"L’exposition professionnelle aux pesticides sous le soleil pendant les traitements augmente le risque de mélanome cutané" par GMWATCH

Résumé

OBJECTIF :
L’objectif de l’étude était d’examiner l’association entre l’exposition professionnelle aux pesticides et le mélanome cutané, avec un le contrôle de tous les facteurs de combinaisons possibles des facteurs aggravants, ou facteurs de confusion ou encore facteurs concomitants
[en anglais ‘Confounders’. Voir les détails sur les études épidémiologiques à l’annexe 1).

METHODES :
Une analyse groupée de deux études de cas-témoins [
Voir annexe 2] a été menée dans deux zones géographiques différentes (en Italie et au Brésil). Les historiques détaillés et les antécédents d’exposition aux pesticides ont été obtenus préalablement.

RÉSULTATS :
L’utilisation de tout pesticide s’est révélée associée à un risque élevé d’apparition de mélanome cutané (rapport de cotes * 2,58 ; probabilité 95% intervalle de confiance de 1,18 à 5,65) en particulier après l’exposition aux herbicides (glyphosate) et aux fongicides (mancozèbe, manèbe). L’analyse a été réalisée après contrôle et combinaison de tous les facteurs confusion. Lorsque les sujets ont été exposés à la fois à des pesticides et au soleil au pendant le travail, le risque d’apparition de mélanome cutané est encore plus élevé (odds ratio 4,68 ; 95% intervalle de confiance de 1,29 à 17,0).

[*
Voir la notion de ‘Rapport de cotes’ à l’annexe 3].

CONCLUSIONS :
L’étude suggère que le risque de mélanome cutané chez les sujets qui sont en contact avec des pesticides, et en particulier chez les personnes exposées au soleil pendant des opérations de traitements phytosanitaires.

Référence PMID : 27058477 – [PubMed - en cours] – Source : J Occup Environ Med. 2016 Apr ;58(4):370-5. doi : 10.1097/JOM.0000000000000665.

Annexe 1

Epidémiologie et facteurs de confusion (Articles en anglais puis en français)

In statistics, a confounding variable (also confounding factor, a confound, or confounder) is an extraneous variable in a statistical model that correlates (directly or inversely) with both the dependent variable and the independent variable.

A spurious relationship is a perceived relationship between an independent variable and a dependent variable that has been estimated incorrectly because the estimate fails to account for a confounding factor. The incorrect estimation suffers from omitted-variable bias.

While specific definitions may vary, in essence a confounding variable fits the following four criteria, here given in a hypothetical situation with variable of interest ’V’, confounding variable ’C’ and outcome of interest ’O’ :

• C is associated (inversely or directly) with O
• C is associated with O, independent of V
• C is associated (inversely or directly) with V
• C is not in the causal pathway of V to O (C is not a direct consequence of V, not a way by which V produces O)
  The preceding correlation-based definition, however, is metaphorical at best – a growing number of analysts agree that confounding is a causal concept, and as such, cannot be described in terms of correlations nor associations [1][2][3] (see causal definition).

Source : https://en.wikipedia.org/wiki/Confounding

Association due à un facteur de confusion (facteur concomitant)

Un cas particulier de l’association indirecte est celle qui est due à un facteur de confusion (ou facteur concomitant). Ce type d’association est particulièrement fréquent en épidémiologie. Il se produit dans les circonstances suivantes. On observe une liaison entre un facteur dont on étudie le rôle et une maladie ; par ailleurs existe un autre facteur, le facteur de confusion, lui-même lié à la fois au facteur étudié et à la maladie. La présence du facteur de confusion peut produire l’association observée initialement, même si le facteur dont on étudie le rôle et la maladie sont indépendants, selon le schéma :

img90_2

La flèche en pointillé indique une simple association statistique sans signification causale.

Un exemple historique de ce type d’association est celui de l’étude de Snow, qui a observé au XIXè siècle à Londres, une relation entre la survenue du choléra et l’altitude, les quartiers les plus bas de la ville étant les plus touchés. La qualité de l’air, meilleure dans les quartiers plus élevés, a été incriminée. Or on sait qu’en fait c’est la qualité de l’eau qui doit être mise en cause. Les quartiers les plus bas de Londres étaient simplement ceux qui recevaient également de l’eau de mauvaise qualité.

Le schéma était donc :

img91_2

Dans l’exemple que l’on vient de prendre, le facteur de confusion était associé au facteur étudié et à la maladie par une liaison de même sens : la qualité de l’eau était d’autant plus mauvaise que l’altitude était faible, et le choléra fréquent, ce qui expliquerait la relation apparente entre altitude et choléra. Si les liaisons entre facteur de confusion et maladie, d’une part, et facteur de confusion et et faveur de risque d’autre part, sont en sens inverse, une éventuelle relation véritable entre facteur de risque et maladie peut disparaître, et on conclura à tort qu’il n’y a pas de liaison entre le facteur et la maladie.

Il existe des méthodes qui permettent de prendre en compte un ou plusieurs facteurs de confusion et les neutraliser, afin de vérifier si le facteur étudié est bien lié lui-même à l’événement. Ces méthodes, que nous envisagerons plus loin, reposent sur le choix des sujets inclus dans l’enquête et sur des techniques statistiques adaptées. Encore faut-il avoir pensé à l’avance à l’existence des facteurs de confusion. Il est donc très important, pour étudier le rôle causal d’un facteur, d’être très soigneux dans le choix des variables à prendre en compte et dans l’analyse des biais susceptibles de se produire.

Source : http://www.pifo.uvsq.fr/epideao/esp/chap_3/association_due__un_facteur_de_confusion_facteur_concomitant.html

Biais et facteurs de confusion en épidémiologie des risques professionnels - 01/01/99 - [16-885-A-10]. Auteure : Danièle Luce : Chargée de recherche
Institut national de la Santé et de la Recherche médicale (Inserm) unité 88, hôpital national de Saint-Maurice, 14, rue du Val-d’Osne, 94415 Saint-Maurice cedex France

PDF Article Résumé Mots clés Références - Bienvenue sur EM-consulte, la référence des professionnels de santé. L’accès au texte intégral de cet article nécessite un abonnement ou un achat à l’unité. Acheter l’article à18.0 € EMC Démo S’abonner

{{}}

Résumé

Les biais qui peuvent affecter les études en épidémiologie des risques professionnels sont habituellement classés en trois catégories : les biais de sélection, les biais d’information ou de classement, et les biais de confusion.

Un biais de sélection est un biais lié aux procédures de recrutement des sujets de l’étude. Il y a biais de sélection lorsque la relation entre exposition et maladie est différente chez les sujets éligibles pour l’étude et chez les sujets effectivement inclus.

Un biais d’information est un biais résultant d’erreurs de classement portant sur la maladie ou sur l’exposition. Ces erreurs sont non différentielles lorsque la probabilité d’erreur est la même dans les deux groupes à comparer (ce type d’erreur amène toujours une sous-estimation de l’association exposition-maladie), sinon elles sont dites différentielles (la direction du biais n’est pas prévisible).

Un facteur de confusion est un facteur qui perturbe l’association entre l’exposition étudiée et la maladie. Une variable est un facteur de confusion si elle est liée à l’exposition étudiée et si elle est associée à la maladie chez les non-exposés. Il est possible de contrôler un facteur de confusion au niveau de la planification de l’étude et au niveau de l’analyse.

© 1999 Elsevier, Paris. Tous droits réservés. Lire tout le contenu à la source. Source : http://www.em-consulte.com/article/12100/biais-et-facteurs-de-confusion-en-epidemiologie-de

Retour au texte original

Annexe 2

Étude cas-témoins – Selon un article de Wikipédia

{{}}	Cet article est une ébauche concernant la médecine et les probabilités et la statistique. Vous pouvez partager vos connaissances en l’améliorant (comment ?) selon les recommandations des projets correspondants.

Une étude cas-témoins est une étude statistique observationnelle rétrospective utilisée en épidémiologie. Les études cas-témoins sont utilisées pour mettre en évidence des facteurs qui peuvent contribuer à l’apparition d’une maladie en comparant des sujets qui ont cette maladie (les cas) avec des sujets qui n’ont pas la maladie mais qui sont similaires par ailleurs (les témoins1)2. Les études cas-témoins posent donc la question : Y a-t-il plus de gens exposés à un facteur (par exemple plus de fumeurs) chez les cas que chez les témoins ?

Les études cas-témoins sont des études qui sont relativement peu onéreuses et faciles à mettre en place. L’un des succès les plus significatifs de l’étude cas-témoins a été de démontrer le lien entre le tabagisme et le cancer du poumon. Sir Richard Doll a été capable de montrer une association statistiquement significative entre les deux3. Les opposants ont fait valoir (à juste titre) pendant de nombreuses années que ce type d’étude seul ne peut prouver un lien de causalité, mais les résultats des études de cohorte ont confirmé ce lien de causalité. Il est maintenant admis que le tabagisme est responsable d’environ 87 % de la mortalité par cancer du poumon aux États-Unis.

Histoire

L’une des premières études connue fut publiée en 1926 par Janet Lane-Claypon dans son étude intitulée A Further Report on Cancer of the Breast with Special Reference to its Associated Antecedent Conditions. Reports on Public Health and Medical Subjects4.

Principe

L’échantillonnage est basé sur une variable de « sortie » : la maladie. L’étude ne commence que quand la maladie est déjà déclarée. On décide alors de regarder l’historique du malade. Un groupe de personnes atteintes d’une maladie (cas) est comparé à un groupe de sujets qui n’ont pas la maladie étudiée (témoins). Le but est la recherche d’un ou des facteurs d’exposition antérieurs à la maladie susceptibles de pouvoir l’expliquer. Ce type d’étude sert donc à tester une hypothèse spécifique avec une association d’un facteur de risque. S’il n’y a pas d’hypothèse, un ensemble de variables est étudié pour identifier la meilleure association « risque-maladie » (Analyse discriminante).

L’étude cas-témoins est un précieux outil d’enquête qui donne des résultats rapides à faible coût, mais ces résultats devront être confirmés par d’autres études fournissant des preuves plus solides.

Avantages

• Étude relativement rapide et ne demande pas un grand budget.
• Pratique pour les maladies ayant une grande période de latence (apparaissant longtemps après l’exposition), (une étude de cohorte nécessiterait d’avoir un suivi très long)
• Étude bien adaptée aux maladies rares (une étude de cohorte nécessiterait d’avoir un échantillon énorme)
• Permettent l’étude de plusieurs facteurs étiologiques dans une même étude
  Inconvénients

• On ne peut calculer de risque relatif, mais seulement un Odds ratio. On ne peut en théorie l’exprimer comme un Risque relatif. Cependant, quand la pathologie est rare, ces deux valeurs sont proches
• biais de sélection : il est important que les deux groupes soient comparables, les sujets doivent avoir le même profil.
• biais de confusion : les facteurs étudiés peuvent être des variables confondantes
• biais d’anamnèse ou de mémorisation : les malades ont d’avantange tendance à se rappeler l’exposition à certains facteurs que les témoins
• Ces études ne permettent pas d’évaluer l’incidence des maladies sur un groupe exposé et un autre non-exposé.
• La chronologie entre l’exposition et la maladie est difficile à établir5
  Conclusion d’une étude cas-témoins

On a réussi à démontrer (ou on n’a pas réussi à démontrer) qu’il y a plus de cas qui ont été exposé à une substance X que de témoins.

Niveau de preuve

• Le niveau de l’étude est faible. Une bonne étude cas-témoins ne démontre un résultat médical qu’avec un faible niveau de preuve de grade III6. Cependant, il a beaucoup plus de valeur que des séries de cas, des cas cliniques ou un avis d’expert non étayés par des études.
  Article complet avec Notes, références et liens à la source : https://fr.wikipedia.org/wiki/%C3%89tude_cas-t%C3%A9moins

Retour au texte original

Annexe 3

Rapport de cotes ou Odds ratio – Article Wikipédia

L’odds ratio (OR), également appelé rapport des chances, rapport des cotes1 ou risque relatif rapproché2, est une mesure statistique, souvent utilisée en épidémiologie, exprimant le degré de dépendance entre des variables aléatoires qualitatives. Il est utilisé en inférence bayésienne et en régression logistique, et permet de mesurer l’effet d’un facteur.

Il se définit comme le rapport de la cote d’un évènement arrivant à un groupe A d’individus, par exemple une maladie, avec celle du même évènement arrivant à un groupe B d’individus. Les cotes sont à entendre comme celle d’un cheval de course dans un grand prix. Un cheval à 3 contre 1 a une chance sur 4 de gagner.

L’odds ratio est proche du risque relatif lorsque le nombre d’évènements est faible. En d’autres termes, si p est petit alors p/(1-p) est à peu près égal à p.

Si la probabilité qu’un évènement arrive dans le groupe A est p, et q dans le groupe B, le rapport des cotes est :

p/(1-p) \over q/(1-q)=\frac~;p(1-q)~;~;q(1-p)~;.

L’odds ratio est toujours supérieur ou égal à zéro.

Si l’odds ratio est :

• proche de 1, la maladie est indépendante du groupe ;
• supérieur à 1, la maladie est plus fréquente dans le groupe A que dans le groupe B ;
• bien supérieur à 1, la maladie est beaucoup plus fréquente dans le groupe A que dans le groupe B ;
• inférieur à 1, la maladie est moins fréquente dans le groupe A que dans le groupe B ;
• proche de zéro, la maladie est beaucoup moins fréquente dans le groupe A que dans le groupe B.

Considérant l’exemple factice suivant : dans un échantillon de 100 individus de sexe masculin ayant bu au moins un verre de vin la semaine en cours, 90 en ont bu également la semaine précédente, tandis que dans un échantillon de 100 individus de sexe féminin dans le même cas, 20 en ont bu également la semaine précédente. L’odds ratio correspondant est de 36 :

0.9/0.1 \over 0.2/0.8=\frac~;0.9\times 0.8~;~;0.1\times 0.2~; =0.72 \over 0.02 = 36

Un odds ratio de 36 signifie que la pratique alcoolique hebdomadaire serait bien plus fréquente chez les 100 individus de sexe masculin que chez les 100 individus de sexe féminin.

On utilise souvent le logarithme de l’odds ratio.

Notes et références

• ↑ Bernard, P.-M. et Lapointe, C. (1995) Mesures statistiques en épidémiologie. Presses de l’Université du Québec, Sainte-Foy, p. 89.
• ↑ Jammal, A., Loslier, G., Allard, R. (1988) Dictionnaire d’épidémiologie. Edisem/Maloine, St-Hyacinthe/Paris, p. 124-125
  Voir aussi

• Inférence bayésienne
• Régression logistique
• Risque relatif
• Épidémiologie
  Source de l’article Wikipédia : https://fr.wikipedia.org/wiki/Odds_ratio

Retour au texte original

Retour au début de l’article original de GMWATCH

Traduction, compléments entre […] et annexes sur les facteurs de confusion, les études cas-témoins et le rapport de cotes, ainsi que l’intégration de liens hypertextes  : Jacques HALLARD, Ingénieur CNAM, consultant indépendant – 13/04/2016 - Site ISIAS = Introduire les Sciences et les Intégrer dans des Alternatives Sociétales http://www.isias.lautre.net/

Adresse : 585 Chemin du Malpas 13940 Mollégès France

Courriel : jacques.hallard921@orange.fr

Fichier : ISIAS GMWATCH Pesticides Santé Occupational Exposure to Pesticides With Occupational Sun Exposure Increases the Risk for Cutaneous Melanoma French version.2

Mis en ligne par Pascal Paquin de Yonne Lautre, un site d’information, associatif et solidaire(Vie du site & Liens), un site inter-associatif, coopératif, gratuit, sans publicité, indépendant de tout parti,

— -

Haut du formulaire

Bas du formulaire