L'incertitude fondamentale et les soins palliatifs. Enjeux ...
Prise en compte de la variabilité et de l'incertitude dans ...
Transcript of Prise en compte de la variabilité et de l'incertitude dans ...
Le 11 mars 2005
1
Prise en compte de la variabilité
et de l'incertitude dans une
analyse de risque par des modèles
hiérarchiquesbayésiens
Le 11 mars 2005
2
Appréciation du risque
•Textes internationaux : l’appréciation quantitative
du risque doit inclure lavariabilitéet l’incertitude
qui lui sont associées.
Part de la varianceau sens
statistique qui est produite par des
effets non reproductibles(effets
aléatoires) dus à la diversité et
hétérogénéité des populations
d’intérêt (individus, souches)
Part de la varianceau sens
statistique qui est due au modèle,
au manque de connaissance, de
donnéessur le phénomène étudié
Non réductible
Réductible
Le 11 mars 2005
3
Estimation de la variabilitéet de
l’incertitude
•Approche bayésienne: tout ce qui est incertain est
probabilisé. Il n’y a pas de paramètres fixes
inconnus. Tout paramètre est aléatoire entaché
d’incertitude et/ou de variabilité s’il y a lieu.
Distinguer les notions de
variabilité et incertitude
par des niveaux
hiérarchiques dans la
modélisation
Le 11 mars 2005
4
–Données bibliographiques internationales :
•91 études répertoriées
Dans chaque étude i, n
iprélèvements réalisés et rirésultats positifs
Par étude, l’estimation de la prévalence est donnée par :
.ˆ
iii
nrp
=
Exemple I :Déterminer la prévalence de la
contamination par L.monocytogenesdans le
lait cru.
Le 11 mars 2005
5
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
1
4
7
10
13
16
19
22
25
28
31
34
37
40
43
46
49
52
55
58
61
64
67
70
73
76
79
82
85
88
91
Prévalence
Exemple I :Déterminer la prévalence de la
contamination par L.monocytogenesdans le
lait cru.
Le 11 mars 2005
6
Supposons qu’il y ait une prévalence mondiale unique de L.
monocytogenesdans le lait cru, p.
–En statistique bayésienne, psuit une distribution dite a priori car p
est incertain.
–On évalue à partir des données cette incertitude (par la distribution
dite a posteriori de p).
()
001
.0)
(,
035
.0)
(
,1,
1~
),
(~
),1,1(~
==
−+
+∑
∑
pp
En
Applicatio
rn
rBêta
p
np
Bino
rBêta
p
i
ii
i
i
ii
σ
Exemple I :Déterminer la prévalence de la
contamination par L.monocytogenesdans le
lait cru.
Le 11 mars 2005
7
Supposons qu’il y ait une variabilité de la prévalence
mondiale de L. mono.dans le lait cru.
On va distinguer chaque étude.
Niveaux hiérarchiques :
•L’étude :
•L’ensemble des étude :
En statistique bayésienne, les hyperparamètres étant eux-
même aléatoires com
me tout paramètre en stat. bayésienne, ils
possèdent des distributions a prioriqui m
esure l’incertitude sur la
prévalence mondiale de la contamination.
),
(~
βα
Bêta
pi
),
(β
α
()
),
(~
,i
ii
ii
pn
Bin
pn
r
Exemple I :Déterminer la prévalence de la
contamination par L.monocytogenesdans le
lait cru.
Le 11 mars 2005
8
ni
pi
étude i :1 à 91α
β
r i
078
.0)
(,
062
.0)
(=
=psim
psim
Eσ
Exemple I :Déterminer la prévalence de la
contamination par L.monocytogenesdans le
lait cru.
Le 11 mars 2005
9
Supposons qu’il y ait une variabilité de la prévalence
mondiale de L. mono.dans le lait cru avec deux
sous-populations
Même modèle que précédemment m
ais la prévalence suit un
mélange de deux lois Bêta
L’attribution des différentes observations à l’une ou l’autre des
distributions n’est pas connue
()
)(
~
)(
~
),
(~)
(
),
(~
,
π
βα
Dirichlet
P
PCat
w
Bêta
wp
pn
Bin
pn
r i
ww
ii
ii
ii
i
ii
Exemple I :Déterminer la prévalence de la
contamination par L.monocytogenesdans le
lait cru.
Le 11 mars 2005
10
ni
pi
wi
αj
population j : 1 à 2
P
αi
βj
βi
étude i :1 à 91
r i
Exemple I :Déterminer la prévalence de la
contamination par L.monocytogenesdans le
lait cru.
Le 11 mars 2005
11
Résultats :
Dans 25% des itérations, seules les publications 82 et 91 sont classés
dans la seconde catégorie. Dans 50% des itérations, seules les
observations 88 à 91 sont classées dans la seconde catégorie.
06.0)
(
94.0)
(
21
==
PE
PE
Exemple I :Déterminer la prévalence de la
contamination par L.monocytogenesdans le
lait cru.
Le 11 mars 2005
12
Résultats : 14.0
)2(
,51.0
)2(
05.0)1
(
,041
.0)1
(
====
psim
psim
E
psim
psim
E σσ
Exemple I :Déterminer la prévalence de la
contamination par L.monocytogenesdans le
lait cru.
Le 11 mars 2005
13
–Article : Estimation ofuncertainty and variabilityin
bacterial growth
using Bayesian inference. Application toListeria monocytogenes. R.
Pouillot, I. Albert, M. Cornu, J.-B. D
enis. IJFM, 2003.
–Pour un pathogène vivant, l’appréciation du risque est lié à la
croissance, décroissance ou surviedu pathogène tout au
long du process de la production à la consommation.
Exemple II : Évaluation de la variabilitéet
de l’incertitude de la croissance de L.
monocytogenesdans le lait cru
Le 11 mars 2005
14
Modèle croissance
λ
pente : µmax
Tem
ps (t)
y(t) (log(UFC/ml))
Phase de latence
Phase de
croissance
exponentielle
Phase de
diminution
de la croissance
Phase
stationnaire
Phase de
décroissance
y 0
y max
Le 11 mars 2005
15
Modèle de croissance
•Modèle primaire :
modèle logistique avec délai de rupture
(Kono, 1968)
•y 0:
log de la concentration initiale (log(cfu.ml-1))
•y m
ax: log de la concentration maximale permise par le milieu (log(cfu.ml-1))
•λ:
temps de latence
•µmax: taux de croissance maximal
()
()
()
()
()
()
>−
−−
−+
−
≤=
λλ
µ
λ
tt
yy
y
ty
tf
,exp
1exp
1log
,
max
0max
max
0
Le 11 mars 2005
16
010
20
30
40
50
0.00.20.40.60.81.0
Te
mp
era
ture
(°C
)
µ max
Modèle croissance
Le 11 mars 2005
17
Modèle de croissance
•Modèle secondaire :
modèle àvaleurs cardinales (Rosso, 1995)
•Tmin,T
opt,Tmax: températures cardinales liéàl’espèce
•µopt:
taux de croissance optimal liéàl’espèce
•K:
constante liée àl’espèce
•C :
constante liée aux autres paramètres
environnementaux du milieu
()
()
[]
()
()(
)(
)()(
)(
)()
[]
[]
()
()
=
∈−
+−
−−
−−
−−
=
∉==
KT
T
TT
Tsi
TT
TT
TT
TT
TT
T
TT
TT
T
TT
Tsi
T
TC
opt
opt
opt
opt
optopt
max
max
min
min
max
min
min
2min
max
max
min
max
,,
2
,,0
µλϕϕ
ϕµ
µ
Le 11 mars 2005
18
ymax
yn,0
t n,t
µmax,n
PM
n,t
Tmin,i
Topt,i
Tmax,i
µopt,i
MTmin
MTopt
MTmax
Mµopt
strain
i
growth curven
point t
σPM
Tn
STmin
SM1n
σSM1
Yn,t
λn
σSM2
STopt
STmax
Sµopt
Ki
MK
Kn
SK
Yn,0
Le 11 mars 2005
19
•Lois sur les paramètres de croissance au niveau de
la population générale des souches
Paramètre
Distribution
µopt,i
N(M
µopt, Sµopt)I(0,
∞)
Tmin,i
N(M
Tmin, S
Tmin)
Topt,i
N(M
Topt, STopt)
Tmax,i
N(M
Tmax, S
Tmax)
Ki
N(M
K, S
K) I(0,
∞)
Exemple II : Évaluation de la variabilitéet
de l’incertitude de la croissance de L.
monocytogenesdans le lait cru
Le 11 mars 2005
20
–Résultats : Estimation de la variabilité inter-souches et de l’incertitude de la
température de croissance minimale, optimale, maximale,… de L. mono.dans le lait
cru à partir de 22 souches et 124 courbes en conditions environnementales constantes
Param
ètre
Moyenne
Ecart-type
Distribution ajustée
MTmin
-2.47
0.69
N(-2.47, 0.690)
MTopt
37.3
0.56
LND(2.19, 0.0621, 28.3)
MTmax
45.0
0.95
LND(2.08, 0.117, 36.9)
Mµopt
0.69
0.05
GD(601, 0.00199, -0.508)
MK
1.36
0.14
LND(0.981, 0.0534, -1.32)
STmin
1.26
0.61
W(2.21, 1.43)
STopt
0.56
0.25
LND(-1.02, 0.538, 0.140)
STmax
0.59
0.32
LND(-1.05, 0.645, 0.164)
Sµopt
0.18
0.03
LND(-1.73, 0.160, -9.0610
-4)
SK
0.40
0.08
LND(-1.32, 0.269, 0.112)
y max
7.92
0.02
BD(8.89, 9.47, 7.84, 8.01)
Exemple II : Évaluation de la variabilitéet
de l’incertitude de la croissance de L.
monocytogenesdans le lait cru
Le 11 mars 2005
21
–Au cours d’un process: variation de température (modèle
thermique)
–Différents scénarios pour la prise en compte de la variabilité et de
l’incertitude
–Mesurer les effets sur la concentration finale en bactéries, surles
facteurs influençant cette concentration
Évaluer l’effet de la prise en compte de
ces composantes sur la quantification de
la concentration bactérienne en sortie de
tank àlait
Le 11 mars 2005
22
Description du process
•Process simple
–Stockage d’un lait cru dans un tank de ferme
réfrigérant, entre deux passages de camion de
collecte
Tank réfrigérant
1°traite
2°traite
3°traite
4°traite
t
Le 11 mars 2005
23
Modèle thermique
Arrivé de lait tiède lors
de la traite
Tank
Déperdition de
chaleur
Installation
réfrigérante
()
[]
dV
V
lT
Tk
dt
dV
TVT
dT
Text
+
+−
++
=+
on
0
T0: Température d’arrivée du lait
k: constante liée à la déperdition de chaleur
Text: tem
pérature extérieure
l: constante liée à la puissance réfrigérante
on= 1 en phase de réfrigération, on= 0 sinon
Le 11 mars 2005
24
Simulations stochastiques
•Paramètres d’entrée :
–Contamination : nom
bre qidéfini de bactéries
introduites lors de chaque traite i
–Paramètres nécessaires au modèle thermique
•Nom
breux et variés
–caractéristique des tanks (déperdition, puissance, volum
e),
–température extérieure moyenne et variation dans les laiteries,
–production laitière …
•Spécification empirique, à partir de données bibliographiques
–Paramètres du modèle de croissance
•Modèle bayésiend’estimation des paramètres de croissance, incluant
les modèles primaire et secondaire
•Ajustement paramétrique des distributions empiriques a posteriori
Le 11 mars 2005
25
Différents scénarios pour la prise en
compte de la variabilité et incertitude
•Scénario S0: scénario moyen
–Les paramètres des modèles de croissance sont fixés aux moyennesdes
lois ajustées
•Scénario Sv: scénario sans incertitude mais avec
juste la variabilité sur les paramètres de croissance
–Les paramètres des modèles de croissance sont tirés des distributions
fixées au niveau de la population générale avec les moyennes deslois
ajustées
•Scénario Svu
: scénario variabilité + incertitude
–Tirages dans les lois ajustées puis dans les distributions fixées au niveau
de la population générale avec les paramètres tirés des lois ajustées
Le 11 mars 2005
26
10
20
30
40
50
60
70
1416182022a
: O
uts
ide
Te
mp
era
ture
(°C)1
02
03
04
05
06
07
0
0100300
b:
Milk
Vo
lum
e
(liters)
10
20
30
40
50
60
70
5152535
c:
Milk
Te
mp
era
ture
(° C)
10
20
30
40
50
60
70
0.00.40.8
d:
To
tal B
ac
teri
al C
on
ce
ntr
atio
n
(log10)
10
20
30
40
50
60
70
0.00.40.8
e:
Ba
cte
ria
l P
ha
se
%
10
20
30
40
50
60
70
-0.50.00.51.0
f: in
div
idu
al B
ac
teri
al C
on
ce
ntr
atio
n
(log 10)
Exemple de simulation
( Scénario S0 -10
2cfu lors la première traite –10
3cfulors de la seconde)
Le 11 mars 2005
27
Simulations stochastiques
•Contaminations initiales fixés : 103ufc/traite i
•10 000 simulations (jeux de paramètres d’entrée
avec R)
•Algorithm
e déterministe de modélisation (Perl)
•Paramètres de sortie :
–Concentration finale par contamination y i
–Concentration finale totale, y
–Paramètre φ
ien fin de process, nom
bre de phases de
latence potentielles effectuées par la bactérie
–Paramètre Λ
i, facteur de multiplication de la population
bacterienne, calculési φ
i> 1
Le 11 mars 2005
28
Résultats
Scenario
Mean
yStd. dev.
Minimum
P2.5
P50
P97.5
P99
Maximum
S0
0.56
0.33
-0.05
0.14
0.48
1.45
1.77
2.40
Sv
0.59
0.34
-0.02
0.15
0.52
1.47
1.79
2.64
Svu
0.59
0.33
-0.01
0.16
0.51
1.48
1.75
2.85
Le 11 mars 2005
29
Résultats Scénario
0S
Scénario
vS
Scénario
vuS
Le 11 mars 2005
30
Résultats
0S
vS
vuS
1≥
iφ
iφ i
Λ
ithContamination
13365
3811
3884
2708
1867
1969
37
420
530
40
622
1[0.27-0.83-1.70]
[0.14-0.81-2.92]
[0.10-0.82-3.14]
2[0.18-0.57-1.16]
[0.09-0.56-2.01]
[0.07-0.55-2.18]
3[0.10-0.33-0.69]
[0.05-0.32-1.15]
[0.04-0.32-1.31]
4[0.02-0.08-0.19]
[0.01-0.08-0.30]
[0.01-0.08-0.34]
1[1.00-1.00-2.50]
[1.00-1.00-5.03]
[1.00-1.00-5.90]
2[1.00-1.00-1.24]
[1.00-1.00-2.26]
[1.00-1.00-2.51]
3[1.00-1.00-1.00]
[1.00-1.00-1.12]
[1.00-1.00-1.24]
4[1.00-1.00-1.00]
[1.00-1.00-1.00]
[1.00-1.00-1.00]
Le 11 mars 2005
31
–L’approche bayésienne
permet beaucoup de
flexibilité pour l’estimation des «modèles à effets
aléatoires».
–En analyse de risque, attention aux
raisonnements qui éliminent l’incertitude sur les
paramètres et ne gardent que la variabilité des
paramètres car la variabilité estimée est conditionnelle à
une certaine incertitude et si celle-ci change la
variabilité estimée du phénom
ène change.
•Pour un spectre d’incertitude, donner un sceptre de variabilité
Discussion