Global variation in cardiometabolic risk structures: A 48-country comparative Bayesian network analysis in 146,000 participants using WHO STEPS data

Cette étude a analysé 146 000 participants répartis dans 48 pays en utilisant des réseaux bayésiens pour révéler des variations régionales significatives dans les structures de risque cardiométabolique, démontrant que les stratégies de santé publique doivent être adaptées à des contextes géographiques spécifiques plutôt que de reposer sur des modèles généralisés.

L'essentiel

Imaginez que les maladies cardiaques et le diabète (ce que l'article appelle « maladies cardiométaboliques ») ne sont pas causés par l'action d'un seul interrupteur, mais par un réseau complexe et emmêlé de fils. Certains fils sont des choses que vous ne pouvez pas changer, comme votre âge ou votre lieu de naissance. D'autres sont des choses que vous pouvez changer, comme ce que vous mangez, la quantité de mouvement que vous faites, ou si vous fumez.

Cet article est comme une équipe d'enquêteurs tentant de cartographier exactement comment ces fils sont noués ensemble dans 48 pays différents. Au lieu de ne regarder qu'un seul fil à la fois, ils ont utilisé un outil informatique spécial appelé un réseau bayésien pour voir l'ensemble du réseau d'un seul coup. Imaginez cet outil comme une « carte des relations » qui montre quels facteurs tirent sur quels autres facteurs.

Voici ce qu'ils ont découvert, expliqué simplement :

1. La carte est différente dans chaque quartier

Les chercheurs ont découvert que le « réseau de risques » a une apparence différente selon l'endroit où vous vous trouvez dans le monde.

• L'analogie : Imaginez essayer de comprendre pourquoi les embouteillages se produisent. Dans une ville, le bouchon pourrait être causé principalement par un mauvais carrefour (une disposition spécifique des routes). Dans une autre ville, le bouchon pourrait être causé par trop de personnes quittant le travail en même temps. Même si le résultat (un embouteillage) est le même, la cause et les connexions entre les causes sont totalement différentes.
• La découverte : Les cartes informatiques pour les pays d'une même région (comme l'Europe ou l'Asie du Sud) se ressemblaient beaucoup entre elles. Mais la carte de l'Europe ressemblait très peu à celle de l'Asie du Sud. Cela signifie que la « recette » pour tomber malade n'est pas la même partout.

2. Le même ingrédient peut avoir un goût différent

L'étude a montré qu'un même facteur peut avoir des effets opposés selon la région.

• L'analogie : Pensez à « l'éducation » comme à une épice. Dans un pays, ajouter plus d'éducation pourrait rendre le « ragoût de l'obésité » meilleur (augmenter le risque d'obésité). Dans un autre pays, ajouter cette même épice pourrait rendre le ragoût moins bon (diminuer le risque).
• La découverte :
  • En Asie du Sud, avoir plus d'éducation était en fait lié à un risque plus élevé d'obésité, de diabète et d'hypertension artérielle.
  • Au Moyen-Orient et en Afrique du Nord, avoir plus d'éducation était lié à un risque plus faible de tous ces mêmes problèmes.
  • L'âge était un moteur important partout, mais en Europe et en Asie centrale, vieillir faisait augmenter le risque d'obésité beaucoup plus dramatiquement que dans d'autres endroits.

3. Les interactions « cachées »

Les chercheurs ont également examiné comment deux facteurs fonctionnent ensemble, comme une équipe.

• L'analogie : Imaginez une balançoire. Parfois, le poids d'une personne (l'âge) n'a pas beaucoup d'importance à moins que vous ne sachiez qui est assis de l'autre côté (le sexe).
• La découverte : En Europe et en Asie centrale, la combinaison de l'âge d'une personne et de son sexe était un prédicteur très fort de l'obésité. Par exemple, le risque de prendre du poids en vieillissant change différemment pour les hommes et les femmes dans cette région spécifique par rapport à d'autres parties du monde.

4. Ce qui n'a pas beaucoup changé

Certaines choses étaient étonnamment cohérentes.

• L'analogie : Peu importe où vous allez, la gravité vous tire toujours vers le bas.
• La découverte : Être plus âgé était presque toujours lié à des risques plus élevés de diabète et d'hypertension artérielle, quel que soit le pays. De plus, de manière surprenante, dans chaque région, les personnes qui n'ont jamais fumé ni bu étaient en fait plus susceptibles d'être obèses que celles qui fumaient ou buvaient actuellement. (L'article note qu'il s'agit d'un mystère connu en science, possiblement parce que le tabagisme modifie la façon dont votre corps régule le poids).

La grande conclusion

Le message principal de cet article est que vous ne pouvez pas utiliser une carte « unique pour tous » pour comprendre les maladies cardiaques.

Si un responsable de la santé tente de résoudre un problème en Asie du Sud en utilisant exactement la même stratégie qui a fonctionné en Europe, cela pourrait échouer parce que les « fils » du réseau sont noués différemment. L'article soutient que pour résoudre efficacement ces problèmes de santé, nous devons examiner le réseau local spécifique de connexions dans chaque région, plutôt que de supposer que le monde fonctionne de la même manière partout.

Ce que l'article NE dit PAS :

• Il ne dit pas aux médecins comment traiter des patients spécifiques.
• Il ne prétend pas que l'éducation cause l'obésité en Asie du Sud (il a simplement trouvé un lien).
• Il ne suggère pas de nouveaux médicaments ou régimes spécifiques.
• Il cartographie simplement les différences dans la façon dont ces facteurs de risque sont connectés à travers le globe.

Résumé technique

Résumé technique : Variations globales des structures de risque cardiométabolique

Énoncé du problème
Les maladies chroniques à base cardiométabolique (MCBC) résultent d'interactions complexes et multi-niveaux entre des facteurs sociodémographiques, comportementaux et métaboliques. Bien qu'un ensemble consensuel de facteurs de risque soit reconnu mondialement, les études épidémiologiques existantes se sont principalement concentrées sur des facteurs de risque individuels ou sur des fractions attribuables à la population (FAP), sans modéliser adéquatement les interdépendances structurelles entre ces variables au sein de populations diverses. Les recherches antérieures indiquent que l'impact de facteurs de risque spécifiques varie selon la région et le niveau de revenu, mais aucune étude n'a utilisé une approche basée sur les réseaux pour analyser comment la topologie de ces interactions de facteurs de risque diffère à l'échelle mondiale. Cette étude comble le manque de compréhension quant à la manière dont le contexte populationnel influence les relations structurelles et les interactions qui déterminent les issues des MCBC.

Méthodologie
L'étude a employé une analyse comparative de réseaux bayésiens (RB) utilisant des données transversales représentatives au niveau national provenant de 48 pays participants à l'enquête « Approche progressive de l'OMS pour la surveillance des facteurs de risque des maladies non transmissibles » (STEPS) (2009–2024). L'échantillon total comprenait 146 086 participants âgés de 30 ans et plus.

• Harmonisation des données et variables : Quatorze variables ont été harmonisées à travers les jeux de données, catégorisées dans une structure hiérarchique : sociodémographiques non modifiables (âge, sexe, résidence urbaine/rurale), sociodémographiques modifiables (niveau d'éducation, revenu du ménage), comportementales (tabac, alcool, alimentation, activité physique), moteurs cardiométaboliques (adiposité, diabète, hypertension, hyperlipidémie) et antécédents de maladies cardiovasculaires (MCV). Les variables présentant plus de 40 % de données manquantes par pays ont été exclues ; les données manquantes restantes ont été imputées à l'aide d'un algorithme de forêt aléatoire.
• Apprentissage du réseau : Pour chaque pays, un RB spécifique au pays a été appris en utilisant un algorithme de montée de colline avec rééchantillonnage par bootstrap (n=1 000), modifié pour intégrer les pondérations d'enquête. Pour garantir la plausibilité causale, des listes noires d'arêtes ont été appliquées pour interdire les arêtes allant de variables de niveau inférieur vers des variables de niveau supérieur, ainsi qu'entre les variables sociodémographiques non modifiables. Un réseau de consensus moyen a été dérivé pour chaque pays, conservant les arêtes présentes dans plus de 50 % des réseaux bootstrap.
• Comparaison de la topologie : Les différences structurelles entre les réseaux nationaux ont été quantifiées à l'aide de la distance de Hamming structurelle (SHD). Les valeurs SHD ont été comparées entre les régions de la Banque mondiale et les niveaux de revenu à l'aide de tests de Wilcoxon à deux échantillons non appariés.
• Inférence et analyse des interactions : Les RB appris ont été utilisés pour des requêtes de probabilité conditionnelle afin d'évaluer l'impact relatif des facteurs de risque sur les issues cardiométaboliques. De plus, les effets d'interaction entre paires de facteurs de risque (par exemple, âge et sexe) ont été évalués à l'aide de tests du rapport de vraisemblance comparant des modèles de régression multinomiale « complets » et « réduits » ajustés sur des jeux de données simulés dérivés des RB.
• Sensibilité : La robustesse a été vérifiée à l'aide d'algorithmes d'apprentissage alternatifs (recherche tabou), de métriques de similarité alternatives (corrélation produit-moment) et de méthodes d'imputation alternatives (MICE).

Résultats clés

• Similarité structurelle régionale : Les structures de réseau variaient significativement selon la région (p = 0,023), les réseaux d'une même région étant structurellement plus similaires que ceux de régions différentes. Aucune différence significative n'a été trouvée selon les niveaux de revenu des pays (p = 0,91) ou l'année de collecte des données.
• Impacts différentiels des facteurs de risque : L'influence des facteurs sociodémographiques et comportementaux sur les issues cardiométaboliques était spécifique à la région.
  • Âge : Un âge plus avancé (60 ans et plus contre 30–44 ans) était associé à une probabilité nettement plus élevée d'obésité en Europe et en Asie centrale (+80 %) par rapport aux autres régions.
  • Éducation : Un niveau d'éducation plus élevé était associé à une augmentation des probabilités d'obésité, de diabète et d'hypertension en Asie du Sud, tandis qu'au Moyen-Orient et en Afrique du Nord (MENA), il était associé à une diminution des probabilités de ces affections et d'hyperlipidémie.
  • Sexe et lieu de résidence : Les femmes présentaient la plus forte augmentation relative de la probabilité d'obésité dans toutes les régions, en particulier en Afrique subsaharienne (+175 %). La résidence urbaine était fortement associée à une augmentation de l'obésité en Afrique subsaharienne et en Asie de l'Est et Pacifique.
  • Facteurs comportementaux : Les non-fumeurs et les non-buveurs avaient des probabilités d'obésité plus élevées que les utilisateurs actuels dans toutes les régions. L'activité physique montrait l'effet protecteur le plus fort dans la région MENA.
• Effets d'interaction : L'interaction entre l'âge et le sexe dans la prédiction de l'obésité était significative dans la proportion la plus élevée de pays au sein de l'Europe et de l'Asie centrale. L'interaction entre l'âge et le sexe dans la prédiction de l'hypertension était la plus prévalente en Asie de l'Est et Pacifique.

Contributions clés

1. Première analyse comparative de réseaux à l'échelle mondiale : Il s'agit de la première étude à apprendre et comparer des réseaux bayésiens spécifiques à chaque pays concernant les facteurs de risque cardiométaboliques dans 48 nations, dépassant l'analyse des facteurs de risque individuels pour modéliser des interdépendances complexes et multi-niveaux.
2. Avancement méthodologique : L'étude intègre les pondérations d'enquête à la fois dans les phases d'apprentissage de la structure (via un rééchantillonnage par bootstrap pondéré) et d'apprentissage des paramètres, comblant une lacune des études antérieures sur les RB qui ignoraient souvent les plans d'échantillonnage complexes.
3. Preuve d'un ajustement régional : Les résultats démontrent que les moteurs structurels des MCBC ne sont pas uniformes à l'échelle mondiale. La variation régionale significative de la topologie des réseaux et des interactions de facteurs de risque suggère que les modèles de prévention généralisés peuvent être insuffisants.

Importance et affirmations
L'article affirme que ses résultats révèlent des schémas régionaux spécifiques de structures de risque cardiométabolique multi-niveaux. Il souligne que, bien qu'un ensemble consensuel de facteurs de risque entraîne les MCBC, les inter-relations et les voies structurelles par lesquelles ces facteurs influencent les résultats cliniques diffèrent selon la région. Par conséquent, les auteurs plaident pour la nécessité de « stratégies de santé publique adaptées à la région » plutôt que pour l'application de modèles généralisés fondés sur des preuves. L'étude postule que la compréhension de ces moteurs structurels est un aspect crucial de la « transculturalisation » — l'adaptation des directives cliniques pour respecter les différences culturelles et environnementales. Les auteurs notent que, bien que les RB reflètent des associations statistiques fortes plutôt que des mécanismes causaux définitifs, ils fournissent un cadre robuste pour identifier les groupes à haut risque et les moteurs pertinents localement pour les interventions.

Limites notées par les auteurs
Les auteurs reconnaissent des limites, notamment le caractère transversal des données (empêchant l'inférence causale longitudinale), l'absence de différenciation entre le diabète de type 1 et de type 2, la dépendance aux antécédents de MCV déclarés (potentiellement moins précis dans les milieux à ressources limitées) et l'exclusion de certaines variables en raison de données manquantes. De plus, ils notent que les algorithmes d'apprentissage de la structure des RB privilégient les relations fortes, excluant potentiellement des associations plus faibles, et que l'étude utilise des requêtes de probabilité conditionnelle pour illustrer des tendances plutôt que pour générer des métriques précises telles que les FAP ou les rapports de cotes.