Approches hiérarchiques bayésiennes pour l'estimation d'un risque sanitaire induit par l'exposome professionnel (co-expositions radiologiques à faibles doses sujettes à des erreurs de mesure) : Application à la cohorte française des mineurs d'uranium

Hierarchical bayesian approaches to estimate a health risk induced by the occupational exposome (low-dose radiological co-exposures subject to measurement errors) : Application to the French cohort of uranium miners

• Auteur / Autrice : Julie Fendler
• Direction : Chantal Guihenneuc-Jouyaux, Sophie Ancelet
• Type : Thèse de doctorat
• Discipline(s) : Biostatistiques et data sciences
• Date : Soutenance le 13/11/2024
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Santé Publique (Le Kremlin-Bicêtre, Val-de-Marne ; 2015-...)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'épidémiologie des rayonnements ionisants (IRSN) (Fontenay-aux-Roses ; 2017-2024)
• Partenaire(s) de recherche : Référent : Université Paris-Saclay. Faculté de médecine (Le Kremlin-Bicêtre, Val-de-Marne ; 2020-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Santé publique (2020-….)
• Jury : Président / Présidente : Virginie Rondeau
• Jury : Examinateurs / Examinatrices : Marc Chadeau-Hyam, Pierre Druilhet, Marie Simon-Cornu, Charline Warembourg
• Jury : Rapporteurs / Rapporteuses : Marc Chadeau-Hyam, Pierre Druilhet

Mots clés

Mots clés contrôlés

Exposition aux rayonnements

Statistique bayésienne

Mineurs d'uranium

Épidémiologie

Risques professionnels

Rayonnements ionisants

Co-exposition

Exposome

Mots clés libres

Exposome

Co-Expositions radiologiquess

Erreurs de mesure

Statistique bayésienne

Modélisation hiérarchique

Épidémiologie des rayonnements ionisants

Exposome

Radiological co-Exposures

Measurement errors

Bayesian statistics

Hierarchical modeling

Radiation epidemiology

Résumé

La population des mineurs d'uranium est une population de référence pour étudier l'effet sanitaire d'une exposition chronique à différentes sources de rayonnements ionisants (RI) : le radon, les rayonnements gamma et les poussières d'uranium. Cependant lors de ces études deux problèmes statistiques se posent : 1) les expositions des mineurs sont mesurées à une erreur près ; 2) les expositions aux trois sources de RIs sont fortement corrélées entre elles. En épidémiologie des RIs, les erreurs de mesure sur les expositions sont souvent ignorées et les risques sanitaires sont estimés source par source, ignorant les effets synergiques ou antagonistes des expositions simultanées. Ce travail, se découpant en deux parties, vise à promouvoir l'utilisation de modèles hiérarchiques bayésiens, permettant de répondre aux deux problèmes posés précédemment. L'ensemble des méthodes statistiques proposées est appliqué lors de l'estimation d'un risque sanitaire à partir de données de survie dans la cohorte française des mineurs d'uranium.Un modèle est proposé permettant d'estimer un risque sanitaire associé à une exposition chronique au radon en considérant des erreurs de mesure complexes sur ces expositions au radon. En effet, les erreurs de mesure considérées dépendent du lieu de travail du mineur ainsi que de ses habitudes de travail qui changent peu au cours du temps. Ces erreurs sont donc corrélées spatialement et temporellement. De plus, elles sont hétéroscédastiques : leurs variances décroissent au cours du temps en même temps que les méthodes d'évaluation des expositions au radon se perfectionnent. Les modèles proposés sont utilisés afin de considérer les erreurs de mesure sur les expositions au radon lors de l'estimation du risque de décès par cancer du poumon, cancer du rein, cancer du cerveau et du système nerveux central et leucémie. La correction des erreurs de mesure et l'estimation du risque sanitaire sont faites simultanément afin que l'estimation du coefficient de risque tienne compte de l'incertitude sur les expositions. Un algorithme MCMC est implémenté en Python 3.8 afin de mener l'inférence du modèle dans un cadre bayésien. Une étude par simulations est ensuite menée afin d'estimer l'impact d'une mauvaise spécification du modèle sur les estimations de risques.La prise en compte simultanée des trois expositions aux RIs est réalisée à l'aide des modèles de mélange de régressions sur profil d'expositions (PRM). Ces modèles permettent de créer des groupes de mineurs ayant un profil d'expositions similaire et un risque sanitaire similaire. Comme précédemment, l'inférence des groupes et l'estimation du risque sanitaire sont effectuées simultanément afin que l'incertitude sur le regroupement soit prise en compte dans l'estimation du risque. Le nombre de groupes dans le modèle est infini mais seulement un nombre fini de groupes sont non vides. Cette particularité, impliquant que le nombre de paramètre du modèle soit infini, introduit une difficulté dans l'inférence du modèle. De plus, les sorties de l'algorithme d'inférence ne sont pas interprétables directement : un travail de post-traitement doit être effectué afin de former les différents groupes d'individus. Tandis que le choix du post-traitement utilisé a un impact sur le regroupement des individus, les recommandations quant à celui-ci sont quasi inexistantes dans la littérature. Ce travail propose une implémentation en Python d'un algorithme MCMC peu coûteux en temps permettant d'inférer les modèles PRM. Cet algorithme est utilisé afin d'estimer le risque de décès par cancer du poumon dans la cohorte française des mineurs d'uranium associé à des expositions simultanées au radon, aux rayonnements gamma et aux poussières d'uranium. Enfin une étude par simulations est menée afin de comparer les différentes procédures de post-traitement et émettre des recommandations quant à l'utilisation de ces dernières.

The population of uranium miners is a reference population for studying the health effects of chronic exposure to various sources of ionising radiation (IR): radon, gamma rays and uranium dust. However, two statistical problems arise in these studies: 1) the miners' exposures measures are error-prone; 2) the exposures to the three sources of IR are highly correlated. In radiation epidemiology, measurement errors in exposures are often ignored and health risks are estimated source by source, ignoring the synergistic or antagonistic effects of simultaneous exposures. The aim of this work, which is divided into two parts, is to promote the use of hierarchical Bayesian models to address the two problems raised above. All the statistical methods proposed in this work are applied to estimate a health risk from survival data in the French cohort of uranium miners.A model is proposed for estimating a health risk while considering complex measurement errors on radon exposures. These measurement errors depend on the miner's workplace and its work habits which change little over time. These errors are therefore spatially and temporally correlated. They are also heteroscedastic: their variances decrease over time as methods for assessing radon exposure improve. The proposed models are used account for measurement errors in radon exposure when estimating the risk of death by lung cancer, kidney cancer, brain and central nervous system cancer and leukaemia. The correction of the measurement errors and the estimation of the health risk are carried out simultaneously so that the estimation of the risk coefficient account for the uncertainty in the exposures. An MCMC algorithm was implemented in Python 3.8 to infer the model within a Bayesian framework. A simulations study is then carried out to estimate the impact of model misspecification on risk estimates.The three exposures to IRs are considered simultaneously when assessing a health risk by using profil regressions mixture (PRM) models. These models are used to create groups of miners with similar exposure profiles and similar health risks. As before, the inference of groups and the estimation of health risk are carried out simultaneously so that the uncertainty in the grouping is accounted in the estimation of risk. The number of groups in the model is infinite, but only a finite number of groups are non-empty. This assumption, which implies that the number of model parameters is infinite, introduces a difficulty in inferring the model. In addition, the output of the inference algorithm cannot be interpreted directly: post-processing must be carried out in order to form the different groups of individuals. While the choice of post-processing used has an impact on the grouping of individuals, there are only few guidelines on this in the scientific literature. This work proposes a Python implementation of a time-efficient MCMC algorithm for inferring PRM models. This algorithm is used to estimate the risk of death from lung cancer in the French cohort of uranium miners associated with simultaneous exposure to radon, gamma rays and uranium dust. Finally, a simulation study is carried out to compare different post-treatment procedures and provide guidelines on their use.