalité toutes causes ont été observés. Cela constituait une indication indépendante des seules statistiques de décès certifiés Covid et permettait notamment de mieux appréhender l’impact de la pandémie lorsque le dépistage était incomplet.

Mais l’analyse de la surmortalité ne permet pas automatiquement d’attribuer tous les décès excédentaires à l’infection elle-même.

Pour distinguer effets directs et indirects, il faut combiner cet indicateur avec les causes de décès, les hospitalisations, les données épidémiques, les structures d’âge et d’autres informations.

Et après une pandémie ?

Une surmortalité persistante après la phase aiguë d’une crise peut soulever des questions légitimes.

Mais plusieurs explications doivent être étudiées avant d’en retenir une :

  • effets retardés des infections ;
  • vieillissement démographique ;
  • retard de soins ;
  • maladies cardiovasculaires ;
  • autres infections ;
  • effets socio-économiques ;
  • modifications des comportements ;
  • interventions médicales ;
  • erreurs dans le modèle de mortalité attendue.

Choisir une explication unique simplement parce qu’elle correspond à ses convictions constitue précisément le type de raisonnement que l’épidémiologie cherche à éviter.

Comparer des groupes d’âge

La surmortalité globale peut masquer des situations très différentes selon l’âge.

Un excès de 10 % chez les personnes très âgées peut correspondre à un nombre important de décès.

Un excès de 10 % chez les jeunes adultes peut concerner beaucoup moins de décès absolus, mais constituer un signal inhabituel important compte tenu de leur mortalité de base très faible.

Il est donc souvent utile d’étudier simultanément :

les nombres absolus, les pourcentages d’excès et les taux par âge.

Comparer des pays

Les comparaisons internationales reposant sur la surmortalité sont souvent plus instructives que celles fondées uniquement sur les décès officiellement attribués à une maladie, car les règles de classification peuvent différer.

Mais elles restent sensibles :

  • aux structures démographiques ;
  • aux périodes épidémiques ;
  • aux données historiques disponibles ;
  • à la qualité de l’état civil ;
  • aux modèles d’attente.

Il faut donc éviter de transformer un classement en preuve simple de la supériorité ou de l’échec d’une politique particulière.

Surmortalité et efficacité d’une intervention

Supposons qu’une intervention soit mise en place et que la surmortalité diminue ensuite.

Cette observation est compatible avec un effet bénéfique.

Mais elle ne suffit pas à le démontrer.

La vague épidémique pouvait déjà décliner. La saison pouvait changer. D’autres mesures pouvaient intervenir simultanément. La population pouvait modifier spontanément son comportement.

Pour mesurer l’efficacité de l’intervention, il faut construire un contrefactuel plus spécifique que la simple mortalité attendue.

La surmortalité peut fournir un résultat important, mais l’inférence causale nécessite une comparaison adaptée.

La notion de contrefactuel

La surmortalité permet d’introduire une idée centrale de l’épidémiologie moderne.

Pour connaître l’effet d’un phénomène, on aimerait comparer :

ce qui s’est produit avec ce phénomène

à

ce qui se serait produit au même endroit, au même moment, dans la même population, mais sans lui.

La seconde situation est impossible à observer.

Il faut donc l’estimer.

Ce problème du contrefactuel inaccessible se retrouve dans presque toutes les questions causales : effet d’un médicament, d’une exposition, d’un confinement, d’une vaccination ou d’une politique de santé.

Une leçon d’esprit critique

Une courbe montrant davantage de décès que d’habitude peut établir assez solidement qu’un phénomène inhabituel s’est produit.

Elle ne permet pas automatiquement de décider pourquoi.

Inversement, discuter la méthode utilisée pour calculer la mortalité attendue est légitime : toute estimation de surmortalité dépend de choix méthodologiques.

Mais cette incertitude ne signifie pas que toutes les interprétations se valent.

Une bonne analyse examine :

la robustesse du signal selon plusieurs méthodes, sa chronologie, les groupes concernés, les causes de décès et les autres données disponibles.

L’incertitude doit être quantifiée et étudiée, pas utilisée pour conclure que l’on ne peut rien savoir.

À retenir

La surmortalité correspond à la différence entre les décès réellement observés et ceux qui auraient été attendus en l’absence d’un événement exceptionnel.

Les décès observés peuvent être comptés directement. Les décès attendus doivent être estimés à partir de données historiques, de la saisonnalité, des tendances démographiques et de modèles statistiques.

La surmortalité constitue donc une mesure particulièrement utile de l’impact global d’une crise, mais elle dépend d’un contrefactuel estimé.

Elle ne permet pas, à elle seule, d’attribuer précisément les décès supplémentaires à une cause unique.

Pour l’interpréter correctement, il faut examiner le modèle de référence, l’âge de la population, la période choisie, les effets directs et indirects, les éventuelles sous-mortalités ultérieures et l’ensemble des autres données disponibles.

La question centrale devient ainsi :

« Par rapport à quel monde sans l’événement sommes-nous en train de comparer ce qui s’est réellement produit ? »

Pour aller plus loin

EuroMOMO — European Mortality Monitoring. Un système européen permettant de suivre la mortalité observée par rapport aux niveaux attendus et d’identifier des périodes d’excès de mortalité.

Organisation mondiale de la santé — travaux sur l’excès de mortalité. Des ressources importantes pour comprendre les méthodes d’estimation de la mortalité attendue et l’utilisation de la surmortalité lors des crises sanitaires.

David Spiegelhalter — travaux sur la mortalité, le risque et l’incertitude. Particulièrement utiles pour comprendre la construction des comparaisons et les limites des interprétations causales à partir de données agrégées.