La Note mauve • numéro 37 • mars 2012

Points clés • L’application des systèmes d’information géographique (SIG) à la santé publique est très prometteuse, car elle pourrait améliorer notre compréhension de l’écologie et des causes de problèmes de santé complexes et orienter la conception et l’évaluation de programmes et stratégies efficaces s’adressant à l’ensemble de la population.

La Note mauve Systèmes d’information géographique et santé publique : avantages et difficultés Chris Green, PhD1, 2

• Les SIG permettent de créer, à partir d’une énorme quantité de données tabulaires, de fascinantes cartes visuelles qui peuvent donner des renseignements très utiles et focaliser l’attention des décideurs et du public.

1

Département des sciences de santé communautaire, Faculté de médecine, Université du Manitoba, Winnipeg (Manitoba); 2 Bureau du vétérinaire en chef, ministère de l’Agriculture, de l’Alimentation et des Initiatives rurales, gouvernement du Manitoba

• Il faut surmonter d’importants problèmes méthodologiques pour que les cartes puissent être interprétées et ne soient pas trompeuses. Le problème le plus important est celui du petit nombre, qui survient quand les cas et les dénominateurs qui y sont associés sont sousdivisés entre de nombreuses petites régions géographiques, ce qui produit souvent des taux très instables.

Introduction L’application de systèmes d’information géographique (SIG) à la santé publique est très prometteuse, car elle pourrait améliorer notre compréhension de l’écologie et des causes de problèmes de santé complexes et orienter la conception et l’évaluation de programmes efficaces s’adressant à l’ensemble de la population pour résoudre ces problèmes. Les SIG sont employés en santé publique depuis plus de 150 ans, le plus célèbre exemple de leur application étant l’utilisation par le Dr John Snow au milieu du XIXe siècle d’un plan de Londres dessiné à la main pour analyser la répartition géographique des décès causés par le choléra1. Le plan du Dr Snow, qui faisait le lien entre le lieu de résidence des victimes du choléra et les sources publiques d’approvisionnement en eau, a permis de déterminer que la pompe de Broad Street était la source de la flambée de choléra, par suite de quoi on a retiré le bras de la pompe. Cette mesure de santé publique a mené à une réduction de l’incidence du choléra. Depuis le milieu du XIXe siècle, les services de santé publique du monde entier ont souvent utilisé des plans dessinés à la main ou piqués d’épingles pour déceler les grappes de cas de maladie qui doivent être les cibles de leurs interventions. Comme ils disposent depuis peu de technologies informatiques abordables et de logiciels pour le mappage des données, les services de santé publique utilisent de plus en plus systématiquement des systèmes

• La création de cartes est une étape importante de la cartographie de la santé publique, mais il est très important que les praticiens passent de la simple visualisation des données à l’exploration des caractéristiques statistiques des profils spatiaux et à la modélisation structurée du rapport entre les variables prévisionnelles et les variables réponses. • L’utilisation de SIG dans le contexte de la santé publique peut nécessiter des ressources considérables et exige donc un investissement important. d’information géographique informatisés pour analyser les données de surveillance de la santé publique2, 3. Le présent bulletin décrit les systèmes d’information géographique et donne un aperçu des avantages de leur application à la santé publique. Il présente aussi les grandes difficultés méthodologiques associées à la mise en œuvre d’un projet d’analyse spatiale dans un contexte de santé publique et donne un cadre conceptuel en six étapes sur la façon d’aborder l’analyse spatiale des données de surveillance de la -1-

La Note mauve • numéro 37 • mars 2012

du rapport entre les couches qui ont été chargées. Les tâches fréquemment utilisées qui peuvent être accomplies dans un environnement SIG comprennent la localisation des cas de maladie, la détermination de la proximité de ces cas avec les services de santé communautaire ou avec des caractéristiques du voisinage qui exposent à un risque, la détection de grappes de cas de maladie inhabituelles et la modélisation du rapport entre la prévalence de la maladie et les variables prévisionnelles en amont. Ces tâches ne pourraient pas être facilement accomplies dans un environnement base de données/analytique traditionnel5.

santé publique. Ces étapes démontreront pourquoi les praticiens doivent conceptualiser leurs projets pour qu’ils répondent à leurs besoins opérationnels et faire preuve de réalisme en ce qui concerne l’incidence des projets sur les ressources. Elles aideront aussi les praticiens à comprendre les avantages du passage de la simple visualisation des tendances spatiales à une connaissance plus solide de l’écologie d’un problème de santé, ainsi que les effets possibles de ces connaissances sur la conception, la mise en œuvre et l’évaluation des programmes de santé publique. Il sera finalement question de divers services de santé publique qui ont intégré avec succès des SIG à leurs activités courantes. Le bulletin donnera aux lecteurs un aperçu des attrayantes possibilités qu’offrent les SIG en matière d’amélioration des pratiques de santé publique et une idée claire des difficultés et de l’incidence sur les ressources de l’application des SIG au domaine de la santé publique.

Il existe une vaste gamme de logiciels de SIG destinés au domaine de la santé publique. Certains progiciels sont du domaine public peuvent être téléchargés gratuitement à partir du Web, mais leur fonctionnalité est souvent limitée. Les produits commerciaux entièrement fonctionnels, tels ESRI ArcView6 et Map Info7, peuvent être coûteux (2000 $ et plus), mais valent leur pesant d’or en raison de leur grande fonctionnalité et de leur facilité d’emploi. Pour choisir un progiciel de SIG, il peut être bon de déterminer quels progiciels d’autres praticiens de la région utilisent, car si on choisit le même progiciel, on peut obtenir l’aide et le soutien technique de collègues, ce qui peut être particulièrement utile au départ.

Que sont les SIG? Tout dans notre monde peut être décrit de deux façons simples : on peut dire en quoi consiste une chose et où elle se trouve. Les systèmes d’information géographique (SIG) sont des systèmes informatisés qui peuvent, de façon dynamique et souple, établir un lien entre le lieu et les caractéristiques des choses dans un même cadre analytique, ce qui donne des renseignements qu’on ne pourrait obtenir en utilisant seulement la technologie traditionnelle des bases de données. En déterminant où les choses se trouvent les unes par rapport aux autres, les SIG peuvent donner une méthode pour relier entre elles des données diverses afin de faire ressortir des liens plus profonds entre les choses qui peuvent avoir une incidence sur la planification et l’évaluation des programmes de santé publique2. Le Dr John Snow, pour reprendre l’exemple ci-dessus, a utilisé une méthode simple pour reconnaître le rapport entre les sources d’approvisionnement en eau et le choléra, ce qui a mené à une mesure de santé publique concrète qui n’aurait autrement jamais pu être prise4.

Principaux avantages des SIG dans le domaine de la santé publique Dans le domaine de la santé publique, le principal avantage de l’utilisation des SIG est qu’ils créent, à partir d’une grande quantité de données tabulaires, des cartes visuelles qui peuvent être particulièrement utiles pour planifier et évaluer les programmes publics et pour focaliser l’attention des décideurs et du public sur le processus2, 8-11. En ajoutant l’élément « lieu » à la triade classique « personne/moment/lieu » qui sous-tend l’épidémiologie et la surveillance de la santé publique, un SIG peut aider les praticiens de la santé publique à mieux comprendre comment et pourquoi le lieu influe sur la santé publique et, partant, orienter l’élaboration des politiques et la création des programmes.

Avec les logiciels de SIG, on peut charger en même temps des couches individuelles ou couvertures de données, ce qui permet une inspection visuelle du rapport entre elles. Les progiciels de SIG contiennent aussi de nombreux outils pour l’analyse

Un SIG peut aussi contribuer à l’amélioration de l’élément « personne » de la triade épidémiologique -2-

La Note mauve • numéro 37 • mars 2012

est calculé peut être très instable, parce qu’il est fondé sur un petit nombre de cas dans une très petite population22. La carte qui en résulte peut être impossible à interpréter ou trompeuse et contenir des taux supérieurs et inférieurs extrêmes et qui fluctuent énormément. Le cas échéant, on peut accorder trop d’attention à une région géographique dans laquelle le taux de maladie peut sembler élevé, mais est en réalité un artéfact du petit dénominateur populationnel23.

en permettant l’ajout de mesures du statut socioéconomique, du niveau d’instruction, de l’origine ethnique, de la qualité du logement, etc., à des ensembles de données sur la santé dans lesquels les renseignements démographiques sont souvent limités à l’âge et au sexe12-15. En faisant un lien entre les caractéristiques de petits voisinages pouvant être obtenues de sources facilement accessibles, comme le Recensement canadien, et les dossiers médicaux individuels, on peut par exemple constater que les taux de maladie sont élevés dans des sous-groupes de la population qui ont certaines caractéristiques socio-démographiques, par exemple faible niveau d’instruction, mauvaises conditions de logement et taux de pauvreté élevés16-19.

Il y a deux grandes stratégies pour contourner le problème du petit nombre. La première consiste à tenir compte d’autres années de données dans l’analyse ou à augmenter la taille de la région géographique utilisée pour la cartographie afin d’obtenir un numérateur et un dénominateur plus élevés. La contrepartie de cette solution est la perte de la spécificité temporelle et spatiale. Par exemple, si les données sont analysées à l’échelle d’une région plutôt que d’un voisinage, il se peut que la carte ne fasse pas ressortir des variations locales des tendances concernant les maladies qui sont importantes du point de vue de la santé publique.

L’utilisation de SIG dans le domaine de la santé publique peut aussi faciliter le développement d’applications pour la coordination des mesures d’urgence (en permettant par exemple de cerner les populations à haut risque en raison de la proximité d’un déversement de produits chimiques ou de déterminer le meilleur trajet pour les véhicules d’intervention d’urgence) et pour la détermination de l’emplacement le plus stratégique pour les bureaux et les ressources des programmes de santé20, 21.

La seconde stratégie consiste à lisser spatialement les taux calculés en empruntant des données aux régions géographiques avoisinantes pour le calcul des taux23. Cette technique est fondée sur la loi de Tobler, selon laquelle les choses qui sont près les unes des autres se ressemblent davantage que les choses qui sont éloignées les unes des autres24. Le progiciel convivial du domaine public GeoDa25, par exemple, lisse les taux pour une région géographique donnée en faisant intervenir le numérateur et le dénominateur correspondant aux régions géographiques avoisinantes et en utilisant ces nombres plus élevés pour calculer un taux plus stable. Le logiciel effectue ce calcul pour toutes les régions géographiques de la carte. Le taux lissé résultant est celui qui aurait été observé dans chaque région géographique si le temps et le nombre de personnes avaient permis aux processus de risque sous-jacents de se manifester de façon stable.

Grands problèmes méthodologiques de la cartographie de la santé publique Il faut surmonter quatre grands problèmes méthodologiques de la cartographie de la santé publique pour que les cartes puissent être interprétées et ne soient pas trompeuses. Problème du petit nombre Le premier problème est celui du petit nombre. Pour les analyses classiques effectuées aux fins de la surveillance de la santé publique, les données sont en général schématiquement groupées en fonction de l’âge, du sexe et peut-être d’une certaine période de temps, mais la création de cartes de santé publique exige que les cas soient sous-divisés en fonction non seulement de l’âge et du sexe, mais aussi de nombreuses petites régions géographiques. Par conséquent, selon la taille des régions géographiques sur lesquelles porte une analyse, il peut n’y avoir qu’un petit nombre de cas dans une région géographique donnée. Dans une telle situation, le taux d’incidence ou de prévalence qui

Problème de l’unité spatiale modifiable (PUSM) Le deuxième problème méthodologique à surmonter est celui de l’unité spatiale modifiable (PUSM). En termes simples, ce problème a trait à l’impact que le choix de l’unité spatiale peut avoir sur le rendement et le résultat de l’analyse -3-

La Note mauve • numéro 37 • mars 2012

spatiale26. Comme on l’a déjà vu, il y a des compromis à faire entre l’utilisation d’une grande unité spatiale – tel le territoire d’une régie régionale de la santé, dans laquelle le dénominateur populationnel a tendance à être élevé et stable, mais qui ne fait pas ressortir les différences locales quant aux taux de maladie – ou d’une petite unité spatiale – qui fait davantage ressortir les variations locales des taux de maladie, mais dans laquelle il y a un grand risque que le dénominateur populationnel soit petit et donc que les taux estimatifs soient instables. La taille et la forme de l’unité spatiale choisie peuvent beaucoup modifier les profils spatiaux et les conclusions relatives aux tendances des maladies. Le problème vient souvent du fait que les régions administratives utilisées pour l’analyse spatiale ne sont pas nécessairement destinées à l’étude d’un processus pathologique donné et que l’incompatibilité entre la taille et la forme de l’unité spatiale, d’une part, et le processus spatial sousjacent d’intérêt, d’autre part, peut nuire à la compréhension des profils de maladie.

souvent utilisé pour le géocodage au Canada est le code postal de six caractères, mais l’adresse de voirie est aussi souvent utilisée. Dans certaines provinces, telles que le Manitoba, il y a souvent un autre identificateur géographique dans les dossiers médicaux, soit la municipalité rurale de résidence. Statistique Canada produit un Fichier de conversion des codes postaux (FCCP) qui peut être utilisé pour géocoder un dossier médical à un point distinct dans l’espace (coordonnée XY) ou à divers autres niveaux géographiques plus élevés couramment utilisés par Statistique Canada28-33, dont les aires de diffusion, les secteurs de dénombrement, les divisions de recensement, les subdivisions de recensement, les territoires des autorités régionales de la santé, la province, etc. Une fois les dossiers médicaux géocodés en fonction de la classification géographique type de Statistique Canada, on peut les relier à des indicateurs de recensement, tels que le revenu, l’instruction ou la qualité du logement, pour ces régions géographiques afin d’examiner le rapport entre le statut socio-économique et les résultats sur le plan de la santé34-36.

Pour déterminer quelle unité géographique utiliser, il est important de se demander si l’unité spatiale est : • significative (frontières administratives utilisées pour la prestation des services) • assez grande pour o être visible sur la carte o éviter le problème du petit nombre o ne pas poser de problèmes de confidentialité • assez petite pour mettre en évidence des microprofils importants et pour permettre une modélisation écologique précise/valide • d’une taille qui permet de faire des comparaisons valides avec d’autres régions géographiques • d’une échelle qui reflète le processus pathologique sous-jacent étudié. En pratique, l’unité géographique choisie est souvent celle qui est disponible et commode.

Le géocodage à partir du code postal de six caractères fonctionne très bien dans les grandes régions urbaines, où ce code correspond en général à un côté d’îlot ou à une boîte postale communautaire. Dans les régions rurales, le géocodage fondé uniquement sur le code postal de six caractères peut toutefois être très difficile, car les codes postaux correspondent souvent aux itinéraires traditionnels de livraison du courrier, dont le tracé peut faire des méandres sur 50 à 60 milles et traverser de nombreuses frontières administratives37, 38. Il est alors difficile de déterminer à quelle région géographique un dossier médical doit être attribué. Pour résoudre le problème, on peut utiliser l’indicateur de lien unique du FCCP pour attribuer le dossier médical, qui est la région la plus probable du code postal (selon la pondération historique de la population), ou un autre produit de Statistique Canada, le FCCP+, qui est une application SAS qui distribue automatiquement des événements de santé fondés sur le code postal de façon uniforme en fonction de la pondération de la population32, 39.

Géocodage Le géocodage, opération qui consiste à systématiquement attribuer des événements de santé à un point ou à un lieu précis de la surface de la Terre, est probablement un des problèmes de la cartographie de la santé publique qui est le plus épineux et le plus susceptible d’être source d’erreurs27. L’identificateur géographique le plus

Un important principe du géocodage est de toujours essayer de géocoder le numérateur et le -4-

La Note mauve • numéro 37 • mars 2012

dispose2, 44-46. Cette démarche est en général valide quand une maladie a une source précise (p. ex. le choléra à Londres à l’époque de John Snow et la contamination de l’eau à Walkerton, en Ontario, en 2000), mais il arrive souvent que les causes d’un problème de santé soient largement répandues dans tous les groupes de la population. Dans cette situation, bien qu’il puisse y avoir des points chauds géographiques/groupes où les taux de maladie sont élevés, une petite minorité des cas survient en fait dans les régions où il y a des grappes de cas, la majorité des cas étant retrouvés dans l’ensemble des groupes de la population.

dénominateur par la même méthode. Le géocodage est toujours associé à des erreurs systématiques et à des inexactitudes et l’utilisation de méthodes différentes pour géocoder le numérateur et le dénominateur peut fausser les estimations des taux correspondant à de petites régions géographiques. Structure d’âge La comparaison des taux d’une région géographique à l’autre peut donner des résultats trompeurs en l’absence de neutralisation des effets de la structure d’âge. Par exemple, si on analyse une maladie, telle que le diabète, qui est fortement influencée par la structure d’âge (soit beaucoup plus fréquente chez les personnes d’un certain âge), la production de cartes des taux bruts de maladie (nombre brut de cas divisé par le dénominateur dans chaque région géographique) peut poser des difficultés40. Dans une région géographique de la carte où les taux bruts de diabète sont élevés, les taux peuvent être élevés uniquement parce que la proportion de personnes âgées est plus élevée dans cette région que dans d’autres régions. Pour que la carte reflète mieux la réalité, il faut calculer des taux standardisés pour l’âge afin de neutraliser les effets de l’âge sur les taux de maladie. Ce calcul est effectué pour chaque région géographique en appliquant directement la structure d’âge d’une population standard, telle que la population canadienne de 2001, aux taux de maladie en fonction de l’âge dans la région. Si la carte contient de nombreuses régions géographiques, les calculs de la standardisation pour l’âge doivent être faits automatiquement au moyen d’un programme comme SAS41, Stata42 ou Epi Info43 avant la cartographie.

Pour déterminer si on est en présence d’une telle situation, le coefficient de Gini, qui mesure l’uniformité de la répartition des cas de maladie compte tenu de la population à risque, est une statistique très utile17, 47-51. Appliqué dans un contexte spatial, un coefficient de Gini proche de 1 indique qu’il y a un nombre disproportionné de cas de maladie dans un petit nombre de régions géographiques (p. ex. dans le cas de Walkerton ou du choléra à Londres à l’époque de John Snow), tandis qu’un coefficient de Gini proche de 0 indique que les cas sont répartis de façon relativement uniforme compte tenu de la population à risque. Plusieurs études fondées sur cette démarche ont démontré que les coefficients de Gini correspondant à l’incidence du diabète au Manitoba52 et à la prévalence de l’obésité au Canada53 sont faibles (proches de 0), ce qui montre que malgré qu’il semble y avoir quelques points chauds géographiques, les cas de diabète et d’obésité sont distribués de façon relativement uniforme dans tous les groupes de la population. Ces observations ont d’importantes conséquences au chapitre de la planification de la santé publique. Elles donnent à penser que comme les cas de diabète et d’obésité sont distribués uniformément dans tous les groupes de la population, les causes doivent aussi l’être. Les programmes de santé publique axés sur la prévention mettant l’accent uniquement sur les populations à haut risque auraient donc un effet limité sur la prévalence dans la population, car ils seraient sans effet sur les causes dans la majorité de la population, dans laquelle la plupart des futurs cas de diabète et d’obésité surviendront. Dans ce type de situation, l’analyse du coefficient de Gini aide à déterminer si les mesures de santé publique doivent viser à

Illusion des points chauds Selon un important concept de la cartographie de la santé publique, pour utiliser au meilleur escient possible nos ressources en santé publique limitées, nous devrions établir la cartographie des tendances de la morbidité pour déterminer dans quelles régions les taux de maladie sont les plus élevés, puis, à partir de nos connaissances des caractéristiques du milieu géographique et de la population de ces régions, déterminer qui sont les personnes les plus touchées. On pourrait ainsi formuler des hypothèses et des idées sur les causes profondes du problème de santé pour que les programmes de prévention ciblent le plus efficacement possible les populations les plus exposées au moyen des ressources limitées dont on -5-

La Note mauve • numéro 37 • mars 2012

l’analyse, produire des taux standardisés pour l’âge et lissés pour les petites régions géographiques et développer des fichiers des variables prévisionnelles qui peuvent être géographiquement liés aux données sur les cas.

réduire la prévalence globale dans la population (par la mise en œuvre d’un vaste programme de prévention s’adressant à l’ensemble de la population) ou si les programmes de prévention doivent plutôt viser les populations vulnérables à haut risque dans un but d’équité en matière de santé et de justice sociale.

3e étape : visualisation des données La visualisation des données a pour objet de créer un ensemble de cartes illustrant les profils spatiaux pouvant être importants pour ce qui est des variables prévisionnelles et des variables réponses. Cette étape est probablement celle que les praticiens de la santé publique connaissent le mieux. C’est aussi une des plus importantes étapes, car elle produit des profils spatiaux qui peuvent n’avoir jamais été observés auparavant et permet aux responsables des programmes et des politiques, en alliant leurs connaissances des régions géographiques aux profils sur la carte, de formuler des hypothèses et des idées sur ce qui peut se passer54-56. Les cartes peuvent aussi être très utiles pour piquer l’intérêt des décideurs et du public. Comme on l’a vu ci-dessus, pour créer des cartes pertinentes quand l’âge influe sur les problèmes de santé et quand on a peu de données en raison de la petite taille de la population et du petit nombre de cas, il peut être nécessaire de commencer par lisser les données et par les standardiser pour l’âge.

Les six étapes du cadre conceptuel de la planification d’un projet d’analyse spatiale en santé publique Le cadre en six étapes ci-dessous, fondé sur celui créé par Bailey et Gattrell54, permet de mettre en œuvre avec succès et de façon réaliste un projet d’analyse spatiale dans un contexte de santé publique. 1re étape : conceptualisation des données Pour la conceptualisation des données, il est essentiel de déterminer formellement, en s’appuyant sur les cadres théoriques et les études antérieures, quels sont les types de profils spatiaux recherchés et les rapports prévus entre les variables prévisionnelles et les variables réponses, et pourquoi on s’attend à observer ces rapports. On s’assure ainsi que le projet est méthodique et ne prend pas la forme d’une « expédition de pêche », et que les processus analytiques sont systématiquement appliqués pour répondre à des questions données ou pour vérifier certaines hypothèses. Cette étape est aussi essentielle pour que toutes les sources de données, tous les outils analytiques et toutes les compétences nécessaires soient cernés au départ. Cette étape peut exiger l’intervention d’experts en contenu et une analyse exhaustive de la littérature en santé publique.

4e étape : exploration des données Malheureusement, de nombreux praticiens ne passent jamais de l’étape de la visualisation des données à celle de l’exploration des données. À cette étape, l’objectif de l’analyse est d’explorer les caractéristiques statistiques des profils spatiaux créés à l’étape de la visualisation des données26, 54. Il est important de commencer par déterminer si les profils de maladie sont réels ou attribuables à une variation spatiale aléatoire. En effet, comme un profil spatial pouvant sembler pertinent sur une carte peut en fait découler d’une variation spatiale aléatoire (souvent causée par de petits nombres), il faut s’assurer que les points chauds et grappes spatiaux ne sont pas susceptibles d’être uniquement le fruit du hasard. Pour y parvenir, on peut utiliser des programmes de série, tels que GeoDA25, qui calcule la valeur I de Moran57 (une mesure des grappes spatiales), et Satscan58, qui cerne, à partir de la statistique de balayage spatial59-61, les grappes spatiales distinctes qui sont peu susceptibles d’être uniquement le fruit du hasard.

2e étape : acquisition et préparation des données La deuxième étape consiste en l’acquisition des ensembles de données nécessaires pour le projet d’analyse spatiale. Il arrive souvent que cette étape accapare 70 % des ressources d’un projet d’analyse spatiale, car l’acquisition des ensembles de données nécessaires et la restructuration de ces ensembles pour qu’ils puissent être intégrés sans difficulté en vue de l’analyse peuvent exiger des ressources considérables2, 44. Cette étape exige d’énormes connaissances des analyses par base de données et par système d’information géographique pour géocoder les ensembles de données sur la santé en fonction des régions géographiques utilisées dans -6-

La Note mauve • numéro 37 • mars 2012

Il faut toutefois savoir que quand la modélisation écologique porte sur de petites régions géographiques, les mesures du statut socioéconomique faites à l’échelle écologique donnent des résultats semblables aux mesures du statut socio-économique faites à l’échelle individuelle68, 69.

Une autre des principales activités d’exploration des données est l’utilisation de statistiques, telles que le coefficient de Gini, décrit ci-dessus, pour déterminer la pertinence pour la santé publique des profils spatiaux observés et les résultats relatifs que pourraient produire les programmes de santé publique qui s’adressent aux individus à risque et ceux qui s’adressent à l’ensemble de la population.

6e étape : diffusion des données À l’étape de la diffusion des données, les résultats des analyses spatiales sont communiqués aux utilisateurs finaux, souvent par l’entremise de cartes et de tableaux statiques sur support papier. Toutefois, il est possible d’éditer des cartes interactives à partir de logiciels comme Adobe Acrobat et Google Earth, qui permettent à l’utilisateur final d’interagir avec les données spatiales et de procéder à une exploration utile de ces données, notamment par l’activation et la désactivation des couches, l’identification des caractéristiques et la mesure des distances. Il est de nos jours de plus en plus facile de produire des applications cartographiques Web complètes, grâce au développement d’outils d’édition en ligne pouvant maintenant être obtenus par l’entremise de ArcGIS On-Line, de ESRI70.

5e étape : modélisation des données À l’étape de la modélisation des données, on évalue le rapport entre les variables prévisionnelles et les variables réponses. Souvent, les praticiens créent et comparent des cartes des variables prévisionnelles et des cartes des variables réponses pour essayer de cerner les rapports pertinents. Toutefois, cette démarche est très peu méthodique et beaucoup moins efficiente que le développement de modèles statistiques, simples ou complexes, qui résument les rapports spatiaux entre les variables prévisionnelles et les variables réponses54. À cette étape, on peut utiliser diverses techniques statistiques simples, comme la régression des moindres carrés ordinaires ou la régression logistique, ou des techniques de modélisation complexes qui tiennent compte de la structure spatiale des données et en neutralisent les effets22, 26, 62.

Exemples de cas d’utilisation de SIG en santé publique

On critique parfois la modélisation spatiale parce qu’elle peut mener à un sophisme écologique découlant de l’agrégation à l’échelle des régions géographiques, aux fins de la cartographie et de la modélisation, des résultats sur le plan de la santé et des variables prévisionnelles 63-67. Comme on l’a déjà vu, les dossiers médicaux ne contiennent généralement pas de données socio-économiques et environnementales détaillées. En analyse spatiale, on attribue donc souvent aux cas les caractéristiques des petites régions géographiques où on les retrouve (selon l’adage « dis-moi d’où tu viens, je te dirai qui tu es »). On aurait par conséquent tort de faire des observations sur le rapport entre les variables prévisionnelles et les variables réponses en fonction des individus; il est plutôt important d’exprimer les résultats de la modélisation spatiale en fonction de la population. Par exemple, on peut dire que les taux de la maladie X sont plus élevés dans les populations à faible revenu, mais dire que les taux de la maladie X sont plus élevés chez les individus à faible revenu est un sophisme écologique.

Les exemples qui suivent montrent comment trois organismes canadiens de santé publique utilisent des SIG pour obtenir des renseignements sur la santé de la population, évaluer et planifier les programmes et réagir aux situations urgentes. 1er exemple de cas : Bureau du vétérinaire en chef/Salubrité des aliments, ministère de l’Agriculture, de l’Alimentation et des Initiatives rurales, Manitoba Le Bureau du vétérinaire en chef/Salubrité des aliments du ministère de l’Agriculture, de l’Alimentation et des Initiatives rurales du gouvernement du Manitoba utilise un SIG pour la surveillance du profil des zoonoses et pour la préparation et la réponse aux urgences zoosanitaires. Au cours d’une récente étude de surveillance menée en collaboration avec le Laboratoire provincial Cadham, on a cartographié les taux d’infection à Salmonella enteriditis (SE) chez l’humain pour déterminer s’il y avait une relation -7-

La Note mauve • numéro 37 • mars 2012

rapports sur l’état de santé, les vérifications de l’équité en matière d’accès aux soins de santé et la recherche sur les disparités en santé, ainsi que pour décrire les variables prévisionnelles de l’insécurité alimentaire à Saskatoon au moyen de cartes présentant les déserts alimentaires ainsi que leur milieu et leurs déterminants socio-économiques71.

spatiale entre ces infections et la densité des élevages de volailles au Manitoba. Comme le montre la figure 1, des grappes de taux élevés d’infections à SE ont été confirmées dans le nord et le centre-sud du Manitoba et le sud-ouest de Winnipeg, mais elles ne semblent pas chevaucher les régions où la densité des élevages de volailles est élevée. La modélisation statistique n’a pas donné à penser qu’il y avait un lien entre les élevages de volailles au Manitoba et les taux élevés d’infection à SE. Ces résultats démontrent que les élevages de volailles sont peu susceptibles d’être une source importante d’infection à SE chez l’humain.

L’Observatoire de la santé de la RSS a aussi développé un outil de cartographie novateur et très intéressant qui est publiquement accessible en ligne, appelé Community View Collaboration (http://www.communityview.ca/), qui, par l’intégration des données provenant de nombreuses organisations et sources, donne des renseignements et données probantes intersectoriels fiables pour soutenir la planification, la prise de décisions et l’élaboration des politiques à Saskatoon et dans la région avoisinante. Le site permet aux utilisateurs de choisir parmi une vaste gamme d’indicateurs, dont les caractéristiques de la population (données démographiques, instruction, origine ethnique, situation d’emploi, revenu), les comportements liés à la santé et les résultats sur le plan de la santé (hospitalisation, mortalité, vaccination, maladie transmissible et santé mentale). Les données peuvent être interactivement cartographiées, mises en graphique ou exportées sous forme de graphiques pour être intégrées à une présentation PowerPoint ou en format tabulaire en vue d’une analyse plus poussée. Ce site met à la disposition des planificateurs de programmes, décideurs et intervenants les données spatiales spécifiques dont ils ont besoin pour que leurs activités soient fondées sur des données empiriques sur l’état de santé de la population. Le site a favorisé la création de partenariats intersectoriels pour le partage des données, le développement d’indicateurs communs et la réalisation d’analyses communes.

Le Bureau du vétérinaire en chef/Salubrité des aliments a aussi mis au point un système fondé sur la technologie du SIG, appelé Decision Support System for Animal Emergencies (DSSAE), qui permet de cartographier en temps réel la propagation des maladies d’une installation agricole à l’autre, de cerner les installations agricoles à haut risque en créant des zones tampons (figure 2), de calculer le nombre d’animaux à risque d’infection et de voir à l’acheminement biosécuritaire des matières contaminées. Ce système piloté par menus, qui intègre les logiciels Arc-GIS, Access 2007 et Epi-Info, a été souvent utilisé depuis deux ans au cours de diverses flambées de maladies et d’enquêtes, ainsi que lors des inondations du printemps 2011 au Manitoba pour la planification et la surveillance de la logistique des mesures d’urgence, y compris la surveillance, la lutte contre les maladies et les mouvements d’animaux. Pour de plus amples renseignements sur ces projets, communiquer avec le Dr Chris Green, épidémiologiste ([email protected]). 2e exemple de cas : Observatoire de la santé publique, Région sanitaire de Saskatoon, Saskatchewan L’Observatoire de la santé de la Région sanitaire de Saskatoon (RSS) a un des programmes de cartographie de la santé publique les plus avancés au Canada et a utilisé un SIG d’une façon très novatrice et impressionnante pour la surveillance de nombreuses maladies et problèmes liés à la santé, dont le virus du Nil occidental, les infections transmissibles sexuellement, le diabète, la couverture vaccinale et la densité des aiguilles jetées par les utilisateurs de drogues injectables. Le SIG a aussi été utilisé pour faciliter la production de

Pour de plus amples renseignements sur ces projets, communiquer avec Tracy Creighton ([email protected]). 3e exemple de cas : Programme de dépistage du cancer du sein et Programme de soins du diabète de la Nouvelle-Écosse Le Programme de dépistage du cancer du sein de la Nouvelle-Écosse, en collaboration avec l’Agence de la santé publique du Canada et le Centre des sciences géographiques (SDSG), a utilisé un SIG pour évaluer son programme provincial de dépistage. -8-

La Note mauve • numéro 37 • mars 2012

Pour ce faire, on a cartographié la participation régionale au programme de dépistage du cancer du sein de la population cible (femmes de 50 à 69 ans) et utilisé l’analyse de réseau pour déterminer le temps qu’il fallait aux femmes/la distance qu’elles devaient parcourir pour se rendre à des cliniques fixes dans le but d’affecter de façon stratégique des ressources aux cliniques mobiles pour que l’accès aux services soit plus équitable.

facilitent la prise rapide de décisions en santé publique en situation d’urgence. Les services de santé publique qui désirent avoir un programme de SIG pourraient tirer parti de relations collaboratives avec des universités et collèges communautaires locaux pour la mise en place initiale du programme et pour son maintien à long terme en créant des possibilités de projets pour les étudiants et de transfert des connaissances.

Le Programme de soins du diabète de la NouvelleÉcosse, aussi mené en collaboration avec l’Agence de la santé publique du Canada, a utilisé un SIG pour superposer des cartes de la prévalence des cas de diabète évolutif et pour cartographier les centres de soins du diabète et spécialistes des soins de santé afin de comprendre les services offerts aux diabétiques et d’en informer les personnes diabétiques.

Il faut absolument éviter d’exagérer les avantages possibles des SIG au chapitre de l’orientation du développement de programmes préventifs axés sur les populations à haut risque cernées. Pour certains problèmes de santé, le lieu a un impact critique. Dans de tels cas, un SIG peut être un outil d’une très grande utilité pour déterminer avec précision où concentrer les efforts de santé publique72. On pourrait par exemple déterminer rapidement par l’analyse spatiale d’un ensemble de données de santé publique où se trouve une source d’eau contaminée qui rend les gens malades. Toutefois, comme la mondialisation est de plus en plus marquée, les choses ont tendance à devenir de plus en plus semblables dans tous les groupes de la population et les facteurs locaux qui ont une influence particulière sur la santé des gens sont de moins en moins importants73-75. Par exemple, il peut ne pas y avoir de grande variation spatiale en ce qui concerne les maladies d’origine alimentaire causées par les agents pathogènes entériques ou par la surconsommation de calories, car les aliments de la majorité de la population proviennent maintenant d’un même système alimentaire centralisé17, 76. Dans une telle situation, un SIG ne permet pas de cerner les populations à haut risque ou d’orienter les efforts de prévention ciblés en matière de santé publique. Il ne faut pas considérer que c’est là un résultat décevant de l’analyse fondée sur la technologie du SIG; en effet, l’observation d’une faible variabilité spatiale démontre très clairement que les stratégies de prévention doivent viser tous les groupes de la population. S’ils prennent ces observations au sérieux, les planificateurs de la santé publique disposeront d’une base empirique pour prévoir l’impact possible des divers programmes et des diverses politiques qu’ils envisagent.

Pour de plus amples renseignements sur ces projets, communiquer avec la Dre Jennifer Payne ([email protected]).

Conclusion L’application de systèmes d’information géographique à la santé publique est très prometteuse. En permettant de créer, à partir d’une énorme quantité de données tabulaires, des cartes instructives qui sont utiles pour le développement de programmes et l’élaboration de politiques, les SIG offrent de grandes possibilités en matière de présentation de problèmes complexes à divers auditoires, dont le personnel, les gestionnaires et les planificateurs de la santé publique, les décideurs et le public. Ils peuvent aussi être des outils d’une très grande utilité pour soutenir la prise de décisions pendant les urgences en matière de santé publique. Toutefois, la mise en œuvre d’un SIG dans un contexte de santé publique exige des ressources financières, des compétences et un engagement organisationnel considérables. L’achat et la maintenance des logiciels et des données nécessaires peuvent être très coûteux, et il ne faut pas sous-estimer les compétences nécessaires à la préparation et à l’intégration d’ensembles de données divers, à la production de résultats analytiques valides, qui passent de la simple visualisation à l’exploration et à la modélisation, et au développement de routines spatiales qui -9-

La Note mauve • numéro 37 • mars 2012 16. Green C, Elliott L, Beaudoin C, Bernstein CN. A population-based ecologic study of inflammatory bowel disease: searching for etiologic clues. Am J Epidemiol 2006 Oct 1;164(7):615-23.

Références 1.

Cameron D, Jones IG. John Snow, the broad street pump and modern epidemiology. Int J Epidemiol 1983 Dec;12(4):393-6.

2.

Cromley E, McLafferty S. GIS and Public Health. New York, London: The Guilford Press; 2002.

17. Green CG, Krause DO, Wylie JL. Spatial analysis of campylobacter infection in the Canadian province of Manitoba. Int J Health Geogr 2006;5:2.

3.

Nykiforuk CI, Flaman LM. Geographic information systems (GIS) for Health Promotion and Public Health: a review. Health Promot Pract 2011 Jan;12(1):63-73.

18. Heaman MI, Green CG, Newburn-Cook CV, Elliott LJ, Helewa ME. Social inequalities in use of prenatal care in Manitoba. J Obstet Gynaecol Can 2007 Oct;29(10):806-16.

4.

Cameron D, Jones IG. John Snow, the broad street pump and modern epidemiology. Int J Epidemiol 1983 Dec;12(4):393-6.

5.

Rushton G. Public health, GIS, and spatial analytic tools. Annu Rev Public Health 2003;24:43-56.

19. Mustard CA, Derksen S, Berthelot JM, Wolfson M. Assessing ecologic proxies for household income: a comparison of household and neighbourhood level income measures in the study of population health status. Health Place 1999 Jun;5(2):157-71.

6.

Environmental Systems Research Initiative. ArcGis 10. http://www.esri.com 2011.

7.

Pitney Bowes Business Insight. Map Info Professional 11. http://www.pbinsightcom/welcome/mapinfo/ 2011.

8.

Ricketts TC. Geographic information systems and public health. Annu Rev Public Health 2003;24:1-6.

9.

Joyce K. "To me it's just another tool to help understand the evidence": public health decisionmakers' perceptions of the value of geographical information systems (GIS). Health Place 2009 Sep;15(3):801-10.

20. Rushton G. Methods to evaluate geographic access to health services. J Public Health Manag Pract 1999 Mar;5(2):93-100. 21. Skinner R. GIS in Hospital and Healthcare Emegency Management. 1 ed. New York: CRC Press, Taylor and Francis Group; 2010. 22. Elliot P, Wakefield J, Best N, Briggs D. Spatial epidemiology: methods and applications. Oxford: Oxford University Press; 2000. 23. Anselin L, Lozano N, Kochinsky J. Rate Transformations and Smoothing. Urbana-Champaign: Spatial Analysis Laboratory, Department of Geography, University of Illinois; 2006.

10. Scotch M, Parmanto B, Gadd CS, Sharma RK. Exploring the role of GIS during community health assessment problem solving: experiences of public health professionals. Int J Health Geogr 2006;5:39.

24. Meade M, Earickson R. Scale, Spatial Analysis, and Geographic Visualization. Medical Geography.New York: The Guilford Press; 2000. p. 438-84.

11. Jenks RH, Malecki JM. GIS--a proven tool for public health analysis. J Environ Health 2004 Oct;67(3):32-4.

25. Anselin L. GeoDa 9.8. Arizona State University, School of Geographical Sciences, http://geodacenter asu edu/software/downloads 2009.

12. Krieger N. Analyzing socioeconomic and racial/ethnic patterns in health and health care. Am J Public Health 1993 Aug;83(8):1086-7.

26. Stevenson M, Stevens K, Robinson T, Rogers D, Clements A, Pfeiffer D. Spatial Analysis in Epidemiology. New York: Oxford University Press; 2008.

13. Krieger N, Gordon D. Re: "Use of census-based aggregate variables to proxy for socioeconomic group: evidence from national samples". Am J Epidemiol 1999 Oct 15;150(8):892-6.

27. Krieger N, Waterman P, Lemieux K, Zierler S, Hogan JW. On the wrong side of the tracts? Evaluating the accuracy of geocoding in public health research. Am J Public Health 2001 Jul;91(7):1114-6.

14. Krieger N, Chen JT, Waterman PD, Soobader MJ, Subramanian SV, Carson R. Choosing area based socioeconomic measures to monitor social inequalities in low birth weight and childhood lead poisoning: The Public Health Disparities Geocoding Project (US). J Epidemiol Community Health 2003 Mar;57(3):186-99.

28. Holowaty EJ, Norwood TA, Wanigaratne S, Abellan JJ, Beale L. Feasibility and utility of mapping disease risk at the neighbourhood level within a Canadian public health unit: an ecological study. Int J Health Geogr 2010;9:21. 29. Southern DA, Faris PD, Knudtson ML, Ghali WA. Prognostic relevance of census-derived individual

15. Krieger N. Place, space, and health: GIS and epidemiology. Epidemiology 2003 Jul;14(4):384-5.

- 10 -

La Note mauve • numéro 37 • mars 2012 43. Center for Disease Control (CDC). Epi Info 2003.%20%20http:/www.cdc.gov/EpiInfo/ 2009.

respondent incomes versus household incomes. Can J Public Health 2006 Mar;97(2):114-7.

44. Melnick AL. Introduction to Geographic Information Systems in Public Health. Maryland: Aspen Publishers Inc.; 2002.

30. Bow CJ, Waters NM, Faris PD, Seidel JE, Galbraith PD, Knudtson ML, et al. Accuracy of city postal code coordinates as a proxy for location of residence. Int J Health Geogr 2004 Mar 18;3(1):5.

45. Cromley EK. GIS and disease. Annu Rev Public Health 2003;24:7-24.

31. Veugelers PJ, Hornibrook S. Small area comparisons of health: applications for policy makers and challenges for researchers. Chronic Dis Can 2002;23(3):100-10.

46. Colantonio A, Moldofsky B, Escobar M, Vernich L, Chipman M, McLellan B. Using Geographical Information Systems Mapping to Identify Areas Presenting High Risk for Traumatic Brain Injury. Emerg Themes Epidemiol 2011 Nov 4;8(1):7.

32. Ng E, Wilkins R, Perras A. How far is it to the nearest hospital? Calculating distances using the Statistics Canada Postal Code Conversion File. Health Rep 1993;5(2):179-88.

47. Llorca J, gado-Rodriguez M. Visualising exposuredisease association: the Lorenz curve and the Gini index. Med Sci Monit 2002 Oct;8(10):MT193-MT197.

33. Wilkins R. Use of postal codes and addresses in the analysis of health data. Health Rep 1993;5(2):157-77.

48. Measuring health inequalities: Gini coefficient and concentration index. Epidemiol Bull 2001 Mar;22(1):3-4.

34. Krieger N. Analyzing socioeconomic and racial/ethnic patterns in health and health care. Am J Public Health 1993 Aug;83(8):1086-7.

49. Haidich AB, Ioannidis JP. The Gini coefficient as a measure for understanding accrual inequalities in multicenter clinical studies. J Clin Epidemiol 2004 Apr;57(4):341-8.

35. Krieger N, Gordon D. Re: "Use of census-based aggregate variables to proxy for socioeconomic group: evidence from national samples". Am J Epidemiol 1999 Oct 15;150(8):892-6.

50. Blanchard JF, Khan A, Bokhari A. Variations in the population size, distribution and client volume among female sex workers in seven cities of Pakistan. Sex Transm Infect 2008 Oct;84 Suppl 2:ii24ii27.

36. Mustard CA, Derksen S, Berthelot JM, Wolfson M. Assessing ecologic proxies for household income: a comparison of household and neighbourhood level income measures in the study of population health status. Health Place 1999 Jun;5(2):157-71.

51. Elliott LJ, Blanchard JF, Beaudoin CM, Green CG, Nowicki DL, Matusko P, et al. Geographical variations in the epidemiology of bacterial sexually transmitted infections in Manitoba, Canada. Sex Transm Infect 2002 Apr;78 Suppl 1:i139-i144.

37. Mustard CA, Derksen S, Berthelot JM, Wolfson M. Assessing ecologic proxies for household income: a comparison of household and neighbourhood level income measures in the study of population health status. Health Place 1999 Jun;5(2):157-71.

52. Green CG. The Epidemiology of Diabetes in Manitoba: An Exploration Through Time and Space. Winnipeg, Manitoba: University of Manitoba; 2005.

38. Bow CJ, Waters NM, Faris PD, Seidel JE, Galbraith PD, Knudtson ML, et al. Accuracy of city postal code coordinates as a proxy for location of residence. Int J Health Geogr 2004 Mar 18;3(1):5.

53. Slater J, Green C, Sevenhuysen G, O'Neil J, Edginton B. Socio-demographic and geographic analysis of overweight and obesity in Canadian adults using the Canadian Community Health Survey (2005). Chronic Dis Can 2009;30(1):4-15.

39. Bow CJ, Waters NM, Faris PD, Seidel JE, Galbraith PD, Knudtson ML, et al. Accuracy of city postal code coordinates as a proxy for location of residence. Int J Health Geogr 2004 Mar 18;3(1):5.

54. Bailey T, Gatrell A. Interactive Spatial Data Analysis. Essex: Longman; 1995.

40. Doak CM, Wijnhoven TM, Schokker DF, Visscher TL, Seidell JC. Age standardization in mapping adult overweight and obesity trends in the WHO European Region. Obes Rev 2011 Nov 7.

55. Gatrell AC. Geographies of Health: An Introduction. Malden MA: Blackwell Publishers Inc.; 2002. 56. Gatrell AC, Bailey TC. Interactive spatial data analysis in medical geography. Soc Sci Med 1996 Mar;42(6):843-55.

41. SAS Institute I. SAS 11. http://www.sas.com/software/ 2010. 42. Stata Corp. Stata 11. http://www.stata.com/stata11/ 2010.

57. Anselin L. Local Indicators of Spatial Association LISA. Geographical Analysis 27[2], 93-115. 1995. Ref Type: Journal (Full)

- 11 -

La Note mauve • numéro 37 • mars 2012 comparison of household and neighbourhood level income measures in the study of population health status. Health Place 1999 Jun;5(2):157-71.

58. Satscan 8.0, Software for spatial and space-time scan statistics [computer program]. U.S.A.: Information Management Services Inc.; 2009. 59. Kulldorff M, Athas WF, Feurer EJ, Miller BA, Key CR. Evaluating cluster alarms: a space-time scan statistic and brain cancer in Los Alamos, New Mexico. Am J Public Health 1998 Sep;88(9):1377-80.

69. Krieger N, Gordon D. Re: "Use of census-based aggregate variables to proxy for socioeconomic group: evidence from national samples". Am J Epidemiol 1999 Oct 15;150(8):892-6.

60. Kulldorff M, Heffernan R, Hartman J, Assuncao R, Mostashari F. A space-time permutation scan statistic for disease outbreak detection. PLoS Med 2005 Mar;2(3):e59.

70. Environmental Research Institute (ESRI). ArcGIS OnLine. http://www.ArcGIS.com 2011. 71. Neudorf C. GIS in Public Health: Use examples at the RHA level, 2009 NCCP Summer Institute. Saskatoon Health Region http://www.si2009.ca/docs/EN_Neudorf_NCCMI_Jul y8_PHMappingFinal.pdf 2009

61. Kulldorff M, Nagarwalla N. Spatial disease clusters: detection and inference. Stat Med 1995 Apr 30;14(8):799-810.

72. Colantonio A, Moldofsky B, Escobar M, Vernich L, Chipman M, McLellan B. Using Geographical Information Systems Mapping to Identify Areas Presenting High Risk for Traumatic Brain Injury. Emerg Themes Epidemiol 2011 Nov 4;8(1):7.

62. Waller L, Gotway C. Applied Spatial Statistics for Public Health Data. Hoboken, New Jersey: John Wiley and Sons, Inc.; 2004. 63. Idrovo AJ. Three criteria for ecological fallacy. Environ Health Perspect 2011 Aug;119(8):A332.

73. McMichael AJ, Beaglehole R. The changing global context of public health. Lancet 2000 Aug 5;356(9228):495-9.

64. Portnov BA, Dubnov J, Barchana M. On ecological fallacy, assessment errors stemming from misguided variable selection, and the effect of aggregation on the outcome of epidemiological study. J Expo Sci Environ Epidemiol 2007 Jan;17(1):106-21.

74. Sobal J. Commentary: globalization and the epidemiology of obesity. Int J Epidemiol 2001 Oct;30(5):1136-7.

65. Pearce N. The ecological fallacy strikes back. J Epidemiol Community Health 2000 May;54(5):326-7.

75. Huynen MM, Martens P, Hilderink HB. The health impacts of globalization: a conceptual framework. Global Health 2005 Aug 3;1:14.

66. Babor TF. Ecological validity or ecological fallacy? Toward an eco-epidemiology for alcohol studies. Addiction 2000 Jan;95(1):53-4.

76. Waltner-Toews D, Lang T. A new conceptual base for food and agricultural policy: the emerging model of links between, food, agriculture, health, environment and society. Global Change and Human Health 2000;1(2):116-30.

67. Schwartz S. The fallacy of the ecological fallacy: the potential misuse of a concept and the consequences. Am J Public Health 1994 May;84(5):819-24. 68. Mustard CA, Derksen S, Berthelot JM, Wolfson M. Assessing ecologic proxies for household income: a

La production du présent document a été rendue possible grâce à la contribution financière de l’Agence de la santé publique du Canada. Les opinions qui y sont exprimées ne reflètent pas nécessairement le point de vue de l’Agence de la santé publique du Canada.

- 12 -

La Note mauve • numéro 37 • mars 2012

- 13 -