Université de Strasbourg Master Statistiques et Applications

Nicolas Jung

Description

Niveau: Supérieur, Master, Bac+4
Université de Strasbourg Master Statistiques et Applications Rapport de Stage de M1 Surveillance sanitaire à partir de données des services d'urgence : modélisation de séries temporelles et analyse automatique Auteur : Nicolas Jung Tuteur : Franck Golliot Période du stage : Juin-Août 2010 du m as -0 05 16 26 8, v er sio n 1 - 9 S ep 2 01 0

• modélisation de séries temporelles


• cire du languedoc roussillon


• algo- rithmes de surveillance


• autorité du coordonnateur de la cire


• surveillance sanitaire

Informations

• Publié par: dumas_ccsd
• Publié le: 01 août 2010
• Nombre de lectures: 71
• Langue: Français
• Poids de l'ouvrage: 1 Mo

Extrait

Université de Strasbourg
Master Statistiques et Applications
Rapport de Stage de M1
Surveillance sanitaire à partir de données
des services d’urgence : modélisation de
séries temporelles et analyse automatique
Auteur : Tuteur :
NicolasJung Franck Golliot
Période du stage : Juin-Août 2010
dumas-00516268, version 1 - 9 Sep 2010ii
dumas-00516268, version 1 - 9 Sep 2010Remerciements
Je souhaiterai tout d’abord remercier Mr. Franck GOLLIOT pour m’avoir ac-
cueilli au sein de la Cire Languedoc-Roussilon. Je tiens également à le remercier
pour sa disponibilité et pour son appui constant lors de ce stage.
Je tiens également à remercier tous les agents de la Cire avec lesquels j’ai pu
travailler pour leurs conseils et leur soutien. Je les remercie également de m’avoir
fait profiter de leur expérience professionnelle.
iii
dumas-00516268, version 1 - 9 Sep 2010iv REMERCIEMENTS
dumas-00516268, version 1 - 9 Sep 2010Préambule
Ce stage a eu lieu à la Cire du Languedoc Roussillon à l’adresse suivante :
CIRE
28, Parc Club du Millénaire
1025, Rue Henri Becquerel - CS 30001
34067 MONTPELLIER CEDEX 2
Ce stage a été effectué sous l’autorité du coordonnateur de la Cire, Mr. Franck
GOLLIOT de juin à août 2010.
ALe présent document a été entièrement rédigé en LT X.E
Tous les calculs ont été réalisés grâce au logiciel R. Les principaux packages
utilisés sont : «epitools» pour la gestion des dates, «surveillance» pour les algo-
rithmes de surveillance, et «Tcl/Tk» pour créer des programmes interactifs. Le
code source R a été placé en annexe.
Pour toute question a propos de ce rapport, veuillez envoyer un courriel à
l’adresse suivante :
[e-mail]
v
dumas-00516268, version 1 - 9 Sep 2010vi PRÉAMBULE
dumas-00516268, version 1 - 9 Sep 2010Synthèse
Avant la canicule de 2003, la surveillance sanitaire en France était essentiel-
lement portée sur des pathologies connues (maladies à déclaration obligatoire,
grippe, gastro-entérites...). Mais au vue des conséquences sanitaires importantes
de la vague de chaleur de l’été 2003, l’objectif d’une surveillance sanitaire plus
générale s’est imposé. A la surveillance spécifique qui était en place est venue
s’ajouter une surveillance dite « non-spécifique» dont le but est de détecter tout
événement sanitaire inhabituel, afin d’en prévenir suffisamment tôt les effets.
Le nombre important de données à analyser quotidiennement et leur grande
diversité nécessitent de disposer de méthodes statistiques permettant en routine
de déclencher une alarme lorsque la valeur d’un indicateur s’écarte de son niveau
habituel.
Les objectifs de ce stage s’inscrivent dans cette perspective : comparer et éva-
luer les performances de trois méthodes statistiques pour la surveillance continue
de données d’activité hospitalière (Cartes de contrôle cusum décrites par Hutwag-
ner, Algorithme de Farrington, méthode Arima), et mettre en place un système
de surveillance non-spécifique qui s’appuie sur les méthodes les plus performantes.
En complément de ce travail, un système de surveillance spécifique basé sur la
méthode de régression de Serfling a également été proposé pour l’analyse de séries
temporelles de cas de Bronchiolite et de gastroentérites afin de renforcer le dispo-
sitif existant.
La comparaison a été effectuée au moyen de séries semi-artificielles issues de
données des urgences. Plusieurs indicateurs, dont la sensibilité et la spécificité ont
été calculés.
Les résultats de la phase de test montrent une prédominance des méthodes
à historique long (Farrington et Arima). Néanmoins, compte tenu de la grande
diversité des séries à analyser et des objectifs de surveillance, il semble intéressant
d’effectuer la surveillance non-spécifique au moyen de plusieurs méthodes.
vii
dumas-00516268, version 1 - 9 Sep 2010viii SYNTHÈSE
Abstract
Before the 2003 heat wave, French public health surveillance systems were
mainly focused on known diseases (notifiable diseases, influenza, gastroenteritis
...). Considering the important health consequences of this heat wave, the ob-
jective of health surveillance systems has become more general. A non-specific
surveillance system has been developed to prevent unexpected health events. The
goal is to detect any unusual sanitary event, in order to prevent its effects.
The diversity and the large number of count data analysed daily in such system
need to implement statistical methods routinely in order to trigger an alarm when
the value of the observed count data deviates from its usual level.
The objectives of this training course were to compare and evaluate the perfor-
mance of three statistical methods for continuous monitoring of hospital activity
data (Hutwagner’s cusum control charts, Farrington’s Algorithm, Arima method),
and to establish a non-specific monitoring system based on the most efficient me-
thods. A specific surveillance system based on the Serfling’s regression method was
also proposed for strengthen the existing control system.
This comparison was made with semi-artificial time series of hospital activity
count data. Several indicators, including sensitivity and specificity were calculated.
Thestudyresultshaveshowedapredominanceofmethodsusinglargehistorical
data (Farrington and Arima). However, given the wide variety of time series and
surveillance objectives, it seems useful to analyse data using several methods.
dumas-00516268, version 1 - 9 Sep 2010Table des matières
Remerciements iii
Préambule v
Synthèse vii
1 Contexte et objectifs 1
1.1 La surveillance sanitaire à partir de données d’activité d’urgences :
surveiller pour alerter . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Le système de surveillance mis en place en Languedoc-Roussillon . . 2
1.3 Objectifs du stage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Matériel et méthodes 5
2.1 Analyse des données . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.1 Données pour l’analyse syndromique ou non-spécifique : SRVA 5
2.1.2es pour l’analyse spécifique : Oscour . . . . . . . . . . 6
2.1.3 Amélioration de la qualité des données . . . . . . . . . . . . 6
2.2 Méthodes Statistiques Utilisées . . . . . . . . . . . . . . . . . . . . 7
2.2.1 Une analyse des séries chronologiques : Arima . . . . . . . . 7
2.2.2 L’algorithme de Farrington . . . . . . . . . . . . . . . . . . . 8
2.2.3 Cartes de contrôle : la méthode CUSUM . . . . . . . . . . . 10
2.2.4 Une méthode pour l’analyse spécifique : Serfling . . . . . . . 13
2.3 Comparaison des méthodes . . . . . . . . . . . . . . . . . . . . . . . 15
2.3.1 Constitution de séries semi-artificielles . . . . . . . . . . . . 15
2.3.2 Procédure d’analyse de résultats . . . . . . . . . . . . . . . . 17
3 Résultats 19
3.1 Description des données . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2 Phase de test et adaptation des méthodes . . . . . . . . . . . . . . 23
3.2.1 Mise en œuvre des différentes méthodes . . . . . . . . . . . . 23
3.2.2 Les séries semi-artificielles . . . . . . . . . . . . . . . . . . . 28
3.3 Résultats de la phase de test . . . . . . . . . . . . . . . . . . . . . . 29
3.3.1 Interprétation graphique . . . . . . . . . . . . . . . . . . . . 29
3.3.2 Analyse de la variance . . . . . . . . . . . . . . . . . . . . . 31
ix
dumas-00516268, version 1 - 9 Sep 2010x TABLE DES MATIÈRES
4 Automatisation 37
4.1 Système de surveillance syndromique . . . . . . . . . . . . . . . . . 37
4.2 de surv spécifique . . . . . . . . . . . . . . . . . . . 44
5 Discussions 49
5.1 Rappel des résultats . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.2 Comparaison avec les études déjà publiées . . . . . . . . . . . . . . 50
5.3 Limites de notre étude de simulation et des méthodes statistiques
utilisées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.4 Avantages et limites du modèle de Serfling . . . . . . . . . . . . . . 53
5.5 Automatisation : apports et limites . . . . . . . . . . . . . . . . . . 54
6 Conclusion 57
A Données et analyses 59
A.1 Données Oscour . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
A.2 Srva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
A.3 Analyse de la variance . . . . . . . . . . . . . . . . . . . . . . . . . 60
B Résultats des tests 63
B.1 Tableaux de résultat . . . . . . . . . . . . . . . . . . . . . . . . . . 63
B.2 Graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
B.3 Analyse de variance . . . . . . . . . . . . . . . . . . . .